Harmonic Line Association 기반 특징벡터 추출에 의한 드론 음향 식별 및 분류 Drone Sound Identification and Classification by Harmonic Line Association Based Feature Vector Extraction원문보기
UAV (unmanned aerial vehicles)을 지칭하는 드론 관련 산업은 기존의 원격조종 무선모형 항공기 수준에서 벗어나 급속도로 발전하고 있으며, 현재는 자동화와 클라우드 네트워크 기술을 접목시키면서 새로운 산업으로 성장해가는 상황이다. 최근 무인 항공기의 능력은 폭발물 및 기타 위험 물질 운반 등 공공 안전에 대한 심각한 위협을 가져올 수 있으며, 불법 드론에 의한 이러한 위험을 감소시키기 위해, 음향 특징 추출 및 분류 기술에 의하여 이들 불법 드론을 탐지할 필요가 있다. 본 논문에서는 고조파 특징 추출 방법(HLA)에 의한 음향 특징벡터 추출 방법을 소개한다. HLA에 기초한 특징 벡터 추출 방법은 음향 데이터의 보다 특징적인 특성을 추출하여 무인 항공기 음향을 식별할 수 있게 한다. 실외 환경에 존재하는 음향의 식별성능을 평가하기 위해 여러 사물 및 실제 드론의 음향을 비교 분석 하였으며, 각 음원에 대한 시뮬레이션으로 드론 및 기타의 음향을 분류하였다.
UAV (unmanned aerial vehicles)을 지칭하는 드론 관련 산업은 기존의 원격조종 무선모형 항공기 수준에서 벗어나 급속도로 발전하고 있으며, 현재는 자동화와 클라우드 네트워크 기술을 접목시키면서 새로운 산업으로 성장해가는 상황이다. 최근 무인 항공기의 능력은 폭발물 및 기타 위험 물질 운반 등 공공 안전에 대한 심각한 위협을 가져올 수 있으며, 불법 드론에 의한 이러한 위험을 감소시키기 위해, 음향 특징 추출 및 분류 기술에 의하여 이들 불법 드론을 탐지할 필요가 있다. 본 논문에서는 고조파 특징 추출 방법(HLA)에 의한 음향 특징벡터 추출 방법을 소개한다. HLA에 기초한 특징 벡터 추출 방법은 음향 데이터의 보다 특징적인 특성을 추출하여 무인 항공기 음향을 식별할 수 있게 한다. 실외 환경에 존재하는 음향의 식별성능을 평가하기 위해 여러 사물 및 실제 드론의 음향을 비교 분석 하였으며, 각 음원에 대한 시뮬레이션으로 드론 및 기타의 음향을 분류하였다.
Drone, which refers to unmanned aerial vehicles (UAV), industries are improving rapidly and exceeding existing level of remote controlled aircraft models. Also, they are applying automation and cloud network technology. Recently, the ability of drones can bring serious threats to public safety such ...
Drone, which refers to unmanned aerial vehicles (UAV), industries are improving rapidly and exceeding existing level of remote controlled aircraft models. Also, they are applying automation and cloud network technology. Recently, the ability of drones can bring serious threats to public safety such as explosives and unmanned aircraft carrying hazardous materials. On the purpose of reducing these kinds of threats, it is necessary to detect these illegal drones, using acoustic feature extraction and classifying technology. In this paper, we introduce sound feature vector extraction method by harmonic feature extraction method (HLA). Feature vector extraction method based on HLA make it possible to distinguish drone sound, extracting features of sound data. In order to assess the performance of distinguishing sounds which exists in outdoor environment, we analyzed various sounds of things and real drones, and classified sounds of drone and others as simulation of each sound source.
Drone, which refers to unmanned aerial vehicles (UAV), industries are improving rapidly and exceeding existing level of remote controlled aircraft models. Also, they are applying automation and cloud network technology. Recently, the ability of drones can bring serious threats to public safety such as explosives and unmanned aircraft carrying hazardous materials. On the purpose of reducing these kinds of threats, it is necessary to detect these illegal drones, using acoustic feature extraction and classifying technology. In this paper, we introduce sound feature vector extraction method by harmonic feature extraction method (HLA). Feature vector extraction method based on HLA make it possible to distinguish drone sound, extracting features of sound data. In order to assess the performance of distinguishing sounds which exists in outdoor environment, we analyzed various sounds of things and real drones, and classified sounds of drone and others as simulation of each sound source.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
가설 설정
일반적으로 20-2000 Hz의 주파수 범위 내에 존재하는 항공기 고조파 신호성분의 특징을 나타낸다. 소형 민간 항공기에 대한 전형적인 기본주파수는 50 Hz로 가정한다.
오디오진폭 피크 값들의 고조파 관계를 결정하며, 관련 주파수의 진폭피크는 가상의 고조파 특징 벡터 세트를 형성하기 위해 함께 그룹화 되어지며, 각각의 음원은 고유 고조파 패턴을 가질 것이다. 음원추출 고조파관계 알고리즘은 개별 검출된 오디오진폭 피크 값과 연속되는 오디오 신호진폭의 나머지 피크 값에서 기본고조파를 찾을 수 있다고 가정되어지며, 고조파군의 진폭 최고점들의 위치는 하모닉 특징벡터 군으로 볼 수 있다.
제안 방법
HLA를 통해 추출 된 드론 및 각 사물들의 특징벡터 간 유클리디언 거리를 분류하여 표와 그래프로 표시하였으며, 각 음원사이의 거리와 음향 유사도는 청색, 녹색, 적색순서로 나타내었다. 그 결과 표 1의 유클리디언 거리 공식에 의한 거리계산 분류법은 드론 음향 식별 및 구분이 명확하지 않았으며, 음향추출 목표물에 대한 분류 효율이 좋지 않았다.
민간용 드론 시장의 급속한 성장으로 인해, 개인 사생활 침해 뿐만 아니라 정부, 공공기관 시설의 보안 및 안전 위협이 날로 증가하고 있으며, 불법 드론의 탐지 기술에 대한 사회적 관심이 증가하고 있다. 다양한 음향 센서와 정밀센서 네트워크 기술을 활용하여, 불법 드론을 탐지 및 식별, 구분하여 침입 장소와 위치정보 등 여러 가지 경보 사항을 관리자에게 알려주는 드론 탐지기를 설계하기 위하여 드론 비행 시 발생하는 독특한 음향 정보를 구조화하여 저장하고, 음향 DB(Data Base :데이터베이스)와 실시간수신음향을 비교 분석하여 드론을 구분하고, 음향 DB를 업데이트함으로써, 드론의 종류 및 제조사와 무관하게 드론을 식별할 수 있어야 한다. 여러 음향에서 추출된 특징벡터를 이용하여, wavelets, SVM (support vector machine) 및 genetic algorithm (GA) 분류 기술 기반으로 드론 사운드 최적화 파라미터를 생성하여, 분류 데이터 식별 성능을 100 %까지 향상 될 수 있도록 HLA + SVM, HLA+ SVMwithGA, Wavelet +SVM, Wavelet + SVMwith GA, (HLA+Wavelet) +SVM with GA 등 다양한 방법을 활용할 수 있다.
표4는 실험에 쓰여 진 드론들 (Drone11_r1,Drone14_r2, Drone15_r3 ) 이다. 드론들과 비교에 사용된 헤어드라이어, 히터, 프린터, 문서 세단 기, 천둥소리 등 각 사물들 고유의 소리를 녹음하여 비교사물들의 음향 특징 점 들을 추출, 분석하였다.
최근 몇 년 사이에 많은 연구가 음향특징추출과 분류 분야에서 진행되고 있으며, 그 중 드론 식별을 위한 HLA의 특징벡터 추출방법이[3]에서 소개되어 진다. 본 논문에서는 HLA 기반 특징벡터추출에 의한 드론 음향 식별 및 분류를 수행하며, 추출된 음향 특징벡터를 활용하여 실험을 진행하였으며, 제안된 방법으로 성능 구현을 하였다.
본 논문에서는 표 2의 HLA 기반 음향 추출 특징벡터 유클리디언 거리 측정방식은 무인 항공기 및 기타 음향 입력원을 정확하게 식별, 분류 하였다. 표 3의 스펙트럼 진폭평균치의 피어슨 상관계수를 표시한 붉은 원의 문서 세단기는 드론과 함께 높은 자기 상관 계수를 가지므로 드론음향 구별성능이 HLA 음향 추출 특징벡터 방식보다 상대적으로 부정확함을 보여준다.
스펙트로그램추출은 샘플링 되어 진 음향 윈도우를 이용하여, STFT에 의해 계산 후, 푸리에변환으로 짧은 데이터프레임 구간별로 나누어계산한다.
데이터처리
Table 3. Pearson correlation coefficient of the average of spectrum amplitude.
이론/모형
실제로 대부분의 음향 신호들은 시간에 따라 변하는 시변신호이다. 시간영역에서 주파수스펙트럼을 얻어내기 위하여 국소푸리에변환 (STFT; short time fourier transform)을 사용한다. 스펙트로그램추출은 샘플링 되어 진 음향 윈도우를 이용하여, STFT에 의해 계산 후, 푸리에변환으로 짧은 데이터프레임 구간별로 나누어계산한다.
FT(Fourier Transform)는 신호처리 및 미분방정식의 해법에 많이 사용되었으나, 그 특성상 주파수 영역에서만 신호를 분석할 수밖에 없어 신호의 시간정보와 주파수 정보를 동시에 파악할 수 없다는 단점을 가지고 있다. 이러한 한계를 극복하기 위해 푸리에 빌딩블록에 윈도우함수라 불리는 시간에 의존하는 가중함수를 붙인 STFT(short time fourier transform)가 도입되었다. 하지만 STFT는 독립적인 윈도우함수를 기존의 푸리에 변환에 가중함수를 붙여 사용하므로 분석 영역이 시간-주파수에 대하여 항상 일정하여 시간 변화에 따라 확률적인 특성이 변하는 non-stationary signal 을 효율적으로 분석할 수 없다는 단점을 가지고 있다.
성능/효과
HLA를 통해 추출 된 드론 및 각 사물들의 특징벡터 간 유클리디언 거리를 분류하여 표와 그래프로 표시하였으며, 각 음원사이의 거리와 음향 유사도는 청색, 녹색, 적색순서로 나타내었다. 그 결과 표 1의 유클리디언 거리 공식에 의한 거리계산 분류법은 드론 음향 식별 및 구분이 명확하지 않았으며, 음향추출 목표물에 대한 분류 효율이 좋지 않았다.
본 논문에서는 표 2의 HLA 기반 음향 추출 특징벡터 유클리디언 거리 측정방식은 무인 항공기 및 기타 음향 입력원을 정확하게 식별, 분류 하였다. 표 3의 스펙트럼 진폭평균치의 피어슨 상관계수를 표시한 붉은 원의 문서 세단기는 드론과 함께 높은 자기 상관 계수를 가지므로 드론음향 구별성능이 HLA 음향 추출 특징벡터 방식보다 상대적으로 부정확함을 보여준다. 그림10은 스펙트럼 진폭 평균치의 피어슨상관계수의 음향유사도를 그래프로 나타내었다, 상기 결과에 따르면 HLA 음향 추출 특징벡터추출 측정방식의 성능은 유클리디언 거리 분류법 및 피어슨 상관계수보다 드론음향 식별 성능 면에서 우수하며 프로그램 가능하여 음향 데이터베이스와 연동하여 드론의 식별, 분류 및 추적에 응용 되어 질수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
STFT는 푸리에변환의 어떠한 단점을 극복하기 위해 도입되었는가?
FT(Fourier Transform)는 신호처리 및 미분방정식의 해법에 많이 사용되었으나, 그 특성상 주파수 영역에서만 신호를 분석할 수밖에 없어 신호의 시간정보와 주파수 정보를 동시에 파악할 수 없다는 단점을 가지고 있다. 이러한 한계를 극복하기 위해 푸리에 빌딩블록에 윈도우함수라 불리는 시간에 의존하는 가중함수를 붙인 STFT(short time fourier transform)가 도입되었다.
드론 식별을 위한 주요 방향은 무엇인가?
자연계의 다른 소리들로부터 드론의 음향을 구별하기 위해서는, 소리의 음향 특징이 추출되어 져야 한다. 그러므로 드론 식별을 위한 주요 방향은 각 소리의 특정 정보를 포함하고 있는 음원의 강력한 특징들을 추출하는 것이다.
무인 비행체의 장점으로 인해 어떠한 것들이 가능한가?
드론은 상대적으로 작은 크기와 조종사 없이 비행할 수 있는 장점 때문에 농업, 사진, 그리고 다양한 공공 서비스분야에서 능력을 발휘하고 있다. 무인 비행체(UAV)는 기존의 레이더 탐지를 피해 저고도 비행을 할 수 있을 만큼 작기 때문에 화학, 생물학, 핵 공격을 실행할 수 있으며, 공공안전에 보안 위협을 초래할 수 있는 마약밀수, 국경을 넘는 불법이민자들에게도 사용되어질 수 있다. 불법 드론의 위협에 대처하기 위해 무인 항공기 모니터링을 위한 효율적인 식별 방법이 필요하다.
참고문헌 (5)
I. Bekmezci, O. K. Sahingoz, and S. Temel, "Flying ad-hoc networks (FANET): a survey," Ad Hoc Networks, Vol. 11, No. 3, pp. 1254-1270, Jan. 2013.
A. Averbuch, V. A. Zheludev, and N. Rabin, "Wavelet-based acoustic detection of moving vehicles," Multidimensional Systems and Signal Processing, Vol. 20, No. 1, pp. 55-80, Mar. 2009.
W. Shi, B. Bishop, and G. Arabadjis, "Detecting, Tracking, and Identifying Airborne Threats with Netted Sensor Fence," in Sensor Fusion - Foundation and Applications, InTech[Online]. pp. 139-158, Jun. 2011. Available: http://www.intechopen.com/ books/sensor-fusion-foundation-and-applications/detecting-tracki ng-and-identifying-airborne-threats-with-netted-sensor-fence
I. Patel and Y. S. Rao, "Speech recognition using hidden Markov model with MFCC-subband technique," in Proceeding of International Conference on Recent Trends in Information, telecommunication and Computing (ITC), Kerala: India pp. 168-172, Mar. 2010.
X. Ouyang and M. G. Amin, "Short-time fourier transform receiver for non-stationary interference excision in direct sequence spread spectrum communications," IEEE Transactions on Signal Processing, Vol. 49, No. 4, pp. 851-863, Apr. 2001.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.