[논문]구형물체의 중심좌표를 이용한 VLP-16 라이다 센서와 비전 카메라 사이의 보정

이주환; 이근모; 박순용

doi:10.3745/ktsde.2019.8.2.89

구형물체의 중심좌표를 이용한 VLP-16 라이다 센서와 비전 카메라 사이의 보정
Calibration of VLP-16 Lidar Sensor and Vision Cameras Using the Center Coordinates of a Spherical Object 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.8 no.2, 2019년, pp.89 - 96

이주환 (경북대학교 컴퓨터학부) , 이근모 (경북대학교 컴퓨터학부) , 박순용 (경북대학교 컴퓨터학부)

초록
AI-Helper

전방향 3차원 라이다 센서와 비전 카메라는 자동차나 드론 등의 자율주행기술 개발에 활용되고 있다. 한편 라이다 센서와 카메라 좌표계 사이의 변환 관계를 보정하기 위한 기존의 기술들은 특수한 보정물체를 제작하거나 보정물체의 크기가 큰 단점이 있다. 본 논문에서는 한 개의 구형물체를 사용하여 두 센서 사이의 기하보정을 간편하게 구현하는 방법을 소개한다. 구형 물체의 3차원 거리정보에서 RANSAC으로 네 개의 3차원 점을 선택하여 구의 중심좌표를 계산하고, 카메라 영상에서 물체의 2차원 중심점을 구하여 두 센서를 보정하였다. 구는 다양한 각도에서 영상을 획득하여도 항상 원형의 형상을 유지하기 때문에 데이터 획득 시 유리한 장점이 있다. 본 논문에서 제안하는 방법으로 약 2픽셀의 투영오차의 결과를 얻었고, 기존의 방법과의 비교실험을 통하여 제안 기술의 성능을 분석하였다.

Abstract ▼ AI-Helper

360 degree 3-dimensional lidar sensors and vision cameras are commonly used in the development of autonomous driving techniques for automobile, drone, etc. By the way, existing calibration techniques for obtaining th e external transformation of the lidar and the camera sensors have disadvantages in that special calibration objects are used or the object size is too large. In this paper, we introduce a simple calibration method between two sensors using a spherical object. We calculated the sphere center coordinates using four 3-D points selected by RANSAC of the range data of the sphere. The 2-dimensional coordinates of the object center in the camera image are also detected to calibrate the two sensors. Even when the range data is acquired from various angles, the image of the spherical object always maintains a circular shape. The proposed method results in about 2 pixel reprojection error, and the performance of the proposed technique is analyzed by comparing with the existing methods.

주제어

표/그림 (19)

그림 Fig. 1. A Lidar-Camera System for 3D Map Generation (a) System View (b) Transformation between Lidar and 6 Cameras
그림 Fig. 2. 3D Transformation Relationship between a LiDAR Sensor and a Camera Defined by Three 3D Points
그림 Fig. 3. Acquisition of Lidar and Camera Data. A ball is Moving in front of Both Sensors. At Several Positions, 3D Range and 2D Image Data are Acquired
그림 Fig. 4. A Method of Detecting the Center Point of a Sphere using Any Four Points on the Sphere Surface
그림 Fig. 5. Examples of the Detecting the Center of a Sphere in a 2D Image (a) Original Image (b) Spherical Object Color Detection(Adaptive Threshold) (c) Spherical object Detection(Ellipse Fitting)
표 Table 1. Pseudocode of Calculating the Ball Center
그림 Fig. 6. (a) Velodyne 16-Channel Lidar Sensor and 6 Vision cameras (b) Calibration Ball
그림 Fig. 7. Data Acquisition of a Spherical Ball with Distance at (a) 1m (b) 2m (c) 3m
그림 Fig. 9. Data Acquisition of a Circular Planar Object with Distance at (a) 1m (b) 2m (c) 3m
그림 Fig. 10. Depth Data obtained from the Lidar Sensor (a) Ball Object(Hand-Held by a Person) (b) Planar Object
그림 Fig. 11. Examples of the 3D Point Clouds of the Ball Surface
그림 Fig. 8. A Planar Object for Comparison of a Conventional Calibration Method
그림 Fig. 12. Result of the Projection (a) Depth Data of the Planar Object (b) Projection Result on a Plane
그림 Fig. 13. The Process of Finding the Center Point of a Planar Object (a) the Edge Points (b) a Center Axis (c) the Points Projected on a Plane (d) a Center Point Detected From
표 Table. 2. Number Positions where the Calibration Objects are Placed for 3D and 2D Data Acquisition
그림 Fig. 14. Reprojection Error of the 1-st Camera at DIfferent Calibration Distance. Blue Bar is Average Error and Red Line is Standard Deviation
그림 Fig. 15. The Result of Modeling the Building and Basketball Court using a Lidar Sensor and Six-Cameras (a) Indoor Data (b) Outdoor Data
표 Table 3. Reprojection Error of Each Camera View
표 Table. 4. Comparison of Reprojection Error with Conventional Methods(In Pixel)

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서 제안한 방법의 성능을 검증하기 위하여 한 대의 라이다 센서와 6대의 카메라를 정확하게 보정하는 것을 목표로 두고 실험을 진행하였다. Fig.
본 논문에서는 360도 거리정보를 획득할 수 있는 센서인 라이다 센서를 카메라를 함께 사용할 때 특별한 보정물체를 이용하는 것이 아니라 주위에서 쉽게 구할 수 있는 구형물체(spherical object)만을 사용하여 간편하게 두 센서 간의 좌표 변환관계를 알 수 있는 보정 기술을 소개한다. 참고문헌 [10] 에서 저자는 360도 라이다 센서와 비전 카메라의 보정에 대한 기술을 제안한 바가 있다.
제안하는 방법은 두 센서의 공통된 시야 내에 구형물체를 다양한 위치로 이동하고 구형 물체의 2차원 영상정보와 3차원 형상정보를 획득한 후 획득한 데이터를 사용하여 쉽게 두 센서 사이의 3차원 변환정보를 계산하는 것이다. 본 논문에서는 기존의 논문을 확장하여 라이다-카메라 센서를 보정하기 위한 기존의 보정 방법과의 정확도를 비교 분석하였다. 기존 라이다-카메라 보정에 많이 사용되는 Zhang 알고리즘과 원형 평판을 결합한 방법과의 비교를 위하여 3차원 라이다 데이터를 2차원 영상으로 투영하고 그 오차를 비교하였다.
본 논문에서는 라이다 센서와 카메라간의 보정을 보다 쉽고 빠르게 구현하기 위하여 하나의 구형물체만 사용하는 방법을 제안하였다. [10, 11]에서 저자는 구형물체를 이용하여 360도 라이다 센서와 비전 카메라의 보정, 그리고 다시점RGBD카메라들 사이의 보정에 관하여 기술을 제안한 바가 있다.
본 논문에서는 주위에서 쉽게 구할 수 있는 구형물체를 사용하여 라이다 센서와 같은 거리센서와 카메라 사이를 비교적 쉽고 간편하게 보정 할 수 있는 방법을 제안하였다. 제안한 방법은 주변에서 쉽게 구할 수 있는 구형물체를 사용하기 때문에 기존의 방법들과는 달리 특별하게 보정물체를 제작할 필요가 없다.
따라서 #latex 는 라이다 센서와 u번 카메라의 사이의 3차원 기하학적 관계를 표현하는 변환행렬, 즉 3차원 회전(rotation)과 이동(translation)을 말한다. 본 논문에서는 하나의 카메라와 라이다 센서 사이의 변환행렬을 간편하게 구하는 보정 기술을 제안한다.
우선 두 센서간 보정을 위하여 기존에 연구된 평면 형태로 만든 보정물체를 사용하는 과정을 살펴보자[7]. 먼저 평면으로 이루어진 보정물체를 카메라와 라이다 센서에서 보이도록 설치한 후 보정물체의 2차원 영상정보와 물체의 3차원 표면정보를 동시에 획득한다.

가설 설정

2의 예를 보자. Fig.2에서와 같이 하나의 라이다 센서 V와 하나의 카메라 C의 시야에서 공통적으로 획득 할 수 있는 3차원 점과 2차원 점이 각각 3개가 있다고 가정하자. 3차원 점과 2차원 점은 각각 pi와 qi로 표현된다.

제안 방법

따라서 기존방법[14]과는 달리 3차원 대응점에 해당하는 구형물체의 3차원 중심점을 검출하기 위하여 기존 연구의 방법을 이용하였다[12]. 그러나 기존 연구에서 사용한 RGBD 카메라에 비하여 라이다 센서에서 획득한 구형물체의 3차원 표면정보가 적기 때문에 기존연구와는 달리 라이다 센서에서 획득한 모든 3차원 표면점들을 사용하였다. 구형물체의 표면에서 임의의 네 점을 사용하면 Fig.
본 논문에서는 기존의 논문을 확장하여 라이다-카메라 센서를 보정하기 위한 기존의 보정 방법과의 정확도를 비교 분석하였다. 기존 라이다-카메라 보정에 많이 사용되는 Zhang 알고리즘과 원형 평판을 결합한 방법과의 비교를 위하여 3차원 라이다 데이터를 2차원 영상으로 투영하고 그 오차를 비교하였다. 기존의 라이다-카메라 보정방법에 비하여 우수한 성능을 보임을 실험에서 입증하였다.
하지만 검출된 보정판의 3차원 데이터는 잡음을 포함하고 있기 때문에 보정판의 정확한 3차원 중심점을 구하기가 어렵다. 따라서 보정판의 평면 방정식을 정의하고 보정판의 모든 3차원 점들을 평면에 투영하여 3차원 중심점을 검출하는 방법을 이용하였다. Fig.
한편 여섯 대의 카메라는 서로 화각이 겹치는 부분이 있기 때문에 화각이 겹치는 공간에 있는 영상정보를 사용하여 카메라 사이의 변환행렬을 구한 후 벨로다인 센서와 카메라간 보정 시 사용할 수 있는 방법도 있으나 기준이 되는 좌표계를 벨로다인 센서의 좌표계로 두면 카메라들끼리의 영상정보를 사용하여 구한 3차원 변환관계를 사용하는 방법이 더 좋다고 할 수 없다. 따라서 본 실험에서는 카메라들끼리의 보정정보는 사용하지 않고 벨로다인 센서를 기준으로 각 카메라와 벨로다인 센서간 보정을 하였다.
우선 두 센서간 보정을 위하여 기존에 연구된 평면 형태로 만든 보정물체를 사용하는 과정을 살펴보자[7]. 먼저 평면으로 이루어진 보정물체를 카메라와 라이다 센서에서 보이도록 설치한 후 보정물체의 2차원 영상정보와 물체의 3차원 표면정보를 동시에 획득한다. 카메라에서 획득한 2차원 영상정보를 바탕으로 물체의 2D 특징점(2D feature point)을 추출한 다음 라이다 센서에서 획득한 3차원 거리 정보를 바탕으로 2D 특징점에 대응되는 3D 특징점(3D feature point)을 검출한다.
본 논문에서 제안한 방법의 두 가지 장점은 보정물체의 데이터를 획득 할 때 라이다 센서의 센싱 방향에 대한 제약조건을 받지 않는 것과 데이터 획득거리에 대한 제약이 적다는 것이다. 제안한 방법의 성능을 검증하기 위하여 한 대의 카메라와 벨로다인 센서를 이용하여 Fig.
본 논문에서는 라이다 센서와 카메라 사이의 보정을 보다 쉽고 빠르게 구현하기 위하여 두 센서에서 검출되는 3차원과 2차원 대응점들을 사용하였다[12]. Fig.
왜곡이 보정된 영상에서 구형 물체를 검출하는 다양한 방법이 있지만 본 논문에서는 간단하게 적응형 임계치(adaptivethreshold)방법을 사용하여 구형물체를 색상으로 찾은 후 구형 물체를 타원(ellipse) 추출 알고리즘을 사용하여 구형물체를 피팅(fitting) 한 후 구형 물체의 중심점을 검출한다. 적응형 임계치 방법은 영상의 픽셀값 차이를 이용하여 구와 유사한 색상을 지닌 물체를 검출하기에 용이하다.
참고문헌 [10] 에서 저자는 360도 라이다 센서와 비전 카메라의 보정에 대한 기술을 제안한 바가 있다. 제안하는 방법은 두 센서의 공통된 시야 내에 구형물체를 다양한 위치로 이동하고 구형 물체의 2차원 영상정보와 3차원 형상정보를 획득한 후 획득한 데이터를 사용하여 쉽게 두 센서 사이의 3차원 변환정보를 계산하는 것이다. 본 논문에서는 기존의 논문을 확장하여 라이다-카메라 센서를 보정하기 위한 기존의 보정 방법과의 정확도를 비교 분석하였다.
제안한 방법과의 성능을 비교하기 위하여 기존방법으로 Fig. 8과 같이 지름 80cm의 원형 모양을 가진 보정판을 제작하고 영상에서 쉽게 좌표를 구할 수 있는 체스보드의 패턴을 프린트하여 부착하였다.
먼저 평면으로 이루어진 보정물체를 카메라와 라이다 센서에서 보이도록 설치한 후 보정물체의 2차원 영상정보와 물체의 3차원 표면정보를 동시에 획득한다. 카메라에서 획득한 2차원 영상정보를 바탕으로 물체의 2D 특징점(2D feature point)을 추출한 다음 라이다 센서에서 획득한 3차원 거리 정보를 바탕으로 2D 특징점에 대응되는 3D 특징점(3D feature point)을 검출한다. 검출된 2D-3D 특징점은 일반적으로 “대응점”(corresponding point) 또는 ”일치점”이라 부르고 대응점들을 사용하여 두 센서간 변환행렬을 구한다.

대상 데이터

구형물체의 형상정보는 어느 각도에서 획득하여도 항상 원형인 상태를 유지하기 때문에 센서의 센싱 각도와 거리에 따른 제약이 없이 데이터를 획득할 수 있다. Fig. 3과 같이 두 센서 사이에 공통적으로 보이는 시야 내부에서 구형물체를 다양한 위치에 위치시키고 보정에 필요한데이터를 획득한다. 만일 공통적으로 획득되는 데이터가 없다면 사용하지 않는다.
하지만 현실적으로 다양한 방면에서 보정판을 위치시키면서 데이터를 획득하기가 어렵다. 따라서 본 비교실험에서는 Fig. 9와 같이 카메라와 벨로 다인 센서에서 체스보드 코너점이 최대한 선명하고 3차원 잡음이 적은 위치에 보정판을 위치시키면서 다섯 장의 보정판 데이터를 획득하였다. 잡음이 적은 데이터를 획득하기 위한 위치를 찾아 캡쳐한 시간이 1 프레임에 평균 3분 이상이 소요되었다.
5m 사이에서 피구공을 자유롭게 움직이며 12개의 위치에서 라이다와 카메라 데이터를 획득하였다. 보정판 역시 피구공과 마찬가지의 방법으로 5개의 데이터를 획득하였다.
하지만 라이다의 채널 수가 적거나 저가의 낮은 해상도의 가진 라이다 센서를 사용할 경우 보정물체의 3차원 정보를 충분히 획득하기가 어렵기 때문에 3차원 대응점들을 검출하기가 쉽지 않다. 이러한 문제를 해결하기 위하여 보정물체의 크기를 크게 제작하거나 여러 보정물체를 두고 데이터를 획득한다.
6(a)와 같이 하나의 라이다 센서와 여섯 대의 카메라로 구성된 실험 장치를 만들었다. 장치에 사용된 라이다 센서는 16-채널 VLP-16 벨로다인(Velodyne) 라이다 센서이고 카메라는 Point Grey사의 Blackfly-S이다. 벨로다인 라이다 센서는 10Hz의 속도로 360도 전방향 3차원 거리정보를 획득하도록 구성하였으며 카메라에는 최소한 60도의 화각을 확보할 수 있도록 3.
본 논문에서 제안한 방법의 두 가지 장점은 보정물체의 데이터를 획득 할 때 라이다 센서의 센싱 방향에 대한 제약조건을 받지 않는 것과 데이터 획득거리에 대한 제약이 적다는 것이다. 제안한 방법의 성능을 검증하기 위하여 한 대의 카메라와 벨로다인 센서를 이용하여 Fig. 7과 같이 장치로부터 피구 공을 1m, 2m, 3m 떨어진 위치에서 다양한 방면으로 공을 움직이며 데이터를 획득하였다. 카메라와 벨로다인 센서에서 각각 12 프레임의 3차원 거리정보와 2차원 영상 정보를 획득하였다.
7과 같이 장치로부터 피구 공을 1m, 2m, 3m 떨어진 위치에서 다양한 방면으로 공을 움직이며 데이터를 획득하였다. 카메라와 벨로다인 센서에서 각각 12 프레임의 3차원 거리정보와 2차원 영상 정보를 획득하였다.

이론/모형

구형물체의 중심좌표를 검출하는 다양한 방법이 있지만 라이다 센서는 깊이 카메라를 사용하는 센서보다 보정물체의 표면정보를 획득할 수 있는 정보가 적다. 따라서 기존방법[14]과는 달리 3차원 대응점에 해당하는 구형물체의 3차원 중심점을 검출하기 위하여 기존 연구의 방법을 이용하였다[12]. 그러나 기존 연구에서 사용한 RGBD 카메라에 비하여 라이다 센서에서 획득한 구형물체의 3차원 표면정보가 적기 때문에 기존연구와는 달리 라이다 센서에서 획득한 모든 3차원 표면점들을 사용하였다.
적응형 임계치 방법은 영상의 픽셀값 차이를 이용하여 구와 유사한 색상을 지닌 물체를 검출하기에 용이하다. 또한 획득한 영상에서 구형 물체를 검출하는 방법에는 HoughCircles 알고리즘[15]와 같이 기존에 구를 원형으로 피팅하는 방법이 있지만 검출된 구형물체가 약간만 변형되어도 검출 중심점이 틀어지게 되므로 타원(ellipse) 알고리즘을 사용하여 구형 물체의 중심점을 검출하였다. Fig.
카메라로부터 획득한 영상정보를 사용하여 2차원 대응점에 해당하는 구형물체의 2차원 중심점을 구해야 한다. 먼저Zhang 알고리즘을 사용하며 카메라의 내부 파라미터와 왜곡계수(distortion coefficients)를 구한 후 획득한 영상에 대하여 왜곡보정을 진행한다.

성능/효과

11은 배경을 제거한 공의 3차원 거리 정보이다. 16채널 벨로다인 센서로부터 공이 다양한 방향에서 센싱되어도 거리에 따라 최소 2개 채널, 최대 4개 채널의 거리정보가 획득됨을 알 수 있다.
먼저 원형 보정판을 사용한 기존방법의 결과를 보자. 1m에서 획득한 데이터를 가지고 구한 보정 실험에서는 평균 4픽셀 이하의 재투영 오차가 나온 것을 확인할 수 있지만 2m에서 획득한 데이터를 가지고 획득한 실험에서는 오차가 커지는 결과를 확인할 수 있다. 이것은 데이터 획득 거리가 멀어질수록 카메라에서 정밀한 체스보드 코너점을 검출할 수 없기 때문에 오차가 증가하는 것으로 판단된다.
기존 라이다-카메라 보정에 많이 사용되는 Zhang 알고리즘과 원형 평판을 결합한 방법과의 비교를 위하여 3차원 라이다 데이터를 2차원 영상으로 투영하고 그 오차를 비교하였다. 기존의 라이다-카메라 보정방법에 비하여 우수한 성능을 보임을 실험에서 입증하였다.
2절에 적용하면 구형보정물체와 보정판을 사용한 방법으로 두 센서 사이의 3차원 변환행렬을 획득할 수 있다. 따라서 제안한 방법과 기존방법을 사용하면 여섯 대의 카메라와 한 대의 벨로다인 센서 사이의 3차원 변환관계를 모두 보정할 수 있다.
구의 중심을 정확히 검출할 경우 보정의 정밀도도 높은 장점이 있다. 제안한 방법의 성능을 검증하기 위하여 기존의 보정 방법과 비교 실험을 수행하였으며 기존 방법보다 작은 오차의 결과를 도출할 수 있었다.
하지만 제안한 방법의 경우 각 거리에서 다양한 위치에 공을 위치시켜도 보정 실험을 성공적으로 수행할 수 있었다. 1m 실험에서는 3.

질의응답

핵심어	질문	논문에서 추출한 답변
	라이다 센서는 무엇인가?	구글 자율 자동차에 사용된 센서 중 대표적으로 사용된 벨로다인(Velodyne) 센서는 라이다(Lidar) 센서의 일종이다. 라이다 센서의 일반적 기능은 360도 방향의 거리 정보를 획득하는 센서이며 64개 채널을 지원하는 고가의 산업용 센서에서부터 16개 또는 그 이하의 저 채널 센서까지 활용범위가 확대되고 있다.
	기존의 3차원 거리정보를 보정하는 방법의 문제점은?	기존에도 서로 다른 특성을 지닌 두 센서 사이의 보정관계를 구하는 연구가 진행된 바가 있으나 대부분의 경우 직선형, 삼각형, 사각형 형태의 특수한 보정 패턴[6, 7]을 제작하여 사용하거나 평면에 구멍이 뚫려져 있는 형태의 특수한 보정물체를 사용하여 두 센서 사이의 보정을 구현하였다[8, 9]. 하지만 기존의 방법들은 특수한 보정물체를 제작해야 하는 번거로움이 있을 뿐만 아니라 라이다 센서의 채널 수가 적어질수록 보정물체의 크기를 크게 만들어야 되는 단점을 가지고 있다.
	평면형태의 보정물체를 사용할 때의 단점은?	일반적으로 보정에 사용하는 데이터를 획득할 때는 두 센서의 공통된 시야(felid of view)내부에서 다양한 위치에 보정물체를 위치시키고 보정물체의 데이터를 여러 장 획득한다. 하지만 기존의 방법들은 보정판의 크기가 크기 때문에 센서와 보정물체까지의 거리가 가까우면 데이터를 획득하기 어렵다는 문제점을 가지고 있고 평면형태의 모양을 지닌 보정물체를 사용할 경우 보정물체의 모서리나 꼭지점들을 검출한 다음 두 센서 사이의 보정관계를 구하기 때문에 라이다 센서와 보정패턴이 서로 마주보고 있도록 보정물체를 위치시켜야 신뢰성 있는 데이터를 획득할 수 있는 제약조건을 가지고 있다. 따라서 거리정보만을 획득하는 센서와 카메라간 보정관계를 쉽게 구할 수 있는 기술의 개발이 필요하다.

참고문헌 (15)

M. Hassanein, A. Moussa, and N. El-Sheimy, "A new automatic system calibration of multi-cameras and lidar sensors," International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, Vol.41, No. 23, pp.589-594, Jul. 2016.
I. Ashraf, S. J. Hur, and Y. W. Park, "An investigation of interpolation techniques to generate 2D intensity images from lidar data," IEEE Access, Vol.5, pp. 8250-8260, Apr. 2017.

상세보기
J. P. Hwang, S. K. Park, E. T. Kim, and H. J. Kang, "Camera and LIDAR Combined System for On-Road Vehicle Detection," Journal of Institute of Control, Robotics and Systems, Vol.15, No.4, pp.390-395, Oct. 2017.
J. W. Kim, J. Y. Jeong, Y. S. Shin, Y. G. Cho, H. C. Roh, and A. Y. Kim, "Lidar configuration comparison for urban mapping system," 2017 14th International Conference on Ubiquitous Robots and Ambient Intelligence(URAI), pp. 854-857, 2017.
Z. Zhang, "A flexible new technique for camera calibration," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.22, No.11, pp.1330-1334, Nov. 2016.
O. Naroditsky, A. Patterson and K. Daniilidis, "Automatic alignment of a camera with a line scan lidar system," 2011 IEEE International Conference on Robotics and Automation (ICRA), pp.3429-3434, 2011.
Y. S. Park, S. M. Yun, S. W. Chee, K. E. Cho, K. H. Um, and S. D. Sim, "Calibration between color camera and 3D lidar instruments with a polygonal planar board," Sensors, Vol.14, No.3, pp.5533-5353, Mar. 2014.
M. Velas, M. Spanel, Z. Materna, and A. Herout, "Calibration of RGB camera With velodyne lidar," International Conference on Computer Graphics, Visualization and Computer Vision (WSCG), pp.135-144, 2014.
T. GEE, J. James, W. V. D. Mark, A. G. Strozzi, P. Delmas, and G. Gimelfarb, "Estimating extrinsic parameters between a stereo rig and a multi-layer lidar using plane matching and circle feature extraction," 2017 Fifteenth IAPR International Conference on Machine Vision Applications(MVA), pp.21-24, 2017.
S. Park and S. Choi, "Convenient View Calibration of Multiple RGB-D Cameras Using a Spherical Object," KIPS Transactions on Software and Data Engineering, Vol.3, No.8, pp.309-314, 2014.

원문보기 상세보기
G. Lee, J. Lee, and S. Park, "Calibration of VLP-16 Lidar and multi-view cameras using a ball for 360 degree 3D color map acquisition," in Proceedings of 2017 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems(MFI), 2017.
J. H. Lee, E. S. Kim, and S. Y. Park, "Synchronization error compensation of multi-view RGB-D 3D modeling system," Asian Conference on Computer Vision(ACCV), pp.162-174, 2016.
M. A. Fischler and C. R. Bolles, "Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography," Communications of the ACM, Vol.24, No.6, pp.381-395, Jun. 1981.

상세보기
M. Ruan and D. Huber, "Calibration of 3D Sensors Using a Spherical Target," 2014 2nd International Conference on 3D Vision, Vol.1, pp.187-193, Dec. 2014.
D. Loannou, H. Walter, and A. F. Laine, "Circle recognition through a 2D Hough Transform and radius histogramming," Image and Vision Computing, pp.15-26, 1999.

저자의 다른 논문 :

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