[논문]도로정보를 활용한 UAV 기반 3D 포인트 클라우드 공간객체의 위치정확도 향상 방안

이재희; 강지훈; 이세원

doi:10.7780/kjrs.2019.35.5.1.7

도로정보를 활용한 UAV 기반 3D 포인트 클라우드 공간객체의 위치정확도 향상 방안
A Study on the Improvement of UAV based 3D Point Cloud Spatial Object Location Accuracy using Road Information 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.35 no.5 pt.1, 2019년, pp.705 - 714

이재희 (한국국토정보공사 공간정보연구원) , 강지훈 (한국국토정보공사 공간정보연구원) , 이세원 (한국국토정보공사 공간정보연구원)

초록
AI-Helper

고해상도 UAV 영상의 다양한 활용을 위해서는 정밀한 위치보정이 필요하다. 이를 위해 지상기준점을 선정하는 것이 일반적이지만 긴급상황이나 지상기준점 선정이 어려운 경우에는 지상기준점없이 촬영을 수행해야 한다. 본연구에서는 지상기준점 없이 생성된 UAV 기반 3차원 point cloud 데이터의 x, y 좌표에 대한 위치 정확도 향상방법을 제안하였다. 위치정확도 향상을 위한 기준 데이터로 공공데이터포털에서 제공하는 벡터파일 중 도로 정보를 이용하였다. 2차원 정사보정 영상의 기하보정을 먼저 수행하고, 이 과정에서 산출된 변환행렬을 3차원 point cloud에 적용하는 방법을 채택하였다. 보정 전 약 34.54 m의 직선 거리 차이가 보정 후 약 1.21 m 로 감소하였다. 지상기준점 선정없이 획득된 UAV영상의 2차원 및 3차원 영상의 위치정확도 향상이 가능함을 확인함에 따라 타 공간정보 데이터와의 연계 및 호환 등이 가능해져 point cloud 데이터에서 획득된 3차원 공간 객체의 활용 범위의 확대를 기대한다.

Abstract ▼ AI-Helper

Precision positioning is necessary for various use of high-resolution UAV images. Basically, GCP is used for this purpose, but in case of emergency situations or difficulty in selecting GCPs, the data shall be obtained without GCPs. This study proposed a method of improving positional accuracy for x, y coordinate of UAV based 3 dimensional point cloud data generated without GCPs. Road vector file by the public data (Open Data Portal) was used as reference data for improving location accuracy. The geometric correction of the 2 dimensional ortho-mosaic image was first performed and the transform matrix produced in this process was adopted to apply to the 3 dimensional point cloud data. The straight distance difference of 34.54 m before the correction was reduced to 1.21 m after the correction. By confirming that it is possible to improve the location accuracy of UAV images acquired without GCPs, it is expected to expand the scope of use of 3 dimensional spatial objects generated from point cloud by enabling connection and compatibility with other spatial information data.

주제어

표/그림 (11)

그림 Fig. 1. 3D point cloud (a) and 2D Ortho-mosaic image (b) on research area.
표 Table 1. Details of the UAV, camera information, and acquisition conditions
그림 Fig. 2. 3D point cloud(a) and 2D ortho-mosaic image(b) on digital map provided by the Ministry of the Interior and Safety and Google Earth(c).
표 Table 2. Converted x, y, z values in UTM coordinate and 3 colors values of 16-bit integer from LAS format data
그림 Fig. 3. Suggesting processing flow chart to creating correct 3D point cloud data without GCPs.
그림 Fig. 4. The comparison image before and after position correction. The translucent image represents the 2D ortho-mosaic before position correction. The red and white mark in the image represent matching points before and after position correction, respectively.
표 Table 3. UTM map coordinates of criteria digital map and 2D ortho-mosaic image
표 Table 4. The location information of GCPs
그림 Fig. 5. GCP number and location information.
표 Table 5. The comparison of UTM coordinates and distance before and after position correction
그림 Fig. 6. Corrected 3D point cloud result with criteria digital map.

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 지상기준점을 포함하지 않고 획득된 UAV 영상의 3차원 point cloud 데이터의 x, y 2차원 좌표에 대한 정밀 위치보정 방법을 제안한다. 보정은 행정 안전부 공공데이터포털에서 제공하는 벡터파일을 기준으로 2차원 정사보정 영상의 기하보정을 먼저 수행하고, 이 과정에서 산출된 변환행렬을 3차원 point cloud에 적용하는 방법을 채택하였다.
선정된 매칭점들을 이용하여 다항식 공간 변형을 시도하였다. 본 연구는 2차원 선형정보를 이용하여 생성한 변환형렬이 3차원 point cloud 데이터의 x, y 좌표 변환에도 적용이 가능한지를 파악하는데 그 목적이 있으며, 3차원 데이터 변환에도 유용하다고 판단될 경우 차후 매칭점 자동탐지 내용을 추가 수행하고자 한다.

제안 방법

2차원 정사보정 영상의 기하보정 과정에서 생성된 변환행렬을 이용하여 전체 7,466,480 포인트의 x, y에 해당하는 위치정보를 보정하였다. 다른 속성값인 z, color_red, color_green, color_blue 값은 변환하지 않았다.
UAV로 생성된 2차원 정사모자이크 영상의 기하보정을 위해 사용될 기준데이터로 도로명주소 전자지도를 활용하였다. 도로명주소 전자지도는 크게 건물, 도로, 그리고 행정구역에 대한 항목으로 구분되는데, 이 중 행정구역은 육안으로 판독이 어렵고 명확한 구분 확인을 위해서는 수작업이 요구되므로 위치보정의 기준으로 이용하기에는 부적합하다고 판단하였다.
선정된 매칭점은 총 9개이다. n차 다항식 변환을 위해서는 (n+1)² 만큼의 매칭점이 필요하기 때문에(Rifman and McKinnon, 1974), 1차 혹은 2차 다항식 적용이 가능한데, 이 중 2차 다항식 변환을 적용하고자 하였다. 최소 제곱 추정치를 사용하여 다항 함수의 계수 Kx(i, j)와 Ky(i, j)를 결정할 수 있으며 이는 아래의 식을 이용하여 산출되었다.
생성된 값 중에서 변환하고자 하는 정보는 x와 y 방향에 해당하는 2차원 정보이다. x, y좌표 변환을 위해 동일한 알고리즘을 통해 처리된 2차원 정사모자이크 영상을 기준 영상에 맞게 먼저 변환하고 이 과정에서 생 성된 변환행렬을 적용하고자 하며 이에 대한 흐름도를 Fig. 3에 표현하였다.
생성된 2차원 영상을 이용한 위치 보정을 먼저 수행하고, 변환 행렬을 산출하였다. 그리고 이를 3차원 point cloud 데이터 중 x, y 방향에 해당하는 2개 속성에 적용하여 3차원 데이터의 위치보정을 수행하였다. 2차원 변환의 경우 회전, 축척, 그리고 이동 과정이 포함되는데 생성된 변환 행렬을 통해 각 과정에 대한 정도를 파악할 수 있다.
기하보정된 2D 영상의 위치정확도를 검증하였다. 검증을 위해 영상 취득 인근의 통합기준점(서울U0147)에 확인측량을 수행하고 이를 기준으로 6개의 지상기준점을 선정하였으며, 이에 대한 정보는 Table 4와 Fig.
지상기준점을 포함하지 않고 촬영된 UAV를 통해 생성한 2차원 정사모자이크 영상과 3차원 point cloud 데이터의 x, y 위치 정확도 향상을 연구하였다. 대부분의 UAV 처리 소프트웨어는 정사보정된 한 장의 2차원 모자이크 영상과 3차원의 point cloud 영상을 생성하는 기능을 지원하며, 본 연구에서는 Pix4Dmapper 소프트웨어를 이용하여 2차원과 3차원의 결과물을 생성하였다. 생성된 2차원 영상을 이용한 위치 보정을 먼저 수행하고, 변환 행렬을 산출하였다.
데이터 포맷 변환 프로그램을 이용하여 3D point cloud 데이터를 아스키 파일로 변환하였다. 이때 생성된 속성값은 ‘x’, ‘y’, ‘z’, ‘color red’, ‘color green’, 그리고 ‘color blue’의 6개 항목이며, 전체 포인트는 총 7,466,480개이다.
본 논문에서는 지상기준점을 포함하지 않고 획득된 UAV 영상의 3차원 point cloud 데이터의 x, y 2차원 좌표에 대한 정밀 위치보정 방법을 제안한다. 보정은 행정 안전부 공공데이터포털에서 제공하는 벡터파일을 기준으로 2차원 정사보정 영상의 기하보정을 먼저 수행하고, 이 과정에서 산출된 변환행렬을 3차원 point cloud에 적용하는 방법을 채택하였다. 3차원 point cloud 데이터의 x, y 2차원 위치정확도 향상이 확인될 경우 point cloud 데이터에서 획득할 수 있는 객체의 활용 범위 확대를 기대할 수 있다.
대부분의 UAV 처리 소프트웨어는 정사보정된 한 장의 2차원 모자이크 영상과 3차원의 point cloud 영상을 생성하는 기능을 지원하며, 본 연구에서는 Pix4Dmapper 소프트웨어를 이용하여 2차원과 3차원의 결과물을 생성하였다. 생성된 2차원 영상을 이용한 위치 보정을 먼저 수행하고, 변환 행렬을 산출하였다. 그리고 이를 3차원 point cloud 데이터 중 x, y 방향에 해당하는 2개 속성에 적용하여 3차원 데이터의 위치보정을 수행하였다.
Table 3에 표현된 정사모자이크 영상과 실폭도로에서의 값은 Table 2에서 확인한 meter 단위의 UTM 맵좌표이다. 선정된 매칭점들을 이용하여 다항식 공간 변형을 시도하였다. 본 연구는 2차원 선형정보를 이용하여 생성한 변환형렬이 3차원 point cloud 데이터의 x, y 좌표 변환에도 적용이 가능한지를 파악하는데 그 목적이 있으며, 3차원 데이터 변환에도 유용하다고 판단될 경우 차후 매칭점 자동탐지 내용을 추가 수행하고자 한다.
지상기준점을 포함하지 않고 촬영된 UAV를 통해 생성한 2차원 정사모자이크 영상과 3차원 point cloud 데이터의 x, y 위치 정확도 향상을 연구하였다. 대부분의 UAV 처리 소프트웨어는 정사보정된 한 장의 2차원 모자이크 영상과 3차원의 point cloud 영상을 생성하는 기능을 지원하며, 본 연구에서는 Pix4Dmapper 소프트웨어를 이용하여 2차원과 3차원의 결과물을 생성하였다.

대상 데이터

2차원 정사보정 및 3차원 point cloud 데이터 생성을 위한 UAV 촬영은 서울 여의도 중학교와 고등학교 일대에서 진행되었다.
UAV는 SISTECH의 K-Mapper모델이며, 6000×4000 해상도의 SONY ILCE-6000 카메라를 탑재하여 촬영하여, GSD (Ground Sample Distance) 3cm의 영상을 획득하였다.
기하보정된 2D 영상의 위치정확도를 검증하였다. 검증을 위해 영상 취득 인근의 통합기준점(서울U0147)에 확인측량을 수행하고 이를 기준으로 6개의 지상기준점을 선정하였으며, 이에 대한 정보는 Table 4와 Fig. 5에 나타냈다. Table 5에는 측량 지점에 대한 보정 전후의 UTM 좌표를 나타냈으며, Table 4의 좌표를 기준으로 직선거리를 산출하였다.
선정된 매칭점은 총 9개이다. n차 다항식 변환을 위해서는 (n+1)² 만큼의 매칭점이 필요하기 때문에(Rifman and McKinnon, 1974), 1차 혹은 2차 다항식 적용이 가능한데, 이 중 2차 다항식 변환을 적용하고자 하였다.
촬영된 UAV영상은 UAV 영상처리 소프트웨어 중 하나인 Pix4Dmapper를 통해 2차원의 정사모자이크와 3차원의 point cloud 데이터를 생성하였으며 이중 3차원 point cloud 데이터와 2차원 정사모자이크 결과를 Fig. 1에 나타냈다.

데이터처리

다른 속성값인 z, color_red, color_green, color_blue 값은 변환하지 않았다. 데이터 포맷 변환 프로그램을 통해 x, y 좌표가 보정된 아스키 파일을 point cloud 데이터로 변환하였으며, 결과를 Fig. 6에 나타냈다. Fig.

성능/효과

Table 5에는 측량 지점에 대한 보정 전후의 UTM 좌표를 나타냈으며, Table 4의 좌표를 기준으로 직선거리를 산출하였다. 보정 전 평균 약 34.54 m의 차이를 보였던 거리가 보정 후 약 1.21 m로 감소함을 확인하였다.
21 m 로 감소하였음을 확인하였다. 생성된 변환행렬 이용해 최종적으로 3차원 point cloud 데이터를 변환하였으며, 변환된 point cloud 데이터의 위치 정확도도 향상되었다. 이를 통해 지상기준점 등의 정밀 위치정보없이 오직 UAV의 GPS 센서만을 이용해 촬영된 2차원 및 3차원 영상의 위치정확도를 공공 데이터를 이용한 후 처리 과정을 통해 향상시킬 수 있음을 확인하였다.
실제로 본 연구에서 이 용한 ‘실폭도로’ 벡터파일은 UAV영상과 대부분 일치하였으나, 영상에서 볼 수 있는 건물이 도로명주소 전자 지도의 ‘건물’ 항목의 폴리곤으로 표현되지 않은 경우를 확인하였다.
2차원 변환의 경우 회전, 축척, 그리고 이동 과정이 포함되는데 생성된 변환 행렬을 통해 각 과정에 대한 정도를 파악할 수 있다. 영상 변환 후 위치정확도 검증을 위해 6개의 GCP 를 선정하여 비교한 결과 보정 전 약 34.54 m의 직선 거리 차이가 보정 후 약 1.21 m 로 감소하였음을 확인하였다. 생성된 변환행렬 이용해 최종적으로 3차원 point cloud 데이터를 변환하였으며, 변환된 point cloud 데이터의 위치 정확도도 향상되었다.
생성된 변환행렬 이용해 최종적으로 3차원 point cloud 데이터를 변환하였으며, 변환된 point cloud 데이터의 위치 정확도도 향상되었다. 이를 통해 지상기준점 등의 정밀 위치정보없이 오직 UAV의 GPS 센서만을 이용해 촬영된 2차원 및 3차원 영상의 위치정확도를 공공 데이터를 이용한 후 처리 과정을 통해 향상시킬 수 있음을 확인하였다. 위치정확도가 향상됨에 따라 UAV 기반 point cloud 데이터에서 획득된 객체의 활용 범위 확대를 기대할 수 있다.

후속연구

실제로 본 연구에서 이 용한 ‘실폭도로’ 벡터파일은 UAV영상과 대부분 일치하였으나, 영상에서 볼 수 있는 건물이 도로명주소 전자 지도의 ‘건물’ 항목의 폴리곤으로 표현되지 않은 경우를 확인하였다. 그러므로 UAV촬영 시기와 유사시기에 촬영되고 정밀한 분류가 수행된 벡터파일이나, UAV 영 상과 유사한 해상도의 raster 영상을 기준영상으로 위치 보정을 수행할 경우 위치정확도가 향상될 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	UAV 촬영 시 문제점	단, UAV는 촬영 시 인공위성이나 항공기보다 기체의 흔들림이 심하고, 상대적으로 GPS(Global PositioningSystem)와 IMU(Inertial Measurement Unit)센서의 정확도가 낮아 외부표정요소가 부정확할 확률이 높다(Lim et al., 2015).
	고해상도의 UAV(Unmanned Aerial Vehicle) 영상이 주목받고 있는 이유?	고해상도의 UAV(Unmanned Aerial Vehicle) 영상을 이용한 다양한 부가가치정보가 주목받고 있다. 수백 km상공에서 촬영되는 인공위성과 수 km에서 촬영되는 항공기와 달리 UAV 촬영고도는 100 m 안팎으로 낮아져 수 cm급 해상도 영상을 획득할 수 있기 때문이다. 하지만 영상 한 장이 커버하는 면적이 좁고, 일반적으로 디지털카메라 또는 유사한 사양의 구(球)형 카메라를 탑재하기 때문에 획득된 영상의 외곽으로 왜곡현상이 발생하는 단점이 있다.
	UAV 영상 처리 소프트웨어의 기능은?	그러므로 UAV 영상을 항공영상이나 인공위성 영상과 같이 활용하기 위해서는 각각의 영상에서 지형/지물 등의 높이에 따라 발생되는 기복변위를 보정하고 정합과정을 거쳐야 한다. 대부분의 UAV 영상 처리 소프트웨어는 보정 및 정합기능을 탑재하고 있으며, 이를 통해 정사보정된 넓은 면적에 대한 하나의 2차원 정사 영상과 3차원 point cloud 데이터를 생성할 수 있다. 수 cm 해상도를 가지는 2차원 영상은 항공기와 인공위성 영상을 대체하여 지상에 대한 정밀한 연구를 가능하게 한다.

참고문헌 (19)

Becker, C., N. Hani, E. Rosinskaya, E. D'Angelo, and C. Strecha, 2017. Classification of aerical photogrammetric 3D pint clouds, Proc. of 2017 ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Science, Hannover, Germany, Jun. 6-9, vol. 4-1/W1, pp. 3-10.
Choi, H.S. and E.M. Kim, 2017. Image registration of drone images through association analysis of linear features, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 35(6): 441-452 (in Korean with English abstract).
Choi, H.S. and E.M. Kim, 2019. Automatic georeferencing of sequential drone images using linear features and distinct points, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 37(1): 19-28 (in Korean with English abstract).
El-Ashmawy, N. and A. Shaker, 2014. Raster vs. point cloud LiDAR data classification, Proc. of 2014 The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science, Istanbul, Turkey, Sep. 29- Oct. 2, vol. 40-7, pp. 79-83.
Forlani, G., E. Dall'asta, F. Diotri, U.M. Cella, R. Roncella, and M. Santise, 2018. Quality assessment of DSMs produced from UAV flights georeferenced with on-board RTK positioning, Journal of Remote Sensing, 10(2): 311.

상세보기
Han, D.Y., D.S. Kim, J.B. Lee, J.H. Oh, and Y.I. Kim, 2006. Automatic image-to-image registration of middle- and low- resolution satellite images using Scale-Invariant Feature Transform technique, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 24(5): 409-416 (in Korean with English abstract).
Han, Y.K., Y.G. Byun, J.W. Choi, D.Y. Han, and Y.I. Kim, 2010. Automatic registration of high resolution satellite images using local properties of tie points, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 28(3): 353-359 (in Korean with English abstract).
He, Y., B. Liang, J. Yang, S. Li, and J. He, 2017. An iterative closest points algorithm for registration of 3D laser scanner point clouds with geometric features, Journal of Sensors, 17(8): 1862.

상세보기
Jung, J.W., T.J. KIM, J.I. Kim, and S.A. Rhee, 2016. Comparison of match candidate pair constitution methods for UAV images without orientation parameters, Korean Journal of Remote Sensing, 32(6): 647-656 (in Korean with English abstract).

원문보기 상세보기
Kattenborn, T., M. Sperlich, K. Bataua, and B. Koch, 2014. Automatic single palm tree detection in plantations using UAV-based photogrammetric point clouds, Proc. of 2014 ISPRS Technical Commission Symposium, Zurich, Switzerland, Sep. 5-7, vol. 40-3, pp. 137-144.
Kim, H.G., J.I. Kim, S.J. Yoon, and T.J. Kim, 2018. Development of a method for calculating the allowable storage capacity of rivers by using drone images, Korean Journal of Remote Sensing, 34(2-1): 203-211 (in Korean with English abstract).
Kim, H.M., H.J. Yoon, S.W. Jang, and Y.H. Chung, 2017. Detection method of river floating debris using Unmanned Aerial Vehicle and multispectral sensors, Korean Journal of Remote Sensing, 33(5-1): 537-546 (in Korean with English abstract).
Kim, M.C. and H.J. Yoon, 2018. A Study on utilization 3D shape Pointcloud without GCPs using UAV images, Journal of the Korea Academia-Industrial Cooperation Society, 19(2): 97-104 (in Korean with English abstract).
Lee, H.S., D.J. Kim, J.H. Oh, J.I. Shin, and J.S. Jung, 2017. Tidal flat DEM generation and seawater changes estimation at Hampyeong bay using drone images, Korean Journal of Remote Sensing, 33(3): 325-331 (in Korean with English abstract).
Lim, S.B., C.W. Seo, and H.C. Yoon, 2015. Digital map updates with UAV photogrammetric methods, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 33(5): 397-405 (in Korean with English abstract).

원문보기 상세보기
Manyoky, M., P. Theiler, D. Steudler, and H. Eisenbeiss, 2011. Unmanned aerial vehicle in cadastral applications, Proc. of 2011 The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science, Zurich, Switzerland, Sep. 14-16, vol. 38-1, pp. 57-62.
Nevalainen, O., E. Honkavaara, S. Tuominen, N. Viljanen, T. Hakala, X. Yu, J. Hyyppa, H. Saari, I. Polonen, N.N. Imai, and A.M.G. Tommaslli, 2017. Individual tree detection and classification with UAV-Based photogrammetric point clouds and hyperspectral imaging, Journal of Remote Sensing, 9(3): 185.

상세보기
Rifman, S.S. and D.M. McKinnon, 1974. Evaluation of digital correction techniques for ERTS Images; Final report, TRW Systems, Redondo Beach, CA, USA.
Tomastik, J., M. Mokros, P. Surovy, A. Grznarova, and J. Merganic, 2019. UAV RTK/PPK method-an optimal solution for mapping inaccessible forested areas?, Journal of Remote Sensing, 11(6): 721.

상세보기

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