Detection — Feature Extraction: 클러스터를 사각형으로 요약하기
지난 글 Detection & Clustering에서는 흩어진 점들을 clustering으로 작은 pointset들로 묶었습니다. 그런데 cluster는 아직 “점의 집합”일 뿐입니다. 이걸 그대로 tracking에 넘기면 표현이 무겁고, 상대의 방향·크기 같은 물리량도 알 수 없습니다. 그래서 하나의 클러스터를 대표하는 상태(feature)를 추출해야 합니다.
Rectangle Extraction
차량과 감지 박스는 결국 직사각형에 가깝습니다. 그래서 클러스터를 감싸는 사각형을 찾아 상대를 요약합니다.
방법은 단순합니다. 가능한 모든 방향 $\theta$ 를 훑으면서 그 방향으로 점들을 감싸는 사각형을 만들고, 정해진 점수 기준에서 점수가 가장 높은(또는 가장 낮은) 방향을 고릅니다. 최종적으로 상대를 center · size · orientation($\theta$) 로 요약한 박스를 얻습니다.
이렇게 얻은 박스는 tracking·prediction 단계에서 상대의 위치뿐 아니라 진행 방향과 크기까지 가볍게 전달할 수 있는 표현이 됩니다.
방향을 고르는 두 가지 기준(Criterion)
그렇다면 “가장 좋은 방향”을 무엇으로 판단할까요? 대표적으로 두 가지 기준(criterion)이 있습니다 — 변에 점이 얼마나 붙는지 보는 Closeness와, 감싸는 넓이가 최소인지 보는 Area Minimization입니다.
1. Closeness — 변에 점이 가장 가까이 붙는 방향
각 방향에서 점들을 사각형의 두 축(변)에 투영했을 때, 점들이 변에 얼마나 바싹 붙는지를 점수로 씁니다. 한 변이 실제 물체의 모서리와 나란히 정렬되면 점들이 그 변에 몰리며 점수가 최대가 됩니다.
아래 데모에서 왼쪽 애니메이션은 방향 $\theta$ 를 돌리며 점들이 x/y 축에 투영되는 모습을, 오른쪽 그래프는 그때의 closeness score를 보여줍니다. 점수가 최대가 되는 $\theta^{*}$ 에서 변이 모서리에 딱 맞는 것을 확인할 수 있습니다. Full rectangle(네 변 다 보임)과 Half(2 faces)(실제 라이다처럼 두 변만 보임)를 전환해보면, closeness는 두 면만 보이는 현실 상황에서도 $0°/90°$ 에서 점수가 깔끔하게 서는 것을 볼 수 있습니다.
2. Area Minimization — 감싸는 넓이가 최소인 방향
또 다른 기준은 사각형(bounding box)의 넓이가 최소가 되는 방향을 고르는 것입니다. 점들을 가장 빈틈없이 감싸는 방향이 곧 물체의 방향이라는 직관입니다.
다만 한계가 있습니다. 실제 한 시점의 라이다는 물체의 두 면(L자 형태) 정도만 측정합니다. 네 변이 모두 관측되면 넓이 최소화가 정확하지만, 두 면만 보이는 경우에는 여러 방향에서 감싸는 넓이가 비슷해져 최소 지점이 모호(ambiguous)해집니다. 이런 상황에서는 앞의 closeness 기준이 더 안정적입니다.
아래 데모에서 방향에 따라 bounding box의 넓이가 어떻게 변하는지, 그리고 두 면만 보일 때 최소 지점이 얼마나 평평(모호)해지는지 비교해보세요.
마무리
clustering으로 묶은 점의 집합을, 방향 $\theta$ 를 훑어 감싸는 사각형으로 요약해 center · size · orientation을 뽑아내는 과정을 다뤘습니다. 방향 선택 기준으로는 변에 점이 붙는 정도를 보는 Closeness와 감싸는 넓이를 보는 Area Minimization이 있으며, 두 면(L자)만 보이는 실제 라이다 환경에서는 closeness가 더 강인합니다.
이렇게 추출한 박스(feature)는 다음 단계인 tracking·prediction으로 넘어가, 상대 차량의 궤적을 추정하는 입력이 됩니다.