Rooftop planes segmentation for point cloud LiDAR data with the partitioning around medoids algorithm and geometrical elevation change variables

기술 요약: PAM 및 고도 변화 변수를 이용한 LiDAR 데이터의 지붕 평면 분할

문제 정의
항공 LiDAR(Light Detection and Ranging) 포인트 클라우드에서 지붕 평면을 분할하는 것은 도시 모델링, 건물 재구성 및 태양광 잠재력 평가를 위한 핵심 단계이다. 기존의 접근 방식은 일반적으로 모델 기반 방법(예: RANSAC, 딥러닝)과 클러스터링 방법(예: K-means)의 두 가지 범주로 나뉜다. 그러나 이러한 방법들은 높은 계산 비용, 광범위한 전처리(예: 비평면 포인트 제거)의 필요성, 항공 이미지에 대한 의존성, 복잡한 최적화, 그리고 이상치(outlier)에 대한 민감도와 같은 상당한 단점을 갖는 경우가 많다. 또한, K-means와 같은 전통적인 클러스터링 알고리즘은 초구형(hyper-spherical) 클러스터를 형성하는 경향이 있으며, 지붕 구조에서 흔히 나타나는 불규칙한 형상을 처리하는 데 어려움을 겪는다. 현재 기능 집합(feature set)의 구체적인 한계점은 법선 벡터(normal vector)에 대한 의존성인데, 이는 희소 데이터 영역에서 불안정할 수 있으며 추가적인 재처리가 없이는 엣지(edge) 및 코너(corner) 포인트를 효과적으로 식별하지 못한다.

방법론
저자들은 재처리나 복잡한 모델 학습 없이 원시 LiDAR 데이터에 직접 작동하는 간단하고 "즉각적인(instant)" 분할 절차를 제안한다. 이 방법론은 세 가지 주요 구성 요소로 이루어진다:

1. 클러스터링 알고리즘 (Partitioning Around Medoids - PAM):
   K-means 대신, 본 연구는 PAM 알고리즘을 활용한다. PAM은 이상치에 대한 강건성과, 중심점(centroid)까지의 유클리드 거리 제곱 합을 최소화하는 대신 클러스터 내 포인트 간의 비유사성(dissimilarity) 합을 최소화함으로써 다양한 불규칙 형상의 클러스터를 형성할 수 있는 능력 때문에 선택되었다. 이는 복잡한 지붕 기하 구조에 적합하다.

2. 특성 공학 (고도 변화 변수):
   본 연구는 전통적인 법선 벡터 변수를 "고도 변화" 특성으로 대체한다. 각 포인트에 대해, 네 방향(비행 라인을 따라 그리고 가로질러 앞, 뒤, 좌, 우)의 인접 이웃에 대한 고도 변화를 계산한다.

• 기하학적 유의성: 이러한 변화는 양수, 음수 또는 0이 될 수 있다. 결정적으로, 이러한 변화의 조합과 개수는 알고리즘이 평평한 평면에 있는 포인트, 엣지, 그리고 코너를 구분할 수 있게 한다. 이는 고도 변화 변수가 교차점과 경계선을 본질적으로 식별하기 때문에, 평면 및 비평면 포인트를 사전에 분리할 필요를 없애준다.

3. 클러스터 수 결정:
   PAM은 사전 정의된 클러스터 수($k$)를 필요로 하므로, 저자들은 $k$를 자동으로 추정하기 위해 잠재력 기반 선택 시스템(Chiu, 1994)을 채택한다.

• 잠재력 계산: 고정 반경($r_\alpha$) 내의 이웃과의 거리에 기반하여 각 데이터 포인트에 대한 잠재력 점수를 계산한다.
• 최적 반경: 본 연구는 최적의 $r_\alpha$가 지붕 위의 가장 멀리 떨어진 두 포인트 사이 거리의 20%에서 40% 사이에 존재함을 결정하였다.
• 선택 과정: 가장 높은 잠재력을 가진 포인트가 첫 번째 메도이드(medoid)로 선택된다. 이후의 메도이드들은 이전에 선택된 메도이드들과 너무 가깝게 선택되는 것을 방지하기 위해 잠재력 점수가 반복적으로 수정되며 선택된다. 이 과정은 새로운 후보의 잠재력이 첫 번째 메도이드에 비해 특정 임계값 아래로 떨어질 때 중단된다.

주요 기여

• 단순성 및 효율성: 제안된 방법은 딥러닝이나 복잡한 영역 성장(region-growing) 알고리즘에 필요한 무거운 계산 부담, 모델 학습, 또는 다단계 최적화 없이도 고품질의 분할을 달 수 있다.
• 직접 적용: 이 방법은 원시 LiDAR 데이터를 직접 처리하여, 클러스터링 후 비평면 포인트를 제거하거나 다시 피팅할 필요가 없다.
• 새로운 특성 집합: 법선 벡터 대신 고도 변화를 활용함으로써, 이 방법은 평면을 동시에 분할하고 법선 벡터가 놓치기 쉬운 기하학적 특징(엣지 및 코너)을 식별한다.
• 강건한 클러스터링: 지붕 분할에 PAM을 적용함으로써, 적절한 입력 변수가 결합될 때 하드 클러스터링 방법이 불규칙한 지붕 기하 구조를 효과적으로 처리할 수 있음을 입증하였다.

결과
이 방법은 핀란드 쿠오피오(Kuopio)와 부오렐라(Vuorela)의 150개 건물에서 추출한 LiDAR 데이터(평균 포인트 밀도 5 points/m²)를 대상으로 테스트되었다. 분할 결과는 완결성(completeness, 세그먼트 수준)과 정확성(correctness, 포인트 수준)을 사용하여 평가되었다.

• 성능 지표: 제안된 방법은 평균 95.9%의 완결성과 98.1%의 정확성을 달성하였다.
• 비교 분석: 논문의 정량적 비교에 나타난 바와 같이, 이러한 결과는 경계 인식 클러스터링(정확성 93.3%), 메트릭 학습 기반 딥러닝(정확성 97.1%), 옥트리 기반 하이브리드 영역 성장(정량적 정확성 93.3%)을 포함한 최첨단 방법들과 경쟁 가능하며, 정확성 측면에서는 더 우수하다.
• 관찰 사항: 본 방법은 우수한 성능을 보이지만, 저자들은 기하학적 유사성으로 인해 세그먼트 엣지와 교차점에서 간혹 오분류가 발생할 수 있으며, 일관되지 않은 LiDAR 포인트 분포로 인해 세그먼트 경계가 거칠게 나타날 수 있다고 언급하였다.

의의 및 주장
본 논문은 단순하고 파라미터가 적은 접근 방식이 복잡한 다단계 방법과 대등한 결과를 낼 수 있음을 보여주는 데 주요한 의의가 있다고 주장한다. 저자들은 고도 변화의 조합이 법선 벡터를 대체하는 강력한 수단으로서, 3D 재구성과 경계 추출을 돕는 필수적인 기하학적 정보(엣지 및 코너 탐지)를 제공한다고 강조한다. 본 연구는 제안된 방법이 다양한 지붕 구조에 매우 잘 적응하며, 항공 이미지와 같은 외부 데이터 소스에 대한 의존도를 줄여 즉각적인 지붕 평면 분할을 위한 실용적인 솔루션이 된다고 결론짓는다. 저자들은 현재 결과가 강력하지만, 추가적인 최적화를 통해 성능을 더욱 향상시킬 수 있을 것이라고 겸허히 제언하였다.