Search

KR-20260061287-A - 특징 수집 방법, 딥러닝 방법, 장치, 기기 및 매체

KR20260061287AKR 20260061287 AKR20260061287 AKR 20260061287AKR-20260061287-A

Abstract

본문은 특징 수집 방법, 딥러닝 방법, 장치, 기기 및 매체를 개시한다. 여기서 특징 수집 방법이: 복수의 영상 녹화 기기에 의해 수집된 이미지를 획득하고, 또한 각 영상 녹화 기기에 의해 수집된 이미지의 이미지 특징을 추출하는 단계; 복수의 기설정된 높이에 따라 각 이미지의 이미지 특징의 높이 분포 정보를 예측하여, 이미지 특징의 멀티 높이 분포 정보의 예측 결과를 얻고, 추가로 멀티 높이 분포 정보를 구비하는 이미지 특징을 얻는 단계; 멀티 높이 분포 정보를 구비하는 이미지 특징에 기반하여, 이미지 특징 위치와 전경 조감도 BEV 특징이 처하는 3D 공간의 그리드 위치의 매핑 관계에 기반하여, 멀티 높이 분포 정보를 구비하는 BEV 특징을 결정하는 단계; 및, 멀티 높이 분포 정보를 구비하는 BEV 특징에 기반하여, BEV 특징에 대응하는 위치의 이미지 특징을 3D 공간의 그리드로 샘플링하는 단계를 포함한다.

Inventors

  • 왕, 빈
  • 장, 정밍

Assignees

  • 저장 지커 인텔리전트 테크놀로지 씨오., 엘티디.
  • 쩌지앙 길리 홀딩 그룹 씨오., 엘티디.

Dates

Publication Date
20260506
Application Date
20241021
Priority Date
20231020

Claims (12)

  1. 특징 수집 방법으로서, 복수의 영상 녹화 기기에 의해 수집된 이미지를 획득하고, 또한 각 상기 영상 녹화 기기에 의해 수집된 상기 이미지의 이미지 특징을 추출하는 단계; 복수의 기설정된 높이에 따라, 각 상기 이미지의 이미지 특징의 높이 분포 정보를 예측하여, 상기 이미지 특징의 멀티 높이 분포 정보의 예측 결과를 얻는 단계; 상기 이미지 특징의 멀티 높이 분포 정보의 예측 결과에 기반하여, 멀티 높이 분포 정보를 구비하는 이미지 특징을 얻는 단계; 상기 멀티 높이 분포 정보를 구비하는 이미지 특징에 기반하여, 이미지 특징 위치와 전경 조감도(panoramic bird's-eye view) 특징이 처하는 3차원 공간의 그리드 위치의 매핑 관계에 기반하여, 멀티 높이 분포 정보를 구비하는 조감도 특징을 결정하는 단계; 및, 멀티 높이 분포 정보를 구비하는 조감도 특징에 기반하여, 각 상기 영상 녹화 기기의 상기 이미지 특징으로부터, 상기 조감도 특징에 대응하는 위치의 이미지 특징을 상기 3차원 공간의 그리드로 샘플링하는 단계를 포함하는 것을 특징으로 하는 특징 수집 방법.
  2. 제1항에 있어서, 상기 멀티 높이 분포 정보를 구비하는 조감도 특징에 기반하여, 각 상기 영상 녹화 기기의 상기 이미지 특징으로부터, 상기 조감도 특징에 대응하는 위치의 이미지 특징을 상기 3차원 공간의 그리드로 샘플링하는 단계가: 멀티 높이 분포 정보를 구비하는 조감도 특징을 융합하여, 융합 후의 조감도 특징을 얻는 단계; 상기 융합 후의 조감도 특징에 기반하여, 상기 융합 후의 조감도 특징에 대응하는 위치의 각 상기 영상 녹화 기기의 이미지 특징을 상기 3차원 공간의 그리드로 샘플링하는 단계를 포함하는 것을 특징으로 하는 특징 수집 방법.
  3. 제1항 또는 제 2항에 있어서, 상기 복수의 기설정된 높이가 상기 3차원 공간으로부터 샘플링된 상기 복수의 기설정된 높이를 포함하고; 상기 멀티 높이 분포 정보를 구비하는 이미지 특징을 얻는 단계가: 상기 복수의 영상 녹화 기기에 의해 수집된 이미지를 사전에 훈련된 이미지 특징 추출 모델로 입력하여, 상기 멀티 높이 분포 정보를 구비하는 이미지 특징을 출력하는 단계 - 상기 사전에 훈련된 이미지 특징 추출 모델이 상기 복수의 기설정된 높이에 따라, 3차원 라벨을 구비한 이미지 샘플 세트의 각 픽셀의 상기 복수의 기설정된 높이 하에서의 확률 분포를 학습하는 데에 사용됨 -;를 포함하는 것을 특징으로 하는 특징 수집 방법.
  4. 제1항 또는 제 2항에 있어서, 상기 이미지 특징의 멀티 높이 분포 정보의 예측 결과에 기반하여, 멀티 높이 분포 정보를 구비하는 이미지 특징을 얻는 단계가: 상기 이미지 특징의 멀티 높이 분포 정보의 예측 결과와 상기 이미지 특징을 외적(outer product)하여, 상기 멀티 높이 분포 정보를 구비하는 이미지 특징을 얻는 단계를 포함하는 것을 특징으로 하는 특징 수집 방법.
  5. 제1항 또는 제 2항에 있어서, 상기 이미지 특징의 멀티 높이 분포 정보의 예측 결과에 기반하여, 멀티 높이 분포 정보를 구비하는 이미지 특징을 얻는 단계가: 상기 이미지 특징에 대해 차원 축소를 수행하여, 차원 축소 후의 이미지 특징을 얻는 단계; 상기 차원 축소 후의 이미지 특징의 멀티 높이 분포 정보의 예측 결과와 상기 이미지 특징을 외적하여, 상기 멀티 높이 분포 정보를 구비하는 이미지 특징을 얻는 단계를 포함하는 것을 특징으로 하는 특징 수집 방법.
  6. 딥러닝 방법으로서, 3차원 감지(three-dimensional perception) 중 3차원 라벨(3차원 label)을 구비한 이미지 샘플 세트를 획득하는 단계; 상기 이미지 샘플 세트를 원본 모델에 입력하는 단계; 상기 원본 모델을 통해, 상기 이미지 샘플 세트 중의 각 이미지의 이미지 특징을 추출하는 단계; 상기 원본 모델을 통해, 복수의 기설정된 높이에 따라, 상기 이미지 특징의 높이 분포 정보를 학습하여, 상기 이미지 특징의 멀티 높이 분포 정보의 예측 결과를 얻는 단계; 상기 원본 모델을 통해, 상기 이미지 특징의 멀티 높이 분포 정보의 예측 결과에 기반하여, 조감도 특징에 대응하는 위치의 이미지 특징을 3차원 공간의 그리드로 샘플링하여, 상기 3차원 공간의 예측 결과를 얻는 단계; 상기 3차원 공간의 예측 결과와 상기 3차원 감지의 바운딩 박스(bounding box)의 정답 데이터(ground truth) 사이의 차이에 기반하여, 상기 원본 모델의 모델 파라미터를 조정하는 단계; 새로운 3차원 라벨을 구비한 이미지 샘플 세트를 획득하고, 상기 이미지 샘플 세트를 원본 모델에 입력하는 단계로 리턴하며, 수렴 조건에 달할 때까지, 조정을 거친 원본 모델을 훈련된 이미지 특징 추출 모델로 이용하는 단계를 포함하는 것을 특징으로 하는 딥러닝 방법.
  7. 제6항에 있어서, 상기 원본 모델이 높이 분포 예측 모듈을 포함하고; 상기 높이 분포 예측 모듈이 차원 축소 처리 서브 모듈 및 높이 분포 예측 서브 모듈을 포함하며; 상기 원본 모델을 통해, 복수의 기설정된 높이에 따라, 상기 이미지 특징의 높이 분포 정보를 학습하여, 상기 이미지 특징의 멀티 높이 분포 정보의 예측 결과를 얻는 단계가: 상기 차원 축소 처리 서브 모듈을 통해, 상기 이미지 특징에 대해 차원 축소를 수행하여, 차원 축소 후의 이미지 특징을 얻는 단계; 상기 높이 분포 예측 서브 모듈을 통해, 복수의 기설정된 높이에 따라 예측을 수행하여, 상기 이미지 특징의 상기 복수의 기설정된 높이 하에서의 높이 분포 정보의 예측 결과를 출력하는 단계를 포함하는 것을 특징으로 하는 딥러닝 방법.
  8. 제7항에 있어서, 상기 원본 모델이 예측 처리 모듈 및 이미지 특징 해석 모듈을 더 포함하고; 상기 차원 축소 처리 서브 모듈을 통해, 상기 이미지 특징에 대해 차원 축소를 수행하여, 차원 축소 후의 이미지 특징을 얻기 전, 또는, 상기 높이 분포 예측 서브 모듈을 통해, 복수의 기설정된 높이에 따라 예측을 수행하여, 상기 이미지 특징의 상기 복수의 기설정된 높이 하에서의 높이 분포 정보의 예측 결과를 출력하기 전에, 상기 방법이: 상기 예측 처리 모듈을 통해, 상기 이미지에 대해 하이라이팅 처리(highlighting)를 수행하여, 하이라이팅 처리 후의 이미지를 얻는 단계; 상기 이미지 특징 해석 모듈을 통해, 상기 하이라이팅 처리 후의 이미지에 대해 이미지 특징 해석을 수행하여, 상기 이미지 특징을 얻는 단계를 더 포함하는 것을 특징으로 하는 딥러닝 방법.
  9. 특징 수집 장치로서, 복수의 영상 녹화 기기에 의해 수집된 이미지를 획득하고, 또한 각 상기 영상 녹화 기기에 의해 수집된 상기 이미지의 이미지 특징을 추출하기 위한 이미지 특징 추출 모듈; 복수의 기설정된 높이에 따라, 각 상기 이미지의 이미지 특징의 높이 분포 정보를 예측하여, 상기 이미지 특징의 멀티 높이 분포 정보의 예측 결과를 얻기 위한 높이 분포 예측 모듈; 상기 이미지 특징의 멀티 높이 분포 정보의 예측 결과에 기반하여, 멀티 높이 분포 정보를 구비하는 이미지 특징을 얻기 위한 이미지 특징 출력 모듈; 상기 멀티 높이 분포 정보를 구비하는 이미지 특징에 기반하여, 이미지 특징 위치와 조감도 특징이 처하는 3차원 공간의 그리드 위치의 매핑 관계에 기반하여, 멀티 높이 분포 정보를 구비하는 조감도 특징을 결정하고; 또한, 멀티 높이 분포 정보를 구비하는 조감도 특징에 기반하여, 각 상기 영상 녹화 기기의 상기 이미지 특징으로부터, 상기 조감도 특징에 대응하는 위치의 이미지 특징을 상기 3차원 공간의 그리드로 샘플링하기 위한 조감도 특징 획득 모듈을 포함하는 것을 특징으로 하는 특징 수집 장치.
  10. 딥러닝 장치로서, 3차원 감지 중 3차원 라벨을 구비한 이미지 샘플 세트를 획득하기 위한 이미지 샘플 세트 획득 모듈; 상기 이미지 샘플 세트를 원본 모델에 입력하기 위한 샘플 입력 모듈; 상기 원본 모델을 통해, 상기 이미지 샘플 세트 중의 각 이미지의 이미지 특징을 추출하기 위한 이미지 특징 해석 모듈; 상기 원본 모델을 통해, 복수의 기설정된 높이에 따라, 상기 이미지 특징의 높이 분포 정보를 학습하여, 상기 이미지 특징의 멀티 높이 분포 정보의 예측 결과를 얻고; 또한, 상기 원본 모델을 통해, 상기 이미지 특징의 멀티 높이 분포 정보의 예측 결과에 기반하여, 조감도 특징에 대응하는 위치의 이미지 특징을 3차원 공간의 그리드로 샘플링하여, 상기 3차원 공간의 예측 결과를 얻기 위한 모델 학습 모듈; 상기 3차원 공간의 예측 결과와 상기 3차원 감지의 바운딩 박스의 정답 데이터 사이의 차이에 기반하여, 상기 원본 모델의 모델 파라미터를 조정하기 위한 파라미터 조정 모듈; 새로운 3차원 라벨을 구비한 이미지 샘플 세트를 획득하고, 상기 이미지 샘플 세트를 원본 모델에 입력하는 단계로 리턴하며, 수렴 조건에 달할 때까지, 조정을 거친 원본 모델을 훈련된 이미지 특징 추출 모델로 이용하기 위한 모델 결정 모듈을 포함하는 것을 특징으로 하는 딥러닝 장치.
  11. 전자 기기로서, 하나 또는 복수의 프로세서를 포함하고, 상기 프로세서가 제1항 내지 제5항 중 어느 한 항에 따른 특징 수집 방법, 및/또는, 제6항 내지 제8항 중 어느 한 항에 따른 딥러닝 방법을 구현하는 데에 사용되는 것을 특징으로 하는 전자 기기.
  12. 컴퓨터 판독가능 저장매체로서, 이에 프로그램이 저장되고, 상기 프로그램이 프로세서에 의해 수행될 경우, 제1항 내지 제5항 중 어느 한 항에 따른 특징 수집 방법, 및/또는, 제6항 내지 제8항 중 어느 한 항에 따른 딥러닝 방법을 구현하는 하는 것을 특징으로 하는 컴퓨터 판독가능 저장매체.

Description

특징 수집 방법, 딥러닝 방법, 장치, 기기 및 매체 [관련 출원의 교차 인용] [0001] 본 신청은 2023년 10월 20일에 중국특허청에 제출되고, 신청 번호가 202311388091.6인 중국 특허 신청의 우선권을 주장하는 바, 이의 모든 내용은 인용을 통해 본 신청에 통합된다. [0002] 본 신청의 실시예가 이미지 처리 기술분야에 관한 것으로, 이에 제한되지 않으며, 특히 특징 수집 방법, 딥러닝 방법, 장치, 기기 및 매체에 관한다. [0003] 기하학적 변환에 기초하여 조감도(Bird’s Eye View, BEV) 특징을 얻는 방법이 톱다운(top-down) 기하학적 변환의 방식을 포함할 수 있다. 구체적으로, 우선, 캘리브레이션 파라미터에 기반하여, 카메라의 내외 파라미터 변환 매트릭스를 이용하여, 3차원(Three Dimensions, 3D) 공간 중의 그리드(grid) 포인트가 대응하게 이미지에 투영되는 위치를 획득한다. 다음에, 대응하는 위치의 특징을 기존 3D 공간으로 샘플링하는 바, 즉 소위 특징 샘플링이며, 최종적으로 BEV 공간 특징의 구축을 구현한다. [0021] 도 1에 도시된 것이 본 신청의 실시예에서 제공되는 BEV 특징 수집 방법의 전체 구현 흐름 모식도이다. 도 2에 도시된 것이 본 신청의 실시예에서 제공되는 BEV 특징 수집 방법의 흐름 모식도이다. 도 3에 도시된 것이 본 신청의 실시예에서 제공되는 이미지 특징 추출 모델의 딥러닝 방법의 흐름 모식도이다. 도 4에 도시된 것이 도 1에 도시된 이미지 특징 추출 모듈의 구조 모식도이다. 도 5에 도시된 것이 도 1에 도시된 BEV 특징 수집 모듈의 구조 모식도이다. 도 6에 도시된 것이 본 신청의 실시예에서 제공되는 BEV 특징 수집 장치의 구조 모식도이다. 도 7에 도시된 것이 본 신청의 실시예에서 제공되는 이미지 특징 추출 모델의 딥러닝 장치의 구조 모식도이다. 도 8에 도시된 것이 본 신청의 실시예에서 제공되는 전자 기기의 모듈 블록도이다. [0022] 예들이 본 명세서에서 상세히 설명될 것이며, 그 예시들은 도면들에 나타나 있다. 이하의 설명들이 도면들을 포함할 때, 상이한 도면들에서의 동일한 번호들은 달리 지시되지 않는 한 동일하거나 유사한 요소들을 지칭한다. 하기 예들에 설명된 실시예들은 본 개시내용과 부합하는 모든 실시예를 나타내지 않는다. 오히려, 이들은 본 개시내용의 일부 양태들과 부합하며 첨부된 청구항들에 상술된 바와 같은 기기들 및 방법들의 예들에 불과하다. [0023] 설명해야 할 것은, 기타 실시예에서, 본 명세서에서 도시 및 설명된 순서에 따라 상응한 방법의 단계를 수행하지 않을 수도 있으며, 그 방법에 포함된 단계가 본 명세서에 설명된 것보다 더 많거나 또는 더 적을 수 있다. 추가로, 본 명세서에 설명된 싱글 단계가, 기타 실시예에서 복수 개 단계로 분할되어 설명될 수 있으며; 본 명세서에서 설명된 모든 복수 개 단계가, 기타 실시예에서 합 싱글 단계로 합병되어 설명될 수도 있다. [0024] 기하학적 변환에 기초하여 조감도 특징을 얻는 방법이 톱다운 기하학적 변환의 방식을 포함할 수 있다. 구체적으로, 우선, 캘리브레이션 파라미터에 기반하여, 카메라 내외 파라미터 변환 매트릭스를 이용하여, 3차원 공간 중의 그리드 포인트가 대응하게 이미지에 투영되는 위치를 획득한다. 다음에, 대응하는 위치의 특징을 기존 3D 공간으로 수집하는 바, 즉 소위 특징 수집이며, 최종적으로 BEV 공간 특징의 구축을 구현한다. [0025] 하지만, 상술한 캘리브레이션 파라미터는 일반적으로 모든 물체가 지면에 있다고 사전 설정하기에, 캘리브레이션 파라미터와 실제 세계의 높이가 일치하지 않다. 가령 3D 공간에 z 축 수치가 있더라도, 실제 세계의 높이를 반영할 수 없다. 따라서, 이러한 수집 방식으로 수집된 특징이 실제 세계에 부합되지 않으며, 정확성이 비교적 낮다. [0026] 이를 감안하여, 본 신청의 실시예가 제공하는 BEV 특징 수집 방법이: 복수의 영상 녹화 기기에 의해 수집된 이미지를 획득하고, 또한 각 상기 영상 녹화 기기에 의해 수집된 상기 이미지의 이미지 특징을 추출하는 단계; 복수의 기설정된 높이에 따라, 각 상기 이미지의 이미지 특징의 높이 분포 정보를 예측하여, 상기 이미지 특징의 멀티 높이 분포 정보의 예측 결과를 얻는 단계; 상기 이미지 특징의 멀티 높이 분포 정보의 예측 결과에 기반하여, 멀티 높이 분포 정보를 구비하는 이미지 특징을 얻는 단계; 상기 멀티 높이 분포 정보를 구비하는 이미지 특징에 기반하여, 이미지 특징 위치와 전경 조감도 BEV 특징이 처하는 3차원(3D) 공간의 그리드 위치의 매핑 관계에 기반하여, 멀티 높이 분포 정보를 구비하는 BEV 특징을 결정하는 단계; 및, 멀티 높이 분포 정보를 구비하는 BEV 특징에 기반하여, 각 상기 영상 녹화 기기의 상기 이미지 특징으로부터, 상기 BEV 특징에 대응하는 위치의 이미지 특징을 상기 3D 공간의 그리드로 샘플링하는 단계를 포함한다. [0027] 본 신청의 실시예에서, 복수의 기설정된 높이에 따라, 각 이미지의 이미지 특징의 높이 분포 정보를 예측하여, 이미지 특징의 멀티 높이 분포 정보의 예측 결과를 얻는 것을 통해, 이미지 실제 높이 상황을 반영한다. 이러한 방법으로, 멀티 높이 각각에 대해 샘플링을 수행할 수 있으며, 따라서 멀티 높이 분포 정보를 구비하는 BEV 특징이 실제 높이에 더 부합되게 하며, 추가로 더 정확한 BEV 특징을 얻는다. [0028] 도 1에 도시된 것이 본 신청의 실시예에서 제공되는 BEV 특징 수집 방법의 전체 구현 흐름 모식도이다. [0029] 도 1에 도시된 바와 같이, 본 신청의 실시예의 BEV 특징 수집 방법이 전자 기기에 의해 수행될 수 있다. 이 BEV 특징 수집 방법의 응용 시나리오는 3D 감지의 사나리오일 수 있다. 3D 감지가 3D 바운딩 박스를 구현하는 검출을 포함할 수 있으며, 이에 제한되지 않는다. 여기서, 3D 바운딩 박스가 상이한 타입의 바운딩 박스를 포함할 수 있다. 예시적으로, 상이한 타입이 사람, 물체 및 차량 중의 하나 또는 여러 개일 수 있다. 이미지 특징 추출의 원본 모델의 학습 정확성을 향상시키기 위해, 최종의 3D 감지에 의해 역전달되는(backpropagated) 기울기를 통해 구현할 수 있다. 이러한 방법으로 3D 바운딩 박스의 검출 결과가 정확한지 여부를 장악할 수 있고, 단독으로 높이 분포 예측에 대해 손실 함수를 설정할 필요가 없다. 오히려, 상이한 타입의 바운딩 박스에 대해, 대응하게 이미지 특징 추출의 원본 모델 훈련의 손실 함수를 상이하게 설정하며, 구체적으로 실제 상황에 따라 결정된다. [0030] 상술한 전자 기기가 BEV 특징 수집 장치를 포함할 수 있으며 이에 제한되지 않는다. 당해 BEV 특징 수집 장치가 이미지 특징 추출 모듈, 높이 분포 예측 모듈, BEV 특징 수집 모듈, 3D 감지 모듈 중의 하나 또는 여러 개를 포함할 수 있으며 이에 제한되지 않는다. 3D 감지 모듈이 3D 바운딩 박스의 검출을 구현하는 데에 사용된다. 기타 모듈에 대한 상세한 설명은 후문을 참조한다. [0031] 도 2에 도시된 것이 본 신청의 실시예에서 제공되는 BEV 특징 수집 방법의 흐름 모식도이다. [0032] 도 2에 도시된 바와 같이, 당해 BEV 특징 수집 방법이 이하 단계 110 내지 단계 150을 포함할 수 있으며 이에 제한되지 않는다. [0033] 단계 110, 복수의 영상 녹화 기기에 의해 수집된 이미지를 획득하고, 또한 각 영상 녹화 기기에 의해 수집된 이미지의 이미지 특징을 추출한다. [0034] 여기서, 상술한 복수의 영상 녹화 기기가 이미지 촬영을 구현하는 데에 사용될 수 있고, 또한 이 기기에 의해 이미지가 촬영된다. 예시적으로, 복수의 영상 녹화 기기가 카메라, 비디오 카메라 또는 레이더일 수 있으며 이에 제한되지 않는다. 추가로, 당해 카메라가 어안 카메라(fisheye camera)일 수 있으며 이에 제한되지 않는다. 이러한 방법으로, 복수의 어안 카메라를 통해 이미지를 수집할 수 있다. [0035] 계속해서 도 1에 도시된 바와 같이, 상술한 복수의 영상 녹화 기기가 상이한 위치에 있는 복수의 상이한 기기일 수 있다. 예시적으로, 상술한 복수의 영상 녹화 기기가 4개 어안 카메라일 수 있으며 이에 제한되지 않으며, 각각 운전하는 차량의 앞, 뒤, 좌, 우 4개 방향에 배치되어, 카메라 시야각이 차량의 사주(surrounding)를 충분히 커버함을 확보하고, 또한 바둑판 캘리브레이션 보드를 이용하여 어안 카메라에 대해 캘리브레이션하여 이의 내부 파라미터를 얻고 또한 왜곡 보정(distortion correction)을 수행한다. [0036] 단계 120, 복수의 기설정된 높이에 따라, 각 이미지의 이미지 특징의 높이 분포 정보를 예측하여, 이미지 특징의 멀티 높이 분포 정보의 예측 결과를 얻는다. [0037] 상술한 높이 분포 정보가 각 픽셀 포인트의 상이한 높이 상의 분포 상황을 반영할 수 있다. 여기서, 높이 분포 정보가 높이 분포 확률일 수 있으며 이에 제한되지 않는다. [0038] 복수의 기설정된 높이가 상이한 높이를 반영하는 데에 사용될 수 있다. 이미지 특징의 멀티 높이 분포 정보의 예측 결과가 이미지 내의 임의의 하나의 픽셀 포인트에 아주 많은 높이 분포가 있음을 반영하는 데에 사용된다. 예를 들면, 이미지 중의 임의의 하나의 픽셀 포인트의 멀티 높이 분포 정보의 예측 결과가 하나의 벡터이다. [0039] 복수의 기설정된 높이가 하나의 기설정된 높이 범위 또는 복수의 기설정된 높이 값일 수 있으며 이에 제한되지 않는다. 물론, 기설정된 높이 범위 또는 복수의 기설정된 높이 값에 대해, 여기서 이에 대해 제한하지 않는다. 복수의 기설정된 높이가 하나의 0 에서 10미터의 높이 범위에서 균일하게 샘플링된 복수의 기설정된 높이 값일 수도 있다. 예시적으로, 복수의 기설정된 높이가 각각 1미터, 2미터, 3미터, 4미터, 5미터, 6미터, 7미터, 8미터, 9미터, 10미터이다. 각 픽셀 포인트가 복수의 기설정된 높이 중의 각 기설정된 높이에 따라 수집되어, 각 픽셀 포인