[논문]TWS 레이더 추적을 위한 가중 점수 기반 추적 초기화 알고리즘 연구

이규정; 곽노준; 권지훈; 양은정; 김관성

doi:10.9766/kimst.2019.22.1.001

TWS 레이더 추적을 위한 가중 점수 기반 추적 초기화 알고리즘 연구
Track Initiation Algorithm Based on Weighted Score for TWS Radar Tracking 원문보기

韓國軍事科學技術學會誌 = Journal of the KIMST, v.22 no.1, 2019년, pp.1 - 10

이규정 (서울대학교 융합과학기술대학원 지능형융합시스템전공) , 곽노준 (서울대학교 융합과학기술대학원 지능형융합시스템전공) , 권지훈 (한화시스템(주) 레이더연구소) , 양은정 (국방과학연구소 제3기술연구본부) , 김관성 (국방과학연구소 제3기술연구본부)

Abstract ▼ AI-Helper

In this paper, we propose the track initiation algorithm based on the weighted score for TWS radar tracking. This algorithm utilizes radar velocity information to calculate the probabilistic track score and applies the Non-Maximum-Suppression(NMS) to confirm the targets to track. This approach is understood as a modification of a conventional track initiation algorithm in a probabilistic manner. Also, we additionally apply the weighted Hough transform to compensate a measurement error, and it helps to improve the track detection probability. We designed the simulator in order to demonstrate the performance of the proposed track initiation algorithm. The simulation result show that the proposed algorithm, which reduces about 40 % of a false track probability, is better than the conventional algorithm.

주제어

표/그림 (9)

그림 Fig. 1. Velocity and angle gate conditions
그림 Fig. 2. Weighted hough transform based methods
그림 Fig. 3. Block diagram of non-maximum suppression process
그림 Fig. 4. Simulation environment
표 Table 1. Simulation environment
그림 Fig. 5. Comparison of false track probability(P_F) in clutter environment
그림 Fig. 6. Comparison of track detection probability(P_D)with range error
표 Table 2. Average processing time
그림 Fig. 7. Comparison of track detection probability(P_D)with azimuth error

AI 본문요약
AI-Helper

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

문제 정의

앞서 언급한 일괄처리 방식의 경우, 클러터가 많은 환경에서 거짓 트랙을 줄일 수 있는 대안이 될 수 있으나, 속도를 빠르게 하기 위해 스캔 수를 줄일 경우 성능이 떨어지는 현상이 발생한다. 따라서 본 논문에서는 순차처리의 빠른 처리를 유지하면서, 정확도를 개선할 수 있는 가중 점수 기반 추적 초기화 알고리즘을 제안한다. 이 방식은 전통적인 추적 초기화 알고리즘에 확률론적 기법을 적용한 방식으로써, 제안 알고리즘의 처리과정은 다음과 같다.
앞의 전제처럼 표적 속도 편차가 일정 수준으로 제한된다면, 임시트랙의 속도 변화 정도를 초기화의 기준으로 활용할 수 있으며, 범주 내의 다수의 관측값이 존재할 경우, 속도 변화가 적은 임시트랙에 보다 가중치를 높게 부여함으로써 트랙을 확정시키는 방법은 매우 효과적이다. 따라서 본 논문에서는 임시트랙의 속도 변화를 확률적인 트랙점수로 변환하고 이를 기반으로 추적할 표적을 결정하는 방식을 제안한다.
본 논문에서는 빠른 처리를 유지하면서, 정확도를 향상시키는 방법을 고려한다. 앞서 언급한 일괄처리 방식의 경우, 클러터가 많은 환경에서 거짓 트랙을 줄일 수 있는 대안이 될 수 있으나, 속도를 빠르게 하기 위해 스캔 수를 줄일 경우 성능이 떨어지는 현상이 발생한다.
다량의 클러터가 유입되는 환경에서 전통적인 추적 초기화 알고리즘을 적용했을 경우에 거짓트랙 초기화 확률이 증가하는 문제점이 있었다. 본 논문에서는 이와 같은 문제점을 해결하기 위해 전통적인 초기화 알고리즘에 확률적 기법을 적용한 가중 점수 기반 추적 초기화 알고리즘을 제안하였다. 레이더 측정치의 속도정보만을 활용하여 트랙점수를 확률적으로 산출하는 방법을 기술하였으며 속도정보 사용 시 측정오차에 취약해지는 점을 보완하기 위해 SNR 값을 활용한 가중치 기반 허프변환 기법을 통해 가중 트랙점수를 산출하는 방법을 기술하였다.
본 논문에서는 탐색간 추적(TWS, Track While Scan) 레이더의 다량의 클러터가 유입되는 환경에서 성능이 저하되는 전통적인 추적 초기화 알고리즘의 제한점을 개선하기 위해 확률론적 기법을 결합한 가중 점수 기반 추적 초기화 알고리즘을 제안한다. 제안 알고리즘은 트랙점수 개념을 활용하며 일반적인 트랙점수가 측정치의 공분산을 이용하는 것과 달리 다량의 클러터가 유입되어 측정치 조합의 수가 늘어난 상황에서도 빠르게 트랙점수를 계산하기 위해 전통적 추적 초기화 알고리즘에서 사용하는 측정치의 속도정보를 바탕으로 확률적으로 정의하였다.
앞 절에서 설명한 트랙점수를 기반으로 임시트랙 중 추적할 대상이 되는 확정트랙을 결정하기 위해 본 논문에서는 비 최대치 억제기법을 통한 접근방안을 제안한다. 비 최대치 억제기법은 컴퓨터 비전분야의 객체검출문제에서 주로 활용되는 기법으로 레이다 추적 초기화를 위한 트랙 삭제 기법으로 활용할 수 있다.
이는 기존 허프변환, F'(ρ,θ,x,y)이 식 (10)과 같이 (x,y)에 해당하는 모든 측정치를 동일한 가중치인 1로 매핑하는 것과 차이가 있다. 우리는 이러한 가중치를 통해 측정치가 갖는 고유한 특성을 반영하여 위치정보만을 사용했을 때 발생할 수 있는 불완전성을 보완할 수 있는 기법을 제안한다.
둘째, 낮은 거짓트랙 생성 확률(false track probability)을 고려해야 한다. 이는 추적 초기화 과정 시 생성된 거짓 트랙을 유지하기 위해 컴퓨터 자원이 불필요하게 낭비되는 것을 방지하는 데 목적이 있다. 거짓트랙 생성을 억제하기 위해 복잡한 알고리즘을 적용하거나 상대적으로 긴 스캔동안 측정치를 누적할 경우, 추적 초기화 알고리즘 처리속도가 늘어나는 문제가 있다.

가설 설정

본 논문에서는 추적 초기화 과정이 진행되는 N스캔 동안 표적이 CV(Constant Velocity) 모델을 따른다고 가정한다^[23]. 여기서 N은 추적 초기화 알고리즘에서 확정트랙을 판단하는 기준 스캔수이다.
이때 d는 표적의 기대 SNR 값을 의미하며 표적은 RCS 모델은 Swerling 1으로 가정한다.

제안 방법

각 알고리즘이 일정한 수준의 PD를 유지한 상태에서 실험을 진행하기 위해 거리오차 δr = 10 m를 적용하였고 클러터 밀도는 최대 1.25 × 10-5m-2까지 설정하였다.
결국 속도를 기반으로 한 트랙점수의 신뢰도도 보장할 수 없음을 의미하므로 결과적으로 추적 초기화의 정확도가 저하됨을 의미한다. 따라서 본 논문에서는 이러한 문제점을 해결하기 위해 가중치 허프변환 기법^[19]을 바탕으로 측정오차에 따른 트랙점수 신뢰도 저하를 보완하는 기법을 추가 제안한다.
본 논문에서는 이와 같은 문제점을 해결하기 위해 전통적인 초기화 알고리즘에 확률적 기법을 적용한 가중 점수 기반 추적 초기화 알고리즘을 제안하였다. 레이더 측정치의 속도정보만을 활용하여 트랙점수를 확률적으로 산출하는 방법을 기술하였으며 속도정보 사용 시 측정오차에 취약해지는 점을 보완하기 위해 SNR 값을 활용한 가중치 기반 허프변환 기법을 통해 가중 트랙점수를 산출하는 방법을 기술하였다.
먼저, 수식 (1)로 계산되는 측정치의 속도정보를 바탕으로 트랙점수가 산출하며 여기에 측정오차로 인한 추적성능의 저하를 방지하기 위해 가중치 허프변환 기반 기법을 적용하여 트랙점수를 보완한다. 보완된 트랙점수를 ‘가중 트랙점수’라 하며 이를 바탕으로 비 최대치 억제기법을 적용하여 추적할 표적을 결정한다.
보완된 트랙점수를 ‘가중 트랙점수’라 하며 이를 바탕으로 비 최대치 억제기법을 적용하여 추적할 표적을 결정한다.
본 논문에서는 제안기법의 성능을 검증하기 위해 추적 초기화 시뮬레이터를 구성하고 1,000번의 몬테카를로 시뮬레이션을 진행하였다. Fig.
4는 시뮬레이션 환경의 예시로 4번의 스캔동안의 실제표적과 클러터를 중첩하여 표현한 것으로 검은색 선은 실제표적의 궤적을 그 외의 기호는 클러터 신호를 의미한다. 실제표적은 시작위치만 다르고 속도와 방향이 같은 5개 표적이 무작위의 측정오차를 갖도록 모사하였으며, 클러터 신호는 기대 클러터 신호개수(expected number of clutter signal)를 기준으로 포아송 분포(Poisson distribution)로부터 무작위로 매 스캔별 클러터 신호의 개수를 결정한 후 관측영역에서 균일분포(uniform distribution)를갖도록 위치를 정하였다. 측정오차는 거리오차와 방위각오차를 각각 사용하였으며 실험에 적용된 클러터수와 오차크기는 각 실험의 목적에 부합하도록 설정하였다.
이때 M은 추적 초기화 과정에서 한 스캔 당 평균 클러터 수를 의미한다. 이후 각 M개의 임시트랙별 불필요트랙(R_k, redundant track)를 수식 (14)의 조건을 적용하여 각각 등록한다.
본 논문에서는 탐색간 추적(TWS, Track While Scan) 레이더의 다량의 클러터가 유입되는 환경에서 성능이 저하되는 전통적인 추적 초기화 알고리즘의 제한점을 개선하기 위해 확률론적 기법을 결합한 가중 점수 기반 추적 초기화 알고리즘을 제안한다. 제안 알고리즘은 트랙점수 개념을 활용하며 일반적인 트랙점수가 측정치의 공분산을 이용하는 것과 달리 다량의 클러터가 유입되어 측정치 조합의 수가 늘어난 상황에서도 빠르게 트랙점수를 계산하기 위해 전통적 추적 초기화 알고리즘에서 사용하는 측정치의 속도정보를 바탕으로 확률적으로 정의하였다. 이렇게 정의된 트랙점수를 바탕으로 측정치 조합 중 거짓 표적을 제거하고 추적할 표적을 결정하기 위해 비 최대치 억제(NMS, Non-Maximum Suppression)^[17] 기법을 적용하였다.
성능분석을 위해 사용한 트랙 탐지 확률 P_D는 실제 표적의 수와 초기화 된 실제 표적의 비율로 계산되고 거짓트랙 확률 P_F는 스캔 별 평균 클러터 수와 거짓트랙의 비율로 계산되며 처리시간은 첫 번째 스캔의 측정치가 수신되어 추적 초기화 과정이 완료되는데 까지 소요되는 시간이다. 제안 알고리즘의 성능을 비교하기 위해 M/N 논리기반 추적 초기화 알고리즘과 수정된 허프변환 기반 추적 초기화 알고리즘을 각각 사용하였으며, 가중치 허프변환 기법의 효과를 확인하기 위해 속도정보 기반의 트랙점수만 이용한 경우, 이진 가중치가 적용된 경우 그리고 가중치 합이 적용된 경우를 구분하여 각각 실험하였으며 상세 실험환경은 Table 1과 같다.
제안하는 방식은 우선 Fig. 1과 같이 모든 측정치 조합 중에 속도와 각도 조건을 모두 만족한 조합을 임시트랙으로 등록하며, 이는 전통적인 추적 초기화 기법과 동일하다. 이때 계산되는 속도는 트랙점수 산출의 근거가 되는 속도 편차를 계산할 때 활용한다.
실제표적은 시작위치만 다르고 속도와 방향이 같은 5개 표적이 무작위의 측정오차를 갖도록 모사하였으며, 클러터 신호는 기대 클러터 신호개수(expected number of clutter signal)를 기준으로 포아송 분포(Poisson distribution)로부터 무작위로 매 스캔별 클러터 신호의 개수를 결정한 후 관측영역에서 균일분포(uniform distribution)를갖도록 위치를 정하였다. 측정오차는 거리오차와 방위각오차를 각각 사용하였으며 실험에 적용된 클러터수와 오차크기는 각 실험의 목적에 부합하도록 설정하였다. 표적과 클러터의 SNR값은 수식 (12), (13)를 이용하여 각각 설정하였다.

데이터처리

제안 알고리즘의 성능을 검증하기 위해 추적 초기화 실험을 위한 시뮬레이터를 구성하였으며, 성능 분석을 위한 지표로 트랙 탐지 확률(P_D, track detection probability), 거짓 트랙 확률(P_F, false track probability) 그리고 처리시간을 비교 분석한다. 이러한 성능 비교방식은 참조논문 ^[6]의 분석법을 따른다.

이론/모형

이렇게 정의된 트랙점수를 바탕으로 측정치 조합 중 거짓 표적을 제거하고 추적할 표적을 결정하기 위해 비 최대치 억제(NMS, Non-Maximum Suppression)^[17] 기법을 적용하였다. 또한 관측값의 측정오차가 증가 할 경우 속도정보를 기반으로 정의된 트랙점수의 신뢰도가 떨어져 추적 성능이 저하(degradation) 되는 제한점을 보완하기 위해 신호대잡음비(SNR, Signal to Noise Ratio)^[18] 정보를 활용한 가중치 허프변환(weighted Hough transform)^[19] 기법을 적용한다.
제안 알고리즘은 트랙점수 개념을 활용하며 일반적인 트랙점수가 측정치의 공분산을 이용하는 것과 달리 다량의 클러터가 유입되어 측정치 조합의 수가 늘어난 상황에서도 빠르게 트랙점수를 계산하기 위해 전통적 추적 초기화 알고리즘에서 사용하는 측정치의 속도정보를 바탕으로 확률적으로 정의하였다. 이렇게 정의된 트랙점수를 바탕으로 측정치 조합 중 거짓 표적을 제거하고 추적할 표적을 결정하기 위해 비 최대치 억제(NMS, Non-Maximum Suppression)^[17] 기법을 적용하였다. 또한 관측값의 측정오차가 증가 할 경우 속도정보를 기반으로 정의된 트랙점수의 신뢰도가 떨어져 추적 성능이 저하(degradation) 되는 제한점을 보완하기 위해 신호대잡음비(SNR, Signal to Noise Ratio)^[18] 정보를 활용한 가중치 허프변환(weighted Hough transform)^[19] 기법을 적용한다.

성능/효과

Fig. 5와 같이 제안 트랙점수를 사용한 알고리즘이 기존 알고리즘 대비 최대 40 % 낮은 P_F를 보여 클러터 많은 상황에서 거짓트랙의 생성을 억제할 수 있음을 확인 할 수 있었다. 이는 트랙점수가 임시트랙 간 상대적인 속도편차의 차이를 기반으로 계산되며 비최대치 억제기법을 통해 중복 가능성이 높은 트랙을 제거하기 때문이다.
이는 매 스캔마다 계산되는 속도 정보의 편차가 상대적으로 커, 속도정보의 신뢰도가 낮아짐을 의미한다. 결국 속도를 기반으로 한 트랙점수의 신뢰도도 보장할 수 없음을 의미하므로 결과적으로 추적 초기화의 정확도가 저하됨을 의미한다. 따라서 본 논문에서는 이러한 문제점을 해결하기 위해 가중치 허프변환 기법^[19]을 바탕으로 측정오차에 따른 트랙점수 신뢰도 저하를 보완하는 기법을 추가 제안한다.
단, 이진 가중치 기법의 경우 처리시간 단축에는 효과가 있었으나 임계값의 설정에 따라 P_D의 편차가 크게 나타났다. 따라서 적정 P_D를 유지한 상태에서 처리시간을 단축할 수 있도록 임계값 최적화에 대한 연구가 요구된다.
이를 통해 트랙 간 상대적인 관계를 고려하는 방식이 거짓트랙 생성 억제에 효과적임을 확인 할 수 있다. 또한 속도정보 기반 트랙점수를 사용했을 때와 비교하여 가중 트랙점수를 사용했을 때 더 낮은 P_F를 보였는데 이를 통해 가중치 허프변환 기법을 기반으로 한 추가 정보의 활용이 효과가 있음을 확인하였다.
제안 알고리즘은 순차 처리기법인 M/N 논리기반 추적 초기화 알고리즘에 대비해 처리시간이 많이 소요되었으나 허프변환 기반 추적 초기화 알고리즘과 유사한 소요시간을 나타냄을 확인하였다. 또한 이진 가중치 기법을 통해 측정치의 수를 줄이는 방법이 처리시간을 줄이는데 효과가 있음을 확인하였다.
이는 가중치 허프변환 기법을 통해 트랙점수에 반영된 측정치의 추가 정보가 기존 트랙점수의 취약점을 보완한 결과로 볼 수 있다. 이를 통해 측정오차가 유입된 환경에서도 제안 알고리즘을 통해 비교적 정확한 추적 초기화가 가능함을 확인하였다.
이는 트랙점수가 임시트랙 간 상대적인 속도편차의 차이를 기반으로 계산되며 비최대치 억제기법을 통해 중복 가능성이 높은 트랙을 제거하기 때문이다. 이를 통해 트랙 간 상대적인 관계를 고려하는 방식이 거짓트랙 생성 억제에 효과적임을 확인 할 수 있다. 또한 속도정보 기반 트랙점수를 사용했을 때와 비교하여 가중 트랙점수를 사용했을 때 더 낮은 P_F를 보였는데 이를 통해 가중치 허프변환 기법을 기반으로 한 추가 정보의 활용이 효과가 있음을 확인하였다.
Table 2는 알고리즘별 평균 처리시간을 나타낸다. 제안 알고리즘은 순차 처리기법인 M/N 논리기반 추적 초기화 알고리즘에 대비해 처리시간이 많이 소요되었으나 허프변환 기반 추적 초기화 알고리즘과 유사한 소요시간을 나타냄을 확인하였다. 또한 이진 가중치 기법을 통해 측정치의 수를 줄이는 방법이 처리시간을 줄이는데 효과가 있음을 확인하였다.
제안 알고리즘의 성능을 검증하기 위해 추적 초기화 시뮬레이터를 구성하여 실험을 수행하였으며 실험 결과 제안 알고리즘은 기존 추적 초기화 알고리즘과 비슷한 처리시간 내에서 최대 40 % 낮은 P_F를 보여 클러터가 많이 유입되는 환경에서도 정확한 추적 초기화가 가능함을 확인하였다. 특히 가중치 허프변환 기법을 기반으로 측정치의 SNR을 동시에 활용함으로써 측정오차 유입 시에도 기존 알고리즘에 대비해 트랙 탐지확률이 향상됨을 확인하였다.
. 첫째, 추적 초기화 알고리즘은 탐지영역 내 표적으로 의심되는 측정치가 수신되었을 때, 가능한 빠른 시간 내 추적해야 할 대상인지 확정해야 한다. 이는 빠른 상황인식을 통한 효과적인 작전 판단을 가능하게 해야 한다는 점에 초점을 두고 있다.
를 보여 클러터가 많이 유입되는 환경에서도 정확한 추적 초기화가 가능함을 확인하였다. 특히 가중치 허프변환 기법을 기반으로 측정치의 SNR을 동시에 활용함으로써 측정오차 유입 시에도 기존 알고리즘에 대비해 트랙 탐지확률이 향상됨을 확인하였다.
5, 6에서 보는바와 측정오차가 커짐에 따라 제안 알고리즘을 포함한 모든 알고리즘의 P_D가 감소하는 경향을 보였다. 특히, 속도정보 기반 트랙점수만 이용한 경우(Fig. 6, 7의 파란색 선) 기존 알고리즘과 비슷하거나 낮은 P_D를 보여 속도, 각도와 같은 위치정보에 기반 한 추적 초기화 알고리즘이 측정오차에 취약함을 확인하였다.

질의응답

핵심어	질문	논문에서 추출한 답변
	추적 초기화(Track Initiation) 알고리즘은 무엇인가	추적 초기화(Track Initiation) 알고리즘은 추적할 표 적을 결정하는 단계로서 레이더 추적 문제에서 중요한 처리 과정 중에 하나이다[1,2]. 이는 레이더로부터 획득된 수신 정보를 기반으로 실제 표적의 움직임과 가장 근접한 측정치 궤적을 찾는 것을 목적으로 하며 일반적으로 측정치에 대한 상태추정과정(state Estimation Process) 없이 적용한다[3].
	전통적인 추적 초기화 알고리즘을 두가지로 분류하시오	전통적인 추적 초기화 알고리즘은 크게 순차처리기법(sequential methods)과 일괄처리기법(batch methods)으로 분류할 수 있다[6]. 순차처리기법은 앞서 언급한 첫 번째 고려요소인 빠른 처리시간에 주안점을 둔 기법이다.
	추적 초기화(Track Initiation) 알고리즘의 목적은 무엇인가	추적 초기화(Track Initiation) 알고리즘은 추적할 표 적을 결정하는 단계로서 레이더 추적 문제에서 중요한 처리 과정 중에 하나이다[1,2]. 이는 레이더로부터 획득된 수신 정보를 기반으로 실제 표적의 움직임과 가장 근접한 측정치 궤적을 찾는 것을 목적으로 하며 일반적으로 측정치에 대한 상태추정과정(state Estimation Process) 없이 적용한다[3].

참고문헌 (24)

Y. Bar-Shalom and T. E. Fortmann, "Tracking and Data Association," New York Academic Press, USA, 1988.
Y. Bar-Shalom, P. K. Willett, and X. Tian, "Tracking and Data Fusion : A Handbook of Algorithms," YBS Publishing, USA, 2011.
J. Kubica, A. Moore, A. Connolly, and R. Jedicke, "Fast and Robust Track Initiation Using Multiple Trees," In CMU Tech. Report 04-62, 2004.
J. Liu and Y. Liu, "Divide and Hough Transform Method for Fast Track Initiation in Dense Clutters," 18th International Conference on Information Fusion, Jul. 2015.
H. You, X. Jianjuan, and G. Xin, "Radar Data Processing with Applications," Wiley, USA, 2016.
Z. Hu, H. Leung, and M. Blanchette, "Statistical Performance Analysis of Track Initiation Techniques," IEEE Transactions Signal Processing, Vol. 45, pp. 445-456, 1997.

상세보기
S. Matteo, L. Pierfrancesco, F. Alfonso, "A Modified M/N Logic for Track Initiation of Low Observable Targets Using Amplitude Information," International Radar Symposium, pp. 1-4, 2006.
X. Dong, C. Hao, X. Chunsheng, L. Jiwei, "A New Hough Transform Applied in Track Initiation," in: Proceedings of the International Conference on Consumer Electronics Communications and Networks, CECNet, pp. 30-33, April, 2011.
I. Baek, T. Lee, "Study on the Optimal Deployment of the Passive Radar System for Detecting Small Unmanned Aerial Vehicles," Journal of the Korea Institute of Military Science and Technology, Vol. 19, No. 4, pp. 443-452, 2016.

원문보기 상세보기
J. Kwon, S. Kang, N. Kwak, "Radar Tracking Using Particle Filter for Track-Before-Detect(TBD)," KIEES, Vol. 27, No. 3, pp. 317-325, Mar, 2016.
K. Baek, Y. Lee, H. Jang, "Study on the Optimal Location of Low Altitude Air Defense Radar," Journal of the Korea Institute of Military Science and Technology, Vol. 17, No. 2, pp. 248-257, 2014.

원문보기 상세보기
D. Musiki, R. Evans, S. Stankovie, Integrated Probabilistic Data Association(IPDA), IEEE Trans. Autom. Control AC-39(6), pp. 1237-1241, 1994.

상세보기
H. Benoudnine, A. Meche, M. Keche, A. Ouamri, and M. S. Woolfson, "Real Time Hough Transform based Track Initiators in Clutter," Information Sciences, Vol. 337-338, pp. 82-92, 2016.

상세보기
F. Pektas and M. Sabuncu, "A Score-Based Track Initiation Procedure to Eliminate False Tracks in the Presence of Sea Clutter," IEEE Radar Conf., May 2012.
H. Roufarshbaf and J. K. Nelson, "Feature-Aided Initiation and Tracking Via Tree Search," Proceedings of the 2013 Asilomar Conference on Signals, Systems and Computers, 2013.
H. Roufarshbaf and J. K. Nelson, "A Bayesian Tree-Search Track Initiation Algorithm for Dim Targets," in Proceedings of the IEEE 47th Annual Conference on Information Sciences and Systems (CISS), Mar. 2013.
A. Rosenfeld and M. Thurston, "Edge and Curve Detection for Visual Scene Analysis," IEEE Transactions on Computers, Vol. 100(5), pp. 562-569, 1971.
S. Kim, Y. Jung, S. Kim, "Multiple Target Tracking using Normalized Rayleigh Likelihood of Amplitude Information of Target," Journal of the Korea Institute of Military Science and Technology, Vol. 20, No. 4, pp. 474-481, 2017.
M. K. Ibrahim, E. Ngau and M. F. Daemi, "Weighted Hough Transform," Intelligent Robots and Computer Vision X: Algorithms and Techniques, International Society for Optics and Photonics pp. 237-241, 1992.
B. D. Carlson, E. D. Evans and S. L. Wilson, "Search Radar Detection and Track with the Hough Transform, Part I: System Concept," IEEE Trans. Aerospace Electron. Syst., Vol. 30, pp. 102-108, 1994.

상세보기
T. Lo, H. Leung, A. W. Bridgewater and J. Litva, "Multitarget Track Initiation Using a Modified Hough Transform," in AGARD Conf. Proc. 539, Pointing Tracking Syst., pp. 25.1-25.8, May 1994.
R. Duda and P. Hart, "Use of the Hough Transformation to Detect Lines and Curves in Pictures," Communications of the ACM, Vol. 135, pp. 11-15, 1972.
X. R. Li and V. Jilkov, "Survey of Maneuvering Target Tracking," IEEE Trans. Aerospace Electron. Syst., Vol. 39, No. 4, pp. 1333-1364, 2003.

상세보기
M. I. Skolnik, "Introduction to Radar System," 3rd ed. New York: McGraw-Hill, 2002.

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