[논문]실내 보안 응용을 위한 사람 감지 레이다 시스템의 설계 및 구현

장대호; 김현; 정윤호

doi:10.7471/ikeee.2020.24.3.783

실내 보안 응용을 위한 사람 감지 레이다 시스템의 설계 및 구현
Design and Implementation of Human-Detecting Radar System for Indoor Security Applications 원문보기

전기전자학회논문지 = Journal of IKEEE, v.24 no.3, 2020년, pp.783 - 790

장대호 (School of Electronics and Information Engineering, Korea Aerospace University) , 김현 (School of Electronics and Information Engineering, Korea Aerospace University) , 정윤호 (School of Electronics and Information Engineering, Korea Aerospace University)

초록
AI-Helper

본 논문에서는 실내 보안 응용을 위한 사람 감지 레이다 시스템을 제안하고, 이의 FPGA 기반 설계 및 구현 결과를 제시하였다. 연산의 복잡도와 메모리 요구량을 최소화하기 위해 스펙트로그램의 상측 절반만 특징점 추출에 사용하였으며, 복잡한 연산이 필요한 특징점 추출기법을 배제하고, 분류 성능과 연산 복잡도를 고려한 효율적인 특징점 추출기법이 제안되었다. 또한, 전체 스펙트로그램에 대한 저장이 불필요한 파이프라인 구조로 설계하여 메모리 요구량을 최소화하였다. 제안된 시스템의 분류 학습을 위해 사람, 개, 로봇 청소기에 대한 실험이 수행되었고, 96.2%의 정확도 성능을 확인하였다. 제안된 시스템은 Verilog-HDL을 이용하여 구현되었으며, 1140개의 logic과 6.5 Kb의 메모리를 사용하는 저면적 설계가 가능함을 확인하였다.

Abstract ▼ AI-Helper

In this paper, the human detecting radar system for indoor security applications is proposed, and its FPGA-based implementation results are presented. In order to minimize the complexity and memory requirements of the computation, the top half of the spectrogram was used to extract features, excluding the feature extraction techniques that require complex computation, feature extraction techniques were proposed considering classification performance and complexity. In addition, memory requirements were minimized by designing a pipeline structure without storing the entire spectrogram. Experiments on human, dog and robot cleaners were conducted for classification, and 96.2% accuracy performance was confirmed. The proposed system was implemented using Verilog-HDL, and we confirmed that a low-area design using 1140 logics and 6.5 Kb of memory was possible.

주제어

표/그림 (15)

그림 Fig. 1. Flowchart of proposed system. 그림 1. 제안된 시스템 흐름도
그림 Fig. 2. Spectrogram by STFT. 그림 2. STFT에 의한 스펙토그램
그림 Fig. 4. Period of Stride. 그림 4. 보폭의 주기
그림 Fig. 5. Count of Stride：(a) a human, (b) a robot cleaner. 그림 5. 보폭의 횟수：(a) 사람, (b) 로봇 청소기
그림 Fig. 3. Spectrogram：(a) a human, (b) a dog, (c) a robot cleaner. 그림 3. 스펙트로그램：(a) 사람, (b) 개, (c) 로봇 청소기
그림 Fig. 8. Hyperplane and support vector of SVM. 그림 8. SVM의 초평면과 서포트 벡터
그림 Fig. 6. RCS：(a) human, (b) dog, (c) robot cleaner. 그림 6. 레이다 반사 면적：(a) 사람, (b) 개, (c) 로봇 청소기
그림 Fig. 7. Difference of Peak frequency and Torso frequency： (a) human, (b) dog. 그림 7. 최고주파수와 몸통 주파수의 차이：(a) 사람, (b) 개
그림 Fig. 9. Experiment environment：(a) outdoor human experiment, (b) outdoor dog experiment, (c) indoor robot cleaner experiment. 그림 9. 실험 환경：(a) 실외 사람실험, (b) 실외 개 실험, (c) 실내 로봇 청소기 실험
그림 Fig. 10. Feature values comparison：(a) Feature 1, (b) Feature 2, (c) Feature 3, (d) Feature 4, (e) Feature 5 그림 10. 실험 대상별 특징값 비교：(a) 특징 1, (b) 특징 2, (c) 특징 3, (d) 특징 4, (e) 특징 5
그림 Fig. 11. Block diagram of proposed system. 그림 11. 제안된 감시 시스템의 블록도
표 Table 1. Average accuracy for each feature. 표 1. 사용 특징별 평균 정확도
표 Table 2. Accuracy for Various Classification Algorithms. 표 2. 분류 알고리즘별 정확도
표 Table 3. Hardware Resources. 표 3. 하드웨어 리소스
표 Table 4. Hardware Resource per each block. 표 4. 블록별 하드웨어 리소스

AI 본문요약
AI-Helper

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

문제 정의

그림 3(c)는 다리 움직임이 없는 로봇 청소기의 스펙트로그램이며, 미세 도플러 주파수가 나타나지 않는다. 따라서 본 논문에서는 이에 기반 한 5가지 효율적인 특징점 추출 기법을 제안한다.
본 논문에서는 실내 보안 응용을 위한 레이다 신호처리 및 분류 알고리즘과 하드웨어 구현 결과가 제안되었다. STFT를 사용한 신호처리와 효율적인 분류를 위한 특징점 추출 기법, SVM을 사용한 분류 알고리즘을 제안하였고, 분류 성능 평가를 위한 실험 및 시뮬레이션을 하였다.
본 논문에서는 실내 보안 응용을 위해 최소한의 메모리와 연산기를 사용하는 STFT 신호처리 및 특징점 추출기, SVM 분류기의 하드웨어 구조를 제안한다. 또한, 실험을 통해 얻은 사람, 개, 로봇 청소기 데이터의 분류를 위하여 높은 분류 성능을 가지는 특징점 추출 방법과, 이를 낮은 복잡도의 SVM 이진 분류 알고리즘을 통하여 사람과 그 외의 데이터를 분류한 결과를 제시한다.

제안 방법

그림 10. 실험 대상별 특징값 비교：(a) 특징 1, (b) 특징 2, (c) 특징 3, (d) 특징 4, (e) 특징 5

5가지 특징 중 분류에 사용할 특징을 결정하기 위해 정확도를 확인하는 실험을 진행하였다. 표 1은 분류에 사용된 특징 개수별 정확도의 평균을 나타낸 것이다.
제안된 시스템의 전체적인 진행 과정은 그림 1과 같다. CW레이다로 측정된 신호를 STFT를 통해 스펙토그램을 얻고, 이 스펙토그램으로부터 다양한 특징점을 추출 후 SVM 이진 분류기를 통해 사람 인지 아닌지 분류한다.
본 논문에서는 실내 보안 응용을 위한 레이다 신호처리 및 분류 알고리즘과 하드웨어 구현 결과가 제안되었다. STFT를 사용한 신호처리와 효율적인 분류를 위한 특징점 추출 기법, SVM을 사용한 분류 알고리즘을 제안하였고, 분류 성능 평가를 위한 실험 및 시뮬레이션을 하였다. 4가지 특징을 사용한 실험 결과 약 96.
다섯 번째 제안하는 특징은 피크 주파수의 분산이다. 사람의 스펙트로그램의 경우 팔다리 움직임에 의한 미세도플러가 주기적으로 나타나기 때문에 팔다리 움직임이 없는 물체에 비해 피크 주파수의 변화폭이 크다.
두 번째 제안하는 특징은 보폭의 횟수(Count of Stride)이다. 그림 5와 같이 사람이나 개와 달리 다리가 없는 로봇 청소기는 다리 움직임에 의한 미세 도플러가 나타나지 않는다.
따라서 스펙트로그램 또한 상하 대칭으로 나타나기 때문에, 메모리 사용량을 줄이기 위해 특징점 계산에는 상측 절반만 사용하였다. 또한, STFT결과로 얻어지는 스펙트로그램을 메모리에 저장하지 않고 파이프라인 구조를 사용하여 Feature Extractor에서 재사용함으로써 추가적인 메모리 사용 없이 구현 하였다.
본 논문에서는 실내 보안 응용을 위해 최소한의 메모리와 연산기를 사용하는 STFT 신호처리 및 특징점 추출기, SVM 분류기의 하드웨어 구조를 제안한다. 또한, 실험을 통해 얻은 사람, 개, 로봇 청소기 데이터의 분류를 위하여 높은 분류 성능을 가지는 특징점 추출 방법과, 이를 낮은 복잡도의 SVM 이진 분류 알고리즘을 통하여 사람과 그 외의 데이터를 분류한 결과를 제시한다.
2%의 분류 정확도를 보였다. 또한, 제안된 시스템의 하드웨어 구현을 위해 Verilog HDL을 이용하여 설계하였고, 6.5Kb의 메모리와 1140개의 Logic을 사용하여 0.324ms의 짧은 지연시간으로 실시간 분류가 가능한 저면적 고효율의 시스템을 설계하였다.
세 번째 제안하는 특징은 레이다 반사 면적(RCS：Radar cross section)이다. 레이다 반사 면적은 전자기파가 대상에서 반사되는 에너지의 총량이다.
제안된 시스템은 Verilog HDL을 이용하여 설계되었으며 Altera Cyclone V 5CGXFC7C7F23C8 FPGA를 이용하여 검증 및 구현되었다. FPGA 기반 구현 결과, 1140개의 logic과 6.
제안하는 네 번째 특징은 피크 주파수(Peak frequency)와 몸통 주파수(Torso frequency)의 차이 이다. 피크 주파수는 미세 도플러 주파수의 최댓값이며, 다리의 스윙 속도를 의미한다.
제안하는 첫 번째 특징은 보폭의 주기(Period of Stride)이다. 사람의 다리 움직임의 주기는 다리 길이가 짧은 개와 구분된다.
많은 특징을 사용할수록 더 높은 정확도를 보이지만 연산복잡도가 늘어난다. 하드웨어 구현을 위해 연산 복잡도와 분류 정확도를 고려하여 연산복잡도가 가장 큰 다섯 번째 특징을 제외한 4가지 특징만을 사용함으로써 낮은 연산복잡도로 좋은 성능을 갖도록 설계하였다.

대상 데이터

그림 10은 실험 대상별 추출한 특징값을 비교한 것으로 사람, 개, 로봇 청소기 각각 40개, 총 120개의 데이터를 사용하였다. 40개 각각의 데이터에 해당 특징을 계산하여 그래프로 나타내었다.
제안된 시스템의 SVM 학습을 위한 데이터 확보 및 분류 성능을 확인하기 위해 그림 9와 같이 실내외 환경에서 실험이 진행되었다. 사람, 개, 로봇 청소기의 데이터를 각각 235, 54, 155개씩 총 444개 확보하였으며, 학습을 위한 training set으로 각각 215, 44, 140개를 사용하였고, 검증을 위한 test set 으로 각각 20, 10, 15개를 사용하였다.
제안된 시스템의 SVM 학습을 위한 데이터 확보 및 분류 성능을 확인하기 위해 그림 9와 같이 실내외 환경에서 실험이 진행되었다. 사람, 개, 로봇 청소기의 데이터를 각각 235, 54, 155개씩 총 444개 확보하였으며, 학습을 위한 training set으로 각각 215, 44, 140개를 사용하였고, 검증을 위한 test set 으로 각각 20, 10, 15개를 사용하였다.

이론/모형

이러한 주파수 차이를 도플러 주파수라고 하며 대상의 속도 정보를 얻을 수 있다[6]. 본 논문에서는 속도 정보를 이용해 대상을 분류하기 위해 CW레이다를 사용한다.
CW레이다에서 얻은 도플러 주파수 신호처리를 위해 흔히 사용하는 FFT(Fast Fourier Transform)로 시간 영역을 주파수 영역으로 변환하면 시간에 대한 정보는 사라지기 때문에, 각 주파수에 해당하는 신호가 어느 시점에서 존재하였는지 확인할 수 없다. 이것을 해결하기 위한 방법으로 STFT(Short-Time Fourier Transform)를 사용하여 시간과 주파수에 대한 스펙트로그램(Spectrogram)을 얻을 수 있다[7]. 스펙트로그램은 대상마다 각각의 특징을 가지고 있어서 사람과 다른 물체의 특징을 비교하여 대상을 구분할 수 있다.

성능/효과

STFT를 사용한 신호처리와 효율적인 분류를 위한 특징점 추출 기법, SVM을 사용한 분류 알고리즘을 제안하였고, 분류 성능 평가를 위한 실험 및 시뮬레이션을 하였다. 4가지 특징을 사용한 실험 결과 약 96.2%의 분류 정확도를 보였다. 또한, 제안된 시스템의 하드웨어 구현을 위해 Verilog HDL을 이용하여 설계하였고, 6.
표 1은 분류에 사용된 특징 개수별 정확도의 평균을 나타낸 것이다. 5가지 특징을 모두 사용한 경우 97.2%의 정확도를 보였고, 4가지 특징을 사용한 경우 96.2%, 3가지 특징을 사용한 경우 95.9%, 2가지 특징을 사용한 경우 93.5%의 정확도를 보였다. 많은 특징을 사용할수록 더 높은 정확도를 보이지만 연산복잡도가 늘어난다.
제안된 시스템은 Verilog HDL을 이용하여 설계되었으며 Altera Cyclone V 5CGXFC7C7F23C8 FPGA를 이용하여 검증 및 구현되었다. FPGA 기반 구현 결과, 1140개의 logic과 6.5 Kb의 메모리, 15개의 DSP Block만을 사용하여 구현 가능함을 확인하였다. 제안된 시스템의 논리 게이트 수를 확인 하기 위해 TSMC 40 nm CMOS 표준 셀 라이브러리를 활용하여 논리 합성이 수행되었고, 합성결과 총 게이트 수는 66K임이 확인되었다.
표 3은 리소스 사용에 대한 요약이며, 표 4는 블록별 리소스 사용 및 gate 수를 나타낸다. 또한, 최대 동작 주파수 104.79 MHz로 동작 가능함을 확인하였으며, 제안된 설계의 지연시간은 (latency) 33,952 cycle로, 한 물체를 분류하는데 약 0.324 ms의 짧은 시간으로 실시간 분류가 가능하다.
표 2는 분류 알고리즘에 따른 정확도를 비교한 것이다. 제안된 4가지 특징을 사용하여 실험하였을때 SVM이 결정 트리, KNN 구조와 비교하여 96.2%로 가장 높은 정확도를 보였다.
5 Kb의 메모리, 15개의 DSP Block만을 사용하여 구현 가능함을 확인하였다. 제안된 시스템의 논리 게이트 수를 확인 하기 위해 TSMC 40 nm CMOS 표준 셀 라이브러리를 활용하여 논리 합성이 수행되었고, 합성결과 총 게이트 수는 66K임이 확인되었다. 표 3은 리소스 사용에 대한 요약이며, 표 4는 블록별 리소스 사용 및 gate 수를 나타낸다.

질의응답

핵심어	질문	논문에서 추출한 답변
	펄스형 레이다 센서의 특징은?	레이다 센서는 신호의 변조 방식에 따라 펄스형(Pulse type)과 연속파형(CW; continuous wave)으로 나누어진다. 펄스형은 짧은 펄스의 반사를 통한 전파의 지연시간을 이용하며 대상의 움직임과 위치 정보를 얻을 수 있다. 연속파형은 특정 주파수의 전파를 계속 보내고 반사되는 신호와 주파수 차이를 측정하여 물체의 움직임을 감지한다.
	기존의 보안 시스템에는 어떤 센서들이 활용되고 있는가?	특히 24시간 동작하는 감시 시스템 특성상 저면적, 저전력의 시스템이 필요하다. 기존의 보안 시스템에서는 CCTV 카메라, 적외선 센서, 마이크로웨이브 센서, 레이다 등 다양한 센서들이 활용되고 있다[1]. 하지만, 이러한 센서들은 어두운 환경에서 대상을 감지하지 못하거나, 사람이 아닌 다른 물체의 움직임을 감지하여 오작동하는 경우가 많다.
	CCTV의 단점은 무엇인가?	하지만, 이러한 센서들은 어두운 환경에서 대상을 감지하지 못하거나, 사람이 아닌 다른 물체의 움직임을 감지하여 오작동하는 경우가 많다. 특히 CCTV의 경우 사람이 직접 화면을 감시하여야 한다는 단점이 있다[2]. 그에 반면 전자기파를 사용하여 표적을 탐지하는 레이다는 외부 환경에 영향을 적게 받고 어두운 환경에서도 대상을 감지할 수 있다는 장점이 있다[3].

참고문헌 (11)

S. Oh, S. Moon, S. Choi, "Intelligence Security and Surveillance System in Sensor Network Environment Using Integrated Heterogeneous Sensors" Korea Institute Of Communication Sciences, Vol. 38C, No.07, pp.551-562, 2013. DOI: 10.7840/kics.2013.38.c.7.551

원문보기 상세보기
H. Shin, B. Han, D. Choi and C. Oh, "Implementation of a Monitoring System Using a CW Doppler Radar," The jorunal of Korea Institute of Electronics Engineers, Vol.19, No.12, pp.2911-2916, 2015. DOI: 10.6109/jkiice.2015.19.12.2911
E. Hyun, Y. Jin, "Machine Learning based Pedestrian Indication Scheme for Automotive Radar System," The Korean Society Of Automotive Engineers, Daegu:DGIST, pp.684-685, 2019.
K. Baik, B. Jang, "Hand Gesture Classification Using Multiple Doppler Radar and Machine Learning", The Journal of Korean Institute of Electromagnetic Engineering and Science, Vol.28, No.1, pp.31-41, 2017. DOI: 10.5515/kjkiees.2017.28.1.33
S. Hong, Y. Yi, J. Jo, S. Lee, B. Seo, "Automatic Classification of Radar Signals Using CNN," The Journal of Korean Institute of Electromagnetic Engineering and Science, Vol.30, No.2, pp.132-140, 2019. DOI: 10.5515/jkjiees.2019.30.2.132

원문보기 상세보기
B. Nam, K. Chae, "Design of a K-band CW Radar Transceiver," Korea Academy Industrial Cooperation Society, Vol.10, No.7, pp.1532-1535, 2009. DOI: 10.5762/kais.2009.10.7.1532

원문보기 상세보기
N. Jung, C. Park, J. Lee, Y. Park, S. Shin, "A Study on the Application of TEO and STFT Signal Processing Techniques for Detection of Electric Railway Contact Loss" The Transactions of the Korean Institute of Electrical Engineers, Vol.67, No.11, pp.1530-1535, 2018. DOI: 10.5370/kiee.2018.67.11.1530
Y. Choi, J. Lim, G. Kim, Y. Jung, "Design of Area-efficient Feature Extractor for Security Surveillance Radar Systems" Institute of Korean Electrical and Electronics Engineers, Vol.24, No.1, pp.200-207, 2020. DOI: 10.7471/ikeee.2020.24.1.200
E. A. Zanaty, "Support Vector Machines (SVMs) versus Multilayer Perception (MLP) in data classification," Egyptian Informatics Journal, 13, pp.177-183, 2012. DOI: 10.1016/j.eij.2012.08.002

상세보기
Vishal A. Naik and Apurva A. Desai, "Online handwritten Gujarati character recognition using SVM, MLP, and K-NN," 8th International Conference on Computing, Communication and Networking Technologies (ICCCNT), 2017. DOI: 10.1109/icccnt.2017.8203926
J. Paik, H. Kim, J. Lee, "SVM based spectrum sensing of 5 GHz weather radar," The Institute of Electronics and Information Engineers, pp. 276-278, 2019.

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