CCTV 이미지와 지도 정합 자동화를 위한 특징점 성능 분석
- 발행기관 서강대학교 AI.SW대학원
- 지도교수 박운상
- 발행년도 2025
- 학위수여년월 2025. 8
- 학위명 석사
- 학과 및 전공 AI.SW대학원 데이터사이언스 · 인공지능
- 실제 URI http://www.dcollection.net/handler/sogang/000000081868
- UCI I804:11029-000000081868
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
도시 이면도로는 보도와 차도가 구분되지 않는 구조로 다양한 사회문제가 집중되는 공간이며, 설치된 CCTV를 통한 위치 추정 솔루션이 다수 연구되고 있다. 자세 정보에 의존하지 않는 연구도 존재하나 이미지-지도 기반 대응점을 CCTV 위상 변경 시마다 설정해야 하는 한계가 있다. 본 연구는 CCTV 위상 변경에 따른 정합 자동화에 기여하고자, 흐림, 조도 저하, 확대, 회전, 가림 등 다양한 영상 변형 유형에 따라 특징점 알고리즘의 성능을 정량적으로 비교·분석하였다. Inlier Ratio와 거리 오차를 함께 고려한 복합 정합 성능 평가체계를 도입하였으며, 이를 바탕으로 각 영상 조건에 따른 최적 알고리즘을 식별하고 조건부 적용 전략을 제시함으로써, 자세 정보 없이도 영상-지도 간 객체 위치를 정밀하게 연결할 수 있는 실용적 정합 기술의 가능성을 탐색하였다. 연구 데이터로 경기도 성남시의 이면도로 내 CCTV 영상을 43장 확보하였으며, CCTV 상태 변화를 기반으로 각 이미지에 회전·확대·마스킹·조도 변화·흐림 효과를 가지도록 가공하였다. SIFT, SURF, ORB, KAZE, AKAZE, BRISK의 6종 특징점 알고리즘을 사용하였으며, Brute-Force 방식을 통한 특징점 매칭 및 RANSAC을 통한 이상치 제거를 수행하였다. 평가 지표는 Inlier Ratio 및 Affine 기반 지도 전사 후 거리 오차로 구성하였으며, 평균 거리 오차(cm) 기준 클릭 대응점의 전사 정확도를 분석하였다. 지표 해석 기반으로 해석한 최적합 알고리즘은 이미지 유형별로 상이하였다. 흐림 및 확대 적용 이미지에서 최고 Inlier Ratio를 기록한 알고리즘은 KAZE였으며, 각각 흐림 효과에서 91.07%, 확대에서 74.24%를 기록하였다. 조도 저하와 회전에서는 AKAZE가 각각 93.17%, 98.18%로 최적 Inlier ratio를 가진다. 가림 이미지에서는 모든 알고리즘이 높은 Inlier Ratio를 보이며, 그 중 SURF가 99.52%로 최고 수치를 기록하였다. 상위 특징점을 선별하였을 경우 알고리즘 별 유불리 여부와 이미지 변형 유형별 유불리 여부가 유형별로 상이하며 전체 특징점 사용이 유리한 경우는 절반 가량이다. 이 결과는 이면도로 내 이미지 변형 유형에 따라 유연한 알고리즘 선택이 필요함을 시사한다. 이미지-지도 대응점 기반으로 최적 알고리즘을 해석한 결과, 모든 알고리즘에서 SIFT가 최적인 모습을 보인다. 상위 특징점을 선별하였을 경우 이하의 구간에 비해 5pct 구간에서 급격한 불안정성을 확인하였으며, 상위 특징점을 적게 선별하였을 경우 AKAZE가, 많이 선별할 경우 SIFT 가 성능 강세를 보인다. blurred는 전 특징점 구간에서 큰 평균 거리 오차를 보였다. Inlier Ratio와 거리 오차를 병행 비교한 결과, 일부 알고리즘에서는 Inlier Ratio와 거리 오차의 비례 경향성을 확인할 수 있다. 반면 SIFT 등 낮은 Inlier Ratio에도 불구하고 거리 오차가 적어 강인한 정합 성능을 유지하는 알고리즘이 존재하였으며, KAZE 등 높은 Inlier Ratio에도 상대적으로 큰 거리 오차를 나타내는 알고리즘이 존재하였다. 이와 같은 결과는 이면도로 CCTV 이미지 기반 정합 시 거리 기반의 정합 정확도까지 함께 고려한 알고리즘 선택 전략이 필수적임을 시사한다. 키워드: 도시지역, 이면도로, CCTV, 특징점 추출, 특징점 매칭, 어파인 변환. Inlier 비율, 투영 오차
more목차
제 1 장 서론 1
제 1 절 연구 배경 1
제 2 절 연구목표 및 목적 5
제 2 장 이론적 배경 7
제 1 절 특징점 추출 알고리즘 7
(1) 특징점 추출 알고리즘의 종류 7
(2) 특징점 기술자 12
제 2 절 특징점 매칭 13
(1) Brute-Force 14
(2) FLANN(Fast Library for Approximate Nearest Neighbors)·· 14
제 3 절 이상점 제거 15
제 3 장 연구방법 16
제 1 절 실험 설계 16
(1) 개요 16
(2) 연구 대상 지역 선정 18
(3) 이미지 변형 방법 선정 19
(4) 특징점 추출 알고리즘 선정 23
(5) 상위 특징점 선별 방안 선정 24
(6) 특징점 매칭 방안 선정 24
(7) 이상치 제거 방안 선정 25
제 2 절 지표 해석 기반 평가방법 선정 27
제 3 절 이미지-지도 대응점 기반 평가방법 선정 28
(1) 기준 이미지-지도 대응점 선정 및 투사 행렬 구성 28
(2) 변형된 이미지 내 기준 대응점 전사 33
(3) 실험 대상점 선정 34
(4) 오차 거리 정량화 및 최적 알고리즘 선정 35
제 4 절 하드웨어 및 실험 환경 36
제 4 장 연구결과 37
제 1 절 지표 해석 기반 평가 37
(1) 알고리즘별 특징점 분포량 지표 평가 37
(2) 매칭점 성능 평가 39
(3) 상위 특징점 기반 매칭점 성능 평가 47
제 2 절 이미지-지도 대응점 기반 매칭 성능 평가 52
(1) 전체 매칭점 기반 성능 비교 52
(2) 상위 특징점 기반 성능 비교 59
제 3 절 평가 방식 간 병행분석 65
(1) 전체 특징점 기반 분석 65
(2) 상위 특징점 기반 분석 68
제 5 장 결론 72
참고문헌 76
