드론으로부터 탐사지역을 촬영한 영상을 수집하여 3D 데이터를 추출하고, 상기 추출된 3D 데이터로부터 포인트 클라우드 데이터를 생성하고, 생성된 상기 포인트 클라우드 데이터를 전처리하여 프레임 단위로 생성하는 3D 모델 생성부;상기 포인트 클라우드 데이터로부터 객체를 검출하며, 상기 검출된 객체가 전체 프레임에서 검출된 횟수를 기반으로 고정형 객체를 분류하며, 상기 고정형 객체의 중심점을 참조점으로 생성하는 고정형 객체 생성부; 상기 생성된 고정형 객체의 외곽선을 단순화하여 컨벡스헐(Convex Hull)을 생성하는 컨벡스헐 생성부; 프레임별로 프레임 ID, 타임스탬프 및 상기 생성된 컨벡스헐의 포인트 클라우드 데이터 정보를 저장하며, 시간 변화에 따른 객체 상태의 변화를 추적하고, 추적된 변화에 따라 상기 포인트 클라우드 데이터를 갱신하여 출력하는 업데이트 및 시각화부;를 포함하고,상기 고정형 객체 생성부는,상기 포인트 클라우드 데이터에서 지면점을 제거하는 지면점제거부;상기 지면점이 제거된 포인트 클라우드 데이터에서 객체를 검출하고, 프레임별 객체특징정보를 추출하여 초기 클러스터를 생성하는 초기 클러스터 생성부;상기 초기 클러스터 생성부에서 생성된 클러스터의 부피가 객체 클래스별로 기설정된 부피 임계값을 초과하고, 생성된 클러스터의 밀도가 객체 클래스별로 기설정된 밀도 임계값을 초과하고, 검출된 객체가 전체 프레임에서 검출되는 횟수가 기설정된 임계값을 초과하는 경우, 해당 객체를 고정형 객체로 선별하는 고정형 객체 선별부; 및 상기 선별된 고정형 객체의 참조점을 생성하고, 상기 초기 클러스터 생성부에서 추출된 객체특징정보를 상기 참조점의 메타정보로 저장하는 참조점생성부;를 포함하며, 상기 객체특징정보는 검출된 객체의 중심점 좌표, 포인트의 밀도 및 부피값을 포함하는 고정형 객체 컨벡스헐 자동 생성 시스템.

제 1항에 있어서, 상기 3D 모델 생성부는, 타임스탬프 기준으로 GPS 및 관성측정장치로부터 상기 탐사지역의 위치 데이터를 상기 포인트 클라우드 데이터와 동기화하여 오차를 보정하는 오차보정부;상기 포인트 클라우드 데이터를 다운샘플링하고 이상치 데이터를 제거하는 노이즈제거부; 및 상기 포인트 클라우드 데이터로부터 지역적 특징점과 전역적 특징점을 추출하여 공간 정보의 특징을 추출하는 공간특성강화부;를 포함하는 고정형 객체 컨벡스헐 자동 생성 시스템.

삭제

제 1항에 있어서, 상기 지면점제거부는, 상기 포인트 클라우드 데이터로부터 무작위로 샘플 포인트를 선택하고, 상기 샘플 포인트를 기반으로 수학적 모델의 파라미터를 추정하고, 상기 포인트 클라우드 데이터의 전체와 상기 수학적 모델과 일치하는 포인트의 수를 계산하며, 기 설정된 횟수만큼 수학적 모델을 반복하여 생성하고, 일치하는 데이터의 수가 최대치를 갖는 모델을 선택하여 지면 포인트를 제거하는 고정형 객체 컨벡스헐 자동 생성 시스템.

제 1항에 있어서, 상기 초기 클러스터 생성부는, 임의의 점을 무작위로 선택하고, 기설정된 반경 내에 있는 복수개의 이웃 점을 탐색하여, 이웃 점의 수가 상기 임계값을 초과하면 상기 무작위로 선택된 점을 핵심점으로 지정하여 클러스터를 생성하고, 핵심점의 기설정된 반경 내의 점을 상기 생성된 클러스터에 포함시키며, 기설정된 횟수만큼 반복한 후 최종 클러스터에 속하지 않는 점은 노이즈로 처리하여 클러스터를 전처리하는 고정형 객체 컨벡스헐 자동 생성 시스템.

제 1항에 있어서, 상기 컨벡스헐 생성부는, 상기 고정형 객체의 포인트 클라우드에 대한 관심영역을 설정하고, 상기 관심영역 내에서 상기 고정형 객체의 포인트 클라우드로 이루어진 볼륨 박스의 양측 외곽점을 기반으로 컨벡스헐을 추출하고, 다음 프레임에서 컨벡스헐을 추출하는 경우, 이전 프레임에서 추출된 컨벡스헐의 외곽점을 재사용하는 초기 컨벡스헐 추출부; 및 상기 고정형 객체의 부피 및 밀도를 기반으로 객체점을 옥트리(Octree) 구조체로 분할하고, 각 분할된 컨벡스헐의 결과를 병합하되 중복 경계점을 제거하는 컨벡스헐 확장부;를 포함하는 고정형 객체 컨벡스헐 자동 생성 시스템.

드론으로부터 탐사지역을 촬영한 영상을 수집하여 3D 데이터를 추출하고, 상기 추출된 3D 데이터로부터 포인트 클라우드 데이터를 생성하고, 생성된 상기 포인트 클라우드 데이터를 전처리하여 프레임 단위로 생성하는 3D 모델 생성 단계; 상기 포인트 클라우드 데이터로부터 객체를 검출하며, 상기 검출된 객체가 전체 프레임에서 검출된 횟수를 기반으로 고정형 객체를 분류하며, 상기 고정형 객체의 중심점을 참조점으로 생성하는 고정형 객체 생성단계; 상기 고정형 객체 생성단계에서 생성된 고정형 객체의 외곽선을 단순화하여 컨벡스헐을 생성하는 컨벡스헐 생성 단계;프레임별로 프레임 ID, 타임스탬프 및 상기 생성된 컨벡스헐의 포인트 클라우드 데이터 정보를 저장하며, 시간 변화에 따른 객체 상태의 변화를 추적하고, 추적된 변화에 따라 상기 포인트 클라우드 데이터 정보를 갱신하여 출력하는 업데이트 및 시각화단계;를 포함하고, 상기 고정형 객체 생성단계는,상기 포인트 클라우드 데이터에서 지면점을 제거하는 지면점제거단계;상기 지면점이 제거된 포인트 클라우드 데이터에서 객체를 검출하고, 프레임별 객체특징정보를 추출하여 초기 클러스터를 생성하는 초기 클러스터 생성단계;상기 초기 클러스터 생성단계에서 생성된 클러스터의 부피가 객체 클래스별로 기설정된 부피 임계값을 초과하고, 생성된 클러스터의 밀도가 객체 클래스별로 기설정된 밀도 임계값을 초과하고, 검출된 객체가 전체 프레임에서 검출되는 횟수가 기설정된 임계값을 초과하는 경우, 해당 객체를 고정형 객체로 선별하는 고정형 객체 선별단계; 및 상기 선별된 고정형 객체의 참조점을 생성하고, 상기 초기 클러스터 생성단계에서 추출된 객체특징정보를 상기 참조점의 메타정보로 저장하는 참조점생성단계;를 포함하며, 상기 객체특징정보는 검출된 객체의 중심점 좌표, 포인트의 밀도 및 부피값을 포함하는 고정형 객체 컨벡스헐 자동 생성 방법.

제 7항에 있어서, 상기 3D 모델 생성 단계는, 타임스탬프 기준으로 GPS 및 관성측정장치로부터 상기 탐사지역의 위치 데이터를 상기 포인트 클라우드 데이터와 동기화하여 오차를 보정하는 오차보정단계; 상기 포인트 클라우드 데이터를 다운샘플링하고 이상치 데이터를 제거하는 노이즈제거단계; 및 상기 포인트 클라우드 데이터로부터 지역적 특징점과 전역적 특징점을 추출하여 공간 정보의 특징을 추출하는 공간특성강화단계;를 포함하는 고정형 객체 컨벡스헐 자동 생성 방법.

삭제

제 7항에 있어서, 상기 컨벡스헐 생성단계는, 상기 고정형 객체의 포인트 클라우드에 대한 관심영역을 설정하고, 상기 관심영역 내에서 상기 고정형 객체의 포인트 클라우드로 이루어진 볼륨 박스의 양측 외곽점 을 기반으로 컨벡스헐을 추출하고, 다음 프레임에서 컨벡스헐을 추출하는 경우, 이전 프레임에서 추출된 컨벡스헐의 외곽점을 재사용하는 초기 컨벡스헐 추출단계; 및 상기 고정형 객체의 부피 및 밀도를 기반으로 객체점을 옥트리구조체로 분할하고, 각 분할된 컨벡스헐의 결과를 병합하되 중복 경계점을 제거하는 컨벡스헐 확장단계;를 포함하는 고정형 객체 컨벡스헐 자동 생성 방법.