머신러닝을 이용한 3차원 도로객체의 분류 = Classification of 3D Road Objects Using Machine Learning

국문 초록 (Abstract)

급변하는 주변상황이나 대형차량과 같은 큰 지형지물에 센서가 가려질 경우에는 센서만을 이용한 완전 자율주 행에는 한계가 따른다. 이에 자율주행을 위해서 센서를 이용한 한계점을 극복할 수 있도록 정한 도로지도를 부 가적으로 이용하는 방법이 사용되고 있다. 본 연구는 국토지리정보원에서 제공하는 지상 MMS(Mobile Mapping System)로 취득된 3차원 점군자료를 이용하여 도로 객체를 분류하는 연구를 수행하다. 본 연구를 위해서 원본 3 차원 점군자료를 전처리 하고, 지면과 비지면점을 분리하기 위한 필터링 기법을 선정하다. 또한 차선, 가로등, 안 전펜스 등에 해당하는 도로객체를 초기 분할한 후 분할된 객체를 머신러닝의 종류인 서포트 벡터 머신을 이용하 여 학습시킨 후 분류하다. 학습데이터는 분할된 도로객체에서 추출한 고유값을 이용한 기하학적 요소와 높이정 보만을 사용하으며 분류결과 전체정확도는 87%, 카파계수는 0.795로 나타났다. 향후 도로객체의 분

다국어 초록 (Multilingual Abstract)

Autonomous driving can be limited by only using sensors if the sensor is blocked by sudden changes in surrounding environments or large features such as heavy vehicles. In order to overcome the limitations, the precise road-map has been used additionally. This study was conducted to segment and classify road objects using 3D point cloud data acquired by terrestrial mobile mapping system provided by National Geographic Information Institute. For this study, the original 3D point cloud data were pre-processed and a filtering technique was selected to separate the ground and non-ground points. In addition, the road objects corresponding to the lanes, the street lights, the safety fences were initially segmented, and then the objects were classified using the support vector machine which is a kind of machine learning. For the training data for supervised classification, only the geometric elements and the height information using the eigenvalues extracted from the road objects were used. The overall accuracy of the classification results was 87% and the kappa coefficient was 0.795. It is expected that classification accuracy will be increased if various classification items are added not only geometric elements for classifying road objects in the future.

참고문헌 (Reference)

1 이진형, "항공영상에 의한 LiDAR 데이터 분할에 기반한 건물 모델링" 한국측량학회 28 (28): 47-56, 2010

2 이수지, "항공 라이다 자료를 이용한 수목추출의 자동화 모델 개발" 한국산학기술학회 15 (15): 3213-3219, 2014

3 김의명, "지면·비지면점 분류를 위한 라이다 필터링 알고리즘의 종합적인 비교" 한국측량학회 30 (30): 39-48, 2012

4 박선, "신경망과 SVM을 이용한 적조 발생 예측" 대한전자공학회 48 (48): 39-45, 2011

5 정지희, "고윳값 비율과 SVM을 이용한 도심도로에서 취득한 모바일 라이다 데이터의 분류" 한국지적정보학회 18 (18): 195-206, 2016

6 Caputo, M., "Support vector machines for classification of geometric primitives in point clouds" 9213 : 80-95, 2014

7 Apple developer, "Spatial and logical arrangement of an example octree" Apple

8 Hong, S. P., "Road object classification using a terrestrial laser data" Korean Society for Geospatial Information Science 199-200, 2018

9 Wikipedia, "Result of connected region labeling using two-pass raster scan" Wikimedia Foundation, Inc.

10 So, J.H., "Plan for autonomous cooperation driving safety and infrastructure implementation" 35 (35): 37-43, 2018

11 Hong, S.P., "Object segmentation of laser data using terrestrial mobile mapping system" Korean Society for Geospatial Information Science 197-198, 2017

12 Lehtomäki, M., "Object classification and recognition from mobile laser scanning point clouds in a road environment" 54 (54): 1226-1239, 2015

13 Wikipedia, "Normal distribution curve that illustrates standard deviations" Wikimedia Foundation, Inc.

14 Lalonde, J. F., "Natural terrain classification using three-dimensional LIDAR data for ground robot mobility" 23 (23): 839-861, 2006

15 유환희, "LIDAR 자료의 지면과 비지면요소의 분류 정확도 평가" 대한토목학회 25 (25): 928-935, 2005

16 Han, S.H., "Introduction to Photogrammetry and Remote Sensing" Goomibook 2016

17 Lee, G.W., "Geo-Spatial Information System" Goomibook 2016

18 Axelsson, P., "DEM generation from laser scanner data using adaptive TIN models" 33 (33): 110-117, 2000

19 Zhang, K., "Comparison of three algorithms for filtering airborne LIDAR data" 71 (71): 313-324, 2005

20 Chang, Y., "Automatic classification of LIDAR data into ground and non-ground points" 37 (37): 457-462, 2008

21 Sun, Y., "Automated segmentation of LIDAR point clouds for building rooftop extraction" 1472-1475, 2016

22 Zhang, W., "An easy to use airborne LIDAR data filtering method based on cloth simulation" 8 (8): 501-522, 2016

23 NGII, "A Study on the Construction of Precision Road Map for the Support of Autonomous Vehicle" National Geographic Information Institute 23-93, 2015

24 Rusu, R.B., "3D is here: point cloud library (pcl)" 1-4, 2011