Evaluation of Clustered Building Solid Model Automatic Generation Technique and Model Editing Function Based on Point Cloud Data

포인트 클라우드 데이터 기반 군집형 건물 솔리드 모델 자동 생성 기법과 모델 편집 기능 평가

Abstract

In this paper, we explore the applicability and utility of a technology that generating clustered solid building models based on point cloud automatically by applying it to various data. In order to improve the quality of the model of insufficient quality due to the limitations of the automatic building modeling technology, we develop the building shape modification and texture correction technology and confirmed the resultsthrough experiments. In order to explore the applicability of automatic building model generation technology, we experimented using point cloud and LiDAR (Light Detection and Ranging) data generated based on UAV, and applied building shape modification and texture correction technology to the automatically generated building model. Then, experiments were performed to improve the quality of the model. Through this, the applicability of the point cloud data-based automatic clustered solid building model generation technology and the effectiveness of the model quality improvement technology were confirmed. Compared to the existing building modeling technology, our technology greatly reduces costs such as manpower and time and is expected to have strengths in the management of modeling results.

본 논문에서는 포인트 클라우드 데이터를 기반으로 자동으로 군집형 솔리드 건물 모델을 생성하는 기술을 다양한 데이터에 적용, 실험을 수행하여 적용 가능성과 효용성을 탐색한다. 또한 자동 건물 모델링 기술의 한계로 인해 부족한 모델의 품질을 향상시키기 위하여 건물의 형상 편집 및 텍스처 조정 기술을 개발, 실험을 통해 결과를 확인하였다. 자동 건물 모델 생성 기술의 적용 가능성 탐색을 위하여 무인항공기 영상 기반으로 생성된 포인트 클라우드와 LiDAR(Light Detection and Ranging) 자료를 사용해 실험하였으며, 자동으로 생성된 건물 모델에 건물 형상 편집 및 텍스처 조정 기술을 적용하여 모델의 품질의 향상 실험을 수행하였다. 이를 통해 포인트 클라우드 데이터 기반의 자동 군집형 솔리드 건물 모델링 기술의 적용 가능성과 모델의 품질 향상기술의 효용성을 확인하였다. 개발된 기술은 기존의 건물 모델링 기술과 비교하여 처리시간의 비용이 크게 감소하며, 잦은 모델 갱신이 필요한 지역에 대한 관리 측면에서도 강점이 있을 것으로 기대된다.

1. 서론

최근 정보통신 기술과 고정밀의 2차원, 3차원 데이터 취득 기술의 발전으로 스마트 시티, 디지털 트윈, 메타버스 등 실제 도시 모델을 3차원으로 구축하는 기술의 수요가 급격하게 증가하고 있다. 또한 국토, 도시의 개발 및 관리를 위해 건물의 형상 및 변화를 탐지하는 기술에 대한 필요성이 증가하고 있다.

3차원 건물 모델은 형태에 따라 솔리드 모델(Solid Model)과 메시 모델(Mesh Model)로 분류할 수 있다(Yoon et al., 2019). 그리고 두 종류의 모델은 수치지도, Open Street Map과 같은 2차원 자료를 가공하여 만들거나 포인트 클라우드와 같은 3차원 자료를 가공하여 만들 수 있다.

일반적으로 수치지도, Open Street Map과 같은 2차원 자료를 가공할 경우 솔리드 모델의 형태로 3차원 건물 모델을 생성한다. 2차원 자료에 존재하는 건물의 외곽 정보에 높이값을 부여하여 모델을 생성하며, 기관이나 지자체에서 수동 추출을 위한 기반 자료로 활용하고 있다(Ham, 2019). 이 경우 긴 자료의 생성 및 갱신 주기로 인해 신규 건물에 대한 모델링에 한계가 있으며, 건물 높이값 적용을 위해서는 부가 자료나 사용자의 개입이 필요하다는 한계점이 존재한다(Kim et al., 2019).

포인트 클라우드와 같은 3차원 자료를 가공할 경우 적용 기술에 따라 솔리드 모델과 메시 모델 두 가지 형태로 모델을 생성할 수 있다. 메시 모델의 경우 입력되는 포인트 클라우드에 보간 기술을 적용하여 메시를 구성하는 방식의 연구가 진행되었으며, 상용 소프트웨어에서 가장 많이 사용될 정도로 활발하게 연구되고 있는 모델링 기법 중 하나다(Wu et al., 2017). 메시 모델 생성 기술은 포인트 클라우드의 형태를 가장 잘 반영한 모델을 생성할 수 있다는 장점이 있다. 반면 처리속도와 용 량이 솔리드 모델에 비해 크고, 일반적으로 무인항공기 영상기반의 포인트 클라우드나 LiDAR 데이터는 건물과 비 건물 데이터가 혼합되어 있기 때문에 객체 별 모델을 생성하기 어려우며, LOD(Level of Detail)에 따른 모델 생성에 한계가 있다는 단점이 있다.

솔리드 모델의 경우 3차원 자료에서 건물의 꼭지점을 수동(Wu et al., 2017) 혹은 평면성분석을 통해 평면 및 평면의 교차점을 자동으로 추출하고 건물의 형상을 생성, 텍스처를 적용하는 연구가 보고되었다(Nan and Wonka, 2017). 위 방법들은 건물을 구성하는 최소한의 평면을 이용하여 건물을 생성하기 때문에 데이터의 관리, 모델의 갱신 등의 측면에서 장점이 있다. 하지만 해당 방법들은 주로 수동으로 이루어지거나, 노이즈가 거의 존재하지 않고 안정된 점밀도의 데이터로 취득되는 LiDAR 자료를 기반한 연구로 진행되었기 때문에 상대적으로 많은 노이즈가 포함된 데이터의 경우 적용이 어려울 수 있다. 또한 메시 모델과 마찬가지로 건물과 비 건물 포인트 클라우드를 분리하는 선행 과정이 요구된다.

이와 같은 한계점을 해소하기 위하여 포인트 클라우드 생성 방법과 품질에 관한 연구가 사진측량, 영상처리, 딥러닝 등 다양한 분야에서 진행되고 있다. 특히 딥러닝 분야에서는 모델링 기술에서 가장 문제점으로 지적되는 포인트 클라우드의 노이즈 제거 및 sharpening 관련 연구가 진행되었다(Sun et al., 2020). 또한 Kim et al. (2020)은 포인트 클라우드의 평면성을 분석하여 건물과 비 건물로 분리하고 영상으로 변환하여 건물의 영역을 추출하였다. 또한 포인트 클라우드로부터 건물의 높잇값을 계산하여 건물의 형상을 생성하고 무인항공기 영상을 이용하여 모델에 텍스처를 부여하는 기술을 제안하였다.

그 외에도 건물 모델링을 위하여 NERF(Neural Radiance Fields) 등 딥러닝 분야에서도 영상을 이용한 3D 모델 혹은 포인트 클라우드를 생성하는 기술들이 개발되고 있다(Pumarola et al., 2021).

이밖에 3D 건물 모델의 품질을 결정하는 요소 중 하나인 텍스처와 관련된 연구도 활발하게 진행되고 있다. 텍스처의 품질은 텍스처링에 사용되는 영상의 품질과 영상의 번들조정 결과 외부표정요소, 건물 모델 형상의 위치 정확도가 영향을 미친다. Lim et al. (2019)은 무인항공기 영상이 포인트 클라우드와 그 선행작업인 번들조정의 성능에도 큰 영향을 미친다고 보고하여, 영상 품질의 중요성을 강조하였다. 영상 품질과 후행 기술의 품질 관계 관련하여 최근 공간정보 분야 적용을 위해 무인항공기의 품질에 따른 수치지도 제작 분석(Kim et al., 2018; Lee et al., 2018), 적절한 가격 결정을 위한 표준품셈 연구(Yun et al., 2016; Min, 2018; Lee and Lee, 2018; Lee et al., 2018; Park et al., 2018)가 수행되었다.

Oh et al. (2007)는 광범위한 지역의 3차원 도시모델에 항공사진 또는 위성영상과 같은 공간영상을 활용하여 빠르고 경제적으로 텍스처 매핑을 수행하고 실감형 3차원 건물 모델을 생성하는 연구를 보고하였으며, Bulatov et al. (2014)는 항공사진의 센서 자세 추정을 통해 건물 모델에 텍스처를 부여하는 연구를 보고하였다.

이와 같이 3차원 건물 모델 생성을 위한 모든 절차에 대하여 다양한 방면으로 연구가 활발히 진행되고 있다. 그 중에서도 본 논문에서는 앞서 보고된 포인트 클라우드 데이터 기반 군집형 솔리드 건물 모델 자동 생성 기법(Kim et al., 2020)의 디지털 트윈, 스마트 시티 등에 활용가능성을 탐색하기 위해 범용적인 사용 가능성을 확인한다. 이때, 신규 건물에 대해 모델링이 가능하고 오랜 기간 축적이 가능한 무인항공기 영상 기반 포인트 클라우드와 LiDAR 데이터에 대해 실험을 하여 다양한 데 이터와 분야에의 효용성을 함께 탐색하도록 한다. 또한 추가적으로 모델의 품질을 향상시키기 위하여 건물 형상 편집 기술과 텍스처 조정 기술을 개발, 적용하여 그 결과를 확인한다.

2. 제안 방법

본 논문에서 적용가능성을 평가하는 포인트 클라우드 데이터 기반 군집형 건물 모델 자동 생성 과정은 Fig. 1과 같으며, 처리과정을 간단하게 소개한다.

Fig. 1. Flow chart for target method (Kim et al., 2020).

포인트 클라우드 기반의 군집형 솔리드 건물 모델을 자동으로 생성하는 방법은 총 다섯 단계로 구성된다. 먼저 입력되는 포인트 클라우드의 평면성을 분석하여 지면과 비 지면 포인트들을 분리한다. 두 번째 단계에서는 지면이 분리된 포인트 클라우드에서 건물 영역을 추출한다. 세 번째 단계에서는 건물 영역별로 내부에 존재하는 세부 구조물의 영역을 추출한다. 네 번째 단계에서는 건물과 구조물, 그리고 지면의 높이를 이용하여 건물의 외곽점을 구성하고 3차원 건물 모델의 형상을 생성한다. 마지막 단계에서는 건물 모델 형상의 각 면에 해당하는 텍스처를 무인항공기 영상에서 추출하여 3D 솔리드 건물 모델을 생성한다.

또한 본 논문에서는 건물 모델 형상 및 텍스처 편집 방법을 제안한다. 제안하는 방법은 건물 모델 형상 편집과 건물 텍스처 조정의 두가지로 이루어지며, 이때 건물 모델과 텍스처 원본 영상 사이의 상관관계 정보를 사용하기 때문에 건물 모델 파일 생성시 해당정보가 포함된 파일을 추가적으로 생성한다.

1) 포인트 클라우드 지면 제거

포인트 클라우드 데이터에서 군집형 솔리드 건물 모델을 생성하기 위한 첫 단계는 건물과 지면의 포인트 분 리다. 포인트 클라우드 지면 제거는 RANSAC(Random Sample Consensus) 기반의 모델 피팅 알고리즘(Fischler and Bolles, 1981)을 이용한 평면 추출 기술 기반 포인트 클라우드 지면 제거 방법을 사용하여 건물과 지면의 포인트 분리를 수행한다(Kim et al., 2019). Fig. 2는 지면이 제거된 포인트 클라우드를 보여준다.

Fig. 2. Ground removing result (right) and source Point Cloud (left).

2) 건물 영역 추출

두 번째 단계에서는 지면이 제거된 포인트 클라우드에서 건물 영역을 추출한다. 포인트 클라우드에서 건물 영역을 추출하는 방법은 Kim et al. (2019)이 제시한 포인트 클라우드 정사 투영 영상으로 변환하여 영상처리 기술을 이용하는 방법을 사용한다. 먼저 포인트 클라우드를 투영 영상으로 변환하고, 영역 추출 알고리즘을 이용하여 건물 별 초기 영역을 추출한다. 이렇게 추출된 건물 영역은 수많은 점으로 이루어져 있어 솔리드 모델 생성에 적합하지 않다. 따라서 Line fitting 기반 단순화 기술을 이용하여 영역을 표현할 수 있는 최소한의 점으로 건물 영역을 추출한다(Kim et al., 2020). Fig. 3은 건물 영역 추출 결과를 보여준다.

Fig. 3. Building area extraction result.

3) 건물 세부 구조물 영역 추출

세 번째 단계에서는 건물 세부 구조물을 추출한다. 먼저 앞서 생성된 정사 투영 영상에서 건물 영역별로 높잇값 분석을 통하여 옥상의 높잇값을 결정하고 그 값을 기준으로 영상을 이진화하여 옥상보다 높은 세부 영역에 해당하는 영역을 분리한다. 분리된 세부 구조물 영역은 건물 영역 추출 방식과 마찬가지로 건물 외곽선 추출, 건물 영역 단순화 기술을 이용하여 최적의 건물 세부 영역을 추출한다(Kim et al., 2020).

4) 3차원 건물 형상 생성

네번째 단계에서는 건물과 세부 구조물의 외곽점에 3차원 좌표 X, Y, Z를 대입하여 건물 모델의 형상을 생성한다. 건물 외곽점의 3차원 좌표 중 2차원 평면 좌표 X, Y는 포인트 클라우드에서 정사 투영 영상 변환 식을 이용하여, 건물 영역 영상 좌표 column, row를 변환하여 계산한다. Z 좌표는 건물의 옥상, 지면, 구조물의 높이를 각각 부여하게 되는데, 정사 투영 영상의 높잇값 정보를 이용하여 옥상과 구조물의 높이를 부여하고, 지면의 높이는 처음 단계인 지면 제거 과정에서 추출된 지 면 높잇값을 사용한다.

5) 건물 모델 텍스처링

마지막으로 건물 모델 형상에 텍스처를 적용하여 완성된 3차원 건물 모델을 생성한다. 텍스처는 앞서 생성된 건물 형상의 각 꼭지점 좌표들과 촬영된 영상과 센서 모델링 된 표정요소들을 이용하여 추출한다. 텍스처링 과정은 다음과 같다. 먼저 각 건물 면에 대해 촬영된 영상과 표정요소들을 이용하여 각 면이 존재하는 영상을 찾는다. 그리고 각 면의 노멀 벡터를 이용하여 영상에서 텍스처의 면적이 가장 넓고 촬영영상과 면이 이루는 각이 연직방향에 가장 가까운 영상을 최적영상으로 선별한다. 마지막으로 면 텍스처를 추출하여 직각 사각형 형태로 투영변환을 수행하여 텍스처맵을 구성, 텍스처링을 완료한다. Fig. 4는 텍스처링 과정을 보여주며 Fig. 5는 건물모델에 자동으로 텍스처링을 수행한 결과를 보여준다.

Fig. 4. Texturing process.

Fig. 5. Texturing result.

6) 건물 모델 파일 생성

일반적으로 3D 모델은 OBJ(Object), MTL(Material Library File), JPG(또는 BMP, PNG 등 그림 파일 포맷) 세가지 확장자를 가진 파일로 구성된다. OBJ는 3D 모델을 구성하는 점과 벽면에 대한 정보로 구성되며, MTL은 재질, 질감에 대한 정보를 포함한다. 또한 JPG는 텍스처에 대한 정보를 포함하고 있다.

본 연구에서는 모델의 텍스처를 생성, 조정, 갱신이 가능하도록 위의 3가지 파일에 더해 TML(Texture Mapping Language)라는 새로운 파일을 설계하여 생성하였다. 본 연구에서는 SW UI 상에서 수정하고자 하는 모델의 벽면 선택 시 벽면의 텍스처링에 사용된 원본 영상을 자동으로 불러오고, UI상에서 텍스처를 조정하는 방식으로 개발하였다. 이를 위해서는 모델의 각 면과 텍스처에 사용된 영상 사이의 연결 정보가 필요하다. TML 파일은 모델, 텍스처맵, 원본영상 사이의 연결 정보가 입력되어 있는 파일로, 3D 모델을 구성하는 벽면 정보, 원본 이미지 정보, 2차원 투영변환 계수, scale 변환 계수, 멀티텍스처맵 offset, 이미지 원본영상 좌표 그리고 멀티텍스처맵 좌표로 구성된다.

Fig. 6. TML file structure.

7) 건물 모델 형상 편집

자동으로 생성된 건물 모델의 각 꼭지점은 위치오차를 포함한다. 또한 위치오차가 포함된 꼭지점과 오차가 포함된 영상의 센서모델정보는 텍스처링에도 오차를 야기한다. 본 연구에서는 자동으로 생성된 건물 모델의 왜곡된 형상뿐만 아니라 텍스처링 오차를 감소시키고 자 SW상에서 작동이 가능한 건물 형상 편집 기능을 개발하였다. 건물 모델 형상 편집은 자동 생성된 결과물의 품질에 따라 선택적으로 수행되는 과정으로 자동 생성 결과의 품질이 낮을 경우 사용자의 개입을 통해 편집을 수행한다. 건물 형상 편집은 건물의 꼭지점의 삭제, 추가, 이동을 통해 수행되며, 꼭지점의 편집 완료 시 건물 모델을 재생성한다. Fig. 7는 건물 모델편집 화면을 보여준다.

Fig. 7. Building Model Shape Modification SW UI.

본 연구에서 개발한 건물 모델 형상 편집을 적용한 결과는 Fig 8와 같다. 건물의 형상이 정밀하게 재배치된 것을 확인할 수 있으며, 재배치된 꼭지점의 위치에 따라 텍스처링된 결과도 자동으로 생성된 건물 모델과 비교하여 왜곡이 제거된 것을 볼 수 있다.

Fig. 8. Building model shape modification result (right) and source model (left).

8) 건물 모델 텍스처 조정

건물 모델 형상 편집을 통해 향상된 건물 모델에 남아있는 오차는 텍스처링 오차가 남아있을 수 있다. 이 때 남아있는 오차는 센서모델링 및 건물 모델 꼭지점들의 위치 오차로 인한 결과로, 자동 생성 기술의 한계점이라 할 수 있다. 따라서 건물 모델의 텍스처 품질이 낮을 경우 선택적으로 사용자의 개입을 통해 텍스처의 품질을 높일 필요성이 있고, 이에 본 연구에서는 Fig. 9와 같은 건물 모델 텍스처 조정 기능을 개발하고 SW로 제작하여 보고한다.

Fig. 9. Building Model Texture Correction SW.

건물 텍스처 조정은 다음과 같이 진행된다. 우선 모델을 불러오고 Viewer에 도시한다. 이후 Viewer의 모델의 각 벽면 선택 시 TML 파일을 기반으로 벽면별로 텍스처링에 사용된 원본 영상이 텍스처 조정 Viewer에도 시된다. Viewer에 도시된 원본 영상에는 TML 파일을 통해 불러온 벽면의 각 꼭지점으로 이루어진 사각형이 다음 Fig. 10과 같이 도시되며, UI 상에서 수동 조작을 통해 텍스처 영역을 조정할 수 있다. 이때, 다른 영상을 사용하고자 할 경우 영상을 추가하여 텍스처 영역 조정을 통해 수행할 수 있다. 본 연구를 통해 텍스처 조정 기술은 스마트폰 영상, 무인항공기 영상 등 다양한 영상에 대해 조건 없이 적용이 가능하다. 건물 모델 텍스처 조정 결과는 Fig. 11과 같다.

Fig. 10. Building model texture correction.

Fig. 11. Texture correction result (right) and source model (left).

위 방법을 통해 포인트 클라우드에서 자동으로 생성된 건물 모델들의 품질을 향상시켜 완성도 높은 건물 모델들을 생성할 수 있다.

3. 연구 방법

1) 실험 데이터

제안하는 포인트 클라우드 데이터 기반 군집형 건물 모델 자동 생성 기법과 모델 편집 기능을 평가하기 위하여 본 논문에서는 SISTECH의 K-Mapper 기체에서 Sony ILCE-6000 카메라를 이용하여 서울시 여의도 초등학교, 시흥시 능곡 고등학교와 배곧동, 고양시 한국건설기술연구원 일대를 촬영한 무인항공기 영상, DJI사의 Inspire2 기체에서 Zenmuse X5S 카메라를 이용하여 인천시 간석동 일대를 촬영한 무인항공기 영상과 이들을 바탕으로 제작한 포인트 클라우드, 그리고 송도 지역을 촬영한 LiDAR 자료를 사용하였다. 이때 무인항공기 영상을 이용한 포인트 클라우드 생성은 자체 개발 소프트웨어인 3D-UAV와 상용 소프트웨어인 Pix4DMapper(이하 Pix4D)를 이용하였다. 이때, 무인항공기 데이터 기반으로 생성한 포인트 클라우드를 이용할 경우 텍스쳐링까지 수행한 건물 모델을 보고하며, LiDAR 데이터 기반의 건물 모델의 경우 텍스쳐링을 수행할 영상이 존재하지 않아 건물의 형상만을 제작하였다.

Fig. 12. Point Cloud from 3D-UAV (Yeouido).

Fig. 13. Point Cloud from 3D-UAV (KICT).

Fig. 14. Point Cloud from Pix4D (Sihueng).

Fig. 15. Point Cloud from Pix4D (Baegot).

Fig. 16. Point Cloud from Pix4D (GanSeok).

Fig. 17. LiDAR (Songdo).

2) 평가 방법

실험을 통해 포인트 클라우드 데이터 기반 군집형 건물 모델 자동 생성 기법과 모델 편집 기능을 평가하기 위해 자동 생성 결과물의 품질과 편집된 건물 모델의 품질을 각각 확인하여 기술의 효용성 및 적용 가능성을 확인하였다.

자동 생성된 건물 모델은 포인트 클라우드 상에 존재하는 건물들의 생성 여부를 확인하였으며, 건물 별로 존재하는 세부 구조물의 표현 여부를 확인하여 효용성을 확인하였다. 그리고 편집된 건물 모델의 경우 모델의 품질 향상 정도를 확인하였다.

4. 실험 결과

1) 포인트 클라우드 데이터 기반 군집형 건물 모델 자동 생성

본 연구에서 추출하고자 하는 건물의 최소 높이는 8 m로, 한 층의 높이를 4 m로 가정하고 2층 이상의 건물을 추출하기 위해 설정하였다. 또한 포인트 클라우드를 생성한 SW 별로 생성된 결과의 확인을 통해 매칭 기법에 따라 다른 형태를 보이는 데이터에도 적용이 가능한지 확인하였다. 실험자료별로 목표로 하는 모든 건물에 대한 모델이 생성되는 것을 확인할 수 있었다. 다만 간석과 같이 주택이 좁은 간격으로 밀집해 있는 경우, 여러채의 건물이 하나의 모델로 생성되는 오류가 발생하였다.

Fig. 18. Buildingmodelautomaticgenerationresults (Yeouido).

Fig. 19. Building model automatic generation results (KICT).

Fig. 20. Building model automatic generation results (Siheung).

Fig. 21. Building model automatic generation results (Baegot).

Fig. 22. Building model automatic generation results (GanSeok).

Fig. 23. Building model automatic generation results (Songdo).

2) 건물 모델 형상 편집

앞서 자동으로 생성된 건물 모델의 품질을 향상을 위해 건물 모델의 형상 편집 기술의 적용시 효용성을 검토한다. 아래 결과들에서 확인할 수 있듯, 건물 형상 편집을 통해 건물 형상의 완성도뿐만 아니라 텍스처의 완성도까지 향상된 것을 확인할 수 있다.

Fig. 24. Building model modification results (right) and original model (left) (Yeouido).

Fig. 25. Building model modification results (right) and original model (left) (KICT).

Fig. 26. Building model modification results (right) and original model (left) (Siheung).

Fig. 27. Building model modification results (right) and original model (left) (Baegot).

3) 건물 모델 텍스처 조정

다음은 건물 모델의 텍스처 조정 결과이다. 실험의 입력자료는 텍스처 조정의 효과를 보여주기 위하여 건물 모델 형상 편집 이전의 자동 생성 모델을 이용하였다. Fig. 28은 여의도의 건물 모델들의 실험 결과이다. 모델의 벽면이 왜곡되어 텍스처링 된 모델들의 왜곡이 사라지고, 텍스처링이 수행되지 않은 곳에 무인항공기 영상을 이용해 텍스처링을 수행한 것을 확인할 수 있다.

Fig. 28. Building model texture correction result (right) and original model (left) (Yeouido).

Fig. 29는 배곧 지역의 건물 모델 텍스처 조정 결과이다. 배곧의 모델은 스마트폰으로 촬영한 영상을 이용한 텍스처 조정 결과 Fig. 30과 같이 함께 보고한다. 여의도와 마찬가지로 텍스처의 왜곡이 줄어들어 모델의 실감 정도가 향상된 것을 확인할 수 있으며, 스마트폰 영상을 이용할 경우 무인항공기 영상으로 촬영이 힘들거나 색상이 어두워 실감형의 표현이 어려운 모델의 품질이 높아지는 것을 확인하였다.

Fig. 29. Building model texture correction result (right) and original model (left) (Baegot).

Fig. 30. Building model texture correction result (right) and original model (left) by using smart phone images (Baegot).

다음은 입력자료로 형상 편집이 완료된 자료를 이용하여 건물 모델 텍스처를 조정한 결과이다. 모델 형상 편집을 통해 텍스처의 개선이 이루어진 경우 텍스처 조정을 통한 큰 개선 효과는 볼 수 없었지만, Fig. 31의 첫 모델, Fig. 33 모델, Fig. 34의 두 모델의 경우 편집된 형상에 맞추어 조정된 텍스처가 모델의 품질을 상승시킨 것을 확인할 수 있다.

Fig. 31. Building model texture correction result (right) and modification model (left) (Yeouido).

Fig. 32. Building model texture correction result (right) and modification model (left) (KICT).

Fig. 33. Building model texture correction result (right) and modification model (left) (Siheung).

Fig. 34. Building model texture correction result (right) and modification model (left) (Baegot).

5. 결론 및 고찰

본 논문에서는 앞서 보고한 포인트 클라우드 데이터 기반 군집형 솔리드 건물 모델 자동 생성 기법(Kim et al., 2020)을 다양한 포인트 클라우드에 적용하여 기술의 효용성 및 적용 가능성을 탐색한다. 또한 추가적으로 모델의 품질을 향상시키기 위하여 건물 형상 편집 기술과 텍스처 조정 기술을 개발, 적용하여 그 결과를 확인한다. 이를 위하여 다양한 지역을 무인항공기로 촬영한 영상 기반의 포인트 클라우드와 LiDAR 데이터를 이용하여 실험을 수행하고 그 결과물을 확인하였다.

먼저 다양한 포인트 클라우드 자료에 대해 자동 건물 모델링을 수행한 결과, 영상 기반 포인트 클라우드와 LiDAR 데이터 모두에서 데이터 내에 존재하는 모든 건물이 추출되는 것을 확인할 수 있었다. 특히 무인항공기 영상 기반 실험에서는 텍스처링까지 자동으로 완료되는 것을 확인할 수 있었다. 또한 건물 모델의 편집을 통해 향상된 품질의 건물 모델을 확인할 수 있었다.

본 논문을 통해 항공 LiDAR, 영상 기반 포인트 클라우드 등 이미 구축되어 있는 데이터들을 이용하여 광역의 건물 모델들을 빠르고 간편하게 제작할 수 있을 것으로 보이며, 낮은 품질의 건물을 손쉽게 갱신하여 품질을 높일 수 있을 것으로 판단된다. 이를 통해 최근 활발히 연구되고 있는 디지털 트윈, 스마트 시티와 같은 도시 모델의 구축과 관리에 대한 큰 기여가 기대된다. 향후에는 정확한 텍스처를 부여하는 연구와 다양한 형태의 건물 모델 생성 기술에 대한 연구를 수행하여 보다 더 실용성 있는 모델의 사용이 가능하도록 연구할 예정이다.