컴퓨팅 성능의 향상으로 최근 3D 데이터 복원을 위한 기법으로 이미지 분석기반 3D 스캔 방식인 포토그래메트리(Photogrammetry)가 확대되고 있다. 이때 포토그래메트리(Photogrammetry)의 작업 과정 중 기초단계인 데이터 획득과 정합 단계에서 정확하지 않은 포인트 클라우드가 생성된다면 이로 인해 3D 모델링 데이터의 품질이 떨어진다는 문제점이 발생한다.
포인트 클라우드는 3차원 공간에 통합된 데이터를 종합하여 색상 정보를 포함한 점을 뜻한다. 수동 또는 자동으로 획득된 이미지 데이터를 기반으로 포인트 클라우드가 생성되기 때문에 데이터 획득 단계에서는 촬영 조건에 따른 다양한 변수 요인들을 고려하여 데이터를 획득해야 한다. 이와 관련하여 이미지 데이터와 포인트 클라우드의 정확성에 대한 많은 연구가 진행되고 있지만, 주로 포인트 클라우드만을 연구하여 최종 포인트의 인식을 개선하거나 실측 단계에서 원본 데이터와 유사하게 만드는 연구가 주를 이루고 있으며 데이터 획득 단계에서 피사체의 변수 요인을 두고 포인트 클라우드의 정확도 품질을 향상시키기 위한 연구는 부족한 상황이다.
그러므로 해당 연구에서는 피사체를 구성하는 변수 요인을 패턴으로 정하고 이에 따라 생성되는 포인트 클라우드의 정확도에 대해 실험하였다. 일관된 촬영 조건에서 데이터를 획득하기 위해 일정한 환경에서 촬영이 가능한 포토그래메트리(Photogrammetry) 기반 테이블 스캐너를 제작하고, 제작한 스캐너를 이용하여 다양한 피사체를 복원해볼 수 있었다. 그 후 테이블 스캐너의 운영 과정에서 생성되는 포인트 클라우드 생성의 정확도를 향상시키기 위해 패턴을 변수 요인으로 두고 포인트 클라우드의 오차범위를 잔차(Residual)의 수치를 통해 비교 및 분석하였다.
피사체에 대한 변수 요인인 패턴을 선정하고 흑백 다이아몬드 무늬, 컬러점 무늬, 풍경 그림, 컬러 물결 무늬 등을 선정하여 진행하였다. 오차범위가 가장 적은 패턴은 순서대로 컬러 물결 무늬, 컬러 점 무늬, 컬러 풍경 그림이 되었고 가장 오차범위가 큰 패턴은 흑백 다이아몬드 무늬로 확인되었다.
결과적으로 1번째와 2번째로 오차범위가 적었던 패턴들의 공통점이었던 색의 다양함과 일정한 패턴이 3D 모델링 프로그램에서 낮은 오차범위의 포인트 클라우드를 생성한다는 것을 알 수 있었다. 또한, 3번째로 오차범위가 적었던 컬러 풍경 그림도 2번째로 오차가 적었던 컬러 점 무늬와 색의 다양함이라는 공통 요인이 존재하였다. 마지막으로 오차범위가 10을 넘어간 흑백 다이아몬드 무늬는 일정한 패턴이라는 공통 요인이 존재하였지만 색의 다양성이 흑과 백, 2가지로 구성된 차이점을 보여 위와 같은 분석 결과 색의 다양함에서 오는 패턴의 뚜렷함이 오차범위가 최소화되어 정확도가 향상된 포인트 클라우드에 가장 많은 영향을 준다는 것을 알 수 있었다.
이러한 실험 및 결과를 통해 3D 포토그래메트리(Photogrammetry) 기반 3D 스캔 과정에서 피사체의 패턴이 최종 결과물의 품질에 매우 큰 영향을 준다는 것을 확인하였고, 패턴이 없는 단색 피사체 복원을 위하여 패턴을 조사하면서 촬영하는 이미지 셋을 추가하여, 정합에 활용한다면 최종 결과물의 품질 향상에 큰 도움이 될 것이다.
해당 실험을 바탕으로 이후의 실험에서 변수 요인을 기준점이 될 수 있는 패턴, 혹은 다양한 지형지물을 구성하고 있는 패턴으로 선정해 다양하게 실험하여 데이터를 획득한다면 물체뿐 아니라 주변 환경, 지형, 건물 등 다양한 범위의 포토그래메트리(Photogrammetry) 기반 3D 스캔 복원 정확도를 향상시키는 연구에 활용 및 도움이 될 수 있을 것으로 기대된다.