주로 열상(FLIR: Forward-Looking Imfra-Red)을 이용하여 표적을 탐지하는 자동표적탐지(ATD: Automatic Target Detection)장비는 전처리단계, 잠재적 표적탐지 및 클러터 제거 등 3단계를 적용하여 표적을 탐지한다. 열상영상의 전처리단계 및 잠재적 표적탐지단계를 통해 열상영상의 모든 표적후보를 구한다. 이때, 표적후보군에는 표적 및 클러터가 공존하게 되는데, 클러터 제거 단계에서 표적후보군에 포함된 클러터를 제거하여 표적을 분류함으로서 오경보(False Alarm)를 줄이는 기능을 한다. 본 논문은 표적탐지단계 중 클러터 제거방법에 대한 연구내용에 대해 기술하였으며, 연구의 특징은 표적후보군에 포함된 클러터를 제거하기 위하여 표적후보영상의 주성분분석법(PCA: Principal Component Analysis)을 이용한 형태적 특징 및 외곽선 영상(Edge Image)의 통계적 특징을 이용한 표적제거기법을 제시하였다. 주성분분석법 특징값은 미리 선정한 대표표적에 대해 차원축소고유벡터를 구한 후 표적후보군 영상을 고유벡터에 투영한 유클리드 거리를 이용하였으며, 통계적 특징은 표적후보군의 외곽선영상에 대해 분산 및 표준편차를 이용한 통계적 특징을 적용하였다. 주성분 특징과 통계적 특징을 이용하여 표적과 클러터를 구분하기 위해 선형판별법(LDA: Linear Discriminant Analysis)을 적용하였다. 제안된 알고리즘의 성능확인을 위해 수행한 시뮬레이션 결과 제안된 알고리즘이 주성분분석법 특징 또는 통계적 특징 등 단일특징을 적용하였을 때 보다 좋은 결과를 도출하였다.
주로 열상(FLIR: Forward-Looking Imfra-Red)을 이용하여 표적을 탐지하는 자동표적탐지(ATD: Automatic Target Detection)장비는 전처리단계, 잠재적 표적탐지 및 클러터 제거 등 3단계를 적용하여 표적을 탐지한다. 열상영상의 전처리단계 및 잠재적 표적탐지단계를 통해 열상영상의 모든 표적후보를 구한다. 이때, 표적후보군에는 표적 및 클러터가 공존하게 되는데, 클러터 제거 단계에서 표적후보군에 포함된 클러터를 제거하여 표적을 분류함으로서 오경보(False Alarm)를 줄이는 기능을 한다. 본 논문은 표적탐지단계 중 클러터 제거방법에 대한 연구내용에 대해 기술하였으며, 연구의 특징은 표적후보군에 포함된 클러터를 제거하기 위하여 표적후보영상의 주성분분석법(PCA: Principal Component Analysis)을 이용한 형태적 특징 및 외곽선 영상(Edge Image)의 통계적 특징을 이용한 표적제거기법을 제시하였다. 주성분분석법 특징값은 미리 선정한 대표표적에 대해 차원축소 고유벡터를 구한 후 표적후보군 영상을 고유벡터에 투영한 유클리드 거리를 이용하였으며, 통계적 특징은 표적후보군의 외곽선영상에 대해 분산 및 표준편차를 이용한 통계적 특징을 적용하였다. 주성분 특징과 통계적 특징을 이용하여 표적과 클러터를 구분하기 위해 선형판별법(LDA: Linear Discriminant Analysis)을 적용하였다. 제안된 알고리즘의 성능확인을 위해 수행한 시뮬레이션 결과 제안된 알고리즘이 주성분분석법 특징 또는 통계적 특징 등 단일특징을 적용하였을 때 보다 좋은 결과를 도출하였다.
Automatic Target Detection (ATD) systems that use forward-looking infrared (FLIR) consists of three stages. preprocessing, detection, and clutter rejection. All potential targets are extracted in preprocessing and detection stages. But, this results in a high false alarm rates. To reduce false alarm...
Automatic Target Detection (ATD) systems that use forward-looking infrared (FLIR) consists of three stages. preprocessing, detection, and clutter rejection. All potential targets are extracted in preprocessing and detection stages. But, this results in a high false alarm rates. To reduce false alarm rates of ATD system, true targets are extracted in the clutter rejection stage. This paper focuses on clutter rejection stage. This paper presents a new clutter rejection technique using PCA features and stochastic features of clutters and targets. PCA features are obtained from Euclidian distances using which potential targets are projected to reduced eigenspace selected from target eigenvectors. CV is used for calculating stochastic features of edges in targets and clutters images. To distinguish between target and clutter, LDA (Linear Discriminant Analysis) is applied. The experimental results show that the proposed algorithm accurately classify clutters with a low false rate compared to PCA method or CV method
Automatic Target Detection (ATD) systems that use forward-looking infrared (FLIR) consists of three stages. preprocessing, detection, and clutter rejection. All potential targets are extracted in preprocessing and detection stages. But, this results in a high false alarm rates. To reduce false alarm rates of ATD system, true targets are extracted in the clutter rejection stage. This paper focuses on clutter rejection stage. This paper presents a new clutter rejection technique using PCA features and stochastic features of clutters and targets. PCA features are obtained from Euclidian distances using which potential targets are projected to reduced eigenspace selected from target eigenvectors. CV is used for calculating stochastic features of edges in targets and clutters images. To distinguish between target and clutter, LDA (Linear Discriminant Analysis) is applied. The experimental results show that the proposed algorithm accurately classify clutters with a low false rate compared to PCA method or CV method
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 클러터 제거단계에서는 표적 후보군으로부터 표적만 추출하여 오경보를 줄이는 기능을 수행한다. 본 논문에서는 무인로봇차량에 탑재되는 표적탐지장치의 오경보(false alarm)를 줄이기 위한 클러터 제거기법에 대해 기술을 하였다. 지금까지 열상(FLIR)을 이용하여 많은 표적탐지 알고리즘을 개발하여 왔다.
본 논문은 열영상(Forward Looking Infrared: FLIR)의 표적 후보영상으로부터 오경보(False Alarm)을 최소화하기 위하여 주성분 분석법을 적용한 축소차원을 이용하여 유클리드 거리계산값과 외곽선 영상의 통계학적 특징인 변동계수를 구하여 선형판별법에 의한 클러터 제거기법을 제안하였다. 제안된 알고리즘의 성능입증은 MATLAB 응용 소프트웨어를 이용하여 시뮬레이션을 수행하였으며, 시뮬레이션결과 제안된 기법이 주성분 분석법 특징 또는 외곽선 영상의 통계적 특징 등 단일 특징을 적용하였을 때 보다 좋은 결과를 도출 클러터를 제거하는 것보다 좋은 특성을 가졌다.
제안 방법
일반적으로 열영상은 인공물체에 대해서는 강한 외곽선영상을 갖는데 비해 자연물체에 대해서는 비교적 약한 외곽선 영상을 갖는 경향이 있다. 따라서, 학습영상에 대하여 표적 및 클러터의 외곽선 영상의 통계적 특징을 이용하여 표적 및 클러터를 구분하였다. 표적 및 클러터를 구분하기 위하여 통계적 특징을 적용하기 위해서는 통계치가 동일한 조건에서 비교되어져야 하기 때문에 표적 및 클러터 외곽선 영상에 대한 상대분산 개념을 적용한 변동계수(CV: Coefficient of Variance)을 이용하였다.
본 장에서는 영상처리단계 및 탐지단계에서 추출된 표적 후보군 영상으로부터 표적과 클러터를 구분하여 클러터를 제거하는 방법을 제안하였다. 이를 위하여 실제 환경에서 획득한 표적 및 클러터 영상을 이용하여 주성분 분석법을 이용한 표적차원축소, 고유영역(Eigenspace)을 이용한 표적 및 클러터의 특성 및 외곽선 영상의 통계적 특성을 결합하여 선형판별법을 이용하여 학습 및 그 결과를 이용하여 표적 및 클러터를 판별하는 것으로 알고리즘 구성은 [그림 1]과 같다.
표적과 클러터가 혼재할 경우 제안된 알고리즘을 적용하여 클러터제거성능을 시뮬레이션을 통해 확인하였다. 우선, 62장의 표적영상 및 82장의 클러터 영상을 이용하여 축소차원 PCA 특징 및 외곽선 통계특성을 이용하여 선형판별식 학습을 수행하였다. 그림 5는 학습에 사용된 표적 및 클러터 영상 각각에 대해 축소차원의 차량고유벡터에 투영 시 유클리드 거리를 x-축에, 외곽선영상의 통계특성인 변동계수를 y-축으로 나타냈을 때 표적 및 클러터 분포도를 보여준다.
본 장에서는 영상처리단계 및 탐지단계에서 추출된 표적 후보군 영상으로부터 표적과 클러터를 구분하여 클러터를 제거하는 방법을 제안하였다. 이를 위하여 실제 환경에서 획득한 표적 및 클러터 영상을 이용하여 주성분 분석법을 이용한 표적차원축소, 고유영역(Eigenspace)을 이용한 표적 및 클러터의 특성 및 외곽선 영상의 통계적 특성을 결합하여 선형판별법을 이용하여 학습 및 그 결과를 이용하여 표적 및 클러터를 판별하는 것으로 알고리즘 구성은 [그림 1]과 같다.
특히, 주성분 분석법은 외부 환경 특성을 줄이기 위해 미리 규정된 평균 및 분산으로 정규화 하는데 이때 표적영상과 클러터 영상의 특성이 비슷해져서 구분이 되지 않아 클러터를 제대로 구분하지 못하는 경우가 발생한다. 이를 해결하기 위하여 외곽선영상에 대한 통계적 특성을 주성분 분석법의 특성과 결합하여 클러터 제거를 수행하였다. 일반적으로 열영상에 대해 인공적인 물체의 외곽선 영상을 구하면 배경과 또렷하나 자연적인 물체는 인공적인 물체에 비해 외곽선이 또렷하지 않는 특성을 가지고 있다.
주성분 분석법을 이용하여 클러터를 제거하기 위하여 표적영상의 차원축소 후 훈련영상에 대한 주성분 특징(고유영역에서 유클리드 거리)을 구하였다.
클러터 제거를 위한 문턱치 계산은 훈련영상을 이용하여 표적 및 클러터영상에 대한 차원축소 고유벡터에 대한 유클리드 최소거리 및 외곽선 영상의 통계특성을 선형판별식에 적용하여 클러터를 제거하였다. 선형판별법을 이용하여 수식 15의 목적함수 J(w)를 최대로 하는 최적화된 해 w*는 수식 17을 이용하여 구하였다.
표적과 클러터가 혼재할 경우 제안된 알고리즘을 적용하여 클러터제거성능을 시뮬레이션을 통해 확인하였다. 우선, 62장의 표적영상 및 82장의 클러터 영상을 이용하여 축소차원 PCA 특징 및 외곽선 통계특성을 이용하여 선형판별식 학습을 수행하였다.
최근에는 지역기반 PCA방법[10], 고유공간 분리변환[11] 등의 방법을 적용한 클러터 제거기법을 제안하였다. 하지만, 위에서 제시한 논문은 영상의 단일 특징을 이용하여 클러터 제거 기법을 적용하였으며, 이는 지금까지의 경험으로 볼 때 전반적으로 밝은 특성을 갖는 클러터 등은 제거되지 않는 특성을 갖게 된다.
대상 데이터
시뮬레이션에 사용된 영상은 그림 2.와 같이 대표적인 차량표적 5종류에 대해 0도에서 45도씩 증가하면서 촬영한 80×40픽셀의 영상을 사용하였다.
제안된 알고리즘의 성능을 확인하기 위해서 실제 환경에 위치한 차량표적의 적외선(InfraRed) 영상을 이용하여 시뮬레이션을 수행하였다. 시뮬레이션에 사용된 영상은 그림 2.
데이터처리
제안된 알고리즘의 성능을 확인하기 위하여 319개의 표적영상이 포함된 973개 시험영상에 대해 MATLAB 응용 SW를 이용하여 시뮬레이션을 수행하였으며, 표적/클러터 판별은 미리 학습된 선형판별식을 적용하여 구하였으며, 결과는 표 3 및 표 4와 같다.
이론/모형
Table 3. Summarization of simulation result (Application with full dimension of target eigenvectors using PCA method.
클러터 제거를 위한 문턱치 계산은 훈련영상을 이용하여 표적 및 클러터영상에 대한 차원축소 고유벡터에 대한 유클리드 최소거리 및 외곽선 영상의 통계특성을 선형판별식에 적용하여 클러터를 제거하였다. 선형판별법을 이용하여 수식 15의 목적함수 J(w)를 최대로 하는 최적화된 해 w*는 수식 17을 이용하여 구하였다.
따라서 본 논문에서는 형상을 이용한 주성분 분석법을 이용한 형태적 특성과 외곽선 영상의 통계학적인 특성을 결합하여 표적과 클러터를 구분하여 클러터 제거를 제거함으로서 단일특징을 적용 시 보다 더 좋은 성능을 가짐을 확인하였다. 여러 종류의 다양한 특징에 대한 표적 및 클러터의 구분은 선형판별식(LDA)을 적용하여 구분하였다.
따라서, 학습영상에 대하여 표적 및 클러터의 외곽선 영상의 통계적 특징을 이용하여 표적 및 클러터를 구분하였다. 표적 및 클러터를 구분하기 위하여 통계적 특징을 적용하기 위해서는 통계치가 동일한 조건에서 비교되어져야 하기 때문에 표적 및 클러터 외곽선 영상에 대한 상대분산 개념을 적용한 변동계수(CV: Coefficient of Variance)을 이용하였다.
표적영상에 대한 축소 고유벡터를 구하기 위하여 수동으로 N개의 표적을 선별하여 주성분 분석법에 적용하였으며, 고유값(Eigenvalue)를 이용하여 축소 고유벡터를 구하였으며 알고리즘은 다음과 같다.
성능/효과
제안된 알고리즘의 성능을 확인하기 위하여 본 논문은 다음과 같이 구성되어 있다. Ⅱ장에서는 제안된 클러터 제거 알고리즘에 대해 1) 주성분 분석법을 이용하여 축소차원 및 표적특징 계산, 2) 외곽선 영상을 이용한 통계특성 계산 3) 선형판별법을 이용한 표적-클러터 분리 및 4) 시험영상을 이용한 클러터 제거방법을 기술하였고, Ⅲ장에서는 Ⅱ장에서 제안된 알고리즘에 대한 시뮬레이션을 수행하여 타당성을 확인하였으며, Ⅳ장에서는 결론을 기술하였다.
또한, 외곽선영상을 이용한 통계적 특징을 이용 시 표적탐지확률은 상대적으로 낮지만, 클러터를 탐지할 확률은 높게 나타났다. 따라서 두 개의 특징을 이용하여 클러터를 제거 시 단일 특징을 사용 시 보다 좋은 결과를 얻었다. 특히, 주성분 분석법을 이용하여 클러터 제거 시 표적의 고유벡터를 축소 시와 전체 고유벡터를 이용 시 차이가 거의 발생하지 않음을 알 수 있다.
일반적으로 열영상에 대해 인공적인 물체의 외곽선 영상을 구하면 배경과 또렷하나 자연적인 물체는 인공적인 물체에 비해 외곽선이 또렷하지 않는 특성을 가지고 있다. 따라서 본 논문에서는 형상을 이용한 주성분 분석법을 이용한 형태적 특성과 외곽선 영상의 통계학적인 특성을 결합하여 표적과 클러터를 구분하여 클러터 제거를 제거함으로서 단일특징을 적용 시 보다 더 좋은 성능을 가짐을 확인하였다. 여러 종류의 다양한 특징에 대한 표적 및 클러터의 구분은 선형판별식(LDA)을 적용하여 구분하였다.
표 3 및 표 4에서 보여주는 바와 같이 시험영상을 대해 클러터 제거성능을 확인 시 주성분분석법 특징만을 이용한 경우 표적탐지확률은 높지만 클러터를 탐지할 확률은 낮았다. 또한, 외곽선영상을 이용한 통계적 특징을 이용 시 표적탐지확률은 상대적으로 낮지만, 클러터를 탐지할 확률은 높게 나타났다. 따라서 두 개의 특징을 이용하여 클러터를 제거 시 단일 특징을 사용 시 보다 좋은 결과를 얻었다.
본 논문은 열영상(Forward Looking Infrared: FLIR)의 표적 후보영상으로부터 오경보(False Alarm)을 최소화하기 위하여 주성분 분석법을 적용한 축소차원을 이용하여 유클리드 거리계산값과 외곽선 영상의 통계학적 특징인 변동계수를 구하여 선형판별법에 의한 클러터 제거기법을 제안하였다. 제안된 알고리즘의 성능입증은 MATLAB 응용 소프트웨어를 이용하여 시뮬레이션을 수행하였으며, 시뮬레이션결과 제안된 기법이 주성분 분석법 특징 또는 외곽선 영상의 통계적 특징 등 단일 특징을 적용하였을 때 보다 좋은 결과를 도출 클러터를 제거하는 것보다 좋은 특성을 가졌다. 특히, 주성분 분석법을 이용한 고유벡터의 수를 줄여서 적용하여도 클러터 제거율은 차이가 없음을 알 수 있었다.
따라서 두 개의 특징을 이용하여 클러터를 제거 시 단일 특징을 사용 시 보다 좋은 결과를 얻었다. 특히, 주성분 분석법을 이용하여 클러터 제거 시 표적의 고유벡터를 축소 시와 전체 고유벡터를 이용 시 차이가 거의 발생하지 않음을 알 수 있다. 이는 축소차원의 고유벡터가 전체차원의 고유벡터에 비해 충분한 에너지를 포함하기 때문인 것으로 판단된다.
제안된 알고리즘의 성능입증은 MATLAB 응용 소프트웨어를 이용하여 시뮬레이션을 수행하였으며, 시뮬레이션결과 제안된 기법이 주성분 분석법 특징 또는 외곽선 영상의 통계적 특징 등 단일 특징을 적용하였을 때 보다 좋은 결과를 도출 클러터를 제거하는 것보다 좋은 특성을 가졌다. 특히, 주성분 분석법을 이용한 고유벡터의 수를 줄여서 적용하여도 클러터 제거율은 차이가 없음을 알 수 있었다.
표 3 및 표 4에서 보여주는 바와 같이 시험영상을 대해 클러터 제거성능을 확인 시 주성분분석법 특징만을 이용한 경우 표적탐지확률은 높지만 클러터를 탐지할 확률은 낮았다. 또한, 외곽선영상을 이용한 통계적 특징을 이용 시 표적탐지확률은 상대적으로 낮지만, 클러터를 탐지할 확률은 높게 나타났다.
질의응답
핵심어
질문
논문에서 추출한 답변
자동표적탐지는 어떠한 단계를 적용하여 표적을 탐지하는가?
주로 열상(FLIR: Forward-Looking Imfra-Red)을 이용하여 표적을 탐지하는 자동표적탐지(ATD: Automatic Target Detection)장비는 전처리단계, 잠재적 표적탐지 및 클러터 제거 등 3단계를 적용하여 표적을 탐지한다. 열상영상의 전처리단계 및 잠재적 표적탐지단계를 통해 열상영상의 모든 표적후보를 구한다.
클러스터 제거 단계에서 오경보는 어떻게 줄이는가?
열상영상의 전처리단계 및 잠재적 표적탐지단계를 통해 열상영상의 모든 표적후보를 구한다. 이때, 표적후보군에는 표적 및 클러터가 공존하게 되는데, 클러터 제거 단계에서 표적후보군에 포함된 클러터를 제거하여 표적을 분류함으로서 오경보(False Alarm)를 줄이는 기능을 한다. 본 논문은 표적탐지단계 중 클러터 제거방법에 대한 연구내용에 대해 기술하였으며, 연구의 특징은 표적후보군에 포함된 클러터를 제거하기 위하여 표적후보영상의 주성분분석법(PCA: Principal Component Analysis)을 이용한 형태적 특징 및 외곽선 영상(Edge Image)의 통계적 특징을 이용한 표적제거기법을 제시하였다.
본 연구에서 Principal Component Analysis의 특징값으로 무엇을 이용하였는가?
본 논문은 표적탐지단계 중 클러터 제거방법에 대한 연구내용에 대해 기술하였으며, 연구의 특징은 표적후보군에 포함된 클러터를 제거하기 위하여 표적후보영상의 주성분분석법(PCA: Principal Component Analysis)을 이용한 형태적 특징 및 외곽선 영상(Edge Image)의 통계적 특징을 이용한 표적제거기법을 제시하였다. 주성분분석법 특징값은 미리 선정한 대표표적에 대해 차원축소 고유벡터를 구한 후 표적후보군 영상을 고유벡터에 투영한 유클리드 거리를 이용하였으며, 통계적 특징은 표적후보군의 외곽선영상에 대해 분산 및 표준편차를 이용한 통계적 특징을 적용하였다. 주성분 특징과 통계적 특징을 이용하여 표적과 클러터를 구분하기 위해 선형판별법(LDA: Linear Discriminant Analysis)을 적용하였다.
참고문헌 (11)
L. Wang, S.Z. Der, N.M. Nasrabadi, "Automatic target recognition using a feature-decomposition and data- decomposition modular neural network", IEEE Trans. Image Processing, Vol. 7 (8), pp1113-1121, 1998.
S. G. Sun J. Park and H.W.Park, "Identification of Military Ground Vehicles by Feature Information Fusion in FLIRI mages" ,Proc.IEEE, 3rd Int. Symp., Image and Signal Processing and Analysis, Vol. 2, pp871-876, 2003.
S. G Sun "Small Target Detection Using Center- Surround Difference with Locally Adaptive Threshold", Proceeding of the 4th international Symposium on Image and Signal Processing and Analysis(2005) ,pp402-407, Oct. 2005.
Nobuyuki Otsu, "A Threshold Selection Method from Gray-Level Histogram", IEEE Trans. On Systems, Man, and Cybernetics, Vol. SMC-9, No. 1, pp62-66Jan. 1979.
Joan S. Weszka and Azriel Rosenfeld, "Threshold Evaluation Techniques", IEEE Trans. On Systems, Man, and Cybernetics, Vol. SMC-8, No. 8 pp622-629 Aug. 1978.
P. K Sahoo, S. Soltani, and A. K. C. Wang, "A Survey of Thresholding Techniques", Computer Vision, Graphics, and Image processing, 41, pp-233-260, 1988.
Q. H. Pham, T. M. Brosnan and M. J. T. Smith, "Sequential Digital Filters for Fast Detection of Targets in FLIR Image Data", proc. SPIE, Vol. 3069, pp62-73, 1997.
R. Murenzi, et. al. "Detection of targets in low resolution FLIR Imagery using two-Dimensional directional Wavelets", Proc. SPIE, Vol.3371, pp510-518, 1998.
S. A. Rizvi, N. M. Nasrabadi, and S. Z. Der, "A Clutter Rejection Technique for FLIR Imagery Using Region-Based Principal Component Analysis", Proc. SPIE, Vol.3718, pp139-142, 1999.
L.A. Chan, N. M. Nasrabadi and D. Torrieri, "Bipolar Eigenspace separation Transformation for Automatic Clutter Rejection", Proc. IEEE Int. Conf., Image Processing, Vol. 1. pp139 - 142, 1999.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.