[pcd] LiDAR 데이터의 noise 제거 방법론 라이더 데이터(PCD, LAS 등)에서 노이즈를 효과적으로 제거하는 방법은 데이터 품질 향상과 정확한 3D 모델링을 위해 필수적입니다. 다양한 기법과 도구를 활용해 환경 간섭, 센서 오류 등으로 발생하는 이상치를 제거할 수 있으며, 본 글에서는 실무에서 적용 가능한 핵심 기법들을 체계적으로 정리합니다. 1. 통계적 이상치 제거(Statistical Outlier Removal) 수학적 원리- 평균 거리 계산 : 각 포인트 \(p_i\)에 대해, 주변의 k-최근접 이웃과의 평균거리 \(\bar{d}_i\)를 계산합니다.- 전체 평균 및 표준편차 : 모든 포인트의 평균거리 \(\mu\)와 표준편차 \(\sigma\)를 계산합니다.- 이상치 판단 : 포인트 \(p_i\)가 \(\bar{d}_i>\mu+\alp.. 2025. 4. 15. [pcd] 도로 포인트클라우드를 평면으로 정렬하는 4가지 방법: 딥러닝 전처리를 위한 접근(4. PCA기반 평면정렬) 포인트클라우드는 자율주행, 디지털 트윈, 스마트시티 등에서 중요한 3D 데이터입니다. 특히 도로 주행 환경을 스캔한 포인트클라우드를 딥러닝에 활용하려면, 도로면을 평면으로 정렬하거나 2D 이미지처럼 표현하는 전처리 과정이 필요합니다. 이 글에서는 도로와 같은 경사 있고 굴곡진 포인트클라우드를 projection 하기 위한 4가지 대표적인 방법 중 네 번째를 소개합니다. 4. PCA(Principal Component Analysis)PCA는 데이터의 분산이 가장 큰 방향을 찾아내는 고전적인 통계 기법입니다. 주로 고차원 데이터를 저 차원으로 투영할 때 사용되지만, 3D 포인트 클라우드에서는 다음과 같은 목적에 활용됩니다. 입력: 3D 포인트 집합\( X = \{ \mathbf{x}_1, \mathbf {.. 2025. 4. 14. [pcd] 도로 포인트클라우드를 평면으로 정렬하는 4가지 방법: 딥러닝 전처리를 위한 접근(3. DTM기반 CSF) 포인트클라우드는 자율주행, 디지털 트윈, 스마트시티 등에서 중요한 3D 데이터입니다. 특히 도로 주행 환경을 스캔한 포인트클라우드를 딥러닝에 활용하려면, 도로면을 평면으로 정렬하거나 2D 이미지처럼 표현하는 전처리 과정이 필요합니다. 이 글에서는 도로와 같은 경사 있고 굴곡진 포인트클라우드를 projection 하기 위한 4가지 대표적인 방법 중 세 번째를 소개합니다. 3. DTM(DIgital Terrain Model)DTM은 지표면의 형상을 3D로 표현한 모델입니다.LiDAR, 항공사진 등으로부터 얻은 포인트 클라우드를 분석해 지면만 분리하고, 그위에 있는 구조물(건물, 나무 등)은 제거합니다. CSF(Cloth Simulation Filtering)란?CSFsms DTM을 추출하는 대표적인 방법중.. 2025. 4. 14. [pcd] 도로 포인트클라우드를 평면으로 정렬하는 4가지 방법: 딥러닝 전처리를 위한 접근(2. Moving Least Squares) 포인트클라우드는 자율주행, 디지털 트윈, 스마트시티 등에서 중요한 3D 데이터입니다. 특히 도로 주행 환경을 스캔한 포인트클라우드를 딥러닝에 활용하려면, 도로면을 평면으로 정렬하거나 2D 이미지처럼 표현하는 전처리 과정이 필요합니다. 이 글에서는 도로와 같은 경사 있고 굴곡진 포인트클라우드를 projection 하기 위한 4가지 대표적인 방법 중 두 번째를 소개합니다. 2. Moving Least Squares(MLS)Moving Least Squares(MLS)는 포인트클라우드에서 곡면 구조를 추정하거나, 노이즈를 제거하고 점들을 부드럽게 보관할 수 있는 기법입니다. 이름처럼 이동하면서 최소제곱을 반복해, 각 점 주변의 로컬 곡면 또는 평면을 계산합니다. 즉, 각 점 주변의 지역적인 평면/곡면을 만들어.. 2025. 4. 14. [pcd] 도로 포인트클라우드를 평면으로 정렬하는 4가지 방법: 딥러닝 전처리를 위한 접근(1. RANSAC) 포인트클라우드는 자율주행, 디지털 트윈, 스마트시티 등에서 중요한 3D 데이터입니다. 특히 도로 주행 환경을 스캔한 포인트클라우드를 딥러닝에 활용하려면, 도로면을 평면으로 정렬하거나 2D 이미지처럼 표현하는 전처리 과정이 필요합니다. 이글에서는 도로와 같은 경사 있고 굴곡진 포인트클라우드를 projection 하기 위한 4가지 대표적인 방법 중 첫 번째 방법을 소개합니다. 1. RANSAC기반 평면추정RANSAC(Random Sample Consensus)은 노이즈나 이상치가 많은 데이터에서도 강건하게 평면을 추정할 수 잇는 고전적 기법입니다. 도로면이 전체 포인트 클라우드에서 가장 넓은 평면일 것이라는 가정 하에 사용됩니다. 핵심 아이디어1. 임의로 최소 샘플 수 만큼 점을 선택(예: 평면 -> 3점).. 2025. 4. 14. [PCD]Frontal view Lane Detection K-lane 논문 리뷰 K-lane LLDN(Lidar Lane Detection Network ) 1. 역사CLDN : 카메라 기반 차선 감지는 조명 조건에서 상당한 성능 문제가 존재하지만 라이다는 야간, 빛 등 다양한 조명 조건에 강함카메라 기반 방법은 자차로부터의 거리에 따라 두께가 감소하여 동일한 소실점을 향하게 되어 차선 끝에 왜곡 문제 존재LLDN : 초기 라이다 기반 차선 감지는 차선 표시를 식별하기 위해 강도 또는 반사율 임계값 설정에 의존하였지만 사전 정의된 임계값에만 한정되어 다양한 조로 환경 조건에 부합하지 않았음2. LLDN GFC(Lidar Lane Detection Networks utilizing Global Feature Correlator) LLDN-GFC(Lidar lane detection n.. 2025. 3. 17. [PCD] Point Transformer V3(PTv3) 논문리뷰 PTv3는 3D 점군 데이터를 처리하기 위한 Transformer 기반 U-Net 형태 백본입니다. 전체 아키텍처는 U-Net처럼 4단계 인코더와 4단계 디코더로 구성되며, 각 인코더 단계에서 일정 비율로 점들을 다운샘플링하고 연속된 Transformer 블록을 쌓은 뒤, 디코더 단계에서 업샘플링을 통해 원래 해상도로 복원합니다. 모델 전반의 설계 철학은 단순성과 효율성을 극대화하여 대규모 점군에 대한 **확장성(scalability)**을 확보하는 데 있습니다. 이를 위해 PTv3는 이전 버전들에서 복잡하게 사용되던 연산들을 과감히 단순화하거나 제거하고, 효율적인 점군 구조화 기법을 도입하여 더 빠른 속도와 적은 메모리로 동등한 성능을 달성합니다. 주요 구성 요소점군 직렬화(Point Cloud Ser.. 2025. 3. 17. [PCD] start 오늘부터 point cloud data를 다루게됐습니다. 해본적이 없어서 앞으로 공부하고 정리할 내용이 많아질 것 같습니다. 기대가 되네요 2025. 3. 12. 이전 1 다음
