[논문]ICP 기법을 이용한 MSS 및 UAV 간 점군 데이터 자동정합

김재학; 이창민; 김형준; 이동하

doi:10.11108/kagis.2019.22.4.229

ICP 기법을 이용한 MSS 및 UAV 간 점군 데이터 자동정합
Automatic Registration of Point Cloud Data between MMS and UAV using ICP Method 원문보기

한국지리정보학회지 = Journal of the Korean Association of Geographic Information Studies, v.22 no.4, 2019년, pp.229 - 240

김재학 ((주)지오스토리 신사업기획팀) , 이창민 (강원대학교 건축.토목.환경공학부) , 김형준 (강원대학교 건축.토목.환경공학부) , 이동하 (강원대학교 건축.토목.환경공학부)

초록
AI-Helper

건설, 의료, 컴퓨터 그래픽스, 도시공간 관리 등 다양한 분야에서 3차원 공간모델이 이용되고 있다. 특히 측량 및 공간정보 분야에서는 최근 스마트시티, 정밀도로지도 구축 등과 같은 고품질의 3차원 공간정보에 대한 수요가 폭발적으로 증가하면서, 이를 보다 손쉽고, 간편하게 취득하기 위하여 MMS, UAV와 같은 관측기술이 활발히 활용되고 있다. 하지만 두 자료를 통합하여 3차원 모델링을 수행하기 위해서는, 두 관측기술 적용 시 발생하는 원시자료 취득센서, 점군 자료생성 방식 및 관측정확도 간의 차이를 효율적으로 보정할 수 있는 최적의 정합방법이 필요하다. 본 연구에서는 일반적인 3차원 모델의 자동정합에 사용되는 ICP(Iterative Closet Point) 기법을 통한 MMS와 UAV 점군 데이터 간 자동정합 성능을 판단하기 위하여, 여의도 지역을 연구대상지역으로 설정하고 UAV 영상을 취득 후 점군 자료로 변환하였다. 그 후 대상지역을 총 4개의 구역으로 구분하여 MMS 관측을 수행하였으며, UAV 점군 자료를 기반으로 각 구역에서 관측된 MMS 점군 자료와 수동정합하고 이를 ICP 기반으로 자동정합한 결과와 비교하였다. 보다 엄밀하게 ICP 기반의 자동정합 성능을 판단하기 위하여 각 구역별로 데이터 중첩률, 노이즈 레벨 등의 변수를 다르게 하여 비교를 수행하였다. 결론적으로 ICP 기반의 자동정합 시 데이터 중첩률이 높고, 노이즈 레벨이 낮을수록 더 높은 정확도로 정합될 수 있다는 것을 알 수 있었다.

Abstract ▼ AI-Helper

3D geo-spatial model have been widely used in the field of Civil Engineering, Medical, Computer Graphics, Urban Management and many other. Especially, the demand for high quality 3D spatial information such as precise road map construction has explosively increased, MMS and UAV techniques have been actively used to acquire them more easily and conveniently in surveying and geo-spatial field. However, in order to perform 3D modeling by integrating the two data set from MMS and UAV, its so needed an proper registration method is required to efficiently correct the difference between the raw data acquisition sensor, the point cloud data generation method, and the observation accuracy occurred when the two techniques are applied. In this study, we obtained UAV point colud data in Yeouido area as the study area in order to determine the automatic registration performance between MMS and UAV point cloud data using ICP(Iterative Closet Point) method. MMS observations was then performed in the study area by dividing 4 zones according to the level of overlap ratio and observation noise with based on UAV data. After we manually registered the MMS data to the UAV data, then compared the results which automatic registered using ICP method. In conclusion, the higher the overlap ratio and the lower the noise level, can bring the more accurate results in the automatic registration using ICP method.

주제어

표/그림 (12)

그림 FIGURE 1. Study Area(around Yeouido elementary school)
그림 FIGURE 2. Aerial imageries taken using a UAV
표 TABLE 1. UAV and Camera Specification Information for this study
그림 FIGURE 3. UAV-based Point Cloud Data in Study Area
그림 FIGURE 4. Lynx V200 Mobile Mapping System
그림 FIGURE 5. Flowchart of MMS Data Processing(Park and Lee, 2014)
그림 FIGURE 6. MMS-based Point Cloud Data in study area
표 TABLE 2. Variable Information for each point cloud data sets
그림 FIGURE 7. Result of automatic registration between MMS1 and UAV point cloud data
표 TABLE 3. Error of transformation matrix parameter estimation between manual and automatic registration
그림 FIGURE 8. Result of automatic registration between MMS2 and UAV point cloud data
그림 FIGURE 9. Result of automatic registration between MMS4 and UAV point cloud data

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 국내 도심지(여의도 일대)에서 수집된 점군 자료군을 활용하여 각각의 변수들에서 점군 자료 자동정합 성능을 알아보았다. 표 2에 표현된 총 5쌍의 점군 자료군를 대상으로 정합을 실시하였으며, 각각의 경우에 대하여 정합오차를 산출하기 위해 미리 설정한 타겟 포인트를 활용하여 수동으로 정합한 결과와 비교하였다.
본 연구에서는 이를 해결하기 위하여 일반적인 3차원 모델의 자동정합에 사용되는 ICP(Iterative Closet Point) 기법을 활용하여 MMS와 UAV 점군 자료 간 자동정합 시 자료별 중첩률과 노이즈 레벨이 미치는 영향을 분석하였다. 먼저 여의도 지역을 연구대상지역으로 설정하고 UAV 영상을 취득 후 점군 자료로 변환하였다.
본 연구에서는 이를 해결하기 위하여 일반적인 3차원 모델의 자동정합에 사용되는 ICP(Iterative Closet Point) 기법을 활용하여 MMS와 UAV 점군 자료 간 자동정합 시 자료별 중첩률과 노이즈 레벨이 미치는 영향을 분석하였다. 먼저 여의도 지역을 연구대상지역으로 설정하고 UAV 영상을 취득 후 점군 자료로 변환하였다.

제안 방법

MMS를 활용한 점군 자료 구축을 위해 Applanix POSPac을 이용하여 GPS, IMU, DMI 데이터에 대한 후처리를 수행하였다. GPS처리를 위한 기준점으로는 국토지리정보원의 서울 위성기준점의 1초 관측자료를 이용하였다.
각 구역별로 15%, 20%, 55% 및 100%의 데이터 중첩률을 가지는 점군 자료에 대하여 각각 Low, Medium, High의 3단계 노이즈 레벨의 변수를 가지도록 자료를 구성하였으며, 각각의 구역에 대하여 자동정합 오차를 산출하기 위해 미리 설정한 타겟 포인트를 활용하여 수동으로 정합한 결과와 비교하였다. 아래의 그림 6은 본 연구에 취득된 MMS 점군 자료를 나타낸 것이며, 표 2는 각 MMS 점군 자료의 변수 정보를 표현한 것이다.
대상지역에서 취득된 항공영상은 비행고도 약 100m 상공에서 촬영되었으며, 총 73장의 연직촬영(Nadir) 영상이다. 각 영상의 내부표정 요소는 K-mapper에 부착된 임무장비의 카메라의 로그데이터를 이용하였으며, 다만 렌즈왜곡계수는 타이 포인트 정보를 이용하여 직접 산출하여 적용했다. 영상 데이터셋은 JPEG 포맷 영상이며, 영상에 포함되어 있는 EXIF 정보를 이용하여 영상에 포함된 경위도 및 고도(m) 위치정보를 추출했다.
영상 데이터셋은 JPEG 포맷 영상이며, 영상에 포함되어 있는 EXIF 정보를 이용하여 영상에 포함된 경위도 및 고도(m) 위치정보를 추출했다. 개별 영상의 회전각을 추출하기 위해 경위도로 획득된 위치 정보를 UTM 좌표로 변환한 후, 영상간의 이동거리를 m 단위로 계산하여 회전각을 계산했다. 최종적으로 추정된 회전각이 포함된 자세정보와 영상의 위치 정보를 초기값으로 하여 IBA 기법(Rhee et al.
그 후 대상지역을 총 4개의 구역으로 구분하여 MMS 관측을 수행하였으며, 각 구역별로 데이터 중첩률, 노이즈 레벨 등의 변수를 다르게 하여 실험을 진행하였다. 그 후 UAV 점군 자료를 기반으로 각 구역에서 관측된 MMS점군 자료와 수동정합하고 이를 ICP 기반으로 자동정합한 결과와 비교하였다.
먼저 연구대상지역에 대한 UAV 영상을 취득 후 점군 자료로 변환하였으며, MMS 장비를 이용하여 대상지역을 총 4개의 구역으로 구분하여 MMS 관측을 수행하였다. 그 후 UAV 점군 자료를 기반으로 각 구역에서 관측된 MMS 점군자료와 수동정합하고 이를 ICP 기반으로 자동정합한 결과와 비교하였으며, 중첩률 및 노이즈 레벨에 따른 ICP 기반의 자동정합 성능을 판단하기 위하여 각 구역별로 MMS 자료의 중첩률, 노이즈 레벨 등의 변수를 다르게 설정하였다.
그 후 대상지역을 총 4개의 구역으로 구분하여 MMS 관측을 수행하였으며, 각 구역별로 데이터 중첩률, 노이즈 레벨 등의 변수를 다르게 하여 실험을 진행하였다. 그 후 UAV 점군 자료를 기반으로 각 구역에서 관측된 MMS점군 자료와 수동정합하고 이를 ICP 기반으로 자동정합한 결과와 비교하였다.
먼저 여의도 지역을 연구대상지역으로 설정하고 UAV 영상을 취득 후 점군 자료로 변환하였다. 그 후 대상지역을 총 4개의 구역으로 구분하여 MMS 관측을 수행하였으며, 각 구역별로 데이터 중첩률, 노이즈 레벨 등의 변수를 다르게 하여 실험을 진행하였다. 그 후 UAV 점군 자료를 기반으로 각 구역에서 관측된 MMS점군 자료와 수동정합하고 이를 ICP 기반으로 자동정합한 결과와 비교하였다.
GPS처리를 위한 기준점으로는 국토지리정보원의 서울 위성기준점의 1초 관측자료를 이용하였다. 그 후 후처리된 주행경로를 기준으로 취득 영상과 LiDAR에서 얻어진 점군 자료를 GPS 시간으로 동기화시켜 매칭하였다.
따라서 MMS 점군 자료와 UAV 점군 자료의 정합에서는 Rough registration 단계가 생략이 가능하며, 본 연구에서는 ICP 기법을 점군 자료에 그대로 적용하여 MMS 점군 자료와 UAV 점군 자료의 자동정합을 실시하였다. ICP는 점군 자료 자동정합에 있어 가장 일반적인 알고리즘으로 반복적인 과정을 통해 근접점 간의 이격거리 차이에 대한 제곱근오차를 최소화하는 변환행렬(transformation matrix)을 찾는 기법이다.
최종적으로 상기의 MMS 자료처리를 통하여 점군 자료를 생성하고 UAV 점군 자료와 정합을 수행하게 되는데, 이때 ICP 기법의 최적 적용을 위한 관측자료 취득방안을 제시하기 위해서는 정확도를 좌우하는 중첩률과 노이즈 레벨의 영향도를 도출하여야 한다. 따라서 연구대상지역 내 MMS 점군 자료셋을 서로 상이한 중첩률과 노이즈 레벨을 갖도록 구분하여 구축하여야 하며, 이를 위하여 대상지역을 총 4개의 구역으로 구분하여 MMS 점군 자료를 구축하였다.
본 연구에서는 이를 해결하기 위하여 일반적인 3차원 모델의 자동정합에 사용되는 ICP(Iterative Closet Point) 기법을 활용하여 MMS와 UAV 점군 자료 간 자동정합 시 자료별 중첩률과 노이즈 레벨이 미치는 영향을 분석하였다. 먼저 여의도 지역을 연구대상지역으로 설정하고 UAV 영상을 취득 후 점군 자료로 변환하였다. 그 후 대상지역을 총 4개의 구역으로 구분하여 MMS 관측을 수행하였으며, 각 구역별로 데이터 중첩률, 노이즈 레벨 등의 변수를 다르게 하여 실험을 진행하였다.
먼저 연구대상지역에 대한 UAV 영상을 취득 후 점군 자료로 변환하였으며, MMS 장비를 이용하여 대상지역을 총 4개의 구역으로 구분하여 MMS 관측을 수행하였다. 그 후 UAV 점군 자료를 기반으로 각 구역에서 관측된 MMS 점군자료와 수동정합하고 이를 ICP 기반으로 자동정합한 결과와 비교하였으며, 중첩률 및 노이즈 레벨에 따른 ICP 기반의 자동정합 성능을 판단하기 위하여 각 구역별로 MMS 자료의 중첩률, 노이즈 레벨 등의 변수를 다르게 설정하였다.
본 연구에서는 ICP의 MMS 와 UAV 점군 자료 간 자동정합 성능을 판단하기 위해 각기 다른 위치에서 중첩률, 노이즈 등의 변수를 두어 실험을 실시하였다. 앞서 언급하였듯이 각각의 점군 자료군에 대한 특성은 상기의 표 2와 같다.
연구대상지역의 MMS 점군 자료 취득을 위하여 Optech 사의 Lynx V200 장비를 활용하였다. 본 장비의 시스템 구성은 라이다 센서 2대와 컨트롤 랙, GPS와 IMU, 디지털카메라 등으로 구성되어 있으며, 이는 그림 4와 같다.
이후 이렇게 변수별로 설정된 MMS 점군 자료를 UAV 점군 자료를 기반으로 수동정합하고 이를 ICP 기반으로 자동정합한 결과와 비교하게 된다.
영상의 정확도 향상과 정합과정에서 기준점 역할을 제공하는 지상기준점은 Network-RTK 방식 중 하나인 VRS 측위를 통해서 취득되었으며, 영상 내 좌표 정확도를 확인하기 위한 검사점 역시 동일한 방법으로 취득되었다. 총 18개의 위치에서 지상기준점 및 검사점 측량을 수행하였으며, 각 기준점의 위치는 건물 모서리, 횡단보도, 도로 상 변곡점 등과 같이 영상에서 명확하게 구분이 되는 특징점을 선점하여 VRS 측량을 수행하였다.
개별 영상의 회전각을 추출하기 위해 경위도로 획득된 위치 정보를 UTM 좌표로 변환한 후, 영상간의 이동거리를 m 단위로 계산하여 회전각을 계산했다. 최종적으로 추정된 회전각이 포함된 자세정보와 영상의 위치 정보를 초기값으로 하여 IBA 기법(Rhee et al., 2018)을 적용한 센서모델링을 수행한 후 스테레오 영상 정합을 수행하여 최종적으로 점군 자료를 추출한다. 그림 3은 연구대상지역에 대하여 취득된 UAV 점군 자료를 나타낸 것이다.

대상 데이터

MMS를 활용한 점군 자료 구축을 위해 Applanix POSPac을 이용하여 GPS, IMU, DMI 데이터에 대한 후처리를 수행하였다. GPS처리를 위한 기준점으로는 국토지리정보원의 서울 위성기준점의 1초 관측자료를 이용하였다. 그 후 후처리된 주행경로를 기준으로 취득 영상과 LiDAR에서 얻어진 점군 자료를 GPS 시간으로 동기화시켜 매칭하였다.
대상지역에서 취득된 항공영상은 비행고도 약 100m 상공에서 촬영되었으며, 총 73장의 연직촬영(Nadir) 영상이다. 각 영상의 내부표정 요소는 K-mapper에 부착된 임무장비의 카메라의 로그데이터를 이용하였으며, 다만 렌즈왜곡계수는 타이 포인트 정보를 이용하여 직접 산출하여 적용했다.
본 연구에서는 서울 여의도 지역을 대상으로 UAV 및 MMS을 통한 점군 자료를 취득하였다. 이 지역은 점군 정합을 위한 특징점이 명확하게 드러나는 건물이 밀집된 지역이며, 점군 자료의 노이즈로 고려가 가능한 가로수 등의 수목이 산재되어 있는 지역으로서 본 연구의 핵심사항은 중첩률과 노이즈 레벨을 구역별로 설정할 수 있는 최적의 지역으로 판단되어 연구대상지역으로 선정하였다.
UAV 기반의 점군 자료 생성은 항공사진측량기법을 이용하여 수행되는데, 촬영된 항공영상의 외부표정을 위해 지상기준점을 입력하고, 영상 매칭을 통해 점군 자료를 추출한다. 본 연구에서는 점군 자료 추출을 위하여 Pix4D 사의 Pix4DMapper를 이용하였다.
연구대상지역의 MMS 점군 자료 취득을 위하여 Optech 사의 Lynx V200 장비를 활용하였다. 본 장비의 시스템 구성은 라이다 센서 2대와 컨트롤 랙, GPS와 IMU, 디지털카메라 등으로 구성되어 있으며, 이는 그림 4와 같다.
연구대상지역의 UAV 점군 자료 취득을 위하여 ㈜시스테크의 K-Mapper 드론 플랫폼을 활용하여 대상지역의 영상정보를 취득하였다. 영상의 정확도 향상과 정합과정에서 기준점 역할을 제공하는 지상기준점은 Network-RTK 방식 중 하나인 VRS 측위를 통해서 취득되었으며, 영상 내 좌표 정확도를 확인하기 위한 검사점 역시 동일한 방법으로 취득되었다.
각 영상의 내부표정 요소는 K-mapper에 부착된 임무장비의 카메라의 로그데이터를 이용하였으며, 다만 렌즈왜곡계수는 타이 포인트 정보를 이용하여 직접 산출하여 적용했다. 영상 데이터셋은 JPEG 포맷 영상이며, 영상에 포함되어 있는 EXIF 정보를 이용하여 영상에 포함된 경위도 및 고도(m) 위치정보를 추출했다. 개별 영상의 회전각을 추출하기 위해 경위도로 획득된 위치 정보를 UTM 좌표로 변환한 후, 영상간의 이동거리를 m 단위로 계산하여 회전각을 계산했다.
본 연구에서는 서울 여의도 지역을 대상으로 UAV 및 MMS을 통한 점군 자료를 취득하였다. 이 지역은 점군 정합을 위한 특징점이 명확하게 드러나는 건물이 밀집된 지역이며, 점군 자료의 노이즈로 고려가 가능한 가로수 등의 수목이 산재되어 있는 지역으로서 본 연구의 핵심사항은 중첩률과 노이즈 레벨을 구역별로 설정할 수 있는 최적의 지역으로 판단되어 연구대상지역으로 선정하였다.

데이터처리

본 연구에서는 국내 도심지(여의도 일대)에서 수집된 점군 자료군을 활용하여 각각의 변수들에서 점군 자료 자동정합 성능을 알아보았다. 표 2에 표현된 총 5쌍의 점군 자료군를 대상으로 정합을 실시하였으며, 각각의 경우에 대하여 정합오차를 산출하기 위해 미리 설정한 타겟 포인트를 활용하여 수동으로 정합한 결과와 비교하였다.

이론/모형

연구대상지역의 UAV 점군 자료 취득을 위하여 ㈜시스테크의 K-Mapper 드론 플랫폼을 활용하여 대상지역의 영상정보를 취득하였다. 영상의 정확도 향상과 정합과정에서 기준점 역할을 제공하는 지상기준점은 Network-RTK 방식 중 하나인 VRS 측위를 통해서 취득되었으며, 영상 내 좌표 정확도를 확인하기 위한 검사점 역시 동일한 방법으로 취득되었다. 총 18개의 위치에서 지상기준점 및 검사점 측량을 수행하였으며, 각 기준점의 위치는 건물 모서리, 횡단보도, 도로 상 변곡점 등과 같이 영상에서 명확하게 구분이 되는 특징점을 선점하여 VRS 측량을 수행하였다.

성능/효과

표 3은 수동정합과 자동정합 시 각각 산출된 변환행렬의 차이를 보여준다. 가장 적은 중첩영역을 가진 MMS1 자료군의 경우 자동정합되지 못한 것을 알 수 있으며, 더불어 점군 자료 자동정합은 같은 조건에서 중첩률이 높을수록, 노이즈 레벨이 낮을수록 더 높은 정확도로 정합되는 것으로 나타났다.
그 결과, UAV와 MMS 점군 자료 간 ICP 기반의 자동정합 시 데이터 중첩률이 높고, 노이즈 레벨이 낮을수록 더 높은 정확도로 정합될 수 있다는 것을 알 수 있었다.
연구를 위해 이용된 UAV의 제원은 표 1과 같으며, 약 5㎏의 중량으로 최대 30분의 비행 및 4K 해상도의 사진 촬영이 가능하다. 연구대상지역에서 UAV를 이용하여 촬영된 항공영상은 그림 2와 같다.

후속연구

본 연구를 통해 3차원 공간모델 구축에 필요한 점군 자료를 다양한 이기종 센서를 통해 보다 효율적으로 취득할 수 있는 방안을 제시할 수 있으며, 보다 정확도 높은 3차원 공간모델생성에 기여할 수 있을 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	온전한 3차원 공간모델을 생성하기 위해 필요한 과정은?	일반적으로 3차원 모델링은 비접촉식 광학스캐너 또는 영상자료를 통해 측정된 대상의 3차원 형상을 복원하는 기술이다(Jung and Chang, 2014). 이러한 관측센서들은 한 번의 측정을 통해 관측대상물의 일정 부분의 형상만을 측정할 수 있는데, 온전한 3차원 공간모델을 생성하기 위해서는 여러 번의 측정 혹은 서로 다른 센서를 통해서 얻어진 데이터를 하나로 정합하는 과정이 필요하다. 특히 MMS나 UAV 관측자료들의 일반적인 취득형태가 점군 데이터(point cloud)로 얻어지기 때문에 이기종 센서 간 효율적적인 점군 정합(point cloud registration)이 필수적인 사항이다(Kim et al.
	3차원 모델링이란?	일반적으로 3차원 모델링은 비접촉식 광학스캐너 또는 영상자료를 통해 측정된 대상의 3차원 형상을 복원하는 기술이다(Jung and Chang, 2014). 이러한 관측센서들은 한 번의 측정을 통해 관측대상물의 일정 부분의 형상만을 측정할 수 있는데, 온전한 3차원 공간모델을 생성하기 위해서는 여러 번의 측정 혹은 서로 다른 센서를 통해서 얻어진 데이터를 하나로 정합하는 과정이 필요하다.
	MMS는 무엇을 하기에 가장 적합한 방법으로 여겨지고 있는가?	MMS는 지형정보 및 시설물정보 데이터베이스를 구축, 유지, 관리하기 위해 요구되는 기존측량 방법과 대비하여 비용 및 시간 면에서 경제적인 효율성 및 향후 활용성을 높이기 위한 첨단정보 시스템이다. CCD 카메라, 레이저 스캐너, 비디오 카메라 등의 Vision System과 GPS 수신기, IMU, DMI 등의 Navigation 및 Positioning System을 탑재하여, 도로상에서 실시간으로 다양하고 복잡한 지형지물정보를 획득하기에 가장 적합한 방법으로 여겨지고 있다(Park and Lee, 2014).

참고문헌 (12)

Kang, J.A. and Hwang, J.R., 2014, A study on the user satisfaction surveys and analysis for improvement of the VWorld service, Journal of the Korea Spatial Information Society, 22(6):23-32.
Schnabel, R., Wahl, R., and Klein, R.. 2007, Efficient RANSAC for pointcloud shape detection. In Computer graphics forum, 26(2):214-226. Oxford, UK: Blackwell Publishing Ltd.
Jung, S.W. and Chang, M.H., 2014, Research of Real-Time 3D point Cloud Registration Algorithm using 2D image, 2014 Conference of Korean Society for Precision Engineering, pp.232-233.
Kim, G., Lee, J., Park, S. and Ko, K., 2018, A Modified Method for Registration of 3D Point Clouds with a Low Overlap Ratio, J Korea Comput Graph Soc, 24(5):11-19.
Fouche G.J. and Malekian, R., 2018, Drone as an Autonomous Aerial Sensor System for Motion Panning, Measurement, 119:142-155.

상세보기
KIM, J., KIM, S., Choi, J. and Park, J., 2019, 3D Reconstruction of Traffic Accident Scene Using Drone & Pix4D, Transactions of the Korean Society of Automotive Engineers, 27(12):941-947.

상세보기
Rhee, S., Hwang, Y. and Kim, S., 2018, A Study on Point Cloud Generation Method from UAV Image Using Incremental Bundle Adjustment and Stereo Image Matching Technique, Korean Journal of Remote Sensing, 2018, 34(6-1):941-951.
Deng, F., 2011, Registration between Multiple Laser Scanner Data Sets, Laser Scanning, Theory and Applications, pp. 449-472.
Bendels G., Degener P., Wahl R., Koertgen M. and Klein R., 2004, Image-based Registration of 3D-Range Data Using Feature Surface Elements, In: Proceedings of The 5th International Symposium of Virtual Reality, Archaeology and Cultural Heritage, VAST 2004.
Besl, P.J. and Mckay, N.D., 1992, AMethod For Reigstration of 3D Shapes, IEEE Trans. On PAMI, 14(2):239-256.

상세보기
Park, J., Kim, P., Cho, Y.K., and Kang, J., 2019, Framework for automated registration of UAV and UGV point clouds using local features in images, Autom. Constr., 98:175-182.

상세보기
Zhu, H., Guo, B., Zou, K., Li, Y., Yuen, K.V., Mihaylova, L. and Leung, H., 2019, A review of point set registration: From pairwise registration to groupwise registration, Sensors, 19:1-20.

상세보기

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증