KR20230032094A - 무인비행체(uav)로부터 획득한 포인트 클라우드를 이용한 하천 단면 추정 방법 - Google Patents

무인비행체(uav)로부터 획득한 포인트 클라우드를 이용한 하천 단면 추정 방법 Download PDF

Info

Publication number
KR20230032094A
KR20230032094A KR1020210114514A KR20210114514A KR20230032094A KR 20230032094 A KR20230032094 A KR 20230032094A KR 1020210114514 A KR1020210114514 A KR 1020210114514A KR 20210114514 A KR20210114514 A KR 20210114514A KR 20230032094 A KR20230032094 A KR 20230032094A
Authority
KR
South Korea
Prior art keywords
point cloud
river
uav
equation
point
Prior art date
Application number
KR1020210114514A
Other languages
English (en)
Other versions
KR102621091B1 (ko
Inventor
이태삼
Original Assignee
경상국립대학교산학협력단
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 경상국립대학교산학협력단 filed Critical 경상국립대학교산학협력단
Priority to KR1020210114514A priority Critical patent/KR102621091B1/ko
Publication of KR20230032094A publication Critical patent/KR20230032094A/ko
Application granted granted Critical
Publication of KR102621091B1 publication Critical patent/KR102621091B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D47/00—Equipment not otherwise provided for
    • B64D47/08—Arrangements of cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G01C11/06—Interpretation of pictures by comparison of two or more pictures of the same area
    • G01C11/12—Interpretation of pictures by comparison of two or more pictures of the same area the pictures being supported in the same relative position as when they were taken
    • G01C11/14—Interpretation of pictures by comparison of two or more pictures of the same area the pictures being supported in the same relative position as when they were taken with optical projection
    • G01C11/16—Interpretation of pictures by comparison of two or more pictures of the same area the pictures being supported in the same relative position as when they were taken with optical projection in a common plane
    • G01C11/18—Interpretation of pictures by comparison of two or more pictures of the same area the pictures being supported in the same relative position as when they were taken with optical projection in a common plane involving scanning means
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Multimedia (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Hydrology & Water Resources (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

본 발명은 무인비행체(UAV)로부터 획득한 3차원 포인트 클라우드를 이용한 하천 단면 추정 방법에 관한 것으로, 보다 구체적으로 서버에 의하여, 무인비행체(UAV)에 구비된 사진측량 카메라로부터 스캐닝된 3차원 점들의 집합인 포인트 클라우드가 획득되는 포인트 클라우드 획득단계 및 상기 서버에 의하여, 상기 K-최근접 이웃 알고리즘(K-Nearest Neighbor Algorithm; KNN) 기반 지역선형회귀(Local Linear Regression) 모형(KLR)에 상기 포인트 클라우드가 이용되어 하천 단면이 추정되는 하천 단면 추정단계를 포함하는 무인비행체(UAV)로부터 획득한 3차원 포인트 클라우드를 이용한 하천 단면 추정 방법에 관한 것이다.

Description

무인비행체(UAV)로부터 획득한 포인트 클라우드를 이용한 하천 단면 추정 방법 {A Method of Estimating a River Cross-Sectional Area using a Point Cloud obtained from a UAV}
본 발명은 무인비행체(UAV)로부터 획득한 포인트 클라우드를 이용한 하천 단면 추정 방법에 관한 것으로, 보다 구체적으로 K-최근접 이웃 알고리즘 기반 지역선형회귀 모형(KLR)에 무인비행체(UAV)에 구비된 사진측량 카메라로부터 획득된 포인트 클라우드가 이용되어 하천 단면이 추정되는 무인비행체(UAV)로부터 획득한 3차원 포인트 클라우드를 이용한 하천 단면 추정 방법에 관한 것이다.
기존에 하천 하도 측량을 위해서는 측량자가 배를 타고 직접 싱글빔(single beam)을 이용하여 측정하는 방법이 이용되었다. 그리고 하천 홍수터의 측량방법 역시 Network-RTK를 이용하여 습지 및 급경사 하안과 같이 물리적으로 접근이 불가능한 지역을 제외하고 20m 간격으로 도보로 이동하면서 측정해야 한다. 따라서 사람이 접근할 수 있는 부분에 한정하여 RTK-GPS를 통해 하상지반고를 취득하는 것이 일반적으로 진행하고 있는 측량 방식이다.
하천 주변 지역에 대한 지형자료는 국가하천, 지방하천 그리고 소하천 등의 각종 하천종합계획 수립을 비롯하여 대상하천의 환경 및 무분별한 개발행위의 제한 그리고 홍수 등의 재난관리 업무에 필수적으로 활용되고 있다.
하지만 앞서 언급한 방식으로는 광범위한 하천지역을 모두 관측하기에는 시간과 비용에 한계가 있고, 연속적으로 변하는 하천의 형상을 3차원으로 모델링할 수 없으며, 특히 불규칙한 하천 내에 식생이나 수목과 같은 지형지물이 많이 분포할 경우 지반의 정확한 표고값을 반영하기 어려운 기술적 한계가 존재한다.
관련문헌 1은 무인비행체(UAV)를 이용한 하천측량 시스템에 관한 것으로, 무인비행체(UAV)로부터 이미지 정보와 GPS 좌표정보를 함께 수신하여 분석하고 수치지도상의 좌표와 비교하여 불일치 지역을 확인할 수 있도록 하나, 하천 내 지반의 형상을 분석할 수 없으므로 종래 직접 하천 하도 측량에 따른 측량 부정확성 문제를 해결할 수 없다.
KR 10-2193108
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로 종래 직접적으로 측량해야만 알 수 있는 하천의 단면을 용이하게 확인할 수 있도록 K-최근접 이웃 알고리즘 기반 지역선형회귀 모형(KLR)에 무인비행체(UAV)에 구비된 사진측량 카메라로부터 획득된 포인트 클라우드가 이용되어 하천 단면이 추정되는 방식으로 무인비행체(UAV)로부터 획득한 3차원 포인트 클라우드를 이용한 하천 단면 추정 방법을 얻고자 하는 것을 목적으로 한다.
상기 목적을 달성하기 위하여, 본 발명의 무인비행체(UAV)로부터 획득한 포인트 클라우드를 이용한 하천 단면 추정 방법은 서버에 의하여, 무인비행체(UAV)에 구비된 사진측량 카메라로부터 스캐닝된 3차원 점들의 집합인 포인트 클라우드가 획득되는 포인트 클라우드 획득단계; 및 상기 서버에 의하여, 상기 K-최근접 이웃 알고리즘 기반 지역선형회귀 모형(KLR)에 상기 포인트 클라우드가 이용되어 하천 단면이 추정되는 하천 단면 추정단계;를 제공한다.
이상과 같이 본 발명에 의하면 K-최근접 이웃 알고리즘 기반 지역선형회귀 모형(KLR)에 무인비행체(UAV)에 구비된 사진측량 카메라로부터 획득된 포인트 클라우드가 이용되어 하천 단면이 추정되도록 구비함으로써, 종래 직접적으로 측량해야만 알 수 있는 하천의 단면을 용이하게 확인할 수 있다. 또한, 본원발명은 기존에 몇 개의 점을 측량하여 연결하는 근사적인 방법인 종래 대비 실제하천단면과 실질적으로 동일한 하천의 단면이 추정될 수 있다.
도 1은 본 발명의 일실시예에 따른 무인비행체(UAV)로부터 하천이 촬영된 영상을 표시한 도면이다.
도 2는 본 발명의 일실시예에 따른 기준 대비 2배의 3차원 점에 대한 KLR을 이웃수별로 표시한 도면이다.
도 3은 본 발명의 일실시예에 따른 기준 대비 10배의 3차원 점에 대한 KLR을 이웃수별로 표시한 도면이다.
도 4는 본 발명의 일실시예에 따른 기준 대비 2배의 3차원 점에 대한 KLR의 이웃수 배수(a)별 평균 제곱근 편차(A)와 기준 대비 10배의 3차원 점에 대한 KLR의 이웃수 배수(a)별 평균 제곱근 편차(B)를 표시한 도면이다.
도 5는 본 발명의 일실시예에 따른 기준 대비 M배의 3차원 점에 대한 KLR의 이웃수 배수(a)별 평균 제곱근 편차(A)와 점의 개수의 배수(M)별 최적의 이웃수 배수(B)를 표시한 도면이다.
본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
다르게 정의되지 않는 한 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 실시예를 첨부한 도면을 참조하여 상세히 설명하기로 한다. 그러나, 기술되는 본 발명의 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 도면에 도시된 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
우선, 본원발명의 무인비행체(Unmanned Air Vehicle; UAV)로부터 획득한 3차원 포인트 클라우드를 이용한 하천 단면 추정 방법은 서버(200)에 의하여, 무인비행체(UAV)(100)에 구비된 사진측량 카메라(110)로부터 스캐닝된 3차원 점들의 집합인 포인트 클라우드가 획득되는 포인트 클라우드 획득단계(S100) 및 상기 서버(200)에 의하여, 상기 K-최근접 이웃 알고리즘(K-Nearest Neighbor Algorithm) 기반 지역선형회귀(Local Linear Regression) 모형(KLR)에 상기 포인트 클라우드가 이용되어 하천 단면이 추정되는 하천 단면 추정단계(S200)를 포함한다.
상기 무인비행체(UAV)(100)는 조종사 없이 무선전파의 유도에 의해서 비행 및 조종이 가능한 비행기나 헬리콥터 모양의 기체로, 가장 바람직하게 드론(Drone)이다. 그리고 상기 무인비행체(UAV)(100)는 3D 스캐닝으로 사진측량이 가능한 사진측량 카메라(Photogrammaetry Camera)(110)를 포함한다.
일반적으로, 측량을 위해서 빛을 발사하면 측량하고자 하는 물체에 빛이 닿고 반사되어 돌아오는 시간으로부터 거리를 측정하는 라이다(Lidar)를 사용되나, 고가의 장비임으로 용이하게 구현하기에 한계가 존재한다. 또한, 성능에 있어서 울창한 나무숲과 같이 밀집되어 있는 물체를 식별하는데 어려운 문제점이 있다.
따라서 상기 포인트 클라우드 획득단계(S100)는 상기 서버(100) 내 소프트웨어를 통해서 상기 사진측량 카메라(110)로부터 촬영된 영상 또는 사진에서 수많은 3차원 점들로 이루어진 포인트 클라우드를 획득할 수 있다. 따라서 별도의 고가 장비가 요구되지 않고, 하천의 주변에 밀집되어 있는 울창한 풀, 바위 등을 분명히 식별하여 하천의 단면을 국부적으로 측량하는데 보다 적합하다.
다음으로, 종래 선형회귀는 종속변수와 한 개 이상의 독립변수와의 선형 상관관계를 모델링하는 회귀분석 기법이고, 둘 이상의 독립변수에 기반한 경우에는 다중선형회귀라고 한다. 그리고 선형예측함수가 이용되어 회귀식을 모델링하고, 회귀식 내 미지의 파라미터는 다수 개의 데이터로부터 추정될 수 있다.
이와 관련하여, 상기 하천 단면 추정단계(S200)는 상기 K-최근접 이웃 알고리즘(K-Nearest Neighbor Algorithm) 기반 지역선형회귀(Local Linear Regression) 모형(KLR)이 사용된다. 상기 KLR 모형은 지역적인 자료군집을 대상 자료와의 차이를 거리로 놓고 k개의 자료를 선택한 후 선택된 k 개의 자료만을 가중선형회귀(Weighted Linear Regression) 모형에 적용하는 것이다.
보다 구체적으로, 상기 하천 단면 추정단계(S200)는 하천의 단면이 추정될 수 있도록 사이거리(Dj) 산출단계(S210), 고도 인덱스 저장단계(S220), 피팅단계(S230) 및 종속변수(yt) 추정단계(S240)를 포함할 수 있다.
우선, 상기 사이거리(Dj) 산출단계(S210)는 상기 포인트 클라우드 내에서 선정된 n개의 3차원 점에 대한 관측점(xj)과 예측점(xt) 간의 사이거리(Dj)가 산출될 수 있다. 상기 관측점(xj)과 예측점(xt) 간의 사이거리(Dj)는 유클라디안 거리측정법을 사용하는 것이 가장 바람직하다.
다음으로, 상기 고도 인덱스 저장단계(S220)는 상기 예측점(xt)이 기준이 되어 상기 사이거리(Dj) 중에서 가장 최소값을 갖는 k개의 사이거리(Dj)에 대한 고도(Elevation) 인덱스가 각각 저장될 수 있다.
여기서, 가장 최소값을 갖는 k개의 사이거리(Dj)는 상기 사이거리(Dj) 산출단계(S210)로부터 산출된 n개의 사이거리(Dj) 중에서 가장 인접한 k개의 사이거리(Dj)이다. 여기서, 상기 k개는 K-최근접 이웃 알고리즘(K-Nearest Neighbor Algorithm)에서의 이웃수(K)의 개수이다.
다음으로, 상기 피팅단계(S230)는 상기 k개의 사이거리(Dj)에 대한 고도(Elevation) 인덱스를 데이터세트([x(p), y(p)])로 지역선형회귀(Local Linear Regression) 모형(KLR)이 피팅될 수 있다. 상기 데이터세트에서 x(p)가 사이거리(Dj)이고, y(p)가 고도(Elevation) 인덱스이다. 여기서, j는 1부터 n이고, p는 1부터 k이고, n은 양의 정수이고, k는 양의 유리수이다.
여기서, 상기 피팅단계(S230)는 피팅의 정확도를 향상시키기 위해서 상기 사이거리(Dj)에 가중치가 고려될 수 있고, 가중치가 반영된 매개변수가 추정될 수 있다. 우선, 상기 피팅단계(S230)는 하기 [수학식 1]로 가중치 행렬이 생성되는 가중치 행렬 생성단계(S231)를 포함할 수 있다.
Figure pat00001
여기서, 상기 가중치 행렬 생성단계(S231)는 diag 함수를 통해서 주대각선에 각 요소(δ)를 가진 행렬이 도출될 수 있다. 이렇게 생성된 행렬
Figure pat00002
이 가중치 행렬이다.
다음으로, 상기 피팅단계(S230)는 상기 데이터세트([x(p), y(p)])에서 상기 k개의 사이거리(Dj)를 이용하여 하기 [수학식 2]로 설계 행렬이 생성되는 설계 행렬 생성단계(S232)를 더 포함할 수 있다.
Figure pat00003
여기서,
Figure pat00004
는 설계 행렬이고, xt는 예측점이고, x(k)는 상기 데이터세트에서 상기 예측점(xt)과 k번째로 가까운 지점이며, k는 이웃수(K)의 개수로 양의 유리수이다.
예컨대, 상기 이웃수(K)의 개수가 3이라면, 상기 설계 행렬(
Figure pat00005
)에서의 2열은 예측점(xt)과 상기 예측점(xt)과 1번째로 가장 인접한 지점 간의 차인 제1 사이거리(D1), 예측점(xt)과 상기 예측점(xt)과 2번째로 가장 인접한 지점 간의 차인 제2 사이거리(D2), 예측점(xt)과 상기 예측점(xt)과 3번째로 가장 인접한 지점 간의 차인 제3 사이거리(D3)을 포함할 수 있다.
다음으로, 상기 피팅단계(S230)는 상기 가중치 행렬(
Figure pat00006
)과 설계 행렬(
Figure pat00007
)이 하기 [수학식 3]에 대입되어 상기 지역선형회귀(Local Linear Regression) 모형(KLR)의 매개변수가 추정되는 상기 매개변수 추정단계(S233)를 포함할 수 있다.
Figure pat00008
여기서,
Figure pat00009
는 매개변수이고,
Figure pat00010
는 설계 행렬의 전치 행렬이고,
Figure pat00011
은 상기 [수학식 1]로 생성된 가중치 행렬이다. 일반적으로 전치 행렬은 기존의 행렬에서 행과 열이 전환된 행렬을 일컫는다.
다음으로, 상기 종속변수(yt) 추정단계(S240)는 상기 지역선형회귀(Local Linear Regression) 모형(KLR)의 종속변수(yt)가 추정될 수 있다. 상기 종속변수(yt) 추정단계(S240)는 상기 매개변수 추정단계(S233)로부터 추정된 매개변수(
Figure pat00012
)가 반영된 하기 [수학식 4]가 도출될 수 있다. 그리고 상기 [수학식 4]가 이용되어 상기 종속변수(yt)가 추정될 수 있다.
Figure pat00013
여기서, yt는 종속변수이고,
Figure pat00014
는 매개변수이다.
따라서 상기 하천 단면 추정단계(S200)는 상기 예측점(xt)과 상기 종속변수(yt) 추정단계(S240)로부터 추정된 상기 종속변수(yt)로 작성된 그래프의 형상이 하천의 단면으로 추정될 수 있다.
다음으로, 상기 K-최근접 이웃 알고리즘(K-Nearest Neighbor Algorithm)은 머신러닝의 비지도 학습기법 중 하나로, 새로운 관측 데이터에 대한 분류 및 예측이 가능하다. 우선, 다양한 레이블 내 종래 데이터 중에서 자신과 가장 가까운 종래 데이터 k개를 찾아 새로운 관측 데이터에 대한 레이블을 결정함으로써, 새로운 관측 데이터에 대한 분류가 가능하다. 그리고 선형모델과 같이 종래 데이터로부터 특정 형태의 모델을 제시하는 것이 아니라, 학습 종래 데이터 중에서 인접 데이터들만을 토대로 새로운 데이터의 예측이 가능하다.
다만, 종래 K-최근접 이웃 알고리즘(K-Nearest Neighbor Algorithm)은 k개의 이웃수(K)를 작업자가 임의적으로 설정해야함으로, 가장 적합한 이웃수(K)를 확인할 때까지 가능한 이웃수(K)를 모두 대입해보아야 하는 번거로움이 있다.
또한, 상기 이웃수(K)에 따라서 상기 예측점(xt)과 상기 종속변수(yt)로 작성된 그래프의 형상이 실제하천단면과 차이가 날 수 있다. 예컨대, 상기 이웃수(K)가 작을수록 과적합(Overfitting)되어 기대 이상으로 상당히 정교하게 하천의 단면이 추정될 수 있고, 반대로 상기 이웃수(K)가 클수록 소적합(Underfitting) 되어 실제하천단면과 큰 오차를 보이며 왜곡이 일어날 수 있다.
따라서 적합한 이웃수(K)가 선정될 수 있도록 본원발명의 상기 하천 단면 추정 단계(S200)는 휴리스틱 분석방식을 이용하여 하기 [수학식 5]로 상기 K-최근접 이웃 알고리즘(K-Nearest Neighbor Algorithm)에서 k개의 이웃수(K)가 선정될 수 있다.
Figure pat00015
여기서, k는 이웃수(K)의 개수이고, a는 이웃수 배수이고, n은 상기 포인트 클라우드 내에서 선정된 3차원 점의 개수이다. k, a는 양의 유리수이고, n는 양의 정수이다.
가장 바람직하게, 상기 k는 1.5 내지 2.5 범위이내인 것을 특징으로 한다.
한편, 본원발명의 상기 하천 단면 추정 단계(S200)는 하천의 단면이 실제하천단면의 형상과 오차를 최소화하고 실질적으로 동일하게 추정될 수 있도록 상기 포인트 클라우드 내에서 선정된 3차원 점의 개수가 상기 초기에 서버(100)로부터 획득된 개수의 3배 내지 12배인 것을 특징으로 한다. 즉, 3차원 점의 개수의 배수(M)가 3 내지 12일 수 있다.
따라서 본 발명에 의하면, 별도의 고가의 장치 없이 무인비행체(UAV)에 구비된 카메라로 촬영된 영상 또는 사진으로부터 포인트 클라우드가 획득될 수 있다. 그리고 포인트 클라우드의 경우 수많은 점 중에서 인접한 점만으로 예측함으로, 인접하지 않은 점들에 의해 영향을 받지 않고 실제하천단면과 실질적으로 동일한 하천의 단면이 추정될 수 있는 현저한 효과가 있다.
(실시예 1)
실험조건 및 파라미터
도 1은 본 발명의 일실시예에 따른 무인비행체(UAV)로부터 하천이 촬영된 영상을 표시한 도면이다. 본원발명의 일실시예는 대한민국 진주시에 위치한 미곡천을 대상으로 한다. DJI Phantom 4 모델명으로 하는 드론으로 미곡천 영상을 촬영하였다. 촬영된 영상을 본원발명의 서버에 입력하여 해당 서버에 탑재된 3D 스캐닝 소프트웨어를 통해서 포인트 클라우드가 획득되었다. 해당 소프트웨어는 WebODM이고, 이는 항공 이미지에서 맵 포인트 클라우드, 지형 및 3D 표면 모델을 생성하기 위한 오픈소스이다. 본원발명의 일실시예에서 포인트 클라우드는 0.1m 간격으로 획득되어 총 161개의 점들이 선정되었다.
실제하천단면은 지상기준점(GCP)은 GPS 측량을 통해서 이미 알려진 좌표가 있는 지상의 한 지점으로, 미곡천 주변에 10개의 특정지점이 획득되었다. 일반적으로 하천의 횡 방향으로 잘려진 단면은 시공이 용이하고 최대 유출량을 확보하기 위해서 사다리꼴 형상을 한다. 따라서 실제하천단면(Measured)은 양쪽 상단이 각각 4m, 좌측 상단 일측부터 우측 상단 일측까지의 거리가 6m, 하천의 바닥면으로부터 상단까지의 높이와 빗변이 각각 6m로 가정하였다.
도 2는 본 발명의 일실시예에 따른 기준 대비 2배의 3차원 점에 대한 KLR을 이웃수별로 표시한 도면이다. 도 3은 본 발명의 일실시예에 따른 기준 대비 10배의 3차원 점에 대한 KLR을 이웃수별로 표시한 도면이다.
본 발명의 일실시예에서는 점의 개수의 배수(M)를 상이하게 하였다. 도 2는 161개를 기준으로 2번에 걸쳐 획득되었으므로, 2배인 322개의 점이 빨간색 원으로 표시되었고, 도 3은 161개를 기준으로 10번에 걸쳐 획득되었으므로, 10배인 1,610개의 점이 빨간색 원으로 표시되었다. 그리고 도 2 내지 3에서 실제하천단면(Measured)은 파란색으로 실선으로 표시되었다. 그리고 본원발명의 일실시예에 따른 KLR로 추정된 하천 단면은 초록색 실선으로 표시되었다. 여기서, 본원발명의 일실시예에서는 이웃수(K)가 n의 제곱근에 대하여 1배(a=1), 2배(a=2), 3배(a=3), 4배(a=4)가 적용되었다. 여기서, a는 이웃수 배수이다.
실험결과
도 2에서 322개의 점에 대한 KLR(초록색 실선)을 보면, 이웃수(K)가 n의 제곱근에 대하여 1배(a=1)는 양측 상단과 바닥면이 상당히 불규칙하고, 이웃수(K)가 n의 제곱근에 대하여 4배(a=4)는 양측 상단과 바닥면이 상당히 곡선 출력된다. 반면에, n의 제곱근에 대하여 2배(a=2), 3배(a=3)는 양측 상단과 바닥면에서 실제하천단면(Measured)과 상당히 유사하게 평평한 면으로 추정하였다.
도 3에서 1,610개의 3차원 점에 대한 KLR(초록색 실선)을 보면, 도 2의 KLR(초록색 실선)보다 모든 이웃수(K)에서 실제하천단면(Measured)과 상당히 유사하게 평평한 면으로 추정하였다. 따라서 점의 개수가 많을수록, 즉 점의 개수의 배수(M)가 클수록 하천의 단면을 실제와 유사하게 추정할 수 있음이 증명되었다.
다음으로, 도 3에서 이웃수(K)에 따른 KLR(초록색 실선)을 보면, 도 2와 동일하게 이웃수(K)가 n의 제곱근에 대하여 1배(a=1)는 양측 상단과 바닥면이 상당히 불규칙하고, 이웃수(K)가 n의 제곱근에 대하여 4배(a=4)는 양측 상단과 바닥면이 상당히 곡선으로 추정되었다. 반면에, n의 제곱근에 대하여 2배(a=2), 3배(a=3)는 양측 상단과 바닥면에서 실제하천단면(Measured)과 상당히 유사하게 평평한 면으로 추정하였다.
따라서 사다리꼴 형상의 하천의 단면을 실제와 유사하게 추정하기 위해서 적절한 이웃수 배수(a)에 따른 이웃수(K)가 선정되어야하고, 점의 개수가 충분히 많아야함이 증명되었다.
(실시예 2)
실험조건 및 파라미터
본 발명의 일실시예에서는 하천 단면 추정에 가장 적합한 이웃수(K)를 증명하고자 한다. 실험조건 및 파라미터는 실시예 1과 상동하다. 추가적으로, 상기 이웃수(K)가 n의 제곱근에 대하여 a배로 산출됨에 있어서, 이웃수 배수(a)의 범위를 0.5 간격으로 0.5 내지 5로 하였다. 그리고 각각의 조건에서 본원발명의 일실시예에 따른 KLR과 실제하천단면(Measured)과의 평균 제곱근 편차(Root Mean Squre Error; RMSE)를 산출하였고, 이웃수(K)에 대한 평균 제곱근 편차(RMSE)를 그래프로 표시하였다.
도 4는 본 발명의 일실시예에 따른 기준 대비 2배의 3차원 점에 대한 KLR의 이웃수 배수(a)별 평균 제곱근 편차(A)와 기준 대비 10배의 3차원 점에 대한 KLR의 이웃수 배수(a)별 평균 제곱근 편차(B)를 표시한 도면이다. 도 5는 본 발명의 일실시예에 따른 기준 대비 M배의 3차원 점에 대한 KLR의 이웃수 배수(a)별 평균 제곱근 편차(A)와 점의 개수의 배수(M)별 최적의 이웃수 배수(B)를 표시한 도면이다.
실험결과
도 4의 (A)에서 본 발명의 일실시예에 따른 기준 대비 2배의 3차원 점에 대한 KLR의 이웃수별 평균 제곱근 편차는 이웃수 배수(a)가 1.5 부근에서 가장 적은 편차를 보이고 있다. 여기서, 점의 개수 기준은 실시예 1과 동일하게 161개이고, 점의 개수의 배수(M)가 2배인 322개를 대상으로 출력된 편차이다.
또한, 도 4의 (B)에서 본 발명의 일실시예에 따른 기준 대비 10배의 3차원 점에 대한 KLR의 이웃수 배수(a)별 평균 제곱근 편차는 이웃수 배수(a)가 2.5 부근에서 가장 적은 편차를 보이고 있다. 여기서 점의 개수는 1,610개이다.
도 5의 (A)는 1부터 12까지의 범위를 갖는 점의 개수의 배수(M)가 클수록 즉, 점의 수가 많을수록 실제하천단면(Measured)과 본원발명의 일실시예에 따라 추정된 KLR의 편차가 작은 것을 확인할 수 있다. 도 5의 (B)는 점의 개수의 배수(M)별로 가장 적합한 이웃수 배수(a)가 표시되어 있다.
따라서 본원발명의 일시예에 따라 실제하천단면과 가장 유사하게 추정할 수 있도록 상기 점의 개수의 배수(M)는 3 내지 12 범위이내일 수 있고, 이웃수의 배수(a)는 1.5 내지 2.5 범위이내일 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 으로 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100.. 무인비행체(UAV)
110.. 사진측량 카메라
200.. 서버

Claims (5)

  1. 서버에 의하여, 무인비행체(Unmanned Aerial Vehicle; UAV)에 구비된 사진측량 카메라로부터 스캐닝된 3차원 점들의 집합인 포인트 클라우드가 획득되는 포인트 클라우드 획득단계; 및
    상기 서버에 의하여, 상기 K-최근접 이웃 알고리즘(K-Nearest Neighbor Algorithm) 기반 지역선형회귀(Local Linear Regression) 모형(KLR)에 상기 포인트 클라우드가 이용되어 하천 단면이 추정되는 하천 단면 추정단계;를 포함하는 무인비행체(UAV)로부터 획득한 3차원 포인트 클라우드를 이용한 하천 단면 추정 방법.
  2. 제1 항에 있어서,
    상기 하천 단면 추정단계는,
    상기 포인트 클라우드 내에서 선정된 n개의 3차원 점에 대한 관측점(xj)과 예측점(xt) 간의 사이거리(Dj)가 산출되는 사이거리(Dj) 산출단계;
    상기 예측점(xt)이 기준이 되어 가장 최소값을 갖는 k개의 사이거리(Dj)에 대한 고도(Elevation) 인덱스가 각각 저장되는 고도 인덱스 저장단계;
    상기 k개의 사이거리(Dj)에 대한 고도(Elevation) 인덱스를 데이터세트([x(p), y(p)])로 지역선형회귀(Local Linear Regression) 모형(KLR)이 피팅되는 피팅단계; 및
    상기 지역선형회귀(Local Linear Regression) 모형(KLR)의 종속변수(yt)가 추정되는 종속변수(yt) 추정단계;를 포함하는 것을 특징으로 하는 무인비행체(UAV)로부터 획득한 3차원 포인트 클라우드를 이용한 하천 단면 추정 방법.
    여기서, j는 1부터 n이고, p는 1부터 K이고, n은 양의 정수이고, k는 양의 유리수이다.
  3. 제2 항에 있어서,
    상기 피팅단계는,
    하기 [수학식 1]로 가중치 행렬이 생성되는 가중치 행렬 생성단계;
    [수학식 1]
    Figure pat00016

    상기 데이터세트([x(p), y(p)])에서 상기 k개의 사이거리(Dj)를 이용하여 하기 [수학식 2]로 설계 행렬이 생성되는 설계 행렬 생성단계; 및
    [수학식 2]
    Figure pat00017

    여기서, 는 설계 행렬이고, xt는 예측점이고, x(k)는 상기 데이터세트에서 상기 예측점(xt)과 k번째로 가까운 지점이며, k는 이웃수(K)의 개수로 양의 유리수이다.
    상기 가중치 행렬과 설계 행렬이 하기 [수학식 3]에 대입되어 상기 지역선형회귀(Local Linear Regression) 모형(KLR)의 매개변수가 추정되는 매개변수 추정단계;을 포함하는 무인비행체(UAV)로부터 획득한 3차원 포인트 클라우드를 이용한 하천 단면 추정 방법.
    [수학식 3]
    Figure pat00018

    여기서,
    Figure pat00019
    는 매개변수이고,
    Figure pat00020
    는 설계 행렬의 전치 행렬이고,
    Figure pat00021
    은 상기 [수학식 1]로 생성된 가중치 행렬이다.
  4. 제4 항에 있어서,
    상기 종속변수(Yt) 추정단계는,
    상기 매개변수가 하기 [수학식 4]에 대입되어 상기 종속변수(yt)가 추정되는 것을 특징으로 하는 무인비행체(UAV)로부터 획득한 3차원 포인트 클라우드를 이용한 하천 단면 추정 방법.
    [수학식 4]
    Figure pat00022

    여기서, yt는 종속변수이고,
    Figure pat00023
    는 매개변수이다.
  5. 제 1항에 있어서,
    상기 하천 단면 추정 단계는,
    휴리스틱 분석방식을 이용하여 하기 [수학식 5]로 상기 K-최근접 이웃 알고리즘(K-Nearest Neighbor Algorithm)에서 k개의 이웃수(K)가 선정되는 것을 특징으로 하는 무인비행체(UAV)로부터 획득한 3차원 포인트 클라우드를 이용한 하천 단면 추정 방법.
    [수학식 5]
    Figure pat00024

    여기서, k는 이웃수(K)의 개수이고, a는 이웃수 배수이고, n은 상기 포인트 클라우드 내에서 선정된 3차원 점의 개수이다. k, a는 양의 유리수이고, n은 양의 정수이다.
KR1020210114514A 2021-08-30 2021-08-30 무인비행체(uav)로부터 획득한 포인트 클라우드를 이용한 하천 단면 추정 방법 KR102621091B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210114514A KR102621091B1 (ko) 2021-08-30 2021-08-30 무인비행체(uav)로부터 획득한 포인트 클라우드를 이용한 하천 단면 추정 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210114514A KR102621091B1 (ko) 2021-08-30 2021-08-30 무인비행체(uav)로부터 획득한 포인트 클라우드를 이용한 하천 단면 추정 방법

Publications (2)

Publication Number Publication Date
KR20230032094A true KR20230032094A (ko) 2023-03-07
KR102621091B1 KR102621091B1 (ko) 2024-01-03

Family

ID=85513449

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210114514A KR102621091B1 (ko) 2021-08-30 2021-08-30 무인비행체(uav)로부터 획득한 포인트 클라우드를 이용한 하천 단면 추정 방법

Country Status (1)

Country Link
KR (1) KR102621091B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117367429A (zh) * 2023-10-13 2024-01-09 黑龙江省水利科学研究院 基于遥感影像的工作底图和无人机技术的航线像控点分布算法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200096724A (ko) * 2019-01-30 2020-08-13 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 자율 주행 차량을 위한 실시간 지도 생성 시스템
KR102193108B1 (ko) 2019-10-10 2020-12-18 서울대학교산학협력단 무인항공체로부터 취득된 rgb영상을 이용한 2차원 하천혼합거동 계측 방법
CN110779498B (zh) * 2019-09-19 2021-05-11 中国科学院测量与地球物理研究所 基于无人机多视点摄影的浅水河流水深测绘方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200096724A (ko) * 2019-01-30 2020-08-13 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 자율 주행 차량을 위한 실시간 지도 생성 시스템
CN110779498B (zh) * 2019-09-19 2021-05-11 中国科学院测量与地球物理研究所 基于无人机多视点摄影的浅水河流水深测绘方法及系统
KR102193108B1 (ko) 2019-10-10 2020-12-18 서울대학교산학협력단 무인항공체로부터 취득된 rgb영상을 이용한 2차원 하천혼합거동 계측 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117367429A (zh) * 2023-10-13 2024-01-09 黑龙江省水利科学研究院 基于遥感影像的工作底图和无人机技术的航线像控点分布算法
CN117367429B (zh) * 2023-10-13 2024-05-14 黑龙江省水利科学研究院 基于遥感影像的工作底图和无人机技术的航线像控点分布算法

Also Published As

Publication number Publication date
KR102621091B1 (ko) 2024-01-03

Similar Documents

Publication Publication Date Title
Xia et al. Geometric primitives in LiDAR point clouds: A review
Danielson et al. Topobathymetric elevation model development using a new methodology: Coastal national elevation database
De Michele et al. Using a fixed-wing UAS to map snow depth distribution: an evaluation at peak accumulation
KR101924278B1 (ko) 드론을 활용한 갯벌 지역에서의 갯골 정보 추출 장치 및 방법
US11335059B2 (en) Method and arrangement for providing a 3D model
Murgoitio et al. Improved visibility calculations with tree trunk obstruction modeling from aerial LiDAR
CN111213155A (zh) 图像处理方法、设备、可移动平台、无人机及存储介质
US11725962B2 (en) Systems and methods for generating, updating and enhancing large-scale high-precision 3D road maps and multi-level road graphs
Cao et al. An active-passive fusion strategy and accuracy evaluation for shallow water bathymetry based on ICESat-2 ATLAS laser point cloud and satellite remote sensing imagery
Zeybek Classification of UAV point clouds by random forest machine learning algorithm
WO2017173417A1 (en) Aviation virtual surface systems and methods
Bliakharskii et al. Modelling glacier topography in Antarctica using unmanned aerial survey: assessment of opportunities
Liang et al. Derivation of bathymetry from high-resolution optical satellite imagery and USV sounding data
Michaelsen et al. Stochastic reasoning for structural pattern recognition: An example from image-based UAV navigation
CN111801591A (zh) 一种用于校准光强度的系统及方法
Matikainen et al. Combining single photon and multispectral airborne laser scanning for land cover classification
Kodors Point distribution as true quality of lidar point cloud
KR102621091B1 (ko) 무인비행체(uav)로부터 획득한 포인트 클라우드를 이용한 하천 단면 추정 방법
Liu et al. Evaluating the potential of multi-view data extraction from small Unmanned Aerial Systems (UASs) for object-based classification for Wetland land covers
Roussel et al. Correction, update, and enhancement of vectorial forestry road maps using ALS data, a pathfinder, and seven metrics
Liu et al. High-resolution DEM generated from LiDAR data for water resource management
Yang et al. Airborne LiDAR and photogrammetric point cloud fusion for extraction of urban tree metrics according to street network segmentation
Denka Durgan et al. Evaluation and enhancement of unmanned aircraft system photogrammetric data quality for coastal wetlands
Yu Automatic sounding generalization in nautical chart considering bathymetry complexity variations
KR101737889B1 (ko) 데이터 마이닝 기법을 이용한 지상 라이다 데이터의 필터링 및 현황선 추출 방법과 그 장치

Legal Events

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