[논문 리뷰] ELEV-VISION: Automated Lowest Floor Elevation Estimation from Segmenting Street View Images

Yu-Hsuan Ho, Cheng-Chun Lee외 3명|arXiv (Cornell University)|2023. 06. 05.

Flood Risk Assessment and ManagementEnvironmental Science인용 수 3

한 줄 요약

이 논문은 구글 스트리트 뷰 파노라마에서 이미지 세그멘테이션을 활용하여 최저층고도(LFE)와 거리 수준과 최저층고도 사이의 높이 차이(HDSL)를 자동으로 추정하는 ELEV-VISION을 제안한다. 등방위 투영에서의 깊이맵과 피치 각도 계산을 활용하여 LFE 추정의 평균 절대 오차가 0.190m(1.18%)에 도달하며, 수작업 조사나 드론 기반 방법에 비해 비용 효율적이고 고해상도의 대안을 제공한다.

ABSTRACT

We propose an automated lowest floor elevation (LFE) estimation algorithm based on computer vision techniques to leverage the latent information in street view images. Flood depth-damage models use a combination of LFE and flood depth for determining flood risk and extent of damage to properties. We used image segmentation for detecting door bottoms and roadside edges from Google Street View images. The characteristic of equirectangular projection with constant spacing representation of horizontal and vertical angles allows extraction of the pitch angle from the camera to the door bottom. The depth from the camera to the door bottom was obtained from the depthmap paired with the Google Street View image. LFEs were calculated from the pitch angle and the depth. The testbed for application of the proposed method is Meyerland (Harris County, Texas). The results show that the proposed method achieved mean absolute error of 0.190 m (1.18 %) in estimating LFE. The height difference between the street and the lowest floor (HDSL) was estimated to provide information for flood damage estimation. The proposed automatic LFE estimation algorithm using Street View images and image segmentation provides a rapid and cost-effective method for LFE estimation compared with the surveys using total station theodolite and unmanned aerial systems. By obtaining more accurate and up-to-date LFE data using the proposed method, city planners, emergency planners and insurance companies could make a more precise estimation of flood damage.

연구 동기 및 목표

• 홍수 피해 모델링 및 도시 회복력 계획을 위한 정확하고 최신의 LFE 데이터 부족 문제를 해결한다.
• 비용이 많이 들고 시간이 오래 소요되는 총역도기 측량과 같은 전통적인 LFE 측정 방법의 한계를 극복한다.
• 재투영 과정에서 왜곡과 정보 손실이 발생하는 경계 상자 기반의 객체 탐지에 의존하는 이전의 이미지 기반 LFE 추정 방법을 개선한다.
• 홍수 취약도 평가의 중요한 지표인 거리 수준과 최저층고도 사이의 높이 차이(HDSL)를 추정할 수 있도록 한다.
• 공개된 스트리트 뷰 영상과 컴퓨터 비전을 활용한 대규모 LFE 및 HDSL 추정을 위한 확장 가능하고 자동화되며 비용 효율적인 방법을 개발한다.

제안 방법

• 사전 정의된 도로 지도를 데이터 소스로 사용하여 구글 스트리트 뷰에서 스트리트 뷰 파노라마를 수집한다.
• 등방위 투영에서의 스트리트 뷰 파노라마에 직접적으로 의미적 이미지 세그멘테이션을 적용하여 도어 바닥과 도로 가장자리를 탐지함으로써 재투영 없이 공간적 통합성을 유지한다.
• 등방위 투영의 수평 및 수직 차원에서 일정한 각도 간격을 활용하여 카메라에서 도어 바닥까지의 피치 각도를 추출한다.
• 각 스트리트 뷰 이미지에 대응하는 쌍체 깊이맵(256×512 해상도)으로부터 깊이 정보를 확보한다.
• 공식 LFE = 카메라 높이 + (깊이 × sin(피치 각도)) + (도어 바닥에서 최저층고도까지의 높이 오프셋)을 사용하여 LFE를 계산하며, 이때 높이 오프셋은 세그멘테이션 마스크에서 유도된다.
• 세그멘테이션된 도로 가장자리와 도어 바닥 사이의 수직 차이로 HDSL을 추정함으로써 건물 수준의 홍수 피해 모델링을 가능하게 한다.

실험 결과

연구 질문

• RQ1 등방위 투영 스트리트 뷰 파노라마에서의 이미지 세그멘테이션은 재투영 또는 경계 상자 제약 없이 정확하고 강건한 LFE 추정을 가능하게 하는가?
• RQ2 기존의 객체 탐지 또는 수작업 조사 기반 LFE 추정 기법과 비교할 때 제안된 방법의 정확도는 어떠한가?
• RQ3 시점 변화나 이미지 왜곡이 세그멘테이션 기반 LFE 추정 성능에 미치는 영향은 어느 정도인가?
• RQ4 홍수 피해 모델링을 향상시키기 위해 거리 수준과 최저층고도 사이의 높이 차이(HDSL)를 신뢰성 있게 추정할 수 있는가?
• RQ5 특히 깊이맵 해상도와 앞문의 가시성 측면에서 이 방법의 주요 제약 사항은 무엇인가?

주요 결과

• 제안된 ELEV-VISION 방법은 텍사스주 하리스 카운티의 메이어랜드 테스트베드에서 LFE 추정의 평균 절대 오차(MAE)가 0.190m(1.18%)를 기록했다.
• 도어 바닥의 부분적 가림에도 불구하고 추정 정확도에 통계적으로 유의미한 영향을 미치지 않아, 유의미한 영향 없이 내구성을 확보했다(p-value > 0.1).
• 이미지 세그멘테이션은 특히 곡선 또는 비직선 구조의 장면에서 시점 변화나 투영 왜곡에 의한 형태 유지 능력이 뛰어나, 경계 상자 기반 객체 탐지보다 성능이 뛰어났다.
• 이전 방법들과 달리 가정된 기준 높이에 의존하지 않아 오차 전파를 줄였으며, HDSL을 성공적으로 추정했다.
• 깊이맵 해상도(256×512)로 인해 0.7도 이하의 깊이 차이가 포착되지 않아 먼 거리의 물체에 대해서는 정확도가 제한된다.
• 현재 이 방법은 눈에 보이는 앞문이 있는 건물에 국한되어 있으나, 향후 창문이나 계단과 같은 다른 특징으로 확장할 수는 있으나 정확도가 증가할 가능성이 있다.