KR101737889B1 - 데이터 마이닝 기법을 이용한 지상 라이다 데이터의 필터링 및 현황선 추출 방법과 그 장치 - Google Patents

Abstract

본 발명의 실시예에 의한 데이터 마이닝 기법을 이용한 지상 라이다 데이터의 필터링 및 현황선 추출 장치는, 레이저 광선을 관측대상물을 향해 발사하고, 그 관측대상에서 반사되어 돌아오는 레이저 광선을 수신하여 각 지점(point)에 대응되는 스폿 데이터 스트림을 생성하는 스캐너와; 위성항법장치(GPS) 또는 토탈 스테이션(Total Station) 장치에 의하여 관측된 3차원 좌표를 위치 측정 기준점으로 결정하고, 상기 위치 측정 기준점으로부터 관측 대상물의 스폿 단위의 위치를 측정하는 위치 측정부와; 상기 스캐너로부터의 스캔된 스폿 데이터 스트림과 상기 위치 측정부로부터의 3차원 좌표들에 근거하여 지상 라이다 데이터들을 격자형식으로 분할한 뒤, 상기 각 격자들에서 추출된 특징정보를 이용하여 데이터 마이닝 기법을 통해 데이터를 분류하고, 이에 근거하여 현황선을 추출하는 자료 처리 모듈을 포함하며, 상기 자료 처리 모듈은, 데이터 마이닝 기법을 이용하여 상기 3차원의 원시 영상 자료에 대응되는 데이터들에 대한 필터링을 수행하는 데이터 분류부와; 상기 데이터 분류부를 통해 필터링된 데이터들을 활용하여 현황선을 추출하는 현황선 추출부를 포함한다.

Description

데이터 마이닝 기법을 이용한 지상 라이다 데이터의 필터링 및 현황선 추출 방법과 그 장치{filtering and extraction of feature boundary method from terrestrial lidar data using data mining techniques and device thereof}

본 발명은 지상 라이다 데이터의 필터링 및 현황선 추출 방법과 그 장치에 관한 것으로, 특히 데이터 마이닝 기법을 이용한 지상 라이다 데이터의 필터링 및 현황선 추출 방법과 그 장치에 관한 것이다.

최근 다양한 분야에서 활발히 이용되고 있는 라이다(Light Detection And Ranging: LiDAR) 시스템은 항공기와 레이저 스캐너(Laser Scanner), 위성항법장치(Global Positioning System: GPS), 관성항법장치(Inertial navigation system; INS)과 같은 첨단장비와 결합된 형태로 운영된다.

상기 라이다 시스템은 운용방법에 따라 크게 항공 라이다 시스템과 지상 라이다 시스템으로 구분될 수 있다.

이들 라이다 시스템들은 일정한 초점 크기(Spot Size)별로 3차원 좌표를 정밀하게 획득할 수 있다. 또한, 라이다 시스템들은 기존 항공사진측량에 비하여 효율적이고 경제적이며 관측지역의 수치표고자료 및 형상정보 등을 효과적으로 취득할 수 있는 장점이 있다.

특히 항공 라이다 시스템은 광역적인 3차원 정보의 취득이 용이한 반면, 지상 라이다 시스템은 대상물에 대한 접근성이 용이하고 정밀한 3차원 정보의 취득이 가능하다.

따라서, 지상 라이다 시스템은 인공사면지형, 구조물 측량, 현황측량, 문화재 측량, 해안선 모니터링, 터널측량, 변위모니터링 측량 등 다양한 분야로 그 활용빈도가 날로 증가하고 있다.

다만, 지상 라이다 시스템의 원시자료는 고밀도/고정밀의 데이터 취득으로 인하여, 과대한 용량의 데이터를 포함함은 물론 관측 대상물 이외에도 식생, 수목, 구조물 등과 같은 여러 장애물을 포함할 수밖에 없다.

이에 따라 지상 라이다 시스템의 원시자료는 불필요한 자료의 추출 및 제거를 위해 필터링(filtering) 되어야만 하며, 이러한 필터링 처리는 데이터의 분석 및 성과 작성의 정도에 많은 영향을 끼친다.

이러한 관점에서, 상기 필터링 처리는 선행처리 과정 중 제일 중요하며, 간과될 수 없는 중요한 선행처리요소에 해당한다.

상기 필터링 처리에 대한 선행기술로는, ETEW(Elevation Threshold Expanding Window), MLS(Maximum Local Slope), 모폴로지(Morpology) 필터링 기법이 있으며, 이외에도 레이저의 반사강도를 이용한 노이즈를 제거하는 방법과 프로그램상에서 수작업으로써 노이즈를 제거하는 방법 등이 사용되고 있다.

또한, 필터링 처리 방법은 한국공개특허 제10-2009-0042259호 (2009년 04월 29일), 한국등록특허 제10-0995400호 (2010년 11월 12일), 한국등록특허 제10-1099484호 (2011년 12월 21일) 및 한국등록특허 제10-1210197호 (2012년 12월 03일)에도 개시되어 있다.

그러나, 이러한 필터링 관련 기법들은 명확한 방법을 제시하지 못하고 있는 실정이다. 실제로, 상기한 선행 필터링 기법들은 지형적인 환경, 주변요소의 종류 및 배치, 추출하고자 하는 대상물의 형상 및 재질 등에 따라 균일하지 못한 분류 정확도(필터링)를 나타내고 있다.

게다가, 상기한 선행 필터링 기법들은 작업자 또는 연구자의 판단에 따라 수행되기 때문에 필터링 성과의 균질성이 모호하다는 단점이 있다.

본 발명의 실시예는 데이터 마이닝 기법을 활용함을 통해 연구자의 주관적인 사고나 판단의 모호성을 객관화함과 아울러 고밀도의 라이다 데이터 용량을 줄일 수 있는 데이터 마이닝 기법을 이용한 지상 라이다 데이터의 필터링 및 현황선 추출 방법과 그 장치를 제공함을 목적으로 한다.

상기 목적을 달성하기 위하여 본 발명의 실시예에 의한 데이터 마이닝 기법을 이용한 지상 라이다 데이터의 필터링 및 현황선 추출 장치는, 레이저 광선을 관측대상물을 향해 발사하고, 그 관측대상에서 반사되어 돌아오는 레이저 광선을 수신하여 각 지점(point)에 대응되는 스폿 데이터 스트림을 생성하는 스캐너와; 위성항법장치(GPS) 또는 토탈 스테이션(Total Station) 장치에 의하여 관측된 3차원 좌표를 위치 측정 기준점으로 결정하고, 상기 위치 측정 기준점으로부터 관측 대상물의 스폿 단위의 위치를 측정하는 위치 측정부와; 상기 스캐너로부터의 스캔된 스폿 데이터 스트림과 상기 위치 측정부로부터의 3차원 좌표들에 근거하여 지상 라이다 데이터들을 격자형식으로 분할한 뒤, 상기 각 격자들에서 추출된 특징정보를 이용하여 데이터 마이닝 기법을 통해 데이터를 분류하고, 이에 근거하여 현황선을 추출하는 자료 처리 모듈을 포함하며, 상기 자료 처리 모듈은, 데이터 마이닝 기법을 이용하여 상기 3차원의 원시 영상 자료에 대응되는 데이터들에 대한 필터링을 수행하는 데이터 분류부와; 상기 데이터 분류부를 통해 필터링된 데이터들을 활용하여 현황선을 추출하는 현황선 추출부를 포함한다.

또한, 상기 데이터 분류부는, 상기 스캐너로부터의 스캔된 스폿 데이터 스트림과 상기 위치측정부로부터의 3차원 좌표들에 근거하여 3차원 좌표들을 포함하는 원시 영상 자료를 구성하는 원시 영상 구성부와; 상기 원시 영상 구성부를 통해 전달된 지상 라이다 원시 자료를 격자형태로 분할하여 이들로부터 각 스폿에 대한 특성 데이터를 지도 학습(Supervised Learning) 방법으로 추출하는 감독 분류부와; 상기 원시 영상 구성부 및 감독 분류부를 통해 분류된 데이터에 대하여 데이터 마이닝 기법을 이용하여 각 데이터에 해당하는 클래스를 결정하는 분류 분석부를 포함한다.

또한, 상기 원시 영상 자료는, 각 스폿에 대한 특성 데이터 및 3차원 좌표를 포함할 수 있으며, 상기 각 스폿에 대한 특성 데이터는, 고유 색상값(적색, 녹색 및 청색 데이터) 및 주사된 레이저 펄스가 반사(Back scattering)되어 센서에 기록된 레이저의 강도(반사 강도), 고도값의 평균 데이터를 포함한다.

또한, 상기 감독 분류부는 적어도 두 개의 분류 항목에 따른 적어도 두 개의 감독 분류 영역을 선정하고, 상기 감독분류 영역들 각각에 포함된 표본 시설물의 스폿들에 대한 특성정보들을 상기 원시 영상 자료로부터 표본 추출할 수 있다.

또한, 상기 분류 분석부는 지도학습(Supervised Learning)에 기반을 둔 분류분석 방법론 중 트리기반 기법을 선정하여 지상 라이다 데이터를 분류할 수 있다.

또한, 본 발명의 실시예에 의한 데이터 마이닝 기법을 이용한 지상 라이다 데이터의 현황선 추출 방법은, 지상 라이다 데이터를 격자형식으로 분할한 뒤, 상기 각 격자들에서 추출된 특징정보를 이용하여 데이터 마이닝 기법을 통해 데이터를 분류하는 단계와; 상기 분류된 데이터 격자들 중 적어도 하나 이상을 선택하고, 상기 선택한 격자의 클래스가 제 1영역에 해당하는지 확인하는 단계와; 상기 선택한 격자의 클래스가 제 1영역인 경우 상기 선택한 격자에 인접한 격자의 클래스 중 제 1영역이 아닌 격자의 수를 확인하는 단계와; 상기 제 1영역 아닌 인접 격자의 클래스의 수가 기준값을 넘은 경우 제 1 영역 내의 포인트를 선택하는 단계와; 상기 격자 영역 내의 포인트를 선택한 뒤 상기 제 1영역의 격자와 상기 제 1영역에 인접한 제 2영역의 격자들을 대상으로 각 영역 내의 모든 고도값을 포인트 개수로 나눈 평균값과 모든 반사강도값을 포인트 개수로 나눈 평균값을 산정하여 표준편차를 계산하는 단계와; 기 설정된 평균기준값과 격자 내의 포인트가 가지는 값과의 고도차, 반사강도 값이 각각의 표준편차 값 이내인 경우 제 1영역 내의 포인트로 결정하는 단계가 포함된다.

또한, 상기 제 1영역의 전체 포인트 데이터에 대하여 최소 볼록집합 방식을 적용하여 연산을 수행하는 단계 및 상기 단계들을 통해 설정된 정점을 연결하여 상기 제 1영역의 포인트 데이터의 현황선이 추출되는 단계가 더 포함될 수 있다.

또한, 본 발명의 실시예에 의한 데이터 마이닝 기법을 이용한 지상 라이다 데이터의 필터링 방법은, 스폿 데이터 스트림과 3차원 좌표들에 근거하여 3차원 좌표들을 포함하는 원시 영상 자료를 구성하는 단계와; 상기 지상 라이다 원시 자료를 격자형태로 분할하여 이들로부터 각 스폿에 대한 특성 데이터를 지도 학습(Supervised Learning) 방법으로 추출하는 단계와; 상기 분류된 데이터에 대하여 데이터 마이닝 기법을 이용하여 각 데이터에 해당하는 클래스를 결정하는 단계가 포함된다.

이와 같은 본 발명의 실시예에 의하면, 데이터 마이닝 기법을 활용함을 통해 연구자의 주관적인 사고나 판단의 모호성을 객관화하여 필터링 결과물에 대한 신뢰도를 높일 수 있으며, 이와 아울러 불필요한 데이터를 제거함을 통해 고밀도의 라이다 데이터 용량을 줄일 수 있다는 장점이 있다.

도 1은 본 발명의 실시예에 의한 지상 라이다 데이터의 필터링 및 현황선 추출 장치를 나타내는 블록도이다.
도 2는 본 발명의 실시예에 의한 원시 데이터 가공 방법의 일 예를 나타내는 도면.
도 3은 본 발명의 실시예에 의한 데이터 분류 기법의 일 예인 의사결정 나무 모델을 설명하기 위한 개념도.
도 4는 도 3에 도시된 의사결정 나무 모델에 대한 마디 분류 기준인 엔트로피 지수의 활용 예를 나타내는 도면.
도 5는 본 발명의 실시예에 의한 현황선 추출의 일 예를 나타내는 도면.
도 6은 본 발명의 실시예에 의한 현황선 추출 방법을 나타내는 순서도.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는 적절하게 설명된다면 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명의 실시예에 의한 지상 라이다 데이터의 필터링 및 현황선 추출 장치를 나타내는 블록도이다.

도 1을 참조하면, 본 발명의 실시 예에 따른 지상 라이다 데이터의 필터링 및 현황선 추출 장치는 스캐너(10), 위치 측정부(20), 입력부(30), 표시부(40), 저장부(50) 및 자료 처리 모듈(60)을 포함한다.

상기 스캐너(10)는 레이저 광선을 관측대상물을 향해 발사하고, 그 관측대상에서 반사되어 돌아오는 레이저 광선을 수신한다. 또한, 스캐너(10)는 상기 레이저 광선을 발사하는 시점에 타이머(미도시)를 동작시켜 레이저 광선이 발사된 후 반사되어 돌아오는데 까지 소요된 시간(즉, 왕복시간)을 측정한다. 이를 통하여, 상기 스캐너(10)는 각 지점(point)에 대응되는 스폿 데이터 스트림을 생성하여 그 생성된 스폿 데이터 스트림을 상기 자료 처리 모듈(60)에 공급할 수 있다. 상기 스폿 데이터는 라이다 데이터 포인트들이 가지고 있는 고유의 특징 정보 즉, 일 예로 고유 색상값(적색, 녹색 및 청색 데이터) 및 주사된 레이저 펄스가 반사(Back scattering)되어 센서에 기록된 레이저의 강도(반사 강도), 고도값의 평균 등의 특성 데이터를 포함할 수 있다.

상기 위치 측정부(20)는 위성항법장치(Global Position System, 이하 ‘GPS’라 함) 또는 토탈 스테이션(Total Station) 장치에 의하여 관측된 3차원 좌표를 위치 측정 기준점(기계점)으로 결정하고, 상기 위치 측정 기준점으로부터 관측 대상물의 스폿 단위의 위치를 측정한다. 상기 위치 측정부(20)는 측정된 스폿 단위의 위치에 대한 3차원 좌표를 상기 자료처리모듈(60)에 공급할 수 있다.

상기 입력부(30)는 사용자 또는 운용자로부터의 명령 및 데이터를 입력하여 그 입력된 명령 및 데이터를 상기 자료 처리 모듈(60)에 공급할 수 있다. 이를 위하여, 상기 입력부(30)는 키보드 및/또는 마우스 등을 포함할 수 있다.

상기 표시부(40)는 상기 입력부(30)를 통해 입력된 명령 및 데이터와 그리고 상기 자료 처리 모듈(60)에 의해 처리된 각종 데이터를 표시할 수 있다. 상기 자료 처리 모듈(60)에 의해 처리된 데이터는 원시 영상 자료, 필터링 결과, 각종 연산 결과 및 각종 연산에 사용되는 입력 및 변수 등을 포함할 수 있다. 이러한 표시부(40)는 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes) 디스플레이, 터치스크린(touch screen) 등에 의해 구현될 수 있다.

상기 저장부(50)는 상기 원시 영상 자료, 각종 데이터, 및 필터링 처리 프로그램 등을 저장할 수 있다. 이러한 저장부(50)는 내장 메모리 및/또는 외장메모리에 의해 구현될 수 있다.

상기 자료처리모듈(60)은 상기 스캐너(10), 상기 위치측정부(20), 상기 입력부(30), 상기 표시부(40) 및 상기 저장부(50)의 동작을 제어할 수 있다.

또한, 상기 자료 처리 모듈(60)은 상기 스캐너(10)로부터의 스캔된 스폿 데이터 스트림과 상기 위치 측정부(20)로부터의 3차원 좌표들에 근거하여 3차원의 원시 영상 자료를 구성할 수 있다.

상기 자료 처리 모듈(60)은 데이터 분류부(61)과 현황선 추출부(63)을 포함하여 구성된다.

상기 데이터 분류부(61)는 데이터 마이닝 기법을 이용하여 상기 3차원의 원시 영상 자료에 대응되는 데이터들에 대한 필터링을 수행한다. 즉, 상기 필터링을 통해 상기 원시 영상 자료 내의 데이터 객체들을 분류 항목들(예를 들면, 지면/비지면)에 따라 분리 및 추출할 수 있다.

상기 원시 영상 자료의 필터링을 위하여, 상기 데이터 분류부(61)은 원시 영상 구성부(61a), 감독 분류부(61b), 분류 분석부(61c)를 포함할 수 있다.

상기 원시 영상 구성부(61a)는 상기 스캐너(10)로부터의 스캔된 스폿 데이터 스트림과 상기 위치측정부(20)로부터의 3차원 좌표들에 근거하여 3차원 좌표들을 포함하는 원시 영상 자료를 구성할 수 있다.

상기 원시 영상 자료를 구성하기 위하여, 상기 원시 영상 구성부(61a)는 상기 측정된 레이저의 왕복 시간으로부터 스캔된 스폿의 높이를 산출할 수 있다. 이 경우, 상기 원시 영상 자료는 3차원 영상을 포함할 수 있다. 상기 원시 영상 자료는, 지상 라이다의 관측자료로서, 각 스폿에 대한 특성 데이터 및 3차원 좌표를 포함한다.

즉, 앞서 언급한 바와 같이 각 스폿에 대한 특성 데이터는, 고유 색상값(적색, 녹색 및 청색 데이터) 및 주사된 레이저 펄스가 반사(Back scattering)되어 센서에 기록된 레이저의 강도(반사 강도), 고도값의 평균 등의 데이터를 포함할 수 있다.

다시 말해, 상기 특성 데이터는 상기 색상 정보인 적색, 녹색 및 청색 값들과 광학적 반사율 정보(I)인 수신된 레이저의 강도(세기) 값(이하, 반사 강도 값(I))을 포함할 수 있다.

상기 감독 분류부(61b)는 상기 입력부(30)으로부터의 선택 데이터에 근거하여, 적어도 두 개의 분류 항목(예를 들면, 지면/비지면)에 따른 적어도 두 개의 감독 분류 영역(즉, 분류 항목별 샘플 영역들)을 선정할 수 있다. 또한, 감독 분류부(61b)는 그 감독분류 영역들 각각에 포함된 객체들(즉, 표본 시설물의 스폿들)에 대한 특성정보들을 상기 원시 영상 자료로부터 표본 추출한다. 이렇게 고밀도, 고정밀한 지상 라이다 관측 데이터 중에서 표본 추출되는 시설물들에 대한 특성요인 값들을 관측자 또는 연구자의 경험적 판단력에 의존하는 감독분류 기법은 기존에 인공위성 자료나 이미지, 래스터 파일(Raster File) 등에 대하여 공간분석을 시행할 때 주로 활용되고 있었으나, 이를 지상 라이다 관측데이터에 새롭게 도입하여 집단소속화 대상 시설물의 소속정도 값을 산출하는데 적용할 수 있다.

상기 분류 분석부(61c)는 상기 원시 영상 구성부(61a) 및 감독 분류부(61b)를 통해 분류된 데이터에 대하여 데이터 마이닝 기법을 이용하여 각 데이터에 해당하는 클래스를 결정하는 동작을 수행한다.

또한, 상기 현황선 추출부(63)는 상기 데이터 분류부(61)를 통해 선택/ 분류된 데이터들을 활용하여 현황선 일 예로 토목 설계에 필요한 현황선을 추출하는 동작을 수행한다.

상기 데이터 분류부(61)에 의한 데이터 필터링 방법에 대해서는 하기 도 2 내지 도 4를 통해 보다 상세히 설명하도록 한다.

또한, 이를 통해 필터링된 데이터를 이용하여 현황선을 추출하는 방법 즉, 상기 현황선 추출부(63)의 동작에 대해서는 하기 도 5 및 도 6을 통해 보다 상세히 설명하도록 한다.

먼저 도 2는 본 발명의 실시예에 의한 원시 데이터 가공 방법의 일 예를 나타내는 도면으로서, 도 2를 통해 앞서 언급한 감독 분류부(61b)의 동작을 보다 명확히 설명할 수 있다.

즉, 도 2는 상기 원시 영상 구성부(61a)를 통해 전달된 지상 라이다 원시 자료를 격자형태로 분할하여 이들로부터 각 스폿에 대한 특성 데이터를 지도 학습(Supervised Learning) 방법으로 추출하는 감독 분류부(61b)의 동작을 설명한다.

상기 지상 라이다로부터 얻을 수 있는 특징 정보 즉, 각 스폿에 대한 특성 데이터는 측정 포인트들의 위치정보(X, Y, Z)와 반사강도정보(I), 색상정보(R, G, B) 등이 있으나, 상기 지상 라이다 원시 데이터로부터 곧바로 클래스를 결정하기 어렵기 때문에 상기 원시 데이터에 대한 가공이 선행되어야 한다.

이와 같은 원시 데이터의 가공방법에는 Bottom-up 방법과 Top-down 방법이 있는데 Bottom-up 방법이란 각 포인트 데이터들로부터 같은 특성을 가지는 포인트들을 묶어 그룹 분류를 통해 클래스를 결정짓는 방법을 말하며, Top-down 방법은 지상 라이다 데이터를 일정한 크기의 격자 단위로 구분하여 클래스를 결정짓는 방법을 말하는 것으로, 이는 상기 Bottom-up 방법보다 노이즈에 강하다는 장점이 있다.

또한, 상기 Top-down 방법은 격자 내의 색상정보, 반사강도뿐 만 아니라 반사강도의 평균/분산/사행도/첨예도 등 복합적인 특성요인을 이용하여 클래스를 결정할 수 있으므로 처리 시간의 효율성을 극대화하는 장점을 가지고 있다.

이러한 특성 데이터들을 관측자 또는 연구자의 경험적 판단력에 의하여 클래스를 결정 하는 방법을 지도학습(Supervised Learning) 방법이라고 한다. 상기 방법은 공간분석을 시행할 때 주로 활용되었으나 이를 지상 라이다 데이터에 도입하여 데이터 마이닝 기법을 통해 대상시설물의 특성 요인값을 추출하는 방법으로 적용한다.

즉, 도 2에 도시된 바와 같이, 상기 원시 데이터를 격자 형식으로 분할하고, 상기 복수의 격자들로부터 특징 정보들을 지도 학습 방법으로 추출할 수 있으며, 이를 통해 각 격자가 지시하는 지형/지물(예: 산림, 사면, 보도블록, 아스팔트 등)을 보다 정확히 구분할 수 있는 것이다.

상기 감독 분류부(62)에 의해 표본 추출된 샘플 객체들의 특성요인 값들의 예는 표 1, 2와 같이 표현될 수 있다.

즉, 하기 표 1 및 표 2는 감독 분류를 통해 추출된 대상시설물의 특성 요인값의 예시들을 나타내는 표로서, 표 1은 각 격자의 공간평면 직각좌표를 나타내고, 표 2는 각 격자의 특성 정보 요인값 및 이에 대응하는 감독 분류 클래스를 나타내고 있다.

격자 ID	공간평면 직각좌표
	minX	minY	minZ
Tile_1	675554.960	3605596.400	40.45
Tile_2	675554.960	3605594.100	40.53
Tile_3	675554.960	3605598.800	40.34
Tile_4	675552.910	3605591.800	40.43
Tile_5	675552.910	3605594.100	40.41
…	…	…	…

격자 ID	특성정보 요인별 정보값								감독 분류 Class
	StDev_elev	Skew_elev	Kurt_elev	Max_Intensity	Mean_Intensity	StDev_Intensity	Skew_Intensity	Kurt_Intensity
Tile_1	0.042144	-0.18157	-0.570401	2001	693.33	158.598	2.17787	13.0014	아스팔트
Tile_2	0.9439959	9.488279	88.510466	2017	544.079	250.165	1.39203	5.54243	산림
Tile_3	0.0497255	-0.21528	-0.561741	1617	826.497	123.134	-0.0239725	1.16162	사면
Tile_4	2.6398837	-0.58014	-0.369272	2033	1328.95	745.054	-0.517084	-1.40512	보도블럭
Tile_5	3.6070284	1.6193855	0.62916013	2033	675.997	399.555	1.77278	4.17115	아스팔트
…	…	…	…	…	…	…	…	…	…

이와 같이 상기 감독 분류부(61b)를 통해 분류된 데이터들 즉, 추출된 복합적인 특징 정보들은 정확한 지상 라이다 원시 자료에 대응하는 지형 클래스 결정을 위하여 데이터 마이닝을 이용한 최선의 분류모델 결정 방법이 선정되어야 한다.

컴퓨터의 발달과 함께 자료(데이터)의 효율적인 저장 기술도 같이 발달함에 따라 지식정보화 사회에서는 새로운 지식의 습득이 곧 경쟁력이 되는 시대가 되고 있다.

데이터 마이닝(Data Mining)은 비계획적으로 수집된 대용량의 관측 가능한 데이터로부터 이들 데이터 내에 존재하는 패턴, 규칙, 관계 등을 찾아 모형화함으로써 사용자로 하여금 유용한 지식을 추출하는 일련의 과정을 말한다.

데이터 마이닝의 기법에는 크게 분류분석(Classification analysis), 군집분석(Clustering), 연관규칙 탐사(Association Rule Discovery), 개인화 추천(Personalized Recommendation) 등으로 나뉜다.

본 발명의 실시예에 의한 분류 분석부(61c)는 상기 분류 모델 결정 방법으로서 분류분석 방식으로 데이터 마이닝을 수행함을 특징으로 한다.

상기 분류분석(classification analysis) 방식은 데이터 분석의 대표적인 기법으로 다수의 속성(attribute) 또는 변수를 갖는 데이터를 사전에 정해진 그룹 또는 범주(class, category) 중의 하나로 분류하는 것이다.

다시 말해 알려진 몇 개 그룹에 속하는 다변량 관측치(

)로부터

번째 표본의 범주를 구분 짓는 분류모델을 만든 후, 새로운 관측치

의 범주를 결정하는 방법이다.

보다 구체적으로 설명하면, 분류분석 방식은 자료행렬과 반응변수로부터 훈련집합과 평가집합을 나누고, 상기 훈련집합에서 분류함수를 구성하여 성능을 평가하며, 이에 따른 효과를 다시 분류 조정인자에 반영하여 최종 분류자를 만들 때까지 반복하는 것으로서, 최종적으로 상기 평가집합으로 성능을 평가하여 분류작업을 마친다.

또한, 상기 분류분석을 위한 방법론은 크게 트리기반 기법, 기계학습기법, 통계적 방법, 비선형최적화 기법 등으로 나뉠 수 있으며, 데이터의 분류는 (1) 분류모델구축 과 (2) 분류모델을 이용한 분류작업의 두 단계로 진행된다.

본 발명의 실시예에서는 지도학습(Supervised Learning)에 기반을 둔 분류분석 방법론 중 트리기반 기법을 선정하여 지상 라이다 데이터를 분류함을 특징으로 한다.

도 3은 본 발명의 실시예에 의한 데이터 분류 기법의 일 예인 의사결정 나무(Decision Tree) 모델을 설명하기 위한 개념도로서, 상기 의사결정 나무 모델은 상기 트리기반 기법의 대표적인 예이다.

의사결정나무(Decision Tree) 모델이란 지도 학습의 데이터 마이닝 기법 중의 하나로서, 도 3에 도시된 바와 같이 의사결정규칙(Decision Rule)을 나무 구조로 도식화하여 분류와 예측을 수행하는 방법이다. 분류과정이 추론규칙에 의해 표현되어 연구자가 쉽게 이해가 쉽고 SQL과 같은 DB언어로 표현되어 널리 이용된다는 장점이 있다.

의사결정나무의 마디는 기능에 따라서 다음과 같이 분류 할 수 있으며, 하기 [표 3]은 의사결정 나무의 구성요소를 나타낸다.

구성요소	설명
뿌리마디(Root Node)	나무구조가 시작되는 마디, 전체 자료로 구성
자식마디(Child Node)	하나의 마디로부터 분리되어진 2개이상의 마디들
부모마디(Parent Node)	자식마디의 상위마디
끝마디(Terminal Node) 또는 잎(Leaf)	각 나무줄기의 끝에 위치하고 있는 마디
중간마디(Internal Node)	나무구조의 중간에 있는 끝마디가 아닌 마디
가지(Branch)	하나의 마디로부터 끝마디까지 연결된 일련의 마디

여기서, 마디(node)란 도 3에서와 같이 분류가 되는 값들이 있는 곳을 말하며 더 이상 세분화가 되지 않는 마지막을 끝마디, 가장 위에 있는 마디가 뿌리마디이다.

상기 뿌리마디로부터 분할(split)되어 서로 유사한 개체들끼리 세분화 되어 간다. 만약 무작정 분할만 하게 되면 최종적으로는 개개의 개체들이 모두 한 개의 마디를 형성하게 되며, 이때에는 세분화 모형의 의미가 없어지기 때문에 적당한 시점에서 가지치기(pruning)를 해야 한다. 그래서 적당한 크기의 최종 의사결정나무 모형을 형성할 수 있게 된다.

의사결정나무의 분할과 가지치기는 동질성(homogeneity) 측도에 의한 불순도를 이용한다. 이 마디를 나누는 기준이야 말로 끝마디를 결정짓는 가장 큰 도구라고 볼 수 있다.

분리기준에는 크게 지니지수(Gini index)와 엔트로피 지수(Entropy index)가 사용된다. 지니지수는 불순도를 측정하는 하나의 지수로서 지니지수를 가장 감소시켜주는 예측변수와 그 때의 최적분리에 의해서 자식마디를 선택하는 것을 말하며, 엔트로피 지수는 이 지수가 가장 작은 예측변수와 그 때의 최적분리에 의해서 자식마디를 형성하는 것을 말한다.

의사결정 나무 분류 알고리즘에서는 엔트로피가 높은 상태에서 낮은 상태가 되도록 데이터를 특정 조건을 찾아 나무 모양으로 구분해 나간다.

일반적으로 집합 S가 n개의 서로 다른 클래스에 속하는 예들로 구성되어 있을 때, pi를 S 내에서 i번째 클래스가 차지하는 비율이라 한다면 S의 불순도의 척도인 엔트로피는 하기 [수학식 1]과 같이 정의된다.

(

: 사건 I가 발생할 확률,

, S: 주어진 데이터들의 집합, C = {C1, C2, ... , Ck} : 클래스 값들의 집합, freq(Ci,S): S에서 class Ci에 속하는 레코드의 수, |S|: 주어진 데이터들의 집합의 데이터 개수)

상기 [수학식 1]에 의하면 엔트로피 값은 각 클래스 값의 포함 비율에 로그를 적용하고 다시 값을 가중치로 곱한 값을 모두 더하는 식이다.

또한,

함수 적용을 통해 마이너스(-) 값이 나타나므로 전체 수식 값에 마이너스(-)를 붙여주어 0에서 1사이의 값을 갖도록 한다. 상기 [수학식 1]에서는 i번째 클래스 값이 대하여 해당 데이터집합 중에서 차지하는 비율(Probability)을 의미한다.

따라서, 상기 [수학식 1]은 클래스 a, b, c에 대하여 하기 [수학식 2]와 같이 표현될 수 있다.

도 4는 도 3에 도시된 의사결정 나무 모델에 대한 마디 분류 기준인 엔트로피 지수의 활용 예를 나타내는 도면으로서, 도 4는 경계지역에서의 엔트로피 분포를 예시적으로 나타내고 있다.

즉, 자연지역과 건물지역의 경계에서의 엔트로피를 계산하 특정 경계를 중심으로 이를 자연지역(예: 지면)과 건물지역(예: 건물)으로 구분할 수 있게 되는 것이다.

이를 통해 본 발명의 실시예에서는 불확실성의 척도로서 활용되고 있는 엔트로피 이론을 도입하여 지상 라이다의 윈시 자료로부터 자료를 분류함에 있어 보다 객관적이고 일반화된 방법을 적용함을 확인할 수 있다.

특히 지상 라이다 윈시 자료를 일정 크기 이하로 격자화하여 색상정보(R,B,G) 값 외에 계산되어진 특성정보(표 2 참조)를 이용하여 분류를 진행함을 특징으로 한다.

이하, 도 5 및 도 6을 참조하여 본 발명의 실시예에 의한 현황선 추출 방법을 보다 구체적으로 설명하도록 한다.

즉, 앞서 설명한 바와 같이 상기 데이터 분류부(61)를 통해 격자화된 지상 라이다 데이터를 엔트로피 지수에 의한 분류 기법으로 필터링한 결과를 활용하여 본 발명의 실시예에 의한 현황선 추출부(63)은 토목 설계 등에 필요한 현황선을 작성할 수 있다.

보다 구체적으로 본 발명의 실시예는 현황선 추출을 위하여 지상 라이다 데이터를 격자형식으로 분할한 뒤, 상기 각 격자들에서 추출된 특징정보를 이용하여 데이터 마이닝 기법을 통해 데이터를 분류한다.

일 예로 토목 설계에 필요한 현황선을 작성하기 위해서는 도로영역의 포인트를 정확하게 분류할 필요가 있다.

도 5는 본 발명의 실시예에 의한 현황선 추출의 일 예를 나타내는 도면으로서, 이는 현황선 추출을 위한 도로영역 추출(도 5a) 및 실제 도로 영역(도 5b)를 나타낸다.

보다 구체적으로, 도 5a를 참조하면, 데이터 마이닝을 통해 얻어진 class 중 토목설계에 필요한 현황선 포인트만을 얻어내기 위해 도로 영역만을 선택한다.

단, 도 5a에 도시된 바와 같이 격자 형식으로 얻어진 ‘도로’ Class는 100% 도로 포인트만을 가지지 않고 다른 영역의 불순한 데이터(예를 들면 가로수 등)가 존재한다.

또한, 실제로는 도로이지만 아주 적은 도로 포인트만을 가지고 있어서 다른 Class로 분류된 경우도 존재할 수 있다.

즉, 도 5a와 도 5b를 비교하면 실제 도로영역(도 5b)과 데이터 마이닝 기법으로 분류된 도로영역(도 5a)의 결과는 분명한 차이가 발생한다.

정확한 Road Point만을 추출하기 위해 격자 내의 모든 포인트 데이터와 기준이 되는 값을 계산, 두 값 사이의 비교를 통해 도로영역 포인트만을 추출하는 것이 필요하다.

여기서, 도로영역 포인트 추출을 판단하는 기준이 되는 값을 설정하는 두가지 큰 요소는 포인트의 고도값(Z)과 반사강도(I)이다.

또한, 도로영역의 포인트만을 추출하기 위해 도로영역과 비도로영역을 구분하기 위한 기준 임계값 산정하는 방법은 다음과 같다.

도로영역의 격자와 비도로영역의 격자들을 대상으로 영역 내의 모든 고도값을 포인트 개수로 나눈 평균값(

)과 모든 반사강도값을 포인트 개수로 나눈 평균값(

)을 산정하여 표준편차를 계산한다.

즉, 하기 [수학식 3]를 통해 표준편차를 계산한다.

포인트 연산과정은 앞서 정의한 평균기준값(

,

)와 격자 내의 포인트가 가지는 값(

,

)과의 고도차, 반사강도 값이 각각의 표준편차 값(

,

) 이내일 경우 도로 포인트로 결정짓게 된다.

즉, [수학식 3]의 (1) 식과 (2) 식 두 가지 모두 만족하는 포인트를 도로영역의 포인트로 결정한다.

데이터 마이닝 기법으로 도로영역 Class로 분류된 격자 안에는 순수한 도로 포인트만을 가지지 않고 다른 포인트들도 존재할 수 있으며, 이러한 포인트들을 분리하여야 보다 정확한 현황선을 추출할 수 있다.

이때, 도로영역 class로 정의된 포인트 데이터영역의 현황선을 추출하기 위해 최소 볼록집합(Convex Hull)은 수학적인 의미로는 임의의 차원(V)에 있는 점들(X)을 포함하는 최소의 볼록 집합을 뜻하며, 기하학적 의미는 최소 볼록 다각형으로 정의된다.

상기 최소 볼록집합(Convex Hull)은 특정 지점의 경계점에서 최외곽에 분포하는 볼록한 원에 가까운 특이점을 둘러싸는 순서대로 추출하는 방식으로서, 이를 통해 추출된 인접 특이점을 기준으로 하여 상기 특정 지점의 경계점을 재배열할 수 있다.

보다 구체적으로 상기 최소 볼록집합(Convex Hull) 방식을 설명하면 다음과 같다. 즉, 첫 번째 점에서 시작하여 각 포인트의 맨 왼쪽 점과 오른쪽 점을 찾게 된다.

볼록 다각형에 관련된 가장 최근의 두 점을

와

라고 하면 현재 포인트에서 선택 되는 왼쪽 혹은 오른쪽 점을

라고 가정한다.

가 볼록한 점인지 정점인지는

로 판별되며,

는

과 같다.

판별조건

가 왼쪽일 경우는

이고,

가 오른쪽일 경우에는

로 나타나지며,

가 정점인 판별조건이 되면 볼록 다각형의 정점에서

를 제거한다. 이러한 과정을 통해 도로영역의 전체 포인트 데이터에서 수행한 후, 설정된 정점을 연결한 것이 도로영역 포인트 데이터의 현황선(윤곽선)이 된다.

도 6은 본 발명의 실시예에 의한 현황선 추출 방법을 나타내는 순서도이다.

단, 본 발명의 실시예에서는 도로영역 포인트 데이터에 대한 현황선을 추출함을 그 예로 설명하고 있으나, 이는 하나의 실시예에 불과한 것으로, 본 발명의 권리범위가 이에 한정되는 것은 아니다.

도 6을 참조하면, 먼저 지상 라이다 데이터를 격자형식으로 분할한 뒤, 상기 각 격자들에서 추출된 특징정보를 이용하여 데이터 마이닝 기법을 통해 데이터를 분류한다(S 100).

다음으로 상기 분류된 데이터 격자들 중 적어도 하나 이상을 선택하고(S 110), 상기 선택한 격자의 클래스(Class)가 도로영역(제 1영역)에 해당하는지 확인한다(S 120).

이 때, 선택한 격자의 클래스가 도로영역이 아닌 경우는 다시 격자 선택 단계(S 110)으로 복귀하며, 선택한 격자의 클래스가 도로영역인 경우에는 상기 선택한 격자에 인접한 격자의 클래스 중 도로영역이 아닌 격자의 수를 확인한다(S 130).

이는 상기 선택된 격자가 도로영역의 경계에 해당하는지 여부를 확인하기 위한 것으로서, 본 발명의 실시예의 경우 상기 인접 격자의 클래스가 도로영역이 아닌 경우가 1보다 작으면 모든 포인트가 도로영역인 것으로 결정한다(S 135).

단, 상기 인접 격자의 클래스가 도로영역이 아닌 것이 1보다 많은 경우로 판단되면, 격자 영역 내의 포인트를 선택하는 단계(S 140)로 진입한다.

상기 포인트 선택 단계는 앞서 도 5를 참조하여 정확한 도로영역 포인트(Road Point)만을 추출하기 위해 격자 내의 모든 포인트 데이터와 기준이 되는 값을 계산, 두 값 사이의 비교를 통해 도로영역 포인트만을 추출함에 대해 상세히 설명하였으므로 이에 대한 설명은 생략한다.

이후 상기 격자 영역 내의 포인트를 선택한 뒤에는 도로영역의 격자와 비도로영역(제 2영역)의 격자들을 대상으로 영역 내의 모든 고도값을 포인트 개수로 나눈 평균값(

)과 모든 반사강도값을 포인트 개수로 나눈 평균값(

)을 산정하여 표준편차를 계산한다(S 150).

즉, 하기 [수학식 3]를 통해 표준편차를 계산한다.

[수학식 3]

포인트 연산과정은 앞서 정의한 평균기준값(

,

)와 격자 내의 포인트가 가지는 값(

,

)과의 고도차, 반사강도 값이 각각의 표준편차 값(

,

) 이내일 경우 도로 포인트로 결정짓게 된다.

즉, [수학식 3]의 (1) 식과 (2) 식 두 가지 모두 만족하는 포인트를 도로영역의 포인트로 결정한다(S 160).

이후 도로영역 class로 정의된 포인트 데이터영역의 현황선을 추출하기 위해 최소 볼록집합(Convex Hull) 방식을 적용하여 도로영역의 전체 포인트 데이터에서 수행한다(S 170). 이 때, 상기 최소 볼록집합(Convex Hull) 방식은 앞서 상세히 설명하였으므로 이에 대한 설명은 생략한다.

이후, 상기 단계들을 통해 설정된 정점을 연결함으로써 최종적으로 도로영역 포인트 데이터의 현황선(윤곽선) 추출 과정이 완료된다(S 180).

이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.

따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

10: 스캐너 20: 위치측정부
30: 입력부 40: 표시부
50: 저장부 60: 자료 처리 모듈
61: 데이터 분류부 61a: 원시영상 구성부
61b: 감독 분류부 61c: 분류 분석부
63: 현황선 추출부

Claims (12)

1. 레이저 광선을 관측대상물을 향해 발사하고, 그 관측대상에서 반사되어 돌아오는 레이저 광선을 수신하여 각 지점(point)에 대응되는 스폿 데이터 스트림을 생성하는 스캐너;
   위성항법장치(GPS) 또는 토탈 스테이션(Total Station) 장치에 의하여 관측된 3차원 좌표를 위치 측정 기준점으로 결정하고, 상기 위치 측정 기준점으로부터 관측 대상물의 스폿 단위의 위치를 측정하는 위치 측정부; 및
   상기 스캐너로부터의 스캔된 스폿 데이터 스트림과 상기 위치 측정부로부터의 3차원 좌표들에 근거하여 지상 라이다 데이터들을 격자형식으로 분할한 뒤, 상기 각 격자들에서 추출된 특징정보를 이용하여 데이터 마이닝 기법을 통해 데이터를 분류하고, 이에 근거하여 현황선을 추출하는 자료 처리 모듈;을 포함하며,
   상기 자료 처리 모듈은,
   데이터 마이닝 기법을 이용하여 상기 3차원의 원시 영상 자료에 대응되는 데이터들에 대한 필터링을 수행하는 데이터 분류부; 및
   상기 데이터 분류부를 통해 필터링된 데이터들을 활용하여 현황선을 추출하는 현황선 추출부;를 포함하며,
   상기 데이터 분류부는,
   상기 스캐너로부터의 스캔된 스폿 데이터 스트림과 상기 위치측정부로부터의 3차원 좌표들에 근거한 3차원 좌표들을 포함하는 원시 영상 자료를 구성하는 원시 영상 구성부;
   상기 원시 영상 구성부를 통해 전달된 지상 라이다 원시 자료를 격자형태로 분할하여 이들로부터 각 스폿에 대한 특성 데이터를 지도 학습(Supervised Learning) 방법으로 추출하는 감독 분류부; 및
   상기 원시 영상 구성부 및 감독 분류부를 통해 분류된 데이터에 대하여, 엔트로피 지수가 높은 상태에서 낮은 상태가 되도록 데이터를 구분하여 분류하는 의사결정나무(Decision Tree) 모델을 이용하여 각 데이터에 해당하는 클래스를 결정하는 분류 분석부;를 포함하고,
   상기 스폿 데이터 스트림은,
   고유 색상값(적색, 녹색 및 청색 데이터) 및 주사된 레이저 펄스가 반사(Back scattering)되어 센서에 기록된 레이저의 강도(반사 강도), 고도값의 평균 데이터를 포함함을 특징으로 하는 데이터 마이닝 기법을 이용한 지상 라이다 데이터의 필터링 및 현황선 추출 장치.
2. 삭제
3. 삭제
4. 삭제
5. 제1항에 있어서,
   상기 감독 분류부는 적어도 두 개의 분류 항목에 따른 적어도 두 개의 감독 분류 영역을 선정하고, 상기 감독분류 영역들 각각에 포함된 표본 시설물의 스폿들에 대한 특성정보들을 상기 원시 영상 자료로부터 표본 추출함을 특징으로 하는 데이터 마이닝 기법을 이용한 지상 라이다 데이터의 필터링 및 현황선 추출 장치.
6. 삭제
7. 지상 라이다 데이터를 격자형식으로 분할한 뒤, 상기 각 격자들에서 추출된 특징정보를 이용하여 데이터 마이닝 기법을 통해 데이터를 분류하는 단계;
   상기 분류된 데이터 격자들 중 적어도 하나 이상을 선택하고, 상기 선택한 격자의 클래스가 제 1영역에 해당하는지 확인하는 단계;
   상기 선택한 격자의 클래스가 제 1영역인 경우 상기 선택한 격자에 인접한 격자의 클래스 중 제 1영역이 아닌 격자의 수를 확인하는 단계;
   상기 제 1영역 아닌 인접 격자의 클래스의 수가 기준값을 넘은 경우 제 1 영역 내의 포인트를 선택하는 단계;
   상기 제1 영역 내의 포인트를 선택한 뒤 상기 제 1영역의 격자와 상기 제 1영역에 인접한 제 2영역의 격자들을 대상으로 각 영역 내의 모든 고도값을 포인트 개수로 나눈 평균값과 모든 반사강도값을 포인트 개수로 나눈 평균값을 산정하여 표준편차를 계산하는 단계;
   기 설정된 평균기준값과 격자 내의 포인트가 가지는 값과의 고도차, 반사강도 값이 각각의 표준편차 값 이내인 경우 제 1영역 내의 포인트로 결정하는 단계;
   상기 제 1영역의 전체 포인트 데이터에 대하여 최소 볼록집합 방식을 적용하여 연산을 수행하는 단계; 및
   상기 단계들을 통해 선정된 정점을 연결하여 상기 제 1영역의 포인트 데이터의 현황선이 추출되는 단계;가 포함되고,
   상기 클래스는
   엔트로피 지수가 높은 상태에서 낮은 상태가 되도록 데이터를 구분하여 분류하는 의사결정나무(Decision Tree) 모델을 이용하여 결정됨을 특징으로 하는 데이터 마이닝 기법을 이용한 지상 라이다 데이터의 현황선 추출 방법.
8. 삭제
9. 삭제
10. 스폿에 대한 특성 데이터 스트림과 3차원 좌표들에 근거하여 3차원 좌표들을 포함하는 원시 영상 자료를 구성하는 단계;
    상기 원시 영상 자료를 격자형태로 분할하여 이들로부터 각 스폿에 대한 특성 데이터를 지도 학습(Supervised Learning) 방법으로 추출하는 단계; 및
    상기 추출된 데이터에 대하여 데이터 마이닝 기법을 이용하여 각 데이터에 해당하는 클래스를 결정하는 단계;가 포함되고,
    상기 스폿에 대한 특성 데이터 스트림은,
    고유 색상값(적색, 녹색 및 청색 데이터) 및 주사된 레이저 펄스가 반사(Back scattering)되어 센서에 기록된 레이저의 강도(반사 강도), 고도값의 평균 데이터가 포함되고,
    상기 클래스는
    엔트로피 지수가 높은 상태에서 낮은 상태가 되도록 데이터를 구분하여 분류하는 의사결정나무(Decision Tree) 모델을 이용하여 결정됨을 특징으로 하는 데이터 마이닝 기법을 이용한 지상 라이다 데이터의 필터링 방법.
11. 삭제
12. 삭제

Images