http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 좌윤석 ( Yoon Seok Jwa ) (검색결과 3 건)
- 무료
- 기관 내 무료
- 유료
-
모바일 레이저 스캐닝 데이터로부터 철도 시설물 인식에 관한 연구
LUO CHAO,좌윤석(Yoon Seok Jwa),손건호(Gun Ho Sohn),원종운(Jong Un Won),이석(Suk Lee) 한국산업정보학회 2014 한국산업정보학회논문지 Vol.19 No.2
본 연구는 MLS 데이터로부터 자동으로 철도 시설물들을 인식하여 시설물 간의 기하학적인 공간정보를 추출하는데 기여 하고자 한다. 본 연구에서 제안된 방법은 9개 주요 철도 시설물(노반, 레일, 철로, 수목, 플렛폼, 방음벽, 철주, 절연체, 고압선)들의 분류를 목적으로 하고 있다. 이를 위해 제안된 방법은 크게 두 단계로 나뉘어 진행된다. 첫 번째 단계에서는 포인트, 라인, 체적과 수직 프로파일 레벨에서 데이터의 맥락 특징(contextual feature)들이 추출된다. 두 번째 단계에서는 CRF(Conditional Random Field)가 맥락 분류자(contextual classifier)로 사용되어 각 데이터 포인트에 객체 정보가 할당되고 철도 시설물들이 분류된다. 사용된 CRF 모델은 다른 맥락 분류자 와는 달리 로컬지역에서 데이터들의 분류정보가 일관성을 유지하게 하는 장점이 있다. 제안된 방법의 성능은 commission과 omission 오류분석을 통해 입증되었다. The objective of the research is to automatically recognize railway objects from MLS data in which 9 key objects including terrain, track, bed, vegetation, platform, barrier, posts, attachments, powerlines are targeted. The proposed method can be divided into two main sub-steps. First, multi-scale contextual features are extracted to take the advantage of characterizing objects of interest from different geometric levels such as point, line, volumetric and vertical profile. Second, by considering contextual interactions amongst object labels, a contextual classifier is utilized to make a prediction with local coherence. In here, the Conditional Random Field (CRF) is used to incorporate the object context. By maximizing the object label agreement in the local neighborhood, CRF model could compensate the local inconsistency prediction resulting from other local classifiers. The performance of proposed method was evaluated based on the analysis of commission and omission error and shows promising results for the practical use.
-
-
조우석 ( Woo Sug Cho ),이영진 ( Young Jin Lee ),좌윤석 ( Yoon Seok Jwa ) 大韓遠隔探査學會 2003 大韓遠隔探査學會誌 Vol.19 No.4
본 논문은 수동센서인 항공카메라와 능동센서인 레이저스캐너의 상호 보완적인 특징을 이용하여 지표면에 존재하는 다양한 지형지물 중 건물을 자동으로 추출하는 알고리즘에 대한 연구이다. 제안하는 건물추출 알고리즘은 처리 단계별로 사용되는 데이터의 형태에 따라 point level process, polygon level process, parameter space level process의 세 단계로 나눌 수 있다. 첫 번째 단계인 point level process에서는 LIDAR의 점 데이터에서 과대오차를 제거하고 건물후보점들을 추출하여 같은 특성을 갖는 점들을 모아 폴리곤을 제작한다. 두 번째 단계에서는 면적조건과 circularity를 이용하여 수목 폴리곤을 제거하고, 건물 폴리곤 사이의 포함관계를 정립한다. 마지막 단계에서는 이전 단계의 최종 건물 폴리곤을 공선조건식을 이용하여 항공사진 위에 투영하고 모폴로지 필터링을 통해 탐색영역을 제한한 후, Hough 변환의 파라미터 공간에서 다양한 가정과 제약조건을 이용하여 건물의 외곽선을 추출한다. 제안된 알고리즘에 의해 자동으로 추출된 건물 외곽선의 정확도를 검증하기 위하여 건물 모서리점의 3차원 좌표를 결정하였고, 이를 수치사진측량시스템에서 관측한 결과와 비교하였다. 실험결과 각 건물 모서리점의 평균제곱근오차는 X, Y, Z 각 방향으로 ±8.1cm, ±24.7cm, ±35.9cm로 나타났다. This paper presents an algorithm that automatically extracts buildings among many different features on the earth surface by fusing LIDAR data with panchromatic aerial images. The proposed algorithm consists of three stages such as point level process, polygon level process, parameter space level process. At the first stage, we eliminate gross errors and apply a local maxima filter to detect building candidate points from the raw laser scanning data. After then, a grouping procedure is performed for segmenting raw LIDAR data and the segmented LIDAR data is polygonized by the encasing polygon algorithm developed in the research. At the second stage, we eliminate non-building polygons using several constraints such as area and circularity. At the last stage, all the polygons generated at the second stage are projected onto the aerial stereo images through collinearity condition equations. Finally, we fuse the projected encasing polygons with edges detected by image processing for refining the building segments. The experimental results showed that the RMSEs of building comers in X, Y and Z were 8.1cm, 24.7cm, 35.9cm, respectively.
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
