지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김의명
- 발행연도
- 2019
- 저작권
- 남서울대학교 논문은 저작권에 의해 보호받습니다.
이용수10
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
자율주행에는 한계가 따른다. 이에 자율주행을 위해서 센서를 이
용한 한계점을 극복할 수 있도록 정밀한 도로지도를 부가적으로 이용
하는 방법이 사용되고 있다. 이에 따라 국토지리정보원에서는 지상
모바일 매핑 시스템으로 취득된 3차원 점군데이터를 가공·처리하여
정밀한 도로지도를 제작하고 있다.
현재 국내의 정밀도로지도 구축은 데이터 구축자가 수동으로 객
체를 분류하고 속성정보를 입력하는 방법으로 많은 시간과 비용이 소
모된다. 따라서 본 연구에서는 원본 3차원 점군 데이터를 유의미한
객체로 분류하는 자동화 방법론을 제안하였다.
연구의 방법은 원본 3차원 점군데이터 전처리 하고, 지면과 비지
면점을 분리하기 위한 필터링 기법 선정 및 도로객체를 분할하며, 분
할된 객체를 기계학습 기반으로 분류한다. 원본 3차원 점군데이터는
점밀도가 높아 자료처리에 많은 시간이 소요되며, 이상점들이 포함되
어있기 때문에 다운샘플링, 통계적 이상점 제거, 연결요소 레이블링을
통해 데이터를 전처리 하였다. 그후, 전처리된 점군 데이터를 지면·비
지면 분류 기법인 PCFA와 CSF기법을 적용하여 이를 비교하였다.
비교결과 PCFA가 CSF기법 보다 양호한 성능을 보였다. 분류된
지면을 이용하여 도로 평면정보에 해당하는 차선등과 같은 객체로 분
할하고, 비지면점을 이용하여 도로 시설물 정보에 해당하는 가로등,
안전펜스등과 같은 객체로 분할하였다. 분할된 객체를 기계학습 기반
으로 분류하기 위해 학습데이터를 구축하여야 하는데 이는 주성분 분
석을 통하여 계산된 고유값과 높이정보를 이용하였으며 분류항목으로
는 가로등, 나무, 도로표지, 안전펜스, 차선, 미분류로 총 6개로 선정하
였다.
서포트 벡터 머신을 이용한 객체 분류의 전체정확도는 86.718%이
고 카파계수는 0.795로 나타났으며 랜덤포레스트를 이용한 객체분류
의 전체정확도는 86.718%이고 카파계수는 0.797로 나타났다. 오분류된
경우를 살펴보면 나무 객체가 다른 객체로 오분류 되는 경우가 다소
발견되었는데 이러한 이유는 나무넝쿨이 같은 객체로 인식되어 미분
류로 분류된 경우가 있었다. 또한, 나무가 가로등 객체와 기하학적으
로 유사하여 가로등으로 분류된 경우와 비면점이 완벽하게 제거 되지
않아 나무가 도로표지로 인식되는 경우 등이 있었다.
향후 3차원 점군데이터의 객체분류를 실무에 적용 가능한 수준까
지 자동화 하기 위해서는 3차원 객체의 분할율 및 분류항목을 높여야
한다. 본 연구에서는 기계학습 이용하여 도로객체를 분류하였지만 딥
러닝기법이 발전하고 있으므로 인공 신경망기법, 합성곱 신경망기법
등의 다양한 알고리즘이 적용을 적용한다면 분류정확도를 높일 수 있
을 것으로 사료된다.
키워드 : 자율주행, 지상 모바일 매핑시스템, 기계학습, 서포트 벡터 머신, 랜덤 포레스트, 객체분류
용한 한계점을 극복할 수 있도록 정밀한 도로지도를 부가적으로 이용
하는 방법이 사용되고 있다. 이에 따라 국토지리정보원에서는 지상
모바일 매핑 시스템으로 취득된 3차원 점군데이터를 가공·처리하여
정밀한 도로지도를 제작하고 있다.
현재 국내의 정밀도로지도 구축은 데이터 구축자가 수동으로 객
체를 분류하고 속성정보를 입력하는 방법으로 많은 시간과 비용이 소
모된다. 따라서 본 연구에서는 원본 3차원 점군 데이터를 유의미한
객체로 분류하는 자동화 방법론을 제안하였다.
연구의 방법은 원본 3차원 점군데이터 전처리 하고, 지면과 비지
면점을 분리하기 위한 필터링 기법 선정 및 도로객체를 분할하며, 분
할된 객체를 기계학습 기반으로 분류한다. 원본 3차원 점군데이터는
점밀도가 높아 자료처리에 많은 시간이 소요되며, 이상점들이 포함되
어있기 때문에 다운샘플링, 통계적 이상점 제거, 연결요소 레이블링을
통해 데이터를 전처리 하였다. 그후, 전처리된 점군 데이터를 지면·비
지면 분류 기법인 PCFA와 CSF기법을 적용하여 이를 비교하였다.
비교결과 PCFA가 CSF기법 보다 양호한 성능을 보였다. 분류된
지면을 이용하여 도로 평면정보에 해당하는 차선등과 같은 객체로 분
할하고, 비지면점을 이용하여 도로 시설물 정보에 해당하는 가로등,
안전펜스등과 같은 객체로 분할하였다. 분할된 객체를 기계학습 기반
으로 분류하기 위해 학습데이터를 구축하여야 하는데 이는 주성분 분
석을 통하여 계산된 고유값과 높이정보를 이용하였으며 분류항목으로
는 가로등, 나무, 도로표지, 안전펜스, 차선, 미분류로 총 6개로 선정하
였다.
서포트 벡터 머신을 이용한 객체 분류의 전체정확도는 86.718%이
고 카파계수는 0.795로 나타났으며 랜덤포레스트를 이용한 객체분류
의 전체정확도는 86.718%이고 카파계수는 0.797로 나타났다. 오분류된
경우를 살펴보면 나무 객체가 다른 객체로 오분류 되는 경우가 다소
발견되었는데 이러한 이유는 나무넝쿨이 같은 객체로 인식되어 미분
류로 분류된 경우가 있었다. 또한, 나무가 가로등 객체와 기하학적으
로 유사하여 가로등으로 분류된 경우와 비면점이 완벽하게 제거 되지
않아 나무가 도로표지로 인식되는 경우 등이 있었다.
향후 3차원 점군데이터의 객체분류를 실무에 적용 가능한 수준까
지 자동화 하기 위해서는 3차원 객체의 분할율 및 분류항목을 높여야
한다. 본 연구에서는 기계학습 이용하여 도로객체를 분류하였지만 딥
러닝기법이 발전하고 있으므로 인공 신경망기법, 합성곱 신경망기법
등의 다양한 알고리즘이 적용을 적용한다면 분류정확도를 높일 수 있
을 것으로 사료된다.
키워드 : 자율주행, 지상 모바일 매핑시스템, 기계학습, 서포트 벡터 머신, 랜덤 포레스트, 객체분류
목차
1. 서론 11.1 연구 배경 및 목적 11.2 연구동향 및 방법 31.2.1 지면·비지면 분류 연구동향 41.2.2 객체분할 연구동향 51.2.3 객체분류 연구동향 61.2.4 연구동향을 통한 연구방법론 확립 72. 연구의 기본이론 92.1 옥트리를 이용한 공간분할 92.2 Kd-tree 기반 K-최근접점 이웃 탐색 102.3 주성분 분석 132.4 서포트 벡터 머신 152.5 랜덤 포레스트 183. 연구방법 203.1 데이터 전처리 213.1.1 다운샘플링 213.1.2 통계적 이상점 제거 223.1.3 도로그룹 추출 243.2 지면·비지면 분류 253.2.1 PCFA 273.2.2 CSF 283.3 도로객체 분할 293.4 도로객체 분류 313.4.1 학습데이터 구축 및 기계학습 313.4.2 모델 평가 364. 실험 394.1 데이터 취득 394.2 데이터 전처리 444.3 지면·비지면 분류 474.4 도로객체 분할 534.5 객체분류 564.5.1 학습데이터 구축 564.5.2 학습모델 평가 564.5.3 도로객체 분류 595. 결론 66참고문헌 68국문초록 73ABSTRACT 75
최근 본 자료
댓글(0)
0