포인트 클라우드 데이터 기반 군집형 솔리드 건물 모델 자동 생성 기법 = Automatic Generation of Clustered Solid Building Models Based on Point Cloud

국문 초록 (Abstract)

최근 스마트 시티, 디지털 트윈 등에 실제 3차원 좌표를 취득할 수 있는 이점에 따라 포인트 클라우드를 이용한 모델 생성에 관한 연구가 늘어나고 있으며, 건물 형상 및 텍스처의 수정이 용이한 솔리드 모델에 대한 요구가 늘어나고 있다. 이에 따라 본 논문에서는 포인트 클라우드 데이터를 기반으로 군집형 솔리드 건물 모델을 생성하는 방법을 제안한다. 제안하는 방법은 총 다섯단계로 구성된다. 첫 단계에서는 포인트 클라우드의 평면성 분석을 통해 지면을 제거하였다. 두 번째 단계에서는 지면이 제거된 포인트 클라우드에서 건물 영역을 추출 하였다. 세 번째 단계에서는 건물의 세부 구조물 영역을 추출하였다. 네 번째 단계에서는 추출된 영역에 3차원 좌표정보가 부여된 3차원 건물 모델의 형상을 생성하였다. 마지막 단계에서는 건물 모델 형상에 텍스처를 부여하여 3차원 건물 솔리드 모델을 생성하였다. 제안하는 방법의 검증을 위하여 상용 소프트웨어를 이용해 무인항공기 영상으로부터 포인트 클라우드를 추출하여 실험하였다. 그 결과, 포인트 클라우드 내에 존재하는 일정 높이 이상의 모든 건물에 대하여 포인트 클라우드 대비 위치오차 1 m 내외의 3차원 건물 형상을 생성하고, 원본영상 해상도 대비 2배 이내의 해상도를 갖는 텍스처링이 수행된 3차원 모델이 생성되는 것을 확인하였다.

다국어 초록 (Multilingual Abstract)

In recent years, in the fields of smart cities and digital twins, research on model generation is increasing due to the advantage of acquiring actual 3D coordinates by using point clouds. In addition, there is an increasing demand for a solid model that can easily modify the shape and texture of the building. In this paper, we propose a method to create a clustered solid building model based on point cloud data. The proposed method consists of five steps. Accordingly, in this paper, we propose a method to create a clustered solid building model based on point cloud data. The proposed method consists of five steps. In the first step, the ground points were removed through the planarity analysis of the point cloud. In the second step, building area was extracted from the ground removed point cloud. In the third step, detailed structural area of the buildings was extracted. In the fourth step, the shape of 3D building models with 3D coordinate information added to the extracted area was created. In the last step, a 3D building solid model was created by giving texture to the building model shape. In order to verify the proposed method, we experimented using point clouds extracted from unmanned aerial vehicle images using commercial software. As a result, 3D building shapes with a position error of about 1m compared to the point cloud was created for all buildings with a certain height or higher. In addition, it was confirmed that 3D models on which texturing was performed having a resolution of less than twice the resolution of the original image was generated.

참고문헌 (Reference)

1 윤완상, "스테레오 영상 간 관측 벡터에 기반한 다중 포인트 클라우드 통합" 대한원격탐사학회 35 (35): 727-736, 2019

2 김한결, "무인항공기에서 생성된 포인트 클라우드의 평면성 분석을 통한 자동 건물 모델 생성 기법" 대한원격탐사학회 35 (35): 973-985, 2019

3 Fischler, M. A., "Random sample consensus : A paradigm for model fitting with applications to image analysis and automated cartography" 4 : 381-395, 1981

4 Nan, L, "Polygonal Surface Reconstruction From Point Clouds" 2353-2361, 2017

5 Sun, Y., "PointGrow: Autoregressively Learned Point Cloud Generation with Self-Attention" 61-70, 2020

6 Bulatov, D., "Contextbased automatic reconstruction and texturing of 3D urban terrain for quick-response tasks" 93 : 157-170, 2014

7 Ham, S., "A Study for Providing 3D Building Information based on National Spatial Information" 39 : 136-, 2019

8 Wu, B., "A Graph-Based Approach for 3D Building Model Reconstruction from Airborne LiDAR Point Clouds" 9 (9): 1-17, 2017

9 오재홍, "3차원 도시모델 의한 도로 기본지리정보 갱신방안에 관한 연구" 한국측량학회 25 (25): 347-354, 2007