다중 스케일 차분법을 이용한 무정형 포인트 클라우드 처리

초록

본 논문은 무정형 3차원 포인트 클라우드에 적용 가능한 차분법(Difference of Normals, DoN)이라는 다중 스케일 연산자를 제안한다. 두 개의 서로 다른 반경을 이용해 각 점의 법선 벡터를 계산하고, 그 차이를 구함으로써 스케일에 민감한 구조를 강조한다. 대규모 실외 라이다 데이터셋에 적용해 차량, 보행자, 가로등 등 객체를 효과적으로 분리했으며, 공개된 라이다 데이터베이스의 정답 라벨과 비교해 정량적·정성적 성능을 검증하였다.

상세 요약

DoN 연산자는 기존의 단일 스케일 법선 추정 방식이 갖는 스케일 혼합 문제를 해결하기 위해 고안되었다. 구체적으로, 반경 r₁(작은 스케일)과 r₂(큰 스케일, r₂ > r₁)를 선택하고, 각각에 대해 이웃 점들을 모아 표면 법선을 추정한다. 작은 반경은 미세한 기하학적 변화를 포착하지만 잡음에 민감하고, 큰 반경은 전역적인 형태를 반영하지만 작은 객체를 소실한다. 두 법선 사이의 차이 벡터를 구하면, 작은 스케일에서만 나타나는 구조적 변동이 강조되고, 큰 스케일에 의해 평균화된 부분은 억제된다. 이 차이 벡터의 크기 ‖n₁ − n₂‖는 스케일-특이적 특징을 정량화하는 스칼라 값으로 활용될 수 있다.

알고리즘 흐름은 다음과 같다. 첫 단계에서 포인트 클라우드 전체에 대해 KD‑tree 혹은 Octree 기반 인덱스를 구축한다. 이후 각 점에 대해 r₁, r₂ 반경 내 이웃을 검색하고, 최소자승법(Least‑Squares)으로 평면을 피팅해 법선 n₁, n₂을 얻는다. 법선 방향의 일관성을 위해 전체 클라우드에 대해 동일한 기준(예: 외부에서 바라보는 방향)으로 반전한다. 마지막으로 DoN 값을 계산하고, 임계값 τ를 적용해 관심 객체를 추출한다. τ는 실험적으로 데이터셋 특성에 맞게 조정한다.

논문은 두 개의 실외 라이다 데이터셋, 즉 대규모 도시 스캔과 교통량이 많은 거리 스캔에 DoN을 적용하였다. 첫 번째 데이터셋에서는 r₁ = 0.5 m, r₂ = 2.0 m, τ = 0.3 rad를 사용해 차량과 보행자를 효과적으로 분리했으며, 두 번째 데이터셋에서는 r₁ = 0.2 m, r₂ = 1.0 m, τ = 0.25 rad를 적용해 가로등, 나무, 도로 표면을 구분했다. 정량적 평가는 평균 정밀도(Precision)와 재현율(Recall) 모두 0.85 이상을 기록했으며, 특히 작은 객체(보행자)의 검출률이 기존 단일 스케일 법선 기반 방법보다 12 % 향상되었다.

또한, DoN은 전처리 단계에서 잡음 억제와 객체 후보 생성에 유용함을 보였다. 잡음이 많은 라이다 포인트는 작은 스케일 법선이 크게 변동하지만 큰 스케일 법선은 안정적이므로 차분값이 작아 필터링된다. 반대로, 급격한 기하학적 변화를 보이는 경계나 작은 물체는 큰 차이를 나타내어 자동으로 강조된다. 이러한 특성 덕분에 DoN은 후속 딥러닝 기반 객체 인식 파이프라인에 입력으로 사용될 때 연산량을 크게 줄이고, 학습 효율을 높이는 효과가 있다.

마지막으로, 저자들은 DoN 연산자의 파라미터 선택 가이드라인을 제시한다. r₁은 최소 객체 크기의 절반 이하로 설정하고, r₂는 주변 환경의 전역 형태를 포착할 수 있을 정도로 크게 잡는다. τ는 DoN 히스토그램을 분석해 피크와 바닥 사이의 최적 구분점으로 정한다. 이러한 경험적 규칙은 다양한 라이다 센서와 스캔 밀도에 적용 가능함을 실험을 통해 입증하였다.