지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이승호
- 발행연도
- 2021
- 저작권
- 한밭대학교 논문은 저작권에 의해 보호받습니다.
이용수3
이 논문의 연구 히스토리 (3)
2021
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 AR에 적용 가능한 마커리스 기반의 실내 위치 측정 기법을 제안한다.
제안된 기법은 데이터베이스 구축, 특징점 추출, 지역 패치 생성, Convolution Neural Network 구조를 이용한 딥러닝 학습 등의 4가지 과정으로 구성된다.
데이터베이스 구축 과정은 본 논문의 정확도를 평가하기 위해 필요한 영상 정보와 매칭되는 실내 위치 정보를 가진 데이터베이스가 존재하지 않기 때문에 직접 데이터베이스를 구축하여 사용한다. 따라서 실내 위치 측정 학습용 이미지 획득 및 실내 위치 정보 정렬을 위하여 학교 내부를 스마트폰 카메라로 촬영을 진행한다. 입력 영상의 사이즈는 1920×1080 pixel의 해상도를 사용한다. 이에 매칭 되는 실내 위치 정보를 얻기 위해 학습용 데이터와 실험용 데이터를 나누어 촬영을 진행한다. 학습용 데이터는 30cm 간격으로 위치 정보를 라벨링하여 저장한다. 실험용 데이터는 실제 실내 위치 정보를 cm 단위로 평면도에 x, y 좌표의 형태로 저장하여 최종적으로 실험 결과를 도출할 때 출력된 실내 위치 정보와의 오차를 계산하는데 사용한다. 이미지를 획득하고 실내 위치 정보를 매칭 시킨 데이터를 저장하여 데이터베이스를 구축한다.
특징점 추출 과정은 전체 이미지를 학습할 경우 학습 속도와 추후 실내 위치 측정 시 연산량이 증가하여 소요시간이 증가하므로, 전체 이미지에서 특징점만을 추출하여 학슴하여 연산량과 소요시간을 감소시키는 효과가 있다. 특징점은 원본 이미지에서 코너를 찾아 추출하는 FAST(Features from Accelerated Segment Test) 알고리즘을 사용하여 추출한다.
지역 패치 생성 과정은 윈도우 슬라이드 방식으로 전체 특징점 추출 이미지에서 고정된 크기(256x256 pixel)의 영역 안에 특징점이 20% 이상 존재하는 영역을 지역 패치로 사용한다. 생성된 지역 패치는 각각 하나의 객체로 간주하여, 구축된 데이터베이스에 포함되어 있는 실내 위치 정보를 결합하여 저장한다. 이후 학습을 거쳐 최종적으로 실내 위치를 측정할 때 검출된 지역 패치의 위치 번호로 현재 사용자의 실내 위치를 파악하게 된다.
Convolution Neural Network를 이용하여 딥러닝 학습을 진행하는 과정은 전체 특징점 추출 이미지에서 지역 패치를 찾을 수 있도록 특징점 맵을 추출하여 학습한다. 학습 과정 중 출력된 실내 위치가 데이터베이스와 일정 이상 오차가 발생할 경우 다음 학습의 Convolution 과정에서 적용되는 가중치를 수정하는 Backpropagation 과정을 진행하여 오차를 줄이는 과정을 반복한다. 학습이 완료된 후 지역 패치의 좌표를 이용해 실내 위치 예측 결과를 보정하는 알고리즘을 적용한다.
본 논문에서 제안하는 AR에 적용 가능한 마커리스 기반의 실내 위치 측정 기법의 소요시간과 정확도를 평가하기 위해 2020년에 Songxiang Yang 외 3명이 IEEE Access에서 발표한 “An Improved Vision-Based Indoor positioning Method”와 유사한 방법으로 실험결과를 산출하였다. 실험결과, 실제 실내 위치와 측정된 실내 위치의 차이가 평균 12.8cm, 최대 21.2cm로 측정되어서 기존 IEEE 논문의 결과보다 우수한 실내 위치 측정 정확도를 나타내었다. 또한, 초당 20프레임으로 측정된 결과를 나타내어서 실시간으로 사용자의 실내 위치를 측정하는 것이 가능하다고 판단되었다.
제안된 기법은 데이터베이스 구축, 특징점 추출, 지역 패치 생성, Convolution Neural Network 구조를 이용한 딥러닝 학습 등의 4가지 과정으로 구성된다.
데이터베이스 구축 과정은 본 논문의 정확도를 평가하기 위해 필요한 영상 정보와 매칭되는 실내 위치 정보를 가진 데이터베이스가 존재하지 않기 때문에 직접 데이터베이스를 구축하여 사용한다. 따라서 실내 위치 측정 학습용 이미지 획득 및 실내 위치 정보 정렬을 위하여 학교 내부를 스마트폰 카메라로 촬영을 진행한다. 입력 영상의 사이즈는 1920×1080 pixel의 해상도를 사용한다. 이에 매칭 되는 실내 위치 정보를 얻기 위해 학습용 데이터와 실험용 데이터를 나누어 촬영을 진행한다. 학습용 데이터는 30cm 간격으로 위치 정보를 라벨링하여 저장한다. 실험용 데이터는 실제 실내 위치 정보를 cm 단위로 평면도에 x, y 좌표의 형태로 저장하여 최종적으로 실험 결과를 도출할 때 출력된 실내 위치 정보와의 오차를 계산하는데 사용한다. 이미지를 획득하고 실내 위치 정보를 매칭 시킨 데이터를 저장하여 데이터베이스를 구축한다.
특징점 추출 과정은 전체 이미지를 학습할 경우 학습 속도와 추후 실내 위치 측정 시 연산량이 증가하여 소요시간이 증가하므로, 전체 이미지에서 특징점만을 추출하여 학슴하여 연산량과 소요시간을 감소시키는 효과가 있다. 특징점은 원본 이미지에서 코너를 찾아 추출하는 FAST(Features from Accelerated Segment Test) 알고리즘을 사용하여 추출한다.
지역 패치 생성 과정은 윈도우 슬라이드 방식으로 전체 특징점 추출 이미지에서 고정된 크기(256x256 pixel)의 영역 안에 특징점이 20% 이상 존재하는 영역을 지역 패치로 사용한다. 생성된 지역 패치는 각각 하나의 객체로 간주하여, 구축된 데이터베이스에 포함되어 있는 실내 위치 정보를 결합하여 저장한다. 이후 학습을 거쳐 최종적으로 실내 위치를 측정할 때 검출된 지역 패치의 위치 번호로 현재 사용자의 실내 위치를 파악하게 된다.
Convolution Neural Network를 이용하여 딥러닝 학습을 진행하는 과정은 전체 특징점 추출 이미지에서 지역 패치를 찾을 수 있도록 특징점 맵을 추출하여 학습한다. 학습 과정 중 출력된 실내 위치가 데이터베이스와 일정 이상 오차가 발생할 경우 다음 학습의 Convolution 과정에서 적용되는 가중치를 수정하는 Backpropagation 과정을 진행하여 오차를 줄이는 과정을 반복한다. 학습이 완료된 후 지역 패치의 좌표를 이용해 실내 위치 예측 결과를 보정하는 알고리즘을 적용한다.
본 논문에서 제안하는 AR에 적용 가능한 마커리스 기반의 실내 위치 측정 기법의 소요시간과 정확도를 평가하기 위해 2020년에 Songxiang Yang 외 3명이 IEEE Access에서 발표한 “An Improved Vision-Based Indoor positioning Method”와 유사한 방법으로 실험결과를 산출하였다. 실험결과, 실제 실내 위치와 측정된 실내 위치의 차이가 평균 12.8cm, 최대 21.2cm로 측정되어서 기존 IEEE 논문의 결과보다 우수한 실내 위치 측정 정확도를 나타내었다. 또한, 초당 20프레임으로 측정된 결과를 나타내어서 실시간으로 사용자의 실내 위치를 측정하는 것이 가능하다고 판단되었다.
목차
등록된 정보가 없습니다.
최근 본 자료
댓글(0)
0