1. 서 론
최근 인터넷과 스마트폰의 발달로 다양한 공간정보서비스가 제공되고 GPS, 무선 통신을 이용한 상세한 수준의 위치기반서비스(Location-based
service)가 가능해짐에 따라 보행자용 내비게이션 서비스(Pedestrian Navigation Service, PNS)에 대한 관심 또한 높아지고
있다. 해외에서 상용화된 PNS 사례로는 구글의 도보 길찾기 서비스, Garmin cityXplorer™ 등이 있으며, 국내에서는 네이버와 다음 포털 사이트가 제공하는 도보 길찾기 서비스 등이 있다.
내비게이션 서비스를 위한 요소 기술들에는 전자지도 데이터베이스, 맵 매칭 기술, 사용자 인터페이스 기술, 위치 항법 기술, 경로 탐색 기술, 경로
안내 기술, 무선 통신 기술 등이 있다(Zhao, 1997). PNS를 제공하는 데에는 이들 요소 기술 중 경로 안내에 대한 고려가 필요하다. PNS는
도로 네트워크를 이용하여 경로 안내를 한다는 점에서 차량용 내비게이션 서비스(Car Navigation Service, CNS)와 유사하나, 보행자의
고유한 특성 때문에 CNS의 경로 안내 방식을 그대로 이용하는 것은 비효율적이다. 도로 네트워크상에서만 움직이는 차량과는 달리 보행자는 도로 네트워크뿐만
아니라 자유도가 높은 공간에서도 이동하기 때문이다. 따라서 보행자를 대상으로 길안내를 할 때에는 CNS처럼 거리와 방향만을 이용한 안내보다는 보행자의
특성을 고려한 길안내 방식을 택할 필요가 있다(Elias, 2003; Rho et al., 2011). 보행자가 공간인식이나 경로에 대한 의사소통을
할 때 랜드마크를 이용하기 때문에 보행자가 길찾기 또는 길안내 과정에서 랜드마크는 중요한 역할을 한다. 랜드마크는 전역적(global) 또는 지역적(local)
랜드마크로 구분된다. 공간 추론의 맥락에서 랜드마크는 공간의 지각적 인식에서 기준 역할을 한다. 지역적 랜드마크는 눈으로 볼 수 있는 환경으로 정의된
지역에서 기준으로 이용되며, 전역적 랜드마크는 더 광범위한 지역에서 기준으로 이용된다. 다음으로 길찾기의 맥락에서 전역적 랜드마크는 방향 정보를 제공하는
데 이용되며, 지역적 랜드마크는 경로에 가까이 위치하여 위치 정보를 제공한다. 특히, 지역적 랜드마크 중에서 갈림길에 위치한 랜드마크는 길안내에 중요한
역할을 한다. Denis et al. (1999)은 선택점에 위치한 랜드마크가 길안내의 질에 중요한 역할을 한다고 주장하였으며, Lovelace et
al. (1999)은 익숙하지 않은 환경에서 보행자의 길안내에 대한 평가와 선택점에 위치한 랜드마크가 유의미한 양의 상관관계를 가지고 있음을 보였다.
또한 Michon and Denis (2001)는 보행자는 랜드마크를 향해서 이동하는 특성이 있으며 경로에서 방향 전환이 필요할 때 랜드마크가 필요해지므로,
경로 상에 존재하는 모든 선택점 근처에 있는 랜드마크가 제공되어야 한다고 주장하였다.
랜드마크의 특성을 정의하는 데 있어 ‘현출성(salience 또는 saliency)’이라는 개념이 중요한 역할을 한다(Raubal and Winter,
2002; Elias, 2003; Caduff and Timpf, 2008). 현출성이란 다른 객체들과 비교했을 때, 상대적으로 눈에 띄고 구별되는
성질을 의미한다. Caduff and Timpf (2008)는 현출성을 물체에 대한 시각적 주의(Visual attention)의 분배로 정의하고
이를 랜드마크의 현출성을 평가하는 기준으로 삼았다. 시각적 주의란 일정한 노출범위 내에 있는 자극에 초점을 기울이는 정도를 의미한다. 인간의 시각적
주의를 모방하기 위한 모델에서는 크기, 모양, 방향, 색상, 밝기, 질감 등의 특성을 이용한다(Treisman and Gelade, 1980; Scholl,
2001). 이와 같은 랜드마크의 현출성을 고려하여 길안내를 위한 랜드마크를 추출하기 위해 다양한 연구가 진행되어 왔다. Raubal and Winter
(2002)은 랜드마크의 특징이 될 수 있는 건물의 속성을 정의하고 랜드마크의 현출성을 수치적으로 모델링하였다. 시각적 속성(건물 정면 면적, 모양,
색깔, 가시성), 의미론적 속성(문화·역사적 중요성, 간판), 구조적 속성(인접한 도로 네트워크의 연결성, 건물의 이동방해성)으로 건물의 속성을 정의하고
랜드마크가 인접한 건물들과의 차이에 따라 결정된다는 가정 하에 각각의 속성들이 주변 건물의 평균과 통계적으로 유의미하게 다른지 검정하였다. 유의미하게
다른 경우 1, 다르지 않은 경우를 0으로 하고 각 값을 속성에 따라 가중선형조합하여 랜드마크의 가치로 정의하였다. 랜드마크의 가치가 큰 경우 길안내
시 이용될 수 있다. Elias (2003)는 건물의 속성을 이용하여 공간 데이터베이스로부터 랜드마크를 자동으로 추출하는 방법을 제안하였다. 건물의
속성을 건물용도, 크기, 높이, 인접한 주변건물 수, 방향, 도로와의 거리 등으로 정의하고 데이터 마이닝기법인 ID3와 cobweb을 이용하여 주변건물과
크게 다른 속성을 가진 랜드마크를 추출하였다. Rho et al. (2011)은 행정안전부에서 배포하는 도로명주소기본도를 이용해 실제로 랜드마크를
추출하였다. 건물의 속성을 주변의 상황에 영향을 받지 않는 절대적 기준과 주변 상황에 따라 달라지는 상대적 기준으로 정의하고, 절대적 기준은 가중선형조합으로
상대적 기준은 마할라노비스 거리로 차원을 축소시켜 k-means 군집화 기법을 적용한 후, 아웃라이어를 랜드마크로 추출하였다.
그러나 선행연구들은 랜드마크가 상대적인 개념이라고 가정하여, 주변 건물들과의 차이가 가장 큰 건물을 랜드마크로 정의함으로써 한계를 가진다. 먼저 주변
건물들과의 차이가 크면 클수록 랜드마크의 가치가 높아지지만 차이가 가장 크더라도 건물의 고유적 특성 때문에 다른 건물이 랜드마크가 되는 것이 보행자가
랜드마크를 인식하는 데 더 유리할 수 있다. 예를 들어, 중대형의 건물들 사이에서 소형 건물이 랜드마크로 선택될 수 있는데 이러한 경우에는 주변 건물
속성의 평균에 가깝더라도 대형 건물들 중에 하나가 랜드마크로 추출되는 것이 유리하다. 또한, 선행연구들은 공간추론과 길찾기의 맥락에서 주변 건물과의
차이만을 고려하여 지역적 랜드마크를 추출함으로써 한계를 가진다. 보행자는 길찾기를 할 때, 실세계 환경과 보행자 내비게이션 서비스가 제공되는 기기
화면 속 지도를 보며 지역적인 수준에서 위치를 파악할 뿐만 아니라 전역적인 수준에서 방향에 대한 정보를 얻기 때문이다. PNS는 스마트폰 산업에서
관심을 얻고 있으며(Fang et al., 2012; Hile et al., 2008), 향후 태블릿 PC, 웨어러블 디바이스 등에서 이용될 가능성이
높다. 따라서 길안내에 쓰일 랜드마크는 실세계에서 눈에 띄고 기억할만한 객체여야 할뿐만 아니라 기기 화면 속 지도에서도 보행자가 전체 경로 및 공간을
이해하는 데 도움을 줄 수 있어야 한다. 따라서 본 연구에서는 보행자가 전체 경로가 나타나는 화면 속 전체 경로 및 공간에 대해 이해를 도울 수 있는
랜드마크를 추출하고자 한다. 이를 위하여 Fig. 1
과 같이 선행연구를 바탕으로 건물 속성정보를 정의하고, 보행자용 도로망에서 보행자를 위한 선택점을 선정하고, 보행자가 이동하면서 정보를 취득할 수
있는 가시권을 분석하여 각 선택점 별로 랜드마크 후보군을 추출한다. 추출된 랜드마크 후보군에 대해서 정의된 건물 속성정보 산출하고 주성분 분석을 통하여
전역적 및 지역적 랜드마크를 추출한다.
Fig. 1
Process for Extraction of Landmarks for Pedestrians
2. 건물 속성정보 정의
Elias (2003)의 연구를 바탕으로 본 연구에서는 건물의 속성을 기하학적 속성과 의미론적 속성으로 구분한다. 지상면적, 높이, 길이, 너비,
방향, 모서리의 수를 건물의 기하학적 속성으로, 건물에 해당하는 POI (Point Of Interest) 수와 같은 용도 건물을 의미론적 속성으로
정의한다. 이렇게 정의된 건물 속성을 다시 랜드마크의 현출성을 나타내기 위한 변수로 주변 건물들(랜드마크 후보군, 3.2 참고)과의 차이로 정의되는
지역적 변수와 시각적 주의를 나타내기 위한 변수로 건물이 가지고 있는 고유의 특성으로 정의되는 전역적 변수로 구분한다. Table 1
과 같이 지역적 변수는 어떤 건물의 속성 값과 그 건물이 속하는 후보군 내 건물들의 속성 대표값과의 차이로 산출된다. 즉 한 랜드마크 후보군에 속하는
건물들의 속성 값에 z-score 표준화를 적용한 후 이들 후보군의 중앙값을 대표값으로 계산된다. 다음으로 건물들의 표준화된 속성 값과 대표값과의
차이의 절대값이 정의된 지역적 변수로 최종 산출된다. 이때, 의미론적 속성에 해당하는 지역적 변수인 같은 용도의 건물 수(a_TC)는 min-max
표준화를 이용하여 표준화한다. 기하학적 및 의미론적 속성의 모든 전역적 변수는 랜드마크를 추출하는 대상 지역 전체를 대상으로 z-score 표준화한
값으로 산출된다.
|
Table 1. Definition of Building Attribute Data
|
3. 건물 속성정보를 이용한 랜드마크 추출 방법
3.1 보행자 길안내를 위한 선택점 선정
보행자의 길안내를 위한 선택점 선정은 보행자의 방향 전환이 필요한 노드를 보행자용 도로망에서 선정하는 과정이다. 즉, 보행자는 갈림길에서 이후의 방향
전환을 결정하며, 이때 랜드마크가 필요하다. 따라서 보행자 길안내를 위한 선택점을 3개 이상의 링크가 연결된 노드로 정의하고 이를 추출한다. 그런데
보행자용 도로망의 특성 상 Fig. 2(a)와 같이 2차선 이상의 대로의 교차로에서는 인도에 링크가 생성되어 사거리에서 링크가 교차하지 않는다. 이러한 경우는 대로의 사거리 교차점에 도로
폭과 양쪽의 인도 폭을 3 m로 가정하여 합한 길이로 버퍼(Buffer) 연산하여 생성된 사거리 폴리곤과 보행자용 도로망을 중첩하여 2개 이상의 링크가
연결된 노드를 선택점으로 추출한다(Fig. 2(b)).
Fig. 2
Extraction of Choice Points at Intersect in Main Street. (a) Network Data for Pedestrians
at Intersect in Main Street, (b) Extracted Choice Points at Intersect in Main Street
3.2 랜드마크 후보군 추출
건물 속성정보 중에서 주변 건물과의 차이를 나타내는 지역적 변수를 계산하기 위하여, 랜드마크 후보군을 설정해야 한다. Elias (2003)는 선택점에서
일정한 거리 내에 있는 건물을 선택하였고, Rho et al. (2011)은 선택점 주변에서 ISOVIST 알고리즘을 이용하여 관측 가능한 건물을
랜드마크 후보군으로 추출하였다. 본 연구에서도 선택점에서 랜드마크가 가시권 안에 있어야 한다는 가정 하에 ISOVIST 알고리즘을 이용한다.
ISOVIST 알고리즘은 공간에서의 인지와 지각을 계량적으로 나타내기 위하여 Benedikt (1979)이 제안하였으며, ISOVIST는 특정 지점에서
보이는 점의 집합으로 정의된다. 2차원 ISOVIST의 경우 주어진 평면 에서 에 속하는 점 에서 관측될 수 있는 모든 점을 라 할 때, 의 ISOVIST ()는 Eq. (1)로 정의될 수 있다(Davis and Benedikt, 1979).
(1)
각 선택점으로부터 ISOVIST를 정의하기 위해 본 연구는 Ray Tracing 접근법을 이용한다. 이 방법은 컴퓨터 비전(Vision)분야에서 많이
이용되는 방법으로 한 지점에서 쏘는 빛을 가상의 선으로 가정하면 이 선들의 합을 면적으로 정의할 수 있다는 점을 이용한다(Chun et al., 2011).
2차원 ISOVIST를 Ray Tracing 접근법을 이용하여 Eq. (2)와 같이 나타낼 수 있다.
(2)
여기서, : 관측지점 로부터 번째 Ray Tracing에 의한 가상의 선 길이, : 관측지점의 개수, : 가상의 선의 개수
그러나 보행자용 도로망에서 추출된 선택점에 ISOVIST 알고리즘을 이용하여 후보군을 추출할 경우 Fig. 3과 같이 단순히 일정한 가시거리에 있는 건물이 여러 후보군에서 추출된다. 보행자가 한 선택점에서 서서 건물을 바라보는 것이 아니고, 길을 따라 이동하면서
건물들을 바라보게 되므로 보행자용 도로망의 연결성을 고려할 필요가 있다. 이에 본 연구는 Okabe et al. (2008)이 제안한 Network
Voronoi Diagram (NVD)을 이용한다. NVD는 보로노이 다이어그램에서 임의의 점 와 생성점(generator) 간의 거리를 유클리디안 거리(Euclidean distance)가 아닌 네트워크 상의 거리를 이용하여, 보행자의 가시거리와 보행자용 도로망의 연결성을
고려한 랜드마크 후보군이 추출한다.
Fig. 3
Case of Overlaid Landmark Candidate Groups (Black Polygon) at Choice Point
Okabe et al. (2008)은 보로노이 다이어그램 상의 평면을 네트워크 공간으로 치환하고 유클리디안 거리를 네트워크 상의 거리를 이용함으로써
NVD를 생성한다. 네트워크 상의 점 집합을 라고 했을 때, 임의의 점 와 생성점 간의 거리를 최단거리 로 정의하고, NVD를 보로노이 네트워크 부분집합의 합으로 정의한다. 즉, 보로노이 네트워크의 부분집합을 라고 했을 때, 으로 Eq. (3)으로 산출된다.
(3)
여기서, : NVD의 부분집합, : 네트워크 상 최단 거리, : 네트워크 상 생성점의 개수
랜드마크 후보군 추출을 위하여 각 선택점에서 ISOVIST 알고리즘을 적용하여 가시거리에 해당하는 폴리곤(ISOVIST 폴리곤)을 생성하고, 각 선택점을
생성점으로 하여 보행자용 도로망도의 링크에 NVD 알고리즘을 적용한다. NVD는 선형으로 생성되므로 이들 선형에 서울특별시 2009년 보도현황 자료를
바탕으로 보도의 폭을 보수적으로 고려하여 12 m의 버퍼 연산을 수행한다. 각 선택점에서 생성된 ISOVIST 폴리곤과 NVD 버퍼 폴리곤을 교차(Intersect)
연산하면 각 선택점 별 가시거리와 보행자용 도로망의 연결성을 고려한 범위가 정의된다. 이렇게 생성된 폴리곤과 교차하는 건물들이 해당 선택점의 랜드마크
후보군으로 추출된다.
3.3 건물 속성정보 산출
랜드마트 후보군에 대해서 2절에서 정의된 건물 속성정보를 산출하는 과정으로, Table 1에 정의된 방법으로 도로명주소기본도 건물 레이어에 적용하여 산출한다. 이때, 지상면적은 건물 폴리곤의 넓이로, 모서리의 수는 건물 폴리곤의 결절점(vertex)의
수로 계산한다. 건물의 높이는 그 정확한 수치가 제공되지 않아 한 층의 높이를 3 m로 가정하고 지상층수 필드(GRO_FLO_CO)와 곱하여 산출할
수 있다. 건물의 길이, 너비, 방향은 건물 폴리곤에 최소경계사각형을 만든 후, 각각 장축, 단축, 장축의 방위각으로 계산된다. 건물별 POI의 개수는
차량용 내비게이션 서비스에서 이용되는 A사에서 구축한 POI를 이용하여, Kim et al. (2009)이 제안한 매칭 프로세스 중에서 건물 폴리곤과
POI 간의 위치오차를 고려하여 Equal, Overlay, Proximity 매칭을 통해 도출한다. 마지막으로 랜드마크 후보군 내 같은 용도 건물의
수는 건물용도 필드(BDTYP_CD)를 이용하여 계량화한다.
3.4 주성분 분석 기반 랜드마크 추출
실세계에서의 현출성과 가상환경에서의 시각적 주의를 모두 고려하여 랜드마크를 추출하기 위하여 지역적 변수와 전역적 변수에 차원 축소 방법인 주성분 분석(Principal
Component Analysis, PCA)을 적용한다. PCA를 적용함으로써 변수들 간에 상관성(correlation)을 제거할 수 있다. 선행연구는
변수 간의 상관성을 고려하지 않거나, 변수들에 서로 다른 차원 축소 방법을 적용함으로써 일부 변수들의 상관성을 고려하지 않았다는 한계가 있다. PCA를
이용하여 상관성이 제거된 새로운 주성분(Principal Component, PC)를 얻음으로써 건물 특성에 대한 이해와 설명력을 높일 수 있다.
또한, 선행연구는 각 변수에 가중치를 부여하여 랜드마크를 추출하거나 통계기법을 사용하는 데 사용자가 파라미터를 입력하도록 했다. PCA를 이용하여
가중치나 파라미터의 입력을 요하지 않음으로써 사용자의 개입을 최소화할 수 있다. 이에 계산된 건물 속성 변수에 PCA를 적용하여 얻어진 PC를 해석함으로써
PC를 새로운 변수로 랜드마크를 추출한다.
갈림길에서 보행자에게 유용한 정보를 제공하기 위해서 랜드마크는 모든 선택점에서 한 개 이상씩 추출되어야 한다. 이와 같은 가정을 만족시키기 위해 지역적
변수와 전역적 변수를 나타내는 PC를 각각 x축과 y축으로 하여 산점도를 그린다. 결과적으로 랜드마크는 지역적 변수와 전역적 변수를 나타내는 PC의
값이 가장 큰 건물을 의미하게 된다. 따라서 동일한 후보군에 속하는 건물들 중 산점도의 1사분면에 있는 건물은 지역적 변수와 전역적 변수를 나타내는
PC가 모두 큰 값이고, 이들 건물 중 원점으로부터 거리가 가장 먼 건물이 랜드마크로 선정된다. 경우에 따라 1사분면에 속하는 건물이 없을 때는 두
PC의 합이 가장 큰 건물을 랜드마크로 선정한다.
4. 실험 및 결과
본 연구의 실험 지역은 도심지인 서울특별시 관악구의 일부 지역(약 1.2 km × 1.1 km)으로, 주택과 아파트 단지, 상업 시설 등이 있어 건물
특성이나 도로 폭이 다양하다. 실험 자료는 2014년 6월에 배포된 도로명주소기본도 건물 레이어와 국토지리정보원에서 구축한 보행자용 도로망도로, 전체의
건물 개수는 4,342개이다(Fig. 4).
보행자용 도로망도에서 선택점을 추출하기 위하여 Fig. 5(a)와 같이 횡단보도, 육교, 지하도인 링크를 제거하고, Fig. 5(b)와 같이 3개의 링크가 만나는 노드와 사거리 대로에서 2개의 링크가 만나는 노드 총 528의 선택점을 추출하였다.
Fig. 5
All Choice Points Extracted in Test Area. (a) Network Data for Pedestrians After Preprocessing,
(b) All Choice Points
추출된 선택점에서 가시거리 50 m의 선을 0.1도 간격으로 360도를 돌려 Fig. 6(a)와 같이 ISOVIST폴리곤을 생성하였다. 다음으로, Okabe et al. (2008)이 개발한 SANET 4.1버전 툴을 이용하여 추출된
선택점을 생성점으로 하여 NVD을 Fig. 6(b)와 같이 생성하고, 12 m 버퍼 연산을 통해 NVD을 폴리곤으로 변환하였다(Fig. 6(c)). ISOVIST 폴리곤과 NVD 버퍼 폴리곤을 교차 연산하여 보행자용 도로망의 연결성이 고려된 보행자의 가시거리에 해당하는 폴리곤(가시영역
폴리곤)을 생성하였다(Fig. 6(d)). 그러나 실험 지역을 임의로 사각형 형태로 자름으로써 경계에서 일부 네트워크가 연결성을 가지지 못한다는 단점이 있다. 이러한 모서리 효과로
인해 NVD 실험 결과에서 경계에 있는 일부 네트워크의 NVD가 생성되지 않았다. 전체 네트워크 중 극히 일부분이어서 본 연구에서는 NVD 결과를
그대로 이용하나 후보군 설정과 랜드마크 추출 결과가 왜곡될 수 있으므로 이를 해결하기 위한 향후 연구가 필요할 것이다.
Fig. 6
Polygons Extracted by ISOVIST and NDV at Choice Points in Test Area. (a) ISOVIST Polygon,
(b) NVD, (c) Buffered Polygon of NVD, (d) Final Polygons Considering Visibility of
Pedestrians and Connectivity of Network Data
각 선택점별 가시영역에 해당하는 폴리곤과 도로명주소기본도 건물 레이어를 중첩시켜 전체 4,342개 건물 중 3,607개 건물이 각 선택점별 랜드마크
후보군으로 추출되었다. 이때, Fig. 7(a)와 같이 가시영역 폴리곤과 충첩되는 건물 경계의 길이가 2.6 m 이하인 경우에는 랜드마크 후보군에서 제외하였다. 또한 Fig. 7(b)와 같이 건물이 두 개 이상의 가시영역 폴리곤과 중첩하는 경우, 폴리곤과 중첩되는 건물 경계의 길이가 더 긴 가시영역 폴리곤에 포함되는 것으로
판별하였다.
Fig. 7
Determination of Landmark Candidate Groups. (a) Cases of Determined Landmark Candidate
Groups, (b) Example of Determining a Building Overlaying Two More Than Polygons (Thick
Line)
이렇게 추출된 랜드마크 후보군 2,607개의 건물에 대해서 건물 속성 변수를 산출하여, 이들을 입력변수로 SPSS Statistics 20으로 PCA
분석을 수행하였다. Table 2와 같이 4개의 PC가 도출되었다. 4개의 PC는 초기 13개의 변수의 변동(variation) 중 64.665%를 설명한다(Table 3). 첫 번째 PC는 ab_AREA, ab_SHORT, ab_ LONG, st_POICo를, 두 번째 PC는 df_AREA, df_SHORT, df_
LONG를, 세 번째 PC는 df_HEIGHT, a_TC, ab_HEIGHT, 네 번째 PC는 df_VERTEX, ab_VERTEX를 가장 많이 적재한다.
따라서 각각의 PC를 순서대로 전역적 특성을 나타내는 변수(PC1), 지역적 특성을 나타내는 변수(PC2), 건물용도의 특이성과 높이를 나타내는 변수(PC3),
모양의 특이성을 나타내는 변수(PC4)로 정의할 수 있다. 여기서 PC3와 PC4 모두 랜드마크의 가치를 나타내는 데 이용될 수 있으나 전역적 특성을
나타내는 ab_HEIGHT와 ab_VERTEX가 PC1에 적재되어 있으며, 지역적 특성을 나타내는 df_HEIGHT도 PC2에 적재되어 있으므로 분석의
용이성을 위해 PC1과 PC2만을 이용한다. 즉, PC1을 x축, PC2를 y축으로 산점도를 그려(Fig. 8(a)), 한 후보군 내에서 1사분면에 속하는 건물들이 있는 경우 그 건물들 중 원점으로부터의 거리가 가장 먼 건물을 해당 선택점의 랜드마크로 최종
추출하였다(Fig. 8(b)). 동일한 랜드마크 후보군 내에서 1사분면에 속하는 건물이 없는 경우 PC1과 PC2의 합이 가장 큰 건물을 해당 선택점의 랜드마크로 추출하여
총 486개가 최종 추출되었다(Fig. 9).
|
Table 2. Component Matrix of PCA
|
|
Table 3. Total Variance Explained of PCA
|
Fig. 8
Extraction of Landmark at Choice Point. (a) Extraction of a Landmark in Scatter Plot
in PC1 and PC2, (b) Example of the Landmark (Circle) Extracted at a Choice Point
Fig. 9
All Landmarks Extracted by the Proposed Method in Test Area
실험지역 경계의 모서리 효과로 인해 건물의 형태가 완전하지 못하거나 후보군이 제대로 생성되지 않은 곳에서 추출되어 신뢰성이 떨어지는 랜드마크 24개를
제외하고, 462개의 랜드마크에 대하여 대해서 정확도 평가를 진행하였다.
전체 경로 및 공간에 대한 전역적 수준에서의 정보 전달 측면에서 본 연구의 랜드마크에 대한 평가는 국내에서 보행자를 위한 길찾기 서비스를 제공하는
네이버와 다음 지도 레이블과의 비교를 통해 이루어진다. 여기서 네이버와 다음 지도에서 공통적으로 레이블이 나타나는 건물은 전역적 수준에서 랜드마크로서
가치가 큰 건물이라 판단하고 제안된 기법으로 추출된 랜드마크와 비교한 결과는 Table 4와 같다. 본 연구를 제외하고 네이버와 다음에서 레이블이 나타난 경우 A그룹, 본 연구, 네이버, 다음에서 모두 레이블이 나타난 경우 B그룹, 본
연구와 네이버에서만 레이블이 나타난 경우 C그룹, 본 연구와 다음에서만 레이블이 나타난 경우 D그룹, 본 연구에서만 나타난 경우 E그룹으로 나누어진다.
실험 지역에서 네이버와 다음이 모두 레이블을 표현하는 건물, 즉 전역적 수준에서 랜드마크로서 가치가 큰 건물 219개(A+B) 중에서 본 연구의 알고리듬으로
추출해낸 랜드마크는 132개(60.3%)이다. 그러나 A그룹의 경우 전역적 수준에서 중요한 랜드마크임에도 본 연구에서 추출되지 않은 경우로 각 선택점에서
한 개의 랜드마크를 추출하기 때문에 후보군 내에서 가장 랜드마크적 성향을 가지는 건물 외에 다른 건물들은 랜드마크로 추출되지 않았다. 그러나 이러한
경우는 랜드마크를 후보군에서 하나씩만 추출하는 조건으로 인해 생긴 문제이며 B군에 속한 87개의 케이스 중 62개의 케이스는 PC1이 0이상이기 때문에
전역적 변수의 성능 문제가 아니라고 판단된다.
|
Table 4. The Qualitative Evaluation between Landmarks of the Proposed Method and Labels
of the NAVER and the DAUM
|
E그룹의 경우(Fig. 10)는 본 연구가 모든 선택점에서 한 개씩 랜드마크를 추출하였기 때문에 전역적 수준에서는 중요하지 않으나 지역적 수준에서 중요한 랜드마크로 추출된 경우로
판단된다. 이를 살펴보기 위하여, 랜드마크를 이용한 길안내 측면에서의 평가를 위해 상세 경로 안내에서 이용될 본 연구의 랜드마크와 네이버, 다음이
제공하는 랜드마크를 정성적으로 비교하였다.
Fig. 10
Landmarks Which Belong to Group E
이를 위해 본 연구와 포털 사이트의 경로 탐색 결과가 같은 경로 중 E그룹에 해당하는 랜드마크가 포함된 20개에 대해서, 본 연구의 랜드마크와 포털
사이트가 길안내에 이용하는 랜드마크를 시각적으로 비교하였다. 본 연구의 랜드마크는 경로에 위치한 선택점에서 추출된 랜드마크를 나타내며, 포털 사이트는
POI를 이용하여 길안내를 하므로 해당 POI가 위치한 건물을 랜드마크로 가정하였다. 실험지역 내에서 대로와 이면도로 주변을 대상으로 20개의 경로를
임의로 추출하여 정성적으로 평가하였다. 그 결과, 19개의 경로에서는 네이버나 다음보다 방향이 바뀌는 선택점에서 의미있는 랜드마크가 추출되었다. Fig. 11(a)와 같이 본 연구에서는 모든 선택점에서 랜드마크를 선정하여 랜드마크를 이용한 길안내가 가능하나 Fig. 11(b) and Fig. 11(c)와 같이 네이버와 다음에서는 방향이 바뀌는 선택점임에도 랜드마크가 제공되지 않았다. 이를 바탕으로 E 그룹으로 제안된 방법으로 추출된 랜드마크가
지역적 수준에서 중요한 랜드마크로 추출된 경우임을 확인할 수 있었다.
Fig. 11
The Qualitative Evaluation of Landmarks in Local Level with Routes with Same Departure
and Destination. (a) The Proposed Method, (b) The NAVER, (c) The DAUM
그러나 Fig. 12(a)에서 동그라미와 같은 일부 랜드마크는 선택점으로부터 멀리 떨어져 보행자가 해당 선택점에 다다르기 전까지 눈에 띄지 않을 수 있으며, 네이버와
다음에서 안내하는 랜드마크가 방향 전환을 결정하는 데 더 도움이 될 수 있다는 문제도 확인하였다.
Fig. 12
Limitation of Landmarks Extracted by the Proposed Method in Local Level (Red Circle).
(a) The Proposed Method, (b) The NAVER, (c) The DAUM
5. 결 론
본 연구는 PNS에서 랜드마크를 이용하여 길안내하기 위한 기초 연구로써 기 구축된 공간정보를 이용하여 랜드마크를 추출하였다. 랜드마크를 추출하기 위한
프로세스는 건물 속성정보 정의, 보행자를 위한 선택점 선정, 랜드마크 후보군 추출, 속성 변수의 차원 축소, 결과 분석 및 랜드마크 추출의 단계로
이루어진다.
선행연구를 바탕으로 실세계에서 주변 건물들과의 차이를 나타내는 현출성과 전자기기 화면 속에서의 시각적 주의를 고려할 수 있도록 기하학적 건물 속성정보와
의미론적 건물 속성정보를 정의하고, 이를 다시 지역적 변수와 전역적 변수로 구분하였다. 지역적 변수는 후보군 내의 다른 건물과의 차이를 나타내는 변수이며,
전역적 변수는 건물 고유의 특성을 나타내는 변수이다. 다음으로 보행자를 위한 선택점은 보행자가 방향 전환을 하게 되는 노드로, ‘3개 이상의 링크와
만나는 노드’와 ‘교차로 근처에서 2개 이상의 링크와 만나는 노드’를 선택점으로 선정하였다. 다음으로, 랜드마크 후보군을 추출하기 위해 ISOVIST
폴리곤과 NVD를 이용하였다. 기존에 이용되던 ISOVIST 폴리곤과 함께 네트워크를 분할하는 NVD를 이용함으로써 네트워크의 연결성을 고려할 수
있었으며, ISOVIST만을 이용했을 때 발생하는 한계를 극복할 수 있었다. 앞서 정의된 건물 속성정보를 도로명주소기본도 건물 레이어에서 산출하였으며,
이렇게 산출된 지역적 변수와 전역적 변수를 모두 고려하여 랜드마크를 추출하기 위해 각각의 변수들을 대표할 수 있는 새로운 변수를 추출하고자 PCA를
적용하였다. 지역적 변수와 전역적 변수를 나타내는 PC를 활용하여 랜드마크를 추출하였다.
제안한 기법을 관악구 일부 지역에 적용하였으며, 실험 결과를 네이버와 다음의 지도 레이블, 경로 탐색 결과에서 이용되는 랜드마크와 비교하여 평가하였다.
그 결과, 네이버와 다음 지도 레이블 219개 중에서 60.3%에 해당하는 132개가 제안된 방법으로 랜드마크로 추출되었으며, 네이버와 다음 지도
서비스에는 없지만 선택점에서 추가로 추출된 228개의 랜드마크는 지역적 수준에서 길 찾기 시 방향 전환을 결정하는데 도움이 될 수 있음을 확인하였다.
이를 통하여 모든 지역에서 랜드마크를 추출하고, 현출성과 시각적 주의를 고려한 랜드마크를 추출함으로써 보행자가 전체 경로 및 공간에 대해 이해하는
데 기여할 수 있음을 알 수 있었다.
그러나 본 연구에서 추출된 일부 랜드마크는 선택점으로부터 멀리 떨어진 곳에서도 추출되어 보행자가 선택점에 도달한 이후에야 랜드마크가 시야에 들어올
수 있어 보행자가 방향 전환을 하는 데 적절한 안내를 하지 못할 수 있다는 문제가 있으므로 향후 연구를 통해 해결해야 할 것이다.