최근의 공간정보는 4차 산업혁명의 핵심기술로 부각되고 있는 가상현실 및 증강현실 그리고 대상체에 대한 실감모델의 구축을 위한 수요를 충족시키기 위해 대축척화와 고밀도화가 이루어지고 있는 추세이다. 이러한 고밀도 공간자료 생성은 고밀도 점군자료에 의해 생성되고 있다. 점군자료(point cloud data)는 항공 LiDAR(LiDAR; Light Detection And Ranging)측량기법과 같이 직접적으로 얻어지거나 항공사진측량기법 등에 의해 간접적으로 얻어진다. 점군자료는 영상 촬영 대상지에 대한 지형지물의 3차원 위치정보를 포인트로 군집된 형상으로 구성되어 있어 그 자료의 형상은 매우 복잡하며, 대용량의 자료특성을 갖고 있어 여러 분야에서 다양한 콘텐츠로 제공되기 위해서는 사용자 요구에 부합하는 자료의 분류처리가 필수적으로 요구된다.
이에 본 연구에서는 무인항공기(unmanned aerial vehicle) 영상을 이용하여 고밀도의 점군자료를 생성하고 이를 객체별로 분류할 수 있는 새로운 점군자료의 분류기법을 제안하고자 하였다. 이를 위해 무인항공기 영상의 색상정보에 기반한 새로운 분류기법을 정립하고 이를 바탕으로 영상 색상정보를 검색인자로 이용한 점군자료의 분류를 수행하여 제시한 새로운 분류기법의 활용 가능성을 확인하고자 하였다. 또한 기존 일반적인 분류기법에 의해 분류 처리된 점군자료의 분류결과와 정량적인 비교·분석을 통해 본 연구에서 제시한 분류기법에 대한 정확도를 검토함으로써 그 효율성을 검증하고자 하였다.
본 연구를 수행하기 위해 우선 설정한 대상지에 대한 영상을 무인항공기를 이용하여 획득하고 무인항공사진측량 시스템에 입력하여 실감 정사영상(true ortho-image) 및 점군자료를 생성하였다. 그리고 생성된 점군자료를 대상으로 특정 객체의 점군자료를 분류하였다. 이때, 분류를 위해 검색인자로 이용하는 객체의 색상 밝기값(grey level)은 점군자료의 분류 정확도를 좌우할 수 있는 핵심인자임에 따라 보다 높은 분류 정확도를 확보하기 위해 영상의 색상 패턴을 나타내는 영상 색상 히스토그램을 이용하여 객체 색상 밝기값을 결정하였다. 이렇게 결정된 객체별 색상정보를 검색인자로 이용하여 특정 객체의 점군자료를 분류하고 분류결과에 대한 분류 정확도를 정량적으로 분석함으로써 제시한 분류기법의 분류 정확도를 판단하였다. 또한, 촬영단위 내에 존재하는 다수의 모델별 점군자료를 효율적으로 분류하기 위해 동일하게 검색인자로 이용할 수 있는 객체별 색상정보를 정립하였다. 더불어 기존의 분류 기법으로는 분류가 불가능한 객체를 상세 분류함으로써 제시한 분류기법을 이용하여 분류한 점군자료의 활용방안을 제시하였다.
이상의 연구 결과로부터 무인항공기에 의해 획득되는 대축척 영상으로부터 생성한 고밀도의 점군자료를 보다 효과적으로 분류할 수 있는 새로운 분류기법을 제안하고 그 활용성을 확인할 수 있었다. 또한 기존의 점군자료 분류기법에서 발생하는 오분류 및 분류 불가의 문제를 해소하고 특정 객체에 대한 점군자료를 선별적으로 분류할 수 있는 새로운 분류기법을 정립할 수 있었다. 더불어 객체별로 세분화된 분류를 수행하고 그 가능성을 검토함으로써 다양한 3차원 공간자료 구축의 가능성을 검증할 수 있었다. 본 연구결과에서 제안한 점군자료의 새로운 분류기법은 향후 4차 산업혁명시대의 도래와 함께 큰 수요가 예측되는 대축척의 3차원 공간정보를 효과적으로 구축하고 지원할 수 있는 기반을 마련할 수 있을 것으로 기대한다.

Recent Spatial Information tends to become more and more high-density and large-scale in order to satisfy the demand in establishing true model on the objects as well as virtual reality and augmented reality as emphasized to be the core of the 4th Industrial Revolution. Such high-density spatial data formation is being created by the high-density point cloud data. Point cloud data is either directly acquired by Aerial LiDAR(Light Detection And Ranging), or indirectly by Aerial photogrammetry technique. Point cloud data has extremely complex form since 3-dimensional location information of geographical features from the image is recorded as the point cloud form. Also, it has the data characteristic of being large in amount so that classifying the data is necessarily required according to the user’s demand in order to provide the data in various contents forms in different fields.
Therefore, in this study create high-density point cloud data using unmanned aerial vehicle and suggests new classifying technique for the point cloud data by object. In order to do that, new classifying technique is established based on color information of the unmanned aerial vehicle image and point cloud data classification is performed by using image color information as the search factor so that the possibility of using the newly suggested classification technique can be confirmed. Moreover, by quantitative comparison and analysis with classified point cloud data using the conventional classification technique helped to review the accuracy of the suggested classification technique in order to confirm its efficiency.
In order to carry out this study, first of all, the image is acquired by using the unmanned aerial vehicle on the set location and wired into the unmanned aerial vehicle photogrammetry system to create ortho-image and point cloud data. Then, the created point cloud data was classified according to the specific object. There, as the grey level of the objcet being used as the search factor for the classification is the core factor which determines the classification accuracy of the point cloud data, image color histogram demonstrating the color pattern of the image was used to set the objects’ grey level in order to confirm higher classification accuracy. Using each color information as the search factor, specific object’ point cloud data was classified and classification accuracy on the classification result was quantitatively analyzed so that the classification accuracy of the suggested classification technique was found. Also, in order to effectively classify various models’ point cloud data existing in classification technique, color information to be used as the search factor for each item is established. Furthermore, as the existing classification technique, object impossible to be classified were classified in details so that the application technique of the classified cloud point data using the classification technique is suggested.
From the study result above, a new classification technique is suggested and its applicability is confirmed, which can effectively classify high-density point cloud data created from large-scale image attained by unmanned aerial vehicle. Also, a new classification which can selectively classify point cloud data on specific object while getting rid of problems of misclassification and unable to be classified which occur in traditional point cloud classification technique. Furthermore, carrying out more detailed classification for each item and reviewing its possibility proved the possibility of establishing various 3-dimensional spatial information data. The new point cloud data classification technique suggested from the current research is expected to provide a foundation for effective base and support the large-scale 3-dimensional spatial information which seems to be in high demand with the arrival of the 4th Industrial Revolution.