KR101055419B1

KR101055419B1 - 지상 라이다를 이용한 지형측량 방법

Info

Publication number: KR101055419B1
Application number: KR1020110040648A
Authority: KR
Inventors: 김열
Original assignee: (주) 이우티이씨
Priority date: 2011-04-29
Filing date: 2011-04-29
Publication date: 2011-08-09

Abstract

본 발명은 지상 라이다를 이용한 지형측량방법에 관한 것으로, 본 발명의 일 실시 예와 관련된 지형측량방법은 지상 라이다를 이용하여 지형을 측량하고, 그 측량된 데이터들로부터 RGB값 및 반사값을 획득하여 상기 획득한 RGB값에 대한 요인분석을 수행하고, 상기 RGB값을 이용한 회귀분석을 통해 새로운 변수를 추출하며 그 추출된 변수 및 반사값을 이용한 군집분석을 통해 군집을 형성한 결과로부터 지면을 추출한다.

Description

지상 라이다를 이용한 지형측량 방법{topographic surveying Method Using Terrestrial Light Detection And Ranging}

본 발명은 지상 라이다(Terrestrial LiDAR)를 이용하여 지형을 측량하고 그 측량된 3차원 실측 데이터를 이용하여 사용자 요구에 따른 다양한 주제도 작성 및 3차원 분석이 가능한 지상 라이다를 이용한 지형측량 방법에 관한 것이다.

최근에는 지리 정보 시스템에 대한 관심이 높아지고 관련분야에 대한 연구개발이 활발히 이루어지면서 지리 정보 시스템의 응용과 활용폭이 다방면으로 확대되고 있다. 이러한 지리 정보 시스템을 구축함에 있어 가장 기초가 되는 것은 수치 지도(digital map)이다. 수치지도는 고전적인 종이 지도와 달리 측량에 의해 얻어진 각종 지형 자료들이 수치 편집에 의해 파일로 저장되고 색인화된다. 수치 지도의 제작은 일반적으로 항공 사진 및 위성 영상에 의하여 얻어진 지형 자료를 바탕으로 이루어지며 이러한 자료를 해석하고 수치화하는 작업이 필요하다.

수치 지형 자료를 획득하기 위한 기존의 지형측량 방법으로 GPS(global positioning system) 및 각도와 거리를 함께 측정할 수 있는 토탈 스테이션(total station)을 이용하여 종횡단도를 활용한 토공량 산정(점고법, 양단면 평균법 등)을 행하여 왔다.

그러나, 최근에는 3차원 공간 정보의 필요성이 높아지면서 GPS 및 토탈 스테이션을 이용한 측량 방법보다 단시간 내 세밀하고 정확한 지형데이터를 추출할 수 있는 기술을 개발하기 위한 노력들이 계속되고 있다.

상술한 바와 같은 문제점을 해결하기 위해 본 발명은 지상 라이다를 이용하여 지형을 측량하는 지상 라이다를 이용한 지형측량 방법을 제공하기 위한 것이다.

또한, 본 발명은 지상 라이다를 이용하여 실측된 3차원 데이터를 이용하여 사용자 요구에 따른 다양한 지형도 작성이 가능하게 하는 지상 라이다를 이용한 지형측량 방법을 제공하기 위한 것이다.

상기한 과제를 실현하기 위한 본 발명의 일 실시 예와 관련된 지형측량방법은 지상 라이다를 이용하여 지형을 측량하는 단계와, 상기 측량된 데이터들로부터 RGB값 및 반사값을 획득하는 단계와, 상기 획득한 RGB값에 대한 요인분석을 수행하는 단계와, 상기 RGB값을 이용하여 회귀분석을 통해 변수를 추출하는 단계와, 상기 추출된 변수와 반사값을 이용한 군집분석을 통해 군집을 형성하는 단계와, 상기 형성된 군집으로부터 지면을 추출하는 단계를 포함한다.

따라서, 본 발명은 지상 라이다를 이용하여 전체적인 지형의 3차원 실측 데이터를 이용하여 계획고에 대한 절대적인 표고값으로 토공량(체적)을 산전함으로 정확도를 수 cm 이하로 줄여 오차를 최소화할 수 있다.

또한, 본 발명은 부지배치를 위한 부지 계획고 산정을 위해서는 부지내의 절성토량을 최소화하여 시공성을 극대화하여야 함으로 정화도를 대폭 향상시킨 지상 라이다의 3차원 실측 데이터를 이용한 DEM 및 절성토 부지도의 융합으로 부지 경계의 자동추출 및 토공량을 산출하여 부지지역의 최적계획소를 산정할 수 있어 경제성 및 정확성을 향상시킬 수 있다.

또한, 본 발명은 지상 라이다를 이용하여 지형을 측량하므로 단시간 내 수백~수천배의 절대적인 좌표값을 추출할 수 있어 지형도 제작에 있어서 사용자의 요구에 따른 다양한 주제도의 제작이 가능하며, 보다 세밀하고 정확한 도면을 작성할 수 있다.

도 1은 본 발명의 일 실시 예와 관련된 지형측량장치를 도시한 블록구성도.
도 2는 본 발명의 일 실시 예와 관련된 지형측량장치에 의해 분류된 결과값을 도시한 예시도.
도 3은 본 발명의 일 실시 예와 관련된 지형측량장치에 의한 군집화일정표를 도시한 예시도.
도 4는 본 발명의 일 실시 예와 관련된 지형측량장치에 의한 집단화과정 정보를 덴드로그램으로 도시한 예시도.
도 5는 본 발명의 일 실시 예와 관련된 지상 라이다를 이용한 지형측량방법을 도시한 흐름도.

이하, 첨부된 도면을 참조하여 본 발명의 실시 예들을 상세하게 설명한다. 본 발명의 일 실시 예들은 지상 라이다(Light Detection And Ranging, LiDAR)를 이용한 지형측량 방법에 관한 것이다.

여기서, 지형측량에 이용되는 지상 라이다 장비는 수많은 측량 좌표를 형태적으로 획득하므로, 현재 모습을 정확하고 상세하게 기록할 수 있다. 지상 라이다는 물체의 3차원 데이터를 신속하게 형성시켜주고, 근거리(2~3km 내외)의 사물을 정밀하게 측정할 수 있어 대형 구조물, 건축물, 지형, 사물 등을 3차원으로 시각화 및 가상공간화 할 수 있다. 또한, 지상 라이다는 측정 오차가 수 mm 수준의 정확도와 정밀도를 가지고 있어서, 단시간 내에 정확한 데이터를 확보할 수 있고, 정확한 형상을 기록할 수 있다. 다시 말해서, 지상 라이다는 현재의 있는 그대로의 모습을 가장 정확하게 기록할 수 있는 방법으로, 대상물의 측량 및 형상 기록 등 사물의 완전한 형상 그대로를 표현할 수 있어 대상물의 현존 기록을 정확히 남길 수 있다.

지상 라이다는 기존의 측량 방법과 비교하여, 단순히 특정 점(point)의 좌표를 획득하는 수준 이상으로 초당 최대 수십만 포인트(점)들의 좌표를 획득할 수 있다. 또한, 지상 라이다는 사진이나 영상과는 달리 좌표 정보를 가지고 있어 광학적인 왜곡이 없으며, 촬영된 특정 지점에서의 관점뿐만 아니라 데이터 상에서 어떠한 관점에서도 시각적으로 대상물을 확인 할 수 있다.

지상 라이다 장비는 임의의 대상물에 대한 3차원 좌표를 형상화된 데이터로 취득할 수 있다. 장비의 종류에 따라 이미지 데이터를 함께 취득할 수 있으며, 스캐너와 운용시스템, 소프트웨어로 구성된다.

지상 라이다 장비는 3차원적인 공간을 3차원 디지털 데이터로 변환하는 역할을 수행한다. 여기서, 지상 라이다는 초당 수천에서 수십만 점의 좌표를 획득하는 것으로, 면의 정보(형상화된 데이터)를 추출할 수 있다. 이렇게 추출한 3차원 정보로 취득된 대상물의 실물과 같은 치수 정보를 가지고 있으며 도면화를 위한 CAD 데이터로 변환이 가능하며 컴퓨터 그래픽이나 다양한 컨텐츠로도 활용할 수 있는 기초 데이터가 된다. 예컨대, 추출된 3차원 정보 즉, 지상 라이다 데이터는 가상측량, 도면 생성, 디지털 복원 등을 위한 기초 데이터로 사용될 수 있다.

도 1은 본 발명의 일 실시 예와 관련된 지형측정 시스템을 도시한 블록구성도이다.

도 1에 도시된 바와 같이, 지형측량장치(100)는 레이저 스캐너(Laser Scanner)(101), 이미지 촬영부(102), 시스템제어부(103), 데이터 저장부(104), 송수신부(105), 운용부(106)을 포함한다. 지형측량장치(100)는 임의의 대상물에 대한 3차원 좌표를 형상화된 데이터로 취득할 수 있게 한다.

레이저 스캐너(101)는 정밀한 3축 운동을 통하여 3차원 좌표값을 획득하는 것으로, 수평 운동(수평각)과 수직운동(연직각), 레이저 발생의 세가지 운동을 하게 된다. 레이저 스캐너(101)가 레이저 빔을 대상물을 향해서 발사하면, 그 빔은 대상물(물체)에서 반사되어서 다시 장비로 돌아오게 되며 장비의 레이저 인식 장치가 대상물에서 돌아오는 레이저를 인식하여 시간을 측정하게 된다. 레이저 스캐너(101)는 레이저 빔을 대상물로 발사한 시각과 대상물에서 반사되어 되돌아온 시각을 측정하고, 그 측정된 두 시각을 [수 1]의 식에 대입하여 레이저 스캐너(101)와 대상물 사이의 거리를 산출한다.

여기서, C는 빛의 속도이고,

과

는 레이저가 반사되어 돌아온 시각과 레이저가 발사된 시각을 각각 의미한다.

레이저 스캐너(101)는 거리와 수평각, 연직각을 이용하여 지형측량장치(100)의 위치에 대한 점(point) 데이터를 획득한다. 레이저 스캐너(101)는 간격을 설정하여(좌우, 상하 간격 최소 mm~m) 초당 수만 점(point) 이상의 레이저를 발사하여 대상물의 3차원 데이터를 획득한다.

이미지 촬영부(102)는 대상물을 이미지(image)로 촬영한다. 다시 말해서, 이미지 촬영부(102)는 임의의 대상물에 대한 이미지 데이터를 획득하는 것이다.

시스템제어부(103)는 소프트웨어에 의해 구현될 수 있으며, 촬영범위, 스캔밀도, 좌표 등을 설정하는 역할을 수행한다.

데이터 저장부(104)에는 시스템의 전반적인 동작 제어를 위한 소프트웨어가 저장되며, 레이저 스캐너(101), 이미지 촬영부(102), 시스템제어부(103)로부터 출력되는 데이터가 저장된다. 여기서, 레이저 스캐너(101)로부터 출력되는 3차원 데이터인 지상 라이다 데이터는 3차원 좌표값, RGB값, 반사강도 등을 포함한다. 여기서, RGB 값은 이미지 촬영부(102)를 통해 촬영되는 이미지와 포인트 데이터의 부등각 사상 변환을 통하여 포인트에 부여되는 값이며, 대상물의 반사강도에 따라 반사값이 부여된다. 이미지는 가시광선 영역대인 빨간색(red), 녹색(green), 파란색(blue)의 값들이 혼합되어 하나의 색으로 눈에 보이는 것으로 각각이 0~255로 256단계로 나뉜다. 반사값은 대상물의 표면 성질이나 형태, 색 등에 따라 결정된다. 예를 들어, 색이 어두운 색(검정)에 가까울수록 반사값은 저하되고, 밝은색(흰색)에 가까울수록 반사값은 높아진다. 다시 말해서, 반사강도를 0(검정색)~1(흰색)의 수치로 표현하는 경우, 반사값이 0에 가까울수록 반사강도는 낮고 반사값이 1에 가까울수록 반사강도는 높다. 따라서, 하나의 포인트에는 좌표값과 RGB값, 반사값의 속성을 갖는다.

송수신부(105)는 유무선통신을 수행하는 역할을 한다. 송수신부(105)은 레이저 스캐너(101), 이미지 촬영부(102)를 통해 획득한 데이터를 지형 측량 데이터를 데이터베이스화하여 관리하는 서버(미도시)로 전송할 수 있다.

또한, 송수신부(105)는 시스템제어부(103)의 소프트웨어와 데이터 저장부(104)를 연결시켜주는 역할을 수행할 수 있다.

운용부(106)는 상기한 각 구성요소를 제어하여 지형 측량 장치의 전반적인 동작을 제어한다. 운용부(106)는 레이저 스캐너(101)를 제어하여 지형에 대한 3차원 정보를 획득하고, 그 획득한 데이터들로부터 요인분석에 사용될 데이터를 필터링한다. 예컨대, 운용부(106)은 레이저 스캐너(101)를 통해 획득한 데이터들 중 요인분석에 필요한 데이터 RGB값을 추출한다. 또한, 운용부(106)는 상기 추출한 데이터 RGB값을 이용한 요인분석을 통해 요인을 추출하고, 그 추출한 요인에 대한 회귀분석을 수행한다. 그리고, 운용부(106)는 회귀분석결과를 토대로 군집분석을 실시하여 서로 같은 속성의 클러스터(cluster)로 나누어 포인트를 분류한다.

레이저 스캐너(101)를 통해 획득되는 데이터는 불규칙한 3차원 점 데이터로 지형의 3차원 정보를 획득하는 것으로, 주변의 나무나 건물, 잡풀, 기타 지형지물의 모든 정보를 취득하게 되므로, 사용목적에 따라 필요치 않은 데이터(Noise)를 제거하는 필터링 과정이 필요하다.

필터링 기법에는 ETEW 필터(Elevation Threshold Expanding Window Filter), MLS 필터(Maximum Local Slope Filter), 모폴로지 필터(Morphological Filter)와 같은 필터링 방법이 사용되며, 그 외에도 레이저의 반사강도를 이용하여 노이즈를 제거하는 방법과 프로그램상에서 수작업으로 노이즈를 제거하는 방법 등이 사용되고 있다. 상기 ETEW 필터는 특정 영역 내에 있는 관측점의 높이값 중에서 최소값을 찾고, 그 찾은 최소값과 영역내의 관측점의 높이를 비교하고 그 비교한 값이 특정 임계값보다 크면 그 관측점을 노이즈로 분류하는 방법이다. 상기 MLS 필터는 경사값 특성을 이용한 방법으로, 특정 영역 내 점들간의 경사를 구하고, 그 경사값과 특정 임계값의 비교로 노이즈를 제거하는 방식으로 연산을 반복적으로 수행하여 점차적으로 노이즈를 제거한다. 모폴로지 필터는 자료의 형태학적 특성을 이용하는 방법으로 침식과 팽창연산을 적절히 조합하여 노이즈를 제거한다. 여기서, 침식 후 팽창연산을 수행하는 방법은 제거연산이고, 팽창 후 침식연산을 수행하는 방법은 채움연산이다.

군집분석의 유클리디안 제곱거리 방식을 위하여 요인 수를 2로 결정한다. 반사값은 대상물의 성질에 따라 반사강도가 결정되기 때문에 이를 하나의 요인으로 결정하고 RGB 3개의 변수에서 공통 요인을 추출하여 하나의 요인으로 묶어서 결정한다.

점 데이터를 획득하고, 그 획득한 점 데이터로부터 RGB값을 이용하여 요인을 추출한다.

요인분석 결과, [표 1]의 총 분산을 살펴보면 첫 번째 칼럼에서 합계 2.933으로 분산 97.762%의 설명력을 가지고 있으며, 성분행렬에서 3가지 변수 모두 추출 인자에 높은 영향력을 가지고 있음이 나타난다. [표 1]의 총 분산은 데이터 관리 및 통계분석을 위해 개발된 SPSS(statistical Package for the Social Sciences)를 이용하여 산출할 수 있다. 그리고, [표 1]의 총분산은 하나의 변수로 추출하기 위한 것으로 3개의 성분이 연관성이 없다면 분산에서 신뢰할만한 높은 값을 얻을 수 없지만 3개의 변수(red, green, blue) 모두 연관성이 매우 높아 하나의 성분으로 요인추출이 가능함을 나타낸다. 일반적으로 누적해서 60%~70%이상의 값일 경우 신뢰도를 인정한다. [표 2]의 성분행렬은 요인을 1개의 변수로 추출했을 경우 연관성을 나타낸 것으로 1에 가까울수록 연관성이 높음을 나타낸다. 다시 말해서, 각 점의 3가지 변수(Red, Green, Blue)를 하나의 변수로 압축하기 위하여 신뢰도를 분석한 결과라 할 수 있다.

성분	초기고유값			추출제곱합적재값
성분	합계	%분산	%누적	합계	%분산	%누적
1	2.933	97.762	97.762	2.933	97.762	97.762
2	.050	1.664	99.426
3	.017	.574	100.000

	성분
	1
Red	.988
Green	.994
Blue	.984

이 값들은 [수 2]의 식에 의한 회귀분석(둘 또는 그 이상의 변수 사이의 인과 관계를 분석하는 추측통계 방식)을 통하여 변수 값을 저장한다.

[수 2]의 식은 3가지의 변수(Red, Green, Blue)일 경우, 회귀분석의 기본식이다. 다시 말해서, 대상물에 대한 RGB값들(3가지의 변수)를 이용하여 1가지 변수를 찾기 위하여 회귀분석을 실시한 결과 [표 3]과 같이 각 상수값을 구해낼 수 있다.

a	-5.811
b	0.034
c	0.038
d	0.041

회귀분석결과를 [수 2]의 식에 대입하면, 다음 [수 3]과 같다.

[수 3]의 식에 각 점의 RGB값을 대입하면 새로운 변수값을 [표 4]와 같이 산출할 수 있다. 즉,

,

를 [수 2]의 식에 각각 대입하면 새로운 변수 Y가 산출된다. 즉, 회귀분석을 통해 새로운 변수를 추출한다.

R	G	B	새로운 변수(요인 추출)
21	16	19	-3.710
22	17	20	-3.597
24	18	20	-3.491
29	22	22	-3.087
33	25	23	-2.796
33	25	23	-2.796
33	25	23	-2.796
32	22	23	-2.944
34	26	24	-2.683
31	24	24	-2.861
31	22	25	-2.896
33	24	25	-2.752

회귀분석을 통해 얻어진 결과를 토대로 군집분석을 실시한다. 군집분석은 [표 5]에 도시된 새로운 변수와 반사값(I)을 이용하여 각 점의 거리를 구하여 작은 값끼리 서로 묶어 클러스터를 형성한다.

I(반사값)	새로운 변수
0.421241	-3.710
0.420081	-3.597
0.416236	-3.491
0.41117	-3.087
0.415747	-2.796
0.417639	-2.796
0.444312	-2.796
0.415808	-2.944
0.417762	-2.683
0.425147	-2.861
0.421302	-2.896
0.415259	-2.752

이때, 데이터의 방대한 양을 고려하여 군집분석은 비계층적 군집화 방법을 사용하며 가장 널리 이용되는 K-means 방법을 사용한다. 집단은 [수 4]의 유클리디안 제곱거리(Squared Euclidean Distance) 방식으로는 택하여 2개의 집단(지면, 비지면)으로 결정한다.

반사값과 RGB값의 요인으로 이루어진 각 포인트들은 유클리디안 제곱거리 방식으로 거리가 가까운 속성들끼리 군집을 형성하여 두 개의 집단으로 나누었고 그 결과를 나타낸 것이 도 2 및 도 3에 도시된다. 도 4는 토너먼트 형식으로 묶이고 묶여서 하나의 클러스터로 가는 과정을 나타낸 것으로, 지면과 비지면의 지상 라이다 데이터를 이용하여 사용 가능한 지면 데이터만을 걸러내고자 하는 일련의 과정을 덴드로그램에서 확인할 수 있다.

도 5은 본 발명의 일 실시 예와 관련된 지상 라이다를 이용한 지형 측량 방법을 도시한 흐름도이다.

먼저, 운용부(106)는 레이저 스캐너(101)를 제어하여 지형을 측량한다(S101). 여기서, 레이저 스캐너(101)는 3차원 좌표값, RGB값, 반사강도(반사값) 등의 데이터를 획득한다.

운용부(106)는 상기 획득한 데이터들로부터 RGB 값과 반사값을 획득한다(S102).

운용부(106)는 상기 획득한 RGB값에 대한 요인분석을 통해 요인을 추출한다(S103). 여기서, 요인분석은 일련의 측정된 변수에 근거하여 직접 측정할 수 없는 요인을 확인하기 위한 것으로, 수많은 변수들을 적은 수의 몇 가지 요인으로 묶어줌으로써 그 내용을 단순화하기 위한 것이다. 다시 말해서, 요인분석은 다음과 같은 목적에서 사용될 수 있다. 첫째, 여러 개의 관련이 있는 변수들이 하나의 요인으로 묶여 지므로 많은 변수들이 적은 수의 요인으로 줄어들게 된다. 둘째, 요인에 포함되지 않거나 포함되더라도 중요도가 낮은 변수를 찾을 수 있으므로 불필요한 변수를 제거할 수 있다. 셋째, 관련된 변수들이 묶여져 요인을 이루고 이들 요인들은 상호 독립적인 특성을 가지게 되므로 변수들의 특성을 규명할 수 있다. 넷째, 하나의 특성을 측정하기 위해 측정된 변수들은 하나의 요인으로 묶여 진다. 다섯째, 요인적재량을 바탕으로 추가적인 분석인 회귀분석, 판별분석, 군집분석에 사용할 수 있는 변수를 만들 수 있다.

요인분석의 종류에는 요인수를 지정하지 않고 요인의 수를 결정하는 탐색적 요인분석(Exploratory Factor Analysis: EFA)과 탐색적 요인분석의 결과가 타탕한지 확인하기 위하여 요인의 수를 미리 지정할 때 사용하는 확인적 요인분석(Confirmatory Factor Anaalysis: CFA)이 있다.

요인추출을 위한 일반적 모델로는 요인의 수를 최소화하거나 분산에 대한 사전 지식을 가지고 있을 때 사용하는 주성분분석법(Principle Component Analysis: PCA)과 최초 변수들을 통해 쉽게 파악되지 않는 잠재적인 공통요인이나 차원을 규명할 때 사용하는 공통요인법(Common Factor Analysis, CFA)이 사용된다.

상기 주성분분석은 요인의 성질과 수가 어떤가를 알려는 분석의 첫 단계에서 주로 사용하는데 전체 변수를 사용하여 분산을 극대화하는 성분을 추출하여 분산이 가장 큰 것부터 내림차순으로 변수의 수에 따라 요인이 추출된다.

공통요인법은 요인 추출 시 공통분산만을 사용하며 특수 분산과 오차분산에 대한 사전적인 지식이 없을 때 사용한다. 추출할 요인의 수를 결정하는 방법에는 다음 4가지가 있다.

첫째, 고유치(Eigenvalues)는 한 요인에 대한 “요인적재값의 제곱의 합”을 가리키며 고유치가 크다는 것은 그 요인이 변수들의 분산을 잘 설명한다는 것을 의미한다. 고유치를 기준으로 할 때는 고유치 1 상을 갖는 요인의 수만큼 추출한다.

둘째, 요인분석에서 추출될 요인의 수를 사전에 결정하는 방법으로 연구자가 몇 개의 요인이 적절하다는 것을 사전에 알거나 다른 연구자가 수행한 연구를 반복하면서 그 연구에서 추출된 요인의 개수만큼 요인을 추출하고자 할 때 사용된다.

셋째, 요인들의 설명력의 합이 어는 정도는 되어야 한다는 것을 사전에 정하고 그 수준의 설명력을 가져오는 요인들을 추출하는 방법이다.

넷째, 컴퓨터 프로그램을 이용한 스크리도표(Scree table)를 이용한 방법으로 스크리도표는 각 요인의 고유치를 그림으로 보여주는데 첫 번째 요인부터 마지막 요인으로 갈수록 고유치는 점점 작아진다. 스크리도표는 각 요인의 설명력이 어느 위치부터는 감소폭이 매우 체감하는 경향을 보여준다. 이 때 감소폭이 체감하기 직전까지의 요인의 수를 기준으로 요인을 추출할 수 있다.

상기한 4가지 방법에 있어서 요인의 수를 미리 결정하는 방법 외의 다른 세가지 방법은 자료 분석 결과에 따라 요인의 수를 결정하는 방법이다. 이 세가지 방법에 의해 요인의 수를 결정할 때 얼마든지 다른 결과가 나올 수 있다.

본 실시 예에서는 사전에 추출할 요인의 수가 결정된 경우를 예로 들어 설명하고 있으나, 사전에 추출할 요인의 수가 결정되지 않은 경우에는 요인분석을 위한 대상 변수를 선정하고, 선정된 대상변수에 대해 상관관계 행렬분석을 수행하며, 요인추출을 위한 분석방법을 선정한다. 여기서, 분석방법으로 PCA 또는 CFA 등이 사용될 수 있다. 상기 분석방법이 선정되면 직각회전 또는 비직각회전를 요인회전방식으로 결정한다. 그리고, 결정된 요인회전방식에 따라 1차 요인을 추출하고, 분석에 이용할 요인 점수를 저장한다. 이후, 상기한 과정을 반복 수행하여 2차 요인을 추출한다.운용부(106)는 요인분석을 통해 추출된 요인을 이용한 회귀분석을 통해 새로운 변수를 추출한다(S104). 그리고, 운용부(106)은 상기 회귀분석을 통해 추출된 변수 및 반사값에 근거하여 군집분석을 실시한다(S105). 군집분석 후 운용부(106)는 군집분석에 의해 분류된 결과로부터 지면을 추출한다(S106).

군집분석(Cluster Analysis)은 각 객체의 유사성을 측정하여 유사성이 높은 대상 집단을 분류하고, 같은 군집에 속한 대상들의 유사성과 서로 다른 군집에 속한 대상간의 상이성을 규명하는 통계적 분석방법으로 대상을 분류하기 위한 명확한 기준이 존재하지 않거나 기준이 밝혀지지 않은 상태에서 다양한 특성을 지닌 대상들을 군집으로 분류하는 데 사용되는 기법이다.

군집분석은 객체의 특성을 토대로 유사한 대상들끼리 그룹핑하는 다변량 통계기법이다. 군집분석에 의해 두 개 이상의 그룹이 형성되며 각 그룹을 군집(Cluster)이라 부른다. 군집분석의 핵심은 군집내 객체들을 가급적 유사하게 그리고 군집들 간에는 가급적 상이하게 대상들을 그룹핑하는 데 있다.

군집분석의 기본원리는 분석하고자 하는 대상들의 여러 가지 특성들을 유사성 거리로 환산하여, 유사성 거리가 가까운 대상들을 동일한 집단으로 군집화(Clustering)하는 것으로 다음과 같은 3가지 중요한 조건이 있다.

첫째, ‘어떤 특성을 비교할 것인가?’하는 설명변수를 선정한다.

둘째, 유사성(Similarity)의 측정 방법을 결정한다.

셋째, 동질적인 집단으로 분류할 군집화의 방법을 결정한다.

군집분석은 중요한 설명변수를 제외하거나 불필요한 설명변수가 추가되는 경우 유사성 거리가 제대로 측정되지 못하게 된다. 군집분석에서는 선정된 설명변수들이 모두 동일한 비중으로 유사성 거리의 측정에 반영되므로 설명변수 선정의 오류는 잘못된 집단 도출의 원인이 된다.

군집분석을 위하여 가장 흔히 사용되는 자료는 간격척도 혹은 비율척도로 측정된 거리 값(Distance measures)이다. 각 대상의 여러 가지 특성을 종합하여 유사성 거리를 측정하게 되는데, 두 대상간의 속성이 유사할수록 유사성 거리는 가깝게 측정되고, 두 대상간의 속성이 다를수록 유사성 거리는 멀게 측정된다. 이와 같은 유사성 거리의 측정방법에는 유클리디안 거리(Euclidean Distance), 유클리디안 제곱거리(Squared Euclidean Distance), 민코우스키(Minkouski Distance)등이 있다.

유클리디안 거리(Euclidean Distance)는 변수값들의 차이를 제곱하여 합산한 거리로 다차원 공간의 최단 직선거리를 말하며, 가장 일반적으로 사용되는 측정방법이다.

여기서, C_i: i 번째 대상

X_ji: j 번째 대상의 i 번째 변수 값

유클리디안 제곱거리(Squared Euclidean Distance)는 유클리디안 거리를 제곱한 것으로 식2.2으로 나타낸다.

민코우스키(Minkouski Distance)는 비유사성을 나타내는 거리의 일반형으로 변수값 차이의 p와 제곱합의 1/r 누승근으로 환산한 거리를 가지고 측정하며 식 2.3으로 나타낸다.

비계층적 군집화 방법은 계층적 군집화와는 달리 군집을 형성하는 과정이 순차적으로 이루어지지 않는다. 계층적 군집화 방법이 순차적으로 군집 수를 형성해 나가는데 반해, 비계층적 군집화 방법은 최종 군집의 수와 시작점을 미리 정해 주어야 한다. 비계층적 군집화 방법 중 가장 널리 이용되는 것은 K-means 방법이다. 이 방법에서는 계층적 군집화에 의해 얻어진 최초의 군집결과, 즉 k개의 군집 수와 k개의 중심점을 입력 자료로 사용한다. 각 대상들은 k개의 시작점을 중심으로 근접성에 근거하여 가장 가까운 시작점에 묶이게 된다. 그리고 한번 뭉쳐진 집단에 대해 각 집단의 평균이 구해지고 이 값을 중심으로 동일한 절차를 거쳐 다시 군집화를 시행하여 k개의 군집이 도출될 때까지 계속한다. 이 과정에서 어떤 대상이 사전에 한 군집에 묶였더라도 새로운 군집 시작점에 더 가까우면 이 대상은 새로운 군집으로 다시 할당되기 때문에 오류를 줄일 수 있다. 비계층적 군집방법의 대표적인 기법은 K-means 방법이다. k-means 방법에서는 먼저 같은 거리축을 연구자가 사전에 지정한 동일한 간격의 K개(가령 3개) 집단으로 구분하고 각 구간에 속한 대상들을 초기집단으로 묶어준다. 두 번째 단계로 각 집단에 속한 대상들의 평균 중심점을 새로운 기준점(cluster seed)으로 지정한다. 세 번째 단계에서 각 대상을 새로운 기준점들과의 거리를 기준으로 가까운 집단에 다시 할당한다. 이 경우 일부 대상들은 기존 집단에서 새로운 집단으로 집단의 구분이 변경될 것이다. 새로운 집단구분에 따라 두 번째 단계의 기준점 계산이 다시 이루어지고 세 번째 단계인 집단 할당이 변경되는 과정이 반복되며, 더 이상 대상들의 집단변경이 일어나지 않은 시점에서 분석이 종료되고 결과가 제시된다. 따라서 비계층적 군집방법에서는 계층적 군집분석에서와 같은 단계별 거리 계산이나 덴드로그램과 같은 집단화과정에 대한 정보는 제시되지 않고 최종적인 결과만이 제시된다. 일반적으로 비계층적 군집방법은 응답자의 수가 많은 경우에 주로 활용된다. 사회과학 연구에서 많은 응답자들을 대상으로 자료가 수집되는 경우 각 응답자들간의 거리를 모두 계산하는 과정을 대상이 하나씩 합쳐질 때마다 반복해야 하는데 이는 컴퓨터의 성능이 좋아진 지금도 많은 시간이 소요된다. 무엇보다 출력결과가 감당할 수 없을 정도로 많이 제시되기 때문에 응답자의 수가 많은 경우에는 비계층적 군집방법이 주로 활용된다.

100: 지상측량 장치
101: 레이저 스캐너
102: 이미지 촬영부
103: 시스템제어부
104: 메모리
105: 송수신부
106: 운용부

Claims

지상 라이다를 이용하여 지형을 측량하는 단계와,
상기 측량된 데이터들로부터 RGB값 및 반사값을 획득하는 단계와,
상기 획득한 RGB값에 대한 요인분석을 수행하는 단계와,
상기 요인분석을 통해 추출된 요인을 이용한 회귀분석을 통해 변수를 추출하는 단계와,
상기 추출된 변수 및 반사값을 이용한 군집분석을 통해 군집을 형성하는 단계와,
상기 형성된 군집으로부터 지면을 추출하는 단계를 포함하는 것을 특징으로 하는 지상 라이다를 이용한 지형측량방법.
제1항에 있어서, 상기 측량된 데이터는,
좌표값, RGB값, 반사강도를 포함하는 것을 특징으로 하는 지상 라이다를 이용한 지형측량방법.
제1항에 있어서, 상기 요인분석 단계는,
빨간색(Red)값, 녹색(Green)값, 파란색(Blue)값의 변수들를 하나의 요인으로 추출하기 위한 각 변수의 연관성을 산출하는 것을 특징으로 하는 지상 라이다를 이용한 지형측량방법.
제1항에 있어서, 상기 요인분석 단계는,
요인분석을 위한 대상변수를 선정하는 단계와,
상기 선정된 대상변수에 대한 상관관계 행렬분석을 수행하는 단계와,
상기 행렬분석 결과에 근거한 요인추출을 위한 분석방법을 선정하는 단계와,
요인회전 방식을 결정하는 단계와,
1차요인을 추출하는 단계와,
분석에 이용할 요인 점수를 저장하는 단계와,
2차 요인을 추출하는 단계를 포함하는 것을 특징으로 하는 지상 라이다를 이용한 지형측량방법.
제1항에 있어서, 상기 회귀분석 단계는,
상기 RGB 값에 대한 회귀분석을 통해 새로운 변수를 추출하는 것을 특징으로 하는 지상 라이다를 이용한 지형측량방법.
제1항에 있어서, 상기 군집분석 단계는,
상기 추출된 변수와 반사값을 이용하여 각 점의 거리를 구하여 작은 값끼리 클러스터를 형성하는 것을 특징으로 하는 지상 라이다를 이용한 지형측량방법.
제1항에 있어서, 상기 군집분석 단계는,
유클리디안 제곱거리(Squared Euclidean Distance)를 이용하여 수행하는 것을 특징으로 하는 지상 라이다를 이용한 지형측량방법.