CALOS : 주행계 추정을 위한 카메라와 레이저 융합
CALOS : Camera And Laser for Odometry Sensing
복 윤 수†·황 영 배1·권 인 소2
Yunsu Bok†·Youngbae Hwang1·In So Kweon2
Abstract
This paper presents a new sensor system, CALOS, for motion estimation and 3D reconstruction. The 2D laser sensor provides accurate depth information of a plane, not the whole 3D structure. On the contrary, the CCD cameras provide the projected image of whole 3D scene, not the depth of the scene. To overcome the limitations, we combine these two types of sensors, the laser sensor and the CCD cameras. We develop a motion estimation scheme appropriate for this sensor system. In the proposed scheme, the motion between two frames is estimated by using three points among the scan data and their corresponding image points, and refined by non-linear optimization. We validate the accuracy of the proposed method by 3D reconstruction using real images. The results show that the proposed system can be a practical solution for motion estimation as well as for 3D reconstruction.
Keywords:
Sensor Fusion, Motion Estimation, 3D Reconstruction
1. 서 론1)
로보틱스 분야 및 컴퓨터 비전 분야에서 가장 많이 사용되는 센서는 CCD 카메라와 2차원 레이저 거리 센 서이다. CCD 카메라는 시야 내의 3차원 정보를 평면에 투영한 영상이라는 정보를, 2차원 레이저 거리 센서는 하나의 평면상에서의 정확한 거리 정보를 제공해 준다.
하지만 카메라는 투영된 영상을 얻을 수 있을 뿐 그 깊 이를 알 수는 없으며, 2차원 레이저 거리 센서로는 스캔 하는 평면을 제외한 3차원 공간에 대한 정보를 알 수 없 다.
카메라를 사용하여 3차원에서의 움직임을 추정하는 방법론에는 여러 가지가 있다. 몇 개의 대응점을 이용하 여 초기값을 구하고 영상에서의 투영 오차를 최적화하 는 방법으로는 두 영상 사이의 에센셜 행렬(essential matrix)을 구하는 5점 알고리즘(5-point algorithm)[1]과 스테레오 카메라를 사용하여 3차원 점들을 구하고 이를 다음 영상에 투영시키는 3점 알고리즘[2][8][9] 등이 있 다. 확장 칼만필터(extended Kalman filter, EKF), 입자 필터(particle filter) 등의 확률 모델을 사용하여 센서의 위치와 주변 지도의 불확실성을 포함하는 방법론[3]도
※ 이 논문은 과학기술부 국가지정연구실사업(No. M1-0302-00-0064) 과 국방과학연구소의 지원에 의하여 연구되었음.
†교신저자：KAIST 전자전산학부 박사과정([email protected])
1KAIST 전자전산학부 박사과정([email protected])
2KAIST 전자전산학부 교수([email protected])
많이 사용된다. 이러한 방법론들의 움직임 추정 결과는 좋은 편이지만, 영상 해상도의 한계로 인하여 주변 환경 의 3차원을 복원한 결과는 정확하지 않다.
정확한 3차원 정보를 얻기 위해서는 레이저 거리 센 서(laser range finder, LRF)를 사용할 수 있다. [4]에서 제안한 방법론은 2차원 레이저 거리 센서를 이용하여 3 차원 움직임 추정 및 맵 작성(simultaneous localization and mapping, SLAM)을 수행한 것인데, 이 방법론은 센 서의 세로방향 회전(tilting)이 필요하기 때문에 차량의 움직임을 추정하고 주변의 3차원 구조를 복원하는 데 상당한 시간이 소요된다.
카메라와 레이저 거리 센서를 같이 사용하는 예로는 [5]가 있다. 이 논문에서는 유적의 윗부분을 스캔하기 위 하여 3차원 레이저 센서를 기구에 매달았는데, 스캔하는 동안 센서가 움직여 뒤틀린 데이터를 얻는 것을 해결하 기 위해 레이저 센서에 카메라를 고정시켰다. 카메라로 획득한 영상 시퀀스를 이용하여 움직임을 추정하고, 카 메라의 움직임 및 뒤틀린 레이저 데이터로부터 얻을 수 있는 제한 조건을 이용하여 센서의 움직임을 최적화하 였다. [10]에서도 카메라와 레이저를 같이 사용하였는데, 이 논문에서는 실내 환경에서 우선 2차원 레이저 거리 센서를 이용하여 2차원 상의 대략적인 움직임을 추정하 였다. 그리고 이를 기반으로 영상을 변환하여 이전에 얻 은 영상과의 매칭을 용이하게 하였다. 같은 곳을 보는 영상이라도 보는 각도가 많이 다르면 매칭이 잘 되지 않
기 때문이다.
본 논문에서는 두 센서를 결합하여 서로의 단점을 보 완하는 새로운 센서 시스템을 제안한다. 두 센서의 데이 터를 각자 사용해서 얻은 정보를 결합하는 것이 아닌, 원시 데이터를 같이 사용하는 이 방법론을 통하여 제안 한 센서 시스템의 3차원 움직임을 추정하고 주변의 3차 원 구조를 복원하는 것이 가능하다.
본 논문은 다음과 같이 구성되어 있다. 2장에서는 제 안한 새로운 센서 시스템에 대하여 간단히 소개한다. 3 장에서는 센서의 움직임 추정 및 3차원 복원에 대하여 설명하며, 실제 영상을 이용한 실험 결과는 4장에서 보 인다.
2. 새로운 센서 시스템 : CALOS
본 논문에서 제안하는 센서 시스템은 1장에서의 설명 과 같이 카메라와 2차원 레이저 거리 센서의 조합이다.
CALOS(Camera And Laser for Odometry Sensing)라고 이름붙인 이 센서 시스템은 사용하는 카메라의 수에 따 라 두 가지로 구분된다.
2.1 SingleCALOS : 1대의 카메라
카메라 1대를 레이저 거리 센서와 조합한 시스템은 제안한 CALOS 센서 시스템의 가장 단순한 형태이다(그 림 1). 시스템을 구성하는 센서의 수가 적다는 것이 장 점이지만, 카메라가 1대이기 때문에 시야가 좁다는 단점 이 있으며 이는 센서의 움직임을 추정하는 데 있어서 풀 리지 않는 경우(degenerate case)를 만들어내는 원인이 되기도 한다.
그림 1. SingleCALOS
2.2 MultiCALOS : 2대 이상의 카메라
카메라 1대를 사용하는 2.1절의 경우와 다르게, 카메 라를 2대 이상 사용하여 넓은 시야를 확보한 CALOS 시 스템이다(그림 2). 카메라를 여러 대 사용하기 때문에 발 생하는 카메라 간 동기화, 계산량 증가 등의 문제만 해 결된다면 넓은 시야는 많은 데이터에 대하여 최적화를 수행함으로써 오차를 줄일 수 있다는 장점이 있다.
그림 2. MultiCALOS (카메라 3대의 예)
3. 움직임 추정 및 3차원 복원
이 장에서는 주행계 추정(odometry sensing)을 위하여 제안한 CALOS 센서 시스템의 3차원 움직임을 추정하 는 방법을 설명한다.
3.1 카메라와 레이저 센서의 위치관계
카메라와 레이저 거리 센서를 같이 사용하기 위해서 는 두 센서로부터 획득하는 정보들을 하나의 좌표계로 옮기는 과정이 필수적이다. 이를 위해서는 두 센서 간의 상대적인 위치 관계를 알아내야 한다.
이 논문에서는 [6]에서 제안한 방법론을 사용한다. 이 방법론은 [7]에서 카메라를 보정할 때 사용하는 패턴 평 면을 사용한다. 여러 위치에서 패턴 평면의 영상을 획득 할 때 레이저 정보를 같이 얻는다. 카메라의 보정 결과 를 이용하면 카메라 좌표계에서의 패턴 평면의 위치를 알아낼 수 있으며, 레이저 데이터 중 일부가 패턴 평면 을 스캔했다는 사실을 이용하면 두 센서의 상대적인 위 치 관계를 추정할 수 있다.
3.2 CALOS의 움직임 추정 : 기본 원리
본 논문에서 제안한 CALOS 센서 시스템의 움직임을 추정하는 알고리즘의 기본 개념은 3차원과 2차원의 대 응이다. 3차원 상의 점이 영상에 투영되었을 때의 영상 상에서의 오차를 최소화하는 것이다.
이 부분에서 기존의 카메라 기반 방법들과 다른 CALOS 센서 시스템의 특징은 3차원 상의 점으로 레이 저 거리 센서가 제공하는 점들을 사용한다는 것이다. 단 일 또는 스테레오 카메라로부터 얻을 수 있는 3차원 좌 표는 영상의 해상도 한계로 인하여 먼 거리일수록 부정 확하지만, 레이저 거리 센서는 측정하는 거리에 상관없 이 그 오차가 상당히 작다. (실험에서 사용한 센서의 오 차는 ±10mm 정도) 이러한 점들을 영상에 투영하고 다 음 영상에서의 대응점을 찾으면 3점 알고리즘[8]과 비슷
한 문제가 된다. 이 때, 카메라 광선(camera ray)은 영상 을 사용하기 때문에 기존의 방법론들과 그 정확도가 비 슷하지만 3차원 점은 레이저 거리 센서를 사용하기 때 문에 훨씬 정확하다.
3.3 대응점 검색
레이저 거리 센서로 스캔한 데이터가 다음 프레임에 서 어떤 위치에 있는지 알아내기 위해서는 영상 상에서 의 대응점을 검색하면 된다.
대응점을 검색하는 방법으로는 여러 가지가 있다. SAD, NCC 등의 윈도우 기반 방법, SIFT[11], G-RIF[14]
등의 특성을 나타내는 기술자(descriptor)를 비교하는 방 법이 있으며, 영상의 변화가 작을 때는 KLT[12]도 유용하 다. 본 논문에서는 쉽게 구현이 가능하고 계산속도 변화 가 용이한 SAD를 이용하여 매칭을 수행하였다(그림 3).
그림 3. 스캔 데이터의 대응점 검색 예
3.4 SingleCALOS의 초기해 계산
SingleCALOS의 경우, 두 프레임에서의 레이저 스캔 데이터를 모두 사용한다. 그림 4에서, 영상 1 좌표계에 서의 과 의 3차원 좌표와 영상 2 좌표계에서의
은 각각의 영상과 동시에 레이저로 스캔한 데이터 중 일부이며, 좌표계 변환을 하면 3차원 좌표를 구할 수 있 다. 따라서 , , 의 길이 또한 계산할 수 있다. 또 한 , , 를 영상에 투영하고 다른 영상에서의 대 응점을 찾으면 각도 , , , , , 를 계산할 수 있다. 구해야 할 미지수는 , , 이다.
그림 4에 제2코사인 법칙을 적용하면 식 (1)~(3)과 같 은 3개의 연립방정식을 얻고, 이 방정식들의 해를 구하 면 , , 의 값을 구할 수 있다.
(1)
(2)
(3)
그림 4. SingleCALOS의 초기해 계산
, , 의 값을 계산하면, 두 영상 좌표계에서의 ,
, 의 좌표를 모두 알 수 있다. 이 점들을 이용하여 두 영상 사이의 변환 행렬을 계산한다.
이 방법론은 기존의 3점 알고리즘[8]과 비슷하지만, 기존의 3점 알고리즘은 이 센서 시스템에 적용하기 어 렵다. 3점 알고리즘을 사용하기 위해서는 한 프레임에서 의 레이저 데이터만을 사용해야 하는데, 레이저 데이터 는 하나의 평면상에 있기 때문에 평평한 면을 스캔했을 경우에는 세 점이 하나의 직선상에 있게 된다. 이러한 경우는 3점 알고리즘의 해가 무수히 많게 된다. 따라서 이 절에서 설명한 알고리즘과 같은 방법으로 이러한 경 우를 최대한 피해야 한다.
3.5 비선형 최적화
비선형 최적화를 수행하면 주어진 데이터에 대한 최 적의 해를 구할 수 있다. 시야가 좁을 경우에 발생할 수 있는 모호성을 줄이기 위하여, 비선형 최적화를 수행할 때는 영상으로부터 특징점을 추출하여 함께 사용하였다. 사용한 특징점은 해리스 코너(Harris corner)[13]이다. 본 논문에서는 앞에서 구한 초기해를 기반으로 하여 식 (4) 의 비용 함수를 사용하여 최적화를 수행하였다. , ′는 두 영상에서의 대응된 특징점, , 는 레이저 스캔 데 이터와 다른 영상에서의 대응점을 의미하며, 영상 대응 점에 대해서는 에피폴라 직선(epipolar line)과 대응점과 의 거리를, 레이저 스캔 데이터에 대해서는 투영 오차 (projection error)를 비용 함수로 사용하였다. , 는 위 치 관계의 회전 및 병진 이동을 나타내는 행렬이며,
×은 이로부터 계산한 에센셜 행렬(essential matrix)이다.
′
(4) ( )3.6 MultiCALOS의 초기해 계산
카메라 2대 이상을 사용할 경우에는 카메라의 배치에 따라 사용할 방법론을 결정할 수 있다. 스테레오 카메라 와 비슷하게 카메라들이 같은 방향을 향할 경우에는 3.4 절의 방법을 사용해야 한다. 서로 다른 방향을 향할 경 우에는 각 영상에서 하나 이상의 레이저 데이터를 뽑아 서 사용하면 레이저 데이터들이 하나의 직선상에 있는 경우가 거의 없으며, 이러한 경우에는 [8]과 같은 기존의 방법론을 사용할 수 있다.
[8]의 기본 가정은 3개의 직선이 하나의 점을 지난다 는 것이다. 하지만 2대 이상의 카메라를 사용하고 각각 의 영상으로부터 하나 이상의 점을 사용할 경우에는 세 직선이 한 점에서 만나지 않는 경우가 대부분이다. 세 직선이 임의의 위치에 있을 경우에 사용할 수 있는 방법 론은 [9]에서 제안되었다.
[9]의 방법을 사용하기 위해 필요한 정보를 모두 레이 저 좌표계로 옮겨서 계산하였다(그림 5). 레이저 좌표계 를 카메라 좌표계로 옮기는 행렬을 식 (5)로 가정하면, [9]에서 필요한 정보인 카메라 광선의 시작점 와 방향 벡터 는 식 (6)과 같이 계산할 수 있다. 는 다음 영상에서 찾은 레이저 대응점의 위치이다.
(5)
, (6) 본 논문에서는 180도를 스캔하는 레이저 데이터를 최 대한 활용하기 위하여 그림 2와 같이 약 40도 정도의 시 야각을 가지는 카메라 3대를 레이저 센서와 합쳐서 사 용하였다.
MultiCALOS의 경우에도 비선형 최적화가 필요하며, 식 (4)의 비용 함수를 그대로 사용하였다.
그림 5. 움직임 추정에 필요한 camera ray 정보
3.7 3차원 복원
본 논문에서 제안한 CALOS 센서 시스템을 사용하면 실내 및 실외 환경에서의 3차원 복원이 간단하게 해결 된다. 3차원 상에서의 센서의 움직임을 추정하면 레이저 가 스캔한 데이터를 하나의 좌표계로 모을 수 있기 때문 이다. 번째와 번째 프레임 사이의 움직임 ,
을 이용하면 식 (7), (8)과 같이 번째 프레임에서
의 스캔 데이터 를 첫 번째 레이저 좌표계의 점 로 표현할 수 있다. 또한, 모든 스캔 데이터가 영상에 투영 되기 때문에 텍스처 맵핑도 상당히 편리하다.
,
, ⋯ (7)
⋯
(8)
레이저 데이터 외에 영상 특징점도 3차원 복원에 이 용할 수 있다. 카메라의 움직임을 추정했기 때문에 대응 점만 잘 찾아낸다면 단순한 삼각법(triangulation)으로도 레이저보다 광범위한 영역에 대한 3차원 정보를 얻을 수 있다. 하지만 이렇게 추정한 특징점의 3차원 좌표는 카메라가 보는 방향으로의 정확도가 상당히 떨어지기 때문에, 정확도를 높이기 위해서는 여러 장의 영상에서 다양한 각도로 관찰해야 한다. 이러한 조건을 만족하지 못할 경우에는 정확도가 보장되는 레이저 데이터만을 3 차원 복원에 사용하는 것이 좋다.
4. 실험 결과
실험에 사용한 카메라는 SONY DFW-V500이며, 레이 저 거리 센서는 SICK LMS200이다.
4.1 SingleCALOS : 움직임 추정
그림 1과 같이 SingleCALOS를 삼각대에 고정하고 삼 각대를 그림 6(a)와 같이 움직이면서 영상 및 거리 데이 터를 획득하였다. 획득한 영상의 일부를 그림 6(b)에 나 타내었으며, 추정한 움직임은 그림 6(c)와 같다.
(a) 센서를 고정한 삼각대의 움직임
(b) 실험에 사용한 영상의 일부
(c) 카메라 및 삼각대의 움직임 추정 결과 그림 6. 실내 환경에서의 SingleCALOS의 움직임 추정
4.2 SingleCALOS : 3차원 복원
SingleCALOS 센서를 그림 1과 같이 90도 돌린 상태 로 실험실 한가운데에서 360도 회전하면서 데이터를 획 득하였다. 그림 7에서, 방의 3차원 구조가 잘 복원되고 색상 정보도 맵핑이 되어 있는 것을 확인할 수 있다. 그 림 7의 결과는 전체 데이터를 사용하여 최적화를 수행 한 것이 아니라, 연속된 두 데이터 사이의 움직임을 추 정하고 누적한 결과이기 때문에 그림 7에서 보이지는 않지만 약간의 오차 누적이 있다.
(a) 획득한 영상 및 레이저 데이터
(b) 색상 정보가 있는 3차원 복원 결과 그림 7. 실내 3차원 복원 결과
그림 8. 실외 실험용 차량
SingleCALOS 센서를 그림 1과 같이 90도 돌린 상태 로 실험용 차량(그림 8)의 옆에 설치하여 레이저가 세로 방향으로 스캔하도록 하고, 실외에서 긴 거리를 움직이 면서 데이터를 획득하였다.
추정된 움직임을 바탕으로 복원한 3차원 구조는 그림 9와 같다. 그림 9의 결과에는 일부 좋지 않은 부분이 있 는데, 이것은 연속된 프레임에서의 스캔 데이터들을 카 메라로부터의 거리와 상관없이 모두 연결하여 메쉬 (mesh)를 만들고 텍스처를 맵핑했기 때문이며, 움직임 추정 방법론 자체의 문제는 아니다.
(a) 실외 3차원 복원 결과 1
(b) 실외 3차원 복원 결과 2 그림 9. 실외에서의 3차원 복원 결과
4.3 SingleCALOS와 MultiCALOS의 비교
CALOS 센서 시스템은 사용하는 카메라의 수에 따라 성능이 달라진다. 카메라가 많아질수록 넓은 시야가 확 보되어 센서의 움직임을 안정되고 정확하게 추정할 수 있지만, 처리해야 할 영상의 수가 많아지기 때문에 계산 량이 늘어난다는 단점이 있다.
두 시스템의 성능을 비교하기 위하여, 4.2절과 같이 실내 환경에서의 3차원 복원 실험을 하였다. 첫 번째 실 험으로, 그림 2와 같이 카메라 3대를 사용한 MultiCALOS 시스템을 그림 1과 같이 세로로 기울여 삼 각대에 올리고, 제자리에서 360도 이상 회전시키면서 영 상 및 레이저 데이터를 획득하였다. 비교를 위하여, 데 이터 중 한 대의 카메라에 해당하는 영상만을 이용하여 SingleCALOS 시스템을 테스트하였다.
두 시스템이 복원한 방의 3차원 구조는 그림 10과 같 다. 천장과 바닥까지 모두 존재하는 3차원 모델이기 때 문에, 지도와 비교하기 위해 레이저 데이터 중 일부만을 표시하여 벽 부분의 단면을 나타내었다. 그림 10에서, MultiCALOS의 결과는 방의 2차원 지도와 거의 일치하 는 것을 확인할 수 있다. 반면에, SingleCALOS의 결과 는 움직임 추정이 약간 부정확하여 오차가 누적되어 있다.
두 번째 실험에서는 센서 시스템을 임의의 경로를 따 라 회전 및 병진 운동을 하면서 영상을 획득하였다. 두
(a) SingleCALOS로 복원한 (b) MultiCALOS로 복원한 3차원 구조의 단면 3차원 구조의 단면
(c) MultiCALOS의 결과와 2차원 지도와의 비교 (회색 : 복원 결과, 검정색 : LRF로 작성한 2차원 지도,
가운데 원 : 레이저 센서의 위치) 그림 10. 제자리에서 회전했을 때의 결과
시스템이 복원한 방의 3차원 구조는 그림 11과 같다.
MultiCALOS의 결과는 정확하지만, SingleCALOS의 경 우 상당히 뒤틀려 있는 것을 확인할 수 있다.
그림 11(c)의 가운데 부분은 레이저 센서의 위치라고 할 수 있는 레이저 좌표계의 원점을 표시한 것이다. 그 림 11(c)의 가운데 부분을 확대해 보면 센서의 움직임이 연속적으로 잘 추정된 것을 확인할 수 있다(그림 12).
(a) SingleCALOS로 복원한 (b) MultiCALOS로 복원한 3차원 구조의 단면 3차원 구조의 단면
(c) MultiCALOS의 결과와 2차원 지도와의 비교 (회색 : 복원 결과, 검정색 : LRF로 작성한 2차원 지도,
가운데 원 : 레이저 센서의 위치)
그림 11. 회전 및 병진 운동이 모두 있을 때의 결과
그림 12. MultiCALOS로 추정한 센서의 움직임
4.4 MultiCALOS : 실외 3차원 복원
SingleCALOS로 실험했던 4.2와 마찬가지로 이번에는 MultiCALOS를 90도 기울이고 실험용 차량의 옆에 설치 하여 레이저가 옆의 벽면을 스캔하도록 하였다. 실외에
서 센서의 움직임을 추정하고 이를 바탕으로 3차원 복 원을 수행한 결과는 그림 13과 같다. 레이저 거리 센서 가 180도를 스캔하기 때문에 지면도 같이 복원되었지만 구별하기 힘들기 때문에 레이저 센서의 정보 중 일부분 만을 표시하였다.
그림 13의 복원 결과를 평가하기 위하여, 실제 지도라 고 할 수 있는 건물의 설계도와 비교해 보았다. 그 결과 는 그림 14과 같다. 복원 결과가 설계도와 거의 일치하 는 것을 확인할 수 있다.
그림 13. MultiCALOS를 이용한 3차원 복원 결과
(a) 건물의 설계도 (밝은 곳이 복원한 부분)
(b) 복원 결과와 설계도와의 비교 그림 14. 그림 13과 건물 설계도와의 비교
5. 결 론
본 논문에서는 주행계 추정을 위하여 카메라와 2차원 레이저 센서를 합쳐서 서로의 단점을 보완하는 새로운 시스템을 제안하였다. 카메라를 사용하는 기존의 알고리 즘에 레이저 거리 센서의 정확한 거리 정보를 추가하여 센서 시스템의 움직임을 추정하였다. 이 시스템은 3차원 상에서의 움직임을 정확하게 추정하고 스캔 데이터를 이용하여 주변의 3차원 구조를 복원할 수 있다. 제안한 센서 시스템을 움직임 추정 및 3차원 복원에 적용하여 좋은 결과를 얻었다.
실험 결과로부터 알 수 있듯이, 제안한 시스템의 성능 은 카메라의 수에 따라 달라진다. 약간 부정확하더라도 시스템의 속도가 중요할 때는 SingleCALOS를, 움직임 추정 및 3차원 복원의 정확도가 중요할 때는 MultiCALOS를 사용하면 된다. 다양한 로봇 응용 분야 에 필요한 기능인 움직임 추정 및 3차원 복원을 본 논문 에서 제안한 시스템으로 해결할 수 있다.
참 고 문 헌
[1] D. Nistér, "An Effective Solution to the Five-Point Relative Pose Problem", IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004.
[2] D. Nistér, O. Naroditsky, J. Bergen, "Visual Odometry", in Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004.
[3] A.J. Davison, "Real-Time Simultaneous Localization and Mapping with a Single Camera", in Proceedings of the IEEE International Conference on Computer Vision, 2003.
[4] A. Nüchter el al., "6D SLAM with an Application in Autonomous Mine Mapping", in Proceedings of the IEEE International Conference on Robotics &
Automation, 2004.
[5] A. Banno, K. Ikeuchi, "Shape Reconvery of 3D Data Obtained from a Moving Range Sensor by using Image Sequences", in Proceedings of the IEEE International Conference on Computer Vision, 2005.
[6] Q. Zhang, R. Pless, "Extrinsic Calibration of a Camera and Laser Range Finder (improves camera
calibration)", in Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems, 2004.
[7] Z. Zhang, "Flexible Camera Calibration by Viewing a Plane from Unknown Orientations", in Proceedings of the IEEE International Conference on Computer Vision, 1999.
[8] R. Haralick et al., "Review and Analysis of Solutions of the Three Point Perspective Pose Estimation Problem", International Journal of Computer Vision, 1994.
[9] D. Nistér, "A Minimal Solution to the Generalised 3-Point Pose Problem", in Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004.
[10] D. Ortín, J. Neira, J.M.M. Moltiel, "Relocation using Laser and Vision", in Proceedings of the IEEE International Conference on Robotics and Automation, 2004.
[11] D. G. Lowe, "Distinctive Image Features from Scale- Invariant Keypoints", International Journal of Computer Vision, 2004.
[12] J. Shi, C. Tomasi, "Good Features to Track" in Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1994.
[13] C.J. Harris and M. Stephens, "A combined corner and edge detector", in Proceedings of the Alvey Vision Conference, 1988.
[14] S. Kim, K.J. Yoon, I.S. Kweon, "Object Recognition using Generalized Robust Invariant Feature and Gestalt Law of Proximity and Similarity", IEEE Workshop on Perceptual Organization in Computer Vision (in CVPR'06), 2006.
[15] 복윤수, 황영배, 권인소, "2차원 거리 센서와 CCD 카메라를 이용한 3차원 움직임 추정", 한국로봇공 학회 하계종합학술대회 논문집, 2006.
복 윤 수 2004 KAIST 전자전산학부
전기 및 전자공학전공 (학사)
2006 KAIST 전자전산학부 전기 및 전자공학전공 (석사)
2006~현재 KAIST 전자전산학부 전기 및 전자공학 전공 박사과정
관심분야: 움직임 추정, 센서 융합, 카메라 보정
황 영 배
2001 KAIST 전자전산학부 전기 및 전자공학전공 (학사)
2003 KAIST 전자전산학부 전기 및 전자공학전공 (석사)
2003~현재 KAIST 전자전산학부 전기 및 전자공학 전공 박사과정
관심분야: 노이즈 모델링, 영상분할, 움직임 추정 로봇공학회 (KRS) 학생회원
권 인 소
1981 서울대학교 기계설계학과 (학사)
1983 서울대학교 기계설계학과 (석사)
1990 Carnegie Mellon Univ.
Robotic Institute (박사) 1991~1992 일본 도시바 중앙연구소 연구원 1992~현재 KAIST 전자전산학부 교수
관심분야: 컴퓨터 비전, 3D 비전, 카메라 보정, 물체 인식, 물체 분류, SLAM
로봇공학회 (KRS) 정회원
