KR20190080009A - Automatic drawing method using lane information - Google Patents

Automatic drawing method using lane information Download PDF

Info

Publication number
KR20190080009A
KR20190080009A KR1020170182169A KR20170182169A KR20190080009A KR 20190080009 A KR20190080009 A KR 20190080009A KR 1020170182169 A KR1020170182169 A KR 1020170182169A KR 20170182169 A KR20170182169 A KR 20170182169A KR 20190080009 A KR20190080009 A KR 20190080009A
Authority
KR
South Korea
Prior art keywords
lane
information
lane information
data
image
Prior art date
Application number
KR1020170182169A
Other languages
Korean (ko)
Other versions
KR102035030B1 (en
Inventor
조국
정완석
강상구
Original Assignee
한국국토정보공사
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 한국국토정보공사 filed Critical 한국국토정보공사
Priority to KR1020170182169A priority Critical patent/KR102035030B1/en
Publication of KR20190080009A publication Critical patent/KR20190080009A/en
Application granted granted Critical
Publication of KR102035030B1 publication Critical patent/KR102035030B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G06K9/00798—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Processing Or Creating Images (AREA)

Abstract

The present invention relates to an automatic drawing method using lane information, capable of automatically drawing a numerical map for an autonomous vehicle. The method includes: a first step of obtaining image information of a driving road for the autonomous vehicle by using a mobile mapping system (MMS); a second step of editing the obtained image information on its regular position, and generating location aware system (LAS) data including lane information of the driving road; and a third step of structurally editing the edited LAS data, and automatically drawing the lane. Therefore, the automatic drawing method is capable of enabling the drawing of lanes with higher reliability.

Description

차선 정보를 이용한 자동 도화 방법{AUTOMATIC DRAWING METHOD USING LANE INFORMATION}Technical Field [0001] The present invention relates to an automatic drawing method using lane information,

본 발명은 자율주행 차량용 수치지도를 생성하기 위한 도화 과정에서, 차선정보를 이용하여 도화 과정을 자동으로 수행하는 방법에 관한 것이다.The present invention relates to a method of automatically performing a drawing process using lane information in a drawing process for generating a digital map for an autonomous driving vehicle.

수치지도는 기존의 아날로그 형태의 종이지도를 측량지도, 항공사진, 위성영상 등에 의해 얻어진 각종 지형자료를 해석하여 수치적으로 편집한 디지털 형태의 지도를 의미한다. 일반적인 수치지도의 생성과정은 다음과 같다.A digital map refers to a digital map that is a numerically edited map of an analog paper map by analyzing various terrain data obtained by surveying maps, aerial photographs, and satellite images. The process of generating a general digital map is as follows.

우선, 종이를 디지타이징(digitizing)이나 스캐닝(scanning)하여 수치지도 형태의 도화를 생성하고, 이렇게 생성된 도화에 좌표 변환을 통해 사용자의 목적에 맞도록 실제 좌표계로 변환한다. 이후, 공간 객체 간의 상호 위치성과 연관성을 파악하기 위한 위상 구조를 정립한 수치지도에 속성자료를 입력한다. First, digitizing or scanning paper is used to generate a digital map drawing, and the converted drawing is converted into an actual coordinate system according to the user's purpose through coordinate transformation. Then, the attribute data is entered into the numerical map that establishes the topological structure for understanding the mutual position and association between the spatial objects.

이때, 상술한 속성자료는 다양한 식별자 정보들이 포함되며, 일 예로써 국토지리정보원의 수치지도의 지형지물에 대한 식별자로는 지형지물 전자식별자(UFID: Unique Feature Identifier)가 사용되고 있는데, 이는 지형물에 부여되는 위치정보, 관리기관, 타 속성정보 등을 나타내는 단일 식별자로 지형지물에 유일하게 부여되는 식별자를 말하며, 기관코드, 도엽번호, 지형지물 식별코드, 일련번호 필드 등으로 구성되어 지형지물의 관리, 검색 및 활용을 위해 다른 지리정보와의 연계 또는 지형지물 간의 상호참조를 위한 식별자로 사용된다.For example, the UFID (Unique Feature Identifier) is used as an identifier for the digital map of the digital geographic map of the National Geographic Information Institute, The identifier is an identifier that is uniquely assigned to the feature by a single identifier indicating the location information, the management organization, or other attribute information to be given. The identifier is composed of the agency code, the map number, the feature identification code, It is used as an identifier for linking with other geographic information for search and use, or cross-reference between features.

그러나, 생성된 도화는 항공사진, 위성영상, MMS(Mobile Mapping System) 차량을 통해 획득된 영상을 판독하여 입력되기 때문에 도화의 지형지물의 정확도를 보장하기 어려우며, 또한, 이에 따라 각 지형지물에 부여되는 속성자료의 정확도 역시 보장하기 어려운 문제점이 발생한다.However, since the generated figure is read by inputting the aerial photograph, the satellite image, and the image acquired through the MMS (Mobile Mapping System) vehicle, it is difficult to ensure the accuracy of the feature of the drawing, and accordingly, The accuracy of the property data is also difficult to guarantee.

이로 인해, 수치지도 제작자들은 수치지도의 정확도를 보장하기 위해, 도 1에서 기재하고 있는 수치지도 생성 방법의 과정을 통해 보다 정확한 수치지도를 제작하고 있다.For this reason, in order to ensure the accuracy of the digital map, the digital map makers produce a more accurate digital map through the process of the digital map generating method described in FIG.

『대한민국 등록특허공보 제10-1021967호, 발명의 명칭: 전자도화를 이용한 수치지도 생성 방법, (공고일: 2011년03월16일, 특허권자: 동국지리정보(주))』에는 도 1에 기재된 수치지도 생성 방법을 상세히 설명하고 있다.1, No. 10-1021967 entitled "METHOD FOR GENERATING A METHODOLOGY USING ELECTRONIC PICTURES" (Published on Mar. 16, 2011, Patentee: Dongguk Geo Information Co., Ltd.) It explains how to create a map in detail.

도 1을 참조하여 수치지도 제작과정을 설명하면, 수치지도 제작자는 측량지도, 항공사진, 위성영상, MMS 차량을 통해 획득된 도로변 영상 등 디지타이징이나 스캐닝을 통해 생성된 도화를 종이에 프린트하여(S10), 프린트된 도화의 해당 지역으로 현장조사를 수행한다.(S20)Referring to FIG. 1, a digital map maker prints a figure generated through digitizing or scanning, such as a survey map, an aerial photograph, a satellite image, a roadside image obtained through an MMS vehicle, on a paper sheet (S10 ), The field survey is performed on the area of the printed drawing (S20)

여기서, 상술한 현장조사에서는 실제 장소에 프린트된 도화에 표시된 건물, 도로(포장, 비포장), 철도, 공원, 하천, 산, 논, 밭, 등의 다양한 인공지물과 자연지형이 실제로 존재하는지, 또는 실제 장소에 위치하는 인공지물과 자연지형의 크기, 방향, 형태가 도화에도 정확히 표시되어 있는지 등을 직접 확인하고, 다른 부분이 있으면 도화에 수작업으로 직접 수정한다. 아울러, 해당 인공지물 및 자연지형의 상호, 명칭 및 기본정보(건물의 층수, 도로나 하천의 폭 등) 등의 속성자료들을 도화의 해당 위치에 일일이 수작업으로 표기한다.Here, in the above-mentioned field survey, various artificial and natural terrain such as buildings, roads (packed and unpaved), railways, parks, rivers, mountains, rice fields, Directly check whether the size, direction, and shape of the artifact and natural terrain located in the actual place are accurately displayed on the drawing. If there is another part, manually modify it manually. In addition, property data such as mutual name, name and basic information (the number of floors of a building, the width of a road or river, etc.) of the artifact and the natural terrain are manually indicated at each corresponding position of the drawing.

이렇게 현장조사를 통해 도화에 잘못 묘사된 인공지물 및 자연지형과, 각 인공지물과 자연지형의 속성자료들의 표기가 완료되면, 표기된 도화를 이용하여 전산화 작업을 통한 최초 생성된 도화에 상기 변경정보 및 속성자료를 표시하여 도화 및 지도입력 성과를 수정하고 보완함으로써, 지형, 지물의 지리적 상관관계를 파악하기 위한 정위치 편집을 수행한다.(S30)When the artifacts, natural terrain, artifacts, and natural terrain data are displayed on the drawing through the field survey, the change information, (S30), by editing and supplementing drawings and map input results by displaying attribute data, and performing geo-location editing to grasp the geographical correlations of the terrain and the object (S30)

이어, 상기 정위치 편집을 통해 편집된 지형, 지물을 기하학적 형태로 구성하고 필요한 대상을 점, 선, 면 및 네트워크 영역분할의 모델 또는 이를 조합한 기하모델로 국토지리정보원에서 정의한 점, 선, 면 형태화를 기반으로 일일이 해당되는 인공지물 및 자연지형에 전산화 작업을 통한 수작업으로 표시하고 편집하는 구조화 편집을 수행한다.(S40) 이때, 상술한 구조화 편집에서 도화에 표시되는 속성자료는 숨겨진(화면에 표시되지 않고 저장된) 상태로 편집이 이루어진다.Then, the edited topography and ground are edited in the geometric form, and necessary objects are modeled by point, line, surface, and network region division, or a geometric model formed by combining these points, lines, (S40). At this time, in the structured editing described above, the attribute data displayed on the drawing is displayed in a hidden (screen) Is stored in a state not shown in FIG.

이렇게 구조화 편집까지 완료되면, 국토지리정보원에서 제공하는 소프트웨어 프로그램을 이용, 수치지도를 제작 및 인쇄하여 수치지도를 제작/요청한 국토지리정보원에 제공한다.(S50) 이때, 상기 소프트웨어 프로그램은 구조화 편집된 도화를 정의된 형태로 변경시키는 프로그램으로 이는 통상적으로 국토지리정보원에서 제공하는 공지된 프로그램을 그대로 이용하고 있다.When the structured editing is completed, a digital map is produced and printed using a software program provided by the Geographical Information Service, and the digital map is provided to the requested geographical information source (S50). At this time, the software program is structured and edited This is a program that changes the figure into a defined form, which is usually a known program provided by the National Geographic Information Institute.

이와 같이, 수치지도 제작시, 현장조사, 정위치 편집, 구조화 편집 과정은 모두 사람이 직접 수작업을 통해 이루어지는 작업이 대부분을 차지하고 있어, 많은 시간이 소요됨은 물론 그 정확도에 문제가 발생될 수 있다. 따라서, 이러한 수치 지도 및 수치지도의 속성자료를 효과적이고 정확하게 편집하기 위한 자동화 작업의 필요성이 대두되고 있다.As described above, in the digital map production, the field survey, the position editing, and the structuring and editing process are all performed manually by the person, so that it takes a lot of time and the accuracy may be a problem. Therefore, there is a need for automation work for efficiently and precisely editing the attribute data of the digital map and the digital map.

또한, 자율주행 차량용 수치지도의 경우, 수치지도의 편집하는 량이 방대하고 빠른 업데이트가 필요하므로, 신속 및 정확하며 간편한 수치지도 편집 과정이 필요하다.Also, in the case of a digital map for an autonomous driving vehicle, since the amount of editing of the digital map is vast and needs to be updated quickly, a quick and accurate and easy digital map editing process is required.

특허문헌 (0001) 『대한민국 등록특허공보 제10-1021967호, 발명의 명칭: 전자도화를 이용한 수치지도 생성 방법, (공고일: 2011년03월16일, 특허권자: 동국지리정보(주))』Patent Document (0001) "Korean Registered Patent Publication No. 10-1021967, entitled" METHOD FOR GENERATING A DIRECT MAP BY USING ELECTRONIC PICTURES "(Notification Date: March 16, 2011, Patentee: Dongguk Geo Information Co., Ltd.)

본 발명은 상술한 문제를 해결하기 위한 것으로, 수치지도의 제작 과정 또는 자율주행 차량용 수치지도의 제작 과정에서 구조화 편집 과정 이전에 획득된 도로 주변 지형지물의 객관적인 데이터를 이용하여 도화사의 수작업을 줄일 수 있는 자동 도화 방법을 제공하는데 그 목적이 있다.SUMMARY OF THE INVENTION The present invention has been made to solve the above-mentioned problems and it is an object of the present invention to provide a digital numerical map for autonomous driving vehicles, which can reduce the manual work of the figure by using objective data of road- An object of the present invention is to provide an automatic drawing method.

본 발명이 해결하려는 과제는 전술한 과제로 제한되지 아니하며, 언급되지 아니한 또 다른 기술적 과제들은 후술할 내용으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The present invention has been made in view of the above problems, and it is an object of the present invention to provide an apparatus and method for controlling the same.

이러한 목적을 달성하기 위하여 본 발명의 일 태양으로 자율주행 차량을 위한 수치지도를 자동으로 도화하는 방법에 있어서, 모바일 매핑 시스템(Mobile Mapping System, MMS)을 이용하여, 상기 자율주행 차량을 위한 주행 도로의 영상 정보를 획득하는 제1 단계; 상기 획득된 영상 정보를 정위치 편집하며, 상기 주행 도로의 차선 정보를 포함하는 LAS(Location Aware System) 데이터를 생성하는 제2 단계; 및 상기 정위치 편집된 LAS 데이터를 구조화 편집하며, 상기 차선 정보를 기반으로 상기 LAS 데이터 내의 차선 식별 과정이 상기 차선 정보에 도달할 때까지 수행되도록 하여 상기 차선을 자동으로 도화하는 제3 단계;를 포함한다.According to an aspect of the present invention, there is provided a method of automatically mapping a digital map for an autonomous vehicle using a mobile mapping system (MMS) A first step of acquiring image information of the image; A second step of correcting the acquired image information and generating LAS (Location Aware System) data including lane information of the traveling road; And structuring and editing the correctly edited LAS data and performing the lane identification in the LAS data until the lane identification process reaches the lane information based on the lane information, .

그리고, 상기 제2 단계는, GIS(Geographic Information System) 서버로부터 상기 차선 정보를 전송받는 단계; 또는 상기 획득된 영상 정보로부터 상기 차선 정보를 식별하여 추출하는 단계;를 포함할 수 있다.The second step includes: receiving the lane information from a GIS (Geographic Information System) server; Or extracting and extracting the lane information from the acquired image information.

또한, 상기 제3 단계는, RANSAC(RANdom SAmple Consensus) 알고리즘을 이용하여, 식별되는 차선의 수량이 상기 차선 정보에 해당하는 수량에 도달할 때까지, 가장 많은 수의 데이터들로부터 지지를 받는 차선을 선택하는 단계;를 포함할 수 있다.In the third step, a lane supported by the largest number of data is used until the number of the lanes to be identified reaches the number corresponding to the lane information, using a RANSAC (Consecutive Consensus) algorithm And a step of selecting the step of selecting the step.

한편, 이러한 목적을 달성하기 위하여 본 발명의 다른 태양으로 정위치 편집서버로부터 제공되는 LAS 데이터를 자율주행 차량을 위한 수치지도로 도화하는 구조화 편집서버에 있어서, 상기 정위치 편집서버에 상기 LAS 데이터와 함께 저장된 상기 자율주행 차량을 위한 주행 도로의 차선 정보를 수신하는 차선정보 수신부; 상기 차선정보 수신부로부터 제공되는 상기 차선 정보를 기반으로 상기 LAS 데이터 내의 차선 식별 과정이 상기 차선 정보에 도달할 때까지 수행되도록 하는 차선정보 도출부; 및 상기 LAS 데이터를 구조화 편집하며, 상기 차선정보 도출부에 의해 도출된 상기 LAS 데이터 내의 상기 차선을 자동으로 도화하는 차선정보 출력부;를 포함한다.According to another aspect of the present invention, there is provided a structured editing server for converting LAS data provided from a fixed position editing server into a digital map for an autonomous vehicle, A lane information receiving unit for receiving lane information of a driving road for the autonomous driving vehicle stored together; A lane information derivation unit to perform lane identification in the LAS data until the lane identification information reaches the lane information based on the lane information provided from the lane information receiving unit; And a lane information output unit for structuring and editing the LAS data and automatically mapping the lane in the LAS data derived by the lane information derivation unit.

그리고, 상기 정위치 편집서버는, GIS(Geographic Information System) 서버로부터 상기 차선 정보를 전송받는 차선정보 수집모듈; 및 모바일 매핑 시스템을 이용하여 획득된, 상기 자율주행 차량을 위한 주행 도로의 영상 정보에서 상기 차선 정보를 식별하여 추출하는 차선정보 식별모듈;을 포함할 수 있다.The correct position editing server includes a lane information collecting module for receiving the lane information from a GIS (Geographic Information System) server; And a lane information identifying module for identifying and extracting the lane information from the image information of the driving road for the autonomous driving vehicle, which is obtained using the mobile mapping system.

또한, 상기 차선정보 도출부는, RANSAC(RANdom SAmple Consensus) 알고리즘을 이용하여, 식별되는 차선의 수량이 상기 차선 정보에 해당하는 수량에 도달할 때까지, 가장 많은 수의 데이터들로부터 지지를 받는 차선을 선택할 수 있다.The lane information derivation unit may calculate a lane to be supported from the largest number of data until the number of the lanes to be identified reaches the number corresponding to the lane information using a RANSAC algorithm (Random Access Consensus) You can choose.

더불어, 이러한 목적을 달성하기 위하여 본 발명의 또 다른 태양으로 자율주행 차량을 위한 수치지도를 자동으로 도화하는 시스템에 있어서, 상기 자율주행 차량에 설치되어 주행 경로를 따라 이동하며, 상기 주행 경로 상의 영상 정보와 상기 영상 정보의 위치 정보를 획득하는 정보수집 단말; 상기 정보수집 단말로부터 수신되는 상기 영상 정보 및 상기 위치 정보를 토대로 LAS 데이터를 생성 및 수정하며, GIS(Geographic Information System) 서버로부터 상기 주행 경로의 차선 정보를 전송받거나, 상기 정보수집 단말로부터 수신되는 상기 주행 경로의 영상으로부터 상기 차선 정보를 식별하여 추출하는 정위치 편집서버; 상기 정위치 편집서버로부터 LAS 데이터를 전송받아 구조화 편집하며, 상기 LAS 데이터에 포함된 상기 차선 정보를 기반으로 상기 LAS 데이터 내의 차선 식별 과정이 상기 차선 정보에 도달할 때까지 수행되도록 하여 상기 차선을 자동을 도화하는 구조화 편집서버;를 포함한다.According to another aspect of the present invention, there is provided a system for automatically mapping a digital map for an autonomous vehicle, the system comprising: An information collecting terminal for acquiring information and positional information of the image information; Receiving and generating LAS data based on the image information and the location information received from the information collecting terminal, receiving lane information of the traveling route from a GIS (Geographic Information System) server, A stationary editing server for identifying and extracting the lane information from the image of the traveling route; Wherein the LAS data is received from the stationary editing server and structured and edited, and the lane identification in the LAS data is performed until the lane identification process reaches the lane information based on the lane information included in the LAS data, And a structured editing server for rendering the document.

상술한 과제의 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.The solution of the above-mentioned problems is merely illustrative and should not be construed as limiting the present invention. In addition to the exemplary embodiments described above, there may be additional embodiments described in the drawings and the detailed description of the invention.

이상에서 설명한 바와 같이 본 발명에 의하면, 다음과 같은 효과가 있다.As described above, the present invention has the following effects.

첫째, 자율주행 차량용 수치지도에 필히 포함되는 차선, 표지판, 신호등, 연석 등의 도로 주변 지형지물 중, 대단히 규칙적이며 일정한 형태를 갖는 차선을 자동을 도화함으로써, 수치지도 제작자의 수작업을 경감함은 물론, 이를 통해 제작되는 자율주행 차량용 수치지도를 신속하게 업데이트 할 수 있다.First, it automatically reduces the manual work of the digital map maker by automatically rendering lanes having extremely regular and constant form among the road surrounding features such as lanes, signs, traffic lights, and curb included in the digital map for autonomous driving vehicles , And a digital map for an autonomous vehicle manufactured through the method can be quickly updated.

둘째, 외부 서버를 통해 차선 정보를 제공받을 수 없는 도로나, 차선 정보가 아직 업데이트되지 않은 도로는 획득된 영상에서 차선 정보를 추출하여 구조화 편집서버에 제공함으로써, 자동 도화 과정의 신뢰성을 높일 수 있는 효과를 포함한다.Second, roads on which lane information can not be provided through an external server, roads on which lane information has not yet been updated, and lane information on the acquired images are extracted and provided to the structured editing server, thereby improving the reliability of the automatic drawing process Effect.

셋째, 정위치 편집과정에서 획득한 차선의 수량, 폭, 길이, 및 시점과 종점의 속성정보를 토대로 자동 도화된 차선의 정확도를 검증함으로써, 보다 신뢰도 높은 차선 도화를 가능하게 하는 효과를 포함한다.Third, it includes the effect of enabling more reliable lane marking by verifying the accuracy of the automated lane based on the quantity, width, length, and attribute information of the start and end points of the lane acquired in the correct position editing process.

본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to the effects mentioned above, and other effects not mentioned can be clearly understood by those skilled in the art from the description of the claims.

도 1은 종래 수치지도 제작 과정을 나타내는 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 차선 정보를 이용한 자동 도화 시스템의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 정위치 편집서버의 구성을 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 구조화 편집서버의 구성을 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 차선 정보를 이용한 자동 도화 방법을 나타내는 흐름도이다.1 is a flowchart showing a conventional digital map production process.
2 is a diagram illustrating a configuration of an automatic drawing system using lane information according to an embodiment of the present invention.
FIG. 3 is a block diagram of a configuration editing server according to an embodiment of the present invention. Referring to FIG.
FIG. 4 is a diagram illustrating a configuration of a structured editing server according to an embodiment of the present invention.
5 is a flowchart illustrating an automatic drawing method using lane information according to an exemplary embodiment of the present invention.

본 발명의 바람직한 실시예에 대하여 첨부된 도면을 참조하여 더 구체적으로 설명하되, 이미 주지되어진 기술적 부분에 대해서는 설명의 간결함을 위해 생략하거나 압축하기로 한다.The preferred embodiments of the present invention will be described in more detail with reference to the accompanying drawings, in which the technical parts already known will be omitted or compressed for simplicity of explanation.

본 발명은 자율주행 차량용 수치지도를 생성하는 일련의 과정 중, 정위치 편집 과정에서 MMS 차량의 레이저 스캐너를 통해 촬영된 도로의 영상 정보로부터 차선 정보를 획득하는 기술과, 그 획득된 차선 정보를 이용하여 구조화 편집 과정에서 차선의 도화 과정을 자동화하는 기술로 대별된다.The present invention relates to a method of generating a digital map for an autonomous vehicle, A technique of obtaining lane information from the image information of the road photographed through the laser scanner of the MMS vehicle and a technique of automating the lane marking process in the structuring and editing process using the obtained lane information .

우선, 본 발명의 자율주행 차량을 위한 수치지도 생성 시스템의 전체적인 구성에 대해 설명한다.First, the overall configuration of the digital map generating system for the autonomous vehicle of the present invention will be described.

도 2는 본 발명의 일 실시예에 따른 차선 정보를 이용한 자동 도화 시스템의 구성을 나타내는 도면이다.2 is a diagram illustrating a configuration of an automatic drawing system using lane information according to an embodiment of the present invention.

도 2에 도시된 바와 같이, 본 발명의 차선 정보를 이용한 자동 도화 시스템(이하, '자동 도화 시스템'이라 함)은, 항공사진, 위성영상 또는 MMS 차량의 촬영 영상인 3차원 레이저 스캐닝된 영상을 정위치 편집하여 LAS(Location Aware System) 데이터를 생성하고, 정위치 편집된 LAS 데이터를 다시 구조화 편집하여 자율주행 차량을 위한 수치지도를 생성할 때, 구조화 편집 이전 단계에서 차선 정보를 획득하여 구조화 편집 단계에 제공함으로써, 대단히 규칙적이고 일정한 형태를 유지하고 있는 차선의 도화 과정을 자동화하여 자율주행 차량용 수치지도를 신속하고 정확하게 도화할 수 있다.2, the automatic drawing system using the lane information according to the present invention (hereinafter, referred to as an 'automatic drawing system') is a system in which a three-dimensional laser scanned image, which is an aerial photograph, a satellite image, When creating a digital map for an autonomous driving vehicle by generating the LAS (Location Aware System) data by editing the fixed position and re-structuring and editing the LAS data, the lane information is acquired and structured editing The digital map for the autonomous driving vehicle can be quickly and accurately displayed by automating the lane drawing process, which has a very regular and constant shape.

이를 통해, 수치지도의 편집 량이 방대하며, 빠른 업데이트가 필요한 자율주행 차량용 수치지도의 생성 시간을 크게 단축시킬 수 있는 효과를 기대할 수 있다.As a result, the amount of editing of the digital map is enormous, and the generation time of the digital map for the autonomous driving vehicle that requires quick updating can be expected to be greatly shortened.

본 발명의 자동 도화 시스템은 상술한 기능을 수행하기 위해, 정보수집 단말(100), 정위치 편집서버(200) 및 구조화 편집서버(300)의 구성을 포함한다.The automatic drawing system of the present invention includes the configurations of the information collecting terminal 100, the fixed position editing server 200, and the structured editing server 300 in order to perform the functions described above.

정보수집 단말(100)은 자율주행 차량에 설치되어 주행 경로를 따라 이동하며, 주행 경로 상의 지형지물의 영상정보와 그 영상의 위치정보를 획득하는 것으로, 영상 정보의 획득을 위한 CCD 카메라(110) 또는 LiDAR(120)(laser radar) 장치로 구성된 영상정보 수집모듈과, 위치 정보의 획득을 위한 위성항법 장치(130)(Global Positioning System, GPS) 및 관성항법 장치(140)(Inertial Navigation System, INS)로 구성된 위치정보 수집모듈을 통해 획득된 영상정보 및 그 위치정보를 다시 수집정보 발신모듈(150)을 통해 정위치 편집서버(200)로 전송한다.The information collecting terminal 100 is installed in an autonomous vehicle and moves along a traveling route. The information collecting terminal 100 obtains image information of the feature on the traveling route and positional information of the image on the traveling route. The CCD camera 110 A Global Positioning System (GPS) and an Inertial Navigation System (INS) 140 for acquiring position information, an image information collection module composed of a LiDAR 120 (laser radar) And transmits the acquired image information and its position information to the in-position editing server 200 through the collection information transmitting module 150. [

여기서, CCD 카메라(110), LiDAR(120), 위성항법 장치(130) 및 관성항법 장치(140)의 구성은 종래에 익히 알려진 모바일 매핑 시스템(Mobile Mapping System)에 사용되는 공지된 필수 구성요소들로, 그 상세한 설명은 생략하기로 한다. 또한, 본 발명의 기술적 사상 역시 상술한 영상 및 위치정보의 획득 수단에 한정되는 것은 아니며, 영상 및 위치정보를 획득하는 과정에 공지된 여타의 다른 구성요소들이 사용되는 것 역시 본 발명의 기술적 사상에 포함된다 할 것이다.Here, the configuration of the CCD camera 110, the LiDAR 120, the satellite navigation device 130, and the inertial navigation device 140 is not limited to the known essential components used in the conventional mobile mapping system And a detailed description thereof will be omitted. Also, the technical idea of the present invention is not limited to the means for acquiring video and position information, and other elements known in the process of acquiring video and position information are also used in the technical idea of the present invention Will be included.

정위치 편집서버(200)는 정보수집 단말(100)이 발신하는 영상 및 위치정보를 수신하여 LAS 데이터를 생성하거나, 실제 지형과 비교하여 기존 LAS 데이터를 자동으로 수정한다.The stationary editing server 200 receives the image and location information transmitted from the information collecting terminal 100 and generates LAS data or compares the LAS data with the actual terrain to automatically correct the existing LAS data.

이를 위해, 정위치 편집서버(200)는 정보수집 단말(100)로부터 수집된 정보를 토대로 LAS 데이터를 생성하거나, 수집된 정보를 분류하여 저장하고, 기존 수치지도 이미지와 비교하여 오류 및 변화가 확인된 대상 개체를 확인 및 수정하며, 편집된 수치지도 이미지를 갱신하는 기본적인 기능 이외에, 외부서버에 저장된 영상 정보 속 도로의 차선 정보를 전송받는 기능은 물론, 획득된 영상 정보에서 차선 정보를 식별 및 추출하는 기능을 포함한다.To this end, the in-place editing server 200 generates LAS data based on the information collected from the information collecting terminal 100, classifies and stores the collected information, compares the collected information with the existing digital map image, In addition to the basic function of checking and correcting the target object and updating the edited digital map image, it is possible to not only receive the lane information of the road in the image information stored in the external server but also to identify and extract the lane information from the acquired image information .

여기서, 정위치 편집서버(200)의 기본 기능에 대한 설명은 본 발명의 요지와 거리가 있어 그 상세한 설명은 생략하기로 하며, 외부서버에서 기저장된 차선 정보를 제공받거나, 획득된 영상 정보에서 차선 정보를 식별 및 추출하기 위해, 차선정보 수집모듈(210) 및 차선정보 식별모듈(220)의 구성을 더 포함한다.Here, the description of the basic functions of the fixed position editing server 200 is distant from the gist of the present invention, and a detailed description thereof will be omitted. In the case where the external server receives the previously stored lane information, The lane information collection module 210 and the lane information identification module 220 are further included to identify and extract information.

차선정보 수집모듈(210)은 외부서버로부터 도로 내 차선의 수량, 폭, 길이, 커브와 굴곡, 시점과 종점 등의 속성정보를 포함하는 차선정보를 수신하여 생성되거나 또는 수정된 LAS 데이터와 함께 저장한다.The lane information collection module 210 receives lane information including attribute information such as the number, width, length, curves, curves, and start and end points of the lane on the road from the external server and stores the lane information together with the modified LAS data do.

여기서, 외부서버는 국토지리정보원, 한국도로공사, 시설물정보통합관리시스템 등의 GIS(Geographic Information System) 서버로서, 인공지물과 자연지형에 따른 속성정보(인공지물 및 자연지형의 상호, 명칭 및 기본정보(건물의 층수, 도로나 하천의 폭 등)를 보유하고, 무선 통신망을 통해 제공할 수 있는 모든 기업, 단체 및 사이트를 포함한다.Here, the external server is a GIS (Geographic Information System) server such as Geographical Information System (KIT), Korea Highway Corporation, Integrated Information System for Facility Information Management, and the attribute information (artificial land and natural terrain name, Includes all businesses, organizations, and sites that have information (such as the number of floors of a building, width of a road or river) and that can be provided over a wireless network.

차선정보 식별모듈(220)은 획득된 도로의 영상에서 차선의 수량정보 및 그 속성정보를 식별 및 추출하는 것으로, 형태학적 처리를 이용하여 차선후보군을 설정하는 차선후보군 추출부(221), HSV 컬러 모델을 적용하여 도로와 차선을 구분하는 차선후보군 인식부(222), Hough 변환을 통해 직선 차선을 인식하며, 인식된 직선 차선을 기준으로 커브 또는 굴곡이 있는 차선을 도출하는 차선정보 추출부(223)의 구성을 포함한다.The lane information identifying module 220 identifies and extracts the lane number information and the attribute information of the lane on the obtained road image, and comprises a lane candidate group extracting unit 221 for setting a lane candidate group using morphological processing, A lane information extracting unit 223 for recognizing a straight lane through the Hough transform and deriving a curve having a curve or a curve based on the recognized straight lane, ).

상술한 차선정보 식별 및 추출 과정은 후술될 도 3에서 다시 상세히 설명하기로 한다.The lane information identification and extraction process will be described in detail later with reference to FIG.

구조화 편집서버(300)는 정위치 편집된 LAS 데이터의 포인터들을 국토지리정보원에서 정의한 점, 선, 면 형태화를 기반으로 일일이 해당되는 인공지물 및 자연지형에 전산화 작업을 통한 수작업으로 표시하고 편집하는 것으로, 본 발명의 일 실시예에서는 RANSAC(RANdom SAmple Consensus) 알고리즘을 이용하여 대단히 규칙적이고 일정한 형태를 유지하고 있는 도로 내 차선들을 도출하여 자동으로 도화한다.The structured editing server 300 manually displays and edits pointers of the edited LAS data on the basis of the point, line, and surface formations defined by the Terrestrial Geographical Information Sources by computerizing the corresponding artifacts and natural terrain In the embodiment of the present invention, the roads in the roads maintaining a very regular and constant shape are derived and automatically drawn using the RANSAC algorithm (RANDAM SAmple Consensus) algorithm.

구조화 편집서버(300)는 상술한 기능을 수행하기 위해, 정위치 편집서버(200)로부터 차선의 수량정보를 전달받는 차선정보 수신부(310), RANSAC(RANdom SAmple Consensus) 알고리즘을 이용하여 차선정보 수신부(310)에 전송된 차선의 수량만큼의 차선이 도출될 때까지 LAS 데이터 내의 차선을 도출하는 차선정보 도출부(320), 차선정보 도출부(320)로부터 식별되어 도출된 차선의 정보를 차선정보 수신부(310)로부터 전송받은 차선의 수량, 폭, 길이, 커브와 굴곡, 시점과 종점 데이터와 비교하여 도출된 차선의 정확도를 검증하는 차선정보 검증부(330), 및 상기 차선정보 도출부(320)를 통해 도출된 차선을 점, 선, 면 형태화를 기반으로 자동으로 도화하는 차선정보 출력부(340)의 구성을 포함한다.The structured editing server 300 includes a lane information receiving unit 310 for receiving the lane number information from the fixed position editing server 200 and a lane information receiving unit 310 for performing the above- A lane information deriving unit 320 for deriving a lane in the LAS data until a lane corresponding to the number of lanes transmitted to the lane information extracting unit 310 is derived, a lane information extracting unit 320 for deriving lane information derived from the lane information deriving unit 320, A lane information verifying unit 330 for verifying the accuracy of the lane derived by comparing the quantity, the width, the length, the curve, the curve, the viewpoint and the end point data of the lane received from the receiving unit 310, and the lane information deriving unit 320 And a lane information output unit 340 for automatically drawing the lane derived through the point, line, and surface formations.

상술한 차선정보의 자동 도화 과정은 후술될 도 4에서 다시 상세히 설명하기로 한다.The auto-drawing process of the lane information will be described in detail later with reference to FIG.

아래에서는, 정위치 편집 과정에서 MMS 차량의 레이저 스캐너를 통해 촬영된 도로의 영상 정보로부터 차선 정보를 획득하는 기술에 대해 설명한다.Hereinafter, a technique of acquiring lane information from the image information of the road photographed through the laser scanner of the MMS vehicle in the correct position editing process will be described.

도 3은 본 발명의 일 실시예에 따른 정위치 편집서버의 구성을 나타내는 도면이다.FIG. 3 is a block diagram of a configuration editing server according to an embodiment of the present invention. Referring to FIG.

도 3에 도시된 바와 같이, 본 발명의 일 실시예에 따른 정위치 편집서버(200)는 앞서 설명한 바와 같이, 차선정보를 외부서버에서 수집하는 차선정보 수집모듈(210)과 MMS 차량에서 획득된 영상 내에서 차선정보를 식별하는 차선정보 식별모듈(220)로 구성되며, 차선정보 식별모듈(220)은 차선후보군 추출부(221), 차선후보군 인식부(222), 및 차선정보 추출부(223)의 구성을 포함한다.3, the fixed position editing server 200 according to an exemplary embodiment of the present invention includes a lane information collecting module 210 for collecting lane information from an external server, And a lane information identifying module 220 for identifying lane information in the image and the lane information identifying module 220 includes a lane candidate group extracting section 221, a lane candidate group recognizing section 222, and a lane information extracting section 223 ).

차선후보군 추출부(221)는 형태학적 연산을 적용하여 차선이 제거된 이미지와 차선이 있는 이미지 사이의 차이를 이용함으로써 차선을 검출한다. The lane candidate group extracting unit 221 detects a lane by applying a morphological operation and using a difference between an image in which the lane is removed and an image in which the lane is present.

침식 연산은 배경을 확장, 객체의 크기를 축소하는 연산으로 차선을 제거하기 위해 사용된다. 기본적으로 침식 연산은 구조 요소와 일치하면 해당 픽셀의 값을 1로, 하나 이상 일치하지 않으면 해당 픽셀의 값을 0으로 하게 된다. 이와 같이 침식의 연산으로 인한 객체의 축소 방식과 정도는 구조 요소에 의해 제어된다.The erosion operation is used to remove the lane by an operation that scales the background and extends the size of the object. Basically, when the erosion operation is matched with the structural element, the value of the corresponding pixel is set to 1, and if one or more of them is not matched, the value of the corresponding pixel is set to 0. In this way, the reduction method and degree of the object due to the erosion operation is controlled by the structure element.

팽창 연산은 침식 연산과는 반대로 마스크 내에서 비교하여 하나의 픽셀이라도 1이 나오게 되면 해당 픽셀 값은 1이 된다. 따라서, 팽창 연산은 침식 연산과는 반대로 배경을 축소, 객체의 크기를 확장시키게 된다. 이전 침식 연산으로 인해 차선이 제거되었지만 다른 객체의 크기 또한 작아지므로, 차선이 제거된 이미지와 이전 차선이 있는 이미지와의 차를 이용해서 차선만을 추출하기 위해, 침식 연산으로 인해 작아진 객체의 크기를 원래의 크기로 복구시켜야 할 필요가 있다.In contrast to the erosion operation, the dilation operation is compared within the mask, so that if one pixel is 1, the corresponding pixel value is 1. Thus, the dilation operation contradicts the erosion operation, reducing the background and extending the size of the object. Since the previous erosion operation has removed the lane but the size of the other object is also smaller, in order to extract only the lane using the difference between the image of the lane removed and the image of the previous lane, You need to restore it to its original size.

실제 도로에서 차선의 폭은 일정하다. 영상에서 또한 차선의 폭이 일정폭을 넘지 않을 뿐만 아니라 원근감에 의해 원거리로 갈수록 더 작아지게 된다. 또한, 도로 및 주변 객체들은 인접한 픽셀들이 비슷한 값을 가지는 반면에 도로와 차선은 사람이 인식하기 쉽게 하기 위해 확연한 차이를 보이고 있으며, 차선의 후보군 정보를 추출하기 위해서 형태학적 연산 처리를 사용한다.The width of the lane on the actual road is constant. In the video, not only does the width of the lane exceed a certain width but also becomes smaller as the distance increases. In addition, roads and surrounding objects have similar values for adjacent pixels, while roads and lanes are markedly different for easy human recognition, and morphological processing is used to extract lane candidate information.

형태학적 연산 처리를 위해서 먼저 색상 정보를 제외한 그레이 영상으로 변환 한다. 이 영상에서 가로 방향의 구조 요소를 형태학적 연산의 침식 연산과 팽창 연산에 적용함으로써, 차선을 입력 영상의 그레이 영상에서 제거하는 효과를 보이며, 형태학적 연산이 적용된 연산의 차를 통하여 도로의 잡음을 제거하고 차선의 후보군을 추출할 수 있다.For morphological computation, first, gray images are excluded. In this image, the structural elements in the horizontal direction are applied to the erosion calculation and the expansion calculation of the morphological operation, and the lane is removed from the gray image of the input image, and the noise of the road is obtained through the calculation of the morphological operation. And extract candidate lines of the lane.

또한, 차선후보군 추출부(221)는 침식 및 팽창 연산 후, 그레이 영상을 이진화된 영상으로 변환하기 위해, 경계 값 처리를 한다. 여기서, 경계 값(Threshold Value)을 구하기 위해 두 영상의 차로 인해 각 픽셀의 값이 나온 만큼 잡음을 제거하고 차선을 강조하는 연산을 수행한다.In addition, the lane-line candidate group extracting unit 221 performs boundary value processing to convert the gray image into the binarized image after erosion and expansion calculation. Here, in order to obtain a threshold value, noise is removed and the lane is emphasized as much as the value of each pixel is derived due to the difference between the two images.

차선후보군 인식부(222)는 HSV 칼라 모델을 적용하여 차선후보군 추출부(221)를 통해 추출된 차선후보군 중, 차선의 색상이라 여겨지는 차선을 다시 한 번 추출한다.The lane candidate group recognizing unit 222 again extracts the lane that is considered to be the lane color among the lane candidate groups extracted through the lane candidate group extracting unit 221 by applying the HSV color model.

HSV(Hue, Saturation, Value)는 칼라를 선택하는데 사용되는 몇 가지 칼라 시스템 중 하나로서, HSV Color Model은 사람이 칼라 감각을 경험하고 묘사하는 방식에 대해 RGB 시스템보다 훨씬 더 가깝다.HSV (Hue, Saturation, Value) is one of several color systems used to select colors, and the HSV Color Model is much closer to the RGB system in terms of how people experience and portray color sensation.

차선 인식을 위한 HSV 칼라 모델의 적용 방법은 공지된 기술이 사용되며, 본 발명의 요지와는 거리가 있어 그 상세한 설명은 역시 생략하기로 한다.As a method of applying the HSV color model for lane recognition, a well-known technique is used, which is different from the gist of the present invention, and a detailed description thereof will be omitted.

도로에 표시되어 있는 차선의 대부분이 흰색과 노란색으로 구분이 되어 있다. 하지만 같은 색상의 차선이라도 주변 환경에 따라 조금씩 다르게 인식된다. 예를 들어, 날씨가 맑은 화창한 오후의 차선과 구름이 낀 흐린 날의 차선은 영상에서 차이가 나게 된다. 이에 따라서, 색상의 범위만 가지고 차선을 찾기 위해서는 매번 모든 영상에서 환경에 맞는 색상의 범위를 정해주어야 한다. 본 발명의 일 실시예에서는 연산이 적용된 영상을 사용하여 이로부터 추출된 차선의 후보군 중에서 차선의 색상이라 여겨지는 차선을 다시 한 번 추출하게 된다.Most of the lanes on the road are white and yellow. However, lanes of the same color are slightly different depending on the surrounding environment. For example, lanes in a clear sunny afternoon and cloudy cloudy days make a difference in the images. Accordingly, in order to find a lane with only a range of colors, it is necessary to set a range of colors suitable for the environment in every image every time. In an embodiment of the present invention, a lane which is regarded as the color of the lane is extracted again from the candidates of the lane extracted from the image using the computed image.

이를 위해서 입력 영상의 R,G,B 값을 H(Hue), S(Saturation), V(Value) 값으로 바꾸어 주어야 할 필요가 있다. 각 픽셀에 대한 H,S,V 값을 구하고, 형태학적 연산을 거쳐 1차적으로 추출된 차선의 후보를 대상으로 해당 픽셀의 H, S, V 값을 비교함으로써, 흰색과 노란색 범위에 들어가는 차선의 후보를 2차적으로 한 번 더 추출한다.To do this, it is necessary to change the R, G, and B values of the input image to H (Hue), S (Saturation), and V (Value) values. The H, S, and V values of each pixel are obtained, and the H, S, and V values of the corresponding pixel are compared with candidates of the firstly extracted lane through morphological operation. The candidate is extracted secondarily.

차선정보 추출부(223)는 차선 후보군이 추출된 이미지에서 Hough 변환을 통해 도로 내 차선을 검출한다. 여기서, Hough 변환은 영상에서 직선 패턴을 추출하는 대표적인 방법으로 영상에서의 Hough 변환의 기본 개념은 영상에서의 직선 점들은 일반적인 형태의 직선 방정식으로 표현되어 질 수 있다는 것이다.The lane information extracting unit 223 detects the lane on the road through the Hough transform in the extracted image of the lane candidate group. Here, the Hough transform is a typical method of extracting a linear pattern from an image. The basic concept of Hough transform in an image is that linear points in an image can be represented by a general linear equation.

다만, Hough 변환은 연산량이 많기 때문에, 이러한 연산량을 줄이기 위한 추출된 차선후보군 이미지에 대한 윤곽선 검출을 선행한다. Hough 변환을 통해 추출하기 위한 데이터는 차선의 진행하는 방향이기 때문에 굳이 차선으로 여겨지는 모든 픽셀 값에 대한 Hough 변환은 불필요하게 된다. 따라서, 윤곽선에 해당하는 픽셀들에 대해서만 Hough 변환을 함으로써, 연산량을 줄일 수 있다.However, since the Hough transform has a large amount of computation, the contour detection is performed on the extracted lane candidate image in order to reduce the amount of computation. Since the data to be extracted through the Hough transform is in the lane going direction, the Hough transform for all the pixel values considered as the lane is unnecessary. Therefore, by performing the Hough transform only for the pixels corresponding to the outline, the amount of computation can be reduced.

Hough 변환에서 사용되는 직선 방정식은 기울기 a와 y축과 직선과의 절편 b의 두 가지 매개 변수를 가지는 y = ax + b의 형식으로 표현될 수 있다. 하지만, 이 형식은 y축과 평행하게 되는 경우, 즉, 수직선이 되는 경우 기울기 a가 무한대가 될 수 있으므로, 아래와 같은 형식의 방정식을 통해 직선 방정식을 표현한다.The linear equation used in the Hough transform can be expressed in the form y = ax + b with two parameters, slope a and intercept b of the y-axis and straight line. However, since this form becomes parallel to the y-axis, that is, when it becomes a vertical line, the slope a becomes infinite, so a linear equation is expressed by an equation of the following form.

ρ= ｘcosθ + ｙsinθ? = xcos? + ysin?

여기서, ρ는 원점에서 직선까지의 길이이며, θ는 ρ와 ｘ축이 이루는 각이다. ｘ와 ｙ는 영상에서의 가로와 세로축을 의미한다. 이 함수를 통해서 영상의 ｘｙ평면에서 한 점은 ρθ 평면에서 곡선으로 표시될 수 있다. 따라서, 이를 통해 직선을 찾기 위해서는 ρθ 평면에서 곡선이 모이는 점을 찾음으로써 해결할 수 있다. 즉, 하나의 직선에 놓여있는 점들은 ρθ 평면에서 하나의 점에 모이는데 이 점을 이용하여 직선을 검출할 수 있다.Here, ρ is the length from the origin to the straight line, and θ is the angle between ρ and the x-axis. x and y are the horizontal and vertical axes in the image. Through this function, one point in the xy plane of the image can be displayed as a curve in the ρθ plane. Therefore, in order to find a straight line through it, it can be solved by finding a point where the curve converges in the ρθ plane. In other words, the points lying on one straight line converge at one point in the ρθ plane, and this point can be used to detect the straight line.

도로의 차선을 보면 도로의 폭이 일정하기 때문에 영상에서는 원근감으로 인해 양쪽 차선의 끝은 한 점으로 향하게 된다. 이로 인해 도로의 차선은 평행하더라도 이미지에서는 서로 다른 각을 가지게 된다.In the lane of the road, the width of the road is constant, so in the image, the end of both lanes faces one point due to the perspective. This causes the lanes of the road to have different angles in the image even though they are parallel.

차선후보군 추출부(221)의 경계선 검출을 거쳐 나온 차선의 후보 경계점들에 대해서 Hough 변환을 실행하게 되면 여러 개의 직선이 검출되게 된다. 이에, 윤곽선 검출을 통하여 추출된 윤곽선들을 기반으로 Hough 변환을 통해 직선 차선을 검출할 수 있다.When the Hough transform is performed on the candidate boundary points of the lane through the boundary detection of the lane candidate group extracting unit 221, a plurality of straight lines are detected. Therefore, it is possible to detect a straight lane through the Hough transform based on the outlines extracted through the contour detection.

그러나, 도로 차선이 항상 직선만 있는 것이 아니라 커브도 있으며 굴곡도 있을 수 있으므로, 직선을 검출하는 Hough 변환을 하여도 정확한 차선인지는 확신할 수 없다. However, the road lane is not always straight, but there is a curve and there may be curvature, so it is not certain whether it is an accurate lane even if it performs Hough transformation to detect a straight line.

따라서, 본 발명의 일 실시예에서는 Hough 변환을 통하여 차량으로부터 존재하는 차선의 진행 방향을 검출하여 이를 기반으로 차선이 존재할 것이라 여겨지는 영역을 설정한 후 차선을 인식한다. 이를 위해, Hough 변환을 통해 검출된 직선을 기반으로 초기 탐색 영역을 설정한다.Accordingly, in one embodiment of the present invention, the traveling direction of the lane existing from the vehicle is detected through the Hough transform, and the lane is recognized after setting the area where the lane is assumed to exist. To do this, an initial search area is set based on the straight line detected through the Hough transform.

도로에 있는 차선 중, 직선 차선뿐만 아니라 커브와 같은 차선들도 존재한다. 이와 같은 차선들을 검색하기 위해 초기 차선 탐색 영역을 기반으로 차선의 방향에 따라 차선 탐색 영역 또한 차선에 맞춰서 변경되도록 한다. Of the lanes on the road, there are lanes such as curves as well as straight lanes. In order to search for such lanes, the lane search area is also changed according to the lane based on the initial lane search area.

먼지 초기 탐색 영역을 기반으로 차선을 탐색하게 되며, 영역 내 차선이 검색되면 그 차선의 위치에 맞춰서 중심이 되는 탐색 점을 바꾸어 준다. 그리고, 탐색 영역을 이 탐색 점에 맞추어서 다음 차선 탐색 영역에 변화를 주어 영역 내 커브 또는 굴곡된 차선을 검출한다.The lane is searched based on the initial search area of the dust, and when the lane in the area is searched, the search point which is centered according to the position of the lane is changed. Then, the search area is adjusted to the search point and a change is made to the next lane search area to detect a curve in the area or a bent lane.

도 3의 내용을 정리하여 약술하면, 구조화 편집 과정에서 차선을 자동으로 도화하기 위해서는 차선의 수량 정보를 비롯한 차선의 폭, 차선의 커브 또는 굴곡 정보, 차선의 시점과 종점 정보 등이 필요하다. 이에, 본 발명의 정위치 편집서버(200)는 차선정보 수집모듈(210)을 통해 상술한 차선 정보를 외부 서버인 GIS(Geographic Information System) 서버로부터 기저장된 차선 정보를 수집하거나, 아직 알려지지 않은 도로의 차선 정보 또는 이미 차선 정보가 수집된 도로이나 차선 정보가 업데이트 되지 않은 차선 정보들은 차선정보 식별모듈(220)을 통해 획득된 도로 영상에서 차선의 정보를 추출하여 구조화 편집서버(300)에 제공할 수 있다.3, when the lane is automatically drawn in the structuring and editing process, the lane width, lane curve or bend information, and lane start point and end point information are required. Accordingly, the stationary editing server 200 of the present invention collects the lane information from the Geographic Information System (GIS) server, which is an external server, through the lane information collection module 210, The lane information of the road information or the lane information on which the lane information has not been updated is extracted from the road image obtained through the lane information identification module 220 and provided to the structuring / editing server 300 .

또한, 본 발명의 일 실시예에서는 차선정보 식별모듈(220)을 통해 차선 정보를 추출하는 방법을 형태학적 처리 및 HSV 컬러 모델을 통해 차선후보군을 선별하고, Hough 변환을 이용하여 직선 구간의 차선을 식별/ 차선 탐색 영역을 재설정하여 곡선 구간의 차선을 식별하는 방법을 상정하여 설명하고 도시하였으나, 이는 하나의 실시예에 불과하므로, 본 발명의 기술적 사상이 이에 한정되는 것은 아니며, 차선 식별을 위한 여타의 공지된 기술이 적용되어도 무방함은 물론이다.In the embodiment of the present invention, the method of extracting lane information through the lane information identification module 220 is to select a lane candidate group through morphological processing and an HSV color model, A method of identifying a lane of a curve section by resetting the identification / lane search area is explained and illustrated, but the present invention is not limited thereto, and the present invention is not limited thereto, Of course, may be applied.

아래에서는, 구조화 편집 과정에서 정위치 편집서버로부터 제공되는 차선 정보를 이용하여 차선의 도화 과정을 자동화하는 기술에 대해 설명하기로 한다.Hereinafter, a description will be made of a technique for automating the lane marking process using the lane information provided from the local editing server during the structured editing process.

도 4는 본 발명의 일 실시예에 따른 구조화 편집서버의 구성을 나타내는 도면이다.FIG. 4 is a diagram illustrating a configuration of a structured editing server according to an embodiment of the present invention.

구조화 편집서버(300)는 정위치 편집서버(200)로부터 제공되는 차선 정보를 이용하여 기존의 숙련된 작업자가 LAS 데이터의 포인터들을 일일이 지정하여 수작업을 통해 작업하던 방식과 달리, 획득된 도로 영상 중 대단히 규칙적이고 일정한 형태를 유지하는 도로 내 차선들을 자동을 선별하여 도화하는 기능을 수행한다.The structured editing server 300 uses the lane information provided from the fixed position editing server 200, and unlike the conventional method in which a skilled worker manually designates pointers of LAS data and manually operates, It carries out the function of automatically selecting and displaying the lanes in the road which maintains a very regular and constant form.

이를 위해, 구조화 편집서버(300)는 차선정보 수신부(310), 차선정보 도출부(320), 차선정보 검증부(330) 및 차선정보 출력부(340)의 구성을 포함한다.The structured editing server 300 includes a lane information receiving unit 310, a lane information obtaining unit 320, a lane information verifying unit 330, and a lane information outputting unit 340.

차선정보 수신부(310)는 정위치 편집서버(200)로부터 차선의 수량, 길이, 폭, 커브와 굴곡, 시점과 종점 정보 등을 포함하는 차선 정보를 전송받는다.The lane information receiving unit 310 receives the lane information including the quantity, length, width, curve, curvature, viewpoint and end point information of the lane from the stationary editing server 200.

차선정보 도출부(320)는 RANSAC 알고리즘을 이용하여 도로 내 존재하는 규칙적인 배열된 직선 형태의 도로 내 차선을 식별하여 자동화함은 물론, 차선의 수량 정보를 이용하여 차선의 식별 과정을 간소화함으로써, 자동 도화 과정이 보다 신속하고 정확하게 이루어질 수 있도록 한다.The lane information derivation unit 320 not only automates the identification and automation of the regularly arranged straight roads existing in the road using the RANSAC algorithm but also simplifies the lane identification process by using the lane number information, So that the automatic drawing process can be performed more quickly and accurately.

여기서, RANSAC 알고리즘에 대해 약술하면, RANSAC은 무작위로 샘플 데이터를 선별한 다음 가장 많은 수의 데이터들로 지지를 받는 즉, 컨센서스(Consensus) 모델을 선택하는 절차적인 방법을 의미한다.Here, RANSAC algorithm is roughly defined as a procedural method of selecting a consensus model that randomly selects sample data and then receives the support of the largest number of data.

RANSAC 알고리즘의 컨센서스 모델을 선택하는 방법은 일단 무작위로 샘플 데이터 몇 개를 선택하여 이 샘플 데이터들을 만족하는 모델 파라미터를 구한다. 이렇게 구한 모델과 가까이에 있는 데이터들의 개수를 세어서 그 개수가 크다면 이 모델을 기억해 둔다. 이러한 과정을 N번 반복한 후 가장 지지하는 데이터의 개수가 많았던 모델을 최종 모델로 선출한다.To select a consensus model of the RANSAC algorithm, a random number of sample data is selected at once to obtain a model parameter satisfying the sample data. If you count the number of data that is close to the model you obtained, and you have a large number, remember this model. After repeating this process N times, the model with the greatest number of supporting data is selected as the final model.

RANSAC 알고리즘을 사용하기 위해서는 크게 2가지의 파리미터를 결정해야 한다. 샘플링 과정을 몇 번(N) 반복할 것인지, 그리고, outlier(데이터 분포에서 현저하게 벗어나 있는 관측값, 외좌층·이상점)와, inlier(데이터 분포에서 그리 벗어나 있지 않은 점, 내좌층)의 경계(T)를 어떻게 정할 것 인지이다.To use the RANSAC algorithm, two parameters must be determined. The boundary between the outlier (observation value significantly deviated from the data distribution, the outer layer and the abnormal point) and the inlier (the point not deviated from the data distribution, the inner layer) (T).

RANSAC 알고리즘의 성공적인 결과 값 산출 과정은 N번의 시도 중 적어도 한번은 inlier들에서만 샘플 데이터가 뽑혀야 한다. 이러한 확률은 N을 키우면 키울수록 증가할 수 있지만, 무한정 샘플링 과정을 반복할 수는 없기에 보통은 확률적으로 반복 횟수를 결정한다. RANSAC 알고리즘의 반복회수를 N, 한 번에 선택하는 샘플 개수를 m, 입력 데이터들 중에서 inlier의 비율을 α라 하면, N번 중 적어도 한 번은 inlier에서만 샘플이 뽑힐 확률 p는 다음과 같다.The successful computation of the RANSAC algorithm requires sample data to be extracted only from inliers at least once during N trials. This probability can be increased with increasing N, but since it is not possible to repeat the sampling process indefinitely, the probability of repetition is usually determined stochastically. If the number of iterations of the RANSAC algorithm is N, the number of samples to select at a time is m, and the ratio of inlier among the input data is α, the probability p at which at least one sample of N times is extracted from the inliers is as follows.

p = 1 - (1 - αm)N p = 1 - (1 -? m ) N

RANSAC 알고리즘의 두 번째 파라미터인 경계 값(T)은 지지하는 샘플링된 데이터와 선출되어질 수 있는 추정 모델과의 거리를 의미한다. The second parameter of the RANSAC algorithm, the boundary value T, is the distance between the supporting sampled data and the estimated model that can be selected.

이 거리는 Ri = |yi - f(xi)|로 정의되며, 그 거리가 경계 값(T) 이하이면 그 모델을 지지하는 데이터로 간주하는 것이다. 이러한 T를 너무 크게 설정하면 모델간의 변별력이 없어지고 T를 너무 작게 설정하면 RANSAC 알고리즘이 불안정해진다. T를 설정하는 가장 일반적인 방법은 inlier들의 residual 분산을 σ2이라 할 때, T = 2σ 또는 T = 3σ 정도로 잡는 것이다.This distance is defined as R i = | y i - f (x i ) |, and if the distance is less than the boundary value T, it is regarded as data supporting the model. If T is set too large, the discriminatory power between models is lost. If T is set too small, the RANSAC algorithm becomes unstable. The most common way to set T is to take T = 2σ or T = 3σ, where σ 2 is the residual dispersion of the inliers.

상술한 바와 같이 경계 값(T)과 샘플링 횟수(N)를 갖는 RANSAC 알고리즘을 이용하여 도로 내 존재하는 규칙적으로 배열된 직선 형태의 도로 내 차선을 식별할 때, 이미 파악된 차선의 수량 정보를 이용하여 차선의 식별 과정을 간소화할 수 있다. As described above, when using the RANSAC algorithm having the boundary value T and the number of times of sampling N to identify lanes in a regularly arranged straight line road existing in the road, So that the lane identification process can be simplified.

구체적으로, RANSAC 알고리즘을 비롯한 일반적인 알고리즘의 경우, 데이터 내의 도출되는 실제 사물의 개수를 알 수 없는 만큼 전체 영역을 설정된 횟수만큼 반복하여 검색을 하여야 하는 시간적 또는 데이터 처리 용량 상의 낭비적인 요소가 있다. 그러나, 차선의 수량 정보와 같이 데이터 내의 실제 사물의 개수를 알고 있다면, 데이터 개수를 모르고 검색하는 과정에 비해 그 낭비적인 요소들을 크게 간소화할 수 있는 이점이 있다.Specifically, in the case of a general algorithm including the RANSAC algorithm, there is a wasteful element on the temporal or data processing capacity in which it is necessary to search the entire area repeatedly a predetermined number of times as much as the number of actual objects derived in the data is unknown. However, if the number of real objects in the data is known, such as the number information of the lane, there is an advantage that the wasteful elements can be greatly simplified compared to the process of searching without knowing the number of data.

따라서, 수치지도의 편집 량이 방대하며 빠른 업데이트가 필요한 자율주행용 차량의 수치지도를 자동으로 생성하는 것은 물론, 수치지도 편집 과정을 신속하고 정확하게 수행할 수 있다.Therefore, a numerical map of an autonomous driving vehicle that requires a large amount of editing of a digital map and needs quick updating can be automatically generated, and a digital map editing process can be performed quickly and accurately.

여기서, 상술한 도로 내 차선을 도출하는 알고리즘은 RANSAC 알고리즘을 비롯하여, 최소 자승법, MLESAC(Maximum Likhood SAC) 알고리즘, 또는 LMedS(Least Median of Squares) 알고리즘을 비롯한 여타의 공지된 알고리즘이 사용되는 것 역시 본 발명의 기술적 사상에 포함된다 할 것이다.Here, it is to be noted that the above-described algorithms for deriving in-road lanes include the RANSAC algorithm, other known algorithms including the least square method, MLESAC (Maximum Likity SAC) algorithm, or LMedS (Least Median of Squares) And will be included in the technical idea of the invention.

차선정보 검증부(330)는 상술한 차선정보 도출부(320)에 의해 도출된 차선정보를 차선정보 수신부(310)로부터 수신된 차선의 수량, 폭, 길이, 커브와 굴곡, 시점과 종점 데이터를 토대로 정확도를 비교분석함으로써, 도출된 차선정보의 신뢰도를 높일 수 있다.The lane information verifying unit 330 verifies the lane information derived by the lane information deriving unit 320 from the lane information receiving unit 310, such as the quantity, width, length, curve, bend, The reliability of the derived lane information can be increased by comparing and analyzing the accuracy based on the comparison result.

차선정보 출력부(340)는 상술한 차선정보의 검증과정을 거쳐 자동으로 도화된 차선 정보와 함께 연석, 신호등, 표지판 등의 도화 과정이 모두 이루어지면, 국토지리정보원에서 제공하는 SHP(연속지적도) 파일로 변환하여 수치지도를 출력한다.When the lane information output unit 340 performs the process of drawing the curb, the traffic light, the sign, etc. along with the automatically drawn lane information through the above-described lane information verification process, the SHP (continuous cadastral map) Converts it into a file and outputs a digital map.

도 4의 내용을 정리하여 약술하면, 정위치 편집서버(200)에서 추출된 차선의 수량, 폭, 길이, 커브와 굴곡, 시점과 종점 정보를 토대로 RANSAC 알고리즘을 비롯한 여타의 영상처리 알고리즘을 이용하여 자율주행 차량용 수치지도를 도화 과정에서 차선을 자동으로 도화하는 것은 물론, 그 정확도를 검증하여 신속하고 정확하게 수치지도로 생성할 수 있다.4, it is possible to use the RANSAC algorithm and other image processing algorithms on the basis of the quantity, width, length, curve, curvature, and start point and end point information of the lane extracted from the fixed position editing server 200 A digital map for an autonomous driving vehicle can be automatically drawn in the drawing process, and its accuracy can be verified to generate a numerical map quickly and accurately.

이하에서는, 본 발명의 일 실시예에 따른 자율주행 차량용 수치지도를 생성하는 일련의 과정 중, 차선 정보를 이용하여 도로 내 차선을 자동으로 도화하는 자동 도화 방법에 대해 설명하기로 한다.Hereinafter, among a series of processes for generating a digital map for an autonomous vehicle according to an embodiment of the present invention, an automatic drawing method for automatically drawing a lane on a road using lane information will be described.

도 5는 본 발명의 일 실시예에 따른 차선 정보를 이용한 자동 도화 방법을 나타내는 흐름도이다.5 is a flowchart illustrating an automatic drawing method using lane information according to an exemplary embodiment of the present invention.

도 5에 도시된 바와 같이, 본 발명의 차선 정보를 이용한 자동 도화 방법은, MMS 차량에 설치된 정보수집 단말(100)을 통해 자율주행 차량의 주행 경로의 도로 영상을 획득한다.(S1100)5, an automatic drawing method using lane information according to the present invention acquires a road image of a traveling path of an autonomous vehicle through an information collecting terminal 100 installed in an MMS vehicle (S1100)

이때, 정보수집 단말(100)은 영상 정보의 획들을 위한 CCD 카메라(110) 또는 LiDAR(120) 장치와 함께 그 영상의 위치 정보의 획득을 위한 위성항법 장치(130) 및 관성항법 장치(140)의 구성을 포함한다.At this time, the information collecting terminal 100 includes a CCD camera 110 or LiDAR 120 for image information strokes, a satellite navigation device 130 and an inertial navigation device 140 for acquiring positional information of the image, .

정보수집 단말(100)을 통해 수집된 영상 정보는 다시 유·무선통신을 통해 정위치 편집서버(200)에 상술한 자율주행 차량의 주행 경로의 도로 영상을 전송한다.(S1200)The image information collected through the information collecting terminal 100 transmits the road image of the traveling path of the autonomous traveling vehicle to the stationary editing server 200 through wire / wireless communication (S1200)

정위치 편집서버(200)는 전송된 도로 영상을 이용하여 LAS 데이터를 생성하거나, 실제 지형과 비교하여 이미 생성되어진 LAS 데이터를 실제 지형과 일치하도록 자동을 수정한다.(S1300)The stationary editing server 200 generates the LAS data using the transmitted road image or compares the generated LAS data with the actual terrain and automatically corrects the already generated LAS data to match the actual terrain (S1300).

이때, 정위치 편집서버(200)는 생성된 LAS 데이터 또는 수정된 LAS 데이터에 도로 내 존재하는 차선 정보를 함께 저장한다.(S1400)At this time, the stationary editing server 200 stores lane information existing in the road together with the generated LAS data or modified LAS data (S1400).

여기서, 정위치 편집서버(200)는 해당 도로의 차선 정보를 저장하고 있는 국토지리정보원을 비롯한 외부서버로부터 차선의 수량, 폭, 길이, 커브와 굴곡, 시점과 종점 정보를 포함하는 속성정보를 생성된 LAS 데이터 또는 수정된 LAS 데이터에 함께 저장한다.(S1410)Here, the fixed position editing server 200 generates attribute information including the quantity, width, length, curve and curvature of the lane, the viewpoint and the end point information from the external server including the geographical information source storing the lane information of the corresponding road And stores the LAS data or the modified LAS data together (S1410).

한편, 정위치 편집서버(200)는 해당 도로의 차선 정보를 외부 서버로부터 전송받지 못하거나, 해당 도로의 차선 정보가 아직 업데이트되지 않았을 경우, 획득된 도로 영상으로부터 차선 정보를 식별 및 추출한다.(S1420)On the other hand, if the lane information of the road is not received from the external server or the lane information of the road has not been updated yet, the stationary editing server 200 identifies and extracts the lane information from the obtained road image. S1420)

차선후보군 추출부(221)는 침식 연산과 팽창 연산 등의 형태학적 연산을 이용하여 차선후보군을 선별한다.(S1421) 여기서, 차선후보군 추출부(221)는 경계 값을 구하기 위한 잡음 제거와 차선을 강조하는 연산을 함께 수행한다.The lane candidate group extracting unit 221 selects a lane candidate group using a morphological operation such as an erosion calculation and an expansion calculation. (S1421) Here, the lane candidate group extracting unit 221 extracts a noise elimination and a lane Perform an operation that emphasizes together.

또한, 차선후보군 인식부(222)는 HSV 컬러 모델을 적용하여 차선후보군 추출부(221)를 통해 추출된 차선후보군 중, 차선의 색상이라 여겨지는 차선을 다시 한 번 추출한다.(S1422)The lane-line candidate group recognizing unit 222 further extracts a lane, which is regarded as the lane color, out of the lane candidate groups extracted through the lane candidate group extracting unit 221 by applying the HSV color model (S1422)

다음으로, 차선정보 추출부(223)는 차선 후보군으로 추출된 이미지에서 Hough 변환을 통해 도로 내 차선을 검출한다.(S1423) 여기서, Hough 변환은 연산량이 많기 때문에 이러한 연산량을 줄이기 위한 윤곽선 검출을 선행한다.Next, the lane information extracting unit 223 detects the lane on the road through the Hough transform in the image extracted as the lane candidate group (S1423). Here, since the Hough transform has a large amount of computation, the contour detection is performed in advance do.

또한, 차선정보 추출부(223)는 직선 차선뿐만 아니라 커브 또는 굴곡을 갖는 차선들을 추출하기 위해 초기 차선 탐색 영역을 기반으로 차선의 방향에 따라 차선 탐색 영역을 다시 재설정한다.(S1424)In addition, the lane-information extracting unit 223 resets the lane search area again in accordance with the direction of the lane based on the initial lane search area in order to extract not only the straight lane but also the lane having curves or bends (S1424)

구조화 편집서버(300)는 정위치 편집서버(200)에서 생성된 LAS 데이터를 구조화 편집(도화)할 때, LAS 데이터에 함께 저장되어 전송되는 차선 정보를 이용하여 자율주행 차량의 도로 또는 차선 인식을 위해 필요한 연석, 신호등, 표지판 및 차선의 지형지물 중, 차선을 자동으로 식별하여 도화한다.(S1500)When the structured editing server 300 structurally edits (displays) the LAS data generated by the fixed position editing server 200, the structured editing server 300 performs road or lane recognition of the autonomous driving vehicle using the lane information stored and transmitted together with the LAS data The lane is automatically identified and displayed among the curb, traffic lights, signs, and lanes of the terrain necessary for the user (S1500).

우선, 차선정보 수신부(310)는 정위치 편집서버(200)로부터 차선의 수량, 길이, 폭, 커브와 굴곡, 시점과 종점 정보 등의 도로 내 차선의 속성정보를 전송받는다.(S1510)First, the lane information receiving unit 310 receives attribute information of the lane on the road such as the number of lanes, the length, width, curves, curvature, viewpoint and end point information from the fixed position editing server 200 (S1510)

차선정보 도출부(320)는 RANSAC 알고리즘을 이용하여 도로 내 존재하는 규칙적으로 배열된 직선 형태의 도로 내 차선을 식별하여 자동화함은 물론, 차선정보 수신부(310)를 통해 수신된 차선의 수량 정보를 이용하여 차선의 식별 과정과 자동 도화 과정을 간소화하여 자동 도화 과정이 보다 신속하고 정확하게 이루어질 수 있도록 한다.(S1520)The lane information derivation unit 320 not only identifies and automates the regularly arranged straight line roads existing on the road using the RANSAC algorithm, but also carries out the calculation of the quantity information of the lanes received through the lane information receiving unit 310 So as to simplify the lane identification process and the automatic drawing process so that the automatic drawing process can be performed more quickly and accurately (S1520)

또한, 차선정보 검증부(330)는 차선정보 수신부(310)를 통해 수신된 차선의 길이, 폭, 커브와 굴곡, 시점과 종점의 속성정보를 이용하여 차선정보 도출부(320)에서 식별되어 자동 도화된 차선의 정확도를 검증한다.(S1530)The lane information verifying unit 330 may identify the lane information by the lane information deriving unit 320 using the length, width, curve, bend, and attribute information of the lane information received by the lane information receiving unit 310 And verifies the accuracy of the rendered lane (S1530).

이하, 차선정보 출력부(340)는 차선정보 검증부(330)에서 검증된 차선의 정확도가 기설정된 오차 이내에 포함될 경우, 국토지리정보원에서 제공하는 SHP 파일로 변환하여 수치지도를 작성한다.(S1540)The lane information output unit 340 converts the lane information verified by the lane information verifying unit 330 into an SHP file provided by the Terrestrial Geographical Information Sources to generate a digital map when the accuracy of the lane verified is within the predetermined error (S1540 )

위에서 설명한 바와 같이 본 발명에 대한 구체적인 설명은 첨부된 도면을 참조한 실시예에 의해서 이루어졌지만, 상술한 실시예는 본 발명의 바람직한 예를 들어 설명하였을 뿐이기 때문에, 본 발명이 상기의 실시예에만 국한되는 것으로 이해되어져서는 아니 되며, 본 발명의 권리범위는 후술하는 청구범위 및 그 균등개념으로 이해되어져야 할 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments. And the scope of the present invention should be understood as the scope of the following claims and their equivalents.

100 : 정보수집 단말
110 : CCD 카메라
120 : LiDAR
130 : 위성항법 장치
140 : 관성항법 장치
150 : 수집정보 발신모듈
200 : 정위치 편집서버
210 : 차선정보 수집모듈
220 : 차선정보 식별모듈
221 : 차선후보군 추출부
222 : 차선후보군 인식부
223 : 차선정보 추출부
300 : 구조화 편집서버
310 : 차선정보 수신부
320 : 차선정보 도출부
330 : 차선정보 검증부
340 : 차선정보 출력부
100: Information collecting terminal
110: CCD camera
120: LiDAR
130: Satellite navigation system
140: Inertial navigation system
150: Collecting information transmitting module
200: In-place editing server
210: lane information collection module
220: lane information identification module
221: lane candidate group extracting unit
222: Lane candidate candidate recognition unit
223: lane information extracting unit
300: structured editing server
310: lane information receiver
320: lane information derivation unit
330: lane information verification unit
340: lane information output section

Claims (7)

자율주행 차량을 위한 수치지도를 자동으로 도화하는 방법에 있어서,
모바일 매핑 시스템(Mobile Mapping System, MMS)을 이용하여, 상기 자율주행 차량을 위한 주행 도로의 영상 정보를 획득하는 제1 단계;
상기 획득된 영상 정보를 정위치 편집하며, 상기 주행 도로의 차선 정보를 포함하는 LAS(Location Aware System) 데이터를 생성하는 제2 단계; 및
상기 정위치 편집된 LAS 데이터를 구조화 편집하며, 상기 차선 정보를 기반으로 상기 LAS 데이터 내의 차선 식별 과정이 상기 차선 정보에 도달할 때까지 수행되도록 하여 상기 차선을 자동으로 도화하는 제3 단계;를 포함하는
차선 정보를 이용한 자동 도화 방법.A method for automatically mapping a digital map for an autonomous vehicle,
A first step of acquiring image information of a running road for the autonomous vehicle using a mobile mapping system (MMS);
A second step of correcting the acquired image information and generating LAS (Location Aware System) data including lane information of the traveling road; And
And structuring and editing the correctly edited LAS data and performing the lane identification in the LAS data until the lane identification process reaches the lane information based on the lane information to automatically map the lane doing
Automated drawing method using lane information. 제 1항에 있어서,
상기 제2 단계는,
GIS(Geographic Information System) 서버로부터 상기 차선 정보를 전송받는 단계; 또는
상기 획득된 영상 정보로부터 상기 차선 정보를 식별하여 추출하는 단계;를 포함하는
차선 정보를 이용한 자동 도화 방법.The method according to claim 1,
The second step comprises:
Receiving the lane information from a GIS (Geographic Information System) server; or
And identifying and extracting the lane information from the obtained image information
Automated drawing method using lane information. 제 1항에 있어서,
상기 제3 단계는,
RANSAC(RANdom SAmple Consensus) 알고리즘을 이용하여, 식별되는 차선의 수량이 상기 차선 정보에 해당하는 수량에 도달할 때까지, 가장 많은 수의 데이터들로부터 지지를 받는 차선을 선택하는 단계;를 포함하는
차선 정보를 이용한 자동 도화 방법.The method according to claim 1,
In the third step,
Selecting a lane to be supported from the largest number of data until the number of lanes to be identified reaches a quantity corresponding to the lane information, using a RANSAC (RAN DOM SAmple Consensus) algorithm
Automated drawing method using lane information. 정위치 편집서버로부터 제공되는 LAS 데이터를 자율주행 차량을 위한 수치지도로 도화하는 구조화 편집서버에 있어서,
상기 정위치 편집서버에 상기 LAS 데이터와 함께 저장된 상기 자율주행 차량을 위한 주행 도로의 차선 정보를 수신하는 차선정보 수신부;
상기 차선정보 수신부로부터 제공되는 상기 차선 정보를 기반으로 상기 LAS 데이터 내의 차선 식별 과정이 상기 차선 정보에 도달할 때까지 수행되도록 하는 차선정보 도출부; 및
상기 LAS 데이터를 구조화 편집하며, 상기 차선정보 도출부에 의해 도출된 상기 LAS 데이터 내의 상기 차선을 자동으로 도화하는 차선정보 출력부;를 포함하는
차선 정보를 이용하여 자동 도화하는 구조화 편집서버.A structured editing server for rendering LAS data provided from a fixed position editing server into a digital map for an autonomous driving vehicle,
A lane information receiver for receiving lane information on a roadway for the autonomous vehicle stored together with the LAS data;
A lane information derivation unit to perform lane identification in the LAS data until the lane identification information reaches the lane information based on the lane information provided from the lane information receiving unit; And
And a lane information output unit for structuring and editing the LAS data and automatically drawing the lane in the LAS data derived by the lane information deriving unit
A structured editing server for automatic drawing using lane information. 제 4항에 있어서,
상기 정위치 편집서버는,
GIS(Geographic Information System) 서버로부터 상기 차선 정보를 전송받는 차선정보 수집모듈; 및
모바일 매핑 시스템을 이용하여 획득된, 상기 자율주행 차량을 위한 주행 도로의 영상 정보에서 상기 차선 정보를 식별하여 추출하는 차선정보 식별모듈;을 포함하는
차선 정보를 이용하여 자동 도화하는 구조화 편집서버.5. The method of claim 4,
Wherein the correct position editing server comprises:
A lane information collection module that receives the lane information from a GIS (Geographic Information System) server; And
And a lane information identification module for identifying and extracting the lane information from the image information of the driving road for the autonomous driving vehicle, which is obtained using the mobile mapping system
A structured editing server for automatic drawing using lane information. 제 5항에 있어서,
상기 차선정보 도출부는,
RANSAC(RANdom SAmple Consensus) 알고리즘을 이용하여, 식별되는 차선의 수량이 상기 차선 정보에 해당하는 수량에 도달할 때까지, 가장 많은 수의 데이터들로부터 지지를 받는 차선을 선택하는 것을 특징으로 하는
차선 정보를 이용한 자동 도화 방법.6. The method of claim 5,
The lane information deriving unit
The lane to be supported is selected from the largest number of data until the number of the lanes to be identified reaches the number corresponding to the lane information by using the RANSAC (RAN DOM SAmple Consensus) algorithm
Automated drawing method using lane information. 자율주행 차량을 위한 수치지도를 자동으로 도화하는 시스템에 있어서,
상기 자율주행 차량에 설치되어 주행 경로를 따라 이동하며, 상기 주행 경로 상의 영상 정보와 상기 영상 정보의 위치 정보를 획득하는 정보수집 단말;
상기 정보수집 단말로부터 수신되는 상기 영상 정보 및 상기 위치 정보를 토대로 LAS 데이터를 생성 및 수정하며, GIS(Geographic Information System) 서버로부터 상기 주행 경로의 차선 정보를 전송받거나, 상기 정보수집 단말로부터 수신되는 상기 주행 경로의 영상으로부터 상기 차선 정보를 식별하여 추출하는 정위치 편집서버;
상기 정위치 편집서버로부터 LAS 데이터를 전송받아 구조화 편집하며, 상기 LAS 데이터에 포함된 상기 차선 정보를 기반으로 상기 LAS 데이터 내의 차선 식별 과정이 상기 차선 정보에 도달할 때까지 수행되도록 하여 상기 차선을 자동을 도화하는 구조화 편집서버;를 포함하는
차선 정보를 이용하여 자동 도화하는 시스템.


1. A system for automatically mapping a numerical map for an autonomous vehicle,
An information collecting terminal installed in the autonomous vehicle and traveling along a traveling route to acquire image information on the traveling route and location information of the image information;
Receiving and generating LAS data based on the image information and the location information received from the information collecting terminal, receiving lane information of the traveling route from a GIS (Geographic Information System) server, A stationary editing server for identifying and extracting the lane information from the image of the traveling route;
Wherein the LAS data is received from the stationary editing server and structured and edited, and the lane identification in the LAS data is performed until the lane identification process reaches the lane information based on the lane information included in the LAS data, And a structured editing server
A system for automatic drawing using lane information.


KR1020170182169A 2017-12-28 2017-12-28 Automatic drawing method using lane information KR102035030B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170182169A KR102035030B1 (en) 2017-12-28 2017-12-28 Automatic drawing method using lane information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170182169A KR102035030B1 (en) 2017-12-28 2017-12-28 Automatic drawing method using lane information

Publications (2)

Publication Number Publication Date
KR20190080009A true KR20190080009A (en) 2019-07-08
KR102035030B1 KR102035030B1 (en) 2019-10-22

Family

ID=67256440

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170182169A KR102035030B1 (en) 2017-12-28 2017-12-28 Automatic drawing method using lane information

Country Status (1)

Country Link
KR (1) KR102035030B1 (en)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102043405B1 (en) * 2019-06-20 2019-11-12 주식회사 첨단공간정보 System of image processing and editing based on GIS
CN111090718A (en) * 2020-03-19 2020-05-01 中科星图(深圳)数字技术产业研发中心有限公司 Portrait identification method based on track tracking
KR102195535B1 (en) * 2020-08-18 2020-12-28 (주)디에스정보기술 Digital map production system using lane information acquired by mobile mapping system
CN112184718A (en) * 2020-08-21 2021-01-05 中国资源卫星应用中心 Method and device for automatically extracting high-resolution remote sensing image of urban building
KR20210041304A (en) * 2019-10-07 2021-04-15 현대엠엔소프트 주식회사 Apparatus and method for detecting road edge
CN113221748A (en) * 2021-05-13 2021-08-06 江苏金晓电子信息股份有限公司 Vehicle inspection radar lane identification method based on image processing
KR102288933B1 (en) * 2020-11-10 2021-08-10 임헌용 METHOD, APPARATUS AND SYSTEM FOR BUILDING OF precision road map
CN115797506A (en) * 2022-12-16 2023-03-14 江苏泽景汽车电子股份有限公司 Method and device for drawing lane line object, terminal equipment and storage medium
KR102540636B1 (en) * 2022-10-27 2023-06-13 주식회사 모빌테크 Method for create map included direction information and computer program recorded on record-medium for executing method therefor

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220105778A (en) 2021-01-21 2022-07-28 현대자동차주식회사 Apparatus and method for updating map information

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120067228A (en) * 2010-12-15 2012-06-25 콘티넨탈 오토모티브 일렉트로닉스 유한회사 Vehicle nacigation map updating apparatus with lane detecting means
KR101212788B1 (en) * 2012-07-12 2012-12-18 태양정보시스템(주) Digital map system for combined vector model and manufacturing method using the same
KR20130076108A (en) * 2011-12-28 2013-07-08 전자부품연구원 Lane departure warning system
KR20150070832A (en) * 2013-12-17 2015-06-25 엘지전자 주식회사 Driver assistance apparatus and Vehicle including the same
JP2017500595A (en) * 2013-10-31 2017-01-05 トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ，インコーポレイティド How to generate an accurate lane level map
KR20170063002A (en) * 2015-11-30 2017-06-08 현대엠엔소프트 주식회사 Road Fingerprint Data Construction System and Method Using the LAS Data
KR20170082165A (en) * 2016-01-05 2017-07-14 한국전자통신연구원 System for autonomous driving service of vehicle, cloud server thereof and method thereof

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120067228A (en) * 2010-12-15 2012-06-25 콘티넨탈 오토모티브 일렉트로닉스 유한회사 Vehicle nacigation map updating apparatus with lane detecting means
KR20130076108A (en) * 2011-12-28 2013-07-08 전자부품연구원 Lane departure warning system
KR101212788B1 (en) * 2012-07-12 2012-12-18 태양정보시스템(주) Digital map system for combined vector model and manufacturing method using the same
JP2017500595A (en) * 2013-10-31 2017-01-05 トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ，インコーポレイティド How to generate an accurate lane level map
KR20150070832A (en) * 2013-12-17 2015-06-25 엘지전자 주식회사 Driver assistance apparatus and Vehicle including the same
KR20170063002A (en) * 2015-11-30 2017-06-08 현대엠엔소프트 주식회사 Road Fingerprint Data Construction System and Method Using the LAS Data
KR20170082165A (en) * 2016-01-05 2017-07-14 한국전자통신연구원 System for autonomous driving service of vehicle, cloud server thereof and method thereof

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
특허문헌 (0001) 『대한민국 등록특허공보 제10-1021967호, 발명의 명칭: 전자도화를 이용한 수치지도 생성 방법, (공고일: 2011년03월16일, 특허권자: 동국지리정보(주))』

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102043405B1 (en) * 2019-06-20 2019-11-12 주식회사 첨단공간정보 System of image processing and editing based on GIS
KR20210041304A (en) * 2019-10-07 2021-04-15 현대엠엔소프트 주식회사 Apparatus and method for detecting road edge
CN111090718A (en) * 2020-03-19 2020-05-01 中科星图(深圳)数字技术产业研发中心有限公司 Portrait identification method based on track tracking
KR102195535B1 (en) * 2020-08-18 2020-12-28 (주)디에스정보기술 Digital map production system using lane information acquired by mobile mapping system
CN112184718A (en) * 2020-08-21 2021-01-05 中国资源卫星应用中心 Method and device for automatically extracting high-resolution remote sensing image of urban building
CN112184718B (en) * 2020-08-21 2024-05-21 中国资源卫星应用中心 Method and device for automatically extracting high-resolution remote sensing images of urban buildings
KR102288933B1 (en) * 2020-11-10 2021-08-10 임헌용 METHOD, APPARATUS AND SYSTEM FOR BUILDING OF precision road map
CN113221748A (en) * 2021-05-13 2021-08-06 江苏金晓电子信息股份有限公司 Vehicle inspection radar lane identification method based on image processing
CN113221748B (en) * 2021-05-13 2024-05-31 江苏金晓电子信息股份有限公司 Vehicle detection radar lane recognition method based on image processing
KR102540636B1 (en) * 2022-10-27 2023-06-13 주식회사 모빌테크 Method for create map included direction information and computer program recorded on record-medium for executing method therefor
CN115797506A (en) * 2022-12-16 2023-03-14 江苏泽景汽车电子股份有限公司 Method and device for drawing lane line object, terminal equipment and storage medium
CN115797506B (en) * 2022-12-16 2023-11-17 江苏泽景汽车电子股份有限公司 Method, device, terminal equipment and storage medium for drawing lane line object

Also Published As

Publication number Publication date
KR102035030B1 (en) 2019-10-22

Similar Documents

Publication Publication Date Title
KR102035030B1 (en) Automatic drawing method using lane information
JP7485749B2 (en) Video-based localization and mapping method and system - Patents.com
CN111144388B (en) Monocular image-based road sign line updating method
EP2975555B1 (en) Method and apparatus for displaying a point of interest
US8467810B2 (en) Method and system for reporting errors in a geographic database
CN111368605B (en) Lane line extraction method and device
US20140362082A1 (en) Automated Overpass Extraction from Aerial Imagery
KR102525281B1 (en) Method and system for visual localization
US20200098130A1 (en) Computer Vision Systems and Methods for Ground Surface Condition Detection and Extraction from Digital Images
Champion et al. 2D building change detection from high resolution satelliteimagery: A two-step hierarchical method based on 3D invariant primitives
CN109271861B (en) Multi-scale fusion point cloud traffic signboard automatic extraction method
CN104123730A (en) Method and system for remote-sensing image and laser point cloud registration based on road features
CN105243142A (en) Intelligent information push method based on augmented reality and visual computation
CN111190199B (en) Positioning method, positioning device, computer equipment and readable storage medium
CN109636868B (en) High-precision image map online construction method and device based on WebGIS and deep learning
Grigillo et al. Automated building extraction from IKONOS images in suburban areas
KR101767006B1 (en) The method and apparatus of updated object detection of the construction layers using uav image
JP2021179839A (en) Classification system of features, classification method and program thereof
Iheaturu et al. A simplified structure-from-motion photogrammetry approach for urban development analysis
JP6550305B2 (en) Road data generation device, road data generation method, and program
CN109034214B (en) Method and apparatus for generating a mark
Yoo et al. True orthoimage generation by mutual recovery of occlusion areas
KR100981588B1 (en) A system for generating geographical information of city facilities based on vector transformation which uses magnitude and direction information of feature point
Koc-San et al. A model-based approach for automatic building database updating from high-resolution space imagery
KR101212788B1 (en) Digital map system for combined vector model and manufacturing method using the same

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant