특징점 및 선형정보를 이용한 UAV영상의 자동기하보정 연구 :Automatic georeferencing of UAV images using distinct points and linear features

최한승

추천

검색

자료유형: 학위논문

저자정보: 최한승 (남서울대학교, 남서울대학교 대학원)

지도교수: 김의명

발행연도: 2018

저작권: 남서울대학교 논문은 저작권에 의해 보호받습니다.

이용수3

이 논문의 연구 히스토리 (2)

2019

선형과 특징점을 이용한 연속적인 드론영상의 자동기하보정

최한승 , 김의명 한국측량학회지 2019.02 학술저널

2018

특징점 및 선형정보를 이용한 UAV영상의 자동기하보정 연구

최한승 지리정보학과 2018.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

UAV 또는 드론을 이용하여 촬영한 영상은 실시간으로 자료를 취득할 수 있을 뿐만 아니라 접근불능지역에서 자료를 효율적으로 취득할 수 있는 장점을 가지고 있다. 이러한 UAV영상을 이용하여 공간정보를 구축하기 위해서 선행되어야할 작업중의 하나는 기준좌표계에 맞게 기하보정을 수행하는 것이다. 기하보정의 방법은 UAV에 장착된 GNSS/IMU 센서를 이용하여 직접 기하보정하거나 기존에 포탈에서 제공하고 있는 정사영상을 기준정보로 이용하여 UAV영상에서 동일한 지점을 인식한 후 간접적으로 기하보정하는 방법이 있다.
UAV 또는 드론에서 촬영한 영상은 주로 저가의 GNSS/IMU 센서를 이용하기 때문에 직접 기하보정을 수행할 경우 부정확한 기하보정이 될 수 있는 문제점을 가지고 있다. 또한, 기존의 정사영상과 UAV영상간에 동일한 지점을 인식하는 것은 두 영상의 시?공간해상도의 차이로 인하여 두 영상의 밝기값 패턴이 달라 동일한 지점을 인식하기 어려운 문제점을 가지고 있다.
본 연구에서는 이러한 시?공간해상도가 다른 경우에도 기하보정을 수행할 수 있도록 선형정합, 특징점, 그리고 템플릿 정합을 결합하는 새로운 방법론을 제안하였다. 시간해상도의 차이를 극복하기 위해서 기준영상과 UAV영상에서 선형정보를 추출한 후 동일한 선형을 찾기 위해서 선형쌍을 이용하였다. 선형쌍에서 유사성이 높은 선형은 연관행렬을 구성한 후 방향성, 각도, 거리를 이용하여 식별하여 정합하였다.
선형정합결과를 이용하여 단일영상의 초기 기하보정을 수행한 후 특징점과 템플릿 정합을 결합하여 최종적으로 기하보정을 수행하여 정확도를 향상시켰다.
UAV 또는 드론을 이용하여 촬영된 연속영상을 기하보정하기 위해서 단일영상을 이용하여 기하보정한 영상을 기준으로 두고, 특징점 정합을 이용하여 다음 영상을 순차적으로 기하보정하는 연속영상의 기하보정을 수행하였다. 제안한 단일영상과 연속영상의 기하보정 방법론을 검증하기 위해서 기복변화가 있는 지역(A지역)과 기복변화가 없는 지역(B지역)으로 구분하여 실험을 수행하였다.
단일영상을 기하보정한 결과 A지역과 B지역의 검사점에 대한 평균제곱근오차는 각각 0.76픽셀과 0.57픽셀로 나타났다. 이를 통해서 제안한 단일영상의 기하보정은 시?공간해상도가 크게 다르더라도 기하보정이 가능하고, 지형의 기복변화에 따라 크게 영향을 받지 않는 것으로 나타났다.
연속영상을 기하보정한 결과 또한 검사점의 평균제곱근오차를 이용하여 평가하였으며 A지역은 5.46픽셀, B지역은 1.20픽셀로 나타났다. 연속영상의 실험결과 A지역이 B지역에 비해 4.26픽셀의 오차가 더 크게 나타났다. 이러한 결과를 통해서 연속영상의 기하보정의 경우 지형의 기복변화에 따라 정확도에 많은 영향을 받는 것을 알 수 있었다.
본 연구에서 제안한 단일영상과 연속영상의 기하보정을 실무에서 사용할 경우 지형의 기복변화가 미비한 지역에서는 충분히 신속하게 기하보정하여 변화된 특성을 정량적?정성적으로 판단할 수 있을 것으로 사료된다. 또한, 지형의 기복변화가 있을 경우에도 정량적인 측면에서의 분석은 다소 부정확하지만 충분히 정성적인 분석이 가능할 것으로 판단된다.

키워드 : UAV, 드론, 단일영상, 연속영상, 기하보정, 선형정합, 선형쌍, 연관행렬, 특징점 정합, 템플릿 정합, 시?공간해상도

The images taken using UAVs or drones have the advantage of not only collecting data in real time, but also efficiently collecting data in inaccessible areas. One of the tasks that must be performed to construct spatial information using the UAV images is to perform georeferencing according to the reference coordinate system. The method of georeferencing is either direct georeferencing using the GNSS/IMU sensors mounted on the UAVs or indirectly georeferencing after recognizing the same point in the UAV images using the ortho-image provided by the portal as the reference information.
Since images taken from UAVs or drones mainly use low-cost GNSS/IMU sensors, there is a problem that an inaccurate geometric corrections can be made when a direct georeferencing is performed. In addition, recognizing the same point between the existing orthoimage and UAV image has a problem that it is difficult to recognize the same point because the gray values of the two images are different due to the difference of the spatio-temporal resolution of the two images.
In this paper, we propose a new methodology that combines linear feature matching, distinct points, and template matching to perform georeferencing even when the spatio-temporal resolution is different. In order to overcome the difference in temporal resolution, linear pairs are used to extract the linear information from the reference image and the UAV images and to find the same linearity. In the linear pair, the linear with high similarity is identified by using orientation, angle, and distance after constructing association matrix.
After performing the initial georeferencing of a single image using the linear feature matching result, combining the distinct points and the template matching, the final georeferencing was performed to improve the accuracy.
In order to do georeferencing, successive images captured using UAVs or drones, a georeferencing of successive images that sequential georeferencing the next image using the distinct point matching is performed based on the georeferenced image using a single image. In order to verify the proposed georeferencing method for a single image and successive images, experiments were performed by dividing into a region with relief displacement(region A) and a region without relief displacement(region B).
As a result of georeferencing of a single image, the RMSE of checkpoints in the A and B regions was 0.76 and 0.57 pixels, respectively. Through this, it is shown that the georeferencing of the proposed single image can be compensated even if the spatio-temporal resolutions are significantly different, and it is not significantly affected by the relief displacement of the terrain.
The results of the georeferencing of successive images were also evaluated using the RMSE of the checkpoints. The region A was 5.46 pixels and the region B was 1.20 pixels. As a result of the successive images experiment, the error of 4.26 pixels was larger in region A than in region B. From these results, it was found that the accuracy of the georeferencing of the successive images is affected by the relief displacement of the terrain.
In this study, it will be possible to quantitatively and qualitatively evaluate the characteristics of a single image and successive images in practical applications. In addition, even if there are relief displacements of the terrain, the analysis on the quantitative side is somewhat inaccurate, but it is considered that sufficient qualitative analysis is possible.

Keyword : UAV, Drone, Single Image, Successive Images, Georeferencing, Linear Matching, Linear Pairs, Association Matrix, Distinct Point Matching, Template Matching, Spatio-Temporal Resolution

1. 서론 1
1.1 연구배경 1
1.2 연구동향 3
1.3 연구목적 5
1.4 연구방법 및 범위 6
2. 연구의 기본이론 9
2.1 공선조건식 9
2.2 영상에서의 선형정보 추출 10
2.3 매핑함수 14
2.3.1 등각사상변환 14
2.3.2 부등각사상변환 15
2.3.3 투영변환 16
2.4 공면조건식 17
3. 단일영상의 기하보정 20
3.1 선형정합 20
3.1.1 영상 전처리 22
3.1.2 선형쌍 연관분석 24
3.1.3 연관행렬 구성 31
3.1.4 유사한 선형의 후보 검출 35
3.1.5 초기변환 매개변수 추정 40
3.2 특징점 정합 50
3.2.1 공액점 추출 전처리 51
3.2.2 공액점 추출 53
3.2.3 최종 매개변수 추정 54
4. 연속영상의 기하보정 63
4.1 상호표정요소 추정 64
4.2 외부표정요소 추정 및 기하보정 68
5. 실험 72
5.1 실험 대상지역 선정 72
5.2 단일영상의 기하보정 정확도 분석 74
5.2.1 선형정합 결과 74
5.2.2 특징점과 템플릿 정합을 통한 단일영상의 기하보정 82
5.3 연속영상의 기하보정 정확도 분석 98
5.3.1 상호표정을 통한 외부표정요소 추정결과 98
5.3.2 연속영상의 기하보정 결과 104
6. 결론 117
참고 문헌 120
국문 초록 124
ABSTRACT 127

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)