KR101314523B1 - 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 방법 - Google Patents

Abstract

본 발명의 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 방법은, 벡터 맵의 전체영역을 분해하여 얻은 하나의 국부지역을 여러 개의 영역으로 나누는 단위로 정의된 CB(Category Bin)를 포함하며, 상기 CB(Category Bin) 각각의 수직 방향 및 수평 방향 연결성을 이용하여 1차적인 압축을 수행하는 제1 과정; 상기 CB(Category Bin)에 대해 여러 개의 더 작은 영역으로 나누는 단위로 정의된 DB(Direction Bin)를 포함하며, 각각의 CB(Category Bin)에 포함된 각각의 오브젝트가 지나가는 DB(Direction Bin)의 변위를 탐색함으로써 2차적인 압축을 수행하는 제2 과정; 및 상기 DB(Direction Bin) 내에 포함된 각 꼭짓점(vertex) 좌표 값들에 대해 정밀도를 표현하는 단위로 정의된 AB(Accuracy Bin) 들을 포함하며, 상기 AB(Accuracy Bin) 각각을 계층적으로 전송 또는 저장시키는 버텍스 차분 부호화(vertex differential encoding)를 수행하는 제3 과정을 포함함에 기술적 특징이 있다.

Description

빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 방법{METHOD OF VECTOR MAP COMPRESSION USING SPATIAL ENERGY COMPACTION BASED ON BIN CLASSIFICATION}

본 발명은 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 방법에 관한 것으로, 더욱 상세하게는 벡터 맵의 국부영역을 3개의 빈(bin) 영역인 CB(Category Bin), DB(Direction Bin) 및 AB(Accuracy Bin) 영역으로 세분화 한 후, 각각의 빈(bin)이 갖는 특성에 따라 독자적인 압축을 수행하여 벡터 맵의 압축효율을 최대화 시키는, 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 방법에 관한 것이다.

데이터 압축이라 함은, 컴퓨터에서 취급하는 각종 파일의 크기를 물리적으로 줄이는 것을 말한다.

데이터의 압축과 복원은 분산 컴퓨팅 시스템, 데이터 통신, 컴퓨터 네트워크, 영상 및 음성처리 등의 분야에서 매우 중요한 기술로서, 기억장치나 통신자원을 효율적으로 이용하기 위해 적용된다.

데이터 압축 기법으로는 호프만 부호화(Huffmann Coding) 기법, 반복길이(Run-Length Coding)기법, 예측(Prediction) 기법, 변환(Conversion) 기법, 동작 보상(Motion Compensation) 기법 등이 있다.

위와 같은 압축 기법들은 문서, 화상, 동영상 그리고 음성 데이터를 대상으로 하기 때문에, 지도 그래픽의 벡터 데이터 파일을 압축하기 위해서는 문서용 압축기법을 도입할 수밖에 없으나, 압축의 대상이 되는 원시 데이터 양 자체가 방대하여 데이터 압축률이 큰 경우가 아니면 항상 빠른 전송시간을 보장할 수 없다.

일반적으로, 전자지도의 벡터 데이터 포맷은 사용하는 GIS 도구에 따라 매우 다양하며, DXF(DataeXchange Format), SDTS(Spatial Data Transfer Standard), NTF(National Transfer Format), DIGEST(Digital Geographic Information Exchange STandard) 등의 표준 포맷으로 구축된 원시 데이터를 GIS 도구 자체 포맷으로 저장하고 검색한다.

한편 벡터좌표계를 갖는 그래픽데이터를 위한 압축 기법으로 벡터데이터 특성 상 일반적인 무손실 데이터 압축을 주로 사용해왔으며, 손실압축을 위해, 다양한 벡터 근사화 기법을 통해 필요한 최소한의 꼭짓점만을 남겨둔 채, 콘텐츠의 형상을 유지시키는 동시에 불필요한 절점을 제거하여 데이터 양을 감소시키는 방법을 주로 사용해왔다.

일반적인 상용 데이터파일 압축 기법을 제외하고, 종래에는 벡터 근사화 기법의 대표적인 알고리즘인 Douglas-Peucker 벡터 근사화 알고리즘과 SEC(Spatial Energy Compaction) 기반 벡터 맵 압축 기법이 일반적으로 사용되었다.

종래의 Douglas-Peucker 벡터 근사화 알고리즘은, 여러 꼭짓점으로 구성된 폴리곤(polygon), 폴리라인(polyline) 등의 벡터 데이터에 대해 비 중요 꼭짓점을 제거함으로써 근사화를 수행하는, 즉 복잡한 형태의 선 구조를 단순화 시키는 선형 단순화 기법이다.

하지만, 종래의 Douglas-Peucker 벡터 근사화 알고리즘은, 근사화 기법의 특성 상 연속한 좌표점들이 급격히 꺾이는 오브젝트들의 집합, 이를 테면 '건물' 레이어에서 압축효율의 저하가 발생하는 문제점이 있었다.

한편 종래의 SEC(Spatial Energy Compaction) 기반 벡터맵 압축 기법은, TM 좌표계를 사용하는 정밀 벡터 맵 내의 각각의 폴리라인 및 폴리곤을 최소 압축 단위로서 MCA(minimum Coding Attribute)로 정의한 후, MCA(minimum Coding Attribute) 단위의 공간영역 상에서 벡터 분포특성을 이용한 SEC(Spatial Energy Compaction) 를 수행하여 각 꼭짓점들이 이루는 벡터의 방향성과 크기의 유사성을 압축함으로써, 고 정밀화 된 벡터 맵에서 높은 수준의 압축 율을 내타내었다.

하지만, 종래의 SEC(Spatial Energy Compaction) 기반 벡터 맵 압축 기법은, 오브젝트 단위의 국부 특성만을 이용한다는 한계점 및 최종 압축 비트열을 만들기 위해 7-Zip 엔트로피 코딩기법을 사용하게 되어 계산이 복잡해지고, 이로 인해 연산속도가 저하되는 문제점이 있었다.

본 발명이 해결하고자 하는 기술적 과제는, 벡터 맵의 국부영역을 3개의 빈(bin) 영역인 CB(Category Bin), DB(Direction Bin) 및 AB(Accuracy Bin) 영역으로 세분화 한 후, 각각의 빈(bin)이 갖는 특성에 따라 독자적인 압축을 수행하여 벡터 맵의 압축효율을 최대화 시키는 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 방법을 제공하는데 있다.

상기 기술적 과제를 이루기 위한 본 발명에 따른 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 방법은, 벡터 맵의 전체영역을 분해하여 얻은 하나의 국부지역을 여러 개의 영역으로 나누는 단위로 정의된 CB(Category Bin)를 포함하며, 상기 CB(Category Bin) 각각의 수직 방향 및 수평 방향 연결성을 이용하여 1차적인 압축을 수행하는 제1 과정; 상기 CB(Category Bin)에 대해 여러 개의 더 작은 영역으로 나누는 단위로 정의된 DB(Direction Bin)를 포함하며, 각각의 CB(Category Bin)에 포함된 각각의 오브젝트가 지나가는 DB(Direction Bin)의 변위를 탐색함으로써 2차적인 압축을 수행하는 제2 과정; 및 상기 DB(Direction Bin) 내에 포함된 각 꼭짓점(vertex) 좌표 값들에 대해 정밀도를 표현하는 단위로 정의된 AB(Accuracy Bin) 들을 포함하며, 상기 AB(Accuracy Bin) 각각을 계층적으로 전송 또는 저장시키는 버텍스 차분 부호화(vertex differential encoding)를 수행하는 제3 과정을 포함하는 기술을 제공한다.

본 발명은 다양한 크기와 정밀도, 폴리곤 및 폴리라인에 구분 없이 모두 적용할 수 있다는 장점 및 우수한 정밀도, 높은 압축 율 및 빠른 연산속도를 제공하는 기술적 효과가 있다.

도 1은 본 발명에 따른 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 기법을 블록다이어그램으로 나타낸 것이다.
도 2a는 전처리부의 전체 벡터 맵으로부터 국부 지역을 분해하는 과정의 예를 나타낸 것이다.
도 2b는 전처리부의 레이어 내의 오브젝트 재배열 과정의 예를 나타낸 것이다.
도 3a는 폴리라인으로 구성된 정밀 벡터 맵의 도로 레이어의 일예를 나타낸 것이다.
도 3b는 도 3a의 도로 레이어에 대해 dist_CB = 320m 일 경우 CB(Category Bin)에 대해 연결성을 탐색한 결과의 일예를 나타낸 것이다.
도 3c는 도 3a의 도로 레이어에 대해 dist_CB = 160m 일 경우 CB(Category Bin)에 대해 연결성을 탐색한 결과의 일예를 나타낸 것이다.
도 3d는 도 3a의 도로 레이어에 대해 dist_CB = 80m 일 경우 카테고리 빈(Category Bin)에 대해 연결성을 탐색한 결과의 일예를 나타낸 것이다.
도 3e는 도 3a의 도로 레이어에 대해 dist_CB = 40m 일 경우 카테고리 빈(Category Bin)에 대해 연결성을 탐색한 결과의 일예를 나타낸 것이다.
도 4a는 DB(Direction Bin) 압축을 수행하기 위해 CB(Category Bin)가 포함하는 각각의 오브젝트에 대해 오브젝트가 지나는 DB(Direction Bin)의 변위를 검색하는 과정의 일예를 나타낸 것이다.
도 4b는 도 3a의 폴리라인으로 구성된 정밀 벡터 맵의 도로 레이어에 대해 dist_CB = 10m 일 때의 모든 DB(Direction Bin)에 대한 진행방향과 크기에 대한 빈도수를 나타낸 것이다.
도 5는 오브젝트가 걸친 DB(Direction Bin)에 포함된 상세 좌표 값들에 대한 AB(Accuracy Bin) 구조를 나타낸 것이다.

이하에서는 본 발명의 구체적인 실시예를 도면을 참조하여 상세히 설명하도록 한다.

도 1은 본 발명에 따른 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 기법을 블록다이어그램으로 나타낸 것이다.

도 1을 참조하면, 본 발명에 따른 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 기법은, 전처리부(110), CB 엔코딩부(120), DB 엔코딩부(130) 및 AB 엔코딩부(140)를 포함함으로 벡터 맵 압축이 구현된다.

이하, 본 발명에 따른 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 기법이 수행되는 과정을 상세히 설명한다.

우선, 벡터 맵(vector map)을 로딩(loading) 시키는 제1 단계(S10)를 갖는다.

전처리부(110)는 벡터 맵(vector map)을 로딩(loading) 받은 후, 벡터 맵(vector map) 분해 과정과 오브젝트 재배열 과정을 수행하는 제2 단계(S20) 및 BPB(Bits Per Bin) 결정하는 제3 단계(S30)를 갖는다.

이하 도 2a를 참조하여 제2 단계(S20) 중 벡터 맵(vector map) 분해 과정에 대해 설명한다.

벡터 맵(vector map) 분해 과정은 벡터 맵의 데이터 베이스(data base)로 빠른 임의 접근(random access)을 용이하게 하기 위해, 벡터 맵의 전체영역을 여러 개의 국부영역으로 나누는 과정이다.

도 2a를 참조하면, 우선 벡터 맵의 전체영역으로부터 N_A 개의 국부 영역들 A = {a_0, a_1, a_2, .... , a_Na}와 각 국부 영역에 포함된 N_L 개의 레이어들 a_i = {l_0, l_1, l_2, .... , l_NL}로 분해하는데, 도 2a의 경우 4개의 레이어(layer) 들(l_0, l_1, l_2,, l₃)에 대해 예시하였다.

이 경우 벡터 맵의 전체영역에 대해 동등한 범위 (R_A,x , R_A,y)로 나누어지는 각각의 국부영역 a_i가 분리된다.

또한 각각의 국부영역 a_i 대해 오브젝트(object) 속성에 따라 폴리곤(polygon), 폴리라인(polyline) 및 포인트(point) 중 한 성분의 특징을 갖는 N_P 개의 오브젝트들로 구성된 각각의 레이어 l_j = {p_0, p_1, p_2, ... , p_Np}를 분리해 내는 분해 과정이 이루어진다.

이하 도 2b를 참조하여 오브젝트 재배열 과정에 대해 설명한다.

오브젝트 재배열 과정은, 도 2a에서 분해된 각각의 레이어 l_j 내에서 N_v 개의 좌표를 갖는 각각의 오브젝트 p_k = {v_0, v_1, v_2, ... , v_Nv}의 시작점 v₀ 을 이용하여 l_j 내의 모든 오브젝트 들을 좌 ----> 우(수평방향) 및 하 ----> 상(수직방향)의 순서로 재배열하는 과정을 의미한다.

이처럼, 오브젝트 재배열 과정이 가능한 것은 벡터 맵을 제작하는 단계에서 생성되는 오브젝트 들의 순서가 오브젝트의 위치와 상관없이 결정되기 때문이다.

도 2b는 1 ~ 11의 순서를 갖는 주거지역, 상업지역 등과 같은 오브젝트에 대해 재배열 과정을 수행한 결과를 나타낸 것으로써, 오브젝트의 밀집도가 높은 영역의 오브젝트 인접성에 따라 오브젝트를 재배열함으로써, 벡터 맵의 압축효율을 높일 수 있게 된다.

이하 앞에서 설명한 제2 단계(S20) 수행 후 실행되는 BPB(Bits Per Bin) 결정하는 제3 단계(S30)에 대해 설명한다.

BPB(Bits Per Bin)는 벡터 맵의 정밀도에 따라 각각의 빈(bin)에 할당되는 비트 수를 의미하며, 이때 각 빈(bin)들이 갖는 범위를 적절히 결정하는 것은 압축 효율에 중요한 영향을 미친다.

먼저, 최종 분해된 지역의 각각의 레이어 내에서 꼭짓점 좌표가 갖는 각각의 비트수는 하기 [수학식1]로 표현된다.

이 때, TM(Transverse Mercator) 좌표계를 기준으로 정밀도 단위 c =1 인 경우는 해당 벡터 맵이 1m 정밀도로 압축됨을 의미한다.

한편, nBit_P 가 계산되면, CB(Category Bin), DB(Direction Bin) 및 AB(Accuracy Bin) 할당되는 각각의 비트 수 nBit_CB, nBit_DB 및 nBit_AB 는 하기 [수학식2], [수학식3] 및 [수학식4]로 표현된다.

여기서, dist_CB, dist_DB 및 dist_AB 는 각각의 빈(bin)이 갖는 범위로서, 실제 TM 좌표계상의 거리를 나타낸다.

한편 CB는 하나의 국부지역을 여러 개의 영역으로 나누는 단위로 정의되고, 벡터 맵의 오브젝트들 간 연결성을 탐색하여 압축되며, 이때 연결성 탐색을 위해 CB에 할당된 비트 수 nBit_CB는 상기 [수학식2]로 결정된다.

DB는 하나의 CB에 대해 여러 개의 더 작은 영역으로 나누는 단위로 정의되고, 각각의 오브젝트를 표현하는 좌표 값들 사이의 변위를 압축하기 위해 사용되며, DB에 할당된 비트수 nBit_DB는 상기 [수학식3]로 결정된다.

AB는 하나의 DB 내에 포함된 각 꼭짓점 좌표 값들이 갖는 정밀도 값을 표현하는 단위로 정의되고, 각 좌표들 간의 차분 부호화(differential encoding) 압축에 사용되며, AB에 할당된 비트수 nBit_AB 는 상기 [수학식4]로 결정된다.

이로써, 벡터 맵의 정밀도 c에 따라 dist_CB, dist_DB 및 dist_AB 를 결정함으로써 최적의 압축효율이 얻어지며, 각각의 벡터 맵의 오브젝트는 CB, DB 및 AB의 각 빈을 통과하면서 압축이 수행된다.

CD 엔코딩부(120)는 CB 연결성을 탐색하는 제4 단계(S40)와 CCB 엔코딩을 수행하는 제5 단계(S50)를 갖는다.

이하, CB 연결성을 탐색하는 제4 단계(S40)에 대해 설명한다.

제4 단계(S40)에서는 CB내에 포함된 모든 오브젝트 좌표들에 대해 하나의 대표 값과 명세 좌표 값들로 치환함으로써 압축이 가능하다.

우선, 분해된 레이어 l_j 내에 N_P 개의 오브젝트들 p_k 의 시작점 v₀ 를 하나 이상 포함하는 CB를 모두 탐색한다.

CB 연결성 탐색 방법은 하기 [표1]의 CB 연결성 탐색을 위한 의사 코드(Pseudo Code)를 수행함으로 구현된다.

[표1]을 참조하면, 탐색은 현재 CB를 기준으로 'Down', 'Right', 'Up', 'Left' 방향의 순서로 이루어지며, 현재 CB가 종속된 방향은 'CheckFromWhere()' 루틴을 통해 탐색에서 제외 되었다.

도 3a는 폴리라인으로 구성된 정밀 벡터 맵의 도로 레이어의 일예를 나타낸 것이고, 도 3b ~ 도 3e는 도 3a의 도로 레이어에 대해 dist_CB = 320m, dist_CB = 160m, dist_CB = 80m, dist_CB = 40m 일 경우 CB(Category Bin)에 대해 연결성을 탐색한 결과의 일예를 나타낸 것이다.

도 3b ~ 도 3e를 통해 알 수 있듯이, nBit_CB 에 따라 CB의 연결성이 결정되는데, dist_CB 가 작을수록 상기 [수학식2]에 의해 CB에 포함된 오브젝트가 갖는 좌표 값들의 비트수는 줄어들어 CB의 연결성이 저하되고, 하나의 CB내 포함되는 오브젝트 수가 줄어드는 결과를 초래한다.

이는, 이후 설명될 CB 압축 율 저하에 기인하므로, 벡터 맵 특성에 따라 dist_CB 로써 CB의 크기를 선택하는 것이 중요함을 시사한다.

이하, CCB 엔코딩을 수행하여 1차 압축을 수행하는 제5 단계(S50)에 대해 설명한다.

제5 단계(S50)에서는 제4 단계(S40)에서 탐색한 CB의 특성에 따라 하기 [표2]와 같은 CB 분류를 갖는다.

여기서 오브젝트가 속하지 않은 CB를 CB_null 로 정의하고, 압축이 필요 없는 국소영역으로 간주한다. CB에 포함된 오브젝트가 하나 이상일 경우, 카테고리 빈(Category Bin)의 압축 단위로서, CB_{isolated ,} CB_{head ,} CB_follow 를 정의하여 압축을 수행한다.

CB_isolated 는 연결성이 없는 독립된 CB 로 정의되며, 이 때, CB_isolated 에 포함된 오브젝트의 수 N_{P , CBi} 와 각각의 오브젝트 내 좌표 값의 수 N_v를 정의하면, CB_isolated 에서 압축되는 총 비트 수 ε_isolated 는 각 CB_isolated 의 대표 값 2nBit_CB 과 나머지 각각의 좌표 값들에 필요한 비트수에 의해 하기 [수학식5]로 표현된다.

CB_head 는 연결성을 갖는 최초의 CB로 정의되며, 이때 압축 가능한 비트 수 ε_head는 CB_isolated 와 동일한 2nBit_CB 크기의 대표 값을 정의하므로, ε_isolated에 'Down', 'Right', 'Up' 및 'Left'의 순서로 연결성 정보 3비트가 추가되어 하기 [수학식6]로 표현된다.

반면, CB_follow는 CB_head에 대해 종속성을 갖는 모든 CB를 정의하며, CB_follow 들은 [표 1]의 알고리즘에 따라 대표 값으로서 연결성 정보만을 가진다.

여기서 각 CB의 연결성을 나타내는 정보는 현재 CB의 종속된 방향을 제외하고, 'down', 'Right', 'Up', 'Left' 순서로 3비트를 할당된다. 따라서 CB_follow 내에 포함된 N_{P , CBf} 개의 오브젝트들의 총 압축 비트 수는 하기 [수학식7]로 표현된다.

한편, 도 3a ~ 도 3e의 예처럼, 일반적으로 CB의 연결성을 고려하기 위해서 각 CB_isolated 및 CB_head 가 갖는 대표 값 2nBit_CB 이 CB_follow의 연결성 정보 3비트 보다 큰 값을 가진다.

따라서 최종적으로 CB의 연결성 정보를 이용한 레이어 전체의 압축 효율 ε_CB 은 [표 2]로부터 분류된 각 CB의 수 CB_isolated , CB_head , CB_follow 에 따라 하기 [수학식8]로 표현된다.

이는 [수학식5] 와 [수학식7]로부터 nBit_CB를 이용하여 CB들의 연결성을 높임으로써 CB_{isolated ,} CB_head의 값을 줄이고, CB_follow를 증가시키는 방법으로 CB의 압축 율을 향상시킬 수 있음을 시사한다.

반면, CB의 연결성 향상은 nBit_CB에 대해 많은 수의 비트를 할당하므로 CB 내의 오브젝트 좌표 값들이 갖는 비트수를 상대적으로 증가시키는 경우가 발생한다. 따라서 CB의 연결성과 할당된 비트수 사이의 서로 상반되는 경향을 갖는 트레이드 오프(trade-off) 관계를 고려하여 dist_CB 를 결정해야 한다.

DB 엔코딩부(130)는 DB 변위를 추정하는 제6 단계(S60)와 VLC 수행하는 제7 단계(S70)를 갖는다.

이하, DB 변위를 추정하는 제6 단계(S60)에 대해 설명한다.

제6 단계(S60)는 CB 엔코딩부(120)에서의 각 CB의 연결성 탐색(S40)과 압축(S50)이 완료되면, 각 CB가 포함하는 각각의 오브젝트에 대해 오브젝트가 지나는 DB의 변위를 추정한다.

도 4a는 DB 압축을 수행하기 위해 CB가 포함하는 각각의 오브젝트에 대해 오브젝트가 지나는 DB의 변위를 검색하는 과정의 일예를 나타낸 것이다.

도 4a를 참조하면, 각 CB는 [수학식3]에 의해 N_DB ㅧ N_DB 개의 nBit_DB 비트를 갖는 DB들로 나누어지며, 이때 CB에 포함된 임의의 오브젝트 p_k는 여러 개의 DB에 걸쳐 존재하며, 오브젝트에 의해 선택된 DB들은 각각 하나 이상의 좌표 값들을 포함하고 있다.

한편 DB에 대한 압축은 하나의 오브젝트에 대해 연속적인 DB에 할당된 비트수 nBit_DB를 각 DB의 변위로 표현함으로써 수행될 수 있다.

여기서 DB의 변위(displacement)를 좌표 값으로 나타낸 값을 DDB로 정의하면, DDB는 하기 [수학식9]로 표현 된다.

v₀ 가 포함된 DB₀ = (1, 2)을 기준으로, DB의 진행 방향과 크기 및 상기 [수학식9]를 이용하여 계산된 DDB를 하기 [표3]에 정리 하였다.

[표3]을 참조하면, DB의 진행방향은 상기 [수학식9]에 의해 DB들 간의 차등

부호화의 결과로서 표현되며, 도 4a의 예에서 오브젝트 일부 즉 v_{8 ,} v₉가 CB를 벗어나더라도, 모든 CB가 동일한 크기의 DB를 가지므로 연산의 결과에 영향을 미치지 않음을 알 수 있다.

또한 [표3]에 나타난 결과로 미루어 DB의 진행방향으로서 압축을 수행하는 것은, 수치지도 상에서 연결된 두 좌표 사이의 실제 거리가 한정적임에 기인함을 알 수 있다.

도 4b는 도 3a의 폴리라인으로 구성된 정밀 벡터 맵의 도로 레이어에 대해 dist_DB = 10m 일 때, 모든 DB(Direction Bin)에 대한 진행방향과 크기에 대한 빈도수를 나타낸 것이다.

도 4b를 참조하면, dist_DB = 10m로 결정 했을 때, 일반 도로를 나타내는 도 3a에 대해 전체 DB에 대한 변위 |DDB|≤ 1 인 경우가 전체의 96.2% 이상을 차지하며, |DDB|≤ 2 인 경우는 전체의 99.5 % 이상임을 확인할 수 있다.

이로써 하나의 오브젝트에 대해 큰 비트수로 할당된 DB라 하더라도, DB들 간의 인접성을 이용하여 그 변위들만(DDB) 표현함으로써 적은 수의 비트로 압축이 가능함을 알 수 있다.

또한, 각각의 DB로부터 계산된 변위 DDB에 대한 통계는 비디오 압축에서 사용되는 MPEG2-Part2의 움직임 벡터(Motion Vector, MV)와 유사한 결과를 가짐을 알 수 있다.

이하, VLC 수행하여 DB(Direction Bin)를 2차적으로 압축하는 제7 단계(S70)에 대해 설명한다.

제7 단계(S70)에서는 DB의 최종적인 압축을 위해, 각각의 DDB에 대해 비디오 압축에서 사용되는 움직임 벡터(Motion Vector, MV)를 위한 VLC(variable length coding) 테이블을 이용하여 가변길이부호화(VLC)를 수행한다.

여기서, 가변길이부호화(VLC)는 데이터의 통계적 발생 확률을 이용하여 사용이 빈번한 코드는 짧게 하고, 사용이 드문 코드는 길게 하여 전체 데이터 량을 작게 하는 무손실(lossless) 압축 부호화 방식을 의미한다.

본 발명의 경우 가변길이부호화(VLC) 수행을 통해 구현되는 2차적인 DB 압축은 1차적인 CD 압축에 비해 가장 큰 압축효율을 나타내었다.

AB 엔코딩부(140)는 VAB 설정 하는 제8 단계(S80) 및 버텍스 차분 부호화를 수행하는 제9 단계(S90)를 갖는다.

이하 VAB 설정 하는 제8 단계(S80)를 설명한다.

VAB(Vertices in Accuracy Bin)는 하나의 DB 내에 포함된 각 꼭짓점(vertice) 좌표 값들로 정의되며, 상기 [수학식4]의 dist_AB 에 해당하는 각 좌표점이 갖는 세부적인 위치 값들을 의미한다.

VAB 설정은 상기 [수학식4]로 표현되는 세부 좌표 값에 대한 비트 수 nBit_AB 로서, 상기 [수학식1]에서 정의한 정밀도 c 에 따른 벡터 맵을 저장할 수 있는 방법을 사용함으로 구현된다.

즉 하나의 DB에 포함된 좌표 값들의 정밀 데이터에 대해 계층적 부호화를 수행함으로써, 압축된 데이터 내에서의 정밀도 가변 및 손실/무 손실 압축을 수행할 수 있다.

도 5는 오브젝트가 걸친 DB에 포함된 상세 좌표 값들에 대한 AB 구조를 나타낸 것이다.

도 5를 참조하면, DB내 좌표 값들은 최대 nBit_AB 개의 AB 들(AB₀ , AB₁ ... , AB_nBitAB -1)을 가지며, 상기 AB 들(AB₀ , AB₁ ... , AB_nBitAB -1)은 각각의 좌표의 x, y 값에 대해 비트 슬라이싱(bit slicing) 된 값으로 저장된다.

이하 버텍스 차분 부호화(vertex differential encoding)를 수행하는 제9 단계(S90)에 대해 설명한다.

버텍스 차분 부호화(vertex differential encoding)를 수행한다 함은, AB에 할당된 비트 값들은 정밀한 국소영역을 명세하기 위해 사용되므로, 실질적인 에너지 집중을 이용한 압축은 이루어지지 않는 대신, 벡터 맵의 사용 목적 및 연산속도와 압축 율 향상을 위해 각각의 AB 들(AB₀ , AB₁ ... , AB_nBitAB -1)을 계층적으로 전송 또는 저장하는 것을 의미한다.

마지막 단계로 압축된 벡터 맵을 획득하는 제10 단계(S100)를 갖는다.

여기서 획득된 벡터 맵이란, CB 엔딩 코딩부(120)의 CB로부터 오브젝트들의 인접성을 이용한 1차적인 압축 수행, DB 엔딩 코딩부(130)의 DB로부터 각 오브젝트의 좌표점들의 대략적인 변위를 탐색함으로써 2차적인 압축 수행 및 AB 엔딩 코딩부(140)의 상기 버텍스 차분 부호화(vertex differential encoding) 수행 후에 얻은 최종적으로 압축된 벡터 맵을 의미한다.

하기 [표4]는 본 발명에 따른 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 기법과, 다른 기법을 이용한 벡터 맵 압축 기법의 압축 결과를 비교한 것이다.

[표4]를 참조하면, 본 발명의 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 기법은, 0.01m 정밀도를 갖는 벡터 맵에 대해 압축을 수행한 결과 원본 벡터 맵의 80% 이상(81.34%)의 데이터가 압축됨을 실험을 통해 확인 하였다.

본 발명의 벡터 맵 압축 기법은 다른 여러 압축 기법들, 특히 Duglas-Peucker 알고리즘의 압축효율 12.49%와 비교할 경우 최대 4배 이상의 압축효율을 나타내었고, 공간영역에서의 에너지집중(SEC)을 이용한 압축효율 57.24% 와 비교할 경우 역시 보다 우수한 압축 효율을 나타내었다.

한편 상기 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 방법은 벡터 맵를 예를 들어 설명하였지만, 이에 한정되지 아니하고 통상의 백터 형태를 갖는 데이터를 압축하는 방법에 유사하게 적용시킬 수 있음은 당연하다.

이상에서는 본 발명에 대한 기술사상을 첨부 도면과 함께 서술하였지만 이는 본 발명의 바람직한 실시 예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구나 본 발명의 기술적 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.

110 : 전처리부
120 : CB 엔코딩부
130 : DB 엔코딩부
140 : AB 엔코딩부

Claims (5)

1. 벡터 맵의 전체영역을 분해하여 얻은 하나의 국부지역을 여러 개의 영역으로 나누는 단위로 정의된 CB(Category Bin)를 포함하며, 상기 CB(Category Bin) 각각의 수직 방향 및 수평 방향 연결성을 이용하여 1차적인 압축을 수행하는 제1 과정;
   상기 CB(Category Bin)에 대해 여러 개의 더 작은 영역으로 나누는 단위로 정의된 DB(Direction Bin)를 포함하며, 각각의 CB(Category Bin)에 포함된 각각의 오브젝트가 지나가는 DB(Direction Bin)의 변위를 탐색함으로써 2차적인 압축을 수행하는 제2 과정; 및
   상기 DB(Direction Bin) 내에 포함된 각 꼭짓점(vertex) 좌표 값들에 대해 정밀도를 표현하는 단위로 정의된 AB(Accuracy Bin) 들을 포함하며, 상기 AB(Accuracy Bin) 각각을 계층적으로 전송 또는 저장시키는 버텍스 차분 부호화(vertex differential encoding)를 수행하는 제3 과정을 포함하는 것을 특징으로 하는 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 방법.
2. 제 1항에 있어서, 상기 제1 과정 수행 전에,
   로딩 된 벡터 맵의 전체영역을 여러 개의 국부영역으로 나누고, 오브젝트 인접성에 따라 수평방향 및 수직방향으로 오브젝트를 재배열 한 후, 벡터 맵의 정밀도에 따라 상기 CB(Category Bin), 상기 DB(Direction Bin) 및 상기 AB(Accuracy Bin)에 할당되는 비트 수(Bits Per Bin, BPB)를 결정하는 전처리 과정을 포함하는 것을 특징으로 하는 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 방법.
3. 제 1항에 있어서, 상기 제1 과정은,
   상기 CB(Category Bin)를 오브젝트 수와 종속성에 따라 분류하되,
   CB(Category Bin)에 포함된 오브젝트가 하나 이상일 경우,
   연결성이 없는 독립된 CB(Category Bin)를 CB_isolated 로, 연결성을 갖는 최초의 CB(Category Bin)를 CB_head로, 상기 CB_head에 대해 종속성을 갖는 모든 CB(Category Bin)를 CB_follow 로 각각 정의한 후 압축을 수행하는 것을 특징으로 하는 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 방법.
4. 제 1항에 있어서, 상기 제2 과정은,
   상기 DB(Direction Bin)의 변위에 대한 VLC(variable length coding) 테이블을 이용하여 가변길이부호화(VLC)를 수행하여 압축하는 것을 특징으로 하는 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 방법.
5. 제 1항에 있어서, 상기 제3 과정의 각각의 AB(Accuracy Bin)는,
   DB(Direction Bin) 내에 포함된 각각의 꼭짓점(vertex) 좌표 값들을 비트 슬라이싱(bit slicing) 된 값으로 저장하는 것을 특징으로 하는 빈 분류기반 공간 에너지 집중기법을 이용한 벡터 맵 압축 방법.

Images