Wi-Fi 기반의 위치인식 시스템은 Wi-Fi 노드들을 구별할 수 있는 식별자(SSID)와 그 노드들로부터 측정된 신호의 세기(RSSI)를 바탕으로 추정한다. 이외에도 성능을 향상시키기 위하여 신호의 품질(LQI), 분산 및 평균값들을 통해 보정한다. 이렇게 실내 노드들로부터 측정된 Wi-Fi 신호를 바탕으로 Fingerprint와 Trilateration 방식으로 나눌 수 있다. Fingerprint의 경우 실내에서 가장 많이 적용되는 기술로서 DB를 생성하고 이를 기반으로 실시간 측정 RSSI와 비교를 통해 위치를 추정하는 방식이다. 주로 구축하고자하는 공간에 배치된 노드의 위치를 모르는 상태에서도 적용이 가능하지만 DB의 생성에 따른 구축시간과 연산량이 증가하여 속도가 저하될 수 있다. 반면에 Trilateration은 적용시간이 비교적 빠르고 DB 및 연산이 거의 없기 때문에 빠른 탐색이 가능하다. 하지만 노드의 정확한 좌표가 확보되어야 사용자의 위치 측정이 가능하기 때문에 정확한 지도와 노드의 위치정보를 확보하지 않고 위치인식을 적용하기 어렵다. 또한 노드들의 절대적인 방위가 필수적인 사용자 단말기 기반의 지도 제작 방식은 기준이 되는 노드나 시작점을 설정해야 적용이 가능하다. 따라서 지도와 노드를 접목하기 위해서는 정확한 위치 기준이 정의되어야 하며 최근 상용화되고 있는 Wi-Fi 기반의 실내 위치인식 시스템은 입구를 시작점으로 위치를 추적하고 있다[8][9].

영상에서 경계선이란 영상 안에 있는 객체의 경계를 가리키는 것으로서, 모양, 방향성을 탐지할 수 있는 등 여러 정보가 담겨있다. Sobel 경계선 검출은 픽셀 간의 밝기 변화율을 이용하여 특정 사물의 특징을 추출하는데 효과적이기 때문에, 영상처리 분야 및 컴퓨터 비전 분야 등에 크게 응용되고 있다. 실제 입력된 영상은 RGB로 표현되어 있지만, 그레이 스케일을 통하여 단순화 시키는 것이 효율적이며, 이를 통하여, 색의 밝기 정보를 이용해 실제 영상의 특징이 포함된 경계선 영상을 추출한다. 전체 영상에 대한 각 픽셀 간의 값을 편미분을 이용해 기울기 벡터를 구하고, 이러한 모든 픽셀에 대하여 해당되는 각 픽셀에서의 벡터의 크기를 표현함으로써 경계선 이미지를 나타낼 수 있다.

식 (1)과 식 (2)에서 G_x는 x축 방향으로의 기울기 값, G_y는 y축 방향으로의 기울기 값이고, f는 그레이 스케일 영상이다.

식 (3)은 x축과 y축 모든 방향의 기울기를 이용하여 경계선을 구하는 방법이다. 하지만, 식 (4)와 같이 식을 근사하여 사용한다[10].

제안하는 케이블형 노드의 RSSI 기반 가시화 및 경로 판별법은 Figure 1과 같다. 먼저 설치된 케이블형 노드의 위치를 인식하고자 하는 공간에서 시작점을 잡고 고정 노드의 신호를 측정하여 이 신호를 기반으로 모든 구간의 데이터베이스를 만든다. 신호 수집 시 여러 환경적인 요인에 의해 세기 및 측정 기기의 감도 등 신호를 수신하는 데 많은 시간을 소요하여 정확한 신호 세기 평균이 필요하다. 그러나 제안한 알고리즘에서는 초당 약 2회 측정을 기준으로 신속한 가시화 신호를 형성하기 위하여 평균을 쓰지 않고 일정간격마다 측정된 신호를 사용하여 설치된 노드 경로를 따라 측정한다. 제안하는 RSSI를 이용한 가시화 알고리즘과 Sobel 필터를 사용하여 경계선 검출을 사용하여 구간마다 설치된 케이블형 노드의 특성에 대하여 판별 알고리즘에 대해 설명한다.

Figure 1: 
The proposed system architecture based on edge detection

제안하는 케이블형 노드의 RSSI 기반 가시화 기법은 Figure 2와 같다. 노드의 설치는 복도 경로를 따라 케이블 형태로 연결되어 설치한다. 설치된 노드는 3m 간격으로 배치되기 때문에 곡선구간의 노드의 위치만 파악하면 설계도에서 노드의 위치를 탐색할 수 있다. 먼저 설치된 케이블형 노드의 위치를 인식하고자 하는 공간에서 시작점을 잡고 고정 노드의 신호를 측정하여 이 신호를 기반으로 경로에 따라 각 노드의 RSSI를 초당 1~3회 측정을 기준으로 50cm 간격으로 데이터베이스를 만든다. 신호 수집 시 여러 환경적인 요인에 의해 세기 및 측정 기기의 감도 등 신호를 수신하는 데 많은 시간을 소요하여 정확한 신호 세기 평균이 필요하다. 그러나 제안한 알고리즘에서는 초당 1~3회 측정을 기준으로 신속한 데이터베이스를 형성하기 위하여 평균을 쓰지 않고 고정된 점에서 측정된 신호를 사용하여 설치된 노드 경로를 따라 측정한다. x축은 설치된 노드 경로를 따라 측정된 신호를 나타내고, 노드가 설치된 순서는 알고 있기 때문에 y축은 신호 노드의 순서대로 연결되어 있는 번호이며 이를 따라 가시화하기 위한 신호를 생성한다. 노드의 신호는 dBm 단위로 음의 수로 나오기 때문에 가시화하기 위해 정규화를 한다.

Figure 2: 
The experiment environment

식 (5)와 식 (6)에서 RSSI_e는 측정된 신호세기, RSSI_p는 신호의 양의 수 변환을 나타내고 RSSI_υ는 양의 수로 변환된 신호를 사용하여 그레이 스케일로 가시화된 신호이다.

가시화된 이미지는 대칭적으로 신호가 분포하며 일반적인 영상과 달리 낮은 주파수와 높은 주파수로 이루어져 있다. 또한 제안하는 가시화된 이미지는 분포된 신호에서 주변의 곡선구간을 기점으로 벽에 의한 신호의 Fading 현상이 발생한다. 벽과 같은 장애물로 인하여 신호가 급감하기 때문에 가시화된 이미지는 인접한 픽셀들의 세기 변화량이 커지게 된다. 그러므로 마스크를 이용하여 Convolution 통해 확인한 주변 픽셀과의 강도 변화량은 변화되는 구간에서 큰 절대 값을 가진다. 일반 이미지에서 Roberts 마스크와 같이 지역적으로 근접한 소수의 픽셀만을 이용해서 구하면 잡음이 많아지게 되어 직선/곡선 구간 판별이 어렵다. 하지만 가시화된 이미지는 일반 이미지와 주변 픽셀의 변화량이 큰 특성을 가지고 있기 때문에 Sobel 기반 경계선 검출을 이용한다.

식 (7)은 수직축 Sobel 필터마스크를 나타낸다. 가시화된 이미지 RSSI_υ에 각각의 마스크를 사용한다. 마스크를 사용한 이미지를 인접한 노드들과의 경로와 공간지형에 따른 특성을 판별한다. 추출된 경계선 이미지는 이진화 필터링을 적용한다. 경계선이 추출된 이미지 각 픽셀 값에 대하여, i_Threshold를 기준으로 0과 255로써 식 (8)과 같이 이진화한다.

i_Threshold를 기준으로 이미지의 직선과 곡선 구간의 선별기준이 달라진다. i_Threshold는 구하는 방법은 식 (9)와 같으며 수직축 Sobel 필터 마스크에 의해 생성된 각 The number of node는 y축의 노드의 총 수, All point는 일정간격으로 측정된 위치의 총 수를 의미한다. G_{size of vertical}은 0이 아닌 각 픽셀의 개수를 의미한다. 값들의 평균을 이용하여 임계값을 구한다.

TRD는 식 (10)과 같고 노드 위치별로 각 노드의 전체적인 RSSI 분포를 의미하며, p(x,y) x축에 따라 이진화된 y축으로 생성된 기울기 값의 빈도의 총 합를 가지고 확인한다. 이를 통해 직선과 곡선을 판별한다.

각 노드의 순서에 따라 분포된 신호의 세기를 가지고 판별이 가능하다. 노드 개수가 제한적이기 때문에 y축에 따라 이진화된 x축의 전체 RSSI 분포도를 보게 되면 전체적인 분포가 특성을 나타내기 힘들다. 그러기 때문에 제안하는 알고리즘에서는 x축의 전체 RSSI 분포도로 데이터를 확인 하지 않는다. 다음 장에서 제안하는 알고리즘의 성능을 판별하기 위해 실험 환경을 구성하여 실험 및 결과에 대해 논의한다.

실험은 Figure 2와 같이 한국해양대학교 공과대학 1호관 4층 복도구간에서 진행하였다. ‘ㄷ’자 형태의 복도구간은 큰 곡선으로 이루어진 2구간과 작은 곡선 1구간이 존재한다. 실험 공간은 공간 확장을 통해 노드가 전혀 설치되어 있지 않은 새로운 공간과 노드가 많이 설치된 기존 공간이 공존하기 때문에 2가지 환경에서 노드의 신호를 확인하는데 최적의 공간이다. 케이블형 노드는 동일한 노드와 동일한 전력수신을 통해 일정한 신호를 보내는 것이 가장 큰 장점이다. 기존의 위치인식에서는 노드마다 출력이 다르며 주파수도 2.4GHz 대역과 5.8GHz 대역을 듀얼로 사용하기 때문에 전파의 수신 거리 및 투과율 등 모두 달라 동일한 수식을 적용하기에는 한계가 존재하였다. 따라서 동일한 신호를 발생하기 위하여 본 연구에서는 모든 노드를 Figure 3 (a)와 같이 2.45Ghz의 상용 노드(ipTIME Mobile AP1)로 통일하였으며 동일한 전력선을 통해 전원을 공급받도록 실험을 구성하였다. 노드와 수신기의 높이는 2.7m 높이의 일반 건물 전장과 성인이 평균적으로 서있을 때를 가정하여 1.2m 의 간격을 두고 측정하였다. Figure 3 (b)는 실험 공간에 설치된 노드들의 배치를 나타낸다. 케이블형 노드와 동일한 환경을 구축하기 위하여 특수 제작한 지지대와 상용 노드를 기반으로 일정한 전력을 공급을 위해 10개 노드단위로 동일한 단자에서 전력을 공급받도록 설치하였다. 설치된 케이블형 노드의 위치를 인식하고자 하는 공간에서 시작점을 잡고 고정 노드의 신호를 측정하여 이 신호를 기반으로 경로에 따라 각 노드의 RSSI를 초당 1~3회 측정을 기준으로 50cm 간격으로 데이터베이스를 만든다.

Figure 3: 
(a) The used node and (b) The deployment of node for experiment

케이블형 노드의 RSSI 측정 결과를 정규화 시킨 결과는 Figure 4과 같다. x축은 측정 위치, y축은 노드 번호, z축은 RSSI_υ를 나타낸다. 벽으로 인하여 차폐된 공간에 의해 감쇄가 크게 일어나게 되어 구분한다. 하지만 신호의 왜란과 반사와 같은 신호로 인해 측정이 되어 오차가 발생한다. Figure 5은 가시화한 이미지 결과를 나타낸다. 가시화된 이미지는 대칭적으로 신호가 분포하며 일반적인 영상과 달리 낮은 주파수와 높은 주파수로 이루어져 있는 것을 확인할 수 있으며, 벽과 같은 장애물로 인하여 신호가 급감하기 때문에 가시화된 이미지는 인접한 픽셀들의 세기 변화량이 커지게 된다. 경로를 따라 측정하였을 경우 측정이 되지 않은 노드 RSSI는 측정불가로 0으로 검은색으로 나타나며 측정이 잘되는 노드 RSSI는 255로 흰색으로 나타나게 된다. 경계선이 직선 구간에 비해 곡선 구간에서 주변 픽셀의 차이가 직선 구간에 비해 높게 발생한다. Figure 6은 경계선 검출기를 사용하여 (a) Proposed algorithm, (b) Canny 필터를 사용한 결과를 나타낸다. 이진화된 이미지로 Proposed algorithm은 Threshold를 식 (9)를 사용하였으며 Canny는 최소과 최대의 그라디언트값을 사용하였다. Proposed algorithm 필터를 이용할 경우 Canny검출에 비해 제안하는 가시화 이미지에서 경계선 검출이 잘발생하는 것을 확인 할 수 있다. Figure 7은 전체 RSSI 분포 데이터이며 x축은 노드 순서를 y축은 정규화하여 합성된 신호 분포를 나타낸다. 정규화는 식 (11)과 같으며 각 알고리즘을 비교하기 위해 최대값을 1로 정규화하여 비교하였다.

Figure 4: 
The normalized RSSI according to measured positions

Figure 5: 
The RSSI Visualization of Cable Type Wi-Fi in Corridor

Figure 6: 
Edge detection (a) Proposed algorithm (b) Canny

Figure 7: 
The total RSSI distribution

TRD_y(x)는 전체 RSSI 분포 데이터를 나타내며 식 (10)과 같고, Max(TRD_y(x))는 전체 RSSI 분포 데이터에서 최대값을 의미한다. Raw data는 직선인 구간에서도 값이 높게 나와 판별이 어렵다. Canny 필터, 제안하는 Sobel 필터를 사용할 경우 직선구간에서 필터과정을 거치게 되어 낮아지며 곡선 구간이 두드러지게 되어 판별이 가능하다. 곡선 구간은 21, 41, 45, 46번으로써 Canny 필터는 21, 41번은 판별이 잘되나, 45번과 46번에서 필터과정을 거치게 되면서 잡음과 같이 제거된다. 하지만 제안하는 Sobel 필터를 사용할 경우 21, 41, 45, 46번의 모든 곡선 구간에서 잡음과 구분이 잘 되는 것을 확인할 수 있었다.

Table 1은 곡선 구간에서의 필터 성능을 비교한 결과이다. Canny 필터와 제안하는 알고리즘 성능을 비교해본 결과 제안하는 알고리즘이 21, 41번에서는 유사하게 나왔으나 45, 46번에서 각각 32.53%, 66.41% 증가하였다. 또한 Raw data보다 제안하는 알고리즘 성능은 주변의 잡음이 34.16% 감소시키는 성능을 나타내었다.