Automatic Matching of Building Polygon Dataset from Digital Maps Using Hierarchical Matching Algorithm

계층적 매칭 기법을 이용한 수치지도 건물 폴리곤 데이터의 자동 정합에 관한 연구

Abstract

The interoperability of multi-source data has become more important due to various digital maps, produced from public institutions and enterprises. In this study, the automatic matching algorithm of multi-source building data using hierarchical matching was proposed. At first, we divide digital maps into blocks and perform the primary geometric registration of buildings with the ICP algorithm. Then, corresponding building pairs were determined by evaluating the similarity of overlap area, and the matching threshold value of similarity was automatically derived by the Otsu binary thresholding. After the first matching, we extracted error matching candidates buildings which are similar with threshold value to conduct the secondary ICP matching and to make a matching decision using turning angle function analysis. For the evaluation, the proposed method was applied to representative public digital maps, road name address map and digital topographic map 2.0. As a result, the F measures of matching and non-matching buildings increased by 2% and 17%, respectively. Therefore, the proposed method is efficient for the matching of building polygons from multi-source digital maps.

공간정보 제작의 다원화로 인하여 다양한 수치지도들이 여러 공공기관 및 기업에서 제작됨에 따라 데이터의 상호 운용성이 점점 중요해지고 있다. 이에 본 연구에서는 계층적 매칭 기법을 활용한 이종 수치지도의 건물 데이터 자동 정합기법을 제안하였다. 먼저 수치지도를 가구계 기반으로 분할한 후 ICP 알고리즘을 활용한 건물 기하보정을 1차적으로 수행하였다. 대응 가능한 건물쌍의 중첩면적 유사도를 평가하여 대응 건물을 결정하고 Otsu 이진 임계화를 수행하여 매칭 비매칭에 대한 임계값을 자동으로 설정하였다. 1차 매칭이 완료된 후 임계값과 비슷한 유사도를 가지는 건물들을 오매칭 후보군으로 추출하여 개별 건물에 대한 ICP 알고리즘 기반의 기하보정을 다시 수행하고 형태학적 인자인 회전각 함수분석을 추가 적용하여 정합여부를 재판단하였다. 실험평가를 위해 제안된 알고리즘을 대표적인 공공분야 수치지도인 도로명주소지도와 수치지형도 2.0의 건물 데이터에 적용하고 활용성을 평가하였다. 정확도 평가결과 매칭 건물 및 비매칭 건물에 대한 F 측정치가 각각 2%와 17% 향상되었으며 이를 통해 본 연구에서 제안한 알고리즘이 이종 수치지도 건물 정합에 효과적으로 적용될 수 있음을 확인하였다.

1. 서 론

측량기술의 발전과 공간정보의 다원화로 인하여 수치지도들이 여러 공공기관 및 기업들에 의해 제작되어 공급되고 있다. 통신 기업의 차량 항법(navigation) 지도, 검색 포털 기업의 위치 기반 서비스 지도, 공공기관의 행정 지도 등 다양한 수치지도들이 각각의 목적과 사용자에 따라 운용되고 있다. 이 중 공공기관 수치지도 자료는 업무 공조와 예산의 중복 집행을 줄이기 위하여 데이터의 높은 상호 운용성이 필요하다. 기 구축된 공간정보를 서로 통합하여 필요한 공간정보를 생성하거나 갱신할 경우 데이터 취득과 관련된 비용 절감 효과를 거둘 수 있다. 특히 수치지도의 건물 자료는 개체 수, 사용자의 관심, 갱신 주기 등을 고려할 때 가장 핵심적인 자료라 할 수 있다. 이러한 이유로 이종 수치지도 간의 건물 정합을 위한 다양한 연구들이 진행되었다(Kang et al., 2006; Kim et al., 2008; Kim et al., 2010; Zhang et al., 2012).

이종 건물 폴리곤 자료의 정합에 관한 기존 연구들은 일반적으로 객체의 중첩 면적을 중요 인자로 활용하여 매칭을 수행하거나(Huh et al., 2013) 이를 개선하기 위하여 면적이나 형상에 관한 유사도를 계산하고 이에 대한 가중 조합을 통해 매칭을 수행하였다(Huang et al., 2010; Kim et al., 2013; Zhongliang and Jianhua, 2008). 기존 연구와 같이 객체의 중첩 면적만을 유사도 기준으로 이용할 경우 중첩률이 높지만 형태학적으로 상이한 건물이 오매칭 될 가능성이 높다. 이를 보완하기 위하여 건물의 면적과 형상에 대한 가중 조합을 통해 건물의 매칭 여부를 판단할 경우에는 매칭 후보가 되는 대응 가능한 모든 건물쌍에 대해 유사도 계산 및 조합 유사도를 계산하여야 하므로 연산 효율성이 떨어지는 문제점이 있다. 또한 일반적으로 기존 연구들은 매칭된 건물에 대한 생산자 정확도(producer’s accuracy)와 사용자 정확도(user’s accuracy) 또는 이들의 조화 평균인 F 측정치(F measure)만을 이용하여 정확도를 평가하였다(Kim et al., 2012; Zhang et al., 2012). 그러나 이러한 평가 기법은 비매칭 건물의 탐색을 통한 데이터 갱신 측면에서 설명력이 부족하다는 문제점이 있다. 따라서 신축이나 철거에 의한 변화 건물과 이종 수치지도 간의 도화 작업 차이로 인한 건물과 같이 비매칭 건물에 대한 정확도 지표를 반영한 정확도 평가가 필요하다.

이에 본 연구에서는 이종 수치지도 건물 폴리곤에 계층적 매칭을 적용하여 매칭 정확도를 향상시켰다. 가구계(block) 기반 건물 폴리곤에 ICP(Iterative Closest Point) 알고리즘을 적용하여 기하보정을 수행하고 중첩 유사도 분석을 통해 1차 건물 매칭을 수행하였다. Otsu 임계화 기법을 이용하여 자동으로 매칭 판별에 대한 임계값을 설정하고 임계값과 유사도가 비슷한 건물들을 오매칭 후보군으로 선별하였다. 이 후 개별 건물에 대한 ICP 기하보정과 회전각 함수 분석을 적용하여 2차 매칭을 수행하였다. 제안된 기법의 효용성을 평가하기 위하여 데이터의 상호 운용성이 강조되는 대표적인 공공지도인 도로명주소지도와 수치지형도 2.0을 이용하여 실험을 진행하고 결과를 분석하였다. 최종적으로 매칭 건물 뿐만 아니라 비매칭 건물에 대한 정확도 평가를 함께 수행하여 제안 기법의 우수성을 확인하였다.

 

2. 연구방법

본 연구는 크게 전처리, 1차 매칭, 2차 매칭 및 정확도 평가 세 부분으로 구성된다(Fig. 1). 전처리 과정은 대응 가구계를 추출하는 과정으로서 도로명주소지도와 수치지형도 2.0의 도로 레이어와 이를 포함하는 폴리곤을 이용하여 도로로 둘러싸인 가구계를 추출하고 매칭한다. 계층적 건물 폴리곤 매칭은 1차 매칭, 오매칭 후보군 추출, 2차 매칭으로 이루어지며 1차 매칭에서는 대응 가구계 내에 존재하는 건물 군에 대해 ICP 알고리즘을 활용한 기하보정을 실시한 후 중첩 면적 분석 및 매칭쌍 탐색을 수행한다. 중첩 면적 비율을 유사도 기준으로 하여 매칭쌍과 비매칭쌍에 대한 Otsu 이진 분류를 수행한다. 유사도가 임계값과 비슷한 건물들은 오매칭 확률이 높으므로 정확도 개선을 위하여 재탐색 후보군으로 설정하였다. 이 후 후보군에 대하여 가구계 건물 군이 아닌 개별 건물들에 대해 ICP 알고리즘을 활용한 기하보정을 다시 수행하고 형태학적 인자인 회전각 함수분석을 적용하는 2차 매칭을 실시하였다. 최종적으로 판독을 통해 구축된 매칭 참조 자료와 비교 분석하여 제안 기법의 정확도를 평가하였다.

Fig. 1.Flow chart of the study

2.1 가구계 추출 및 대응 가구계 결정

일반적으로 동일 지역의 소규모 건물군에 대한 매칭을 수행할 경우 가구계 추출은 불필요하다. 그러나 광역 범위의 건물군에 대한 매칭을 수행할 때 기하보정 기법에 의해 계산된 회전 및 이동량을 전체 데이터에 일괄적으로 적용할 경우 지역적인 위치 오차가 크게 발생하게 된다. 따라서 본 연구에서는 가구계를 우선적으로 추출하고 기하보정의 기본 단위로 사용하였다. 가구계란 도로로 둘러싸인 영역으로서 도시 계획에 의해 구획된 블록을 의미하며 일반적으로 한 가구계에는 수개에서 수십 개의 건물이 존재한다. 수치지형도와 도로명주소지도 전체를 포함하는 폴리곤(O)을 생성하였을 때 도로 폴리곤(R)과의 차 연산을 통해 개별 가구계를 추출 할 수 있다.(Eq. (1)). 또한 이종 데이터간에 대응 가능한 가구계쌍의 중첩 면적비를 계산함으로써 면적유사도(Sa)가 가장 높은 대응쌍을 결정할 수 있다(Eq. (2)). 두 지도는 기준 타원체와 좌표계가 다르기 때문에 투영 변환 후에도 계통(systematic)위치 오차가 존재하나 오차가 작고 중첩 면적비가 그에 비해 매우 크므로 별도의 기하학적 보정 방법 없이 투영 변환만을 적용하여 대응 가구계 탐색을 수행하였다.

where B : Block polygon set, O : Outer polygon, R : Road polygon set, Sa : Area similarity, Br, Bd: block polygon of road name address map and digital topographic map.

2.2 계층적 건물 폴리곤 매칭

2.2.1 1차 건물 폴리곤 매칭 및 오매칭 후보군 추출

추출된 가구계 대응쌍 내에 존재하는 건물군에 대해 ICP 알고리즘을 적용하여 기하학적 위치 오차를 보정하였다. 본 연구에서는 최신성이 높은 도로명주소지도를 수치지형도에 맟추어 보정함으로써 신규 건물의 갱신이 가능하도록 하였다. 가구계 기반으로 ICP 알고리즘을 적용할 경우 가구계별로 고유한 회전 행렬(R)과 이동 벡터(T)가 계산되기 때문에 지역적인 왜곡을 최소화 할 수 있으며 연산 부하를 줄일 수 있다.

ICP 알고리즘은 점으로 구성된 두 벡터 데이터의 기하학적 차이가 최소가 되도록 변환량을 반복적으로 추정하는 알고리즘이다(Besl and Mckay, 1992; Chen and Medioni, 1992). 도로명주소지도를 수치지형도에 맞추어 등록(registration) 할 경우, 첫 번째 단계에서는 도로명주소지도 내 각각의 포인트에 대하여 수치지형도 내 가장 가까운 인접 포인트를 탐색한다. 이 후 Eq. (3)과 같이 두 데이터의 대응 포인트들에 대한 평균제곱근오차 비용함수(C)를 최소화 시키는 회전 행렬과 이동 벡터를 추정한다. 대응점을 탐색하고 회전 및 이동 요소를 추정하는 전체 과정이 정해진 반복 횟수 또는 비용함수가 수렴할 때까지 반복된다. 일반적으로 ICP 알고리즘을 적용할 경우 빠른 속도로 비용함수가 수렴하며, 본 연구에서는 10번의 반복 횟수를 적용하였다.

where C : Cost function, n : Number of point data, R : Rotation matrix, : Translation vector, : Coordinate vector of i-th point in road name address map and digital topographic map.

가구계별로 계산된 회전 및 이동 변환량을 도로명주소지도 건물에 적용한 후 수치지형도 건물과 중첩 면적 비율을 계산하였다. 중첩면적 비율은 Eq. (2)에서 설명한 것과 같이 두 폴리곤 데이터의 합집합 면적에 대한 교집합 면적으로서 유사도 판별을 위한 가장 대표적인 기준이다. 대응 가능한 건물 쌍에 대하여 중첩면적 비율을 계산하고 가장 유사도가 높은 쌍을 매칠 건물로 결정하였다. 유사도는 0에서 1사이의 값을 가지며 0은 중첩 되는 건물이 없는 것을 의미하고 1은 두 건물이 완벽히 중첩되는 것을 의미한다. 건물의 유사도가 높을수록 동일 건물일 확률이 높으며 매칭 여부를 판별하기 위해서는 0에서 1사이의 임계값 설정이 필요하다. 이종 건물 폴리곤의 경우 매칭 건물은 두 데이터의 속성 융합에 활용되며 비매칭 건물은 신규 건물 갱신, 부정확한 도화 건물 수정에 활용이 가능하다. 매칭 건물과 비매칭 건물을 자동으로 분류하기 위해 Otsu 임계화 기법을 이용하였다. Otsu 임계화 기법은 클래스간 분산()과 클래스내 분산()을 이용하여 클래스들의 분리도가 최대가 되도록 임계값을 탐색하는 알고리즘이다(Otsu, 1975). Eq. (4)와 같이 전체 분산을 클래스간 분산과 클래스내 분산의 합으로 표현할 때, 클래스내 분산은 가중치가 고려된 매칭 건물과 비매칭 건물 분산의 합으로 표현된다(Eq. (5)). 임계값에 따라 매칭 건물과 비매칭 건물의 분산이 달라지며 클래스 내의 분산이 최소, 클래스 간의 분산은 최대가 되는 임계값을 건물 매칭에 대한 기준으로 결정한다. 이 후 계층적 매칭을 위하여 중첩 면적비가 임계값의 ±0.1 범위 안에 들어오는 건물쌍은 오매칭 확률이 높은 오매칭 후보군으로 추출하고 2차 매칭을 수행하였다.

where σ : Total standard deviation, σi, σw : Standard deviation of inter- and within- class, t : Threshold value, w : Weight, σm, σn : Standard deviation of matching and nonmatching class.

2.2.2 2차 건물 폴리곤 매칭

2차 건물 폴리곤 매칭 단계에서는 오매칭 후보군으로 추출된 건물쌍에 대하여 개별 건물에 대한 ICP 기하보정을 수행하였다. 또한 오매칭 후보군에 대한 매칭 정확도 향상을 위하여 중첩 면적비 이외에 형태적 특징을 고려한 회전각 함수 분석을 수행하였다. 회전각 함수란 폴리곤이나 폴리라인 벡터데이터 선 성분의 길이와 x축과 이루는 각을 이용하여 두 데이터의 유사도를 결정하는 기법이다(Arkin et al., 1991). Fig. 2와 같이 우측 하단 부터 반시계 방향으로 탐색된 선분들의 각과 누적길이를 평면에 나타내어 벡터 데이터의 형태적 특징을 기술한다.

Fig. 2.The example of turning angle function

회전각 함수 분석은 두 데이터의 평행 이동 변화에 독립적인 유사도 측정이 가능하다는 장점이 있으며 중첩률은 높지만 형태적으로 상이한 건물의 매칭 여부를 판단하여 중첩 면적비와 보완적인 유사도 측정이 가능하다. 회전각 함수 분석을 이용한 유사도 측정은 누적길이-각도 평면에서 의 넓이를 비교함으로써 수행된다. 두 폴리곤 데이터의 둘레(perimeter)가 다르므로 변환 폴리곤을 기준 폴리곤의 둘레로 변환한 후 두 회전각 함수의 면적 차이, 즉 불일치 면적을 측정한다. 이 후 변환 폴리곤의 넓이에 대한 면적 차이의 비가 비유사도(dissimilarity)로 측정된다. 회전각 함수 매칭 분석에 의한 유사도(St)는 1에서 비유사도 값을 뺀 것으로 Eq. (6)과 같다. 변환 폴리곤 면적의 10% 이상이 불일치 면적일 경우 두 폴리곤의 형태가 다른 것으로 판단하였으며 이 때 임계값은 0.9이다.

where St : Turning angle similarity, D: Dissmilarity, c' : Transformed cumulative length, Tr, Td :Turning angle function of road name address map and digital topographic map.

2.3 정확도 평가

중첩 면적 유사도와 회전각 함수 분석을 통해 계산된 유사도를 바탕으로 이종 수치지도 간의 건물 폴리곤 매칭 여부를 판단하게 된다. 두 유사도 기준을 모두 만족하는 경우에만 매칭 건물로 분류 되며 제안 기법의 정확도 평가는 육안 판독을 통해 구축된 참조자료와 비교를 통해 수행되었다. 참조 자료는 두 건물의 각, 위치 오차와 독립적으로 동일한 건물 인지를 기준으로 생성되었다. 매칭과 비매칭 건물에 대한 이진 분류의 정확도 평가 지수는 Table 1의 오차행렬(error matrix)을 통해 계산된다.

Table 1.Error matrix of binary classification

Table 1의 오차행렬 요소들을 매칭 여부 및 참조 자료와의 일치 여부에 따라 (a), (b), (c), (d)로 나눌 때 매칭 클래스별 F 측정치는 Eq. (7)~(8)과 같다. F 측정치는 생산자 정확도와 사용자 정확도의 조화 평균으로서 누락 오차(omission error)와 포함 오차(commission error)를 모두 안배한 지수라는 장점이 있다. F 측정치는 값이 1에 가까울수록 높은 정확도를 의미한다.

where Fm, Fn : F measures of matching and non-matching buildings, a, b, c, d : Factors in error matrix.

두 수치지도 데이터 내 공통 건물의 통합은 공통점과 관련된 정확도 Fm의 영향을 받으며, 신규 건물 갱신과 오차 수정은 차이점과 관련된 정확도 지표 Fn의 영향을 받는다. 대부분의 기존 연구들은 두 데이터가 얼마나 일치하는 지에 대한 관점인 Fm을 주요 평가 지수로 활용 하고 있으나 (a)의 수는 (d)에 비해 10배 가까이 많기 때문에 신규 건물 갱신의 관점에서는 충분한 설명력을 가지는 지표라 하기 어렵다. 따라서 본 연구에서는 두 가지 F 측정치를 함께 고려하여 계층적 매칭기법을 적용하기 전·후에 대한 정확도를 분석하였다.

 

3. 연구결과 및 분석

3.1 실험 데이터 및 대응 가구계 결정

본 연구에서는 제안된 알고리즘의 평가를 위해 행정자치부의 도로명주소지도와 국토지리정보원의 수치지형도 2.0을 이용하였다. 두 지도는 기준 타원체와 좌표계가 다를 뿐만 아니라 갱신 주기에서 큰 차이를 보인다. 도로명주소지도는 건물의 행정적인 주소 등록과정을 통해 실시간에 가까운 갱신이 이루어지는 반면 수치지형도는 2년에 한 번씩 항공사진측량과 현지 측량에 의하여 주기적으로 갱신이 이루어진다. 도로명주소지도의 최신성과 수치지형도의 위치 정확성은 상호 보완적인 관계에 있으며 이는 두 수치지도 자료의 통합을 통해 증대될 수 있다. 이러한 활용성을 바탕으로 Bang et al.(2012)은 수치지형도와 도로명주소지도의 도로 레이어 연계를 위하여 매칭 및 속성 융합 방안을 제안하였으며, Moon et al.(2012)은 최소경계사각형 기반의 중첩 면적 분석을 통해 수치지형도와 도로명주소지도를 매칭하고 속성정보를 생성하는 연구를 수행하였다. 또한 Yeom et al.(2014)은 수치지형도와 도로명주소지도의 건물 매칭 결과를 분석하고 유사도의 자동 임계화를 통하여 신규 건물을 갱신하는 연구를 수행하였다. 본 연구의 실험 지역은 서울뉴타운사업의 일환으로 2007년부터 도시 재정비가 진행되고 있는 강북구로 정하였다. Fig. 3은 강북구의 도로명주소지도와 수치지형도 2.0이며, 도로명주소지도는 2012년 그리고 수치지형도는 2011년에 제작되었다. 도로명주소지도와 수치지형도는 기준 타원체와 좌표계가 상이하므로 변환 대상인 도로명주소지도를 투영변환하여 수치지형도와 좌표계를 일치시켰다.

Fig. 3.Gangbuk-Gu building layer from (a) projected road name address map and (b) digital topographic map 2.0

Fig. 4는 매칭의 전처리 과정으로서 수치지도별로 가구계를 추출한 결과이다. 강북구 행정 경계를 최외곽 폴리곤으로 이용하였으며 두 수치지도 데이터의 도로 레이어로부터 추출된 가구계들의 차이점은 두 지도 간의 위치 편차가 존재한다는 점과 도로명주소지도가 가구계 내에 위치한 이면 도로를 보다 상세히 기술하고 있다는 것이다. 중첩 면적비가 가장 큰 가구계 쌍이 대응 가구계로 추출되었으며 추출된 가구계는 1부터 n의 임의의 레이블 값을 갖는다. 강북구에 존재하는 2,244개의 가구계 중 약 5%인 100개의 가구계를 임의 표집(random sampling)하여 실험을 수행하였다.

Fig. 4.The example of overlap block polygons from projected road name address map and digital topographic map 2.0

3.2 1차 건물 폴리곤 매칭 및 오매칭 후보군 추출

임의 표집된 100개의 가구계 내에는 1248개의 건물들이 존재하며 대응 건물 탐색을 위하여 ICP 알고리즘을 이용하여 기하보정을 수행하였다. 도로명주소지도를 변환 데이터로 수치지형도를 기준 데이터로 하여 ICP 알고리즘을 적용하였으며, 가구계 168번에 대한 예시 결과는 Fig. 5와 같다. 도로명주소지도에 일정 방향으로 존재하던 계통 위치 편차가 기하보정 후에 제거되었으며 대부분 건물들의 위치오차가 잘 보정되었으나 도로명주소지도 속성정보 내 8번 건물의 경우 가구계 기준의 회전, 이동 변환 요소가 부적합한 것을 알 수 있다. 이는 가구계 건물군의 종합적인 위치 오차가 개별 건물과 다르기 때문이며 이러한 문제를 해결하기 위하여 대응 건물쌍의 면적 유사도가 임계값과 유사한 경우 오매칭 후보군으로 추출하였다.

Fig. 5.Corrected building polygons in block #168 (a) before and (b) after the registration

1차 건물 매칭에 의한 전체 건물 대응쌍의 중첩 면적 유사도 분포는 Fig. 6과 같다. 건물의 신축, 증축 주기에 비해 수치지도의 제작 주기가 짧기 때문에 대부분의 건물이 변화가 없으므로 중첩 유사도가 높은 건물이 다수인 것을 알 수 있다. Otsu 임계화를 적용하여 자동으로 계산된 임계값은 0.7020이며 최대 중첩 면적비의 10%인 ±0.1의 범위를 적용하여 오매칭 후보군을 결정하였다. 전체 건물의 약 11%인 135개의 건물들이 해당 범위의 유사도 값을 가져 오매칭 후보군으로 추출되었다.

Fig. 6.Histogram of building area similarity

3.3 2차 건물 폴리곤 매칭

135개 건물쌍의 오매칭 후보군에 대해 ICP 알고리즘을 이용한 개별 건물의 기하보정과 회전각 함수 분석을 추가적으로 수행하였다. 계층적 매칭 기법을 통해 전체 건물 중 오매칭 확률이 높은 11%의 건물들만을 선택적으로 2차 매칭함으로써 효율적인 연산이 가능하다. Fig. 7의 사례들과 같이 1차 기하보정에서 위치 오차가 존재하던 건물들이 성공적으로 기하보정 되었다. 두 수치지도의 가구계 내 건물 중 갱신주기의 차이에 의해 서로 다른 건물이 포함되어 있거나 도화가 다르게 이루어져 형태가 상이한 건물이 존재하는 경우 일부 건물의 매칭 정확도가 떨어지게 되며 이 때 2차 매칭의 효과가 크게 나타났다.

Fig. 7.Comparison results after 1st and 2nd registration using ICP algorithm

그리고 중첩 면적 유사도는 크지만 형태적으로 상이한 건물들의 경우 회전각 함수 분석을 통해 매칭 정확도가 향상된다. Fig. 8의 건물은 두 수치지도에서 형태적으로 상이함에도 불구하고 면적 유사도가 임계값 이상이므로 매칭 건물로 분류된다. 그러나 회전각 함수 분석을 함께 적용할 경우 회전각 유사도가 임계값 이하이기 때문에 최종적으로 비매칭 클래스로 분류된다.

Fig. 8.Similarity difference between overlap area and turning angle function

3.4 정확도 평가

정확도 평가를 위해 구축된 참조자료를 바탕으로 매칭 결과를 평가하였다. 또한 제안 기법의 결과를 1차 매칭만을 적용한 경우와 비교하여 우수성을 분석하였다(Table 2). 1차 매칭 기법에 비해, 제안 기법은 정매칭(true positive)과 정비매칭(true negative) 건물 수가 모두 더 많았으며 오매칭(false positive)과 오비매칭(false negative) 건물은 더 적은 것으로 나타났다. 특히 정비매칭 건물 수가 1차 매칭만을 적용한 경우에 비해 36% 가량 크게 증가하였다. 이는 계층적 매칭을 이용함으로써 오매칭과 오비매칭 건물이 감소하였기 때문이다. 매칭에 대한 F 측정치(Fm)는 0.9496에서 0.9702로 약 2% 증가하였으며 비매칭에 대한 F 측정치(Fn)는 0.6237에서 0.7937로 17% 증가하였다.

Table 2.Error matrix for accuracy assessment

 

4. 결 론

본 연구에서는 이종 수치지도 건물 데이터의 정합 시 매칭 정확도와 효율성을 높이기 위하여 1, 2차 매칭으로 구성된 계층적 매칭 기법을 제안하였다. 특히 객체의 중첩 면적 유사도뿐만 아니라 형태적 특성을 고려하기 위한 회전각 함수 분석을 수행하였으며 전체 건물이 아닌 오매칭 후보군에만 2차 ICP 기하보정과 회전각 함수 분석을 수행함으로써 연산 효율적인 알고리즘을 제안하였다. 2차 ICP 기하보정을 통해 건물의 정확한 기하보정이 이루어졌으며 회전각 함수 분석을 적용한 결과 오매칭 건물의 수가 감소하였다. 제안 기법의 정확도 평가 결과, 높은 매칭 정확도(Fm)를 보였을 뿐만 아니라 신규 건물 및 도화 오류 건물 갱신과 관련된 중요 평가 지수인 비매칭 정확도(Fn) 또한 크게 향상되는 것을 확인하였다. 제안 기법은 데이터의 상호 운용성이 강조되는 공공기관 수치지도 데이터의 통합 및 갱신에 효율적으로 사용될 수 있으며 향후 다원화되는 GIS 자료의 융합에 도움이 될 것이라 기대된다.