KR102078254B1 - 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법, 이를 위한 시스템 및 서버에 저장된 컴퓨터프로그램 - Google Patents

Abstract

본 발명은 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법 및 이를 위한 시스템으로서, 라이다 데이터를 기초로 절대 좌표를 갖는 점군(Point cloud) 데이터를 실시간 연속적으로 생성하고 노이즈 제거, 데이터 감량, 데이터 정합 및 비교 분석 과정을 통해 실시간 지형 변화를 탐지함으로써 전체적인 처리과정이 단순하고 처리할 데이터 용량을 현저하게 줄여 실시간 지형 변화를 신속하고 효과적으로 탐지할 수 있는 방안을 제시한다.

Description

라이다 데이터를 이용한 지형 변화 실시간 탐지 방법, 이를 위한 시스템 및 서버에 저장된 컴퓨터프로그램{Method, system and computer program for topographical change detection using LiDAR data}

본 발명은 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법, 이를 위한 시스템 및 서버에 저장된 컴퓨터프로그램에 대한 것으로서, 보다 상세하게는 라이다 데이터를 기초로 절대 좌표를 갖는 점군(Point cloud) 데이터를 실시간 연속적으로 생성하고 노이즈 제거, 데이터 감량, 데이터 정합 및 비교 분석 과정을 통해 실시간 지형 변화를 탐지함으로써 전체적인 처리과정이 단순하고 처리할 데이터 용량을 현저하게 줄여 실시간 지형 변화를 신속하고 효과적으로 탐지할 수 있는 방안을 제시한다.

항공 촬영 영상을 기초로 지형지물을 분석하여 그 변화를 탐지하는 기술은 체계적이고 종합적인 국토 관리나 재난 재해 상황을 감지하는데 이용되고 있으며, 이러한 기술은 무인 항공기의 기술 발달로 인해 더욱 광범위하게 다양한 분야에 이용되고 있다. 특히, 재난 재해가 발생하는 경우에 즉각적인 대응이 그 피해를 최소화시킬 수 있기에 실시간으로 신속하게 지형 변화 여부를 탐지하여 변화 정도를 파악할 필요가 있다.

일반적으로 항공 영상으로 지형 변화를 탐지하는 기술은 카메라로 촬영되는 지형 및 건물 등에 대해 시간의 차이를 두고 다른 시점에 촬영한 두 개의 영상을 비교하여 지형 변화를 탐지하고 있는데, 이러한 항공 영상을 이용하여 지형 변화를 탐지하는 기술은 스티칭, 영상 매칭 등의 복잡한 과정을 수행해야 되며, 재난 재해를 탐지하기 위해서는 고해상도 영상을 분석해야 되기에 실시간으로 신속하게 지형 변화 여부를 탐지하기에는 적절하지 않은 문제점이 있다.

특허등록공고 10-1417527

본 발명은 상술한 바와 같은 종래 기술의 문제점을 해결하고자 하는 것으로서, 항공 영상으로 지형 변화를 탐지하는 경우에 영상 처리를 위한 복잡한 과정이 요구되며, 재난 재해를 탐지하기 위해서는 고해상도 영상을 분석해야 되기에 실시간으로 신속하게 지형 변화 여부를 탐지하기에는 적절하지 않은 문제점을 해결하고자 한다.

특히, 라이다 데이터를 이용하여 보다 간단한 처리 과정을 통해 지형 변화를 실시간으로 신속하게 파악할 수 있는 방안을 제시하고자 한다.

상기 기술적 과제를 달성하고자 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법의 일실시예는, 지형 변화 탐지 장치가, 라이다 데이터를 취득하여 신규 데이터로 설정하는 신규 데이터 취득 단계; 상기 지형 변화 탐지 장치가, 상기 신규 데이터의 점군(point cloud)에 대하여 일정 면적당 점밀도를 기초로 노이즈를 판단하여 제거하는 데이터 전처리 단계; 상기 지형 변화 탐지 장치가, 전처리된 상기 신규 데이터에 대응되는 기존 지형 정보를 지형 정보 데이터베이스에서 추출하고, 상기 신규 데이터와 상기 기존 지형 정보 간의 로버스트 추정 방법(Robust Estimate Method)을 기반으로 기하관계를 수립하여 데이터를 정합하는 데이터 정합 단계; 및 상기 지형 변화 탐지 장치가, 정합된 상기 신규 데이터에 대응되는 기존 지형 정보를 격자 형태로 변환하고 상기 신규 데이터와 상기 기존 지형 정보를 대비하여 지형 변화를 판단하는 지형 변화 판단 단계를 포함할 수 있다.

바람직하게는 상기 데이터 전처리 단계는, 상기 신규 데이터의 점군에 대하여 각 개별 점을 중심으로 기설정된 반경 내의 점밀도를 산출하고, 산출된 점밀도가 기준치 이하로 적으면서 주변 점들과 비교하여 상대적으로 점밀도가 적은 점을 노이즈로 판단하여 제거할 수 있다.

보다 바람직하게는 상기 데이터 전처리 단계는, 상기 신규 데이터의 점군에 대한 영역별 점밀도를 산출하고 기설정 밀도 수준 이상의 점밀도를 갖는 영역을 판단하고 상기 영역에서 기설정 점밀도 수준까지 일부 점들을 제거하여 상기 신규 데이터를 감량하는 데이터 감량 단계를 더 포함할 수도 있다.

또한 상기 신규 데이터 취득 단계는, 라이다 데이터를 일정 시간 간격의 시계열적으로 연속하여 취득하며, 상기 데이터 정합 단계는, 과거의 인접 시점의 신규 데이터에 대하여 수립된 기하 관계를 이용하여 현재 시점의 신규 데이터에 대한 기하 관계를 수립할 수 있다.

나아가서 상기 지형 변화 판단 단계는, 상기 신규 데이터와 정합된 기존 지형 정보를 격자 형태로 변환하는 단계; 상기 신규 데이터에서 각 점의 평면 좌표에 해당하는 지점에 대응되는 격자를 상기 기존 지형 정보에서 파악하고, 해당 지점의 고도 값과 해당 격자의 고도 값의 차이 정도를 판단하는 단계; 및 상기 차이 정도와 기설정된 임계치를 대비하여 변화 영역을 판단하는 단계를 포함할 수 있다.

바람직하게는 상기 지형 변화 판단 단계는, 형태학적(morpohological) 필터링과 연결 성분 분석(Connected Component Analysis)을 통해 기준치 이상으로 흩어진 점들을 제외하고, 기설정된 범위 영역 내의 점들을 그룹핑하여 그룹핑된 각 지점에 대한 상기 차이 정도를 종합하여 지형 변화 유무를 탐지하는 단계를 더 포함할 수 있다.

또한 본 발명에 따른 지형 변화 탐지 시스템의 일실시예는, 이동형 데이터 수집 장치로부터 라이다 데이터를 획득하여 신규 데이터로 설정하는 테이터 획득부와; 상기 신규 데이터의 점군(point cloud)에 대하여 일정 면적당 점밀도를 기초로 노이즈를 판단하여 제거하는 데이터 전처리부와; 전처리된 상기 신규 데이터에 대응되는 기존 지형 정보를 추출하고, 상기 신규 데이터와 상기 기존 지형 정보 간의 로버스트 추정 방법(Robust Estimate Method)을 기반으로 기하관계를 수립하여 데이터를 정합하는 데이터 정합부와; 정합된 상기 신규 데이터에 대응되는 기존 지형 정보를 격자 형태로 변환하고 상기 신규 데이터와 상기 기존 지형 정보를 대비하여 지형 변화를 판단하는 지형 변화 탐지부를 포함하는 지형 변화 탐지 장치; 및 기존 지형 정보를 보유하는 지형 정보 데이터베이스를 포함하여 구성될 수 있다.

바람직하게는 상기 데이터 전처리부는, 상기 신규 데이터의 점군에 대하여 각 개별 점을 중심으로 기설정된 반경 내의 점밀도를 산출하고, 산출된 점밀도가 기준치 이하로 적으면서 주변 점들과 비교하여 상대적으로 점밀도가 적은 점을 노이즈로 판단하여 제거하며, 상기 신규 데이터의 점군에 대한 영역별 점밀도를 산출하고 기설정 밀도 수준 이상의 점밀도를 갖는 영역을 판단하고 상기 영역에서 기설정 점밀도 수준까지 일부 점들을 제거하여 상기 신규 데이터를 감량할 수 있다.

나아가서 상기 테이터 획득부는, 라이다 데이터를 일정 시간 간격의 시계열적으로 연속하여 취득하며, 상기 데이터 정합부는, 과거의 인접 시점의 신규 데이터에 대하여 수립된 기하 관계를 이용하여 현재 시점의 신규 데이터에 대한 기하 관계를 수립할 수 있다.

한걸음 더 나아가서 상기 지형 변화 탐지부는, 상기 신규 데이터와 정합된 기존 지형 정보를 격자 형태로 변환하고, 상기 신규 데이터에서 각 점의 평면 좌표에 해당하는 지점에 대응되는 격자를 상기 기존 지형 정보에서 파악하여, 해당 지점의 고도 값과 해당 격자의 고도 값의 차이 정도를 기초로 변화 영역을 판단하며, 형태학적(morpohological) 필터링과 연결 성분 분석(Connected Component Analysis)을 통해 기준치 이상으로 흩어진 점들을 제외하고, 기설정된 범위 영역 내의 점들을 그룹핑하여 그룹핑된 각 지점에 대한 상기 차이 정도를 종합하여 지형 변화 유무를 탐지할 수 있다.

또한 본 발명은 상기의 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법의 각 단계를 수행하기 위해 서버의 저장 매체에 저장된 컴퓨터프로그램을 제시한다.

이와 같은 본 발명에 의하면, 라이다 데이터를 이용하여 보다 간단한 처리 과정을 통해 지형 변화를 실시간으로 신속하게 파악할 수 있게 된다.

본 발명의 일실시예에 의하면, 라이더 데이터와 기존 지형 정보를 로버스트 추정 방법을 기반으로 정합시킴으로써 상호 일치하는 점이나 객체 기반의 정합 과정시 실제 변화가 존재하는 영역에 대한 기하 관계 수립에 큰 오차가 야기되는 문제를 해결할 수 있다.

또한 본 발명의 일실시예에 의하면, 일정 시간 간격 획득된 라이더 데이터에 대하여 시계열 분석에 따라 연속적으로 획득된 과거 인접 시점의 신규 데이터에 대하여 수립된 기하 관계를 기반으로 현재 시점의 신규 데이터에 대한 기하 관계 수립함으로써 보다 빠르고 정확하게 기하 관계를 수립할 수 있다.

도 1은 본 발명에 따른 지형 변화 탐지 시스템의 일실시예에 대한 구성도를 도시하며,
도 2는 본 발명에 따른 이동형 데이터 수집 장치(100)의 일실시예에 대한 구성도를 도시하며,
도 3은 본 발명에 따른 지형 변화 탐지 장치의 일실시예에 대한 구성도를 도시하며,
도 4는 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법의 일실시예에 대한 수행 과정 흐름도를 도시하며,
도 5는 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법에서 데이터 정합 과정의 세부 실시예에 대한 흐름도를 도시하며,
도 6은 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법에서 데이터 분석 과정의 세부 실시예에 대한 흐름도를 도시하며,
도 7은 본 발명에서 적용하는 형태학적 필터링에 대한 예시를 도시하며,
도 8은 본 발명을 적용하는 구체적인 일례를 도시한다.

본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 설명하기 위하여 이하에서는 본 발명의 바람직한 실시예를 예시하고 이를 참조하여 살펴본다.

먼저, 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니며, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 또한 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 발명을 설명함에 있어서, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

라이다(LiDAR; Light Detection And Ranging) 시스템은 항공기 등에 장착 하여 레이저 펄스를 지표면에 주사하고 반사된 레이저 펄스의 도달시간을 관측함으로써 반사지점의 공간 위치 좌표를 계산하여 지표면에 대한 지형정보를 추출하는 측량기법으로서, 완전 자동처리가 가능하며 처리속도가 빠르고 능동적 센서이므로 비교적으로 흐린 날씨에도 구애를 받지 않는 장점이 있다.

특히, 라이다 데이터는 X, Y, Z 좌표정보를 가지고 있는 수많은 비정규 점군(Point Cloud)으로 구성되어 3차원 좌표정보를 지닌 점 집합으로 획득되므로, 2차원 좌표정보의 픽셀구조로 구성된 항공영상을 이용하여 3차원 변환 방식으로 지형 정보를 파악하는 종래 기술이 갖는 한계를 극복할 수 있는 대안이 될 수 있다.

본 발명은 이와 같은 라이다 데이터를 이용하여 실시간 지형 변화를 탐지하는 기술로서, 절대 좌표를 갖는 점군(Point cloud) 데이터로 구성되는 라이다 데이터를 실시간 연속적으로 취득하여 시계열적 순서로 신규 데이터를 생성하고 노이즈 제거, 데이터 감량, 데이터 정합 및 비교 분석 과정을 통해 실시간 지형 변화를 탐지하는 방안을 제시한다.

도 1은 본 발명에 따른 지형 변화 탐지 시스템의 일실시예에 대한 구성도를 도시한다.

본 발명에 따른 지형 변화 탐지 시스템은, 해당 지형에 대한 라이다 데이터를 생성하는 이동형 데이터 수집 장치(100), 이동형 데이터 수집 장치(100)로부터 라이다 데이터를 회득하여 지형 변화를 탐지하는 지형 변화 탐지 장치(200), 지형 정보를 보유하는 지형 정보 데이터베이스(300) 등을 포함하여 구성될 수 있으며, 추가적으로 지형 변화 탐지 장치(200)로부터 지형 변화 정보를 전달받아 활용하는 지형 정보 제공 장치(10)를 포함할 수도 있다.

여기서 이동형 데이터 수집 장치(100)는 라이다 데이터를 획득할 수 있는 다양한 이동 수단이 될 수 있는데, 가령 지형 변화 감시 지역의 상공을 비행하면서 라이다 데이터를 생성하는 무인 비행체(110)나 유인 항공기 등이 될 수도 있고 또는 지상에서 감시 대상 지역을 돌아다니며 라이다 데이터를 생성하는 차량(130)이나 카트 등이 될 수도 있다.

지형 변화 탐지 장치(200)는 이동형 데이터 수집 장치(100)로부터 라이다 데이터를 획득하여 지형 변화를 탐지하는 장치로서 본 발명을 구현하기 위해 특화된 별개의 장치로 구성될 수도 있고 또는 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법을 수행하는 컴퓨터프로그램이 탑재되어 작동하는 일반적인 상용 서버로 구축될 수도 있다.

지형 정보 제공 장치(10)는 종합적인 국토 관리나 지적도 관리를 위한 지형 변화 정보를 제공하는 기관이 구비한 시스템 장치일 수도 있고 또는 재난재해 감시를 위한 지형 변화 정보를 제공하는 기관이 구비한 시스템 장치일 수도 있으며, 이외에도 다양한 용도로 지형 변화 정보를 활용하기 위한 시스템 장치가 될 수 있다.

본 발명의 주요 구성에 대하여 구체적인 실시예를 통해 좀 더 자세히 살펴보기로 한다.

도 2는 본 발명에 따른 이동형 데이터 수집 장치(100)의 일실시예에 대한 구성도를 도시한다.

이동형 데이터 수집 장치(100)는 레이저 스캐너(130)를 구비하여 주기적으로 해당 지형지물에 레이저 펄스를 주사하고 반사된 레이저 펄스를 수신하여 레이저 펄스 신호를 기초로 라이다 데이터를 생성하는데, 이때 레이저 스캐너(130)와 GPS/INS(150)가 함께 구비된 멀티 센서로 구성되어 이동형 플랫폼(110)의 위치 및 자세 정보를 동시에 획득할 수 있다.

바람직하게는 이동형 플랫폼(110)은 일정 시간 간격을 두고 연속적으로 획득되는 라이다 데이터와 GPS/INS 데이터를 실시간 융합하여 3차원 절대 좌표 정보를 갖는 점군 데이터로 라이다 데이터를 시계열적으로 생성한다.

나아가서 이동형 데이터 수집 장치(100)의 이동형 플랫폼(110)은 통신 장치를 구비하여 획득되는 라이다 데이터를 실시간으로 지형 변화 탐지 장치(200)에 제공할 수 있으며, 이를 통해 지형 변화 탐지 장치(200)는 일정 시간 간격으로 기존 지형 정보의 변화를 탐지할 수 있다. 물론 이동형 데이터 수집 장치(100)의 종류와 이동 속도 또는 변화를 탐지할 대상 지형지물에 따라 라이다 데이터의 획득 시간 간격은 조절될 수 있다.

도 3은 본 발명에 따른 지형 변화 탐지 장치의 일실시예에 대한 구성도를 도시한다.

지형 변화 탐지 장치(200)는 개략적으로 테이터 획득부(210), 데이터 전처리부(230), 데이터 정합부(250), 지형 변화 탐지부(270) 등을 포함하여 구성될 수 있다.

데이터 획득부(210)는 이동형 데이터 수집 장치(100)와 연동하여 라이다 데이터를 획득하며, 바람직하게는 수 초 단위 간격으로 시계열적인 라이다 데이터를 획득할 수 있다. 나아가서 데이터 획득부(210)는 다수의 이동형 데이터 수집 장치(100)로부터 라이다 데이터를 획득할 수도 있다.

데이터 전처리부(230)는 획득된 라이다 데이터를 전처리 가공하는데, 라이다 데이터는 다양한 이유로 인해 노이즈가 포함되어 있기에 데이터 전처리부(230)는 노이즈 제거 과정을 수행하여 보다 정확한 정보의 획득이 가능하도록 한다. 또한 데이터 전처리부(230)는 노이즈가 제거된 라이다 데이터에 대한 데이터 감량을 수행하여 처리할 데이터 용량을 줄임으로써 실시간으로 즉각적인 지형 변화를 탐지 가능하도록 지원한다.

데이터 정합부(250)는 라이다 데이터와 기존 지형 데이터의 대비를 위해 전처리된 라이다 데이터와 이에 대응되는 기존 지형 데이터를 정합하고 비교 분석을 수행한다.

라이다 데이터는 GPS/INS 데이터와 융합되어 위치와 자세 정보를 갖고 있어 기존 지형 정보와 동일한 절대좌표계로 표현될 수 있기에 라이다 데이터에 대한 데이터 정합을 별도 수행하지 않고 곧바로 기존 지형 정보와 대비할 수도 있으나 변화 영역 탐지의 오류 발생을 방지하기 위해 데이터를 정합하는 것이 바람직한데, 본 발명에서 데이터 정합부(250)는 지형 정보 데이터 베이스(300)에서 라이다 데이터에 대응되는 지형 정보를 추출하여 대응 객체로 추정하고 로버스트 추정 방법에 기반하여 기하 관계를 수립한다.

바람직하게는 데이터 정합부(250)는 일정 주기로 획득되는 라이다 데이터를 시계열적 분석에 기반하여 인접 시점에 수립된 기하 관계를 기초로 현재 시점의 라이다 데이터에 대한 기하 관계를 수립할 수도 있다.

지형 변화 탐지부(270)는 정합된 라이다 데이터와 기존 지형 데이터 간의 차이를 검출하여 해당 지형의 변화를 탐지하는데, 이때 기존지형정보를 격자로 변환함으로써 라이다 데이터가 점 데이터 형태가 아닌 DEM/DSM 등의 형태로 되어 있어도 비교가 가능하다.

지형 변화 탐지부(270)는 라이다 데이터에서 각 점의 평면 좌표에 해당하는 지점이 기존지형정보에서 어느 격자에 해당하는지 확인하고 해당 격자의 고도 값과 라이다 데이터의 고도 값의 차이 정도를 산출하여 기설정된 임계값을 초과하는 경우에 변화로 판단한다. 각각의 개별점마다 고도 값의 차이 정도를 바탕으로 변화 유무를 판단한 후 형태학적(morpohological) 필터링과 연결 성분 분석(Connected Component Analysis)을 통해 산발적인 흩어진 점들을 제외하고, 기설정된 범위에 따른 일정 수준의 넓은 영역에 대한 변화를 탐지함으로써 지형 변화 유무를 탐지할 수 있다.

나아가서 지형 변화 탐지 장치(200)는 상기에서 살펴본 각 구성들을 갖는 본 발명에 특화된 개별 장치로 구현될 수도 있으나, 이후 살펴볼 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법의 각 과정을 수행하는 컴퓨터프로그램이 상용 서버의 저장 매체에 저장된 형태로 구현될 수도 있다.

또한 본 발명에서는 상기에서 살펴본 지형 변화 탐지 시스템을 이용하여 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법을 제시하는데, 이하에서는 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법에 대하여 실시예를 통해 살펴보기로 한다.

도 4는 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법의 일실시예에 대한 수행 과정 흐름도를 도시한다.

지형 변화 탐지 장치(200)가 이동형 데이터 수집 장치(100)를 통해 라이다 데이터에 대한 신규 데이터를 획득(S10)하는데, 바람직하게는 수 초 단위의 일정 시간 간격으로 연속적인 신규 데이터를 획득할 수 있다.

신규 데이터가 획득되면 지형 변화 탐지 장치(200)는 전처리 과정(S100)을 통해 신규 데이터를 가공하는데, 전처리 과정(S100)으로서 신규 데이터에서 노이즈를 제거(S110)하고 노이즈가 제거된 신규 데이터에 대한 데이터 감량(S150)을 수행한다.

먼저 노이즈 제거(S110) 과정을 살펴보면, 라이다 데이터를 이루는 점군(Point Cloud)에는 실제 지표면이나 객체면 상에서 샘플링된 것으로 보이지 않는 주변과 현저하게 다른 위치, 좌표를 갖는 점들이 존재하며 이를 노이즈로 판단하여 제거하게 되는데, 라이다 데이터를 구성하는 점들에 대한 밀도를 기반으로 노이즈를 파악하여 제거할 수 있다. 가령, 개별 점들에 대해 각점을 중심으로 기설정된 반경 내의 점의 개수를 계산하여 점밀도를 산출한 후 산출된 점밀도가 기준치 이하로 절대적으로 적으면서 동시에 주변 점들과 비교해서 점밀도가 상대적으로 적은 경우 이를 노이즈로 판단하여 제거한다.

그리고 데이터의 처리 속도와 전송 속도를 향상시키고 균형있는 연산을 위한 데이터 감량(S150) 과정을 살펴보면, 라이다 데이터는 일반적으로 불규칙하게 분포된 대량의 점군으로 구성되며, 상당히 많은 수의 점들을 신속하게 처리하기 위해서는 적절한 수준으로 데이터를 감량할 필요가 있다. 또한 이동형 데이터 수집 장치(100)가 이동하면서 취득한 라이다 데이터는 지형이나 사물의 형태에 따라 상당히 불균형한 점의 분포를 갖는데, 예를 들어 어떤 영역에서는 상대적으로 아주 조밀한 분포를 갖기에 이와 같은 영역에서 기설정 밀도 수준까지 불필요한 일부 점들을 제거하여 다른 영역과 균형을 유지하도록 한다. 바람직하게는 데이터 감량 과정에서 임의점을 선택하는 임의 분포 방법, 3차원 복셀 격자를 생성하고 개별 복셀 기준으로 점의 개수를 줄이는 복셀 격자 방법, 프아송 분포를 이용하여 점의 개수를 줄이는 방법 등을 이용하여 비교적 균형있는 분포를 유지하면서 전체적인 점의 개수를 줄여 데이터를 감량하게 된다.

전처리 과정(S100)을 수행한 후 다음으로 실제적인 주처리 과정(S200)으로서 신규 데이터를 이에 대응되는 기존 지형 정보와 정합(S210)하고 정합된 데이터를 비교 분석(S250)다.

지형 변화 탐지의 핵심 원리는 신규 데이터를 기존 지형 정보와 비교해서 현저한 차이를 보이는 영역을 파악하는 것으로서, 여기서 기존 지형 정보는 기존 지형에 대하여 구축한 3차원 지형 모델을 의미하는데, 일정한 간격의 수평좌표마다 고도값을 갖는 격자형태의 모델이거나 다면체 모델처럼 벡터형태의 모델일 수도 있고, 또는 라이다 데이터와 같이 3차원 공간의 불규칙하게 분포한 점군 데이터일 수도 있다. 이러한 기존 지형 정보는 지형 정보 데이터베이스(300)가 보유하면서 실시간 업데이트될 수 있다.

새로 취득된 라이다 데이터인 신규 데이터(L)를 기존지형정보(R)와 비교해서 변화를 탐지하려면 일단 두 데이터 L과 R이 공통의 좌표계로 표현되어야 하는데, 적어도 변화가 없는 영역에서 두 데이터 L과 R이 공통 좌표계 상에서 정밀하게 일치되어야 하며, 만약 어떠한 이유로 인해 두 데이터 L과 R이 정밀하게 일치되지 않는 경우에는 이를 조정해서 맞추는 데이터 정합이 필요하다.

일반적으로 새로 취득된 라이다 데이터(L)도 GPS/INS 데이터와 융합되므로 기존 지형 정보(R)와 동일하게 WGS84/TM과 같은 절대좌표계로 표현되며, 기본적으로 동일한 좌표계로 표현된 데이터이기 때문에 특별히 두 종류의 데이터를 상대적으로 맞추는 데이터 정합을 별도로 수행하지 않고 두 데이터를 비교해서 차이가 큰 영역을 변화영역으로 탐지할 수도 있다.

그러나 이동형 데이터 수집 장치의 탑재되는 라이다 시스템의 무게, 비용 등의 한계로 인해 일정이상의 고성능 GPS/INS를 사용하기 어려운 경우가 다반사인데, 저성능 GPS/INS를 사용함으로 인해 실시간으로 측정되는 플랫폼의 위치, 자세에 일정 크기 이상의 바이어스가 있을 수 있다. 이러한 바이어스는 결국 GPS/INS 데이터와 융합하여 출력되는 라이다 데이터에 바이어스로 전파되며, 이러한 바이어스에 의해 동일한 좌표계로 표현된 기존지형정보와 비교할 때 전혀 변화가 없는 영역에서도 변화가 존재하는 것으로 판단되는 오류가 발생될 수 있다.

따라서 이러한 오류를 제거하기 위해 새로 취득된 라이다 데이터인 신규 데이터(L)와 기존 지형 정보(R) 간의 데이터 정합이 더욱 필요하게 된다.

본 발명에서 데이터 정합 과정(S210)은 서로 다른 시기에 취득된 데이터를 비교하기 위해 데이터간 기하학적 관계를 수립하고 이에 기반하여 차이를 보정하여 상대적으로 두 데이터를 일치시키는데, 이에 대하여 도 5에 도시된 실시예의 흐름도를 참조하여 살펴본다.

라이다 데이터와 같은 점군 데이터의로 구성되는 데이터 셋을 정합하는 과정은, 신규 데이터에 대응되는 점이나 객체를 파악하여 지형 정보 데이터베이스(300) 상에서 신규 데이터에 대응되는 기존 지형 정보(310)인 대응 객체를 추정(S211)하고, 일치되는 객체 사이의 좌표 차이로부터 두 데이터 셋 사이의 기하관계를 수립(S213)한 후 수립된 관계를 바탕으로 좌표를 보정(S215)하여 두 데이터 셋을 일치시키는 과정으로 수행된다.

대응 객체 파악하는데 있어서 가능한 모든 점들을 대상으로 하거나, 또는 동일한 객체로 식별하기 용이한 특별한 점 또는 평면패치와 같은 객체 만을 특정하여 추출해 사용할 수도 있다. 예를 들어, ICP, G-ICP, NDT 등의 방법으로 두 데이터 셋의 모든 점에 대해서 대응관계를 파악해서 기하관계를 수립할 수도 있으며, FPFH에 기반한 방법의 경우에는 각 데이터 셋에 특별한 점들에 대해서만 대응관계를 파악하고, FPFH 기술자가 각 점에 대해 그 점과 주변 점들 사이의 분포를 고려해서 그 점의 특성을 기술할 수도 있다. 이러한 특성을 분석해서 식별이 가능한 특징점들을 파악하고 또 다른 데이터 셋에서 이러한 특성이 비슷한 점들을 파악해서 일치되는 점을 결정하게 된다.

그러나 상기와 같은 데이터 정합 과정의 경우, 상호 일치하거나 대응되는 점이나 객체에 기반하여 두 데이터를 일치시키게 되는데, 이를 변화 탐지를 위해 선행 과정으로 수행되는 데이터 정합에 바로 적용하기 어렵다. 그 이유는 기본적으로 변화를 탐지하기 위한 목적으로 두 데이터 셋을 이용하는 것이기에 두 데이터 셋에 변화된 부분이 존재하게 되고 이로 인해 두 데이터 셋이 서로 완벽히 일치하지 않기에 지형 변화로 인해 서로 달라진 영역을 제외하고 지형 변화가 발생하지 않은 영역에서만 선별적으로 대응되는 객체를 파악해서 기하관계를 수립해야 하는 어려움이 있다. 특히, 현실적으로는 변화된 영역이 어디인지 모르기 때문에 모든 영역에서 대응관계를 수립해야 되는데 이에 따라 변화된 영역을 갖는 데이터에 대응되는 대응 객체의 경우, 기하 관계 수립에 있어 큰 오차를 야기하게 된다.

따라서 본 발명에서는 대응 객체에 의해 영향을 크게 받지 않도록 로버스트 추정 방법을 기반으로 기하 관계를 수립한다.

로버스트 추정 방법이란, 최소제곱법과 같은 기존의 추정 방법에 비해 과대오차(outlier, blunder, gross error 등)에 강인하게(Robustly) 동작하는 추정 방법을 의미한다. 예를 들어, 직접 관측 (direct observation)으로서, 미지수를 결정하기 위해 해당하는 양을 직접 관측하는 경우에 여러 번 관측해서 다수 관측값을 평균하여 미지수에 대한 추정값으로 결정한다. 이는 오차(잔차)의 제곱의 합을 최소로하는 원리에 기반한 최소제곱법(Least Mean Squares Estimator)에 기반한 결과이다. 개별 관측값에 포함된 우연오차를 줄여주지만 과대오차에 상당히 약하다. 만약 일부 관측값에 과대오차가 포함되어있다면 이에 의해 평균값은 크게 편향된다.

이에 비해서 로버스트 추정 방법 중 하나인 LMedS (Least Median Squares) estimator을 적용하면 평균값 대신에 중앙값(Median)으로 결정한다. 중앙값의 경우는 일부 과대오차가 있더라도 50% 이내라면 전혀 영향을 받지 않는다.

또 다른 로버스트 추정 방법 중 하나인 M-estimator는 기존 최소제곱법으로 추정한 후 여전히 관측값에 남아 있는 오차(잔차)에 따라 가중치를 새로 설정한다. 예를 들어, 잔차가 아주 크면 과대오차를 포함하고 있을 가능성이 크기 때문에 추정에 영향을 줄이기 위해 가중치를 낮게 설정한다. 이렇게 새롭게 설정된 가중치를 고려해서 다시 추정하고 이로부터 잔차를 계산하고 이에 따라 가중치도 다시 설정한다. 이러한 과정을 계속적으로 반복해서 과대오차에 대한 영향을 줄이면서 추정하게 된다.

데이터 정합에 있어서는 두 개의 데이터 셋에서 상호 일치한다고 파악된 점이나 객체로부터 두 개의 데이터 셋의 기하관계를 나타내는 변수를 추정한다. 그런데, 이러한 점 또는 객체 쌍 중에는 실제로는 일치하지 않는 것들도 상당히 많이 있다. 이러한 쌍들은 과대오차를 포함하는 관측값으로 작용해서 최소제곱법과 같은 기존 방법을 적용하면 추정된 기하관계가 정확하지 않게 된다. 이에 이러한 잘못 파악된 객체 쌍에 영향을 적게 받게 하는 로버스트 추정방법을 이용한다.

만약 M-estimator를 적용한다면 다음과 같다. 먼저 모든 객체쌍들에 동일한 가중치로 설정하고 기존 최소제곱법을 이용해서 기하관계를 수립한다. 결국 수립된 기하관계를 통해 기하변환을 하면 객체쌍들의 좌표가 완전히 일치해야 하는데 차이가 있을 수 있다. 기존 최소제곱법은 이러한 차이의 제곱의 합을 최소화하는 기하관계를 수립하게 된다. 그런데, 이러한 차이의 제곱의 합은 일치한다고 파악된 객체 쌍 중에서 실제로는 일치하지 않는 것들의 영향을 크게 받게 된다. 그래서 잔차에 따라 가중치를 다시 설정한다. 잔차 큰 경우에 가중치를 적게 설정해서 차이의 제곱의 합이 아니라 가중된 차이의 제곱의 합을 최소가 되도록 기하관계를 수립한다. 수립된 기하관계를 통해 다시 차이를 계산하고 이에 따라 가중치를 다시 설정하고 다시 기하관계를 추정한다. 이러한 과정을 반복해서 일치한다고 파악된 객체 쌍 중에서 실제로는 일치하지 않는 것들의 영향을 최소로 하면서 정확한 기하관계를 수립한다.

또한 신규 데이터가 일정한 주기 간격으로 연속적으로 획득되는 것을 고려하여 시계열 분석에 기반하여, 현재 신규 데이터의 기하 관계 설정에 인접 시점의 과거 신규 데이터로부터 설정된 기하관계(400)를 활용할 수도 있다. 예를 들어, 두 데이터의 GPS/INS 데이터에 포함된 바이어스에 의해 차이가 발생하고 이를 표현하는 기하관계를 수립하였다면, 바이어스가 시간에 따라 아주 빠르게 변하지는 않기 때문에 인접한 과거의 인접 시점에 수립된 데이터의 기하 관계는 현재 시점 데이터의 기하 관계 수립에 기초가 될 수 있다. 예를 들어, 칼만필터나 지수 가중 평균(Exponetially Weighted Average)을 사용해서 인접한 과거 시점의 데이터에 대한 기하 관계를 현재 시점의 데이터에 대한 기하관계 수립에 반영할 수 있다.

상기의 데이터 정합 과정을 수행한 후 정합된 신규 데이터와 기존 지형 정보 간 차이를 검출해서 변화를 탐지하는 데이터 분석 과정(S250)을 수행하는데, 이에 대하여 도 6에 도시된 실시예의 흐름도를 참조하여 살펴본다.

비록 동일 지역에 대응되는 라이다 데이터 간이라 하더라도 서로 다른 시점의 데이터인 경우, 모든 점이 1:1로 대응될 수 없기 때문에 점과 점을 비교하는 것은 불가능하다. 따라서 본 발명에서는 기존 지형 정보를 격자로 변환하고 이를 바탕으로 신규 데이터와 기존 지형 정보를 대비한다. 이와 같이 비교하는 경우, 기존 지형 정보가 라이다 데이터와 같은 점군 형태가 아닌 DEM/DSM 등의 형태로 되어 있어도 대비가 가능하게 된다.

정합된 신규 데이터와 기존 지형 정보를 대비하는 과정(S251)은, 먼저 신규 데이터에서 각 점의 평면 좌표에 해당하는 지점이 기존 지형 정보에서 어느 격자에 해당하는지 확인하고, 기존 지형 정보에서 해당 격자의 고도 값과 신규 데이터의 고도 값의 차이 정도를 판단한다.

상기 고도 값 차이 정도는 변화된 정도를 의미하며 이 정보를 통해 지형 변화 여부를 탐지할 수 있다. 예를 들어, 단순하게는 고도 값의 차이 정도가 기설정된 임계치보다 큰 경우를 변화 영역을 판단하고, 반대로 고도 값의 차이 정도가 기설정된 임계치보다 작은 경우에는 변화가 없는 영역으로 판단한다.

개별점 또는 격자마다 고도 값 차이 정도에 기초하여 변화 유무를 판단(S253)한 후, 형태학적(morpohological) 필터링과 연결 성분 분석(Connected Component Analysis)을 통해 기준치 이상의 산발적으로 흩어진 점들을 제외하고, 기설정된 범위로 일정 수준의 넓은 영역을 그룹핑(S250)하여 그룹핑된 각 지점에 대한 상기 차이 정도를 종합하여 지형 변화 유무를 탐지하게 된다.

이에 대하여 좀더 살펴보자면, 개별점마다 변화유무를 판단한 후에는 변화영역을 탐지하기 위해서 먼저 격자화를 진행한다. 모든 점들이 포함된 영역에 일정한 간격의 격자를 설정하고, 각 격자마다 포함된 개별점들의 변화유무에 따라 격자별로 변화유무를 결정한다. 예를 들어, 격자에 포함된 개별점들 중에 하나라도 변화된 경우나 또는 반 이상의 변화된 경우든 적절한 임계값을 설정해서 격자별 변화유무를 결정한다. 격자별 변화유무를 결정한 후에는 변화 없는 경우 0 또는 변화 있는 경우 1로 표현되는 이진 영상처럼 나타내어 진다. 이러한 이진 영상에 먼저 형태학적(morpohological) 필터링을 수행한다.

형태학적(morpohological) 필터링의 기본 연산은 크게 침식과 팽창이다. 일례로서 도 7의 (a)은 1로 표현되는 객체의 형태를 줄이는 침식을 나타내며, 도 7의 (b)는 1로 표현되는 객체의 형태를 늘리는 팽창을 나타낸다. 이를 기반으로 침식 후에 팽창하는 열기(Opening) 연산과 팽창 후에 침식하는 닫기(Closing) 연산을 수행한다. 열기(Opening) 연산을 통해서는 산발적으로 흩어진 한두개의 격자로 구성된 변화영역이나 한두개 픽셀의 두께를 갖는 기다란 변화영역 등 잡음처럼 보여지는 변화영역을 제거한다. 반대로 닫기(Closing) 연산을 통해서는 변화영역 내에 포함되어있는 일부 작거나 좁은 변화되지 않은 영역을 오류로 판단하고 변화영역으로 변경한다.

이러한 형태학적 필터링이 수행된 후에는 격자간의 연결성을 고려해서 변화된 격자를 그룹핑한다. 변화되었다고 판단된 격자들이 서로 연결되어 인접하면 하나의 그룹으로 구성한다. 각각의 그룹의 크기나 형태를 고려해서 너무 작거나 너무 좁고 길쭉한 경우 등 자연적으로 정상적인 발생 변화라고 보기 어려운 경우를 제외하고, 나머지 그룹을 변화영역으로 특정한다. 특정된 그룹에 대해서 범위, 경계, 크기, 형태 등을 계산하여 개별 변화영역의 속성도 함께 결정한다.

이와 같은 형태학적(morpohological) 필터링과 연결 성분 분석(Connected Component Analysis)을 통해 그룹핑을 수행하고 각 지점에 대한 차이 정도를 종합하여 지형 변화 유무를 탐지하게 된다.

본 발명을 적용하는 구체적인 일례인 도 8을 참조하여 본 발명의 특징에 대하여 좀 더 살펴본다.

상기 도 8의 (a)에 도시된 신규 데이터(420) 상에 바이어스(a)가 50cm 존재하고, 실제 지형 변화 영역(d)이 대상 영역의 40%를 차지하며 50cm 침하 깊이(c)를 갖는 경우를 가정해 볼 때, 이러한 신규 데이터(420)와 기존 지형 정보(410) 간의 고도 차이를 비교하면, 변화되지 않는 영역도 바이어스(a)로 인해 50cm가 더 낮고, 실제 지형 변화 영역(d)은 1m 가 더 낮게 나타난다.

만약, 고도 차이에 대한 임계치를 40cm로 설정하고 임계치 이상의 고도 차이가 발생하는 영역을 지형 변화 영역으로 결정하는 경우를 고려하면, 실제 지형 변화 영역(d)을 포함하여 모든 영역에 지형 변화가 발생된 것으로 잘못 판단하게 된다.

이러한 오류를 제거하기 위해 데이터 정합을 선행하는데, 만약 신규 데이터(420)의 모든 점에 대해 고도 차이를 평균하여 바이어스를 결정하고 이를 기초로 보정하는 종래 기술에 따른 데이터 정합 방법을 적용하는 경우, 대상 영역 중 실제 지형 변화 영역(d) 40%는 1m 차이를 갖고 대상 영역 중 지형 변화가 없는 나머지 영역 60%는 50cm 차이를 갖는 것으로 파악되어 이를 토대로 바이어스를 산출하면 50*60%+100*40%로서 바어이스가 70cm 있는 것으로 판단하여 보정하게 된다.

이로 인해 상기 도 8의 (b)에 도시된 바와 같이 보정 후 신규 데이터(430)와 기존 지형 정보(410)를 비교하면, 실제 지형 변화가 없는 영역들은 오차(e) 20cm만큼 더 높게 산출되고, 반대로 지형 변화 영역(d)은 실제 침하 깊이(c) 50cm 보다 더 낮은 30 cm의 침하 깊이(f)가 있는 것으로 산출되는데, 여기에 임계치 40cm를 적용한다면 모든 영역에 변화가 발생되지 않은 것으로 판단되므로 실제 지형 변화를 탐지할 수 없는 존재하게 된다.

그러나 본 발명에서 제시한 로버스트 정합 방법을 적용하면, 상기 도 8의 (a)와 같은 경우에 차이의 평균이 아닌 중간값 50 cm를 바이어스로 결정한다. 이와 같이 산출된 바이어스를 보정하면, 상기 도 8의 (c)에 도시된 바와 같이 지형 변화가 없는 영역은 거의 동일한 높이를 갖는 것으로 산출되고, 지형 변화 영역은 실제 침하 깊이(c)와 동일하게 50cm 낮은 것으로 산출되므로 동일한 임계치 40cm를 적용하는 경우에 50 cm 차이를 보이는 지형 변화 영역을 정확히 탐지할 수 있다.

이와 같이 본 발명은 지형 정보를 로버스트 추정 방법을 기반으로 정합시킴으로써 상호 일치하는 점이나 객체 기반의 정합 과정시 실제 변화가 존재하는 영역에 대한 기하 관계 수립에 큰 오차가 야기되는 문제를 해결할 수 있다.

또한 일정 시간 간격 획득된 라이더 데이터에 대하여 시계열 분석에 따라 연속적으로 획득된 과거 인접 시점의 신규 데이터에 대하여 수립된 기하 관계를 기반으로 현재 시점의 신규 데이터에 대한 기하 관계 수립함으로써 보다 빠르고 정확하게 기하 관계를 수립할 수 있게 된다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명에 기재된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상이 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의해서 해석되어야하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100 : 이동형 데이터 수집 장치,
110 : 이동형 플랫폼, 130 : 레이저 스캐너,
150 : GPS/INS,
200 : 지형 변화 탐지 장치,
210 : 데이터 획득부, 230 : 데이터 전처리부,
250 : 데이터 정합부, 270 : 지형 변화 탐지부,
300 : 지형 정보 데이터베이스.

Claims (11)

1. 지형 변화 탐지 장치가, 라이다 데이터를 취득하여 신규 데이터로 설정하는 신규 데이터 취득 단계;
   상기 지형 변화 탐지 장치가, 상기 신규 데이터의 점군(point cloud)에 대하여 일정 면적당 점밀도를 기초로 노이즈를 판단하여 제거하는 데이터 전처리 단계;
   상기 지형 변화 탐지 장치가, 전처리된 상기 신규 데이터에 대응되는 기존 지형 정보를 지형 정보 데이터베이스에서 추출하고, 상기 신규 데이터와 상기 기존 지형 정보 간의 차이의 중간값(Median)을 이용하는 로버스트 추정 방법(Robust Estimate Method)인 LMedS(Least Median Squares)을 기반으로 기하관계를 수립하여 데이터를 정합하는 데이터 정합 단계; 및
   상기 지형 변화 탐지 장치가, 정합된 상기 신규 데이터에 대응되는 기존 지형 정보를 격자 형태로 변환하고 상기 신규 데이터와 상기 기존 지형 정보를 대비하여 지형 변화를 판단하는 지형 변화 판단 단계를 포함하는 것을 특징으로 하는 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법.
2. 제 1 항에 있어서,
   상기 데이터 전처리 단계는,
   상기 신규 데이터의 점군에 대하여 각 개별 점을 중심으로 기설정된 반경 내의 점밀도를 산출하고, 산출된 점밀도가 기준치 이하로 적으면서 주변 점들과 비교하여 상대적으로 점밀도가 적은 점을 노이즈로 판단하여 제거하는 것을 특징으로 하는 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법.
3. 제 1 항에 있어서,
   상기 데이터 전처리 단계는,
   상기 신규 데이터의 점군에 대한 영역별 점밀도를 산출하고 기설정 밀도 수준 이상의 점밀도를 갖는 영역을 판단하고 상기 영역에서 기설정 점밀도 수준까지 일부 점들을 제거하여 상기 신규 데이터를 감량하는 데이터 감량 단계를 더 포함하는 것을 특징으로 하는 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법.
4. 제 1 항에 있어서,
   상기 신규 데이터 취득 단계는,
   라이다 데이터를 일정 시간 간격의 시계열적으로 연속하여 취득하며,
   상기 데이터 정합 단계는,
   과거의 인접 시점의 신규 데이터에 대하여 수립된 기하 관계를 이용하여 현재 시점의 신규 데이터에 대한 기하 관계를 수립하는 것을 특징으로 하는 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법.
5. 제 1 항에 있어서,
   상기 지형 변화 판단 단계는,
   상기 신규 데이터와 정합된 기존 지형 정보를 격자 형태로 변환하는 단계;
   상기 신규 데이터에서 각 점의 평면 좌표에 해당하는 지점에 대응되는 격자를 상기 기존 지형 정보에서 파악하고, 해당 지점의 고도 값과 해당 격자의 고도 값의 차이 정도를 판단하는 단계; 및
   상기 차이 정도와 기설정된 임계치를 대비하여 변화 영역을 판단하는 단계를 포함하는 것을 특징으로 하는 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법.
6. 제 5 항에 있어서,
   상기 지형 변화 판단 단계는,
   형태학적(morpohological) 필터링과 연결 성분 분석(Connected Component Analysis)을 통해 기준치 이상으로 흩어진 점들을 제외하고, 기설정된 범위 영역 내의 점들을 그룹핑하여 그룹핑된 각 지점에 대한 상기 차이 정도를 종합하여 지형 변화 유무를 탐지하는 단계를 더 포함하는 것을 특징으로 하는 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법.
7. 이동형 데이터 수집 장치로부터 라이다 데이터를 획득하여 신규 데이터로 설정하는 테이터 획득부와; 상기 신규 데이터의 점군(point cloud)에 대하여 일정 면적당 점밀도를 기초로 노이즈를 판단하여 제거하는 데이터 전처리부와; 전처리된 상기 신규 데이터에 대응되는 기존 지형 정보를 추출하고, 상기 신규 데이터와 상기 기존 지형 정보 간의 차이의 중간값(Median)을 이용하는 로버스트 추정 방법(Robust Estimate Method)인 LMedS(Least Median Squares)을 기반으로 기하관계를 수립하여 데이터를 정합하는 데이터 정합부와; 정합된 상기 신규 데이터에 대응되는 기존 지형 정보를 격자 형태로 변환하고 상기 신규 데이터와 상기 기존 지형 정보를 대비하여 지형 변화를 판단하는 지형 변화 탐지부를 포함하는 지형 변화 탐지 장치; 및
   기존 지형 정보를 보유하는 지형 정보 데이터베이스를 포함하는 것을 특징으로 하는 지형 변화 탐지 시스템.
8. 제 7 항에 있어서,
   상기 데이터 전처리부는,
   상기 신규 데이터의 점군에 대하여 각 개별 점을 중심으로 기설정된 반경 내의 점밀도를 산출하고, 산출된 점밀도가 기준치 이하로 적으면서 주변 점들과 비교하여 상대적으로 점밀도가 적은 점을 노이즈로 판단하여 제거하며,
   상기 신규 데이터의 점군에 대한 영역별 점밀도를 산출하고 기설정 밀도 수준 이상의 점밀도를 갖는 영역을 판단하고 상기 영역에서 기설정 점밀도 수준까지 일부 점들을 제거하여 상기 신규 데이터를 감량하는 것을 특징으로 하는 지형 변화 탐지 시스템.
9. 제 7 항에 있어서,
   상기 테이터 획득부는,
   라이다 데이터를 일정 시간 간격의 시계열적으로 연속하여 취득하며,
   상기 데이터 정합부는,
   과거의 인접 시점의 신규 데이터에 대하여 수립된 기하 관계를 이용하여 현재 시점의 신규 데이터에 대한 기하 관계를 수립하는 것을 특징으로 하는 지형 변화 탐지 시스템.
10. 제 7 항에 있어서,
    상기 지형 변화 탐지부는,
    상기 신규 데이터와 정합된 기존 지형 정보를 격자 형태로 변환하고, 상기 신규 데이터에서 각 점의 평면 좌표에 해당하는 지점에 대응되는 격자를 상기 기존 지형 정보에서 파악하여, 해당 지점의 고도 값과 해당 격자의 고도 값의 차이 정도를 기초로 변화 영역을 판단하며,
    형태학적(morpohological) 필터링과 연결 성분 분석(Connected Component Analysis)을 통해 기준치 이상으로 흩어진 점들을 제외하고, 기설정된 범위 영역 내의 점들을 그룹핑하여 그룹핑된 각 지점에 대한 상기 차이 정도를 종합하여 지형 변화 유무를 탐지하는 것을 특징으로 하는 지형 변화 탐지 시스템.
11. 제 1 항 내지 제 6 항 중 어느 한 항에 기재된 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법의 각 단계를 수행하기 위해 서버의 저장 매체에 저장된 컴퓨터프로그램.

Images