본 연구에서는 고해상도 위성영상인 TerraSAR-X와 WorldView-2 등을 융합하여 표적의 특성을 고려한 표적군(Group of targets) 검출을 수행하였다. 관심 대상으로 하는 표적은 고정되어 있으며, 군(Group)을 이루고 있는 특징이 있다. 표적 후보를 검출하기 위해 대상 물체의 레이더 후방산란 특성을 이용한 Constant False Alarm Rate (CFAR) 알고리즘을 적용하였다. 검출된 표적 후보군으로부터 비표적을 제거하기 위해 표적의 크기 정보를 이용한 화소클러스터링, 표적군을 이루는 표적들간의 배치 특성을 이용한 네트워크 클러스터링. 그리고 SAR 간섭기법 적용이 가능한 간섭쌍이 있는 경우 긴밀도 정보를 이용하였다. 또한, 오경보(False Alarm)를 감소시키고 최종 표적을 결정하기 위해, 표적의 형태 정보를 추출할 수 있는 Electro-Optical (EO) 영상을 바탕으로 효과적인 타원 검출 기법을 개발하였다. 개발된 표적군 검출 알고리즘을 10개 지역에 적용한 결과, 표적군 검출율은 100%, 단일 표적에 대한 오경보율은 0.03~0.3개/$km^2$, 평균 오경보는 1.8군/$64km^2$로 낮은 오경보와 높은 검출율을 보이며 표적군이 검출되었다. 본 연구에서 개발된 표준화된 표적 검출 기법은 향후 무인화된 표적 검출 시스템 구축에 핵심적인 기술이 될 것으로 전망한다.
본 연구에서는 고해상도 위성영상인 TerraSAR-X와 WorldView-2 등을 융합하여 표적의 특성을 고려한 표적군(Group of targets) 검출을 수행하였다. 관심 대상으로 하는 표적은 고정되어 있으며, 군(Group)을 이루고 있는 특징이 있다. 표적 후보를 검출하기 위해 대상 물체의 레이더 후방산란 특성을 이용한 Constant False Alarm Rate (CFAR) 알고리즘을 적용하였다. 검출된 표적 후보군으로부터 비표적을 제거하기 위해 표적의 크기 정보를 이용한 화소 클러스터링, 표적군을 이루는 표적들간의 배치 특성을 이용한 네트워크 클러스터링. 그리고 SAR 간섭기법 적용이 가능한 간섭쌍이 있는 경우 긴밀도 정보를 이용하였다. 또한, 오경보(False Alarm)를 감소시키고 최종 표적을 결정하기 위해, 표적의 형태 정보를 추출할 수 있는 Electro-Optical (EO) 영상을 바탕으로 효과적인 타원 검출 기법을 개발하였다. 개발된 표적군 검출 알고리즘을 10개 지역에 적용한 결과, 표적군 검출율은 100%, 단일 표적에 대한 오경보율은 0.03~0.3개/$km^2$, 평균 오경보는 1.8군/$64km^2$로 낮은 오경보와 높은 검출율을 보이며 표적군이 검출되었다. 본 연구에서 개발된 표준화된 표적 검출 기법은 향후 무인화된 표적 검출 시스템 구축에 핵심적인 기술이 될 것으로 전망한다.
In this study, the target detection using both high-resolution satellite SAR and Elecro-Optical (EO) images such as TerraSAR-X and WorldView-2 is performed, considering the characteristics of targets. The targets of our interest are featured by being stationary and appearing as cluster targets. Afte...
In this study, the target detection using both high-resolution satellite SAR and Elecro-Optical (EO) images such as TerraSAR-X and WorldView-2 is performed, considering the characteristics of targets. The targets of our interest are featured by being stationary and appearing as cluster targets. After the target detection of SAR image by using Constant False Alarm Rate (CFAR) algorithm, a series of processes is performed in order to reduce false alarms, including pixel clustering, network clustering and coherence analysis. We extend further our algorithm by adopting the fast and effective ellipse detection in EO image using randomized hough transform, which is significantly reducing the number of false alarms. The performance of proposed algorithm has been tested and analyzed on TerraSAR-X SAR and WordView-2 EO images. As a result, the average false alarm for group of targets is 1.8 groups/$64km^2$ and the false alarms of single target range from 0.03 to 0.3 targets/$km^2$. The results show that groups of targets are successfully identified with very low false alarms.
In this study, the target detection using both high-resolution satellite SAR and Elecro-Optical (EO) images such as TerraSAR-X and WorldView-2 is performed, considering the characteristics of targets. The targets of our interest are featured by being stationary and appearing as cluster targets. After the target detection of SAR image by using Constant False Alarm Rate (CFAR) algorithm, a series of processes is performed in order to reduce false alarms, including pixel clustering, network clustering and coherence analysis. We extend further our algorithm by adopting the fast and effective ellipse detection in EO image using randomized hough transform, which is significantly reducing the number of false alarms. The performance of proposed algorithm has been tested and analyzed on TerraSAR-X SAR and WordView-2 EO images. As a result, the average false alarm for group of targets is 1.8 groups/$64km^2$ and the false alarms of single target range from 0.03 to 0.3 targets/$km^2$. The results show that groups of targets are successfully identified with very low false alarms.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
두 번째 과정에서는 표적의 특징을 이용하여 일련의 표적 클러스터링 과정을 구성하였으며, 표적 클러스터링에 사용될 파라미터는 통계분석을 통해 산출하여 보다 안정적이고 적응적으로 사용할 수 있게 하였다. 마지막 과정에서는 EO 영상을 바탕으로 표적을 구성하는 특징의 일부분인 불완전 타원을 검출하기 위해서 이에 적합한 타원 검출 기법을 개발하였다.
본 연구에서는 고정되어 있고 군을 이루는 금속성의 소형 표적을 검출하기 위한 방법을 제시한다. 소형 표적은 전체 영상에서 차지하는 화소 수가 적으므로 고해상도 영상을 사용하였고, 높은 검출율과 낮은 오경보율의 결과를 위해 각각 장점을 이용할 수 있으며 표적 검출의 신뢰성을 높일 수 있는 SAR 영상과 EO 영상을 함께 사용하였다.
본 연구에서는 고해상도 SAR 영상과 EO 영상을 이용하여 표적의 특징을 고려한 고정 표적군 검출 기법을 개발하였다. 표적군 검출 기법을 개발하기 위해 해상도 1 m 급의 TerraSAR-X SAR 영상과 WorldView-2 및 Pleiades EO 영상이 사용되었으며 다음의 과정을 포함한다(Fig.
제안 방법
본 연구에서는 고해상도 SAR 영상에 적용 가능하고, 다양한 비균질 환경의 특성을 충분히 반영할 수 있는 G0분포를 기반으로 한 Gao et al.(2009)의 CFAR 검출기를 바탕으로 표적 검출을 수행하였다(Fig. 4).
정확한 정합이 수행되지 않을 경우 SAR 영상으로부터 선별된 표적의 위치와는 다른 곳을 중심으로한 EO 영상에 대해 타원 검출이 수행될 수 있기 때문이다. 10m DEM을 이용하여 SAR 정사영상을 생성한 후 EO 정사영상과 영상정합을 수행하였다. 영상정합을 위해 사용된 기법은 Suri and Reinartz(2010)의 Mutual Information (MI)이다.
CFAR는 구조가 비교적 단순하여 계산량이 많지 않은 장점이 있고, 오경보율을 항상 일정하게 유지하는 특성이 있는 알고리즘으로, 본 논문에서는 효과적인 표적 검출을 위해 오경보율을 10-4로 설정하여 표적 검출을 수행하였다. 표적군 검출 결과, 오경보율이 10-4일때검출율(PD)은 100%로 확인되었다.
본 연구에서의 표적은 공통적으로 불완전 타원을 갖는 특징이 있다. 그러나 SAR 영상으로는 형태 정보를 추출하는 것이 불가능하므로 고해상도 EO 영상을 사용하여 표적의 특징인 타원을 추출하였다. 이때 EO 영상 전체에 대해 타원 검출을 수행하는 것이 아니라, SAR 영상을 이용하여 선별된 표적의 위치로부터 EO 영상에서 일정 범위를 추출하여 타원 검출을 시도하였다.
이후 무빙 윈도우 사이즈를 포함하는 국지적인 지역에 대해 표적 검출을 위한 임계치를 산출하기 위해 G0분포의 파라미터를 추정한다. 그러나 임계치를 과대 추정하면 검출기 성능을 저하시킬 수 있으므로 클러터 내 잠재적인 표적 등의 간섭 신호를 찾아 잠재적인 표적을 제외시키기 위해 윈도우마다 G0분포에서 주어진 확률 이상에서 이상점과 같이 매우 높은 값을 보이는 화소를 반복적으로 제거한 후 임계치를 산출하는 방법을 제안하였다. 임계치 산출을 위한 파라미터는 #와 #두 개이며, 다음 식(2a)와 (2b)를 통해 계산되어진다(Gao et al.
다음으로 긴밀도 분석의 기여도는 33%로 계산되었다. 긴밀도 분석은 간섭쌍이 없는 단일영상일 경우 (D, T, B, C, E, F 지역) 수행할 수 없으므로, 타원 검출 효과는 이 단계를 기준으로 입력 영상이 한 쌍인 경우와 단일 영상인 경우로 나누어 계산하였다. 타원 검출 효과는 입력 영상이 한 쌍일 경우 93%, 단 장일 경우는 91%로 확인되었다.
따라서 객체에 대한 긴밀도를 계산하였고, 일정 긴밀도 값 이하의 표적 후보는 제거함으로써 오경보 감소 효과를 얻을 수 있다. 다만, 긴밀도는 간섭도(Interferogram)를 생성할 수 있는 두 장 이상의 영상이 존재할 경우에만 가능하므로, 이를 만족 하지 않을 때에는 본 단계를 생략하여 입력 영상이 한 장일 경우에도 표적 검출이 가능하도록 알고리즘을 설계하였다. 두 번째 단계와 세 번째 단계에서 사용되는 표적 간 거리 임계치와 긴밀도 임계치는 알고리즘 개발을 위해 획득된 테스트 영상에서 다수 표적의 긴밀도 값을 추출하여 통계분석을 수행하였다.
첫 번째 과정에서는 SAR 영상을 기반으로 한 표적 검출을 위해, 비균질한 클러터 환경을 포함하는 고해상도 SAR 영상에 적합한 CFAR 검출기를 설계하였다. 두 번째 과정에서는 표적의 특징을 이용하여 일련의 표적 클러스터링 과정을 구성하였으며, 표적 클러스터링에 사용될 파라미터는 통계분석을 통해 산출하여 보다 안정적이고 적응적으로 사용할 수 있게 하였다. 마지막 과정에서는 EO 영상을 바탕으로 표적을 구성하는 특징의 일부분인 불완전 타원을 검출하기 위해서 이에 적합한 타원 검출 기법을 개발하였다.
추출하고자 하는 타원은 영상의 해상도에 비해 크기가 작고, 기대되는 타원의 불완전 정도가 크다. 따라서 타원검출에 사용되는 화소 비율의 경계값이 낮아지 므로, 타원 형태의 경계선뿐만 아니라 선형의 경계선들도 주변 경계선들의 영향으로 인해 타원으로 검출되기 때문에 선형의 경계선을 제거하였다. Fig.
표적간 거리가 매우 예외적으로 분포하는 경우도 있지만, 표적군의 범위는 일반적으로 약 1 km 내외로 추정된다. 본 연구에서의 검출 대상인 표적군의 모식도는 Fig. 2와 같으며, 발사체(Target 1)와 발사체 주변에 나타나는 원형의 형태(Launcher revetment) 그리고 레이더 안테나(Target 2)를 표시하였다.
따라서 가장자리나 모서리가 연결되어 있으면 같은 객체로 인식하는 방법인 8-connected neighborhood 방법을 사용하여 단일 화소들을 군집화 하였다. 본 연구에서의 표적은 규격화되어 있으므로 영상 내에서 일정한 길이와 면적을 갖기 때문에 군집화된 객체의 길이와 면적을 측정하여, 후보 표적 중 실제 표적 조건에 부합하는 객체를 선별하기 위한 화소 클러스터링을 수행하였다(Fig. 7). 표적의 길이와 면적을 만족하지 않는 객체는 오경보로 간주하여 제거하였으므로 이 단계를 통해 오경보를 감소시키는 효과를 획득할 수 있다.
알고리즘을 적용하여 표적군 검출을 시도하였으나, 표적이 존재하지 않아 표적군이 검출되지 않은 것으로 판단되는 영상에 대해 EO 영상과 SAR 영상으로 육안 판독을 수행하였다. 육안판독으로 EO 영상에서 표적 군이 확인된 위치를 기반으로 SAR 영상에 대해 표적의 존재여부를 판독하였으나, 표적이 존재하지 않는 것으로 확인되었다.
표적이 포함하고 있는 타원 형태를 추출하기 위해서는 널리 사용되는 Randomized Hough Transform (RHT) 알고리즘을 사용하였다. 우선 Canny, Sobel 필터 등 다양한 경계선 검출 알고리즘을 이용하여 경계선만을 추출한 이진 영상을 생성한다. 임의로 추출된 두개의 점을 타원 장축의 양 끝점으로 가정하여 타원의 중심에서 일정 거리에 들어오는 화소들로부터 단축 길이의 누적 배열을 생성하여 최대 누적을 갖는 단축을 선정한다.
그러나 SAR 영상으로는 형태 정보를 추출하는 것이 불가능하므로 고해상도 EO 영상을 사용하여 표적의 특징인 타원을 추출하였다. 이때 EO 영상 전체에 대해 타원 검출을 수행하는 것이 아니라, SAR 영상을 이용하여 선별된 표적의 위치로부터 EO 영상에서 일정 범위를 추출하여 타원 검출을 시도하였다. 이종 센서(SAR/EO) 에서 획득된 영상을 융합하여 표적을 검출하기 위해서는 사전에 영상 간의 정확한 정합(Image registration)이 요구된다.
위성 SAR의 경우 오경보율을 10-3으로 설정하는 것이 일반적이나, 표적 검출을 위한 적응 적인 임계치를 설정하는데 있어 오경보율은 매우 중요 하게 작용한다. 이에 표적을 검출하는 과정에서 적절한 오경보율 선택하기 위해 테스트 영상에서 표적 샘플을 바탕으로 분석을 수행하여 오경보율을 10-4으로 정의하였다. 오경보율 분석에 사용한 식은 식(5)와 같다.
이와 같이 guard area를 포함한 구성은 ‘square hollow-stencil sliding window’라 하여 고해상도 SAR 영상을 이용하는 표적 검출 방법에 효과적이라고 알려져 있다(Novak and Hesse, 1991). 이후 무빙 윈도우 사이즈를 포함하는 국지적인 지역에 대해 표적 검출을 위한 임계치를 산출하기 위해 G0분포의 파라미터를 추정한다. 그러나 임계치를 과대 추정하면 검출기 성능을 저하시킬 수 있으므로 클러터 내 잠재적인 표적 등의 간섭 신호를 찾아 잠재적인 표적을 제외시키기 위해 윈도우마다 G0분포에서 주어진 확률 이상에서 이상점과 같이 매우 높은 값을 보이는 화소를 반복적으로 제거한 후 임계치를 산출하는 방법을 제안하였다.
우선 Canny, Sobel 필터 등 다양한 경계선 검출 알고리즘을 이용하여 경계선만을 추출한 이진 영상을 생성한다. 임의로 추출된 두개의 점을 타원 장축의 양 끝점으로 가정하여 타원의 중심에서 일정 거리에 들어오는 화소들로부터 단축 길이의 누적 배열을 생성하여 최대 누적을 갖는 단축을 선정한다. 선정된 타원의 누적 화소와 타원 방정식으로부터 계산된 이론적 화소값의 비율로 최종 타원을 검출하게 된다.
본 논문에서는 고정되어 있는 소형 표적을 검출 대상으로 한다. 전천후 센서로써 낮뿐 아니라 밤에도 표적을 관찰할 수 있고, 객체의 재질 등의 특성을 이용할 수있는 장점을 가진 고해상도 SAR 영상과 SAR 영상보다 적은 기하학적 왜곡으로 형태 정보를 획득하는데 유용한 고해상도 EO 영상을 함께 사용하여 자동화된 표적군 검출 모듈을 개발하였다.
11(d)는 선형의 경계선을 제거한 이진 영상이 입력된 RHT 수행 결과이다. 주어진 타원 검출 화소값의 비율을 만족하는 타원 중 최적의 타원을 결정한 후 도시하였다.
세 번째는 표적의 형태 정보를 기반으로 표적을 결정하기 위한 불완전 타원 검출 과정으로써 EO 영상이 사용된다. 첫 번째 과정에서는 SAR 영상을 기반으로 한 표적 검출을 위해, 비균질한 클러터 환경을 포함하는 고해상도 SAR 영상에 적합한 CFAR 검출기를 설계하였다. 두 번째 과정에서는 표적의 특징을 이용하여 일련의 표적 클러스터링 과정을 구성하였으며, 표적 클러스터링에 사용될 파라미터는 통계분석을 통해 산출하여 보다 안정적이고 적응적으로 사용할 수 있게 하였다.
두 번째 단계와 세 번째 단계에서 사용되는 표적 간 거리 임계치와 긴밀도 임계치는 알고리즘 개발을 위해 획득된 테스트 영상에서 다수 표적의 긴밀도 값을 추출하여 통계분석을 수행하였다. 표적 간 거리 임계치를 산출하기 위해 표적 간 거리를 계산한 결과로부터 분포를 추정하였다. 히스토그램으로부터 적절한 확률밀도함수를 선정하여, 99%의 신뢰구간을 추정하여 임계치를 산출하였다.
표적 클러스터링 과정을 수행하여도 여전히 많은 후보 표적이 잔여하므로 실제 표적을 선별한 후 최종 표적을 결정하기 위한 방법으로 EO 영상을 이용한 타원 검출 기법(Ellipse detection)을 개발하였다. 본 연구에서의 표적은 공통적으로 불완전 타원을 갖는 특징이 있다.
표적 간 거리 임계치를 산출하기 위해 표적 간 거리를 계산한 결과로부터 분포를 추정하였다. 히스토그램으로부터 적절한 확률밀도함수를 선정하여, 99%의 신뢰구간을 추정하여 임계치를 산출하였다. 긴밀도 분석을 위한 임계치는 표적에서 산출된 긴밀도 값에 근거하여 경험적인 수치(0.
대상 데이터
본 논문에서는 표적이 영상 내에서 차지하는 화소가 매우 적기 때문에 고해상도 영상을 사용하였다. SAR 영상은 TerraSAR-X high resolution spotlight mode를 사용하였고,EO영상은WorldView-2와Pleiades의PANSharpen영상을 사용하였다. 실험을 위해 사용된 영상은 SAR 영상 17장과 EO 영상 10장으로 표적이 존재할 것으로 예상되는 열 개 지역에서 획득하였다.
실험을 위해 사용된 영상은 SAR 영상 17장과 EO 영상 10장으로 표적이 존재할 것으로 예상되는 열 개 지역에서 획득하였다. 네 지역에서 다중 시기 SAR 영상 11장과 여섯 지역에서 각각 SAR 영상 한장씩을 획득하였고, EO 영상은 각 지역마다 한 장씩을 획득하였다(Table 1). SAR 영상은 긴밀도 분석을 고려하여 최소 획득 주기인 11일 간격으로 최대한 획득하였다.
본 논문에서는 고정되어 있는 소형 표적을 검출 대상으로 한다. 전천후 센서로써 낮뿐 아니라 밤에도 표적을 관찰할 수 있고, 객체의 재질 등의 특성을 이용할 수있는 장점을 가진 고해상도 SAR 영상과 SAR 영상보다 적은 기하학적 왜곡으로 형태 정보를 획득하는데 유용한 고해상도 EO 영상을 함께 사용하여 자동화된 표적군 검출 모듈을 개발하였다.
본 논문에서는 표적이 영상 내에서 차지하는 화소가 매우 적기 때문에 고해상도 영상을 사용하였다. SAR 영상은 TerraSAR-X high resolution spotlight mode를 사용하였고,EO영상은WorldView-2와Pleiades의PANSharpen영상을 사용하였다.
본 연구에서의 최종 검출 대상은 약 8-10 m의 소형 표적으로 구성된 군사 표적군이다. 군사 표적군을 구성하는 소형 표적의 종류는 두 가지로, 발사체(Launcher)와 레이더 안테나(Radar antenna)로 구분되며 표적의 형태는 각각 Fig.
본 연구에서는 고정되어 있고 군을 이루는 금속성의 소형 표적을 검출하기 위한 방법을 제시한다. 소형 표적은 전체 영상에서 차지하는 화소 수가 적으므로 고해상도 영상을 사용하였고, 높은 검출율과 낮은 오경보율의 결과를 위해 각각 장점을 이용할 수 있으며 표적 검출의 신뢰성을 높일 수 있는 SAR 영상과 EO 영상을 함께 사용하였다.
SAR 영상은 TerraSAR-X high resolution spotlight mode를 사용하였고,EO영상은WorldView-2와Pleiades의PANSharpen영상을 사용하였다. 실험을 위해 사용된 영상은 SAR 영상 17장과 EO 영상 10장으로 표적이 존재할 것으로 예상되는 열 개 지역에서 획득하였다. 네 지역에서 다중 시기 SAR 영상 11장과 여섯 지역에서 각각 SAR 영상 한장씩을 획득하였고, EO 영상은 각 지역마다 한 장씩을 획득하였다(Table 1).
파란색 점은 CFAR 적용 결과를 나타내고, 빨간색 점은 CFAR 적용 후 표적 클러스터링 과정 중 화소 클러스터링을 수행한 결과이다. 총 17,693개의 화소가 검출되었고, 11,958개의 객체로 군집화 되어 표적 후보 중 1,135개만 선별되었다. 이 후 네트워크 클러스터링을 수행하여 113개의 클러스터에 733개의 표적이 선별되었고(Fig.
본 연구에서는 고해상도 SAR 영상과 EO 영상을 이용하여 표적의 특징을 고려한 고정 표적군 검출 기법을 개발하였다. 표적군 검출 기법을 개발하기 위해 해상도 1 m 급의 TerraSAR-X SAR 영상과 WorldView-2 및 Pleiades EO 영상이 사용되었으며 다음의 과정을 포함한다(Fig. 3). 전체적인 자료처리 시간은 시스템 성능과, 단일 SAR 영상을 이용할 경우와 두 개의 SAR 영상을 이용한 경우 등 입력자료에 따라 차이가 있지만, 일반적으로 약 3~5 시간 정도 소요가 된다.
데이터처리
14). SAR 영상을 이용한 표적 선별 결과에 대해 EO 영상을 이용하여 타원 검출을 수행하였고 검출된 타원은 Fig. 15와 같다. 표적 클러스터링 후 잔여하는 표적에 대해 타원 검출을 시도한 결과 총 88개의 타원이 검출되었고, 이 중 클러스터에 타원이 2개 이상 존재하는 곳을 최종 표적군으로 검출한 결과 최종 적으로 타원을 3개 포함하는 한 개의 클러스터가 검출되었다.
다만, 긴밀도는 간섭도(Interferogram)를 생성할 수 있는 두 장 이상의 영상이 존재할 경우에만 가능하므로, 이를 만족 하지 않을 때에는 본 단계를 생략하여 입력 영상이 한 장일 경우에도 표적 검출이 가능하도록 알고리즘을 설계하였다. 두 번째 단계와 세 번째 단계에서 사용되는 표적 간 거리 임계치와 긴밀도 임계치는 알고리즘 개발을 위해 획득된 테스트 영상에서 다수 표적의 긴밀도 값을 추출하여 통계분석을 수행하였다. 표적 간 거리 임계치를 산출하기 위해 표적 간 거리를 계산한 결과로부터 분포를 추정하였다.
9). 사용된 네트워크 길이 범위에 대한 임계치는 EO 영상을 바탕으로 표적의 배치구조를 파악한 후, 표적 간 거리를 다양한 경우에 대해 계산하여 통계적으로 산출하였다.
표적군 검출 기법을 위해 수행되는 각 단계마다의 오경보 감소 효과를 확인하기 위해 실험 결과 수치를 평균하여 비율(%)로 정리하였다. 즉, 연구 방법에서 이전 단계 대비 각 단계의 오경보 감소에 대한 기여도는 화소 클러스터링 77%, 네트워크 클러스터링 49%로 확인되었다.
이론/모형
11(b)는 영상에 대해 경계선을 추출한 결과를 이진 영상(Binary image)으로 나타낸 것으로써, 적색의 화소들이 경계선 화소들이다. 경계선 검출에는 Canny 알고리즘이 사용되었다. Canny 알고리즘은 영상 안에서 밝기차가 있는 곳을 추출하기 위한 최적의 알고리즘으로써 폭넓게 사용되고 있다(Park et al.
금속성 물체인 표적은 잘 반사되기 때문에 SAR 영상에서는 매우 밝게 나타나는 특징이 있으므로, 표적군을 구성하는 각 표적에 대한 후보를 검출하기 위해서 SAR 영상에 대해 CFAR 알고리즘을 적용하였다. CFAR 알고리즘은 주변에 비해 상대적으로 매우 밝은 화소값을 갖는 화소를 검출하는 방법이다.
그러나 고해상도 영상에서의 표적은 여러 셀 내에 점유되기 때문에 같은 객체에 해당하는 표적 화소들을 하나의 객체로 군집시켜주는 과정이 필요하다. 따라서 가장자리나 모서리가 연결되어 있으면 같은 객체로 인식하는 방법인 8-connected neighborhood 방법을 사용하여 단일 화소들을 군집화 하였다. 본 연구에서의 표적은 규격화되어 있으므로 영상 내에서 일정한 길이와 면적을 갖기 때문에 군집화된 객체의 길이와 면적을 측정하여, 후보 표적 중 실제 표적 조건에 부합하는 객체를 선별하기 위한 화소 클러스터링을 수행하였다(Fig.
10m DEM을 이용하여 SAR 정사영상을 생성한 후 EO 정사영상과 영상정합을 수행하였다. 영상정합을 위해 사용된 기법은 Suri and Reinartz(2010)의 Mutual Information (MI)이다. 정합할 두 영상 간 화소값의 상관성을 기반으로 영상의 유사성을 최적화시켜 기하학적 변환(Geometric transformation)을 추정하는 방법으로 이종 영상간의 정합에 효과적이다.
표적이 포함하고 있는 타원 형태를 추출하기 위해서는 널리 사용되는 Randomized Hough Transform (RHT) 알고리즘을 사용하였다. 우선 Canny, Sobel 필터 등 다양한 경계선 검출 알고리즘을 이용하여 경계선만을 추출한 이진 영상을 생성한다.
성능/효과
SAR 영상에서 추출된 예상 표적 지역과 EO 영상에서 추출된 표적의 Edge 영상을 픽셀 단위로 곱하여 공통부분을 추출함으로써 최종 표적 탐지를 수행하는 방법이다. 각각의 영상을 사용했을 때 보다 다중센서 기반의 표적 탐지 성능이 개선된 것을 확인하였다. 그러나 제시한 방법은 영역 탐지에 중점을 맞추어 소형 표적 탐지 수행시 높은 오경보를 보이는 한계가 있었다.
타원 검출 효과는 입력 영상이 한 쌍일 경우 93%, 단 장일 경우는 91%로 확인되었다. 따라서 EO 영상을 이용한 타원 검출 단계에서 오경보 감소 효과가 가장 높은 것으로 확인되었다.
그러므로 자연물이 아닌 고정되어 있는 인공 객체인 표적은 시간적 변이도가 작아서 긴밀도가 높게 측정되는 반면, 시간적 변이도가 큰 자연지물은 긴밀도가 낮게 계산될 것으로 예상할 수 있다. 따라서 객체에 대한 긴밀도를 계산하였고, 일정 긴밀도 값 이하의 표적 후보는 제거함으로써 오경보 감소 효과를 얻을 수 있다. 다만, 긴밀도는 간섭도(Interferogram)를 생성할 수 있는 두 장 이상의 영상이 존재할 경우에만 가능하므로, 이를 만족 하지 않을 때에는 본 단계를 생략하여 입력 영상이 한 장일 경우에도 표적 검출이 가능하도록 알고리즘을 설계하였다.
이로써 입력 영상이 단 장일 경우 긴밀도 분석 단계를 생략하면 오경보 감소 효과가 저하됨에 따라 오경보 증가 및 연산 시간 증가와 같은 단점이 발생하지만 표적 검출에는 문제가 없는 것을 확인 하였다. 또한 두 경우에서 모두 타원 검출 단계의 기여도가 가장 높은 것은 SAR와 EO 영상의 융합을 통해 표적 검출율이 향상되었음을 보여주는 중요한 결과로 판단된다. 이에 본 연구에서 개발된 표적군 검출 방법은 감시정찰 체계에 기여하고, 향후 무인화된 표적 검출 시스템 구축에 핵심적인 기술이 될 것으로 전망한다.
본 논문에서 개발된 표적군 검출 기법을 검증한 결과, 오경보율이 10-4일 때 표적군 검출율은 100%, 평균오경보는 1.8군/64km2이며 단일 표적에 대한 단위 면적당 오경보율은 최소 0.03개/km2 , 최대 0.3개/km2로 매우 높은 검출율과 낮은 오경보를 갖는 결과를 획득하였다. 표적 선별 과정 및 표적 결정 과정에서 전 단계 대비 각 단계(화소 클러스터링, 네트워크 클러스터링, 긴밀도 분석, 타원 검출)의 오경보 감소에 대한 기여도는 77%, 49%, 33%, 93%로 타원 검출에서 가장 큰 효과를 보였다.
알고리즘을 적용하여 표적군 검출을 시도하였으나, 표적이 존재하지 않아 표적군이 검출되지 않은 것으로 판단되는 영상에 대해 EO 영상과 SAR 영상으로 육안 판독을 수행하였다. 육안판독으로 EO 영상에서 표적 군이 확인된 위치를 기반으로 SAR 영상에 대해 표적의 존재여부를 판독하였으나, 표적이 존재하지 않는 것으로 확인되었다. 본 연구에서는 SAR 영상 검출 결과를 기반으로 하여 EO 영상과의 융합을 통해 표적군을 검출하는 방법을 사용하고 있으므로 표적의 부재로 인해 SAR 영상으로부터 표적 검출이 선행되지 않을 때에는 표적군을 검출할 수 없다는 한계점이 있다.
총 17,693개의 화소가 검출되었고, 11,958개의 객체로 군집화 되어 표적 후보 중 1,135개만 선별되었다. 이 후 네트워크 클러스터링을 수행하여 113개의 클러스터에 733개의 표적이 선별되었고(Fig. 13), 클러스터에 존재하는 표적에 대해서 긴밀도 분석을 수행한 결과, 85개의 클러스터에 대하여 556개의 객체가 선별되었다(Fig. 14). SAR 영상을 이용한 표적 선별 결과에 대해 EO 영상을 이용하여 타원 검출을 수행하였고 검출된 타원은 Fig.
입력 영상이 단 장일 경우에는 긴밀도 분석을 수행하지 않으므로 이 단계를 생략한 결과, 마지막 단계인 타원 검출의 효과가 한 쌍의 영상을 사용했을 경우보다 낮은 91%로 나타났다. 이로써 입력 영상이 단 장일 경우 긴밀도 분석 단계를 생략하면 오경보 감소 효과가 저하됨에 따라 오경보 증가 및 연산 시간 증가와 같은 단점이 발생하지만 표적 검출에는 문제가 없는 것을 확인 하였다. 또한 두 경우에서 모두 타원 검출 단계의 기여도가 가장 높은 것은 SAR와 EO 영상의 융합을 통해 표적 검출율이 향상되었음을 보여주는 중요한 결과로 판단된다.
표적 선별 과정 및 표적 결정 과정에서 전 단계 대비 각 단계(화소 클러스터링, 네트워크 클러스터링, 긴밀도 분석, 타원 검출)의 오경보 감소에 대한 기여도는 77%, 49%, 33%, 93%로 타원 검출에서 가장 큰 효과를 보였다. 입력 영상이 단 장일 경우에는 긴밀도 분석을 수행하지 않으므로 이 단계를 생략한 결과, 마지막 단계인 타원 검출의 효과가 한 쌍의 영상을 사용했을 경우보다 낮은 91%로 나타났다. 이로써 입력 영상이 단 장일 경우 긴밀도 분석 단계를 생략하면 오경보 감소 효과가 저하됨에 따라 오경보 증가 및 연산 시간 증가와 같은 단점이 발생하지만 표적 검출에는 문제가 없는 것을 확인 하였다.
P 지역은 표적군 오경보가 발생하지 않았고, T, E, F 지역은 표적군 오경보가 가장 높았으며 6개로 동일하였다. 입력 영상이 한 쌍일 경우보다 단장의 영상일 때 상대적으로 오경보가 높았다.
표적군 검출 기법을 위해 수행되는 각 단계마다의 오경보 감소 효과를 확인하기 위해 실험 결과 수치를 평균하여 비율(%)로 정리하였다. 즉, 연구 방법에서 이전 단계 대비 각 단계의 오경보 감소에 대한 기여도는 화소 클러스터링 77%, 네트워크 클러스터링 49%로 확인되었다. 다음으로 긴밀도 분석의 기여도는 33%로 계산되었다.
긴밀도 분석은 간섭쌍이 없는 단일영상일 경우 (D, T, B, C, E, F 지역) 수행할 수 없으므로, 타원 검출 효과는 이 단계를 기준으로 입력 영상이 한 쌍인 경우와 단일 영상인 경우로 나누어 계산하였다. 타원 검출 효과는 입력 영상이 한 쌍일 경우 93%, 단 장일 경우는 91%로 확인되었다. 따라서 EO 영상을 이용한 타원 검출 단계에서 오경보 감소 효과가 가장 높은 것으로 확인되었다.
3개/km2로 매우 높은 검출율과 낮은 오경보를 갖는 결과를 획득하였다. 표적 선별 과정 및 표적 결정 과정에서 전 단계 대비 각 단계(화소 클러스터링, 네트워크 클러스터링, 긴밀도 분석, 타원 검출)의 오경보 감소에 대한 기여도는 77%, 49%, 33%, 93%로 타원 검출에서 가장 큰 효과를 보였다. 입력 영상이 단 장일 경우에는 긴밀도 분석을 수행하지 않으므로 이 단계를 생략한 결과, 마지막 단계인 타원 검출의 효과가 한 쌍의 영상을 사용했을 경우보다 낮은 91%로 나타났다.
15와 같다. 표적 클러스터링 후 잔여하는 표적에 대해 타원 검출을 시도한 결과 총 88개의 타원이 검출되었고, 이 중 클러스터에 타원이 2개 이상 존재하는 곳을 최종 표적군으로 검출한 결과 최종 적으로 타원을 3개 포함하는 한 개의 클러스터가 검출되었다. 총 검출된 타원의 갯수는 3개이지만 중복을 제외하면 2개의 표적이 검출된 것으로 원형의 형태를 포함하는 Target 1의 개수와 일치한다.
로 설정하여 표적 검출을 수행하였다. 표적군 검출 결과, 오경보율이 10-4일때검출율(PD)은 100%로 확인되었다. 검출율은 실제 표적 개수 중 검출된 표적 개수를 말하며, 식(6)과 같이 표현할수 있다.
후속연구
각각의 영상을 사용했을 때 보다 다중센서 기반의 표적 탐지 성능이 개선된 것을 확인하였다. 그러나 제시한 방법은 영역 탐지에 중점을 맞추어 소형 표적 탐지 수행시 높은 오경보를 보이는 한계가 있었다.
본 연구에서는 SAR 영상 검출 결과를 기반으로 하여 EO 영상과의 융합을 통해 표적군을 검출하는 방법을 사용하고 있으므로 표적의 부재로 인해 SAR 영상으로부터 표적 검출이 선행되지 않을 때에는 표적군을 검출할 수 없다는 한계점이 있다. 따라서 표적 부재시에는 표적을 구성하는 주변 특징을 추출하는 등의 EO 영상을 사용한 표적군 검출을 수행한 후, SAR 영상을 이용하여 표적의 존재여부를 판단하는 알고리즘이 개발되면 효과적일 것으로 판단된다.
육안판독으로 EO 영상에서 표적 군이 확인된 위치를 기반으로 SAR 영상에 대해 표적의 존재여부를 판독하였으나, 표적이 존재하지 않는 것으로 확인되었다. 본 연구에서는 SAR 영상 검출 결과를 기반으로 하여 EO 영상과의 융합을 통해 표적군을 검출하는 방법을 사용하고 있으므로 표적의 부재로 인해 SAR 영상으로부터 표적 검출이 선행되지 않을 때에는 표적군을 검출할 수 없다는 한계점이 있다. 따라서 표적 부재시에는 표적을 구성하는 주변 특징을 추출하는 등의 EO 영상을 사용한 표적군 검출을 수행한 후, SAR 영상을 이용하여 표적의 존재여부를 판단하는 알고리즘이 개발되면 효과적일 것으로 판단된다.
또한 두 경우에서 모두 타원 검출 단계의 기여도가 가장 높은 것은 SAR와 EO 영상의 융합을 통해 표적 검출율이 향상되었음을 보여주는 중요한 결과로 판단된다. 이에 본 연구에서 개발된 표적군 검출 방법은 감시정찰 체계에 기여하고, 향후 무인화된 표적 검출 시스템 구축에 핵심적인 기술이 될 것으로 전망한다.
질의응답
핵심어
질문
논문에서 추출한 답변
CFAR란 무엇인가?
, 1997), Wavelet Transform (Chen and Li, 2009) 등이 있다. 이 중 CFAR는 주변에 비해 매우 높은 밝기 값을 갖는 화소를 검출하는 방법으로, 구조가 비교적 간단하여 가장 널리 쓰이고 있다 (Novak et al., 1997).
SAR 영상을 이용한 표적 검출 기법에는 어떤 것들이 있는가?
SAR 영상을 이용한 표적 검출 기법에는 Constant False Alarm Rate (CFAR, Novak et al., 1997), Wavelet Transform (Chen and Li, 2009) 등이 있다. 이 중 CFAR는 주변에 비해 매우 높은 밝기 값을 갖는 화소를 검출하는 방법으로, 구조가 비교적 간단하여 가장 널리 쓰이고 있다 (Novak et al.
능동센서로 획득되는 SAR 영상의 장점은?
표적 검출을 위해 사용하는 대표적인 영상으로는 능동센서로 획득되는 SAR 영상과 수동센서로 획득되는 EO 영상이 있다. SAR 영상은 전천후 센서로 획득됨으로써 낮뿐 아니라 밤에도 표적을 관찰할 수 있고, 가시적 특성 외 객체의 재질과 같은 물리적 특성을 이용할 수 있는 장점이 있다. 반면, EO 영상은 SAR 영상에 비해 적은 기하학적 왜곡을 가지고 있으므로 형태 정보를 획득하는데 매우 유용하다.
참고문헌 (19)
AIR POWER AUSTRALIA, 2014. http://www.ausairpower.net.
AMI, 2014. http://www.aussiemodeller.com.au.
Chan, L., S.Z. Der and N.M. Nasrabadi, 2005. A joint compression-discrimination neural transformation applied to target detection, IEEE Transactions on Systems, Man, and Cybernetics, Part B, pp. 670-681.
Changlin, W. and Z. Xuelian, 2007. Analysis of Man-Made Target Detection in SAR Imagery, Proc. of presented at the annual meeting of the Envisat Symposium, Montreux, April 23-27.
Chen D. and X. Li, 2009. Target Detection in SAR Image Based-on Wavelet Transform and Fractal Feature, Proc. of Image and Signal Processing, 2009. CISP '09. 2nd International Congress on, 1-4.
Fan, B., 2013. Registration of Optical and SAR Satellite Images by Exploring the Spatial Relationship of the Improved SIFT, IEEE Geoscience and Remote Sensing Letters, 10(4): 657-661.
Gao G., L. Liu, L. Zhao, G. Shi, and G. Kuang, 2009. An adaptive and fast CFAR algorithm based on automatic censoring for target detection in highresolution SAR iimages, IEEE Trans. Geosci. Remote Sens., 47(6): 1685-1697.
Novak, L.M., G.J. Owirka, W.S. Brower and A.L. Weaver 1997. The automatic target recognition system in SAIP, The Lincoln Laboratory J., 10(2): 187-202.
Park, M., C. Kim, and J. Park, 2011. A Study on Canny Edge Detector Design Based on Image Fuzzification, The Journal of the Korea Institute of Maritime Information & Communication Sciences, 15(9): 1925-1931 (in Korean with English abstract).
Song, W.Y., S-H. Rho, C-H. Jung, Y-K., Kwag, 2010. Synthetic Aperture Radar Target Detection Using Multi-Cell Averaging CFAR Scheme, Journal of Electromagnetic Engineering and Science, 21(2): 164-169 (in Korean with English abstract).
Song, W. Y., 2011. Target Detection using SAR/EO Multi-Sensor Images, Korea Aerospace University, Korea (in Korean with English abstract).
Suri S. and P. Reinartz, 2010. Mutual-information-based registration of TerraSAR-X and Ikonos imagery in urban areas, IEEE Trans. Geosci. Remote Sens., 48(2): 939-949.
Ye, W., C. Paulson, D.O. Wu and J.Li, 2008. A Rotation-Invariant Transform for Target Detection in SAR Images, Proc. of SPIE 6970, Algorithms for Synthetic Aperture Radar Imagery XV, April 15.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.