In recent year, much progress has been made in outdoor 3D mapping and recognition. However, 3D mapping and recognition in real time are still a daunting challenge in urban environment. This thesis addresses the problem of 3D mapping and recognition from 3D laser scans in urban environments in real time. The proposed algorithm is decomposed into 4 steps : converting 3D point clouds into voxels, creating geometrical featured voxels using geometricl properties, clustering geometrical featured voxels, and classifying clusters of gemetrical featured voxels. Specifically this thesis presents two contributions. First, the geometrical featured voxel is proposed. This proposed voxel model is a voxel having not only 3D coordinates but also geometrical properties. The proposed voxel model can efficiently represent 3D urban structures without loss of geometrical properties. Second, the structural feature, a combination of geometrical featured voxels, is proposed. This proposed algorithm is 10 to 40 times faster than the algorithm using 3D point clouds. For evaluation of the proposed algorithm, two different datasets are used. One is Oakland dataset containing ground truth data, and the other is KAIST dataset acquired from SICK LMS-200 using NewXe(Electric car).
최근에 외부 환경의 3차원 매핑과 인식에 대한 연구가 많은 진행이 되고 있다. 그러나 실시간으로 도시 환경에서의 3차원 매핑과 인식은 아직 치열하게 연구되고 있는 분야이다. 본 논문에서는 3차원으로 얻어진 도시 환경에서의 레이저 데이터를 이용하여 3차원 매핑과 인식의 문제를 다룬다. 본 논문에서 제안하는 알고리즘은 4가지 단계로 구성되어 있다. 3차원 포인트 클라우드를 복셀로 바꾸는 단계, 지형 정보를 이용하여 지형 정보를 포함한 복셀로 변경하는 단계, 지형 정보를 포함한 복셀을 클러스터링 하는 단계, 지형 정보를 포함한 복셀의 클러스터를 분류하는 단계. 이 과정에서 본 논문은 크게 2가지를 제안하였다. 첫째로, 지형 정보를 포함한 복셀이다. 이 복셀 모델은 3차원 도시 환경 구조물을 지형 정보의 손실 없이 효율적으로 표현할 수 있다. 둘째로, 지형 정보를 포함한 복셀의 조합으로 특징점을 만든 구조적 특정점이다. 본 논문에서 제안하는 알고리즘은 기존의 3차원 포인트 클라우드를 사용할 때 보다 10~40배 정도 빠른 성능을 보였다. 또한 알고리즘을 평가하기 위해 Oakland 데이터세트와 자체적으로 획득한 KAIST 데이터세트 2가지를 이용하여 실험하였고, 비교 논문과 비교를 통해 성능을 검증하였다.
