[논문]스테레오 영상 간 관측 벡터에 기반한 다중 포인트 클라우드 통합

윤완상; 김한결; 이수암

doi:10.7780/kjrs.2019.35.5.1.9

[국내논문] 스테레오 영상 간 관측 벡터에 기반한 다중 포인트 클라우드 통합
Multi Point Cloud Integration based on Observation Vectors between Stereo Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.35 no.5 pt.1, 2019년, pp.727 - 736

윤완상 ((주)쓰리디랩스 영상공학연구소) , 김한결 ((주)쓰리디랩스 영상공학연구소) , 이수암 ((주)쓰리디랩스 영상공학연구소)

초록
AI-Helper

본 연구에서는 여러 장의 무인항공기 영상을 사용하여 대상지역에 대한 포인트 클라우드를 생성하고, 데이터 세트 간 발생하는 이격과 중복점을 제거하는 방안에 대한 연구를 수행하였다. 이를 위해 사진 측량 기반의 IBA(Incremental Bundle Adjustment)기법을 적용하여 무인기의 위치/자세를 보정하고 스테레오 페어를 구성했다. 각각의 스테레오 영상으로부터 에피폴라 영상을 생성하고 MDR(Multi-Dimensional Relaxation) 정합 기법을 적용하여 포인트 클라우드를 생성하였다. 다음으로 스테레오 영상 간 관측 벡터에 기반한 포인트 클라우드 등록을 통해 서로 다른 스테레오 페어로부터 생성된 포인트 클라우드 간 이격을 제거하였다. 마지막으로 점유격자(Occupancy grid) 기반 통합 알고리즘을 적용하여 중복점이 제거된 하나의 포인트 클라우드를 생성하였다. 실험은 무인항공기에서 취득된 연직 촬영 영상을 사용하였으며, 실험을 통해 서로 다른 스테레오 페어로부터 생성된 포인트 클라우드 간 이격 및 중복점 제거가 가능함을 확인하였다.

Abstract ▼ AI-Helper

In this paper, we present how to create a point cloud for a target area using multiple unmanned aerial vehicle images and to remove the gaps and overlapping points between datasets. For this purpose, first, IBA (Incremental Bundle Adjustment) technique was applied to correct the position and attitude of UAV platform. We generate a point cloud by using MDR (Multi-Dimensional Relaxation) matching technique. Next, we register point clouds based on observation vectors between stereo images by doing this we remove gaps between point clouds which are generated from different stereo pairs. Finally, we applied an occupancy grids based integration algorithm to remove duplicated points to create an integrated point cloud. The experiments were performed using UAV images, and our experiments show that it is possible to remove gaps and duplicate points between point clouds generated from different stereo pairs.

Keyword

표/그림 (12)

그림 Fig. 1. Flowchart of UAV sensor modeling which includes photogrammetric incremental bundle adjustment.
그림 Fig. 2. Result of point cloud registration by applying ICP algorithm, (a) Reference point cloud, (b) Target point cloud, (c) ICP result.
그림 Fig. 3. Correspondence points configuration between stereo pairs by observation vector tracking.
그림 Fig. 4. Study area and sample UAV images.
그림 Fig. 5. Flow chart for generating point cloud form UAV images.
표 Table 1. IO Parameters for test images
그림 Fig. 6. Extracted epipolar images and corresponding left and right disparity images.
그림 Fig. 7. Point cloud generated from a stereo pair in Fig. 6.
표 Table 2. Height errors before and after registration
그림 Fig. 8. Examples of before and after point cloud registration, (a) Rooftop, (b) Same region as (a) after registration, (c) APT, (d) Same object as (c) after registration, (e) Parking lot, (f) Same area as (e) after registration.
그림 Fig. 9. Before and after integration by occupancy grids, (a) Area-1 before integration, (b) Area-1 after integration, (c) Area-2 before integration, (d) Area-2 after integration.
그림 Fig. 10. Point cloud for buildings before and after integration, (a) APT before integration, (b) APT after integration, (c) Building with dome before integration, (d) Same building as (c) after integration.

AI 본문요약
AI-Helper

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

문제 정의

이에 본 연구에서는 이를 보완하여 더 높은 품질의 포인트 클라우드를 생성하기 위해포인트 클라우드 생성에 사용된 영상 화소 추적을 통해, 서로 다른 스테레오 페어에서 생성된 포인트 클라우드 간 이격을 제거하였다. 또한 Robotics 분야에서 주로 사용되는 점유 격자기반 매핑(Occupancy grid mapping) 방식을 적용하여, 중복되는 데이터 제거를 통해 통합된 3차원 포인트 클라우드를 생성하였으며 그 결과를 보고한다.
ICP의 단점을 개선하기 위해 본 연구에서는 스테레오 영상 간 관측 벡터에 기반한 포인트 클라우드 등록 기법을 제안한다. 본 연구에서 생성된 포인트 클라우드의 경우, 포인트 클라우드 생성 시 사용된 좌, 우 관측 벡터 정보를 알 수 있다.

가설 설정

가) 통합 대상영역을 3차원 옥트리(Octree)로 분할한다.

제안 방법

이에 본 연구에서는 이를 보완하여 더 높은 품질의 포인트 클라우드를 생성하기 위해포인트 클라우드 생성에 사용된 영상 화소 추적을 통해, 서로 다른 스테레오 페어에서 생성된 포인트 클라우드 간 이격을 제거하였다. 또한 Robotics 분야에서 주로 사용되는 점유 격자기반 매핑(Occupancy grid mapping) 방식을 적용하여, 중복되는 데이터 제거를 통해 통합된 3차원 포인트 클라우드를 생성하였으며 그 결과를 보고한다.
먼저 입력 받은 영상들로부터 구성 가능한 모든 스테레오 영상에 대하여 타이포인트(Tiepoint)를 추출한다.두 번째 글로벌 최적화 프로세스(Global optimization)단계에서는 입력 받은 모든 영상들 중에서 촬영 대상 영역을 나타낼 수 있는 최적의 스테레오 영상들을 결정한다.
두 번째 글로벌 최적화 프로세스(Global optimization)단계에서는 입력 받은 모든 영상들 중에서 촬영 대상 영역을 나타낼 수 있는 최적의 스테레오 영상들을 결정한다. 이때, 앞선 단계에서 추출된 각 스테레오 영상이 포함하고 있는 타이포인트의 수뿐 아니라 두 스테레오 영상의 관측 벡터가 이루는 수렴각(Convergence Angle)등의 기하학적 요소들도 고려하여 최적 스테레오 영상을 산출한다.
다음으로 추출된 타이포인트들 중 여러 영상에서 관측된 삼중점(Triplet)을 추출하고, 삼중점을 가장 많이 포함하고 있는 영상을 기준 영상으로 설정하여, 사진 측량 기반 IBA를 수행 한다. IBA 기법은 사진측량 기반의 다중 프레임카메라 센서모델 보정으로, SfM에서 적용하는 DLT(Direct Linear Transformation)와 달리 각 영상에 대한 내부표정 요소(Interior Orientation Parameters)및 외부표정 요소(Exterior Orientation Parameters)를 포함한 공선방정식을 적용하기 때문에 높은 정확도의 센서모델링을 기대할 수 있다.
무인항공기 영상의 정밀 센서모델링을 위해 먼저 영상 간의 타이포인트 추출을 수행하였다. 본 실험에서는 자동 타이포인트의 추출을 위해 FAST(Features from Accelerated Segment Test)와 BRISK(Binary Robust Invariant Scalable Keypoints) 알고리즘(FAST-BRISK 알고리즘)을 사용했다(Ulusel et al.
, 2016). 다음으로 추출된 타이포인트와 입력한 영상의 위치/자세정보 초기값으로 하여 IBA 기법을 적용한 센서모델링을 수행하였다.
IBA를 통해 추출된 최적 영상 페어 정보에 MDR을 이용한 스테레오 영상 정합을 수행하여 포인트 클라우드를 추출한다. 다음으로 각 스테레오 페어로부터 생성된 포인트 클라우드의 관측 벡터에 기반하여 데이터 셋 간 등록을 수행한다.
다음으로 각 스테레오 페어로부터 생성된 포인트 클라우드의 관측 벡터에 기반하여 데이터 셋 간 등록을 수행한다. 마지막으로 전체 공간 분할하여, 점유격자 기반 통합을 통해 중복점을 제거, 대상 영역에 대한 최종 포인트 클라우드를 생성하였다.
IBA 기법을 적용한 센서모델링을 수행하여 추출된 영상 페어의 상호 신뢰도를 판단하기 위해서, 스테레오페어를 구성하고 타이포인트를 추출하여 영상 간의 Y시차를 산출해 보았다. 대상 영상에서 추출된 총 3,583,880개의 타이포인트에서 평균 0.
에피폴라 영상 정합의 특성상 먼저 영상 페어를 구성하고, 에피폴라 영상의 시차맵(Disparity map)을 구하는 것으로 영상 정합을 수행했다. Fig.
포인트 클라우드 등록이 완료된 후, 대상영역에 대한 중복점 제거를 위해 점유 격자 기반 포인트 클라우드 통합을 수행하였다. 이를 위해 먼저 해당 영역을 옥트리로 분할하였다.
포인트 클라우드 등록이 완료된 후, 대상영역에 대한 중복점 제거를 위해 점유 격자 기반 포인트 클라우드 통합을 수행하였다. 이를 위해 먼저 해당 영역을 옥트리로 분할하였다. 이때 공간 분할 최소 크기를 0.
다음으로 점유 격자 기반 통합 기법을 적용했을 때,객체 형상의 큰 손실 없이 중복점이 제거되는지의 여부를 확인하기 위하여, 전체 영역 중 건물에 해당하는 일부 포인트 클라우드에 대한 육안 분석을 실시하였다. Fig.
본 연구에서는 3차원 건물 모델의 생성기술 개발을위한 선행 과정으로, 관측 벡터에 기반한 포인트 클라우드의 등록과 통합을 수행하였다. 실험은 연직촬영으로 획득한 무인항공기 영상을 사용하여 수행했으며, 무인항공기의 위치/자세 정보의 획득이 불안정한 특성을 고려한 센서모델 보정을 수행하였다.
본 연구에서는 3차원 건물 모델의 생성기술 개발을위한 선행 과정으로, 관측 벡터에 기반한 포인트 클라우드의 등록과 통합을 수행하였다. 실험은 연직촬영으로 획득한 무인항공기 영상을 사용하여 수행했으며, 무인항공기의 위치/자세 정보의 획득이 불안정한 특성을 고려한 센서모델 보정을 수행하였다. 이후, 스테레오 에피폴라 영상 기반의 정합기법을 적용하여 포인트 클라우드를 생성하였다.
실험은 연직촬영으로 획득한 무인항공기 영상을 사용하여 수행했으며, 무인항공기의 위치/자세 정보의 획득이 불안정한 특성을 고려한 센서모델 보정을 수행하였다. 이후, 스테레오 에피폴라 영상 기반의 정합기법을 적용하여 포인트 클라우드를 생성하였다. 다음으로 서로 다른 데이터 세트로부터 추출된 포인트 클라우드 간 이격을 제거하기 위해, 각 점에 대한 관측 벡터에 기반하여 대응점을 구성하고두 데이터 세트간 3차원 변환 파라미터를 추정 및 적용하여 포인트 클라우드 간 이격이 제거됨을 확인하였다.
다음으로 서로 다른 데이터 세트로부터 추출된 포인트 클라우드 간 이격을 제거하기 위해, 각 점에 대한 관측 벡터에 기반하여 대응점을 구성하고두 데이터 세트간 3차원 변환 파라미터를 추정 및 적용하여 포인트 클라우드 간 이격이 제거됨을 확인하였다. 마지막으로 등록이 완료된 포인트 클라우드들로부터 점유 격자 기반 통합 기법을 적용하여 중복점이 제거된포인트 클라우드를 생성하였다. 실험 결과 통합 이전 총 27,915,129개 포인트를 객체 형상에 큰 손실 없이 원본데이터의 약 12% 수준인 3,534,023개 포인트로 감소시키는 것이 가능함을 확인하였다.

대상 데이터

실험은 아래 Fig. 4에 나타난 것과 같이 여의도 중학교 일대를 대상으로 수행했다. 대상지역을 촬영한 무인항공기로, Sony ILCE-6000 카메라가 부착되어 있는 SISTECH의 K-Mapper 기체를 사용했다.
4에 나타난 것과 같이 여의도 중학교 일대를 대상으로 수행했다. 대상지역을 촬영한 무인항공기로, Sony ILCE-6000 카메라가 부착되어 있는 SISTECH의 K-Mapper 기체를 사용했다. 영상은 약 160m 상공에서 촬영되었다.
대상지역을 촬영한 무인항공기로, Sony ILCE-6000 카메라가 부착되어 있는 SISTECH의 K-Mapper 기체를 사용했다. 영상은 약 160m 상공에서 촬영되었다. 획득된 데이터는 147 장의 연직 촬영(Nadir) 영상이며, 사용 영상의 내부표정 요소 정보 및 촬영 주요 정보는 Table 1과 같다.
영상은 약 160m 상공에서 촬영되었다. 획득된 데이터는 147 장의 연직 촬영(Nadir) 영상이며, 사용 영상의 내부표정 요소 정보 및 촬영 주요 정보는 Table 1과 같다.

데이터처리

다음으로 각 스테레오 페어로부터 생성된 포인트 클라우드 간 이격을 제거하기 위하여, 관측 벡터 기반 포인트 클라우드 등록을 수행하였고, 등록 이전과 이후의 차이를 정량적으로 평가하기 위해 포인트 클라우드로부터 DSM을 생성하고, 동일한 수평위치(x, y)에서의 높이방향 편차에 대한 평균 제곱근 오차(Root Mean SquareError, RMSE)를 Table 2와 같이 산출하였다. Table 2의 결과를 살펴보면, 전반적으로 등록 이전에 비하여 등록 이후 높이방향으로의 오차가 감소한 것을 확인할 수 있으나, 등록 이후에도 데이터 세트 간 오차가 존재하는데, 이는 동일한 기준 영상을 공유하는 스테레오 쌍의 기하학적 조건, 추출된 타이포인트의 수 및 추출된 영역 등의 요인으로 인하여, 스테레오 페어 간 정합 성능이 다르기 때문으로 판단된다.

이론/모형

본 연구에서는 무인항공기로부터 취득된 초기 위치 및 자세정보 보정을 위해 Rhee et al.(2017)에서 제시한 사진측량 기반 IBM(Incremental Bundle Adjustment) 기법을 적용하였으며, 전체적인 흐름은 Fig.1과 같다.
본 연구에서는 스테레오 영상으로부터 3차원 포인트 클라우드 생성을 위해 MDR(Multi Dimension Relaxation)정합 기법을 적용하였다. MDR 정합 기법은 스테레오에피폴라 영상 기반의 정합기법으로 여러 크기의 윈도우를 하나의 대상 점에 동시에 적용하는 다중 윈도우 탐색 방식을 사용하여, 대상에 대한 적정 수준의 세부 표현이 가능함과 동시에 작은 크기의 정합 윈도우에서 발생할 수 있는 잡음 문제를 완화하는 것이 가능하다.
이를 위해 본 연구에서는 Kuhn et al.(2015)에서 사용한 점유 격자(Occupancy grid) 기반 포인트 클라우드 통합을 수행하였으며, 그 처리과정은 아래와 같다.
무인항공기 영상의 정밀 센서모델링을 위해 먼저 영상 간의 타이포인트 추출을 수행하였다. 본 실험에서는 자동 타이포인트의 추출을 위해 FAST(Features from Accelerated Segment Test)와 BRISK(Binary Robust Invariant Scalable Keypoints) 알고리즘(FAST-BRISK 알고리즘)을 사용했다(Ulusel et al., 2016). 다음으로 추출된 타이포인트와 입력한 영상의 위치/자세정보 초기값으로 하여 IBA 기법을 적용한 센서모델링을 수행하였다.

성능/효과

IBA 기법을 적용한 센서모델링을 수행하여 추출된 영상 페어의 상호 신뢰도를 판단하기 위해서, 스테레오페어를 구성하고 타이포인트를 추출하여 영상 간의 Y시차를 산출해 보았다. 대상 영상에서 추출된 총 3,583,880개의 타이포인트에서 평균 0.9748 픽셀의 Y-시차가 발생함을 확인했으며, 이를 통해 1픽셀 이내로 높은 정확도의 센서모델의 수립이 되었음을 확인할 수 있었다.
9(d)는 포인트 클라우드 통합 결과이다. 점유 격자 기반 통합을 통해 통합 이전 보다 포인트 클라우드의 밀도가 감소한 것을 확인할 수 있다. 전체 영역에 대하여 통합 이전 총 27,915,129개 포인트에서 통합 이후3,534,023개로 감소한 것을 확인하였다.
이후, 스테레오 에피폴라 영상 기반의 정합기법을 적용하여 포인트 클라우드를 생성하였다. 다음으로 서로 다른 데이터 세트로부터 추출된 포인트 클라우드 간 이격을 제거하기 위해, 각 점에 대한 관측 벡터에 기반하여 대응점을 구성하고두 데이터 세트간 3차원 변환 파라미터를 추정 및 적용하여 포인트 클라우드 간 이격이 제거됨을 확인하였다. 마지막으로 등록이 완료된 포인트 클라우드들로부터 점유 격자 기반 통합 기법을 적용하여 중복점이 제거된포인트 클라우드를 생성하였다.
마지막으로 등록이 완료된 포인트 클라우드들로부터 점유 격자 기반 통합 기법을 적용하여 중복점이 제거된포인트 클라우드를 생성하였다. 실험 결과 통합 이전 총 27,915,129개 포인트를 객체 형상에 큰 손실 없이 원본데이터의 약 12% 수준인 3,534,023개 포인트로 감소시키는 것이 가능함을 확인하였다. 본 연구는 무인기 영상에서 자동으로 3차원 모델을 생성하기 위한 선행 연구로 수행되었으며, 향후 연구에서는 본 과정을 통해 생성된 포인트 클라우드로부터 건물 영역을 자동으로 추출하고 3차원 모델을 생성할 예정이다.
점유 격자 기반 통합을 통해 통합 이전 보다 포인트 클라우드의 밀도가 감소한 것을 확인할 수 있다. 전체 영역에 대하여 통합 이전 총 27,915,129개 포인트에서 통합 이후3,534,023개로 감소한 것을 확인하였다.

후속연구

실험 결과 통합 이전 총 27,915,129개 포인트를 객체 형상에 큰 손실 없이 원본데이터의 약 12% 수준인 3,534,023개 포인트로 감소시키는 것이 가능함을 확인하였다. 본 연구는 무인기 영상에서 자동으로 3차원 모델을 생성하기 위한 선행 연구로 수행되었으며, 향후 연구에서는 본 과정을 통해 생성된 포인트 클라우드로부터 건물 영역을 자동으로 추출하고 3차원 모델을 생성할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	유인항공기를 이용한 항공 사진측량의 단점은 무엇인가?	유인항공기를 이용한 항공 사진측량은 현재 국내외 기본도 및 고정밀 공간정보 생산에 주로 사용되고 있으나, 데이터 생성을 위해 항공기를 비롯한 고가의 장비와 전문인력의 투입이 불가피하고 정보 갱신 주기가 길다는 단점이 있다. 이에 반해 무인항공기(Unmanned Aerial Vehicle, UAV) 영상을 활용한 사진측량 기술의 경우, 좁은 지역에 대하여 상대적으로 소수의 인력과 비용으로 관심 영역에 대한 최신 3차원 공간정보 생성이 가능하다(Remondino et al.
	3차원 포인트 클라우드 생성 방식 중에 실감형 3차원 건물 및 도시 모델 생성에 적합한 방식은 무엇이며 이유는?	정밀한 3차원 포인트 클라우드를 생성하기 위한 대표적인 방식으로는 항공 사진 측량(Aerial photogrammetry)과 항공 라이다(Aerial LiDAR)를 이용한 데이터 구축이 있다. 이중 항공 사진측량 방식의 경우, 대상 지형에 대한 포인트 클라우드 뿐 아니라 항공 영상으로부터 색상정보의 취득이 가능하여 실감형 3차원 건물 및 도시 모델의 생성에 적합하다.
	릴렉세이션(Relaxation)기법이 무엇인가?	MDR 정합 기법은 스테레오 에피폴라 영상 기반의 정합기법으로 여러 크기의 윈도우를 하나의 대상 점에 동시에 적용하는 다중 윈도우 탐색 방식을 사용하여, 대상에 대한 적정 수준의 세부 표현이 가능함과 동시에 작은 크기의 정합 윈도우에서 발생할 수 있는 잡음 문제를 완화하는 것이 가능하다. 또한 상위 피라미드 영상에서의 정합결과를 바탕으로 정합점 탐색 대상 영역을 축소하는 릴렉세이션(Relaxation)기법을 적용하여, 빠른 포인트 클라우드 생성이 가능하다(Rhee and Kim, 2018).

참고문헌 (11)

Gruen, A. and D. Akca, 2005. Least squares 3D surface and curve matching, ISPRS Journal of Photogrammetry and Remote Sensing, 59(3): 151-174.

상세보기
Han, D., 2007. Automatic Adjustment of Airborne LiDAR Strip Data Using the ICP and Extrema Detection Algorithm, Ph. D. dissertation, Seoul National University, Seoul, Republic of Korea (in Korean with English abstract).
Kuhn, A., H. Huang, M. Drauschke, and H. Mayer, 2016, Fast Probabilistic Fusion of 3D Point Clouds via Occupancy Grids for Scene Classification, Proc. of ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Prague, Czech Republic, Jul. 12-16, vol. 3, pp. 325-332.
Rhee, S., T. Kim, J. Kim, M. C. Kim, and H. J. Chang, 2015. DSM generation and accuracy analysis from UAV images on river-side facilities, Korean Journal of Remote Sensing, 31(2): 183-191 (in Korean with English abstract).

원문보기 상세보기
Remondino, F., L. Barazzetti, F. Nex, M. Scaioni, and D. Sarazzi, 2011. UAV photogrammetry for mapping and 3d modeling, current status and future perspectives, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 38(1): C22.
Rhee, A., Y. Hwang, and S. Lee, 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, 34(6): 941-951 (in Korean with English abstract).
Rhee, S. and T. Kim, 2018. Development of incremental Bundle Adjustment for UAV Images without Orientation angles, Proc. of 2018 International Symposium on Remote Sensing, Pyeongchang, Korea, May 9-11, pp. 225-228.
Rhee, S., T. Kim, D. Kim, and H. Lee, 2017. Analysis for Stereoscopic Plotting Applicability of UAV Images, Proc. of 2017 International Symposium on Remote Sensing, Nagoya, Japan, May 17-19, vol. C-29.
Turner, D., A. Lucieer, and C. Watson, 2012. An Automated Technique for Generating Georectified Mosaics from Ultra-High Resolution Unmanned Aerial Vehicle (UAV) Imagery, Based on Structure from Motion(SfM) Point Clouds, Remote Sensing, 4(5): 1392-1410.

상세보기
Ulusel, O., C. Picardo, C. B. Harris, S. Reda, and R. I. Bahar, 2016. Hardware acceleration of feature detection and description algorithms on lowpower embedded platforms, Proc. of 2016 26th International Conference on Field Programmable Logic and Applications (FPL), Lausanne, Switzerland, Aug. 29-Sep. 2, pp. 1-9.
Wang, F. and Z. Zhao, 2017. A survey of iterative closest point algorithm, Proc. of 2017 Chinese Automation Congress (CAC), Jinan, China, Oct. 20-22, pp. 4395-4399.

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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