KR102347239B1 - 라이다와 카메라를 이용하여 이미지 특징점의 깊이 정보를 향상시키는 방법 및 시스템 - Google Patents

라이다와 카메라를 이용하여 이미지 특징점의 깊이 정보를 향상시키는 방법 및 시스템 Download PDF

Info

Publication number
KR102347239B1
KR102347239B1 KR1020210019778A KR20210019778A KR102347239B1 KR 102347239 B1 KR102347239 B1 KR 102347239B1 KR 1020210019778 A KR1020210019778 A KR 1020210019778A KR 20210019778 A KR20210019778 A KR 20210019778A KR 102347239 B1 KR102347239 B1 KR 102347239B1
Authority
KR
South Korea
Prior art keywords
point
image
depth information
feature point
lidar
Prior art date
Application number
KR1020210019778A
Other languages
English (en)
Other versions
KR20210022016A (ko
Inventor
이동환
김덕화
Original Assignee
네이버랩스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020190094509A external-priority patent/KR20210015516A/ko
Application filed by 네이버랩스 주식회사 filed Critical 네이버랩스 주식회사
Priority to KR1020210019778A priority Critical patent/KR102347239B1/ko
Publication of KR20210022016A publication Critical patent/KR20210022016A/ko
Application granted granted Critical
Publication of KR102347239B1 publication Critical patent/KR102347239B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/06—Ray-tracing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/10—Geometric effects
    • G06T15/20—Perspective computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/204—Image signal generators using stereoscopic image cameras
    • H04N13/254—Image signal generators using stereoscopic image cameras in combination with electromagnetic radiation sources for illuminating objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/271—Image signal generators wherein the generated image signals comprise depth maps or disparity maps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Abstract

라이다와 카메라를 이용하여 이미지 특징점의 깊이 정보를 향상시키는 방법 및 시스템이 개시된다. 이미지 특징점의 깊이 정보를 향상시키는 방법은, 카메라와 라이다(LiDAR) 센서를 통해 지도 작성을 위한 이미지와 라이다 스캔 데이터를 획득하는 단계; 및 상기 이미지와 함께 상기 라이다 스캔 데이터를 이용하여 상기 이미지에서 추출된 특징점의 깊이 정보를 획득하는 단계를 포함한다.

Description

라이다와 카메라를 이용하여 이미지 특징점의 깊이 정보를 향상시키는 방법 및 시스템{METHOD AND SYSTEM FOR IMPROVING DEPTH INFORMATION OF FEATURE POINTS USING CAMERA AND LIDAR}
아래의 설명은 이미지를 이용하여 3차원 구조(structure)를 생성하는 기술에 관한 것이다.
이동로봇은 주어진 환경 내에서 자신의 위치를 파악할 수 있어야 할 뿐만 아니라, 이전에 경험하지 못한 새로운 환경에 놓이는 경우 스스로 그 주변 화면에 대한 지도를 작성할 수 있어야 한다.
이동로봇의 지도 작성이란, 이동로봇의 자율 주행에 필요한 사전 데이터를 생성하는 것을 의미한다. 라이다를 사용하여 위치를 측위하는 로봇은 3차원 정밀 데이터가 필요하고, 이미지를 기반으로 위치를 측위하는 로봇은 이미지 기반의 3차원 특징점으로 구성된 데이터가 필요하다.
이동로봇의 지도 작성 기술의 일례로, 한국 공개특허공보 제10-2011-0001932호(공개일 2011년 01월 06일)에는 로봇을 임의 방향으로 이동시키면서 실내 공간에 존재하는 장애물의 위치를 파악하여 장애물의 위치를 지도 상에 표시함으로써 실내 지도를 작성하는 기술이 개시되어 있다.
라이다(LiDAR)와 카메라를 이용하여 지도 작성을 위한 3차원 구조를 생성할 수 있는 방법 및 시스템을 제공한다.
카메라로 획득한 이미지와 함께 라이다 스캔 데이터를 이용하여 해당 이미지의 깊이(depth)를 정밀하게 구할 수 있는 방법 및 시스템을 제공한다.
라이다 기반 SLAM(Simultaneous Localization And Map-Building)과 이미지를 이용하여 깊이 값을 정제할 수 있는 방법 및 시스템을 제공한다.
컴퓨터 시스템에서 실행되는 방법에 있어서, 상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 방법은, VL(visual localization)을 위해 이미지와 라이다(LiDAR)를 이용하여 상기 이미지의 각 픽셀에 대한 3차원 좌표를 포함하는 3차원 구조를 생성하는 것으로, 상기 적어도 하나의 프로세서에 의해, 카메라를 통해 지도 작성을 위한 상기 이미지를 획득함과 동시에, 상기 라이다를 통해 라이다 스캔 데이터를 획득하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 이미지와 함께 상기 라이다 스캔 데이터를 이용하여 상기 이미지에서 추출된 특징점의 깊이 정보를 획득하는 단계를 포함하고, 상기 이미지에서 추출된 특징점의 깊이 정보를 획득하는 단계는, 상기 이미지에서 상기 특징점을 추출하는 단계; 상기 이미지와 동시간대에 획득한 상기 라이다 스캔 데이터를 이용하여 SLAM(Simultaneous Localization And Map-Building)을 수행함으로써 포즈(pose)가 태깅된 포인트 클라우드(point cloud)를 구성하는 단계; 상기 포인트 클라우드에서 상기 이미지의 포즈 정보에 대응되는 뷰 영역(view frustum)의 포인트 클라우드를 추출하는 단계; 및 광선 투사법(ray casting)을 기반으로 상기 추출된 포인트 클라우드에서 상기 카메라의 렌즈와 상기 특징점을 잇는 연장선 상에 존재하는 포인트 중 가장 인접한 포인트를 상기 특징점의 깊이 정보에 해당되는 3차원 좌표로 결정하는 단계를 포함하고, 상기 특징점의 깊이 정보에 해당되는 3차원 좌표로 결정하는 단계는, 상기 특징점의 좌표와 상기 추출된 포인트 클라우드를 구형 좌표계(spherical coordinate)로 변경하는 단계; 및 상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계를 포함하는 방법을 제공한다.
일 측면에 따르면, 상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계는, 상기 구형 좌표계에서 거리 값(
Figure 112021017794689-pat00001
)을 무시하고 각도 값
Figure 112021017794689-pat00002
만을 이용하여 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정할 수 있다.
다른 측면에 따르면, 상기 특징점을 추출하는 단계는, 상기 이미지에서 회전(rotation)과 크기(scale)에 불변하는 특성을 가진 특징점을 추출할 수 있다.
또 다른 측면에 따르면, 상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계는, 상기 특징점을 통과하는 시선 방향에서 시선과 객체 간의 교점을 찾아 상기 특징점의 3차원 좌표를 결정할 수 있다.
상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계는, 다차원 트리 구조(KD-tree)를 이용한 NNS(nearest neighbor search)을 통해 상기 포인트 클라우드에서 상기 특징점의 3차원 좌표를 찾을 수 있다.
상기 방법을 상기 컴퓨터 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램을 제공한다.
상기 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 비-일시적인 컴퓨터 판독 가능한 기록 매체를 제공한다.
컴퓨터 시스템에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, VL(visual localization)을 위해 이미지와 라이다(LiDAR)를 이용하여 상기 이미지의 각 픽셀에 대한 3차원 좌표를 포함하는 3차원 구조를 생성하는 것으로, 카메라를 통해 지도 작성을 위한 상기 이미지를 획득함과 동시에, 상기 라이다를 통해 라이다 스캔 데이터를 획득하는 데이터 획득부; 및 상기 적어도 하나의 프로세서에 의해, 상기 이미지와 함께 상기 라이다 스캔 데이터를 이용하여 상기 이미지에서 추출된 특징점의 깊이 정보를 획득하는 깊이 정보 획득부를 포함하고, 상기 깊이 정보 획득부는, 상기 이미지에서 상기 특징점을 추출하고, 상기 이미지와 동시간대에 획득한 상기 라이다 스캔 데이터를 이용하여 SLAM(Simultaneous Localization And Map-Building)을 수행함으로써 포즈(pose)가 태깅된 포인트 클라우드(point cloud)를 구성하고, 상기 포인트 클라우드에서 상기 이미지의 포즈 정보에 대응되는 뷰 영역(view frustum)의 포인트 클라우드를 추출하고, 광선 투사법(ray casting)을 기반으로 상기 추출된 포인트 클라우드에서 상기 카메라의 렌즈와 상기 특징점을 잇는 연장선 상에 존재하는 포인트 중 가장 인접한 포인트를 상기 특징점의 깊이 정보에 해당되는 3차원 좌표로 결정하고, 상기 깊이 정보 획득부는, 상기 특징점의 좌표와 상기 추출된 포인트 클라우드를 구형 좌표계(spherical coordinate)로 변경하고, 상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 것을 특징으로 하는 컴퓨터 시스템을 제공한다.
본 발명의 실시예들에 따르면, 라이다와 카메라를 이용하여 3차원 구조를 생성함으로써 더욱 정확한 지도를 작성할 수 있다.
본 발명의 실시예들에 따르면, 라이다 스캔 데이터를 이용하여 이미지의 깊이를 실측치(real date)로 얻을 수 있어 3차원 구조의 깊이 정보를 향상시킬 수 있다.
본 발명의 실시예들에 따르면, 라이다 기반 SLAM과 이미지를 이용하여 깊이 값을 정제함으로써 최적화된 3차원 구조를 얻을 수 있다.
도 1은 본 발명의 일실시예에 있어서 컴퓨터 시스템의 내부 구성의 일례를 설명하기 위한 블록도이다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 시스템의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 도면이다.
도 3은 본 발명의 일실시예에 따른 컴퓨터 시스템이 수행할 수 있는 깊이 정보 향상 방법의 예를 도시한 순서도이다.
도 4는 본 발명의 일실시예에 있어서 라이다 SLAM을 통한 포즈 태깅 과정의 일례를 설명하기 위한 도면이다.
도 5는 본 발명의 일실시예에 있어서 이미지의 특징점의 깊이 정보를 획득하는 과정의 일례를 설명하기 위한 도면이다.
도 6은 본 발명의 일실시예에 있어서 이미지의 특징점을 추출하는 과정을 설명하기 위한 예시 도면이다.
도 7은 본 발명의 일실시예에 있어서 라이다 스캔 데이터에 의해 구성된 포인트 클라우드를 설명하기 위한 예시 도면이다.
도 8은 본 발명의 일실시예에 있어서 라이다 포인트 클라우드에 대한 뷰 영역 컬링(culling) 과정을 설명하기 위한 예시 도면이다.
도 9는 본 발명의 일실시예에 있어서 이미지의 특징점 좌표와 포인트 클라우드를 구형 좌표계로 변경하는 과정을 설명하기 위한 예시 도면이다.
도 10은 본 발명의 일실시예에 있어서 광선 투사법(ray casting) 기반 깊이 연계(association) 과정을 설명하기 위한 예시 도면이다.
도 11은 본 발명의 일실시예에 있어서 다차원 트리 구조의 예시를 도시한 것이다.
도 12는 본 발명의 일실시예에 있어서 NNS(nearest neigbor search) 과정을 설명하기 위한 예시 도면이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명의 실시예들은 이미지를 이용하여 3차원 구조(structure)를 생성하는 기술에 관한 것이다.
본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 이미지와 라이다를 이용하여 이미지 기반 측위를 위해 필요한 3차원 구조를 얻을 수 있고, 이를 통해 지도의 정확성, 정밀성, 최적화, 생성 속도 등 여러 측면에 있어서 상당한 장점들을 달성한다.
도 1은 본 발명의 일실시예에 따른 컴퓨터 시스템의 예를 도시한 블록도이다. 예를 들어, 본 발명의 실시예들에 따른 깊이 정보 향상 시스템은 도 1을 통해 도시된 컴퓨터 시스템(100)에 의해 구현될 수 있다.
도 1에 도시된 바와 같이 컴퓨터 시스템(100)은 본 발명의 실시예들에 따른 깊이 정보 향상 방법을 실행하기 위한 구성요소로서, 메모리(110), 프로세서(120), 통신 인터페이스(130) 그리고 입출력 인터페이스(140)를 포함할 수 있다.
메모리(110)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(110)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 시스템(100)에 포함될 수도 있다. 또한, 메모리(110)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(110)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(110)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(130)를 통해 메모리(110)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(160)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 시스템(100)의 메모리(110)에 로딩될 수 있다.
프로세서(120)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(110) 또는 통신 인터페이스(130)에 의해 프로세서(120)로 제공될 수 있다. 예를 들어 프로세서(120)는 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 인터페이스(130)은 네트워크(160)를 통해 컴퓨터 시스템(100)이 다른 장치와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 시스템(100)의 프로세서(120)가 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(130)의 제어에 따라 네트워크(160)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(160)를 거쳐 컴퓨터 시스템(100)의 통신 인터페이스(130)를 통해 컴퓨터 시스템(100)으로 수신될 수 있다. 통신 인터페이스(130)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(120)나 메모리(110)로 전달될 수 있고, 파일 등은 컴퓨터 시스템(100)이 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.
통신 방식은 제한되지 않으며, 네트워크(160)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 유선/무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(160)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(160)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
입출력 인터페이스(140)는 입출력 장치(150)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드, 카메라 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(140)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(150)는 컴퓨터 시스템(100)과 하나의 장치로 구성될 수도 있다.
또한, 다른 실시예들에서 컴퓨터 시스템(100)은 도 1의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 시스템(100)은 상술한 입출력 장치(150) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다. 보다 구체적인 예로, 컴퓨터 시스템(100)이 지도 작성을 위한 이동로봇 형태로 구현될 수 있으며, 지도 작성에 필요한 카메라 모듈, 라이다 센서, 가속도 센서나 자이로 센서, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트 등의 다양한 구성요소들이 컴퓨터 시스템(100)에 더 포함되도록 구현될 수 있다.
본 발명은 이미지 기반 측위(visual localization) 기술에 관한 것으로, 실내 지도는 물론이고 실외 지도에 모두 적용 가능한 기술이다.
이미지 기반 측위를 위해서는 해당되는 지역의 3차원 구조를 알아야 한다. 여기서, 3차원 구조는 이미지의 특정 픽셀에 대응되는 3차원 좌표를 포함할 수 있고, 또한 이미지의 깊이 값을 포함할 수 있다. 다시 말해, 3차원 구조를 안다는 것은 이미지의 3차원 좌표와 깊이 값을 안다는 것과 동일한 의미이다.
일반적으로, SfM(structure from motion)과 같은 기술을 통해 RGB 이미지를 이용하여 3차원 구조를 얻을 수 있다. 그러나, 이미지만을 이용하는 경우 스케일 값을 얻을 수 없고 깊이 값의 경우 추정 값에 불과하여 정확도가 떨어진다.
깊이 센서가 부착된 RGB-D 이미지 센서를 이용하는 것이 가능하기는 하나, RGB-D 이미지 센서의 경우 깊이 값의 잡음이 매우 심하다는 단점이 있고, 깊이에 대해 센싱 가능한 범위(range)가 제한적이기 때문에 실외 지도 작성에는 사용이 불가능하다.
본 발명의 실시예들은 이미지와 함께 라이다 스캔 데이터를 이용하여 이미지의 깊이를 정밀하게 구하는 방법에 관한 것이다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 시스템의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 도면이고, 도 3은 본 발명의 일실시예에 따른 컴퓨터 시스템이 수행할 수 있는 깊이 정보 향상 방법의 예를 도시한 순서도이다.
도 2에 도시된 바와 같이, 프로세서(120)는 데이터 획득부(201), 지도 생성부(202), 깊이 정보 획득부(203), 및 깊이 정보 정제부(204)를 포함할 수 있다. 이러한 프로세서(120)의 구성요소들은 적어도 하나의 프로그램 코드에 의해 제공되는 제어 명령에 따라 프로세서(120)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 예를 들어, 프로세서(120)가 카메라와 라이다로부터 데이터를 획득하도록 컴퓨터 시스템(100)을 제어하기 위해 동작하는 기능적 표현으로서 데이터 획득부(201)가 사용될 수 있다.
프로세서(120) 및 프로세서(120)의 구성요소들은 도 3의 깊이 정보 향상 방법이 포함하는 단계들(S310 내지 S340)을 수행할 수 있다. 예를 들어, 프로세서(120) 및 프로세서(120)의 구성요소들은 메모리(110)가 포함하는 운영체제의 코드와 상술한 적어도 하나의 프로그램 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 적어도 하나의 프로그램 코드는 깊이 정보 향상 방법을 처리하기 위해 구현된 프로그램의 코드에 대응될 수 있다.
깊이 정보 향상 방법은 도시된 순서대로 발생하지 않을 수 있으며, 단계들 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.
프로세서(120)는 깊이 정보 향상 방법을 위한 프로그램 파일에 저장된 프로그램 코드를 메모리(110)에 로딩할 수 있다. 예를 들어, 깊이 정보 향상 방법을 위한 프로그램 파일은 메모리(110)와는 구분되는 영구 저장 장치에 저장되어 있을 수 있고, 프로세서(120)는 버스를 통해 영구 저장 장치에 저장된 프로그램 파일로부터 프로그램 코드가 메모리(110)에 로딩되도록 컴퓨터 시스템(100)을 제어할 수 있다. 이때, 프로세서(120) 및 프로세서(120)가 포함하는 데이터 획득부(201), 지도 생성부(202), 깊이 정보 획득부(203), 및 깊이 정보 정제부(204) 각각은 메모리(110)에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(S310 내지 S340)을 실행하기 위한 프로세서(120)의 서로 다른 기능적 표현들일 수 있다. 단계들(S310 내지 S340)의 실행을 위해, 프로세서(120) 및 프로세서(120)의 구성요소들은 직접 제어 명령에 따른 연산을 처리하거나 또는 컴퓨터 시스템(100)을 제어할 수 있다.
단계(S310)에서 데이터 획득부(201)는 카메라를 통해 지도 작성을 위한 이미지를 획득함과 동시에 라이다 센서를 통해 라이다 스캔 데이터를 획득할 수 있다. 본원은 카메라 이미지와 라이다 스캔 데이터로부터 카메라에 해당하는 픽셀들에 대한 3차원 포인트를 재건함으로써 3차원 구조를 생성할 수 있다. 이를 위해, 데이터 획득부(201)는 실내 혹은 실외의 지도 작성을 위한 이동로봇을 통해 이미지와 라이다 스캔 데이터를 함께 획득할 수 있다. 라이다 센서로부터 획득하는 깊이 정보는 실측치로서 매우 정확하다는 점에서 실내 지도는 물론이고, 실외 지도 작성에서 활용 가능하다. 이때, 데이터 획득부(201)는 타임스탬프(timestamp) 별로 카메라 이미지와 라이다 스캔 데이터를 동시에 얻을 수 있다. 다시 말해, 데이터 획득부(201)는 타임스탬프를 이용하여 동시간대의 이미지와 라이다 스캔 데이터를 획득할 수 있다.
단계(S320)에서 지도 생성부(202)는 단계(S310)에서 획득한 라이다 스캔 데이터를 이용하여 포즈(pose)가 태깅된 3차원 지도를 생성할 수 있다. 지도 생성부(202)에서 생성된 이미지의 포즈 정보(3축 위치 값과 3축 방향 값을 포함함)를 바탕으로 VL(visual localization)을 수행할 수 있다.
도 4는 본 발명의 일실시예에 있어서 라이다 SLAM을 통한 포즈 태깅 과정의 일례를 설명하기 위한 도면이다.
일례로, 도 4를 참조하면 지도 생성부(202)는 라이다 스캔 데이터를 이용하여 라이다 SLAM을 수행함으로써 이미지들의 포즈 정보를 획득할 수 있고 이미지들의 포즈가 태깅된 데이터로서 포인트 클라우드 맵(point cloud map)을 생성할 수 있다. 라이다 SLAM을 수행함에 따라 3차원 지도가 만들어지게 되는데, 이때 라이다 SLAM을 통한 포즈 태깅에 따라 지도의 3차원 구조 상에서 각 이미지의 포즈가 태깅된 포인트 클라우드 맵이 만들어진다.
이러한 이미지의 포즈 정보와 라이다 센서로 만들어진 3차원 구조는 이미지의 각 픽셀에 해당하는 3차원 포인트를 얻기 위해 이용될 수 있다.
다시 도 3에서, 단계(S330)에서 깊이 정보 획득부(203)는 동시간대의 이미지와 라이다 스캔 데이터를 이용하여 해당 이미지에서 추출된 특징점의 깊이 정보를 획득할 수 있다. 이때, 깊이 정보 획득부(203)는 카메라의 파라미터를 이용하여 카메라의 렌즈로부터 이미지의 특정 픽셀까지의 벡터를 계산하는 방식을 통해 이미지의 깊이 정보를 획득할 수 있다. 본 발명은 라이다 스캔 데이터를 이용하여 이미지의 깊이 정보를 정밀하게 구함으로써 더욱 정확한 지도 작성이 가능하다. 라이다 스캔 데이터를 이용한 깊이 정보 획득 과정은 이하에서 구체적으로 설명하기로 한다.
단계(S340)에서 깊이 정보 정제부(204)는 깊이 정보를 가진 복수의 이미지를 이용하여 깊이 정보를 정제할 수 있다. 하나의 이미지에서 추출된 특징점이 다음 이미지에서 중복으로 추출되는 문제를 해결하기 위한 것으로 각 특징점의 3차원 포인트 및 이미지들의 포즈를 이용하여 기존에 계산된 3차원 포인트를 수정함으로써 깊이 정보를 최적화할 수 있다. 일례로, 깊이 정보 정제부(204)는 일괄 조정법(bundle adjustment)과 같은 최적화 기법을 이용하여 카메라의 파라미터와 주어진 3차원 포인트에 대응되는 절대 좌표를 결정함으로써 중복으로 추출된 특징점의 깊이 값을 정제할 수 있다. 이때, 깊이 정보 정제부(204)는 복수의 이미지들과 각 이미지에서 추출된 특징점의 3차원 포인트 및 그 관계를 바탕으로 이미지들의 픽셀 에러를 활용하여 에러를 최적화하는 방향으로 포인트와 이미지들의 포즈를 추정할 수 있다.
도 5는 본 발명의 일실시예에 있어서 이미지의 특징점의 깊이 정보를 획득하는 과정의 일례를 설명하기 위한 도면이다.
도 5를 참조하면, 단계(S501)에서 깊이 정보 획득부(203)는 이미지에서 특정 픽셀에 해당하는 특징점(keypoint)을 추출할 수 있다. 이때, 특징점은 이미지 상에서 회전(rotation)과 크기(scale)에 불변하는 특성을 가진 픽셀을 의미하는 것으로, 예를 들어 깊이 정보 획득부(203)는 SIFT(Scale-Invariant Feature Transform), FAST(Features from Accelerated Segment Test), BRIEF(Binary Robust Independent Elementary Features), ORB(Oriented FAST and Rotated BRIEF) 등 널리 이용되고 있는 특징점 추출 알고리즘을 이용하여 이미지에서 특징점을 추출할 수 있다.
도 6은 특징점 추출 결과 예시를 도시한 것으로, 이미지(600) 상에서 회전과 크기에 불변하는 특징점(601)을 확인할 수 있다.
다시 도 5에서, 단계(S502)에서 깊이 정보 획득부(203)는 이미지를 획득한 시점을 기준으로 특정 시간 내에 획득한 라이다 스캔 데이터를 축적함으로써 포인트 클라우드를 구성할 수 있다. 깊이 정보 획득부(203)는 동일 시점, 즉 이미지를 획득한 시점에 함께 획득한 라이다 스캔 데이터로 라이다 포인트 클라우드를 구성할 수 있다.
도 7은 도 6의 이미지(600)에 대해 동시간대에 획득한 라이다 스캔 데이터로 구성된 라이다 포인트 클라우드(700)의 예시를 나타낸 것이다.
다시 도 5에서, 단계(S503)에서 깊이 정보 획득부(203)는 단계(S502)에서 구성된 포인트 클라우드에서 이미지의 포즈 정보에 대응되는 뷰 영역(view frustum)의 포인트 클라우드를 추출할 수 있다. 깊이 정보 획득부(203)는 연산 시간의 최적화를 위하여 모든 포인트 클라우드를 사용하지 않고 이미지의 포즈 정보를 이용하여 해당 뷰에 맞는 포인트 클라우드만을 추출할 수 있다.
도 8은 본 발명의 일실시예에 있어서 라이다 포인트 클라우드에 대한 뷰 영역 컬링(culling) 과정을 설명하기 위한 예시 도면이다.
도 8을 참조하면, 깊이 정보 획득부(203)는 이미지와 동시간대에 획득한 라이다 스캔 데이터에 의해 구성된 로우 포인트 클라우드(700)를 카메라의 FOV(field of view)에 맞추어 필터링함으로써 이미지 포즈 정보의 뷰 영역에 맞추어 컬링된 포인트 클라우드(800)를 획득할 수 있다.
다시 도 5에서, 단계(S504)에서 깊이 정보 획득부(203)는 단계(S503)에서 추출된 포인트 클라우드에서 카메라의 렌즈와 이미지에서 추출된 특징점을 잇는 연장선 상에 존재하는 포인트를 해당 특징점의 깊이 정보에 해당되는 3차원 좌표로 활용할 수 있다.
이를 위해 먼저, 깊이 정보 획득부(203)는 도 9에 도시한 바와 같이 특징점의 이미지 좌표(p) 및 포인트 클라우드 맵을 구형 좌표계(spherical coordinate)
Figure 112021017794689-pat00003
로 변경할 수 있다.
직교 좌표계(x,y,z)를 구형 좌표계
Figure 112021017794689-pat00004
로 변경하는 것은 수학식 1과 같다.
[수학식 1]
Figure 112021017794689-pat00005
Figure 112021017794689-pat00006
Figure 112021017794689-pat00007
구형 좌표계
Figure 112021017794689-pat00008
를 직교 좌표계(x,y,z)로 변경하는 것은 수학식 2와 같다.
[수학식 2]
Figure 112021017794689-pat00009
Figure 112021017794689-pat00010
Figure 112021017794689-pat00011
이때, 깊이 정보 획득부(203)는
Figure 112021017794689-pat00012
은 무시하고
Figure 112021017794689-pat00013
만을 이용하여 가장 인접한 포인트를 특징점의 3차원 포인트로 활용할 수 있다.
깊이 정보 획득부(203)는 광선 투사법(ray casting)을 기반으로 깊이 연계(association)를 수행함으로써 깊이 정보를 획득할 수 있다. 광선 투사법은 이미지의 한 픽셀 지점을 통과하는 시선 방향(view ray)을 검사하는 것으로, 장면 객체(scene object)가 시선과 교차하는지 확인하여 각 픽셀에 대해 픽셀과 가장 가까운 교점을 찾는 것이다.
도 10을 참조하면, 광선 투사법은 가시면(view plane)을 검출하기 위한 것으로, 카메라의 렌즈에서부터 시선이 출발한다고 가정하고 이미지의 한 픽셀 지점을 통과하는 시선 경로를 막고 있는 가장 가까운 물체를 찾는 것이다. 즉, 어떤 물체의 표면이 광원을 향하고 있을 때 빛이 이 표면에 닿는다면 빛은 차단되지 않았거나 그림자를 만들거나 둘 중 하나이다. 이때, 표면의 음영은 널리 알려진 음영 처리 기법을 사용하여 계산할 수 있다. 음영 처리 기법 중 하나인 깊이 버퍼 알고리즘은 표면을 한번에 하나씩 처리하고 모든 투영점에 대해 깊이 값을 계산한다. 계산된 표면의 깊이는 해당 픽셀에서 보이는 면을 판단하기 위해 앞서 저장된 깊이 값과 비교한다. 이러한 광선 투사법은 이미지의 픽셀을 중심으로 하나씩 처리하며 해당 픽셀에 이르는 투영 경로 상의 모든 표면의 깊이를 계산할 수 있다.
더 나아가, 포인트 클라우드를 이용하여 특징점의 깊이 정보를 획득하기 위해서는 포인트를 빠르게 찾는 것이 중요하다.
깊이 정보 획득부(203)는 단계(S503)에서 추출된 포인트 클라우드에서 특징점의 3차원 포인트로 활용하고자 하는 포인트를 빠르게 찾기 위해 다차원 트리 구조(KD-tree)를 이용한 NNS(nearest neigbor search)을 수행할수 있다.
도 11은 NNS을 위한 다차원 트리 구조의 예시를 도시한 것이다. 도 11은 설명의 편의를 위해 2차원 공간 분할을 나타낸 것이다.
다차원 트리 구조는 BST(binary search tree)를 다차원 공간으로 확장한 것으로, 트리의 레벨 차원을 번걸아가며 비교하기 위해 사용된다. 다차원 트리 구조는 한번에 한 축을 따라 영역을 분할하고 각 하위 단계에서 순환 방식으로 축을 변경한 하위 계층 구조를 가진다.
도 11을 참조하면, Y 평면에 대해 X축을 먼저 분할한 다음 X 평면에 대해 Y축을 분할한다. 분할 평면이 X→Y 순으로 선택되는 것으로 가정하면, 최상위 루트에서 선택한 x00보다 작거나 같은 x 좌표를 갖는 모든 포인트는 왼쪽 노드로 구성하고 x 좌표보다 큰 포인트는 오른쪽 노드로 구성할 수 있다. 하위 노드의 포인트는 y 좌표 값 y01 및 y11을 사용하여 분할된다. 좌표값의 첨자 중 첫번째 첨자는 가장 왼쪽 노드에 대해 0부터 시작하여 같은 레벨 내에서 노드의 위치를 나타내고, 두 번째 첨자는 노드가 있는 레벨을 나타낸다.
도 12는 도 11의 트리 구조를 이용하여 픽셀 좌표 P와 가장 가까운 포인트를 찾는 과정을 나타낸 것이다.
도 12를 참조하면, P를 포함하는 노드에서 인근 노드로 이동해가며 P에서 가장 가까운 포인트를 찾는 것부터 시작한다. 두 포인트 사이의 거리의 제곱 값 중 최소 값을 찾기 위해 P를 중심으로 하는 구를 사용할 수 있으며, 노드 정보가 P를 중심으로 하는 구와 겹치면 P와 해당 노드 상의 포인트의 제곱 거리를 계산하고 가장 낮은 값을 저장한다. P를 중심으로 하는 구와 겹치는 모든 노드에 대한 검색이 완료될 때까지 반복한 후 저장된 값 중 가장 작은 값을 P와 가장 가까운 이웃 포인트로 결정할 수 있다.
따라서, 깊이 정보 획득부(203)는 다차원 트리 구조(KD-tree)를 이용한 NNS을 통해 포인트 클라우드에서 특징점의 3차원 포인트를 보다 빠르게 찾을 수 있다.
이처럼 본 발명의 실시예들에 따르면, 라이다와 카메라를 이용하여 3차원 구조를 생성함으로써 더욱 정확한 지도를 작성할 수 있으며, 특히 라이다 센서를 통해 획득한 라이다 스캔 데이터를 이용하여 이미지의 깊이를 실측치로 얻을 수 있어 3차원 구조의 깊이 정보를 향상시킬 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (8)

  1. 컴퓨터 시스템에서 실행되는 방법에 있어서,
    상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 방법은,
    VL(visual localization)을 위해 이미지와 라이다(LiDAR)를 이용하여 상기 이미지의 각 픽셀에 대한 3차원 좌표를 포함하는 3차원 구조를 생성하는 것으로,
    상기 적어도 하나의 프로세서에 의해, 카메라를 통해 지도 작성을 위한 상기 이미지를 획득함과 동시에, 상기 라이다를 통해 라이다 스캔 데이터를 획득하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 상기 이미지와 함께 상기 라이다 스캔 데이터를 이용하여 상기 이미지에서 추출된 특징점의 깊이 정보를 획득하는 단계
    를 포함하고,
    상기 이미지에서 추출된 특징점의 깊이 정보를 획득하는 단계는,
    상기 카메라의 파라미터를 이용하여 상기 카메라의 렌즈로부터 상기 이미지의 특정 픽셀까지의 벡터를 계산하는 방식을 통해 상기 이미지의 깊이 정보를 획득하는 것으로,
    상기 이미지에서 상기 특징점을 추출하는 단계;
    상기 이미지와 동시간대에 획득한 상기 라이다 스캔 데이터를 이용하여 SLAM(Simultaneous Localization And Map-Building)을 수행함으로써 포즈(pose)가 태깅된 포인트 클라우드(point cloud)를 구성하는 단계;
    상기 포인트 클라우드에서 상기 이미지의 포즈 정보에 대응되는 뷰 영역(view frustum)의 포인트 클라우드를 추출하는 단계; 및
    광선 투사법(ray casting)을 기반으로 상기 추출된 포인트 클라우드에서 상기 카메라의 렌즈와 상기 특징점을 잇는 연장선 상에 존재하는 포인트 중 가장 인접한 포인트를 상기 특징점의 깊이 정보에 해당되는 3차원 좌표로 결정하는 단계
    를 포함하고,
    상기 특징점의 깊이 정보에 해당되는 3차원 좌표로 결정하는 단계는,
    상기 특징점의 좌표와 상기 추출된 포인트 클라우드를 구형 좌표계(spherical coordinate)로 변경하는 단계; 및
    상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계
    를 포함하고,
    상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계는,
    상기 특징점을 통과하는 시선 방향에서 시선과 객체 간의 교점을 찾아 상기 특징점의 3차원 좌표를 결정하는 것으로,
    음영 처리 기법을 이용하여 모든 투영점에 대해 상기 객체의 표면의 깊이를 계산함으로써 상기 이미지의 픽셀을 중심으로 해당 픽셀에 이르는 투영 경로 상의 상기 표면의 깊이를 계산하고,
    상기 방법은,
    상기 적어도 하나의 프로세서에 의해, 깊이 정보를 가진 복수의 이미지를 이용하여 중복 추출된 특징점의 깊이 정보를 정제하는 단계
    를 더 포함하고,
    상기 정제하는 단계는,
    기존에 계산된 3차원 포인트를 수정하기 위해, 이미지들의 특징점의 3차원 포인트와 관계를 바탕으로 이미지들의 픽셀 에러를 이용하여 3차원 포인트 및 이미지들의 포즈를 추정하는 단계
    를 포함하는 방법.
  2. 제1항에 있어서,
    상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계는,
    상기 구형 좌표계에서 거리 값(
    Figure 112021017794689-pat00014
    )을 무시하고 각도 값
    Figure 112021017794689-pat00015
    만을 이용하여 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 것
    을 특징으로 하는 방법.
  3. 제1항에 있어서,
    상기 특징점을 추출하는 단계는,
    상기 이미지에서 회전(rotation)과 크기(scale)에 불변하는 특성을 가진 특징점을 추출하는 것
    을 특징으로 하는 방법.
  4. 삭제
  5. 제1항에 있어서,
    상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하는 단계는,
    다차원 트리 구조(KD-tree)를 이용한 NNS(nearest neighbor search)을 통해 상기 포인트 클라우드에서 상기 특징점의 3차원 좌표를 찾는 것
    을 특징으로 하는 방법.
  6. 제1항 내지 제3항, 제5항 중 어느 한 항의 방법을 상기 컴퓨터 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램.
  7. 제1항 내지 제3항, 제5항 중 어느 한 항의 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 비-일시적인 컴퓨터 판독 가능한 기록 매체.
  8. 컴퓨터 시스템에 있어서,
    메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    VL(visual localization)을 위해 이미지와 라이다(LiDAR)를 이용하여 상기 이미지의 각 픽셀에 대한 3차원 좌표를 포함하는 3차원 구조를 생성하는 것으로,
    카메라를 통해 지도 작성을 위한 상기 이미지를 획득함과 동시에, 상기 라이다를 통해 라이다 스캔 데이터를 획득하는 데이터 획득부; 및
    상기 적어도 하나의 프로세서에 의해, 상기 이미지와 함께 상기 라이다 스캔 데이터를 이용하여 상기 이미지에서 추출된 특징점의 깊이 정보를 획득하는 깊이 정보 획득부
    를 포함하고,
    상기 깊이 정보 획득부는,
    상기 카메라의 파라미터를 이용하여 상기 카메라의 렌즈로부터 상기 이미지의 특정 픽셀까지의 벡터를 계산하는 방식을 통해 상기 이미지의 깊이 정보를 획득하는 것으로,
    상기 이미지에서 상기 특징점을 추출하고,
    상기 이미지와 동시간대에 획득한 상기 라이다 스캔 데이터를 이용하여 SLAM(Simultaneous Localization And Map-Building)을 수행함으로써 포즈(pose)가 태깅된 포인트 클라우드(point cloud)를 구성하고,
    상기 포인트 클라우드에서 상기 이미지의 포즈 정보에 대응되는 뷰 영역(view frustum)의 포인트 클라우드를 추출하고,
    광선 투사법(ray casting)을 기반으로 상기 추출된 포인트 클라우드에서 상기 카메라의 렌즈와 상기 특징점을 잇는 연장선 상에 존재하는 포인트 중 가장 인접한 포인트를 상기 특징점의 깊이 정보에 해당되는 3차원 좌표로 결정하고,
    상기 깊이 정보 획득부는,
    상기 특징점의 좌표와 상기 추출된 포인트 클라우드를 구형 좌표계(spherical coordinate)로 변경하고,
    상기 구형 좌표계에서 상기 특징점의 좌표와 상기 가장 인접한 포인트를 상기 3차원 좌표로 결정하고,
    상기 깊이 정보 획득부는,
    상기 특징점을 통과하는 시선 방향에서 시선과 객체 간의 교점을 찾아 상기 특징점의 3차원 좌표를 결정하는 것으로,
    음영 처리 기법을 이용하여 모든 투영점에 대해 상기 객체의 표면의 깊이를 계산함으로써 상기 이미지의 픽셀을 중심으로 해당 픽셀에 이르는 투영 경로 상의 상기 표면의 깊이를 계산하고,
    상기 적어도 하나의 프로세서는,
    깊이 정보를 가진 복수의 이미지를 이용하여 중복 추출된 특징점의 깊이 정보를 정제하는 깊이 정보 정제부
    를 더 포함하고,
    상기 깊이 정보 정제부는,
    기존에 계산된 3차원 포인트를 수정하기 위해, 이미지들의 특징점의 3차원 포인트와 관계를 바탕으로 이미지들의 픽셀 에러를 이용하여 3차원 포인트 및 이미지들의 포즈를 추정하는 것
    을 특징으로 하는 컴퓨터 시스템.
KR1020210019778A 2019-08-02 2021-02-15 라이다와 카메라를 이용하여 이미지 특징점의 깊이 정보를 향상시키는 방법 및 시스템 KR102347239B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210019778A KR102347239B1 (ko) 2019-08-02 2021-02-15 라이다와 카메라를 이용하여 이미지 특징점의 깊이 정보를 향상시키는 방법 및 시스템

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190094509A KR20210015516A (ko) 2019-08-02 2019-08-02 라이다와 카메라를 이용하여 이미지 특징점의 깊이 정보를 향상시키는 방법 및 시스템
KR1020210019778A KR102347239B1 (ko) 2019-08-02 2021-02-15 라이다와 카메라를 이용하여 이미지 특징점의 깊이 정보를 향상시키는 방법 및 시스템

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020190094509A Division KR20210015516A (ko) 2019-08-02 2019-08-02 라이다와 카메라를 이용하여 이미지 특징점의 깊이 정보를 향상시키는 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20210022016A KR20210022016A (ko) 2021-03-02
KR102347239B1 true KR102347239B1 (ko) 2022-01-04

Family

ID=79342256

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210019778A KR102347239B1 (ko) 2019-08-02 2021-02-15 라이다와 카메라를 이용하여 이미지 특징점의 깊이 정보를 향상시키는 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102347239B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230092801A (ko) 2021-12-17 2023-06-26 한국기계연구원 광학식 시차 생성을 이용한 단일 카메라 스테레오 비전의 3차원 형상 측정 방법 및 장치

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077523B (zh) * 2021-03-31 2023-11-24 商汤集团有限公司 一种标定方法、装置、计算机设备及存储介质
CN113177975B (zh) * 2021-05-07 2023-12-05 中德（珠海）人工智能研究院有限公司 基于球幕相机及激光雷达的深度计算方法及三维建模方法
KR102287401B1 (ko) * 2021-05-28 2021-08-09 주식회사 폴라리스쓰리디 3d 공간 지도를 2d 평면도로 변환하기 위한 방법 및 장치
KR102482532B1 (ko) * 2021-06-29 2022-12-28 경북대학교 산학협력단 3차원 깊이데이터 업샘플링 장치 및 그 방법
CN113884104B (zh) * 2021-09-27 2024-02-02 苏州挚途科技有限公司 多传感器联合标定方法、装置及电子设备
CN114019953B (zh) * 2021-10-08 2024-03-19 中移（杭州）信息技术有限公司 地图构建方法、装置、设备及存储介质
KR102660946B1 (ko) 2021-10-27 2024-04-26 한국과학기술원 카메라와 라이다를 이용한 정밀한 깊이 정보 추정 시스템 및 그 방법
KR102641506B1 (ko) * 2022-11-09 2024-02-27 세종대학교산학협력단 실내 점검 드론을 활용한 인공지능 기반 협소시설의 3차원 디지털 점검 야장 구축 시스템 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114296093A (zh) * 2016-11-29 2022-04-08 布莱克莫尔传感器和分析有限责任公司 用于以点云数据集合对对象进行分类的方法和系统
KR102095842B1 (ko) * 2017-12-13 2020-04-28 연세대학교 산학협력단 격자지도 생성 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230092801A (ko) 2021-12-17 2023-06-26 한국기계연구원 광학식 시차 생성을 이용한 단일 카메라 스테레오 비전의 3차원 형상 측정 방법 및 장치

Also Published As

Publication number Publication date
KR20210022016A (ko) 2021-03-02

Similar Documents

Publication Publication Date Title
KR102347239B1 (ko) 라이다와 카메라를 이용하여 이미지 특징점의 깊이 정보를 향상시키는 방법 및 시스템
US11127203B2 (en) Leveraging crowdsourced data for localization and mapping within an environment
CN107810522B (zh) 实时、基于模型的对象检测及姿态估计
JP6100380B2 (ja) 特に装置に係る視覚ベースの位置決めに使用される画像処理方法
US11830216B2 (en) Information processing apparatus, information processing method, and storage medium
TWI467494B (zh) 使用深度圖進行移動式攝影機定位
Wendel et al. Natural landmark-based monocular localization for MAVs
KR102212825B1 (ko) 이미지를 기반으로 포즈 계산을 위한 지도의 최신성을 유지하는 방법 및 시스템
KR102234461B1 (ko) ２ｄ 지도를 이용하여 거리뷰 이미지의 깊이 정보를 생성하는 방법 및 시스템
US20200184727A1 (en) Localization method and apparatus based on 3d color map
JP7138361B2 (ja) ３次元仮想空間モデルを利用したユーザポーズ推定方法および装置
KR20210015516A (ko) 라이다와 카메라를 이용하여 이미지 특징점의 깊이 정보를 향상시키는 방법 및 시스템
JP7479324B2 (ja) 情報処理装置、情報処理方法、及びプログラム
US11908198B2 (en) Contextualization and refinement of simultaneous localization and mapping
US20180286111A1 (en) Cross determining program, cross determining method, and cross determining apparatus
JP5178538B2 (ja) 深度マップを画像から決定する方法、深度マップを決定する装置
CN114662587A (zh) 一种基于激光雷达的三维目标感知方法、装置及系统
JP2009530701A5 (ko)
US11551368B2 (en) Electronic devices, methods, and computer program products for controlling 3D modeling operations based on pose metrics
US11915449B2 (en) Method and apparatus for estimating user pose using three-dimensional virtual space model
KR20230029981A (ko) 포즈 결정을 위한 시스템 및 방법
KR102520189B1 (ko) 무인 비행체 또는 항공기에 의해 촬영된 항공 영상에 기반하여 hd 맵을 생성하는 방법 및 시스템
TW202123157A (zh) 3維地圖作成裝置、3維地圖作成方法以及記錄媒體
KR102544043B1 (ko) 드론 영상을 활용한 항공지도의 업데이트 방법 및 시스템
KR102321704B1 (ko) 인접 평면 정보를 이용한 3차원 공간 모델 생성 방법 및 장치

Legal Events

Date Code Title Description
A107 Divisional application of patent
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant