| 1 |
1
적어도 하나의 3D 라이다 센서를 포함하여 구성되며, 상기 3D 라이다 센서를 통해서 스캔되는 영역에 대한 적어도 하나의 3D 포인트 클라우드(point cloud)를 획득하는 라이다 획득부(100);상기 라이다 획득부(100)로부터 전달받은 상기 3D 포인트 클라우드를 이용하여, 적어도 하나의 객체 후보군으로 군집화를 수행하는 군집화부(200);상기 군집화부(200)에 의해 상기 군집화한 객체 후보군의 3D 포인트 클라우드를 이용하여, 탑뷰 이미지(top-view image)를 생성하고 상기 생성한 탑뷰 이미지에 대한 기설정된 항목의 특징을 추출하는 특징 추출부(300); 및기저장된 객체 검출 알고리즘에 상기 특징 추출부(300)로부터 추출한 군집화한 각 객체 후보군에 대한 특징들을 적용하여, 비정형 객체를 검출하는 검출부(400);를 포함하여 구성되는 것을 특징으로 하는 3D 라이다를 이용한 비정형 객체 검출 시스템
|
| 2 |
2
제 1항에 있어서,상기 군집화부(200)는상기 라이다 획득부(100)로부터 전달받은 각 라이다 채널 별 적어도 하나의 3D 포인트 클라우드를 이용하여, 각 3D 포인트 클라우드 별 위치 좌표를 기반으로 대표 포인트를 설정하는 대표점 추출부(210); 및기저장된 3D 군집화 알고리즘를 이용하여, 상기 대표점 추출부(210)에서 설정한 대표 포인트에 대한 군집화를 수행하여, 적어도 하나의 객체 후보군 데이터를 분리하는 객체 분리부(220);를 더 포함하여 구성되는 것을 특징으로 하는 3D 라이다를 이용한 비정형 객체 검출 시스템
|
| 3 |
3
제 1항에 있어서,상기 특징 추출부(300)는상기 군집화부(200)에 의해 상기 객체 후보군의 3D 포인트 클라우드를 기반으로 생성한 상기 탑뷰 이미지를 토대로, 상기 객체 후보군으로 군집화된 3D 포인트 클라우드의 최대 높이 값, 평균 높이 값, 최대 반사도 값, 평균 반사도 값, 군집화된 포인트의 개수 값, 밀도 값 및 분포 값 중 적어도 하나 이상의 특징을 추출하는 것을 특징으로 하는 3D 라이다를 이용한 비정형 객체 검출 시스템
|
| 4 |
4
제 1항에 있어서,상기 검출부(400)는상기 객체 검출 알고리즘에 상기 특징 추출부(300)로부터 추출한 각 객체 후보군에 대한 특징들을 적용한 결과 값을 이용하여, 추정된 객체인 상기 객체 후보군 중 비정형 객체를 검출하는 것을 특징으로 하는 3D 라이다를 이용한 비정형 객체 검출 시스템
|
| 5 |
5
라이다 획득부에서, 적어도 하나의 3D 라이다 센서를 이용하여 스캔되는 영역에 대한 적어도 하나의 3D 포인트 클라우드를 획득하는 데이터 획득단계(S100);군집화부에서, 상기 데이터 획득단계(S100)에 의해 획득한 상기 3D 포인트 클라우드를 분석하여, 적어도 하나의 객체 후보군으로 군집화를 수행하는 군집화 단계(S200);특징 추출부에서, 상기 군집화 단계(S200)에 의해 군집화한 각 객체 후보군을 이루고 있는 3D 포인트 클라우드를 이용하여, 기설정된 항목의 특징 이미지를 추출하는 특징 추출단계(S300); 및검출부에서, 기저장된 객체 검출 알고리즘에 상기 특징 추출부(S300)에 의해 추출한 각 객체 후보군에 대한 특징들을 적용하여, 비정형 객체를 검출하는 비정형 객체 검출단계(S400);를 포함하여 구성되는 것을 특징으로 하는 3D 라이다를 이용한 비정형 객체 검출 방법
|
| 6 |
6
제 5항에 있어서,상기 군집화 단계(S200)는상기 데이터 획득단계(S100)에 의해 획득한 각 라이다 채널 별 적어도 하나의 3D 포인트 클라우드를 이용하여, 각 3D 포인트 클라우드 별 위치 좌표를 기반으로, 대표 포인트를 설정하는 대표점 추출단계(S210); 및기저장된 3D 군집화 알고리즘를 이용하여, 상기 대표점 추출단계(S210)에 의해 설정한 상기 대표 포인트에 대한 군집화를 수행하여, 적어도 하나의 객체 후보군 데이터를 분리하는 후보군 분리단계(S220);를 더 포함하여 구성되는 것을 특징으로 하는 3D 라이다를 이용한 비정형 객체 검출 방법
|
| 7 |
7
제 5항에 있어서,상기 특징 추출단계(S300)는상기 군집화 단계(S200)에 의해 군집화한 각 객체 후보군을 이루고 있는 3D 포인트 클라우드에 대한 탑뷰 이미지(top-view image)를 생성하는 이미지 생성단계(S310); 및상기 이미지 생성단계(S310)에 의해 생성한 상기 탑뷰 이미지를 토대로, 군집화된 객체 후보군의 3D 포인트 클라우드를 기반으로 생성한 상기 탑뷰 이미지를 토대로, 군집화된 3D 포인트 클라우드의 최대 높이 값, 평균 높이 값, 최대 반사도 값, 평균 반사도 값, 군집화된 포인트의 개수 값, 밀도 값 및 분포 값 중 적어도 하나 이상의 특징을 추출하는 세부 분석단계(S320);를 더 포함하는 것을 특징으로 하는 3D 라이다를 이용한 비정형 객체 검출 방법
|
| 8 |
8
제 5항에 있어서,상기 객체 검출단계(S400)는상기 객체 검출 알고리즘에서 입력되는 정형화된 객체 관련 정보들을 학습하는 학습 단계(S410); 및상기 학습 단계(S410)의 학습에 의한 학습 모델에, 상기 특징 추출단계(S300)에 추출한 각 객체 후보군 별 특징들을 적용하여, 추정된 객체인 상기 객체 후보군 중 비정형 객체를 검출하는 세부 검출단계(S420);를 더 포함하여 것을 특징으로 하는 3D 라이다를 이용한 비정형 객체 검출 방법
|
