KR20190114523A - Method, system and computer program for topographical change detection using LiDAR data - Google Patents
Method, system and computer program for topographical change detection using LiDAR data Download PDFInfo
- Publication number
- KR20190114523A KR20190114523A KR1020180037357A KR20180037357A KR20190114523A KR 20190114523 A KR20190114523 A KR 20190114523A KR 1020180037357 A KR1020180037357 A KR 1020180037357A KR 20180037357 A KR20180037357 A KR 20180037357A KR 20190114523 A KR20190114523 A KR 20190114523A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- terrain
- point
- new data
- change
- Prior art date
Links
- 230000008859 change Effects 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000001514 detection method Methods 0.000 title claims description 47
- 238000004590 computer program Methods 0.000 title claims description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 238000013480 data collection Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 11
- 238000011897 real-time detection Methods 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 30
- 238000010835 comparative analysis Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003628 erosive effect Effects 0.000 description 4
- 230000002194 synthesizing effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000907681 Morpho Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004215 lattice model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- BQJCRHHNABKAKU-KBQPJGBKSA-N morphine Chemical compound O([C@H]1[C@H](C=C[C@H]23)O)C4=C5[C@@]12CCN(C)[C@@H]3CC5=CC=C4O BQJCRHHNABKAKU-KBQPJGBKSA-N 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/001—Image restoration
- G06T5/002—Denoising; Smoothing
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/56—Particle system, point based geometry or rendering
Abstract
Description
본 발명은 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법, 이를 위한 시스템 및 서버에 저장된 컴퓨터프로그램에 대한 것으로서, 보다 상세하게는 라이다 데이터를 기초로 절대 좌표를 갖는 점군(Point cloud) 데이터를 실시간 연속적으로 생성하고 노이즈 제거, 데이터 감량, 데이터 정합 및 비교 분석 과정을 통해 실시간 지형 변화를 탐지함으로써 전체적인 처리과정이 단순하고 처리할 데이터 용량을 현저하게 줄여 실시간 지형 변화를 신속하고 효과적으로 탐지할 수 있는 방안을 제시한다.The present invention relates to a method for real-time terrain change detection using LiDAR data, a system and a computer program stored therein, and more particularly, to real-time continuous point cloud data having absolute coordinates based on LiDAR data. By detecting the real-time terrain changes through noise reduction, data reduction, data matching, and comparative analysis, the overall process is simple, and the amount of data to be processed is significantly reduced. present.
항공 촬영 영상을 기초로 지형지물을 분석하여 그 변화를 탐지하는 기술은 체계적이고 종합적인 국토 관리나 재난 재해 상황을 감지하는데 이용되고 있으며, 이러한 기술은 무인 항공기의 기술 발달로 인해 더욱 광범위하게 다양한 분야에 이용되고 있다. 특히, 재난 재해가 발생하는 경우에 즉각적인 대응이 그 피해를 최소화시킬 수 있기에 실시간으로 신속하게 지형 변화 여부를 탐지하여 변화 정도를 파악할 필요가 있다.The technology that detects changes by analyzing features based on aerial imagery is used to detect systematic and comprehensive land management or disaster disasters, and these technologies are more widely used due to the development of drone technology. It is used for. In particular, in the event of a disaster disaster, immediate response can minimize the damage, so it is necessary to quickly detect whether the terrain has changed in real time and determine the degree of change.
일반적으로 항공 영상으로 지형 변화를 탐지하는 기술은 카메라로 촬영되는 지형 및 건물 등에 대해 시간의 차이를 두고 다른 시점에 촬영한 두 개의 영상을 비교하여 지형 변화를 탐지하고 있는데, 이러한 항공 영상을 이용하여 지형 변화를 탐지하는 기술은 스티칭, 영상 매칭 등의 복잡한 과정을 수행해야 되며, 재난 재해를 탐지하기 위해서는 고해상도 영상을 분석해야 되기에 실시간으로 신속하게 지형 변화 여부를 탐지하기에는 적절하지 않은 문제점이 있다.In general, a technology for detecting terrain changes using aerial images detects terrain changes by comparing two images taken at different time points with respect to the terrain and buildings photographed by a camera. The technology for detecting terrain changes requires complex processes such as stitching and image matching, and it is not appropriate to detect terrain changes quickly in real time because high resolution images must be analyzed in order to detect disaster disasters.
본 발명은 상술한 바와 같은 종래 기술의 문제점을 해결하고자 하는 것으로서, 항공 영상으로 지형 변화를 탐지하는 경우에 영상 처리를 위한 복잡한 과정이 요구되며, 재난 재해를 탐지하기 위해서는 고해상도 영상을 분석해야 되기에 실시간으로 신속하게 지형 변화 여부를 탐지하기에는 적절하지 않은 문제점을 해결하고자 한다. The present invention is to solve the problems of the prior art as described above, in the case of detecting terrain changes with aerial image requires a complicated process for image processing, and to detect a disaster disaster to analyze a high-resolution image It is intended to solve a problem that is not suitable for detecting terrain changes quickly in real time.
특히, 라이다 데이터를 이용하여 보다 간단한 처리 과정을 통해 지형 변화를 실시간으로 신속하게 파악할 수 있는 방안을 제시하고자 한다.In particular, this paper proposes a method to quickly identify terrain changes in real time through a simpler process using lidar data.
상기 기술적 과제를 달성하고자 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법의 일실시예는, 지형 변화 탐지 장치가, 라이다 데이터를 취득하여 신규 데이터로 설정하는 신규 데이터 취득 단계; 상기 지형 변화 탐지 장치가, 상기 신규 데이터의 점군(point cloud)에 대하여 일정 면적당 점밀도를 기초로 노이즈를 판단하여 제거하는 데이터 전처리 단계; 상기 지형 변화 탐지 장치가, 전처리된 상기 신규 데이터에 대응되는 기존 지형 정보를 지형 정보 데이터베이스에서 추출하고, 상기 신규 데이터와 상기 기존 지형 정보 간의 로버스트 추정 방법(Robust Estimate Method)을 기반으로 기하관계를 수립하여 데이터를 정합하는 데이터 정합 단계; 및 상기 지형 변화 탐지 장치가, 정합된 상기 신규 데이터에 대응되는 기존 지형 정보를 격자 형태로 변환하고 상기 신규 데이터와 상기 기존 지형 정보를 대비하여 지형 변화를 판단하는 지형 변화 판단 단계를 포함할 수 있다.According to an aspect of the present invention, there is provided a terrain change detection method using a lidar data according to an embodiment of the present invention. A data preprocessing step of determining, by the terrain change detection device, noise based on a point density per predetermined area with respect to a point cloud of the new data; The terrain change detection apparatus extracts existing terrain information corresponding to the preprocessed new data from a terrain information database, and establishes a geometric relationship based on a robust estimation method between the new data and the existing terrain information. A data matching step of establishing and matching data; And a terrain change determination step of converting, by the terrain change detection device, existing terrain information corresponding to the matched new data into a grid form and determining a change in terrain by comparing the new data with the existing terrain information. .
바람직하게는 상기 데이터 전처리 단계는, 상기 신규 데이터의 점군에 대하여 각 개별 점을 중심으로 기설정된 반경 내의 점밀도를 산출하고, 산출된 점밀도가 기준치 이하로 적으면서 주변 점들과 비교하여 상대적으로 점밀도가 적은 점을 노이즈로 판단하여 제거할 수 있다.Preferably, the data preprocessing step calculates a point density within a predetermined radius centering on each individual point with respect to the point group of the new data, and calculates the point density in comparison with surrounding points while the calculated point density is less than or equal to a reference value. The less dense spot can be judged as noise and removed.
보다 바람직하게는 상기 데이터 전처리 단계는, 상기 신규 데이터의 점군에 대한 영역별 점밀도를 산출하고 기설정 밀도 수준 이상의 점밀도를 갖는 영역을 판단하고 상기 영역에서 기설정 점밀도 수준까지 일부 점들을 제거하여 상기 신규 데이터를 감량하는 데이터 감량 단계를 더 포함할 수도 있다.More preferably, the data preprocessing step may include calculating a point density for each area of the point group of the new data, determining an area having a point density of a predetermined density level or more, and removing some points from the area to a preset point density level. The method may further include a data reduction step of reducing the new data.
또한 상기 신규 데이터 취득 단계는, 라이다 데이터를 일정 시간 간격의 시계열적으로 연속하여 취득하며, 상기 데이터 정합 단계는, 과거의 인접 시점의 신규 데이터에 대하여 수립된 기하 관계를 이용하여 현재 시점의 신규 데이터에 대한 기하 관계를 수립할 수 있다.In addition, the new data acquiring step acquires LiDAR data continuously in a time series at a predetermined time interval, and the data matching step includes new data at a current time point using a geometric relationship established for new data at a past adjacent time point. You can establish a geometric relationship to your data.
나아가서 상기 지형 변화 판단 단계는, 상기 신규 데이터와 정합된 기존 지형 정보를 격자 형태로 변환하는 단계; 상기 신규 데이터에서 각 점의 평면 좌표에 해당하는 지점에 대응되는 격자를 상기 기존 지형 정보에서 파악하고, 해당 지점의 고도 값과 해당 격자의 고도 값의 차이 정도를 판단하는 단계; 및 상기 차이 정도와 기설정된 임계치를 대비하여 변화 영역을 판단하는 단계를 포함할 수 있다.Further, the determining of the terrain change may include converting existing terrain information matched with the new data into a grid; Identifying a grid corresponding to a point corresponding to planar coordinates of each point in the new data from the existing terrain information, and determining a degree of difference between an altitude value of the corresponding point and an altitude value of the corresponding grid; And determining a change area by comparing the difference degree and a predetermined threshold value.
바람직하게는 상기 지형 변화 판단 단계는, 형태학적(morpohological) 필터링과 연결 성분 분석(Connected Component Analysis)을 통해 기준치 이상으로 흩어진 점들을 제외하고, 기설정된 범위 영역 내의 점들을 그룹핑하여 그룹핑된 각 지점에 대한 상기 차이 정도를 종합하여 지형 변화 유무를 탐지하는 단계를 더 포함할 수 있다.Preferably, the terrain change determination step, except for points scattered above a reference value through morphological filtering and connected component analysis, grouping points within a predetermined range region to each grouped point. The method may further include detecting whether the terrain has changed by synthesizing the difference degree.
또한 본 발명에 따른 지형 변화 탐지 시스템의 일실시예는, 이동형 데이터 수집 장치로부터 라이다 데이터를 획득하여 신규 데이터로 설정하는 테이터 획득부와; 상기 신규 데이터의 점군(point cloud)에 대하여 일정 면적당 점밀도를 기초로 노이즈를 판단하여 제거하는 데이터 전처리부와; 전처리된 상기 신규 데이터에 대응되는 기존 지형 정보를 추출하고, 상기 신규 데이터와 상기 기존 지형 정보 간의 로버스트 추정 방법(Robust Estimate Method)을 기반으로 기하관계를 수립하여 데이터를 정합하는 데이터 정합부와; 정합된 상기 신규 데이터에 대응되는 기존 지형 정보를 격자 형태로 변환하고 상기 신규 데이터와 상기 기존 지형 정보를 대비하여 지형 변화를 판단하는 지형 변화 탐지부를 포함하는 지형 변화 탐지 장치; 및 기존 지형 정보를 보유하는 지형 정보 데이터베이스를 포함하여 구성될 수 있다.In addition, an embodiment of the terrain change detection system according to the present invention, the data acquisition unit for acquiring the lidar data from the mobile data collection device and setting the new data; A data preprocessor configured to determine and remove noise based on a point density per predetermined area with respect to the point cloud of the new data; A data matching unit for extracting existing terrain information corresponding to the new data pre-processed and matching data by establishing a geometric relationship based on a robust estimation method between the new data and the existing terrain information; A terrain change detection device including a terrain change detector configured to convert existing terrain information corresponding to the matched new data into a grid form and determine a terrain change by comparing the new data with the existing terrain information; And a terrain information database that holds existing terrain information.
바람직하게는 상기 데이터 전처리부는, 상기 신규 데이터의 점군에 대하여 각 개별 점을 중심으로 기설정된 반경 내의 점밀도를 산출하고, 산출된 점밀도가 기준치 이하로 적으면서 주변 점들과 비교하여 상대적으로 점밀도가 적은 점을 노이즈로 판단하여 제거하며, 상기 신규 데이터의 점군에 대한 영역별 점밀도를 산출하고 기설정 밀도 수준 이상의 점밀도를 갖는 영역을 판단하고 상기 영역에서 기설정 점밀도 수준까지 일부 점들을 제거하여 상기 신규 데이터를 감량할 수 있다.Preferably, the data preprocessing unit calculates a point density within a predetermined radius centering on each individual point with respect to the point group of the new data, and compares the point density with the surrounding points while the calculated point density is less than the reference value. Less points are determined as noise and are eliminated, the point density for each area for the point group of the new data is calculated, the area having a point density of a predetermined density level or more is determined, and some points from the area to the preset point density level are removed. By removing the new data can be reduced.
나아가서 상기 테이터 획득부는, 라이다 데이터를 일정 시간 간격의 시계열적으로 연속하여 취득하며, 상기 데이터 정합부는, 과거의 인접 시점의 신규 데이터에 대하여 수립된 기하 관계를 이용하여 현재 시점의 신규 데이터에 대한 기하 관계를 수립할 수 있다.Further, the data acquisition unit acquires LiDAR data continuously in a time series at a predetermined time interval, and the data matching unit uses the geometric relation established for the new data of the adjacent adjacent point in time to the new data at the present point in time. Geometric relationships can be established.
한걸음 더 나아가서 상기 지형 변화 탐지부는, 상기 신규 데이터와 정합된 기존 지형 정보를 격자 형태로 변환하고, 상기 신규 데이터에서 각 점의 평면 좌표에 해당하는 지점에 대응되는 격자를 상기 기존 지형 정보에서 파악하여, 해당 지점의 고도 값과 해당 격자의 고도 값의 차이 정도를 기초로 변화 영역을 판단하며, 형태학적(morpohological) 필터링과 연결 성분 분석(Connected Component Analysis)을 통해 기준치 이상으로 흩어진 점들을 제외하고, 기설정된 범위 영역 내의 점들을 그룹핑하여 그룹핑된 각 지점에 대한 상기 차이 정도를 종합하여 지형 변화 유무를 탐지할 수 있다.Further, the terrain change detection unit converts the existing terrain information matched with the new data into a grid form, and grasps a grid corresponding to a point corresponding to the plane coordinates of each point from the new terrain data from the existing terrain information. The change area is determined based on the difference between the altitude value of the corresponding point and the altitude value of the grid, except for points scattered above the reference value through morphologic filtering and connected component analysis. By grouping the points within the preset range area, the presence or absence of terrain change may be detected by synthesizing the difference degree for each grouped point.
또한 본 발명은 상기의 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법의 각 단계를 수행하기 위해 서버의 저장 매체에 저장된 컴퓨터프로그램을 제시한다.The present invention also proposes a computer program stored in a storage medium of a server for performing each step of the method for detecting terrain changes in real time using lidar data according to the present invention.
이와 같은 본 발명에 의하면, 라이다 데이터를 이용하여 보다 간단한 처리 과정을 통해 지형 변화를 실시간으로 신속하게 파악할 수 있게 된다.According to the present invention, it is possible to quickly grasp the terrain change in real time through a simpler process using the lidar data.
본 발명의 일실시예에 의하면, 라이더 데이터와 기존 지형 정보를 로버스트 추정 방법을 기반으로 정합시킴으로써 상호 일치하는 점이나 객체 기반의 정합 과정시 실제 변화가 존재하는 영역에 대한 기하 관계 수립에 큰 오차가 야기되는 문제를 해결할 수 있다.According to an embodiment of the present invention, by matching the rider data and the existing terrain information based on the robust estimation method, a large error in establishing a geometric relationship with respect to the point where there is a real change in the matching point or the object-based matching process Can solve the problem caused.
또한 본 발명의 일실시예에 의하면, 일정 시간 간격 획득된 라이더 데이터에 대하여 시계열 분석에 따라 연속적으로 획득된 과거 인접 시점의 신규 데이터에 대하여 수립된 기하 관계를 기반으로 현재 시점의 신규 데이터에 대한 기하 관계 수립함으로써 보다 빠르고 정확하게 기하 관계를 수립할 수 있다.In addition, according to an embodiment of the present invention, based on the geometric relationship established for the new data of the previous adjacent time point obtained continuously according to the time series analysis for the rider data obtained in a certain time interval, the geometry for the new data at the present time By establishing relationships, you can establish geometric relationships faster and more accurately.
도 1은 본 발명에 따른 지형 변화 탐지 시스템의 일실시예에 대한 구성도를 도시하며,
도 2는 본 발명에 따른 이동형 데이터 수집 장치(100)의 일실시예에 대한 구성도를 도시하며,
도 3은 본 발명에 따른 지형 변화 탐지 장치의 일실시예에 대한 구성도를 도시하며,
도 4는 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법의 일실시예에 대한 수행 과정 흐름도를 도시하며,
도 5는 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법에서 데이터 정합 과정의 세부 실시예에 대한 흐름도를 도시하며,
도 6은 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법에서 데이터 분석 과정의 세부 실시예에 대한 흐름도를 도시하며,
도 7은 본 발명에서 적용하는 형태학적 필터링에 대한 예시를 도시하며,
도 8은 본 발명을 적용하는 구체적인 일례를 도시한다.1 is a block diagram of an embodiment of a terrain change detection system according to the present invention,
2 is a block diagram of an embodiment of a mobile
3 is a block diagram of an embodiment of a terrain change detection apparatus according to the present invention,
4 is a flowchart illustrating a process of performing an embodiment of a method for real-time terrain change detection using LiDAR data according to the present invention;
5 is a flowchart illustrating a detailed embodiment of a data matching process in a terrain change real-time detection method using lidar data according to the present invention;
6 is a flowchart illustrating a detailed embodiment of a data analysis process in a terrain change real-time detection method using lidar data according to the present invention;
7 shows an example of morphological filtering applied in the present invention,
8 shows a specific example to which the present invention is applied.
본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 설명하기 위하여 이하에서는 본 발명의 바람직한 실시예를 예시하고 이를 참조하여 살펴본다.In order to explain the present invention, the operational advantages of the present invention, and the objects achieved by the practice of the present invention, the following describes exemplary embodiments of the present invention and looks at it with reference.
먼저, 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니며, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 또한 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.First, the terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the invention, and singular forms may include plural forms unless the context clearly indicates otherwise. Also in this application, terms such as "comprise" or "have" are intended to indicate that there is a feature, number, step, action, component, part, or combination thereof described on the specification, one or more other It is to be understood that the present invention does not exclude the possibility of the presence or the addition of features, numbers, steps, operations, components, parts, or a combination thereof.
본 발명을 설명함에 있어서, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.In describing the present invention, when it is determined that the detailed description of the related well-known configuration or function may obscure the gist of the present invention, the detailed description thereof will be omitted.
라이다(LiDAR; Light Detection And Ranging) 시스템은 항공기 등에 장착 하여 레이저 펄스를 지표면에 주사하고 반사된 레이저 펄스의 도달시간을 관측함으로써 반사지점의 공간 위치 좌표를 계산하여 지표면에 대한 지형정보를 추출하는 측량기법으로서, 완전 자동처리가 가능하며 처리속도가 빠르고 능동적 센서이므로 비교적으로 흐린 날씨에도 구애를 받지 않는 장점이 있다.LiDAR (Light Detection And Ranging) system is installed on the aircraft to scan the laser pulse on the surface and observe the arrival time of the reflected laser pulse to calculate the spatial position coordinates of the reflection point to extract the topographic information on the surface As a surveying technique, fully automatic processing is possible, and the processing speed is fast and the active sensor has the advantage that it is not affected by the cloudy weather.
특히, 라이다 데이터는 X, Y, Z 좌표정보를 가지고 있는 수많은 비정규 점군(Point Cloud)으로 구성되어 3차원 좌표정보를 지닌 점 집합으로 획득되므로, 2차원 좌표정보의 픽셀구조로 구성된 항공영상을 이용하여 3차원 변환 방식으로 지형 정보를 파악하는 종래 기술이 갖는 한계를 극복할 수 있는 대안이 될 수 있다.In particular, Lidar data is composed of a number of non-normal point cloud (X, Y, Z coordinate information) is obtained as a set of points having three-dimensional coordinate information, so the aerial image composed of a pixel structure of two-dimensional coordinate information It can be an alternative to overcome the limitations of the prior art of grasping terrain information by using a three-dimensional transformation method.
본 발명은 이와 같은 라이다 데이터를 이용하여 실시간 지형 변화를 탐지하는 기술로서, 절대 좌표를 갖는 점군(Point cloud) 데이터로 구성되는 라이다 데이터를 실시간 연속적으로 취득하여 시계열적 순서로 신규 데이터를 생성하고 노이즈 제거, 데이터 감량, 데이터 정합 및 비교 분석 과정을 통해 실시간 지형 변화를 탐지하는 방안을 제시한다.The present invention is a technology for detecting real-time topographical changes using such lidar data, and generates new data in time-series order by continuously obtaining lidar data composed of point cloud data having absolute coordinates in real time. This paper proposes a method to detect real-time terrain changes through noise reduction, data loss, data matching and comparative analysis.
도 1은 본 발명에 따른 지형 변화 탐지 시스템의 일실시예에 대한 구성도를 도시한다.1 is a block diagram of an embodiment of a terrain change detection system according to the present invention.
본 발명에 따른 지형 변화 탐지 시스템은, 해당 지형에 대한 라이다 데이터를 생성하는 이동형 데이터 수집 장치(100), 이동형 데이터 수집 장치(100)로부터 라이다 데이터를 회득하여 지형 변화를 탐지하는 지형 변화 탐지 장치(200), 지형 정보를 보유하는 지형 정보 데이터베이스(300) 등을 포함하여 구성될 수 있으며, 추가적으로 지형 변화 탐지 장치(200)로부터 지형 변화 정보를 전달받아 활용하는 지형 정보 제공 장치(10)를 포함할 수도 있다.In the terrain change detection system according to the present invention, the terrain change detection system detects the terrain change by retrieving the LiDAR data from the mobile
여기서 이동형 데이터 수집 장치(100)는 라이다 데이터를 획득할 수 있는 다양한 이동 수단이 될 수 있는데, 가령 지형 변화 감시 지역의 상공을 비행하면서 라이다 데이터를 생성하는 무인 비행체(110)나 유인 항공기 등이 될 수도 있고 또는 지상에서 감시 대상 지역을 돌아다니며 라이다 데이터를 생성하는 차량(130)이나 카트 등이 될 수도 있다.Here, the mobile
지형 변화 탐지 장치(200)는 이동형 데이터 수집 장치(100)로부터 라이다 데이터를 획득하여 지형 변화를 탐지하는 장치로서 본 발명을 구현하기 위해 특화된 별개의 장치로 구성될 수도 있고 또는 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법을 수행하는 컴퓨터프로그램이 탑재되어 작동하는 일반적인 상용 서버로 구축될 수도 있다.The terrain
지형 정보 제공 장치(10)는 종합적인 국토 관리나 지적도 관리를 위한 지형 변화 정보를 제공하는 기관이 구비한 시스템 장치일 수도 있고 또는 재난재해 감시를 위한 지형 변화 정보를 제공하는 기관이 구비한 시스템 장치일 수도 있으며, 이외에도 다양한 용도로 지형 변화 정보를 활용하기 위한 시스템 장치가 될 수 있다.The terrain
본 발명의 주요 구성에 대하여 구체적인 실시예를 통해 좀 더 자세히 살펴보기로 한다.The main configuration of the present invention will be described in more detail through specific embodiments.
도 2는 본 발명에 따른 이동형 데이터 수집 장치(100)의 일실시예에 대한 구성도를 도시한다.2 is a block diagram of an embodiment of a mobile
이동형 데이터 수집 장치(100)는 레이저 스캐너(130)를 구비하여 주기적으로 해당 지형지물에 레이저 펄스를 주사하고 반사된 레이저 펄스를 수신하여 레이저 펄스 신호를 기초로 라이다 데이터를 생성하는데, 이때 레이저 스캐너(130)와 GPS/INS(150)가 함께 구비된 멀티 센서로 구성되어 이동형 플랫폼(110)의 위치 및 자세 정보를 동시에 획득할 수 있다. The mobile
바람직하게는 이동형 플랫폼(110)은 일정 시간 간격을 두고 연속적으로 획득되는 라이다 데이터와 GPS/INS 데이터를 실시간 융합하여 3차원 절대 좌표 정보를 갖는 점군 데이터로 라이다 데이터를 시계열적으로 생성한다.Preferably, the
나아가서 이동형 데이터 수집 장치(100)의 이동형 플랫폼(110)은 통신 장치를 구비하여 획득되는 라이다 데이터를 실시간으로 지형 변화 탐지 장치(200)에 제공할 수 있으며, 이를 통해 지형 변화 탐지 장치(200)는 일정 시간 간격으로 기존 지형 정보의 변화를 탐지할 수 있다. 물론 이동형 데이터 수집 장치(100)의 종류와 이동 속도 또는 변화를 탐지할 대상 지형지물에 따라 라이다 데이터의 획득 시간 간격은 조절될 수 있다. Furthermore, the
도 3은 본 발명에 따른 지형 변화 탐지 장치의 일실시예에 대한 구성도를 도시한다.3 is a block diagram of an embodiment of a terrain change detection apparatus according to the present invention.
지형 변화 탐지 장치(200)는 개략적으로 테이터 획득부(210), 데이터 전처리부(230), 데이터 정합부(250), 지형 변화 탐지부(270) 등을 포함하여 구성될 수 있다.The terrain
데이터 획득부(210)는 이동형 데이터 수집 장치(100)와 연동하여 라이다 데이터를 획득하며, 바람직하게는 수 초 단위 간격으로 시계열적인 라이다 데이터를 획득할 수 있다. 나아가서 데이터 획득부(210)는 다수의 이동형 데이터 수집 장치(100)로부터 라이다 데이터를 획득할 수도 있다.The
데이터 전처리부(230)는 획득된 라이다 데이터를 전처리 가공하는데, 라이다 데이터는 다양한 이유로 인해 노이즈가 포함되어 있기에 데이터 전처리부(230)는 노이즈 제거 과정을 수행하여 보다 정확한 정보의 획득이 가능하도록 한다. 또한 데이터 전처리부(230)는 노이즈가 제거된 라이다 데이터에 대한 데이터 감량을 수행하여 처리할 데이터 용량을 줄임으로써 실시간으로 즉각적인 지형 변화를 탐지 가능하도록 지원한다.The data preprocessor 230 preprocesses the obtained LiDAR data, and since the LiDAR data includes noise for various reasons, the
데이터 정합부(250)는 라이다 데이터와 기존 지형 데이터의 대비를 위해 전처리된 라이다 데이터와 이에 대응되는 기존 지형 데이터를 정합하고 비교 분석을 수행한다. The
라이다 데이터는 GPS/INS 데이터와 융합되어 위치와 자세 정보를 갖고 있어 기존 지형 정보와 동일한 절대좌표계로 표현될 수 있기에 라이다 데이터에 대한 데이터 정합을 별도 수행하지 않고 곧바로 기존 지형 정보와 대비할 수도 있으나 변화 영역 탐지의 오류 발생을 방지하기 위해 데이터를 정합하는 것이 바람직한데, 본 발명에서 데이터 정합부(250)는 지형 정보 데이터 베이스(300)에서 라이다 데이터에 대응되는 지형 정보를 추출하여 대응 객체로 추정하고 로버스트 추정 방법에 기반하여 기하 관계를 수립한다. Lidar data is fused with GPS / INS data and has location and attitude information so that it can be expressed in the same absolute coordinate system as existing terrain information. Therefore, it is possible to contrast with existing terrain information without performing data matching on Lidar data. It is preferable to match data in order to prevent an error of detection of the change area. In the present invention, the
바람직하게는 데이터 정합부(250)는 일정 주기로 획득되는 라이다 데이터를 시계열적 분석에 기반하여 인접 시점에 수립된 기하 관계를 기초로 현재 시점의 라이다 데이터에 대한 기하 관계를 수립할 수도 있다. Preferably, the
지형 변화 탐지부(270)는 정합된 라이다 데이터와 기존 지형 데이터 간의 차이를 검출하여 해당 지형의 변화를 탐지하는데, 이때 기존지형정보를 격자로 변환함으로써 라이다 데이터가 점 데이터 형태가 아닌 DEM/DSM 등의 형태로 되어 있어도 비교가 가능하다. The terrain
지형 변화 탐지부(270)는 라이다 데이터에서 각 점의 평면 좌표에 해당하는 지점이 기존지형정보에서 어느 격자에 해당하는지 확인하고 해당 격자의 고도 값과 라이다 데이터의 고도 값의 차이 정도를 산출하여 기설정된 임계값을 초과하는 경우에 변화로 판단한다. 각각의 개별점마다 고도 값의 차이 정도를 바탕으로 변화 유무를 판단한 후 형태학적(morpohological) 필터링과 연결 성분 분석(Connected Component Analysis)을 통해 산발적인 흩어진 점들을 제외하고, 기설정된 범위에 따른 일정 수준의 넓은 영역에 대한 변화를 탐지함으로써 지형 변화 유무를 탐지할 수 있다.The terrain
나아가서 지형 변화 탐지 장치(200)는 상기에서 살펴본 각 구성들을 갖는 본 발명에 특화된 개별 장치로 구현될 수도 있으나, 이후 살펴볼 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법의 각 과정을 수행하는 컴퓨터프로그램이 상용 서버의 저장 매체에 저장된 형태로 구현될 수도 있다.Furthermore, the terrain
또한 본 발명에서는 상기에서 살펴본 지형 변화 탐지 시스템을 이용하여 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법을 제시하는데, 이하에서는 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법에 대하여 실시예를 통해 살펴보기로 한다.In addition, the present invention provides a terrain change real-time detection method using lidar data using the terrain change detection system described above, hereinafter through the embodiment of the terrain change real-time detection method using the lidar data according to the present invention Let's look at it.
도 4는 본 발명에 따른 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법의 일실시예에 대한 수행 과정 흐름도를 도시한다.4 is a flowchart illustrating an embodiment of a method for real-time terrain change detection using LiDAR data according to the present invention.
지형 변화 탐지 장치(200)가 이동형 데이터 수집 장치(100)를 통해 라이다 데이터에 대한 신규 데이터를 획득(S10)하는데, 바람직하게는 수 초 단위의 일정 시간 간격으로 연속적인 신규 데이터를 획득할 수 있다.The terrain
신규 데이터가 획득되면 지형 변화 탐지 장치(200)는 전처리 과정(S100)을 통해 신규 데이터를 가공하는데, 전처리 과정(S100)으로서 신규 데이터에서 노이즈를 제거(S110)하고 노이즈가 제거된 신규 데이터에 대한 데이터 감량(S150)을 수행한다.When the new data is obtained, the terrain
먼저 노이즈 제거(S110) 과정을 살펴보면, 라이다 데이터를 이루는 점군(Point Cloud)에는 실제 지표면이나 객체면 상에서 샘플링된 것으로 보이지 않는 주변과 현저하게 다른 위치, 좌표를 갖는 점들이 존재하며 이를 노이즈로 판단하여 제거하게 되는데, 라이다 데이터를 구성하는 점들에 대한 밀도를 기반으로 노이즈를 파악하여 제거할 수 있다. 가령, 개별 점들에 대해 각점을 중심으로 기설정된 반경 내의 점의 개수를 계산하여 점밀도를 산출한 후 산출된 점밀도가 기준치 이하로 절대적으로 적으면서 동시에 주변 점들과 비교해서 점밀도가 상대적으로 적은 경우 이를 노이즈로 판단하여 제거한다.First, in the process of removing the noise (S110), there are points in the point cloud constituting the lidar data having positions and coordinates that are remarkably different from the surroundings that do not appear to be sampled on the actual surface or the object surface, which is determined as noise. The noise can be identified and removed based on the density of the points constituting the LiDAR data. For example, after calculating the point density by calculating the number of points within a predetermined radius around each point for each point, the calculated point density is absolutely lower than the reference value, and at the same time, the point density is relatively low compared to the surrounding points. In this case, it is determined as noise and removed.
그리고 데이터의 처리 속도와 전송 속도를 향상시키고 균형있는 연산을 위한 데이터 감량(S150) 과정을 살펴보면, 라이다 데이터는 일반적으로 불규칙하게 분포된 대량의 점군으로 구성되며, 상당히 많은 수의 점들을 신속하게 처리하기 위해서는 적절한 수준으로 데이터를 감량할 필요가 있다. 또한 이동형 데이터 수집 장치(100)가 이동하면서 취득한 라이다 데이터는 지형이나 사물의 형태에 따라 상당히 불균형한 점의 분포를 갖는데, 예를 들어 어떤 영역에서는 상대적으로 아주 조밀한 분포를 갖기에 이와 같은 영역에서 기설정 밀도 수준까지 불필요한 일부 점들을 제거하여 다른 영역과 균형을 유지하도록 한다. 바람직하게는 데이터 감량 과정에서 임의점을 선택하는 임의 분포 방법, 3차원 복셀 격자를 생성하고 개별 복셀 기준으로 점의 개수를 줄이는 복셀 격자 방법, 프아송 분포를 이용하여 점의 개수를 줄이는 방법 등을 이용하여 비교적 균형있는 분포를 유지하면서 전체적인 점의 개수를 줄여 데이터를 감량하게 된다.In addition, the data loss (S150) process for improving the processing speed and transmission speed of the data, and for the balanced operation, LiDAR data is generally composed of a large number of irregularly distributed point groups, and quickly In order to process, it is necessary to reduce the data to an appropriate level. In addition, the lidar data acquired while the mobile
전처리 과정(S100)을 수행한 후 다음으로 실제적인 주처리 과정(S200)으로서 신규 데이터를 이에 대응되는 기존 지형 정보와 정합(S210)하고 정합된 데이터를 비교 분석(S250)다.After performing the preprocessing step (S100), the next step is the actual main processing step (S200), and the new data is matched with existing terrain information corresponding thereto (S210), and the matched data is compared and analyzed (S250).
지형 변화 탐지의 핵심 원리는 신규 데이터를 기존 지형 정보와 비교해서 현저한 차이를 보이는 영역을 파악하는 것으로서, 여기서 기존 지형 정보는 기존 지형에 대하여 구축한 3차원 지형 모델을 의미하는데, 일정한 간격의 수평좌표마다 고도값을 갖는 격자형태의 모델이거나 다면체 모델처럼 벡터형태의 모델일 수도 있고, 또는 라이다 데이터와 같이 3차원 공간의 불규칙하게 분포한 점군 데이터일 수도 있다. 이러한 기존 지형 정보는 지형 정보 데이터베이스(300)가 보유하면서 실시간 업데이트될 수 있다.The key principle of terrain change detection is to identify areas where there is a significant difference by comparing new data with existing terrain information, where the existing terrain information refers to a three-dimensional terrain model built on the existing terrain. Each model may be a lattice model having a high altitude value, a vector model like a polyhedron model, or randomly distributed point group data in three-dimensional space, such as LiDAR data. The existing terrain information may be updated in real time while the
새로 취득된 라이다 데이터인 신규 데이터(L)를 기존지형정보(R)와 비교해서 변화를 탐지하려면 일단 두 데이터 L과 R이 공통의 좌표계로 표현되어야 하는데, 적어도 변화가 없는 영역에서 두 데이터 L과 R이 공통 좌표계 상에서 정밀하게 일치되어야 하며, 만약 어떠한 이유로 인해 두 데이터 L과 R이 정밀하게 일치되지 않는 경우에는 이를 조정해서 맞추는 데이터 정합이 필요하다. In order to detect a change by comparing new data L, which is newly acquired LiDAR data, with existing topographical information R, two data L and R must be expressed in a common coordinate system. And R must be precisely matched on the common coordinate system, and if for some reason the two data L and R are not precisely matched, a data match is required to adjust and fit them.
일반적으로 새로 취득된 라이다 데이터(L)도 GPS/INS 데이터와 융합되므로 기존 지형 정보(R)와 동일하게 WGS84/TM과 같은 절대좌표계로 표현되며, 기본적으로 동일한 좌표계로 표현된 데이터이기 때문에 특별히 두 종류의 데이터를 상대적으로 맞추는 데이터 정합을 별도로 수행하지 않고 두 데이터를 비교해서 차이가 큰 영역을 변화영역으로 탐지할 수도 있다. In general, newly acquired lidar data (L) is also fused with GPS / INS data, so it is represented in the same absolute coordinate system as WGS84 / TM like the existing terrain information (R). Rather than performing separate data matching that matches two types of data separately, two data can be compared to detect a large area as a change area.
그러나 이동형 데이터 수집 장치의 탑재되는 라이다 시스템의 무게, 비용 등의 한계로 인해 일정이상의 고성능 GPS/INS를 사용하기 어려운 경우가 다반사인데, 저성능 GPS/INS를 사용함으로 인해 실시간으로 측정되는 플랫폼의 위치, 자세에 일정 크기 이상의 바이어스가 있을 수 있다. 이러한 바이어스는 결국 GPS/INS 데이터와 융합하여 출력되는 라이다 데이터에 바이어스로 전파되며, 이러한 바이어스에 의해 동일한 좌표계로 표현된 기존지형정보와 비교할 때 전혀 변화가 없는 영역에서도 변화가 존재하는 것으로 판단되는 오류가 발생될 수 있다.However, it is difficult to use more than a certain high performance GPS / INS due to the limitations of the weight and cost of the lidar system installed in the mobile data collection device. There may be more than a certain amount of bias in position and posture. This bias is eventually propagated as a bias to the LiDAR data that is fused with GPS / INS data, and it is judged that there is a change even in an area where there is no change when compared with the existing topographic information represented by the same coordinate system by this bias. Errors can occur.
따라서 이러한 오류를 제거하기 위해 새로 취득된 라이다 데이터인 신규 데이터(L)와 기존 지형 정보(R) 간의 데이터 정합이 더욱 필요하게 된다.Accordingly, in order to eliminate such an error, data matching between new data L, which is newly acquired lidar data, and existing terrain information R is required.
본 발명에서 데이터 정합 과정(S210)은 서로 다른 시기에 취득된 데이터를 비교하기 위해 데이터간 기하학적 관계를 수립하고 이에 기반하여 차이를 보정하여 상대적으로 두 데이터를 일치시키는데, 이에 대하여 도 5에 도시된 실시예의 흐름도를 참조하여 살펴본다.In the present invention, the data matching process (S210) establishes a geometric relationship between data in order to compare the data acquired at different times, and corrects the difference based on the data, thereby matching the two data relatively. It looks at with reference to the flowchart of the embodiment.
라이다 데이터와 같은 점군 데이터의로 구성되는 데이터 셋을 정합하는 과정은, 신규 데이터에 대응되는 점이나 객체를 파악하여 지형 정보 데이터베이스(300) 상에서 신규 데이터에 대응되는 기존 지형 정보(310)인 대응 객체를 추정(S211)하고, 일치되는 객체 사이의 좌표 차이로부터 두 데이터 셋 사이의 기하관계를 수립(S213)한 후 수립된 관계를 바탕으로 좌표를 보정(S215)하여 두 데이터 셋을 일치시키는 과정으로 수행된다.The process of matching a data set composed of point group data such as LiDAR data may be performed by identifying a point or an object corresponding to new data, and corresponding to the existing
대응 객체 파악하는데 있어서 가능한 모든 점들을 대상으로 하거나, 또는 동일한 객체로 식별하기 용이한 특별한 점 또는 평면패치와 같은 객체 만을 특정하여 추출해 사용할 수도 있다. 예를 들어, ICP, G-ICP, NDT 등의 방법으로 두 데이터 셋의 모든 점에 대해서 대응관계를 파악해서 기하관계를 수립할 수도 있으며, FPFH에 기반한 방법의 경우에는 각 데이터 셋에 특별한 점들에 대해서만 대응관계를 파악하고, FPFH 기술자가 각 점에 대해 그 점과 주변 점들 사이의 분포를 고려해서 그 점의 특성을 기술할 수도 있다. 이러한 특성을 분석해서 식별이 가능한 특징점들을 파악하고 또 다른 데이터 셋에서 이러한 특성이 비슷한 점들을 파악해서 일치되는 점을 결정하게 된다.In identifying the corresponding object, all possible points may be targeted, or only an object such as a special point or a plane patch that may be easily identified as the same object may be extracted and used. For example, ICP, G-ICP, NDT, etc., can be used to establish a geometric relationship by identifying correspondences for all the points of two data sets. For each point, the FPFH descriptor may describe the characteristics of the point, taking into account the distribution between that point and surrounding points. By analyzing these features, you can identify identifiable feature points and determine similarities by matching those features in another data set.
그러나 상기와 같은 데이터 정합 과정의 경우, 상호 일치하거나 대응되는 점이나 객체에 기반하여 두 데이터를 일치시키게 되는데, 이를 변화 탐지를 위해 선행 과정으로 수행되는 데이터 정합에 바로 적용하기 어렵다. 그 이유는 기본적으로 변화를 탐지하기 위한 목적으로 두 데이터 셋을 이용하는 것이기에 두 데이터 셋에 변화된 부분이 존재하게 되고 이로 인해 두 데이터 셋이 서로 완벽히 일치하지 않기에 지형 변화로 인해 서로 달라진 영역을 제외하고 지형 변화가 발생하지 않은 영역에서만 선별적으로 대응되는 객체를 파악해서 기하관계를 수립해야 하는 어려움이 있다. 특히, 현실적으로는 변화된 영역이 어디인지 모르기 때문에 모든 영역에서 대응관계를 수립해야 되는데 이에 따라 변화된 영역을 갖는 데이터에 대응되는 대응 객체의 경우, 기하 관계 수립에 있어 큰 오차를 야기하게 된다. However, in the case of the data matching process as described above, the two data are matched based on mutually matching or corresponding points or objects, and it is difficult to apply this data directly to the data matching performed in the preceding process for change detection. The reason is basically to use the two data sets for the purpose of detecting changes, so there will be a change in the two data sets, and this will cause the two data sets to be inconsistent with each other. There is a difficulty in establishing a geometric relationship by identifying objects that selectively respond to only areas where the terrain does not occur. In particular, in reality, since it is not known where the changed area is, it is necessary to establish a correspondence relationship in all areas. Accordingly, the corresponding object corresponding to the data having the changed area may cause a large error in establishing the geometric relationship.
따라서 본 발명에서는 대응 객체에 의해 영향을 크게 받지 않도록 로버스트 추정 방법을 기반으로 기하 관계를 수립한다. Therefore, in the present invention, the geometric relationship is established based on the robust estimation method so as not to be greatly affected by the corresponding object.
로버스트 추정 방법이란, 최소제곱법과 같은 기존의 추정 방법에 비해 과대오차(outlier, blunder, gross error 등)에 강인하게(Robustly) 동작하는 추정 방법을 의미한다. 예를 들어, 직접 관측 (direct observation)으로서, 미지수를 결정하기 위해 해당하는 양을 직접 관측하는 경우에 여러 번 관측해서 다수 관측값을 평균하여 미지수에 대한 추정값으로 결정한다. 이는 오차(잔차)의 제곱의 합을 최소로하는 원리에 기반한 최소제곱법(Least Mean Squares Estimator)에 기반한 결과이다. 개별 관측값에 포함된 우연오차를 줄여주지만 과대오차에 상당히 약하다. 만약 일부 관측값에 과대오차가 포함되어있다면 이에 의해 평균값은 크게 편향된다. The robust estimation method refers to an estimation method that is robust against excessive errors (outlier, blunder, gross error, etc.) compared to conventional estimation methods such as least square method. For example, as a direct observation, when observing a corresponding quantity directly to determine an unknown, it is observed several times and averaged many observations to determine an estimate of the unknown. This is a result based on the Least Mean Squares Estimator based on the principle of minimizing the sum of squares of the errors (residuals). It reduces the chance of accidental errors in individual observations, but it is quite weak to overshoot. If some observations involve excessive errors, the mean value is greatly biased by this.
이에 비해서 로버스트 추정 방법 중 하나인 LMedS (Least Median Squares) estimator을 적용하면 평균값 대신에 중앙값(Median)으로 결정한다. 중앙값의 경우는 일부 과대오차가 있더라도 50% 이내라면 전혀 영향을 받지 않는다. On the other hand, if the LMedS (Least Median Squares) estimator, one of the robust estimation methods, is applied, the median is determined instead of the average value. The median value is not affected at all if it is within 50%, even with some overerrors.
또 다른 로버스트 추정 방법 중 하나인 M-estimator는 기존 최소제곱법으로 추정한 후 여전히 관측값에 남아 있는 오차(잔차)에 따라 가중치를 새로 설정한다. 예를 들어, 잔차가 아주 크면 과대오차를 포함하고 있을 가능성이 크기 때문에 추정에 영향을 줄이기 위해 가중치를 낮게 설정한다. 이렇게 새롭게 설정된 가중치를 고려해서 다시 추정하고 이로부터 잔차를 계산하고 이에 따라 가중치도 다시 설정한다. 이러한 과정을 계속적으로 반복해서 과대오차에 대한 영향을 줄이면서 추정하게 된다. Another robust estimation method, M-estimator, estimates by the existing least square method and sets a new weight according to the error (residual) remaining in the observed value. For example, if the residuals are very large, they are likely to contain excessive errors, so set the weights low to reduce the impact on the estimate. The newly set weights are taken into consideration and the residuals are calculated from them and the weights are set again accordingly. This process is repeated over and over again to reduce the impact on over-errors.
데이터 정합에 있어서는 두 개의 데이터 셋에서 상호 일치한다고 파악된 점이나 객체로부터 두 개의 데이터 셋의 기하관계를 나타내는 변수를 추정한다. 그런데, 이러한 점 또는 객체 쌍 중에는 실제로는 일치하지 않는 것들도 상당히 많이 있다. 이러한 쌍들은 과대오차를 포함하는 관측값으로 작용해서 최소제곱법과 같은 기존 방법을 적용하면 추정된 기하관계가 정확하지 않게 된다. 이에 이러한 잘못 파악된 객체 쌍에 영향을 적게 받게 하는 로버스트 추정방법을 이용한다. In data matching, we estimate the variables representing the geometric relationships of the two data sets from points or objects that are found to match each other in the two data sets. However, there are many of these points or pairs of objects that do not actually match. These pairs act as observations that contain over-errors, so that applying existing methods, such as least squares, results in inaccurate geometric relationships. We use robust estimation method that is less affected by these misidentified object pairs.
만약 M-estimator를 적용한다면 다음과 같다. 먼저 모든 객체쌍들에 동일한 가중치로 설정하고 기존 최소제곱법을 이용해서 기하관계를 수립한다. 결국 수립된 기하관계를 통해 기하변환을 하면 객체쌍들의 좌표가 완전히 일치해야 하는데 차이가 있을 수 있다. 기존 최소제곱법은 이러한 차이의 제곱의 합을 최소화하는 기하관계를 수립하게 된다. 그런데, 이러한 차이의 제곱의 합은 일치한다고 파악된 객체 쌍 중에서 실제로는 일치하지 않는 것들의 영향을 크게 받게 된다. 그래서 잔차에 따라 가중치를 다시 설정한다. 잔차 큰 경우에 가중치를 적게 설정해서 차이의 제곱의 합이 아니라 가중된 차이의 제곱의 합을 최소가 되도록 기하관계를 수립한다. 수립된 기하관계를 통해 다시 차이를 계산하고 이에 따라 가중치를 다시 설정하고 다시 기하관계를 추정한다. 이러한 과정을 반복해서 일치한다고 파악된 객체 쌍 중에서 실제로는 일치하지 않는 것들의 영향을 최소로 하면서 정확한 기하관계를 수립한다.If M-estimator is applied, it is as follows. First, all object pairs are set to the same weight, and the geometric relation is established by using the existing least squares method. As a result, when the geometric transformation is performed through the established geometric relationship, the coordinates of the pairs of objects must be completely coincident. The existing least squares method establishes a geometric relationship that minimizes the sum of squares of these differences. However, the sum of the squares of the differences is greatly influenced by the pairs of objects that are found to match. So we reset the weights according to the residuals. If the residuals are large, set the weights less so that the geometric relationship is established so that the sum of the squares of the weighted differences is the minimum rather than the sum of the squares of the differences. Calculate the difference again through the established geometric relationship, reset the weight accordingly, and estimate the geometric relationship again. This process is repeated to establish an accurate geometric relationship with a minimum of impact on the pairs of objects found to match.
또한 신규 데이터가 일정한 주기 간격으로 연속적으로 획득되는 것을 고려하여 시계열 분석에 기반하여, 현재 신규 데이터의 기하 관계 설정에 인접 시점의 과거 신규 데이터로부터 설정된 기하관계(400)를 활용할 수도 있다. 예를 들어, 두 데이터의 GPS/INS 데이터에 포함된 바이어스에 의해 차이가 발생하고 이를 표현하는 기하관계를 수립하였다면, 바이어스가 시간에 따라 아주 빠르게 변하지는 않기 때문에 인접한 과거의 인접 시점에 수립된 데이터의 기하 관계는 현재 시점 데이터의 기하 관계 수립에 기초가 될 수 있다. 예를 들어, 칼만필터나 지수 가중 평균(Exponetially Weighted Average)을 사용해서 인접한 과거 시점의 데이터에 대한 기하 관계를 현재 시점의 데이터에 대한 기하관계 수립에 반영할 수 있다.In addition, in consideration of obtaining new data continuously at regular intervals, the
상기의 데이터 정합 과정을 수행한 후 정합된 신규 데이터와 기존 지형 정보 간 차이를 검출해서 변화를 탐지하는 데이터 분석 과정(S250)을 수행하는데, 이에 대하여 도 6에 도시된 실시예의 흐름도를 참조하여 살펴본다.After performing the data matching process, a data analysis process (S250) of detecting a change by detecting a difference between the matched new data and the existing terrain information is performed, which will be described with reference to the flowchart of the embodiment illustrated in FIG. 6. see.
비록 동일 지역에 대응되는 라이다 데이터 간이라 하더라도 서로 다른 시점의 데이터인 경우, 모든 점이 1:1로 대응될 수 없기 때문에 점과 점을 비교하는 것은 불가능하다. 따라서 본 발명에서는 기존 지형 정보를 격자로 변환하고 이를 바탕으로 신규 데이터와 기존 지형 정보를 대비한다. 이와 같이 비교하는 경우, 기존 지형 정보가 라이다 데이터와 같은 점군 형태가 아닌 DEM/DSM 등의 형태로 되어 있어도 대비가 가능하게 된다. Even if the data is at different points in time, even between lidar data corresponding to the same region, it is impossible to compare points to points because all points cannot correspond 1: 1. Therefore, in the present invention, the existing terrain information is converted into a grid and based on this, new data and existing terrain information are contrasted. When comparing in this manner, even if the existing terrain information is in the form of DEM / DSM, not in the form of point groups such as LiDAR data, contrast is possible.
정합된 신규 데이터와 기존 지형 정보를 대비하는 과정(S251)은, 먼저 신규 데이터에서 각 점의 평면 좌표에 해당하는 지점이 기존 지형 정보에서 어느 격자에 해당하는지 확인하고, 기존 지형 정보에서 해당 격자의 고도 값과 신규 데이터의 고도 값의 차이 정도를 판단한다. The process of contrasting the new data with the existing terrain information (S251) first checks which grid in the existing terrain information corresponds to the grid corresponding to the plane coordinate of each point in the new data, and then checks the grid of the grid in the existing terrain information. Determine the difference between the altitude value and the altitude value of the new data.
상기 고도 값 차이 정도는 변화된 정도를 의미하며 이 정보를 통해 지형 변화 여부를 탐지할 수 있다. 예를 들어, 단순하게는 고도 값의 차이 정도가 기설정된 임계치보다 큰 경우를 변화 영역을 판단하고, 반대로 고도 값의 차이 정도가 기설정된 임계치보다 작은 경우에는 변화가 없는 영역으로 판단한다.The degree of difference in altitude value means a degree of change, and it is possible to detect whether the terrain has changed through this information. For example, the change area is determined simply when the degree of difference between the altitude values is greater than the preset threshold, and on the contrary, when the degree of difference between the altitude values is smaller than the preset threshold, the area is determined to be unchanged.
개별점 또는 격자마다 고도 값 차이 정도에 기초하여 변화 유무를 판단(S253)한 후, 형태학적(morpohological) 필터링과 연결 성분 분석(Connected Component Analysis)을 통해 기준치 이상의 산발적으로 흩어진 점들을 제외하고, 기설정된 범위로 일정 수준의 넓은 영역을 그룹핑(S250)하여 그룹핑된 각 지점에 대한 상기 차이 정도를 종합하여 지형 변화 유무를 탐지하게 된다.After determining whether there is a change based on the degree of difference of altitude values for each individual point or grid (S253), except for sporadic scattered points above the reference value through morphological filtering and connected component analysis. A large area of a predetermined level is grouped into a set range (S250) to detect the presence or absence of terrain change by synthesizing the difference degree for each grouped point.
이에 대하여 좀더 살펴보자면, 개별점마다 변화유무를 판단한 후에는 변화영역을 탐지하기 위해서 먼저 격자화를 진행한다. 모든 점들이 포함된 영역에 일정한 간격의 격자를 설정하고, 각 격자마다 포함된 개별점들의 변화유무에 따라 격자별로 변화유무를 결정한다. 예를 들어, 격자에 포함된 개별점들 중에 하나라도 변화된 경우나 또는 반 이상의 변화된 경우든 적절한 임계값을 설정해서 격자별 변화유무를 결정한다. 격자별 변화유무를 결정한 후에는 변화 없는 경우 0 또는 변화 있는 경우 1로 표현되는 이진 영상처럼 나타내어 진다. 이러한 이진 영상에 먼저 형태학적(morpohological) 필터링을 수행한다. To look more closely at this, after determining whether there is a change for each point, the grid is first processed to detect the change area. A grid is set at regular intervals in the area that contains all the points, and the change is determined for each grid according to the change of individual points included in each grid. For example, in the case where any one of the individual points included in the lattice is changed or in the case of more than half change, an appropriate threshold value is set to determine whether the lattice changes. After determining whether there is a change for each grid, it is represented as a binary image represented by 0 when there is no change or 1 when there is a change. Morphohological filtering is first performed on these binary images.
형태학적(morpohological) 필터링의 기본 연산은 크게 침식과 팽창이다. 일례로서 도 7의 (a)은 1로 표현되는 객체의 형태를 줄이는 침식을 나타내며, 도 7의 (b)는 1로 표현되는 객체의 형태를 늘리는 팽창을 나타낸다. 이를 기반으로 침식 후에 팽창하는 열기(Opening) 연산과 팽창 후에 침식하는 닫기(Closing) 연산을 수행한다. 열기(Opening) 연산을 통해서는 산발적으로 흩어진 한두개의 격자로 구성된 변화영역이나 한두개 픽셀의 두께를 갖는 기다란 변화영역 등 잡음처럼 보여지는 변화영역을 제거한다. 반대로 닫기(Closing) 연산을 통해서는 변화영역 내에 포함되어있는 일부 작거나 좁은 변화되지 않은 영역을 오류로 판단하고 변화영역으로 변경한다.The basic operations of morphological filtering are erosion and expansion. As an example, FIG. 7A illustrates erosion to reduce the shape of the object represented by 1, and FIG. 7B illustrates expansion to increase the shape of the object represented by 1. FIG. Based on this, the opening operation of expanding after erosion and the closing operation of eroding after expansion are performed. The opening operation removes the change area that looks like noise, such as a change area composed of one or two grids scattered scattered or a long change area having a thickness of one or two pixels. On the contrary, through closing operation, some small or narrow unchanged areas included in the change area are regarded as an error and changed to the change area.
이러한 형태학적 필터링이 수행된 후에는 격자간의 연결성을 고려해서 변화된 격자를 그룹핑한다. 변화되었다고 판단된 격자들이 서로 연결되어 인접하면 하나의 그룹으로 구성한다. 각각의 그룹의 크기나 형태를 고려해서 너무 작거나 너무 좁고 길쭉한 경우 등 자연적으로 정상적인 발생 변화라고 보기 어려운 경우를 제외하고, 나머지 그룹을 변화영역으로 특정한다. 특정된 그룹에 대해서 범위, 경계, 크기, 형태 등을 계산하여 개별 변화영역의 속성도 함께 결정한다.After this morphological filtering is performed, the changed grids are grouped in consideration of the connectivity between the grids. The grids determined to be changed are connected to each other to form a group when adjacent to each other. Considering the size or shape of each group, the remaining groups are designated as change areas, except when it is difficult to see naturally occurring changes such as being too small, too narrow or elongated. The range, boundary, size and shape of the specified group are also calculated to determine the attributes of the individual change zones.
이와 같은 형태학적(morpohological) 필터링과 연결 성분 분석(Connected Component Analysis)을 통해 그룹핑을 수행하고 각 지점에 대한 차이 정도를 종합하여 지형 변화 유무를 탐지하게 된다.Through such morphological (morpho) filtering and connected component analysis, grouping is performed, and the difference of each point is integrated to detect the change of terrain.
본 발명을 적용하는 구체적인 일례인 도 8을 참조하여 본 발명의 특징에 대하여 좀 더 살펴본다.With reference to Figure 8 which is a specific example of applying the present invention looks at more features of the present invention.
상기 도 8의 (a)에 도시된 신규 데이터(420) 상에 바이어스(a)가 50cm 존재하고, 실제 지형 변화 영역(d)이 대상 영역의 40%를 차지하며 50cm 침하 깊이(c)를 갖는 경우를 가정해 볼 때, 이러한 신규 데이터(420)와 기존 지형 정보(410) 간의 고도 차이를 비교하면, 변화되지 않는 영역도 바이어스(a)로 인해 50cm가 더 낮고, 실제 지형 변화 영역(d)은 1m 가 더 낮게 나타난다.The bias (a) is 50cm on the
만약, 고도 차이에 대한 임계치를 40cm로 설정하고 임계치 이상의 고도 차이가 발생하는 영역을 지형 변화 영역으로 결정하는 경우를 고려하면, 실제 지형 변화 영역(d)을 포함하여 모든 영역에 지형 변화가 발생된 것으로 잘못 판단하게 된다.Considering the case where the threshold for altitude difference is set to 40 cm and the area where the altitude difference occurs above the threshold is determined as the terrain change area, the terrain change occurs in all areas including the actual terrain change area (d). It will be wrongly judged.
이러한 오류를 제거하기 위해 데이터 정합을 선행하는데, 만약 신규 데이터(420)의 모든 점에 대해 고도 차이를 평균하여 바이어스를 결정하고 이를 기초로 보정하는 종래 기술에 따른 데이터 정합 방법을 적용하는 경우, 대상 영역 중 실제 지형 변화 영역(d) 40%는 1m 차이를 갖고 대상 영역 중 지형 변화가 없는 나머지 영역 60%는 50cm 차이를 갖는 것으로 파악되어 이를 토대로 바이어스를 산출하면 50*60%+100*40%로서 바어이스가 70cm 있는 것으로 판단하여 보정하게 된다. In order to eliminate such errors, data matching is preceded. If a data matching method according to the prior art is applied to determine the bias by averaging the altitude difference for all points of the
이로 인해 상기 도 8의 (b)에 도시된 바와 같이 보정 후 신규 데이터(430)와 기존 지형 정보(410)를 비교하면, 실제 지형 변화가 없는 영역들은 오차(e) 20cm만큼 더 높게 산출되고, 반대로 지형 변화 영역(d)은 실제 침하 깊이(c) 50cm 보다 더 낮은 30 cm의 침하 깊이(f)가 있는 것으로 산출되는데, 여기에 임계치 40cm를 적용한다면 모든 영역에 변화가 발생되지 않은 것으로 판단되므로 실제 지형 변화를 탐지할 수 없는 존재하게 된다.As a result, when the
그러나 본 발명에서 제시한 로버스트 정합 방법을 적용하면, 상기 도 8의 (a)와 같은 경우에 차이의 평균이 아닌 중간값 50 cm를 바이어스로 결정한다. 이와 같이 산출된 바이어스를 보정하면, 상기 도 8의 (c)에 도시된 바와 같이 지형 변화가 없는 영역은 거의 동일한 높이를 갖는 것으로 산출되고, 지형 변화 영역은 실제 침하 깊이(c)와 동일하게 50cm 낮은 것으로 산출되므로 동일한 임계치 40cm를 적용하는 경우에 50 cm 차이를 보이는 지형 변화 영역을 정확히 탐지할 수 있다.However, if the robust matching method proposed in the present invention is applied, a median value of 50 cm is determined as a bias in the case of FIG. When the bias calculated as described above is corrected, as shown in (c) of FIG. 8, the region without the terrain change is calculated to have almost the same height, and the terrain change area is 50 cm equal to the actual settlement depth (c). It is calculated to be low, so it is possible to accurately detect the terrain change region with a 50 cm difference when the same threshold of 40 cm is applied.
이와 같이 본 발명은 지형 정보를 로버스트 추정 방법을 기반으로 정합시킴으로써 상호 일치하는 점이나 객체 기반의 정합 과정시 실제 변화가 존재하는 영역에 대한 기하 관계 수립에 큰 오차가 야기되는 문제를 해결할 수 있다.As described above, the present invention can solve the problem of generating a large error in establishing a geometric relationship with respect to a point where there is a real change in the matching process or the object-based matching process by matching the terrain information based on the robust estimation method. .
또한 일정 시간 간격 획득된 라이더 데이터에 대하여 시계열 분석에 따라 연속적으로 획득된 과거 인접 시점의 신규 데이터에 대하여 수립된 기하 관계를 기반으로 현재 시점의 신규 데이터에 대한 기하 관계 수립함으로써 보다 빠르고 정확하게 기하 관계를 수립할 수 있게 된다.In addition, based on the geometric relationships established for the new data of the adjacent adjacent time points obtained continuously according to time series analysis on the rider data acquired at regular intervals, the geometric relationship for the new data at the present time can be established more quickly and accurately. Can be established.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명에 기재된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상이 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의해서 해석되어야하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely illustrative of the technical idea of the present invention, and those skilled in the art to which the present invention pertains may make various modifications and changes without departing from the essential characteristics of the present invention. Therefore, the embodiments described in the present invention are not intended to limit the technical idea of the present invention but to explain, and the technical idea of the present invention is not limited by these embodiments. The protection scope of the present invention should be interpreted by the following claims, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the present invention.
100 : 이동형 데이터 수집 장치,
110 : 이동형 플랫폼, 130 : 레이저 스캐너,
150 : GPS/INS,
200 : 지형 변화 탐지 장치,
210 : 데이터 획득부, 230 : 데이터 전처리부,
250 : 데이터 정합부, 270 : 지형 변화 탐지부,
300 : 지형 정보 데이터베이스.100: mobile data collection device,
110: movable platform, 130: laser scanner,
150: GPS / INS,
200: terrain change detection device,
210: data acquisition unit 230: data preprocessing unit
250: data matching unit, 270: terrain change detection unit,
300: terrain information database.
Claims (11)
상기 지형 변화 탐지 장치가, 상기 신규 데이터의 점군(point cloud)에 대하여 일정 면적당 점밀도를 기초로 노이즈를 판단하여 제거하는 데이터 전처리 단계;
상기 지형 변화 탐지 장치가, 전처리된 상기 신규 데이터에 대응되는 기존 지형 정보를 지형 정보 데이터베이스에서 추출하고, 상기 신규 데이터와 상기 기존 지형 정보 간의 로버스트 추정 방법(Robust Estimate Method)을 기반으로 기하관계를 수립하여 데이터를 정합하는 데이터 정합 단계; 및
상기 지형 변화 탐지 장치가, 정합된 상기 신규 데이터에 대응되는 기존 지형 정보를 격자 형태로 변환하고 상기 신규 데이터와 상기 기존 지형 정보를 대비하여 지형 변화를 판단하는 지형 변화 판단 단계를 포함하는 것을 특징으로 하는 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법.A new data acquisition step of acquiring the lidar data and setting it as new data by the terrain change detection device;
A data preprocessing step of determining, by the terrain change detection device, noise based on a point density per predetermined area with respect to a point cloud of the new data;
The terrain change detection apparatus extracts existing terrain information corresponding to the preprocessed new data from a terrain information database, and establishes a geometric relationship based on a robust estimation method between the new data and the existing terrain information. A data matching step of establishing and matching data; And
And a terrain change determination step of converting, by the terrain change detection device, existing terrain information corresponding to the matched new data into a grid form and determining a change in terrain by comparing the new data with the existing terrain information. Terrain change detection method using lidar data.
상기 데이터 전처리 단계는,
상기 신규 데이터의 점군에 대하여 각 개별 점을 중심으로 기설정된 반경 내의 점밀도를 산출하고, 산출된 점밀도가 기준치 이하로 적으면서 주변 점들과 비교하여 상대적으로 점밀도가 적은 점을 노이즈로 판단하여 제거하는 것을 특징으로 하는 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법.The method of claim 1,
The data preprocessing step,
The point density of the new data point is calculated based on each individual point, and the point density within a predetermined radius is calculated, and the point density which is relatively small compared to the surrounding points while the calculated point density is less than the reference value is determined as noise. Terrain change real-time detection method using the lidar data, characterized in that to remove.
상기 데이터 전처리 단계는,
상기 신규 데이터의 점군에 대한 영역별 점밀도를 산출하고 기설정 밀도 수준 이상의 점밀도를 갖는 영역을 판단하고 상기 영역에서 기설정 점밀도 수준까지 일부 점들을 제거하여 상기 신규 데이터를 감량하는 데이터 감량 단계를 더 포함하는 것을 특징으로 하는 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법.The method of claim 1,
The data preprocessing step,
A data reduction step of calculating a point density for each point group of the new data, determining an area having a point density of a predetermined density level or more, and reducing the new data by removing some points from the area to a preset point density level Terrain change real-time detection method using a lidar data characterized in that it further comprises.
상기 신규 데이터 취득 단계는,
라이다 데이터를 일정 시간 간격의 시계열적으로 연속하여 취득하며,
상기 데이터 정합 단계는,
과거의 인접 시점의 신규 데이터에 대하여 수립된 기하 관계를 이용하여 현재 시점의 신규 데이터에 대한 기하 관계를 수립하는 것을 특징으로 하는 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법.The method of claim 1,
The new data acquisition step,
Obtains LiDAR data continuously in time series at regular intervals;
The data matching step,
A terrain change real-time detection method using lidar data, characterized by establishing a geometric relationship for new data at the present time by using a geometric relationship established for new data at a past adjacent point in time.
상기 지형 변화 판단 단계는,
상기 신규 데이터와 정합된 기존 지형 정보를 격자 형태로 변환하는 단계;
상기 신규 데이터에서 각 점의 평면 좌표에 해당하는 지점에 대응되는 격자를 상기 기존 지형 정보에서 파악하고, 해당 지점의 고도 값과 해당 격자의 고도 값의 차이 정도를 판단하는 단계; 및
상기 차이 정도와 기설정된 임계치를 대비하여 변화 영역을 판단하는 단계를 포함하는 것을 특징으로 하는 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법.The method of claim 1,
The terrain change determination step,
Converting existing terrain information matched with the new data into a grid;
Identifying a grid corresponding to a point corresponding to planar coordinates of each point in the new data from the existing terrain information, and determining a degree of difference between an altitude value of the corresponding point and an altitude value of the corresponding grid; And
And determining a change area by comparing the difference degree and a predetermined threshold value.
상기 지형 변화 판단 단계는,
형태학적(morpohological) 필터링과 연결 성분 분석(Connected Component Analysis)을 통해 기준치 이상으로 흩어진 점들을 제외하고, 기설정된 범위 영역 내의 점들을 그룹핑하여 그룹핑된 각 지점에 대한 상기 차이 정도를 종합하여 지형 변화 유무를 탐지하는 단계를 더 포함하는 것을 특징으로 하는 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법.The method of claim 5,
The terrain change determination step,
Morphological filtering and Connected Component Analysis group together the points within a preset range, except for the points scattered above the reference value, and aggregates the above differences for each grouped point. The terrain change real-time detection method using the lidar data, characterized in that it further comprises the step of detecting.
기존 지형 정보를 보유하는 지형 정보 데이터베이스를 포함하는 것을 특징으로 하는 지형 변화 탐지 시스템.A data acquisition unit for obtaining LiDAR data from the mobile data collection device and setting the data as new data; A data preprocessor configured to determine and remove noise based on a point density per predetermined area with respect to the point cloud of the new data; A data matching unit for extracting existing terrain information corresponding to the new data pre-processed and matching data by establishing a geometric relationship based on a robust estimation method between the new data and the existing terrain information; A terrain change detection device including a terrain change detector configured to convert existing terrain information corresponding to the matched new data into a grid form and determine a terrain change by comparing the new data with the existing terrain information; And
A terrain change detection system comprising a terrain information database holding existing terrain information.
상기 데이터 전처리부는,
상기 신규 데이터의 점군에 대하여 각 개별 점을 중심으로 기설정된 반경 내의 점밀도를 산출하고, 산출된 점밀도가 기준치 이하로 적으면서 주변 점들과 비교하여 상대적으로 점밀도가 적은 점을 노이즈로 판단하여 제거하며,
상기 신규 데이터의 점군에 대한 영역별 점밀도를 산출하고 기설정 밀도 수준 이상의 점밀도를 갖는 영역을 판단하고 상기 영역에서 기설정 점밀도 수준까지 일부 점들을 제거하여 상기 신규 데이터를 감량하는 것을 특징으로 하는 지형 변화 탐지 시스템.The method of claim 7, wherein
The data preprocessing unit,
The point density of the new data point is calculated based on each individual point, and the point density within a predetermined radius is calculated, and the point density which is relatively small compared to the surrounding points while the calculated point density is less than the reference value is determined as noise. Remove it,
Calculating the point density for each point group of the new data point, determining an area having a point density of a predetermined density level or more, and reducing the new data by removing some points from the area to a preset point density level; Terrain change detection system.
상기 테이터 획득부는,
라이다 데이터를 일정 시간 간격의 시계열적으로 연속하여 취득하며,
상기 데이터 정합부는,
과거의 인접 시점의 신규 데이터에 대하여 수립된 기하 관계를 이용하여 현재 시점의 신규 데이터에 대한 기하 관계를 수립하는 것을 특징으로 하는 지형 변화 탐지 시스템.The method of claim 7, wherein
The data acquisition unit,
Obtains LiDAR data continuously in time series at regular intervals;
The data matching unit,
A terrain change detection system comprising establishing a geometric relationship for new data at a present time by using a geometric relationship established for new data at a past adjacent point in time.
상기 지형 변화 탐지부는,
상기 신규 데이터와 정합된 기존 지형 정보를 격자 형태로 변환하고, 상기 신규 데이터에서 각 점의 평면 좌표에 해당하는 지점에 대응되는 격자를 상기 기존 지형 정보에서 파악하여, 해당 지점의 고도 값과 해당 격자의 고도 값의 차이 정도를 기초로 변화 영역을 판단하며,
형태학적(morpohological) 필터링과 연결 성분 분석(Connected Component Analysis)을 통해 기준치 이상으로 흩어진 점들을 제외하고, 기설정된 범위 영역 내의 점들을 그룹핑하여 그룹핑된 각 지점에 대한 상기 차이 정도를 종합하여 지형 변화 유무를 탐지하는 것을 특징으로 하는 지형 변화 탐지 시스템.The method of claim 7, wherein
The terrain change detection unit,
The existing terrain information matched with the new data is converted into a grid form, and the grid corresponding to the point corresponding to the plane coordinates of each point in the new data is grasped from the existing terrain information, and the altitude value of the corresponding point and the grid The area of change is determined based on the degree of difference in altitude values of
Morphological filtering and Connected Component Analysis group together the points within a preset range, except for the points scattered above the reference value, and aggregates the above differences for each grouped point. Terrain change detection system, characterized in that for detecting.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180037357A KR102078254B1 (en) | 2018-03-30 | 2018-03-30 | Method, system and computer program for topographical change detection using LiDAR data |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180037357A KR102078254B1 (en) | 2018-03-30 | 2018-03-30 | Method, system and computer program for topographical change detection using LiDAR data |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190114523A true KR20190114523A (en) | 2019-10-10 |
| KR102078254B1 KR102078254B1 (en) | 2020-02-17 |
Family
ID=68206400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180037357A KR102078254B1 (en) | 2018-03-30 | 2018-03-30 | Method, system and computer program for topographical change detection using LiDAR data |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102078254B1 (en) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838115A (en) * | 2019-11-12 | 2020-02-25 | 武汉大学 | Ancient cultural relic three-dimensional model change detection method by contour line extraction and four-dimensional surface fitting |
| CN111487644A (en) * | 2020-05-27 | 2020-08-04 | 湖南华诺星空电子技术有限公司 | Automatic measuring system and method for building form change |
| KR20210065284A (en) * | 2019-11-26 | 2021-06-04 | 주식회사 이노팸 | Method And Device For Generating Geospatial Information Using GeoAI |
| KR20210082857A (en) * | 2019-12-26 | 2021-07-06 | 한국전자통신연구원 | Method and apparatus of generating digital surface model using satellite imagery |
| KR20220018371A (en) * | 2020-08-06 | 2022-02-15 | 국방과학연구소 | Method and apparatus for matching point cloud data for 3D terrain model reconstruction |
| KR20220081776A (en) * | 2020-12-09 | 2022-06-16 | 주식회사 맵퍼스 | Point cloud matching method and point cloud matching device |
| KR20230062315A (en) * | 2021-10-29 | 2023-05-09 | 서울과학기술대학교 산학협력단 | High density virtual content creation system and method |
| CN116627164A (en) * | 2023-04-13 | 2023-08-22 | 北京数字绿土科技股份有限公司 | Terrain-height-based unmanned aerial vehicle ground-simulated flight control method and system |
| CN117452374A (en) * | 2023-12-21 | 2024-01-26 | 天津风霖物联网科技有限公司 | Building underground settlement monitoring method and monitoring system |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102616439B1 (en) * | 2022-10-27 | 2023-12-21 | 주식회사 모빌테크 | Method for Noise filtering through neighbourhood point and computer program recorded on record-medium for executing method therefor |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007193850A (en) * | 2007-04-26 | 2007-08-02 | Mitsubishi Electric Corp | Change region recognition apparatus |
| KR100795396B1 (en) * | 2007-06-15 | 2008-01-17 | (주)한양 | Method for monitoring altered city using airborne laser surveying data and digital orthophoto |
| KR100973052B1 (en) * | 2009-04-24 | 2010-07-30 | 서울시립대학교 산학협력단 | Automatic matching method of digital aerial images using lidar data |
| JP2010262546A (en) * | 2009-05-09 | 2010-11-18 | Univ Of Fukui | Two-dimensional graphic matching method |
| KR101009657B1 (en) * | 2010-08-23 | 2011-01-19 | 박혁진 | Probabilistic stability analysis method of slopes using terrestrial lidar |
| JP2011514455A (en) * | 2008-02-13 | 2011-05-06 | キャタピラー インコーポレイテッド | Terrain map update system |
| KR20140013172A (en) * | 2012-07-19 | 2014-02-05 | 고려대학교 산학협력단 | Method for building the map of a mobile robot and recognizing the position of the mobile robot |
| KR101417527B1 (en) | 2012-12-28 | 2014-07-10 | 한국항공우주연구원 | Apparatus and method for topographical change detection using aerial images photographed in aircraft |
-
2018
- 2018-03-30 KR KR1020180037357A patent/KR102078254B1/en active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007193850A (en) * | 2007-04-26 | 2007-08-02 | Mitsubishi Electric Corp | Change region recognition apparatus |
| KR100795396B1 (en) * | 2007-06-15 | 2008-01-17 | (주)한양 | Method for monitoring altered city using airborne laser surveying data and digital orthophoto |
| JP2011514455A (en) * | 2008-02-13 | 2011-05-06 | キャタピラー インコーポレイテッド | Terrain map update system |
| KR100973052B1 (en) * | 2009-04-24 | 2010-07-30 | 서울시립대학교 산학협력단 | Automatic matching method of digital aerial images using lidar data |
| JP2010262546A (en) * | 2009-05-09 | 2010-11-18 | Univ Of Fukui | Two-dimensional graphic matching method |
| KR101009657B1 (en) * | 2010-08-23 | 2011-01-19 | 박혁진 | Probabilistic stability analysis method of slopes using terrestrial lidar |
| KR20140013172A (en) * | 2012-07-19 | 2014-02-05 | 고려대학교 산학협력단 | Method for building the map of a mobile robot and recognizing the position of the mobile robot |
| KR101417527B1 (en) | 2012-12-28 | 2014-07-10 | 한국항공우주연구원 | Apparatus and method for topographical change detection using aerial images photographed in aircraft |
Non-Patent Citations (1)
| Title |
|---|
| Vosselman, et al. "Point cloud segmentation for urban scene classification." Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci 1 (2013)* * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838115A (en) * | 2019-11-12 | 2020-02-25 | 武汉大学 | Ancient cultural relic three-dimensional model change detection method by contour line extraction and four-dimensional surface fitting |
| CN110838115B (en) * | 2019-11-12 | 2022-08-26 | 武汉大学 | Ancient cultural relic three-dimensional model change detection method by contour line extraction and four-dimensional surface fitting |
| KR20210065284A (en) * | 2019-11-26 | 2021-06-04 | 주식회사 이노팸 | Method And Device For Generating Geospatial Information Using GeoAI |
| KR20210082857A (en) * | 2019-12-26 | 2021-07-06 | 한국전자통신연구원 | Method and apparatus of generating digital surface model using satellite imagery |
| CN111487644A (en) * | 2020-05-27 | 2020-08-04 | 湖南华诺星空电子技术有限公司 | Automatic measuring system and method for building form change |
| CN111487644B (en) * | 2020-05-27 | 2023-07-21 | 湖南华诺星空电子技术有限公司 | Automatic measurement system and measurement method for deformation of building |
| KR20220018371A (en) * | 2020-08-06 | 2022-02-15 | 국방과학연구소 | Method and apparatus for matching point cloud data for 3D terrain model reconstruction |
| KR20220081776A (en) * | 2020-12-09 | 2022-06-16 | 주식회사 맵퍼스 | Point cloud matching method and point cloud matching device |
| KR20230062315A (en) * | 2021-10-29 | 2023-05-09 | 서울과학기술대학교 산학협력단 | High density virtual content creation system and method |
| CN116627164A (en) * | 2023-04-13 | 2023-08-22 | 北京数字绿土科技股份有限公司 | Terrain-height-based unmanned aerial vehicle ground-simulated flight control method and system |
| CN116627164B (en) * | 2023-04-13 | 2024-04-26 | 北京数字绿土科技股份有限公司 | Terrain-height-based unmanned aerial vehicle ground-simulated flight control method and system |
| CN117452374A (en) * | 2023-12-21 | 2024-01-26 | 天津风霖物联网科技有限公司 | Building underground settlement monitoring method and monitoring system |
| CN117452374B (en) * | 2023-12-21 | 2024-03-12 | 天津风霖物联网科技有限公司 | Building underground settlement monitoring method and monitoring system |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102078254B1 (en) | 2020-02-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102078254B1 (en) | Method, system and computer program for topographical change detection using LiDAR data | |
| CN110988912B (en) | Road target and distance detection method, system and device for automatic driving vehicle | |
| WO2021143778A1 (en) | Positioning method based on laser radar | |
| CN108445480B (en) | Mobile platform self-adaptive extended target tracking system and method based on laser radar | |
| Charaniya et al. | Supervised parametric classification of aerial lidar data | |
| CN110119438B (en) | Airborne LiDAR point cloud filtering method based on active learning | |
| Sportouche et al. | Extraction and three-dimensional reconstruction of isolated buildings in urban scenes from high-resolution optical and SAR spaceborne images | |
| JP2012225806A (en) | Road gradient estimation device and program | |
| Chen et al. | Building reconstruction from LIDAR data and aerial imagery | |
| CN112464812B (en) | Vehicle-based concave obstacle detection method | |
| Su et al. | Extracting wood point cloud of individual trees based on geometric features | |
| WO2022067647A1 (en) | Method and apparatus for determining pavement elements | |
| CN111935641B (en) | Indoor self-positioning realization method, intelligent mobile device and storage medium | |
| JP7386136B2 (en) | Cloud height measurement device, measurement point determination method, and cloud type determination method | |
| AU2022259832A1 (en) | Target detection in a point cloud | |
| Shokri et al. | A robust and efficient method for power lines extraction from mobile LiDAR point clouds | |
| KR20110094957A (en) | Apparatus and method for object segmentation from range image | |
| Jiangui et al. | A method for main road extraction from airborne LiDAR data in urban area | |
| Dos Santos et al. | Automatic building change detection using multi-temporal airborne LiDAR data | |
| CN113496163B (en) | Obstacle recognition method and device | |
| Truong-Hong et al. | Automatic detection of road edges from aerial laser scanning data | |
| Na et al. | Drivable space expansion from the ground base for complex structured roads | |
| Liu et al. | Dominant trees analysis using UAV LiDAR and photogrammetry | |
| Kolednik | Coastal monitoring for change detection using multi-temporal LiDAR data | |
| Reddy et al. | Implementation of Lane Detection Algorithms for Autonomous Vehicle Using Lidar Point Cloud Data |
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 |