KR102540627B1 - 객체의 엣지 노이즈 필터링 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 - Google Patents

객체의 엣지 노이즈 필터링 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102540627B1
KR102540627B1 KR1020220139932A KR20220139932A KR102540627B1 KR 102540627 B1 KR102540627 B1 KR 102540627B1 KR 1020220139932 A KR1020220139932 A KR 1020220139932A KR 20220139932 A KR20220139932 A KR 20220139932A KR 102540627 B1 KR102540627 B1 KR 102540627B1
Authority
KR
South Korea
Prior art keywords
point
noise
cloud data
detection target
point cloud
Prior art date
Application number
KR1020220139932A
Other languages
English (en)
Other versions
KR102540627B9 (ko
Inventor
김승수
김재승
Original Assignee
주식회사 모빌테크
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
Application filed by 주식회사 모빌테크 filed Critical 주식회사 모빌테크
Priority to KR1020220139932A priority Critical patent/KR102540627B1/ko
Application granted granted Critical
Publication of KR102540627B1 publication Critical patent/KR102540627B1/ko
Publication of KR102540627B9 publication Critical patent/KR102540627B9/ko

Links

Images

Classifications

    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/483—Details of pulse systems
    • G01S7/486—Receivers
    • G01S7/487—Extracting wanted echo signals, e.g. pulse detection
    • G01S7/4876—Extracting wanted echo signals, e.g. pulse detection by removing unwanted signals
    • 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
    • G01S17/894—3D imaging with simultaneous measurement of time-of-flight at a 2D array of receiver pixels, e.g. time-of-flight cameras or flash lidar
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/483—Details of pulse systems
    • G01S7/486—Receivers
    • G01S7/4861—Circuits for detection, sampling, integration or read-out

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

본 발명은 라이다(lidar)로부터 획득한 점군 데이터에서 발생되는 노이즈점을 필터링하기 위한 객체의 엣지 노이즈 필터링 방법을 제안한다. 상기 방법은 필터링 장치가, 라이다(lidar)로부터 획득된 점군 데이터를 수신하는 단계, 상기 필터링 장치가, 상기 점군 데이터를 사전 설정된 개수로 그룹핑(grouping)하여 복수의 단위 점군 데이터를 생성하는 단계, 상기 필터링 장치가, 상기 생성된 단위 점군 데이터를 분석하여 노이즈에 해당하는 노이즈점(noise point)을 검출하는 단계 및 상기 필터링 장치가, 상기 검출된 노이즈점을 필터링하는 단계를 포함할 수 있다.
본 발명은 서울특별시 서울산업진흥원 (2022년도 서울혁신챌린지(결선)) (IC210027) '모빌리티 서비스를 이용한 도시 변화 탐지 플랫폼'을 통해 개발된 기술이다.
또한, 본 발명은 국토교통부 산하의 국토교통과학기술진흥원 '과제번호 22AMDP-C160637-02'을 통해 개발된 기술이다.

Description

객체의 엣지 노이즈 필터링 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램{Method for filtering edge noise on object and computer program recorded on record-medium for executing method therefor}
본 발명은 노이즈 필터링(noise filtering)에 관한 것이다. 보다 상세하게는, 라이다(lidar)로부터 획득한 점군 데이터에서 발생되는 노이즈점을 필터링하기 위한 객체의 엣지 노이즈 필터링 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램에 관한 것이다.
차량의 자율주행(automatic driving)은 차량 스스로 판단하여 주행할 수 있는 시스템을 의미한다. 이와 같은, 자율주행은 시스템이 주행에 관여하는 정도와 운전차가 차량을 제어하는 정도에 따라 비자동화부터 완전 자동화까지 점진적인 단계로 구분될 수 있다. 일반적으로, 자율주행의 단계는 국제자동차기술자협회(SAE(Society of Automotive Engineers) International)에서 분류한 6단계의 레벨로 구분된다. 국제자동차기술자협회가 분류한 6단계에 따르면, 레벨 0단계는 비자동화, 레벨 1단계는 운전자 보조, 레벨 2단계는 부분 자동화, 레벨 3단계는 조건부 자동화, 레벨 4단계는 고도 자동화, 그리고 레벨 5단계는 완전 자동화 단계이다.
차량의 자율주행은 인지(perception), 측위(localization), 경로 계획(path planning) 및 제어(control)의 메커니즘을 통해 수행된다. 현재 여러 기업체들은 자율주행 메커니즘 중에서 인지 및 경로 계획을 인공지능(AI)을 이용하여 구현하기 위해 개발 중에 있다. 그리고, 자율주행에 사용될 수 있는 인공지능(AI)의 기계 학습에 사용되는 데이터는 적게는 몇 천개에서, 많게는 수 백만개에 이르는 많은 수로 이루어진다.
이러한, 차량의 자율주행에 사용될 수 있는 인공지능(AI)의 기계 학습에 사용되는 데이터는 차량에 설치된 다양한 종류의 센서에 의해 수집된다. 예를 들어, 차량의 자율주행에 사용될 수 있는 인공지능(AI)의 기계 학습에 사용되는 데이터들은 차량에 고정 설치된 라이다(lidar), 카메라(camera), 레이더(radar) 및 초음파 센서(ultrasonic sensor)에 의해 획득, 촬영 또는 감지된 데이터들이 될 수 있으며, 이에 한정되는 것도 아니다.
이 중, 라이다는 고출력 레이저 펄스를 발사해 레이저가 목표물에 반사되어 되돌아오는 시간을 측정하여 사물로부터의 거리, 형태를 나타내는 3D 데이터를 획득할 수 있다.
이러한, 라이다는 하드웨어적으로 레이저 펄스 특성상 낮은 인텐시티(intensity)를 가진 점들이 노이즈 형태로 피사체 주위에 추가적으로 생성되거나, 인텐시티가 상대적으로 높게 나타나는 객체 주변에서 특정 노이즈가 발생되는 문제점이 있었다.
본 발명은 서울특별시 서울산업진흥원 (2022년도 서울혁신챌린지(결선)) (IC210027) '모빌리티 서비스를 이용한 도시 변화 탐지 플랫폼'을 통해 개발된 기술이다.
또한, 본 발명은 국토교통부 산하의 국토교통과학기술진흥원 '과제번호 22AMDP-C160637-02'을 통해 개발된 기술이다.
대한민국 공개특허공보 제10-2018-0068209호, '라이다 장치', (2018.06.21. 공개)
본 발명의 일 목적은 라이다(lidar)로부터 획득한 점군 데이터에서 발생되는 노이즈점을 필터링하기 위한 객체의 엣지 노이즈 필터링 방법을 제공하는 것이다.
본 발명의 다른 목적은 라이다로부터 획득한 점군 데이터에서 발생되는 노이즈점을 필터링하기 위한 객체의 엣지 노이즈 필터링 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 라이다(lidar)로부터 획득한 점군 데이터에서 발생되는 노이즈점을 필터링하기 위한 객체의 엣지 노이즈 필터링 방법을 제안한다. 상기 방법은 필터링 장치가, 라이다(lidar)로부터 획득된 점군 데이터를 수신하는 단계, 상기 필터링 장치가, 상기 점군 데이터를 사전 설정된 개수로 그룹핑(grouping)하여 복수의 단위 점군 데이터를 생성하는 단계, 상기 필터링 장치가, 상기 생성된 단위 점군 데이터를 분석하여 노이즈에 해당하는 노이즈점(noise point)을 검출하는 단계 및 상기 필터링 장치가, 상기 검출된 노이즈점을 필터링하는 단계를 포함할 수 있다.
구체적으로, 상기 단위 점군 데이터를 생성하는 단계는 상기 점군 데이터 중 동일한 채널에 포함되어 있는 점군 데이터를 사전 설정된 개수로 그룹핑하는 것을 특징으로 한다.
상기 단위 점군 데이터를 생성하는 단계는 상기 점군 데이터를 패킷(packet) 형태로 가지고 있는 PCAP 데이터를 파싱(parcing)하여, 동일 채널에 포함되어 있는 점군 데이터를 세개씩 그룹핑하는 것을 특징으로 한다.
상기 노이즈점을 검출하는 단계는 상기 세개씩 그룹핑 된 단위 점군 데이터 중 가운데 위치한 검출대상점이 노이즈점인지 여부를 검출하는 것을 특징으로 한다.
상기 노이즈점을 검출하는 단계는 상기 점군 데이터에 포함된 객체의 좌측 또는 우측 엣지(edge)에 형성되는 노이즈점을 검출하는 것을 특징으로 한다.
상기 노이즈점을 검출하는 단계는 상기 검출대상점을 기준으로 좌측에 위치한 점과 상기 검출대상점의 거리가, 상기 검출대상점을 기준으로 우측에 위치한 점과 상기 검출대상점의 거리보다 사전 설정된 값 이상으로 큰 경우, 상기 검출대상점이 상기 객체의 좌측 엣지에 형성된 노이즈점인 것으로 판단하는 것을 특징으로 한다.
상기 노이즈점을 검출하는 단계는 상기 검출대상점을 기준으로 좌측에 위치한 점과 상기 검출대상점의 기울기가, 상기 검출대상점을 기준으로 우측에 위치한 점과 상기 검출대상점의 기울기보다 사전 설정된 각도 이상으로 큰 경우, 상기 검출대상점이 상기 객체의 좌측 엣지에 형성된 노이즈점인 것으로 판단하는 것을 특징으로 한다.
상기 노이즈점을 검출하는 단계는 상기 검출대상점이 상기 검출대상점을 기준으로 우측에 위치한 점보다 인텐시티(intensity) 값이 사전 설정된 값보다 낮은 경우 상기 검출대상점이 상기 객체의 좌측 엣지에 형성된 노이즈점인 것으로 판단하는 것을 특징으로 한다.
상기 노이즈점을 검출하는 단계는 상기 검출대상점을 기준으로 우측에 위치한 점과 상기 검출대상점의 거리가, 상기 검출대상점을 기준으로 좌측에 위치한 점과 상기 검출대상점의 거리보다 사전 설정된 값 이상으로 큰 경우, 상기 검출대상점이 상기 객체의 우측 엣지에 형성된 노이즈점인 것으로 판단하는 것을 특징으로 한다.
상기 노이즈점을 검출하는 단계는 상기 검출대상점을 기준으로 우측에 위치한 점과 상기 검출대상점의 기울기가, 상기 검출대상점을 기준으로 좌측에 위치한 점과 상기 검출대상점의 기울기보다 사전 설정된 각도 이상으로 큰 경우, 상기 검출대상점이 상기 객체의 우측 엣지에 형성된 노이즈점인 것으로 판단하는 것을 특징으로 한다.
상기 노이즈점을 검출하는 단계는 상기 검출대상점이 상기 검출대상점을 기준으로 좌측에 위치한 점보다 인텐시티(intensity) 값이 사전 설정된 값보다 낮은 경우 상기 검출대상점이 상기 객체의 우측 엣지에 형성된 노이즈점인 것으로 판단하는 것을 특징으로 한다.
상기 노이즈점을 검출하는 단계는 상기 검출대상점을 기준으로 좌측 또는 우측에 위치한 점과 상기 검출대상점의 거리 차이가 3배 이상이고 기울기 차이가 20°이상이며, 상기 검출대상점과 상기 검출대상점을 기준으로 좌측 또는 우측에 위치한 점의 인텐시티 값의 차이가 8이상인 경우, 상기 검출 대상점이 노이즈점인 것으로 판단하는 것을 특징으로 한다.
상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 필터링 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제안한다. 상기 컴퓨터 프로그램은 메모리(memory), 송수신기(transceiver) 및 상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합될 수 있다. 그리고, 상기 컴퓨터 프로그램은 상기 프로세서가, 라이다(lidar)로부터 획득된 점군 데이터를 수신하는 단계, 상기 프로세서가, 상기 점군 데이터를 사전 설정된 개수로 그룹핑(grouping)하여 복수의 단위 점군 데이터를 생성하는 단계, 상기 프로세서가, 상기 생성된 단위 점군 데이터를 분석하여 노이즈에 해당하는 노이즈점(noise point)을 검출하는 단계 및 상기 프로세서가, 상기 검출된 노이즈점을 필터링하는 단계; 를 실행시키기 위하여, 기록매체에 기록된 컴퓨터 프로그램일 수 있다.
기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 실시 예들에 따르면, 라이다로부터 획득된 점군 데이터를 그룹핑하여 복수의 단위 점군 데이터를 생성하고, 생성된 단위 점군 데이터를 분석하여 노이즈에 해당하는 노이즈점을 검출함으로써, 객체의 좌측 또는 우측 엣지 영역에서 발생되는 노이즈점을 효과적으로 필터링할 수 있다.
본 발명의 효과들은 이상에서 언급한 효과로 제한되지 아니하며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 본 발명이 속한 기술분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 라이다 시스템을 나타낸 구성도이다.
도 2는 본 발명의 일 실시예에 따른 필터링 장치의 논리적 구성도이다.
도 3은 본 발명의 일 실시예에 따른 필터링 장치의 하드웨어 구성도이다.
도 4는 본 발명의 일 실시예에 따른 필터링 방법을 나타낸 순서도이다.
도 5는 본 발명의 다른 실시예에 따른 필터링 방법을 나타낸 순서도이다.
도 6은 본 발명의 또 다른 실시예에 따른 필터링 방법을 나타낸 순서도이다.
도 7 내지 도 10은 본 발명의 일 실시예에 따른 필터링 방법을 설명하기 위한 예시도이다.
도 11 내지 도 13은 본 발명의 다른 실시예에 따른 필터링 방법을 설명하기 위한 예시도이다.
도 13 내지 도 17은 본 발명의 또 다른 실시예에 따른 필터링 방법을 설명하기 위한 예시도이다.
본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, '구성된다' 또는 '가지다' 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
어떤 구성 요소가 다른 구성 요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "'직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다. 본 발명의 사상은 첨부된 도면 외에 모든 변경, 균등물 내지 대체물에 까지도 확장되는 것으로 해석되어야 한다.
한편, 라이다는 고출력 레이저 펄스를 발사해 레이저가 목표물에 반사되어 되돌아오는 시간을 측정하여 사물로부터의 거리, 형태를 나타내는 3D 데이터를 획득할 수 있다.
이러한, 라이다는 하드웨어적으로 레이저 펄스 특성상 낮은 인텐시티(intensity)를 가진 점들이 노이즈 형태로 피사체 주위에 추가적으로 생성되거나, 인텐시티가 상대적으로 높게 나타나는 객체 주변에서 특정 노이즈가 발생되는 문제점이 있었다.
이러한 한계를 극복하고자, 본 발명은 라이다로부터 획득된 점군 데이터의 노이즈점들을 효과적으로 필터링할 수 있는 다양한 수단들을 제안하고자 한다.
도 1은 본 발명의 일 실시예에 따른 라이다 시스템을 나타낸 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 라이다 시스템(300)은 라이다(100) 및 필터링 장치(200)를 포함하여 구성될 수 있다.
이와 같은, 일 실시예에 따른 라이다 시스템(300)의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.
각각의 구성 요소에 대하여 설명하면, 라이다(100)는 차량(10)에 고정 설치되어, 차량(10)의 주위로 레이저 펄스를 발사하고 차량(10) 주위에 위치하는 객체들에 의해 반사되어 돌아온 빛을 감지하여, 차량(10) 주위에 대한 3차원 영상에 해당하는 점군 데이터를 생성할 수 있다. 즉, 라이다(100)는 객체에 레이저 펄스를 발사하고 돌아오는 시간을 기록하여 각 레이저 펄스당 거리 정보를 계산하여, 거리 정보를 포함하는 점을 생성할 수 있다.
따라서, 라이다(100)에 의해 획득된 점군 데이터는 라이다(100)에 의해 3차원 공간으로 발사된 레이저 펄스를 반사시킨 점들(points)의 집합을 포함할 수 있다. 획득된 점군 데이터는 *. pcap, *. asc, *. cl3, *. clr, *. fls, *. fws, *. las, *. ptg, *. pts, *. ptx, *. txt, *. pcd, *. xyz 등의 여러 데이터 포맷으로 형성될 수 있다. 특히, 본 발명의 일 실시예에 따른 점군 데이터는 각 점의 위치 정보, 거리 정보 및 인텐시티(intensity) 정보를 포함할 수 있다. 라이다(100)는 획득한 점군 데이터를 필터링 장치(200)로 전송할 수 있다.
다음 구성으로, 필터링 장치(200)는 라이다(100)로부터 점군 데이터를 수신하고, 수신한 점군 데이터의 노이즈를 필터링 할 수 있다.
구체적으로, 필터링 장치(200)는 라이다(100)의 하드웨어적으로 레이저 펄스 특성상 낮은 인텐시티(intensity)를 가진 노이즈점들을 필터링할 수 있다.
또한, 필터링 장치(200)는 라이다(100)가 점군 데이터를 획득하는 과정에서 인텐시티가 상대적으로 높게 나타나는 객체 주변에서 발생되는 노이즈점들을 필터링할 수 있다. 예를 들어, 인텐시티가 상대적으로 높게 나타나는 객체는 교통 표지판 등의 평면 형태를 가지는 객체가 될 수 있다.
그리고, 필터링 장치(200)는 라이다(100)의 노이즈로 인해 객체와 이격된 상태로 개별적으로 존재하는 노이즈점이나, 객체와 이격된 상태로 객체와 같이 뭉쳐져 있는 노이즈점을 필터링할 수 있다.
특징적으로, 본 발명의 일 실시예에 따르면, 필터링 장치(200)는 라이다(100)로부터 획득된 점군 데이터를 수신하고, 점군 데이터를 사전 설정된 개수로 그룹핑(grouping)하여 복수의 단위 점군 데이터를 생성할 수 있다. 또한, 필터링 장치(200)는 생성된 단위 점군 데이터를 분석하여 노이즈에 해당하는 노이즈점(noise point)을 검출하고, 검출된 노이즈점을 필터링할 수 있다.
또한, 본 발명의 다른 실시예에 따르면, 필터링 장치(200)는 라이다(100)로부터 획득된 점군 데이터를 수신하고, 수신한 점군 데이터의 인텐시티 패턴을 분석하여, 분석된 인텐시티 패턴을 기초로 노이즈점을 검출할 수 있다. 또한, 필터링 장치(200)는 검출된 노이즈점을 필터링할 수 있다.
그리고, 본 발명의 또 다른 실시예에 따르면, 필터링 장치(200)는 라이다로부터 획득된 점군 데이터를 수신하고, 수신한 점군 데이터를 분석하여 점군 데이터의 특정점과 이웃하는 점 사이의 거리 및 밀도(density)를 기준으로 노이즈점을 검출할 수 있다. 또한, 필터링 장치(200)는 검출된 노이즈점을 필터링할 수 있다.
한편, 본 발명의 다양한 실시예들은 서로 구분되어 각각의 기능을 수행하는 것으로 설명하고 있으나, 이에 한정된 것은 아니고 필터링 과정을 이중 또는 삼중으로 수행하는 것으로 구현될 수 있다.
지금까지 상술한 바와 같은, 라이다(100) 및 필터링 장치(200)는 장치들 사이를 직접 연결하는 보안 회선, 공용 유선 통신망 또는 이동 통신망 중 하나 이상이 조합된 네트워크를 이용하여 데이터를 송수신할 수 있다.
예를 들어, 공용 유선 통신망에는 이더넷(ethernet), 디지털가입자선(x Digital Subscriber Line, xDSL), 광동축 혼합망(Hybrid Fiber Coax, HFC), 광가입자망(Fiber To The Home, FTTH)가 포함될 수 있으나, 이에 한정되는 것도 아니다. 그리고, 이동 통신망에는 코드 분할 다중 접속(Code Division Multiple Access, CDMA), 와이드 밴드 코드 분할 다중 접속(Wideband CDMA, WCDMA), 고속 패킷 접속(High Speed Packet Access, HSPA), 롱텀 에볼루션(Long Term Evolution, LTE), 5세대 이동통신(5th generation mobile telecommunication)가 포함될 수 있으나, 이에 한정되는 것은 아니다.
이하, 상술한 바와 같은 필터링 장치(200)에 대하여 구체적으로 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 필터링 장치의 논리적 구성도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 필터링 장치(200)는 통신부(205), 입출력부(210), 저장부(215), 단위 점군 데이터 생성부(220), 노이즈점 검출부(225) 및 노이즈점 필터링부(230)를 포함하여 구성될 수 있다.
이와 같은, 필터링 장치(200)의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.
각각의 구성 요소에 대하여 설명하면, 통신부(205)는 라이다(100)와 데이터를 송수신 할 수 있다. 구체적으로, 통신부(205)는 라이다(100)로부터 점군 데이터를 수신할 수 있다. 또한, 통신부(205)는 필터링 된 점군 데이터를 외부로 전송할 수 있다.
다음 구성으로, 입출력부(210)는 사용자 인터페이스(UI)를 통해 사용자로부터 신호를 입력 받거나, 연산 결과를 외부로 출력할 수 있다. 구체적으로, 입출력부(210)는 노이즈점을 검출하기 위한 설정 값 등을 입력받을 수 있다.
다음 구성으로, 저장부(215)는 라이다(100)로부터 수신한 점군 데이터를 저장할 수 있다. 구체적으로, 저장부(215)는 라이다(100)로부터 수신한 점군 데이터, 점군 데이터로부터 3D 특징 추정(feature estimation)을 위한 알고리즘, 복수의 데이터 셋을 융합하여 모델을 생성하는 레지스트레이션(registration) 작업 알고리즘, 이웃점을 탐색하는 KD tree 알고리즘, 계층 트리 구조를 구성하는 알고리즘, 3D 표면 복원 알고리즘, 점군 데이터를 처리한 결과를 시각화 하는 알고리즘 등을 저장할 수 있다.
다음 구성으로, 단위 점군 데이터 생성부(220)는 라이다(100)로부터 수신한 점군 데이터를 사전 설정된 개수로 그룹핑(grouping)하여 복수의 단위 점군 데이터를 생성할 수 있다.
구체적으로, 단위 점군 데이터 생성부(220)는 점군 데이터 중 동일한 채널에 포함되어 있는 점군 데이터를 사전 설정된 개수로 그룹핑 할 수 있다. 바람직하게, 단위 점군 데이터 생성부(200)는 동일 채널에 포함되어 있는 점군 데이터를 세개씩 그룹핑 할 수 있다. 한편, 라이다(100)의 발광부는 복수의 레이저 펄스를 발사하게 되고, 각 레이저 펄스를 채널 단위로 구분한다. 이때, 라이다(100)는 채널 수가 높을수록 한번에 스캔할 수 있는 수직 범위가 넓어진다.
이러한, 단위 점군 데이터 생성부(220)는 동일한 점군 데이터를 패킷(packet) 형태로 가지고 있는 PCAP 데이터를 파싱(parcing)할 때, 동일 채널의 점군 데이터를 그룹핑 할 수 있다. 여기서, PCAP 데이터는 각 점의 위치 정보, 거리 정보 및 인텐시티 정보를 포함할 수 있다.
다음 구성으로, 노이즈점 검출부(225)는 생성된 단위 점군 데이터를 분석하여 노이즈에 해당하는 노이즈점을 검출할 수 있다.
구체적으로, 노이즈점 검출부(225)는 단위 점군 데이터 생성부(220)에 의해 세개씩 그룹핑 된 단위 점군 데이터 중 가운데 위치한 검출대상점이 노이즈점인지 여부를 검출할 수 있다. 여기서, 노이즈점 검출부(225)는 점군 데이터에 포함된 객체의 좌측 또는 우측 엣지(edge)에 형성되는 노이즈점을 검출할 수 있다.
먼저, 노이즈점 검출부(225)는 객체의 좌측 엣지에 형성되는 노이즈점을 하기와 같이 검출할 수 있다.
노이즈점 검출부(225)는 검출대상점을 기준으로 좌측에 위치한 점과 검출대상점의 거리가, 검출대상점을 기준으로 우측에 위치한 점과 검출대상점의 거리보다 사전 설정된 값 이상으로 큰 경우, 검출대상점이 객체의 좌측 엣지에 형성된 노이즈점인 것으로 판단할 수 있다.
또한, 노이즈점 검출부(225)는 검출대상점을 기준으로 좌측에 위치한 점과 검출대상점의 기울기가, 검출대상점을 기준으로 우측에 위치한 점과 검출대상점의 기울기보다 사전 설정된 각도 이상으로 큰 경우, 검출대상점이 객체의 좌측 엣지에 형성된 노이즈점인 것으로 판단할 수 있다.
또한, 노이즈점 검출부(225)는 검출대상점이 검출대상점을 기준으로 우측에 위치한 점보다 인텐시티(intensity) 값이 사전 설정된 값보다 낮은 경우 검출대상점이 객체의 좌측 엣지에 형성된 노이즈점인 것으로 판단할 수 있다.
정리하면, 노이즈점 검출부(225)는 검출대상점을 기준으로 좌측 또는 우측에 위치한 점 사이의 거리 차이와, 검출대상점과 좌측에 위치한 점과의 인텐시티 값의 차이를 기초로 객체의 우측 엣지에 형성되는 노이즈점을 검출할 수 있다.
바람직하게, 노이즈점 검출부(225)는 검출대상점을 기준으로 좌측 또는 우측에 위치한 점 사이의 거리 차이와, 검출대상점과 우측에 위치한 점과의 인텐시티 값의 차이를 모두 만족하는 경우, 검출대상점을 노이즈점으로 판단할 수 있다. 예를 들어, 노이즈점 검출부(225)는 검출대상점을 기준으로 좌측 또는 우측에 위치한 점 사이의 거리 차이가 3배 이상이고, 기울기 차이가 20°이상이며, 검출대상점과, 검출대상점을 기준으로 우측에 위치한 점의 인텐시티 값의 차이가 8이상인 경우 검출대상점을 노이즈점으로 판단할 수 있다.
다음으로, 노이즈점 검출부(225)는 객체의 우측에 엣지에 형성되는 노이즈점을 하기와 같이 검출할 수 있다.
노이즈점 검출부(225)는 검출대상점을 기준으로 우측에 위치한 점과 검출대상점의 거리가, 검출대상점을 기준으로 좌측에 위치한 점과 검출대상점의 거리보다 사전 설정된 값 이상으로 큰 경우, 검출대상점이 객체의 우측 엣지에 형성된 노이즈점인 것으로 판단할 수 있다.
또한, 노이즈점 검출부(225)는 검출대상점을 기준으로 우측에 위치한 점과 검출대상점의 기울기가, 검출대상점을 기준으로 좌측에 위치한 점과 검출대상점의 기울기보다 사전 설정된 각도 이상으로 큰 경우, 검출대상점이 객체의 우측 엣지에 형성된 노이즈점인 것으로 판단할 수 있다.
또한, 노이즈점 검출부(225)는 검출대상점이 상기 검출대상점을 기준으로 좌측에 위치한 점보다 인텐시티(intensity) 값이 사전 설정된 값보다 낮은 경우 검출대상점이 객체의 우측 엣지에 형성된 노이즈점인 것으로 판단할 수 있다.
정리하면, 노이즈점 검출부(225)는 검출대상점을 기준으로 좌측 또는 우측에 위치한 점 사이의 거리 차이와, 검출대상점과 좌측에 위치한 점과의 인텐시티 값의 차이를 기초로 객체의 우측 엣지에 형성되는 노이즈점을 검출할 수 있다.
바람직하게, 노이즈점 검출부(225)는 검출대상점을 기준으로 좌측 또는 우측에 위치한 점 사이의 거리 차이와, 검출대상점과 좌측에 위치한 점과의 인텐시티 값의 차이를 모두 만족하는 경우, 검출대상점을 노이즈점으로 판단할 수 있다. 예를 들어, 노이즈점 검출부(225)는 검출대상점을 기준으로 좌측 또는 우측에 위치한 점 사이의 거리 차이가 3배 이상이고, 기울기 차이가 20°이상이며, 검출대상점과, 검출대상점을 기준으로 좌측에 위치한 점의 인텐시티 값의 차이가 8이상인 경우 검출대상점을 노이즈점으로 판단할 수 있다.
예를 들어, 노이즈점 검출부(225)는 검출대상점을 기준으로 좌측에 위치한 점과 검출대상점 사이의 거리가 1.83m이고 기울기가 16도이며, 검출대상점을 기준으로 우측점과 검출대상점 사이의 거리가 0.04m 기울기가 45도이면, 검출대상점을 노이즈점 후보군으로 선정하고, 검출대상점과 우측점의 인텐시티 값이 8이상 차이가 날 경우, 검출대상점을 노이즈점으로 최종 판단할 수 있다.
또한, 노이즈점 검출부(225)는 점군 데이터의 인텐시티 패턴을 분석하여, 분석된 인텐시티 패턴을 기초로 노이즈점을 검출할 수 있다. 이때, 노이즈점 검출부(225)는 점군 데이터를 패킷 형태로 가지고 있는 PCAP 데이터를 파싱하여, 동일 채널에 포함되어 있는 점군 데이터의 인텐시티 패턴을 분석하여 점군 데이터에 포함된 객체의 좌측에 형성된 노이즈점을 검출할 수 있다. 여기서, 객체는 인텐시티 값이 100 이상인 점들을 포함할 수 있다. 예를 들어, 객체는 교통 표지판 등의 평면 형태를 가지는 객체가 될 수 있다. 즉, 노이즈점 검출부(225)는 인텐시티가 상대적으로 높은 객체의 좌측에서 발생되는 노이즈점들을 검출할 수 있다.
구체적으로, 노이즈점 검출부(225)는 점군 데이터를 파싱하면서, 동일 채널에서 사전 설정된 값보다 낮은 인텐시티 값을 가진 제1 점군이 검출된 후에, 연속적으로 인텐시티 값이 존재하지 않는 제2 점군이 검출되고, 다시 인텐시티가 사전 설정된 값보다 높은 제3 점군이 검출되는 경우, 제1 점군이 제1 노이즈점인 것으로 판단할 수 있다. 이때, 제1 점군, 제2 점군 및 제3 점군은 하나의 점 또는 복수의 점을 포함할 수 있다. 여기서, 바람직하게 제2 점군은 인텐시티 값이 존재하지 않는 3 ~ 5개의 점의 집합이 될 수 있다.
또한, 노이즈점 검출부(225)는 제1 점군, 2 점군 및 제3 점군이 검출된 후에 제1 점군과 제2 점군의 인텐시티 값의 차이가 100 이상인 경우, 제1 점군이 제1 노이즈점인 것으로 판단할 수 있다.
또한, 노이즈점 검출부(225)는 제1 노이즈점과 사전 설정된 반경 이내에 포함된 점들을 제2 노이즈점으로 판단할 수 있다. 이때, 제2 노이즈점은 제1 노이즈점과 함께 필터링이 필요한 노이즈점이 될 수 있다.
여기서, 노이즈점 검출부(225)는 KD tree 알고리즘을 통해 제1 노이즈점으로 판단된 점들 각각을 기준으로 사전 설정된 반경 이내에 포함되면서, 인텐시티 값이 사전 설정된 값보다 낮은 점들을 제2 노이즈점으로 판단할 수 있다.
예를 들어, 노이즈점 검출부(225)는 제1 노이즈점으로 판단된 점들을 기준으로 반경 0.5m 이내에 포함되고, 제1 노이즈점과 인텐시티 값의 차이가 10 미만인 점들을 제2 노이즈점으로 판단할 수 있다. 이때, 노이즈점 검출부(225)는 라이다(100)의 한 바퀴에 해당되는 점군 데이터 중 제1 노이즈점으로 판단된 점들 각각을 기준으로 사전 설정된 반경 이내에 포함되면서, 인텐시티 값이 사전 설정된 값보다 낮은 점들을 제2 노이즈점으로 판단할 수 있다.
또한, 노이즈점 검출부(225)는 수신한 점군 데이터를 분석하여, 점군 데이터의 특정점과 이웃하는 점 사이의 거리 및 밀도(density)를 기준으로 노이즈점을 검출할 수 있다. 여기서, 노이즈점은 점군 데이터에 포함된 객체로부터 사전 설정된 간격만큼 이격되어 분포될 수 있다.
구체적으로, 노이즈점 검출부(225)는 특정점을 기준으로 이웃하는 복수의 이웃점을 탐색할 수 있다. 이때, 노이즈점 검출부(225)는 점군 데이터를 KD tree 알고리즘을 이용하여, 점군 데이터의 모든 점들을 대상으로 복수의 이웃점을 탐색할 수 있다.
또한, 노이즈점 검출부(225)는 복수의 이웃점이 존재하는 경우, 특정점과 복수의 이웃점 사이의 거리 평균 값을 산출할 수 있다. 여기서, 노이즈점 검출부(225)는 하기의 수학식 1을 통해 거리 평균 값을 산출할 수 있다.
[수학식 1]
Figure 112022113613340-pat00001
(여기서, k는 상기 특정점과 이웃점 각각 사이의 거리, pi는 특정점, qj는 이웃점을 의미한다.)
또한, 노이즈점 검출부(225)는 산출된 거리 평균 값을 통해 상기 특정점을 기준으로 한 국소 밀도(local density) 값을 산출할 수 있다. 여기서, 노이즈점 검출부(225)는 KNN(K-Nearest Neighbor) 알고리즘을 이용하여 특정점을 기준으로 한 국소 밀도 값을 산출할 수 있다. 즉, 노이즈점 검출부(225)는 하기의 수학식 2를 통해 국소 밀도를 산출할 수 있다.
[수학식 2]
Figure 112022113613340-pat00002
(여기서, k는 상기 특정점과 이웃점 각각 사이의 거리, pi는 특정점, qj는 이웃점,
Figure 112022113613340-pat00003
는 거리 평균 값을 의미한다.)
또한, 노이즈점 검출부(225)는 산출된 국소 밀도 값을 기초로 특정점이 노이즈점일 확률을 산출할 수 있다. 이때, 노이즈점 검출부(225)는 산출된 국소 밀도 값과 비례하여 노이즈점일 확률을 산출할 수 있다.
여기서, 노이즈점 검출부(225)는 점군 데이터에서 객체를 식별하고, 특정점과 이웃하는 객체의 종류에 가중치를 부여하여 노이즈점일 확률을 산출할 수 있다. 또한, 노이즈점 검출부(225)는 사전 기계 학습(machine learning)된 인공지능(Artificial Intelligence, AI)을 이용하여, 노이즈점일 확률을 추정할 수 있다. 이때, 노이즈점 검출부(225)는 객체의 종류에 따른 국소 밀도를 기초로 인공지능을 기계학습 시킬 수 있다.
그리고, 노이즈점 검출부(225)는 노이즈점일 확률이 특정 값 이상인 특정점을 노이즈점으로 판단할 수 있다.
다음 구성으로, 노이즈점 필터링부(230)는 노이즈점 검출부(225)로부터 검출된 노이즈점을 필터링할 수 있다. 바람직하게, 노이즈점 필터링부(230)는 검출된 노이즈점을 삭제할 수 있다. 하지만, 이에 한정된 것은 아니고 노이즈점 필터링부(230)는 인접한 점의 거리 정보를 이용하여 노이즈점을 보정하는 등 다양한 필터링 기법들이 적용될 수 있다.
이하 상술한 바와 같은, 본 발명의 일 실시예에 따른 필터링 장치(200)의 논리적 구성요소를 구현하기 위한 하드웨어에 대하여 보다 구체적으로 설명한다.
도 3은 본 발명의 일 실시예에 따른 필터링 장치의 하드웨어 구성도이다.
도 3에 도시된 바와 같이, 필터링 장치(200)는 프로세서(Processor, 250), 메모리(Memory, 255), 송수신기(Transceiver, 260), 입출력장치(Input/output device, 265), 데이터 버스(Bus, 270) 및 스토리지(Storage, 275)를 포함하여 구성될 수 있다.
프로세서(250)는 메모리(255)에 상주된 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(280a)에 따른 명령어를 기초로, 필터링 장치(200)의 동작 및 기능을 구현할 수 있다. 메모리(255)에는 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(280a)가 상주(loading)될 수 있다. 송수신기(260)는 라이다(100)와 데이터를 송수신할 수 있다. 입출력장치(265)는 필터링 장치(200)의 기능 동작에 필요한 데이터를 입력 받고, 필터링 결과 등을 출력할 수 있다. 데이터 버스(270)는 프로세서(250), 메모리(255), 송수신기(260), 입출력장치(265) 및 스토리지(275)와 연결되어, 각각의 구성 요소 사이가 서로 데이터를 전달하기 위한 이동 통로의 역할을 수행할 수 있다.
스토리지(275)는 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(280a)의 실행을 위해 필요한 애플리케이션 프로그래밍 인터페이스(Application Programming Interface, API), 라이브러리(library) 파일, 리소스(resource) 파일 등을 저장할 수 있다. 스토리지(275)는 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(280b)를 저장할 수 있다. 또한, 스토리지(275)는 본 발명의 실시예들에 따른 방법의 수행에 필요한 정보들을 저장할 수 있다.
본 발명의 일 실시예에 따르면, 메모리(255)에 상주되거나 또는 스토리지(275)에 저장된 객체 자동 특정 방법을 구현하기 위한 소프트웨어(280a, 280b)는 프로세서(250)가 라이다(lidar)로부터 획득된 점군 데이터를 수신하는 단계, 상기 프로세서(250)가, 상기 점군 데이터를 사전 설정된 개수로 그룹핑(grouping)하여 복수의 단위 점군 데이터를 생성하는 단계, 상기 프로세서가, 상기 생성된 단위 점군 데이터를 분석하여 노이즈에 해당하는 노이즈점(noise point)을 검출하는 단계 및 상기 프로세서(250)가, 상기 검출된 노이즈점을 필터링하는 단계를 실행시키기 위하여, 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.
또한, 본 발명의 다른 실시예에 따르면, 메모리(255)에 상주되거나 또는 스토리지(275)에 저장된 객체 자동 특정 방법을 구현하기 위한 소프트웨어(280a, 280b)는 프로세서(250)가 라이다(lidar)로부터 획득된 점군 데이터를 수신하는 단계, 상기 프로세서(250)가, 상기 수신한 점군 데이터의 인텐시티(intensity) 패턴을 분석하여, 상기 분석된 인텐시티 패턴을 기초로 노이즈점을 검출하는 단계, 상기 프로세서(250)가, 상기 검출된 노이즈점을 필터링하는 단계를 실행시키기 위하여, 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.
그리고, 본 발명의 또 다른 실시예에 따르면, 메모리(255)에 상주되거나 또는 스토리지(275)에 저장된 객체 자동 특정 방법을 구현하기 위한 소프트웨어(280a, 280b)는 프로세서(250)가 라이다(lidar)로부터 획득된 점군 데이터를 수신하는 단계, 상기 프로세서(250)가, 상기 수신한 점군 데이터를 분석하여 상기 점군 데이터의 특정점(point)과 이웃하는 점 사이의 거리 및 밀도(density)를 기준으로 노이즈점(noise point)을 검출하는 단계 및 상기 프로세서(250)가, 상기 검출된 노이즈점을 필터링하는 단계를 실행시키기 위하여, 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.
보다 구체적으로, 프로세서(250)는 ASIC(Application-Specific Integrated Circuit), 다른 칩셋(chipset), 논리 회로 및/또는 데이터 처리 장치를 포함할 수 있다. 메모리(255)는 ROM(Read-Only Memory), RAM(Random Access Memory), 플래쉬 메모리, 메모리 카드, 저장 매체 및/또는 다른 저장 장치를 포함할 수 있다. 송수신기(260)는 유무선 신호를 처리하기 위한 베이스밴드 회로를 포함할 수 있다. 입출력장치(265)는 키보드(keyboard), 마우스(mouse), 및/또는 조이스틱(joystick) 등과 같은 입력 장치 및 액정표시장치(Liquid Crystal Display, LCD), 유기 발광 다이오드(Organic LED, OLED) 및/또는 능동형 유기 발광 다이오드(Active Matrix OLED, AMOLED) 등과 같은 영상 출력 장치 프린터(printer), 플로터(plotter) 등과 같은 인쇄 장치를 포함할 수 있다.
본 명세서에 포함된 실시 예가 소프트웨어로 구현될 경우, 상술한 방법은 상술한 기능을 수행하는 모듈(과정, 기능 등)로 구현될 수 있다. 모듈은 메모리(255)에 상주되고, 프로세서(250)에 의해 실행될 수 있다. 메모리(255)는 프로세서(250)의 내부 또는 외부에 있을 수 있고, 잘 알려진 다양한 수단으로 프로세서(250)와 연결될 수 있다.
도 3에 도시된 각 구성요소는 다양한 수단, 예를 들어, 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 본 발명의 일 실시예는 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
또한, 펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 일 실시예는 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차, 함수 등의 형태로 구현되어, 다양한 컴퓨터 수단을 통하여 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 이러한, 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이하, 본 발명의 일 실시예에 따른 필터링 방법에 대하여 상세히 설명하도록 한다.
도 4는 본 발명의 일 실시예에 따른 필터링 방법을 나타낸 순서도이다.
도 4에 도시된 바와 같이, S110 단계에서 필터링 장치는 라이다로부터 점군 데이터를 수신할 수 있다.
다음으로, S120 단계에서 필터링 장치는 라이다로부터 수신한 점군 데이터를 사전 설정된 개수로 그룹핑(grouping)하여 복수의 단위 점군 데이터를 생성할 수 있다.
구체적으로, 필터링 장치는 점군 데이터 중 동일한 채널에 포함되어 있는 점군 데이터를 사전 설정된 개수로 그룹핑 할 수 있다. 이때, 필터링 장치는 동일 채널에 포함되어 있는 점군 데이터를 세개씩 그룹핑 할 수 있다.
여기서, 필터링 장치는 동일한 점군 데이터를 패킷 형태로 가지고 있는 PCAP 데이터를 파싱할 때, 동일 채널의 점군 데이터를 그룹핑할 수 있다.
다음으로, S130 단계에서 필터링 장치는 생성된 단위 점군 데이터를 분석하여 노이즈에 해당하는 노이즈점을 검출할 수 있다.
구체적으로, 필터링 장치는 S120 단계에 의해 세개씩 그룹핑 된 단위 점군 데이터 중 가운데 위치한 검출대상점이 노이즈점인지 여부를 검출할 수 있다. 여기서, 필터링 장치는 점군 데이터에 포함된 객체의 좌측 또는 우측 엣지에 형성되는 노이즈점을 검출할 수 있다.
먼저, 필터링 장치는 객체의 좌측에 엣지에 형성되는 노이즈점을 하기와 같이 검출할 수 있다.
필터링 장치는 검출대상점을 기준으로 좌측에 위치한 점과 검출대상점의 거리가, 검출대상점을 기준으로 우측에 위치한 점과 검출대상점의 거리보다 사전 설정된 값 이상으로 큰 경우, 검출대상점이 객체의 좌측 엣지에 형성된 노이즈점인 것으로 판단할 수 있다.
또한, 필터링 장치는 검출대상점을 기준으로 좌측에 위치한 점과 검출대상점의 기울기가, 검출대상점을 기준으로 우측에 위치한 점과 검출대상점의 기울기보다 사전 설정된 각도 이상으로 큰 경우, 검출대상점이 객체의 좌측 엣지에 형성된 노이즈점인 것으로 판단할 수 있다.
또한, 필터링 장치는 검출대상점이 검출대상점을 기준으로 우측에 위치한 점보다 인텐시티 값이 사전 설정된 값보다 낮은 경우 검출대상점이 객체의 좌측 엣지에 형성된 노이즈점인 것으로 판단할 수 있다.
정리하면, 필터링 장치는 검출대상점을 기준으로 좌측 또는 우측에 위치한 점 사이의 거리 차이와, 검출대상점과 좌측에 위치한 점과의 인텐시티 값의 차이를 기초로 객체의 좌측 엣지에 형성되는 노이즈점을 검출할 수 있다.
바람직하게, 필터링 장치는 검출대상점을 기준으로 좌측 또는 우측에 위치한 점 사이의 거리 차이와, 검출대상점과 좌측에 위치한 점과의 인텐시티 값의 차이를 모두 만족하는 경우, 검출대상점을 노이즈점으로 판단할 수 있다.
다음으로, 필터링 장치는 객체의 우측에 엣지에 형성되는 노이즈점을 하기와 같이 검출할 수 있다.
필터링 장치는 검출대상점을 기준으로 우측에 위치한 점과 검출대상점의 거리가, 검출대상점을 기준으로 좌측에 위치한 점과 검출대상점의 거리보다 사전 설정된 값 이상으로 큰 경우, 검출대상점이 객체의 우측 엣지에 형성된 노이즈점인 것으로 판단할 수 있다.
또한, 필터링 장치는 검출대상점을 기준으로 우측에 위치한 점과 검출대상점의 기울기가, 검출대상점을 기준으로 좌측에 위치한 점과 검출대상점의 기울기보다 사전 설정된 각도 이상으로 큰 경우, 검출대상점이 객체의 우측 엣지에 형성된 노이즈점인 것으로 판단할 수 있다.
또한, 필터링 장치는 검출대상점이 상기 검출대상점을 기준으로 좌측에 위치한 점보다 인텐시티(intensity) 값이 사전 설정된 값보다 낮은 경우 검출대상점이 객체의 우측 엣지에 형성된 노이즈점인 것으로 판단할 수 있다.
정리하면, 필터링 장치는 검출대상점을 기준으로 좌측 또는 우측에 위치한 점 사이의 거리 차이와, 검출대상점과 우측에 위치한 점과의 인텐시티 값의 차이를 기초로 객체의 우측 엣지에 형성되는 노이즈점을 검출할 수 있다.
바람직하게, 필터링 장치는 검출대상점을 기준으로 좌측 또는 우측에 위치한 점 사이의 거리 차이와, 검출대상점과 우측에 위치한 점과의 인텐시티 값의 차이를 모두 만족하는 경우, 검출대상점을 노이즈점으로 판단할 수 있다.
그리고, S140 단계에서 필터링 장치는 S130 단계에서 검출된 노이즈점을 필터링 할 수 있다.
이하, 본 발명의 다른 실시예에 따른 필터링 방법에 대하여 상세히 설명하도록 한다.
도 5는 본 발명의 다른 실시예에 따른 필터링 방법을 나타낸 순서도이다.
도 5에 도시된 바와 같이, S210 단계에서 필터링 장치는 라이다로부터 점군 데이터를 수신할 수 있다.
다음으로, S220 단계에서 필터링 장치는 점군 데이터의 인텐시티 패턴을 분석하여, 분석된 인텐시티 패턴을 기초로 노이즈점을 검출할 수 있다. 이때, 필터링 장치는 점군 데이터를 패킷 형태로 가지고 있는 PCAP 데이터를 파싱하여, 동일 채널에 포함되어 있는 점군 데이터의 인텐시티 패턴을 분석하여 점군 데이터에 포함된 객체의 좌측에 형성된 노이즈점을 검출할 수 있다.
구체적으로, 필터링 장치는 점군 데이터를 파싱하면서, 동일 채널에서 사전 설정된 값보다 낮은 인텐시티 값을 가진 제1 점군이 검출된 후에, 연속적으로 인텐시티 값이 존재하지 않는 제2 점군이 검출되고, 다시 인텐시티가 사전 설정된 값보다 높은 제3 점군이 검출되는 경우, 제1 점군이 제1 노이즈점인 것으로 판단할 수 있다. 이때, 제1 점군, 제2 점군 및 제3 점군은 하나의 점 또는 복수의 점을 포함할 수 있다. 여기서, 바람직하게 제2 점군은 인텐시티 값이 존재하지 않는 3 ~ 5개의 점의 집합이 될 수 있다.
또한, 필터링 장치는 제1 점군, 2 점군 및 제3 점군이 검출된 후에 제1 점군과 제2 점군의 인텐시티 값의 차이가 100 이상인 경우, 제1 점군이 제1 노이즈점인 것으로 판단할 수 있다.
또한, 필터링 장치는 제1 노이즈점과 사전 설정된 반경 이내에 포함된 점들을 제2 노이즈점으로 판단할 수 있다. 이때, 제2 노이즈점은 제1 노이즈점과 함께 필터링이 필요한 노이즈에 해당되는 점이 될 수 있다.
여기서, 필터링 장치는 KD tree 알고리즘을 통해 제1 노이즈점으로 판단된 점들 각각을 기준으로 사전 설정된 반경 이내에 포함되면서, 인텐시티 값이 사전 설정된 값보다 낮은 점들을 제2 노이즈점으로 판단할 수 있다.
그리고, S230 단계에서 필터링 장치는 S220 단계에서 판단된 제1 노이즈점 및 제2 노이즈점을 필터링할 수 있다.
이하, 본 발명의 또 다른 실시예에 따른 필터링 방법에 대하여 상세히 설명하도록 한다.
도 6은 본 발명의 또 다른 실시예에 따른 필터링 방법을 나타낸 순서도이다.
도 6에 도시된 바와 같이, S310 단계에서 필터링 장치는 라이다로부터 점군 데이터를 수신할 수 있다.
다음으로, S320 단계에서 필터링 장치는 특정점을 기준으로 이웃하는 복수의 이웃점을 탐색할 수 있다. 이때, 필터링 장치는 점군 데이터를 KD tree 알고리즘을 이용하여, 점군 데이터의 모든 점들을 대상으로 복수의 이웃점을 탐색할 수 있다.
다음으로, S330 단계에서 필터링 장치는 이웃점이 존재하는 경우, S340 단계에서 특정점과 복수의 이웃점 사이의 거리 평균 값을 산출할 수 있다. 여기서, 필터링 장치는 하기의 수학식 1을 통해 거리 평균 값을 산출할 수 있다.
[수학식 1]
Figure 112022113613340-pat00004
(여기서, k는 상기 특정점과 이웃점 각각 사이의 거리, pi는 특정점, qj는 이웃점을 의미한다.)
다음으로, S350 단계에서, 필터링 장치는 산출된 거리 평균 값을 통해 상기 특정점을 기준으로 한 국소 밀도(local density) 값을 산출할 수 있다. 여기서, 필터링 장치는 KNN(K-Nearest Neighbor) 알고리즘을 이용하여 특정점을 기준으로 한 국소 밀도(local density) 값을 산출할 수 있다. 즉, 필터링 장치는 하기의 수학식 2를 통해 국소 밀도를 산출할 수 있다.
[수학식 2]
Figure 112022113613340-pat00005
(여기서, k는 상기 특정점과 이웃점 각각 사이의 거리, pi는 특정점, qj는 이웃점,
Figure 112022113613340-pat00006
는 거리 평균 값을 의미한다.)
다음으로, S360 단계에서 필터링 장치는 산출된 국소 밀도 값을 기초로 특정점이 노이즈점일 확률을 산출할 수 있다. 이때, 필터링 장치는 산출된 국소 밀도 값과 비례하여 노이즈점일 확률을 산출할 수 있다.
여기서, 필터링 장치는 점군 데이터에서 객체를 식별하고, 특정점과 이웃하는 객체의 종류에 가중치를 부여하여 노이즈점일 확률을 산출할 수 있다. 또한, 필터링 장치는 사전 기계 학습(machine learning)된 인공지능(Artificial Intelligence, AI)을 이용하여, 노이즈점일 확률을 추정할 수 있다.
다음으로, S370 단계에서 필터링 장치는 노이즈점일 확률이 특정 값 이상인 경우, S380 단계에서 해당 특정점을 노이즈점으로 판단하고 필터링 할 수 있다.
도 7 내지 도 10은 본 발명의 일 실시예에 따른 필터링 방법을 설명하기 위한 예시도이다.
구체적으로, 도 7의 (A)는 카메라에 의해 동시에 촬영된 이미지 상에 라이다의 한바퀴에 해당하는 점군 데이터를 거리별로 색을 부여하여 오버레이(overlay)한 데이터이고, (B)는 (A)와 동일한 이미지에 점군 데이터를 인텐시티별로 색을 부여하여 오버레이한 데이터이다.
도 7에 도시된 바와 같이, 객체(나무)의 양쪽 엣지 영역에 인텐시티가 낮은 노이즈점들로 인해, 실제 객체의 두께보다 더 두껍게 이미지 상에 점군이 오버레이되는 것을 확인할 수 있다.
도 8은 도 7의 (A) 및 (B)에 본 발명의 일 실시예에 따른 필터링 방법을 적용한 후 결과를 나타낸 도면이다.
즉, 도 8에 도시된 바와 같이, 본 발명의 일 실시예에 따른 필터링 방법을 적용하여, 객체의 좌측 또는 우측에 실제 객체의 두께보다 더 두껍게 생성되는 노이즈점들이 제거된 것을 확인할 수 있다.
한편, 도 9의 (A)는 라이다로부터 획득된 점군 데이터를 누적시켜 생성한 MMS 인텐시티 맵 데이터이고, (B)는 본 발명의 일 실시예에 따른 필터링 방법을 적용한 후 결과를 나타낸 도면이다. 또한, 도 10의 (A)는 라이다로부터 획득된 점군 데이터를 누적시켜 생성한 MMS RGB 맵 데이터이고, (B)는 본 발명의 일 실시예에 따른 필터링 방법을 적용한 후 결과를 나타낸 도면이다.
도 9 및 도 10에 도시된 바와 같이, 필터링 전에는 객체(나무) 주위에 객체에 해당하는 점군과 상이한 정보를 포함하는 점으로 나타나는 노이즈점들이 생성된 것을 확인할 수 있으나, 필터링 후에는 노이즈점들이 제거된 것을 확인할 수 있다.
이와 같이, 본 발명의 일 실시예에 따른 필터링 장치는 라이다로부터 획득된 점군 데이터를 그룹핑하여 복수의 단위 점군 데이터를 생성하고, 생성된 단위 점군 데이터를 분석하여 노이즈에 해당하는 노이즈점을 검출함으로써, 객체의 좌측 또는 우측 엣지 영역에서 발생되는 노이즈점을 효과적으로 필터링할 수 있다.
도 11 내지 도 12는 본 발명의 다른 실시예에 따른 필터링 방법을 설명하기 위한 예시도이다.
구체적으로, 도 11의 (A)는 카메라에 의해 동시에 촬영된 이미지 상에 라이다의 한바퀴에 해당하는 점군 데이터를 오버레이 한 데이터이고, (B)는 본 발명의 다른 실시예에 따른 필터링 방법을 적용한 도면이다.
또한, 도 12의 (A)는 라이다로부터 획득된 점군 데이터를 누적시켜 생성한 MMS 인텐시티 맵 데이터이고, (B)는 본 발명의 다른 실시예에 따른 필터링 방법을 적용한 도면이다.
도 11 및 도 12에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 필터링 방법은 필터링 장치가 라이다로부터 획득된 점군 데이터의 인센시티 패턴을 분석하여, 분석된 인텐시티 패턴을 기초로 노이즈점을 검출함으로써, 객체의 좌측 영역에서 발생되는 노이즈점을 효과적으로 필터링할 수 있다.
도 13 내지 도 17은 본 발명의 또 다른 실시예에 따른 필터링 방법을 설명하기 위한 예시도이다.
구체적으로, 도 13은 임의의 건물에 대한 3D 점군 데이터를 나타낸 도면이다.
도 13에 도시된 바와 같이, 객체와 이격되어 공중에 듬성듬성 개별적으로 존재하는 노이즈점(A) 및 객체와 이격되어 뭉쳐져 있는 노이즈점(B)이 생성된 것을 확인할 수 있다. 여기서, 노이즈점들은 객체와는 분리되어 있기 때문에 밀도가 낮은 것을 확인할 수 있다.
이에 따라, 본 발명의 또 다른 실시예에 따른 필터링 방법은 라이다로부터 획득된 점군 데이터를 분석하여, 이웃하는 점 사이의 거리 및 밀도를 기준으로 노이즈점을 검출함으로써, 노이즈점을 효과적으로 필터링할 수 있다.
한편 도 14의 (A)는 라이다로부터 획득된 점군 데이터를 누적하여 생성한 도면이고, (B)는 본 발명의 또 다른 실시예에 따른 필터링 방법을 적용한 후 점군 데이터를 나타낸 도면이다. 그리고, 도 15 내지 도 17은 도 14의 각 영역을 확대하여 나타낸 도면이다.
도 14 내지 도 17에 도시된 바와 같이, 본 발명의 또 다른 실시예에 따른 필터링 방법을 적용하여 객체 주위에서 발생되는 노이즈점들이 제거된 것을 확인할 수 있다.
이상과 같이, 본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으나, 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다. 또한, 본 명세서와 도면에서 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서, 상술한 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적해석에 의해 선정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
100 : 라이다 200 : 필터링 장치
205 : 통신부 210 : 입출력부
215 : 저장부 220 : 단위 점군 데이터 생성부
225 : 노이즈점 검출부 230 : 노이즈점 필터링부

Claims (10)

  1. 필터링 장치가, 라이다(lidar)로부터 획득된 점군 데이터를 수신하는 단계;
    상기 필터링 장치가, 상기 점군 데이터를 사전 설정된 개수로 그룹핑(grouping)하여 복수의 단위 점군 데이터를 생성하는 단계;
    상기 필터링 장치가, 상기 생성된 단위 점군 데이터를 분석하여 노이즈에 해당하는 노이즈점(noise point)을 검출하는 단계; 및
    상기 필터링 장치가, 상기 검출된 노이즈점을 필터링하는 단계; 를 포함하고,
    상기 단위 점군 데이터를 생성하는 단계는
    상기 점군 데이터 중 동일한 채널에 포함되어 있는 점군 데이터를 사전 설정된 개수로 그룹핑하는 것을 특징으로 하며,
    상기 단위 점군 데이터를 생성하는 단계는
    상기 점군 데이터를 패킷(packet) 형태로 가지고 있는 PCAP 데이터를 파싱(parcing)하여, 동일 채널에 포함되어 있는 점군 데이터를 세개씩 그룹핑하는 것을 특징으로 하는, 객체의 엣지 노이즈 필터링 방법.
  2. 제1 항에 있어서, 상기 노이즈점을 검출하는 단계는
    상기 세개씩 그룹핑 된 단위 점군 데이터 중 가운데 위치한 검출대상점이 노이즈점인지 여부를 검출하는 것을 특징으로 하는, 객체의 엣지 노이즈 필터링 방법.
  3. 제2 항에 있어서, 상기 노이즈점을 검출하는 단계는
    상기 점군 데이터에 포함된 객체의 좌측 또는 우측 엣지(edge)에 형성되는 노이즈점을 검출하는 것을 특징으로 하는, 객체의 엣지 노이즈 필터링 방법.
  4. 제3 항에 있어서, 상기 노이즈점을 검출하는 단계는
    상기 검출대상점을 기준으로 좌측에 위치한 점과 상기 검출대상점의 거리가, 상기 검출대상점을 기준으로 우측에 위치한 점과 상기 검출대상점의 거리보다 사전 설정된 값 이상으로 큰 경우, 상기 검출대상점이 상기 객체의 좌측 엣지에 형성된 노이즈점인 것으로 판단하는 것을 특징으로 하는, 객체의 엣지 노이즈 필터링 방법.
  5. 제4 항에 있어서, 상기 노이즈점을 검출하는 단계는
    상기 검출대상점을 기준으로 좌측에 위치한 점과 상기 검출대상점의 기울기가, 상기 검출대상점을 기준으로 우측에 위치한 점과 상기 검출대상점의 기울기보다 사전 설정된 각도 이상으로 큰 경우, 상기 검출대상점이 상기 객체의 좌측 엣지에 형성된 노이즈점인 것으로 판단하는 것을 특징으로 하는, 객체의 엣지 노이즈 필터링 방법.
  6. 제3 항에 있어서, 상기 노이즈점을 검출하는 단계는
    상기 검출대상점을 기준으로 우측에 위치한 점과 상기 검출대상점의 거리가, 상기 검출대상점을 기준으로 좌측에 위치한 점과 상기 검출대상점의 거리보다 사전 설정된 값 이상으로 큰 경우, 상기 검출대상점이 상기 객체의 우측 엣지에 형성된 노이즈점인 것으로 판단하는 것을 특징으로 하는, 객체의 엣지 노이즈 필터링 방법.
  7. 제6 항에 있어서, 상기 노이즈점을 검출하는 단계는
    상기 검출대상점을 기준으로 우측에 위치한 점과 상기 검출대상점의 기울기가, 상기 검출대상점을 기준으로 좌측에 위치한 점과 상기 검출대상점의 기울기보다 사전 설정된 각도 이상으로 큰 경우, 상기 검출대상점이 상기 객체의 우측 엣지에 형성된 노이즈점인 것으로 판단하는 것을 특징으로 하는, 객체의 엣지 노이즈 필터링 방법.
  8. 메모리(memory);
    송수신기(transceiver); 및
    상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합되어,
    상기 프로세서가, 라이다(lidar)로부터 획득된 점군 데이터를 수신하는 단계;
    상기 프로세서가, 상기 점군 데이터를 사전 설정된 개수로 그룹핑(grouping)하여 복수의 단위 점군 데이터를 생성하는 단계;
    상기 프로세서가, 상기 생성된 단위 점군 데이터를 분석하여 노이즈에 해당하는 노이즈점(noise point)을 검출하는 단계; 및
    상기 프로세서가, 상기 검출된 노이즈점을 필터링하는 단계;를 포함하여 실행시키되,
    상기 단위 점군 데이터를 생성하는 단계는
    상기 점군 데이터 중 동일한 채널에 포함되어 있는 점군 데이터를 사전 설정된 개수로 그룹핑하는 것을 특징으로 하며,
    상기 단위 점군 데이터를 생성하는 단계는
    상기 점군 데이터를 패킷(packet) 형태로 가지고 있는 PCAP 데이터를 파싱(parcing)하여, 동일 채널에 포함되어 있는 점군 데이터를 세개씩 그룹핑하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
  9. 제8 항에 있어서, 상기 노이즈점을 검출하는 단계는
    상기 세개씩 그룹핑 된 단위 점군 데이터 중 가운데 위치한 검출대상점이 노이즈점인지 여부를 검출하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
  10. 제9 항에 있어서, 상기 노이즈점을 검출하는 단계는
    상기 점군 데이터에 포함된 객체의 좌측 또는 우측 엣지(edge)에 형성되는 노이즈점을 검출하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
KR1020220139932A 2022-10-27 2022-10-27 객체의 엣지 노이즈 필터링 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 KR102540627B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220139932A KR102540627B1 (ko) 2022-10-27 2022-10-27 객체의 엣지 노이즈 필터링 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220139932A KR102540627B1 (ko) 2022-10-27 2022-10-27 객체의 엣지 노이즈 필터링 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR102540627B1 true KR102540627B1 (ko) 2023-06-13
KR102540627B9 KR102540627B9 (ko) 2024-04-08

Family

ID=86762488

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220139932A KR102540627B1 (ko) 2022-10-27 2022-10-27 객체의 엣지 노이즈 필터링 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR102540627B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101645390B1 (ko) * 2015-12-31 2016-08-04 와파시스템 주식회사 셀 가이드용 측정 시스템, 셀 가이드용 측정과 분석 방법 및 기록 매체
KR20180068209A (ko) 2016-12-13 2018-06-21 전자부품연구원 라이다 장치
KR102083909B1 (ko) * 2018-10-23 2020-03-04 주식회사 모빌테크 포인트 클라우드 맵 기반의 자율주행차량용 차선데이터 정보 자동 추출 방법
CN111338804A (zh) * 2020-05-19 2020-06-26 北京数字绿土科技有限公司 激光雷达点云数据的解算方法、装置及多线程处理系统
JP2021043838A (ja) * 2019-09-13 2021-03-18 パイオニア株式会社 情報処理装置、制御方法、プログラム及び記憶媒体
KR20210124789A (ko) * 2020-04-07 2021-10-15 현대자동차주식회사 라이다센서 기반의 객체 인식 장치 및 그 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101645390B1 (ko) * 2015-12-31 2016-08-04 와파시스템 주식회사 셀 가이드용 측정 시스템, 셀 가이드용 측정과 분석 방법 및 기록 매체
KR20180068209A (ko) 2016-12-13 2018-06-21 전자부품연구원 라이다 장치
KR102083909B1 (ko) * 2018-10-23 2020-03-04 주식회사 모빌테크 포인트 클라우드 맵 기반의 자율주행차량용 차선데이터 정보 자동 추출 방법
JP2021043838A (ja) * 2019-09-13 2021-03-18 パイオニア株式会社 情報処理装置、制御方法、プログラム及び記憶媒体
KR20210124789A (ko) * 2020-04-07 2021-10-15 현대자동차주식회사 라이다센서 기반의 객체 인식 장치 및 그 방법
CN111338804A (zh) * 2020-05-19 2020-06-26 北京数字绿土科技有限公司 激光雷达点云数据的解算方法、装置及多线程处理系统

Also Published As

Publication number Publication date
KR102540627B9 (ko) 2024-04-08

Similar Documents

Publication Publication Date Title
US11709058B2 (en) Path planning method and device and mobile device
US10769809B1 (en) Neural networks for object detection
JP6972757B2 (ja) 制御プログラム、制御方法、及び情報処理装置
US11500101B2 (en) Curb detection by analysis of reflection images
US11346682B2 (en) Augmented 3D map
KR102144706B1 (ko) 합성곱 신경망 기반의 도로 검출 장치 및 방법
US20180113234A1 (en) System and method for obstacle detection
US20210374440A1 (en) On-road obstacle detection device, on-road obstacle detection method, and recording medium
Maalej et al. Vanets meet autonomous vehicles: Multimodal surrounding recognition using manifold alignment
KR102343056B1 (ko) 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법
CN110954912B (zh) 用于光学距离测量的方法和设备
US10981577B1 (en) Diagnosing perception system based on scene continuity
US20220234621A1 (en) Augmented 3d map
KR102540627B1 (ko) 객체의 엣지 노이즈 필터링 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
KR102540621B1 (ko) 노이즈 패턴 분석을 통한 노이즈 필터링 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
KR102616439B1 (ko) 이웃점을 통한 노이즈 필터링 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
KR102613160B1 (ko) 3차원 시맨틱 세그멘테이션 방법 및 이를 실행하기위하여 기록매체에 기록된 컴퓨터 프로그램
KR102540629B1 (ko) 교통 시설물에 대한 학습 데이터 생성 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
KR102540632B1 (ko) 색상 보정을 적용한 컬러맵 생성 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
KR102540634B1 (ko) 프로젝션 기반 컬러맵 생성 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
KR102540624B1 (ko) 항공 라이다를 이용한 지도 생성 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
US20220291389A1 (en) Reducing coexistence interference for light detection and ranging
US20230036324A1 (en) Hierarchical perception monitor for vehicle safety
KR102538225B1 (ko) 센서 퓨전 기반의 시맨틱 세그멘테이션 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
KR102538231B1 (ko) 시맨틱 세그멘테이션의 3차원 해석 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Legal Events

Date Code Title Description
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]