[논문]소나영상을 이용한 수중 물체의 식별

강현철

doi:10.5573/ieie.2016.53.3.091

소나영상을 이용한 수중 물체의 식별
Identification of Underwater Objects using Sonar Image 원문보기

Journal of the Institute of Electronics and Information Engineers = 전자공학회논문지, v.53 no.3, 2016년, pp.91 - 98

초록
AI-Helper

소나 영상에서 수중 물체의 검출과 분류는 도전적인 과제이다. 본 논문에서는 소나 영상과 영상처리기법을 이용하여 해저의 물체를 식별하는 시스템을 제안한다. 수중 물체의 식별 과정은 수중 물체 후보 영역 검출과 물체 식별의 두 단계로 구성된다. 영상 정합(image registration) 기법을 이용하여 수중 물체 후보 영역을 검출하고, 기존에 획득된 기준 배경 영상과 현재 스캔된 영상 사이의 공통된 특징점을 검출하여 정합한 후, 두 영상의 차 영상(difference image)을 구하여 검출한다. 검출된 물체는 고유벡터와 고유값을 특징으로 사용하여 데이터베이스내의 패턴과 가장 유사한 패턴으로 분류한다. 제안하는 수중 물체 식별 시스템은 최단 소행 항로(Q route) 확보와 같은 응용에 효율적으로 사용될 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Detection and classification of underwater objects in sonar imagery are challenging problems. This paper proposes a system that detects and identifies underwater objects at the sea floor level using a sonar image and image processing techniques. The identification process of underwater objects consists of two steps; detection of candidate regions and identification of underwater objects. The candidate regions of underwater objects are extracted by image registration through the detection of common feature points between the reference background image and the current scanning image. And then, underwater objects are identified as the closest pattern within the database using eigenvectors and eigenvalues as features. The proposed system is expected to be used in efficient securement of Q route in vessel navigation.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 소나(sonar)를 이용하여 영상을 획득하고, 영상처리와 패턴인식 기법을 이용하여 수중 물체를 검출하고 식별하는 시스템을 제안한다.
본 논문에서는 소나와 영상처리 기법을 이용하여 수중 물체를 검출하고 MLO를 인식하는 시스템을 제안하였다.

제안 방법

검출된 물체는 분류 과정을 통하여 MLO 여부를 판단한다. Rao, Mukherjee, Gupta, Ray, Phoha^[15]는 symbolic pattern analysis를 이용하여 MLO를 검출하였고, Dobeck, Hyland, Smedley^[16]는 KNN (k-nearest neighbor) 분류기를 사용하여 분류하였다.
선박의 안전한 항로를 확보하기 위하여서는 동일한 지점의 과거와 현재 상태를 비교할 수 있어야 하는데 파도에 의한 출렁임 등으로 인하여 동일한 지점의 영상을 획득하는 것은 거의 불가능하다. 본 논문에서는 SURF 특징과 SIFT 특징을 이용한 영상 정합 기법과 affine 변환을 이용하여 두 영상을 정합하고, 두 영상의 차 영상을 이용하여 물체를 검출하였다.
본 논문에서는 탐색하고자 하는 해저의 사전 지식을 갖고 수중 물체를 검출하고 식별하는 시스템을 구현하며, 영상 정합(image registration) 기법을 이용하여 기준 배경 영상과 현재 영상의 공통된 특징을 검출하여 정합한 후, 차 영상(difference image)을 구하여 수중 물체의 후보 영역을 검출하고, 검출된 물체는 코사인 거리 (cosine distance)를 이용하여 데이터베이스 내의 패턴과 가장 가까운 패턴으로 분류함으로써 물체를 식별한다.
소나 영상에는 클러터 등에 의하여 스펙클과 같은 잡음이 존재하게 되는데, 이를 제거하기 위하여 중앙값(median) 필터, 평균값(average) 필터, 가우시안 필터 등을 사용한다. 본 연구에서는 3*3에서 11*11까지의 5가지 크기의 가우시안 필터로 실험하였고, 그 중 잡음 제거 효과가 가장 큰 9*9 필터를 사용하였다. 그림 2에 다양한 크기의 가우시안 필터의 효과를 예시하였다.
Langner, Knauer, Jans, Ebert^[5]는 자동 물체 감지 및 분류를 제안하였다. 스네이크 알고리즘을 이용하여 하이라이트 영역을 분할하는 반복적인 영상 분할을 사용하여 검출하였다. Saisan, Kadambe^[13]은 likelihood ratio를 사용하여 이진 검색을 하였다.
실시간성을 고려하고 이동에 따른 변형을 흡수하기 위하여 선형 변환 방식을 이용하여 물체의 특징을 표현한다. 선형 변환 방식은 고차원의 데이터를 저차원의 데이터로 줄임으로서 빠른 수행 속도를 보장한다.
에지 영상은 미분 연산자를 취하여 에지 성분을 검출하고 에지 히스토그램을 구한 후 적절한 임계치를 적용하여 이진화하여 구한다. 에지 영상에는 잡음 등으로 인한 미세한 변화까지 검출되어 물체 외에도 의미 없는 작은 영역이 많이 포함되어 있다.
이전에 획득한 해저 영상(배경 영상, 또는 기준 영상)과 현재 스캔하는 해저 영상과의 차 영상(difference image)을 계산하고, 수중 물체 후보 영역을 검출한다.
이제, 대응 쌍들로부터 이동량, 회전량, 스케일 등을 계산하고 어파인(affine) 변환을 적용하여 하나의 영상을 변환하여 두 영상을 일치시킨다.
각 영역의 에지 밀도를 계산하여 일정한 밀도 이상의 영역만 후보 영역으로 추출한다. 추출된 후보 영역에서 물체 인식을 시도하여 최종적으로 MLO를 검출한다.
해상 실험의 제약으로 인하여 인식 과정은 모의 실험으로 진행하였으며 해저의 상황을 최대한 반영하기 위하여 클러터와 같은 잡음을 갖는 기뢰 영상을 생성하였으며, 기뢰 영상을 고유 공간으로 투영하여 특징을 추출하고 이를 신경망 기법을 이용하여 인식하였다.

데이터처리

제안된 수중 기뢰 검출은 몇 가지 요소로 구성되어 있다. 1) 모양 정규화(shape normalization),2) 모양 정규화된 기뢰 이미지를 부공간(subspace)에 투영, 3) 마지막으로 기뢰 검출의 이진 결정을 위하여 새로운 기뢰 이미지와 기뢰 부분 공간과의 거리를 측정하여 유사성을 측정하는 결정론적 분석(decision theoretic analysis)을 사용하였다. Quintal, Kiernan, Byrne, Dysart^[14]는 물체를 검출하기 위하여 Automatic Contact Detection 알고리즘을 사용하였다.
Tucker, Azimi-Sadjadi, Dobeck^[8]는 정규 상관 분석을 이용한 최적의 Neyman Pearson 검출 방법을 제안하였다. 고해상도 소나 이미지에서의 물체 검출 및 인식은 정규 좌표 분해 최적의 Neyman Pearson 검출 방식과 특징 추출 방법인 정규 상관 분석을 이용하였다. 두 방식은 모두 정규 상관관계가 소나 이미지 내 관심영역에 형성된다.

이론/모형

Shang, Brown^[10]은 주성분 분석(principal component analysis)을 사용하여 특징을 추출하고, 다층 신경망(multi-layer feedforward neural network)을 이용하여 수중 물체를 분류하였다. Hoelscher-Hoebing, Kraus^[11]은 측면 주사 소나 영상에서 특징을 추출하기 위하여 Expectation Maximization(EM) 알고리즘을 사용하였다. Coiras, Mignotte, Petillot, Bell, Lebart^[12]은 특징 추출을 위하여 central filters를 사용하였다.
대표적인 선형 변환 방식으로는 데이터의 상관행렬(covariance matrix)에서 분산이 큰 방향을 찾아내는 주성분 분석(principal component analysis), 학습 단계에서 클래스의 구분에 중점을 두는 선형 판별식 분석(linear discriminant analysis), 통계적 독립성을 이용하여 독립적인 성분만을 추출하는 독립성분 분석(independent component analysis) 등이 있다^[22]. 본 논문에서는 선형 변환 기법의 하나인 주성분 분석 기법을 이용하여 물체의 특징을 추출하였다.

성능/효과

인식기로는 LVQ (linear vector quantization) 신경망을 변형한 신경망을 사용하였으며, 사각형의 경우 약 80% 정도, 타원형의 경우 약 70% 정도의 인식율을 보였다.

후속연구

제안하는 시스템은 최단 소행 항로(Q-route) 확보 등과 같은 선박의 안전한 항해에 도움을 줄 수 있을 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	sonar란 무엇인가?	sonar는 sound navigation and ranging의 줄인 말로 파의 감쇄가 심한 수중에서 멀리까지 전달될 수 있는 초음파를 이용하여 소나 영상을 형성하여 수중 물체를 탐색하는 데, 빔의 개수에 따라 단일 빔 소나와 다중 빔 소나로 나눌 수 있다.
	다중 빔 소나의 특징과 활용 분야는 무엇인가?	다중 빔 소나는 단일 빔 소나에 비하여 고해상도의 영상 분해능과 넓은 조사 영역(swath)를 가질 수 있기 때문에 해저 지형 탐사 장비로 최근 많이 활용되고 있다. 다중 빔 소나는 송수신 트랜스듀서는 배열 센서로 제작되며, 이러한 배열 센서는 구동시 위상차를 조절하여 지향각을 가지는 음향 빔을 생성할 수 있다.
	수중 물체의 검출과 식별 방법은 무엇인가?	첫 번째 방법은 수중 탐색 영역에 대한 사전 지식 없이 물체를 검출하고 식별하는 방법으로 다양한 종류의 수중 물체와 다양한 모습의 수중 암석들로부터 기뢰와 같은 특정한 물체를 검출하고 식별하는 것은 현실적으로는 거의 불가능하다. 두 번째 방법은 해저에 대한 사전 지식을 갖고 물체를 검출하고 식별하는 방법으로 이전에 스캔된 해저 모습과 현재의 해저의 모습의 차이를 구하여 물체를 검출하고, 검출된 물체를 식별하는 방법으로 항로 탐사(route survey), 최단 소행 항로(Q-route)의 확보와 같은 응용에서 사용되고 있다.

참고문헌 (23)

M. Mann, P. Agathoklis, and A. Antoniou, "Automatic Outlier Detection in Multibeam Data using Median Filetering," Communications, Computers and Signal Processing, IEEE Pacific Rim Conference, Vol. 2, pp. 690-693, 2001.
M. Neumann, C. Knauer, B. Nolte, D. Brecht, W. Jans and A. Ebert, "Target Detection of Man Made Objects in Side Scan Sonar Images-Segmentation based False Alarm Reduction-," Acoustics 2008, pp. 6379-6383, 2008.
W. Kenneth Stewart, Min Jiang, and Martin Marra "A Neural Network Approach to Classification of Sidescan Sonar Imagery from a Midocean Ridge Area," IEEE Journal of Oceanic Engineering, Vol. 19, No. 2, pp. 214-224, April 1994.

상세보기
A. R. Castellano and B. C. Gray, "Autonomous Interpretation of Side Scan Sonar Returns," IEEE Proceeding of the Autonomous Underwater Vehicle Technology, pp. 248-253, 1990.
F. Langner, C. Knauer, W. Jans and A. Ebert, "Side Scan Sonar Image Resolution and Automatic Object Detection, Classification and Identification," Oceans 2009, pp. 1-8, 2009.
Ai Ling Chew, Poh Bee Tong and Chin Swee Chia "Automatic Detection and Classification of Man-made Targets in Side Scan Sonar Images" 2007 IEEE Symposium on Underwater Technology and Workshop on Scientific Use of Submarine Cables and Related Technologies, pp. 126-132, 2007.
Esther Dura, Judith Bell, and Dave Lane "Superellipse Fitting for the Recovery and Classification of Mine-Like Shapes in Sidescan Sonar Images," IEEE Journal of Oceanic Engineering, Vol. 33, No. 4, pp. 434-444, Oct. 2008.

상세보기
James D. Tucker, Mahmood R. Azimi-Sadjadi, and Gerry J. Dobeck, "Canonical Coordinates for Detection and Classification of Underwater Objects from Sonar Imagery," Oceans 2007, pp. 1-6, 2007.
J. Bell, Y. Petillot, K. Lebart, P.Y. Mignotte, E. Coiras and H. Rohou "Adaptive Fusion Architecture for Context Aware Detection and Classification" Oceans 2007, pp. 1-6, 2007.
C. Shang, and K. Brown, "Feature-based Texture Classification of Side-scan Sonar Images using a Neural Network Approach," IEEE Electronics Letters, Vol. 28, Issue 23, pp. 2165-2167, Nov. 1992.

상세보기
U. Hoelscher-Hoebing and D. Kraus "Unsupervised Image Segmentation and Image Fusion for Multi-Beam/Multi-Aspect Side scan Sonar Images," Oceans 1998, pp. 571-576, Sep. 1998.
E. Coiras, P.-Y. Mignotte, Y. Petillot, J. Bell and K. Lebart, "Supervised target detection and classification by training on augmented reality data," IET Radar Sonar and Navigation, Vol. 1, No. 1, 83-90, 2007.

상세보기
Payam Saisan, Shubha Kadambe, "Shape Normalized Subspace Analysis for Underwater Mine Detection," IEEE ICIP 2008, pp. 1892-1895, Oct. 2008.
Rebecca T. Quintal, John E. Kiernan, John Shannon Byrne and Paul S. Dysart "Automatic Contact Detection in Side-scan Sonar Data," IEEE International Conference on Technologies for Homeland Security, pp. 270-275, Nov. 2010.
Chinmay Rao, Kushal Mukherjee, Shalabh Gupta, Asok Ray and Shashi Phoha, "Underwater Mine Detection using Symbolic Pattern Analysis of Side scan Sonar Images," American Control Conference 2009, pp. 5416-5421, June 2009.
G. J. Dobeck, J. C. Hyland and L. Smedley, "Automated detection/classification of sea mines in sonar imagery." Proceedings of SPIE, Vol. 3079, pp. 90-110, Jul. 1997.
Esther Dura, Yan Zhang, Xuejun Liao, Gerald J. Dobeck, and Lawrence Carin, "Active Learning for Detection of Mine-Like Objects in Side-Scan Sonar Imagery," IEEE Journal of Oceanic Engineering, Vol. 30, No.2, pp.360-371, Apr. 2005.

상세보기
Chris Harris and Mike Stephens, "A Combined Corner and Edge Detector," IProc. of 4th Alvey Vision Conference, pp. 147-151, 1988.
Navneet Dalal and Bill Triggs, "Histograms of Gradients for Human Detection," IEEE Conference on Computer Vision and Pattern Recognition, Vol. 1, pp.886-893, 2005.
David G. Lowe, "Object recognition from local scale-invariant features", Proc. of the International Conference on Computer Vision, Vol. 2, pp. 1150-1157, 1999.
Herbert Bay, Tinne Tuytelaars and Luc Van Gool, "SURF: Speeded Up Robust Features", European Conference on Computer Vision, Part I, LNCS 3951, pp. 404-417, 2006.
Jae Min Ban and Hyunchul Kang, "Vehicle Recognition using Non-negative Tensor Factorization," IEIE Journal of the Electronics and Information Engineers, Vol. 52, No. 5, pp. 136-146, May 2015.
Kyungsoo Park, Hyunchul Kang and Wanjoo Lee, "Recognition of Numeric Characters in License Plates using Eigennumber," Journal of Institute of Electronics Engineers of Korea, Vol. 44, No. 3, pp. 266-272, April, 2007.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증