Extracting Road Points from LiDAR Data for Urban Area

大 韓 土 木 學 會 論 文 集 第28卷 第2D 號·2008年 3月 pp. 269~276

測量및地形空間情報工學

도심지역 LiDAR자료로부터 도로포인트 추출기법 연구

Extracting Road Points from LiDAR Data for Urban Area

장영운*·최연웅**·조기성***

Jang, Young Woon·Choi, Yun Woong·Cho, Gi Sung

···

Abstract

Recently, constructing the database of road network is a main key in various social operation as like the transportation, man- agement, security, disaster assesment, and the city plan in our life. However it need high expenses for constructing the data, and relies on many people for finishing the tasks. This study proposed the classification method for discriminating between the road and building points using the entropy theory, then detects the classes as a expecting road from the classified point group using the standard reflectance intensity of road and the characteristics restricted by raw. Hence the main object of this study is to develop a method which can detect the road in urban area using only the LiDAR data.

Keywords :LiDAR data, entropy theory, data classification, road extraction

···

요 지

오늘날 도로망에 대한 자료기반을 구축하고, 유지 관리하는 것은 교통, 도시계획 등과 같은 많은 사회 전반 업무에서 필 수적인 요소로 자리 잡고 있으며, 비상사태 대처나 재난 관리와 같은 많은 중요한 요소들이 그와 같은 자료에 바탕을 두고 있다. 그러나 도로망 자료를 구성하고 보완하는 일에는 높은 비용이 필요하며, 대부분의 시간을 많은 인력에 의존해야 하는 것이 현실이다. 본 연구에서는 LiDAR 원시자료로부터 도로관련 자료기반 구축을 위한 도로 포인트 추출을 위하여 정보량 추정의 척도로 사용되는 정보이론적 관점에서의 엔트로피 이론을 도입하여 LiDAR 자료의 표고정보에 대한 엔트로피를 계산 함으로써 포인트들을 분류하여 그룹화하고 분류된 그룹들의 반사강도를 이용하여 도로로 예상되는 그룹을 추출하였으며, 법 령에서 규정하고 있는 각종 도로 및 시설의 특징을 이용하여 도시지역 LiDAR 원시자료로부터 도로포인트를 자동적으로 추 출하기 위한 방법을 제시하였다.

핵심용어 : LiDAR자료, 엔트로피이론, 자료분류, 도로추출

···

1. 서 론

오늘날 사람이나 물건을 운송하기 위한 도로망에 대한 자 료기반을 구축하고, 유지 관리하는 것은 현재 생활에 보편화 되어 있는 교통, 도시계획 등과 같은 많은 사회 전반 업무 에서 필수적인 요소로 자리 잡고 있으며, 비상사태 대처나 재난 관리와 같은 많은 중요한 요소들이 그와 같은 자료에 바탕을 두고 있다(Xiong, 2001). 그러나, 도로망 자료를 구 성하고 보완하는 일에는 높은 비용이 필요하며, 대부분의 시 간을 많은 인력에 의존해야 하는 것이 현실이다.

많은 선행연구들에서 항공사진, 위성영상 등과 같은 원시 자료를 이용하여 지형 및 도로 정보를 획득하기 위한 방법 이 제시되었다. 그러나, 원시자료로써 영상을 이용하는 경우 는 객체 정보의 자료 획득에 소모되는 비용이나 시간이 적 게 소요된다는 장점이 있지만, 고정밀의 모델링을 위한 고해

상도 자료를 제공하기는 어렵다는 단점이 있다. 또한, 대부 분의 도로추출에 관한 선행연구들에서는 촬영각, 태양광, 표 면재료의 다양성, 건물 그림자에 의한 폐색지역 등의 이유로 도시지역보다는 상대적으로 제약조건이 적은 시골지역을 대 상으로 수행되었다(Price, 1999; Hinz and Baumgartner, 2000).

이러한 관점에서 볼 때 LiDAR(Light Detection And

Ranging) 시스템은 넓은 지역에 대한 정밀한 자료의 수집에

매우 적합하며, 특히 많은 비용과 기간이 소요되는 기존의 측량방법을 대치할 수 있는 새로운 방법이라 할 수 있다.

LiDAR 시스템은 1990년대 중반부터 경제적이고 효과적인

공간정보 취득기법으로 주목 받아 왔으며 지형분석을 통한 도시계획, 건설, 해양 분야 등 다양하게 응용되고 있다.

Alharthy(2003)는 LiDAR 자료만을 이용하여 반사강도와 높

이 값을 가진 격자 구조로 변환하고 반사강도를 이용한 예

*전북대학교대학원토목공학과박사과정 (E-mail : [email protected])

**정회원·교신저자·전북대학교 공학연구원 공업기술연구센터 연구원 (E-mail : [email protected])

***정회원·전북대학교공과대학토목공학과교수·공학연구원공업기술연구센터연구원 (E-mail : [email protected])

상 도로지점 추출 및 표고 값을 이용한 건물 제거를 통하여 도로 추출을 시도하였다. 그러나, 도로상에서 일반적인 도로 포장물질과는 다른 물체들로 인하여 연속적이지 못하고 불 완전한 도로 추출에 그치고 있다.

본 연구에서는 LiDAR 원시자료로부터 도로관련 자료기반 구축을 위한 도로 포인트 추출을 위하여 정보량 추정의 척 도로 사용되는 엔트로피 이론을 도입하여 LiDAR 자료의 표 고정보에 대한 엔트로피를 계산함으로써 포인트들을 분류하 여 그룹화하고 분류된 그룹들의 반사강도를 이용하여 도로 로 예상되는 그룹을 추출하였으며, 법령에서 규정하고 있는 각종 도로 및 시설의 특징을 이용하여 도시지역 LiDAR 원 시자료로부터 도로포인트를 자동적으로 추출하기 위한 방법 을 제시하였으며 전체적인 흐름도는 그림 1과 같다.

2. 엔트로피이론을 이용한 LiDAR 포인트분류

2.1 LiDAR 포인트에대한엔트로피계산

정보이론적 관점에서의 엔트로피는 Shannon에 의하여 정 의되었으며(Shannon, 1948), Pun(1980)와 Kapur et al.

(1985)는 Shannon의 엔트로피 이론을 식 (1)과 같은 방법으

로 영상에서의 엔트로피를 정의하는데 사용하였다.

(1)

여기서, pi는 영상에서 나타나는 명암도 i에 대한 확률이고, L은 최고 명암도, ni는 i의 명암도를 갖는 셀의 개수, M×N 은 영상의 크기이다.

본 연구에서는 백터형식의 LiDAR 원시자료에 엔트로피를 이용한 경계검출 알고리즘을 적용하기 위하여 식 (1)을 이용 했다. 그러나 그리드 형식의 이미지와는 달리 LiDAR 포인 트들의 분포는 일정치 않으므로 식 (1)에서 확률값 pi의 계 산을 위하여 임의의 LiDAR 포인트에 대하여 일정 반경의 버퍼를 수행하고 버퍼영역 내의 인접 포인트를 검색함으로

써 확률값을 구하고 엔트로피를 계산하는 알고리즘을 제시 하였다.

그림 2와 같이 버퍼의 크기를 가변적으로 설정하여 영역 내에 일정 갯수의 인접 포인트가 검색될 때까지 버퍼의 크 기를 확장하였으며, 이미 포인트가 검색된 영역에서는 더 이 상의 포인트를 검색하지 않도록 하였으며, 입력 포인트를 중 심으로 8방향의 영역 구분하고 각 영역에서 최소 1개 포인 트를 검색하도록 하였다.

2.2 LiDAR 포인트 그룹화

엔트로피에 의하여 추출된 경계 포인트들은 그 자신이 경 계를 나타내는 포인트라는 정보를 갖고 있으나, 높은쪽 및 낮은쪽 경계를 모두 포함하게 된다.

따라서 본 연구에서는 표고값을 이용하여 경계포인트를 추 출하고, 그림 3과 같은 방법으로 유사한 표고값을 갖는 포 인트들을 그룹화하여 높은쪽과 낮은쪽을 분류하였다.

그러나, 단순히 표고값만을 근거로 포인트를 분류하는 경 우 서로 멀리 떨어져 있는 포인트들도 같은 그룹으로 분류 될 수 있기 때문에 본 연구에서는 포인트들간의 인접성을 추가로 고려하였다.

E p_i

i 0= L 1–

∑

–

=

p_i n_i M N× ---

=

그림 1. 연구흐름도

그림 2. 엔트로피계산을위한포인트검색

그림 3. 포인트분류과정

2.3 오차 그룹제거

도로상에는 여러 물체들이 존재한다. 특히 차량은 도로상 에 존재하지만 도로와는 다른 표고값을 갖기 때문에 본 연 구에서 제시하고 있는 알고리즘에서는 서로 다른 그룹으로 분류하게 되어 결과적으로 연속적인 도로형태를 추출할 수 없게 된다. 또한, 가로수는 도로 양쪽에 존재하여 도로의 형 태를 왜곡시키게 된다. 따라서 이러한 도로추출에 방해가 되 는 오차 요인들을 제거하기 위한 과정이 필요하다.

본 연구에서 분류된 포인트 그룹의 포인트 분포형태를 통 하여 대상체의 모양 및 크기를 간접적으로 추정할 수 있다.

따라서, 특정 포인트 그룹을 구성하는 각 포인트들에 대하여 일정크기의 오차를 고려한 도로 폭에 해당하는 크기의 버퍼 를 설정하여 버퍼영역내에 다른 그룹의 포인트가 포함되는 지를 파악하고 해당 그룹의 포인트들만을 포함하고 있는 버 퍼영역이 하나도 발견되지 않으면 오차 그룹으로 간주하도 록 하였다.

그림 4와 같이 a그룹의 각 포인트에 대한 버퍼링을 수행 하는 경우 모든 버퍼영역내에 1개 이상의 다른 그룹의 포인 트를 포함하고 있다. 따라서, a그룹은 오차 그룹으로 분류하 게 된다. 반면, b그룹의 경우 4번과 6번 버퍼영역에서 다른 그룹의 포인트를 포함하고 있으나 5번 버퍼와 같이 b그룹 포인트만을 포함하고 있는 버퍼영역이 하나이상 존재하기 때 문에 b그룹은 도로보다 큰 객체, 즉 도로위에 존재하는 객 체가 아닌 것으로 판단하여 오차로 분류되지 않는다.

2.4 도로 포인트추출

본 연구에서는 도로를 추출하기 위하여 도로의 반사강도를 이용하였다. LIDAR 시스템에서 표고정보와 함께 취득되는 레이저의 반사강도는 대상체에 반사되어 스캐너에 도달한 레 이저 강도와 송신된 레이저 강도의 비율로써 주로 대상체의 반사도에 의해 결정되기 때문에 대상체의 종류를 규명하기 위한 중요한 정보로 이용할 수 있다(Jensen, 1989). LiDAR 센서는 약 1±0.1µm의 전후의 파장을 이용하여 대상체의 반 사강도를 기록하게 되며, 일반적으로 아스팔트 도로는 약

17%의 반사강도를 나타낸다. 그러나, 실제 대상물의 물질적 인 구성은 일반적인 반사강도보다 복잡하고, 노면 상태에 따라 다양한 물질이 존재하여 반사강도의 차이가 있으며 측 정상의 여러 가지오차 요인으로 인해 반사강도 값은 달라질 수 있다.

따라서 본 연구에서는 해당지역 도로상의 반사강도를 파악 하기 위하여 표본집단의 반사강도를 파악하는 방법을 수행 하였다. 먼저 명백하게 도로를 나타내고 있는 포인트들을 표 본집단으로 선정하고 표본집단의 반사강도에 대한 평균 및 표준편차를 이용하여 모든 포인트 그룹 중 반사강도 평균이 표본집단의 ±2σ 이내에 드는 그룹만을 검출하였다.

또한 건물의 지붕에서 도로 포장 재료와 비슷한 반사강도 를 갖는 경우가 발생할 수 있기 때문에 반사강도만으로는 건물과 도로가 혼재되어 발견될 수 있으므로 도로의 구조적 인 특징을 이용하였다.

일반적으로 3차원 상에서 건물이나 다른 구조물들에 비하 여 도시지역에 존재하는 도로의 표고분포는 건물 등의 인공 구조물들에 대한 표고분포에 비하여 상대적으로 매우 낮고 급격하게 변화하지 않는 특징이 있다.

이러한 점을 감안하여 최저 평균표고를 갖는 그룹을 최적 도로 포인트 그룹으로 추출하였으며, 도로면 보다 낮은 표고 분포를 갖는 지하주차장 등에 의한 오류를 피하기 위하여 법에서 규정하고 있는 지하주차장의 특징을 이용하여 크기 를 제한하였다.

지하주차장 출입구의 구조적인 특징에 관하여 주차장법 시 행규칙(건설교통부령 411호 2004.11. 29)에서는 주차장 출입 구의 경사를 직선부에서 17%, 곡선부에서 14%를 넘지 않 도록 규정하고 있으며 차로 폭에 관하여 표 1과 같이 규정

그림 4. 오차그룹분류예시

표 1. 지하주차장차로넓이기준

주차형식 차로의 넓이(m)

출입구 2개 이상 출입구 1개

평행주차 3.3 5.0

직각주차 6.0 6.0

60^o대향주차 4.5 5.5

45^o대향주차 3.5 5.0

교차주차 3.5 5.0

그림 5. 최적도로포인트그룹추출기법

하고 있다.

그림 5는 최적 도로 포인트를 추출하는 방법을 나타낸 것 이다. 선택된 최적 도로 포인트 그룹을 기준으로 주변 포인 트 그룹의 평균 반사강도를 검색하여 최적 포인트 그룹과의 반사강도와의 차이가 표준편차보다 작은 포인트 그룹들을 도 로 포인트 그룹으로 선정하는 과정을 수행함으로써 최종 도 로 포인트 그룹들을 선정하였다.

그림 6은 도로 포인트 그룹으로 예상되는 포인트 그룹들 을 추출하는 과정을 설명하고 있다. 예상 도로 포인트들은 도로 규정에 속하지 않는 작은 도로들 까지도 모두 포함하 고 있기 때문에 규정상의 도로만을 추출해야 할 필요가 있 었다.

기본적으로 도로의 구조 및 시설에 관한 규칙(건설교통부 령 345호 2002.12.31)에서 경사도, 도로폭 등의 도로의 형 식은 표 2 및 표 3과 같이 규정하고 있다. 예를 들어 도 로는 표 2에 의하여 경우에 따라 산지 등에서 최대 16%의 일정한 경사를 갖도록 설계되며, 도시지역의 2차선으로 이 루어진 국지도로의 경우는 표 3에 의하여 차로 폭 3.0m×2, 길 어깨 1.0m, 측대 0.25m를 포함하여 최소 7 m이상의 폭을 갖는다.

따라서, 법에서 규정하고 있는 도로폭과 반사강도를 이용 하여 최종적으로 LiDAR 자료로부터 도로포인트들을 추출하 였다.

이러한 알고리즘을 통하여 각각의 개별적인 LiDAR 포인 트에 대한 반사강도를 이용하는 선행연구들과는 달리 본 연 구에서는 표고값을 기준으로 그룹으로 분류하고 분류된 포 인트 그룹의 평균 반사강도를 이용하여 선행연구들에서 횡 단보도 등과 같이 도로상에 존재하지만 도로와는 다른 반사 특성을 갖는 대상으로 인해 연속적이지 못한 도로를 추출하 게 되는 문제점을 해결하였다.

3. 적용및 고찰

3.1 연구대상지역및자료구축

연구대상지역은 경상남도 마산시 일부 지역으로 그림7은

LIDAR 자료와 함께 취득된 대상지역 항공영상이다. 연구대

상지역에는 도로와 유사한 색상의 지붕으로 구성된 다양한 형태의 건물들이 포함되어있으며 이 건물들은 단순히 도로 의 레이저 반사강도에 의하여 도로를 분류하는 경우 도로로 잘못 분류될 가능성이 있다. 또한, 도로와는 상이한 레이저 반사강도를 나타내지만 도로와 유사한 표고값을 갖는 학교

표 2. 최대종단경사 (단위 %)

설계속도(km/h) 120 110 100 90 80 70 60 50 40 30 20

고속도로 평지 3 3 3 4 4

산지 4 5 5 5 6

간선도로 평지 3 4 4 5 5 5 6

산지 6 6 7 7 8 8 9

집산도로 평지 6 7 7 7 7 7

산지 9 10 10 10 11 12

국지 도로 평지 7 7 7 8 8

산지 13 14 15 16 16

표 3. 도로의표준폭 도 로 구 분해당도로 설계속도

(km/h) 차 로 폭

(m) 중앙분리대 (m)

길어깨(m) 측대

우측 좌측 (m) 지방지역

주 간선도로고속도로 보조간선도로

국지 도로집산도로

고속도로국도 국도,지방도 지방도,군도

군도

100~120 60~80 50~70 50~60 40~50

3.5~3.6 3.25~3.5 3.0~3.25

3.0 3.0

3.0 1.5~2.0

3.0 2.0 1.5 1.25 1.0

1.0 0.75 0.5 0.5 0.5

0.5 0.5 0.5 0.25 0.25

도시지역

도시고속도로 주 간선도로 보조간선도로

집산도로국지도로

80~100 80 60 50 40

3.5 3.25~3.5 3.0~3.25

3.0 3.0

2.0 1.0~2.0

2.0 1.5 1.0 0.5 0.5

1.0 0.75 0.5 0.5 0.5

0.5 0.5 0.25 0.25 0.25 그림 6. 예상도로포인트그룹추출과정

운동장을 포함하고 있으며, 도로상에 존재하면서 도로와는 상이한 레이저 반사강도를 나타냄으로써 도로추출에 장애요 소로 작용할 수 있는 횡단보도와 같은 도로상의 노면표시 및 도로상에 운행중인 차량들이 다수 포함되어있다.

3.2 LiDAR 자료분류및오차포인트제거

그림 8은 대상지역 LiDAR 자료의 표고값에 대한 엔트로 피를 계산한 결과이며, 그림 9는 계산된 엔트로피 값을 0과 1사이 값으로 정규화한 다음 중간값인 0.5를 경계값으로하여 이진화한 결과이다. 또한, 그림 10 및 그림 11은 알고리즘 에 의하여 LiDAR 자료를 표고값 및 각 포인트들간의 인접

성을 기준으로 그룹화하여 분류한 결과로써 각각 엔트로피 에 의하여 추출된 경계포인트를 분류한 결과 및 식별자가 할당된 경계 포인트들을 기준으로 전체 포인트를 분류한 결 과이다. 이때 도로 기준 특성상 최대의 경사도를 감안하여 유사포인트 검색을 위한 임계값을 버퍼 반경의 16%로 적용 하여 구분하였다.

또한, 도로상에 존재하는 오차 그룹들을 제거하기 위하여 표 2를 기준으로 도로의 폭을 3m로 보고 각 포인트에 대하 여 반경 1.5m 크기의 버퍼를 적용여 그림 12와 같은 결과 를 얻을 수 있었다.

그림 7. 연구대상지역

그림 8. 엔트로피계산결과

그림 9. 엔트로피이진화결과

그림 10. 경계포인트분류결과

그림 11. 오차포인트추출결과

그림 12. 오차포인트추출결과

그림 13. 오차포인트추출결과비교

그림 14. 오차포인트(가로수) 추출결과

대상지역의 항공사진과 비교해본 결과 그림 13에서 보는 것처럼 차량의 경우는 도로 폭인 3m 보다 작으므로 각 포 인트의 버퍼 내부에 다른 클래스의 포인트들이 포함되어 오 차 그룹으로 분류되었으며 건물의 경우는 3m 안에 자신의 클래스들만이 속하는 버퍼가 존재하므로 오차 그룹으로 분 류되지 않았고, 그림 14에서와 같이 도로변 가로수 및 건물 의 벽면 포인트들도 오차 포인트로 검출 된 것을 알 수 있 었다.

3.3 도로의 LiDAR 반사강도파악

대상지역 LiDAR 반사강도는 99% 이상의 대부분이 100 이하로 나타났으며, 100 이상의 높은 반사강도는 차량 혹은 건물 등의 유리분에서 나타나는 것으로 파악되었다.

일반적으로 아스팔트 도로의 반사강도는 약 17%를 나타내 지만 도로의 여건상 좀 더 다양한 분포를 갖게 된다. 따라 서, 대상지역의 반사강도를 먼저 분석할 필요에 따라 명백하 게 도로로 파악되는 지역의 총 215개 표본집단을 선택하고 이들 포인트들에 대한 반사강도는 평균 14.48, 표준편차는

±4.21로 파악되었다.

3.4 예상도로 포인트그룹선택

먼저 도로포이트로 예상되는 최적의 도로 포인트 그룹을 선택하기 위하여 분류된 포인트 그룹 중 평균 반사강도값이 표본집단의 ±2σ 이내를 만족하면서, 지하주차장 출입구와 같 이 도로면보다 낮은 표고값을 갖는 그룹을 제외한 가장 낮 은 그룹을 검색하였다. 지하주차장 출입구는 주차장법 시행 규칙에 따라 최대 구배 17%, 길이 10m, 폭 6m을 기준으 로 약 100m²으로 제한하였으며, 연구에서 사용된 LiDAR 자료의 점밀도가 3points/임을 감안하여 300개 이상의 포인 트를 갖는 클래스만을 검출하여 그림 15와 같은 결과를 얻 었다.

최초 검출된 최적 도로 포인트 그룹을 기준으로 도로 포 인트로 예상되는 주변 도로포인트 그룹을 찾기 위하여 포인 트 그룹간 평균경사가 8% 이내(평지에서의 국지도로에 대한 최대 종단구배 기준)이면서, 평균반사강도가 표본집단의 ±σ 이내인 그룹을 선택하여 도로로 예상되는 포인트 그룹들을 추출하는 과정을 그림 16과 같이 반복하여 확장함으로써 최 종적으로 그림 17과 같은 예상 도로 포인트 그룹을 추출하 였다.

3.5 최종도로 포인트선택

예상 도로 포인트들은 도로 규정에 속하지 않는 작은 도

로를 포함하고 있기 때문에 규정상의 도로만을 추출해야 할 필요가 있었다. 따라서, 표 3으로부터 1차선 도로폭의 기준 을 최소 3m로 하고, 오차율을 포함, 2차로 도로를 기준으로 7m를 넘는 지역만을 찾는 알고리즘을 구성하였다.

추출된 예상 도로 포인트 그룹을 구성하고 있는 임의의 포인트에서 버퍼의 크기를 증가시키면서 버퍼링을 수행하였 으며, 버퍼지역내에 도로가 아닌 다른 포인트가 포함되기 직 전까지의 최대의 버퍼크기를 구하여 그림 18과 같은 결과 값을 얻었다. 이 값들 중에서 직경이 7m 이상인 버퍼를 찾

그림 15. 최적도로포인트그룹선정결과

그림 16. 도로포인트그룹검출과정

그림 17. 도로포인트그룹검출결과

그림 18. 도로포인트에버퍼반경계산결과

아 그 내부에 속하는 포인트만을 유효 도로 포인트로 인정 하였으며, 최종적으로 그림 19와 같은 도로 포인트를 추출할 수 있었다.

3.6 도로 포인트추출정확도평가

도로포인트의 추출 정확도를 분석하기 위하여 표 4와 같 은 cross-matrix(Sithole and Vosselman, 2003)를 적용하였 다. 결과 비교를 위한 기준자료는 축척 1:1,000 수치지도와 대상지역 Digital photo를 이용하여 수작업으로 도로 포인트 를 추출하여 제작하였으며 표 5는 본 연구에서 제시된 알고 리즘에 의해 수행된 도로추출결과의 정확도 비교 결과이다.

여기서 a는 도로로 잘 분류된 것, b는 도로이지만 비도로 로 잘못 분류된 것, c는 비도로이지만 도로로 잘못 분류된 것, 마지막으로 d는 비도로로 잘 분류된 것이다.

표 5는 본 연구에서 제시된 알고리즘에 의해 수행된 도로 추출결과의 정확도 비교결과이다. 그런데, 본 연구는 도심지 역을 대상지역으로 하고 있으며, 도심지의 경우 주차장 지역 과 같이 도로와 유사한 높이값 및 반사강도를 갖는 지역을 다수 포함하고 있다. 이런 특수한 경우를 제외 한다면 표 6

과 같은 cross-matrix와 그림 20과 같은 결과를 얻을 수 있 었다.

4. 결 론

본 연구는 도시지역 LiDAR 원시자료로부터 도로포인트를 추출하기 위한 연구로써 다음과 같은 결론을 얻었다.

1. LiDAR 자료의 반사강도와 3차원 정보에 대한 엔트로

피 및 법령에서 규정하고 있는 각종 도로 및 시설의 특징을 이용하여 도심지역의 도로 포인트를 추출하는 알고리즘을 제 시하였다.

2. LiDAR 자료의 표고값을 기준으로 포인트를 그룹화하고

분류된 포인트 그룹의 평균 반사강도를 이용하는 기법을 제 시함으로써, 도로의 노면상태에 관계없이 도로 포인트를 추 출하였으며, 버퍼링을 통한 오차포인트 검출 기법을 제시함 으로써 도로상의 차량 등에 의한 오류발생요소를 제거할 수 있었다.

3. 도로로 추출된 포인트들과 수치지도를 중첩하여 결과를 비교하였으며 주차장 지역을 제외하는 경우 total error가

0.83%으로 매우 좋은 결과를 나타내었다.

추가적으로 본 연구에서 제시하고 있는 알고리즘은 많은 연산과정을 포함하고 있어 수행시간이 다소 오래 걸리며, 도 로와 유사한 표고 및 반사강도 특성을 갖는 주차장 지역을 도로로 잘못 분류하는 문제점을 보이고 있다. 그러나, 알고 리즘 수행시간은 병렬처리 기법 등을 통하여 개선이 가능할 것으로 보이며, 오분류되는 주차장 지역은 도로의 구조적 특 징 및 도로의 연계성부분을 고려함으로써 정확한 분류가 가 능할 것으로 판단된다. 또한 본 연구에서 고려되지 않은 콘 크리트 도로 등의 일반적인 아스팔트 도로와 반사강도의 차 이가 있는 지역은 대상지역의 반사강도 표본을 추출하는 방 법을 통하여 도로지역으로 분류가 가능할 것으로 판단된다.

참고문헌

한수회, 김용일, 유기윤(2003) LiDAR 반사강도와 DSM을 이용 한 토지피복 분류에 관한 연구, 대한토목학회논문집, 대한토 목학회, 제23권, 제1D호, pp. 107-114.

Alharthy A. (2003) James Bethel, Automated road extraction from LiDAR data, ASPRS Annual Conference, unpaginated CD- ROM.

Hinz, S., Baumgartner, A. (2000) Road extraction in urban areas supported by context objects. International Archives of Photo-

그림 19. 도로포인트추출결과

표 4. Cross-Matrix

참조 결과 도로 비도로 합계 오차(%) 에러형태

도로 a b a+b typeⅠ

비도로 c d c+d typeⅡ

합계 a+c b+d a+b+c+d total error

표 5. 정확도비교결과(주차장을비도로로지정) 참조 결과 도로 비도로 합계 오차

(%) 에러

형태

도로 45,581 250 45,831 0.55 type

비도로 18,220 112,799 131,019 13.91 type

합계 63,801 113,049 176,850 10.44 total error

표 6. 정확도비교졀과(주차장을도로로지정) 참조 결과 도로 비도로 합계 오차

(%) 에러

형태

도로 45,581 250 45,831 0.55 type

비도로 1,224 129,795 131,019 0.93 type

합계 46,805 130,045 176,850 0.83 total error b

a b+ ---

c c d+ ---

b c+ a b c D+ + + ---

그림 20. 추출된도로포인트의오차지역

grammetry and Remote Sensing, Vol. 33, part B3.

Kapur, J. N., Sahoo, P. K., and Wong, A. K. C. (1985) A new method for gray level picture thresholding using the entropy of the histogram, Computer Graphics, Vision and Image Process- ing, Vol. 29, pp. 273-285.

Price, K. (1999) Road grid extraction and verification. Interna- tional Archives of Photogrammetry and Remote Sensing, Vol.

32, part 3-2W5, pp. 101-106.

Pun, T. (1980) A new method for gray-level picture thresholding using the entropy of the histogram, Signal Processing, Vol. 2, pp. 223-237.

Shannon, C. E. (1948) A mathematical theory of communication, The Bell System Technical Journal, Vol. 27, pp. 379-423.

Sithole G., Vosselman G., (2003), Report: ISPRS Comparison of fil- ters, http:// www.itc.nl/isprswgIII-3/filtertest/index.html Xiong, D. (2001) Automate road network extraction for high reso-

lution images, Technical notes, National consortion for safety.

Yong Hu. C. (2003) Vincent Tao, Automatic extraction of digital terrain model and road networks using multiple returns LiDAR data, ASPRS Annual Conference Proceedings, unpaginated CD-ROM.

(접수일: 2006.7.7/심사일: 2006.9.20/심사완료일: 2007.11.26)