Voxelization methods are extensively employed for efficiently processing large point clouds. However, it is possible to lose geometric information and extract inaccurate features through these voxelization methods. In this paper, we propose a novel, flexibly-shaped supervoxel algorithm, called boundary enhanced supervoxel segmentation, for sparse and complex outdoor light detection and ranging (LiDAR) data. The algorithm consists of two key components: (i) detecting boundaries by analysing consecutive points and (ii) clustering the points by first excluding the boundary points. The generated supervoxels include spatial and geometric properties and maintain the shape of the object`s boundary. The proposed algorithm is tested using sparse LiDAR data obtained from outdoor urban environments. Furthermore, we will investigate whether the proposed supervoxel method can improve the performance of traversability classification.
3차원 점군 데이터를 이용한 환경인식 문제는 많은 양의 데이터를 빠르게 처리하기 위하여 점군 데이터를 복셀(voxel)로 변환하여 인식하는 방법이 주로 이용되어왔다. 그러나 복셀의 모양이 일정한 크기의 큐빅 형태이기 때문에, 점군을 복셀로 변환하는 과정에서 복셀 영역 안에 포함된 점군의 기하학적 분포 정보를 잃어버릴 가능성이 생긴다. 본 논문에서는 이러한 문제를 해결하기 위하여 복셀의 모양을 일정한 큐빅 형태가 아니라 기하학적 특성을 가지는 형태로 구성하는 슈퍼복셀(supervoxel) 방법을 제안한다. 현재 슈퍼복셀에 대한 몇 가지 연구가 있으나, 실외 환경에서 획득한 라이다(LiDAR) 데이터의 슈퍼복셀에 대한 연구는 미비한 상태이다. Velodyne 라이다 데이터의 경우 다른 센서에 비해 밀도가 낮고, 또한 실외 환경의 물체는 실내보다 구조화 되어 있지 않으며 복잡하기 때문에 슈퍼복셀 생성은 어려운 문제이다. 본 논문에서는 이 문제를 해결하기 위하여 두 가지 중요 방법을 제안한다. (i) 물체의 경계선을 유지하며 기하학적 특성을 가지는 경계선 강화 슈퍼복셀 분할 (Boundary Enhanced Supervoxel Segmentation - BESS) 방법. (ii) 연이은 점군을 분석하여 물체의 경계선을 찾는 방법. 제안된 방법은 실험을 통하여 기존의 다른 방법과 비교 하였고 더 좋은 성능을 제공함을 확인 할 수 있었다. 또한 제안하는 슈퍼복셀이 기존의 복셀 기반 알고리즘의 성능을 향상시킬 수 있는지 알아보기 위하여 비 구조화된 지형에서 횡단가능 지면 추출에 대한 연구도 수행하였다. 비 구조화된 지형에서 횡단가능 영역을 추출하기 위하여 본 논문에서는 두 개의 센서를 융합하는 시스템을 이용하여 데이터를 획득하였으며, 히스토그램 형태의 새로운 속성을 제안하였다. 슈퍼복셀을 이용하여 횡단가능 영역 추출에 대한 성능을 향상 시킬 수 있다는 것을 실험으로 증명 하였다.
