KR101382163B1 - 지상표적 분류방법 및 이를 이용한 지상표적 분류장치 - Google Patents

지상표적 분류방법 및 이를 이용한 지상표적 분류장치 Download PDF

Info

Publication number
KR101382163B1
KR101382163B1 KR1020130027357A KR20130027357A KR101382163B1 KR 101382163 B1 KR101382163 B1 KR 101382163B1 KR 1020130027357 A KR1020130027357 A KR 1020130027357A KR 20130027357 A KR20130027357 A KR 20130027357A KR 101382163 B1 KR101382163 B1 KR 101382163B1
Authority
KR
South Korea
Prior art keywords
classification
result
value
ground target
reliability
Prior art date
Application number
KR1020130027357A
Other languages
English (en)
Inventor
양동원
곽동민
성기열
윤주홍
Original Assignee
국방과학연구소
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020130027357A priority Critical patent/KR101382163B1/ko
Application granted granted Critical
Publication of KR101382163B1 publication Critical patent/KR101382163B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 지상표적 분류방법 및 이를 이용한 지상표적 분류장치에 관한 것으로, 상기 지상표적 분류방법은 (a) 지상표적이 포함된 열 영상(thermal imagery)을 그레이 영상으로 프로세싱하여 지역특징(Local Feature)을 추출함과 동시에 상기 열 영상을 분할 마스크를 이용하여 프로세싱하여 형태특징(Shape Feature)을 추출하는 단계; (b) SVM(Support Vector Machine) 분류기를 이용하여, 상기 지역특징에 기반한 제1 분류결과를 산출함과 동시에 상기 형태특징에 기반한 제2 분류결과를 산출하는 단계; (c) 상기 제1 분류결과를 기반으로 상기 제1 분류결과를 산출한 SVM 분류기에 대한 제1 신뢰도 값을 추출하고, 상기 제2 분류결과를 기반으로 상기 제2 분류결과를 산출한 SVM 분류기에 대한 제2 신뢰도 값을 추출하는 단계; (d) 상기 제1 신뢰도 값 및 상기 제2 신뢰도 값을 이용하여 신뢰도 기반의 결과융합을 수행하는 단계; 및 (e) 상기 신뢰도 기반의 결과융합의 수행에 의한 결과를 이용하여 상기 지상표적의 분류를 수행하는 단계를 포함하는 것을 특징으로 한다. 이에 의해 본 발명은 지역특징 및 형태특징의 SVM 분류결과를 이용하여 신뢰도를 분석하고, 신뢰도를 이용한 계층적 결과융합 기법을 적용하여 각 특징이 가지고 있는 장점을 융합함으로써 최적화 된 지상표적 분류결과를 도출할 수 있다.

Description

지상표적 분류방법 및 이를 이용한 지상표적 분류장치{Ground target classification method, and ground target classification apparatus using the same }
본 발명은 지상표적 분류방법 및 이를 이용한 지상표적 분류장치에 관한 것으로, 구체적으로는 영상을 기반으로 지상표적을 분류하는 지상표적 분류방법 및 지상표적 분류장치에 관한 것이다.
영상을 기반으로 지상표적을 분류하는 방법은 주로 지역특징(Local Feature)을 이용하는 방법과 형태특징(Shape Feature)을 이용하는 방법이 있다.
지역특징을 이용하는 방법으로는, SIFT(Scale Invariant Feature Transform), SURF(Speed Up Robust Features), HOG(Histograms of Oriented Gradients) 및 PHOG(Pyramid HOG) 방법이 주로 사용되고 있다.
형태특징을 이용하는 방법으로는 RFD(Radial Fourier Descriptor), GFD(Generic Fourier Descriptor), SC(Shape Context) 등의 방법이 주로 사용된다.
군사적 목적으로 지상표적을 분류하는 방법은 일반적으로 주야간 활용 가능성을 고려하여 열 영상(thermal imagery)을 기반으로 지상표적의 분류를 수행하고 있다.
그러나 이러한 지상표적 분류방법이 열 영상을 기반으로 표적을 분류하는 경우 칼라 영상에 비해서 표적의 정보가 적고 불분명한 에지 정보를 가지고 있어서 지역특징, 형태특징 중 한 가지만을 사용하여 표적을 분류하는 경우 분류결과의 오차가 커지는 문제점이 존재하게 된다.
이러한 단점을 극복하기 위하여 열 영상과 칼라 영상의 융합 기법, 지역특징과 형태특징의 융합 기법 및 결과융합 기법을 적용한 다양한 지상표적 분류방법이 개발되었다.
그러나 이러한 지상표적 분류방법은 야간에는 칼라 영상이 획득되지 못하여 영상의 픽셀기반 융합 기법의 적용이 어려우며, 열 영상의 낮은 정보를 이용하여 지역특징 및 형태특징 모두를 추출하여 학습 및 분류기에 적용하더라도 성능의 향상이 어려운 단점을 가진다.
또한 결과융합 기법은 부정확한 방법의 결과도 최종 결과에 영향을 주게 되어 분류결과의 오류를 증가시키는 문제점이 있다.
KR 10-2011-0127552A, 2011. 11. 25, 도 1
본 발명은 지역 특징과 형태 특징을 이용한 분류결과의 신뢰도라는 개념을 도입함으로써 지상표적을 효과적으로 분류할 수 있는 지상표적 분류방법 및 이를 이용한 지상표적 분류장치를 제공하는 것이다.
상기 목적을 달성하기 위한 본 발명의 일 측면에 따른 지상표적 분류방법은 (a) 지상표적이 포함된 열 영상(thermal imagery)을 그레이 영상으로 프로세싱하여 지역특징(Local Feature)을 추출함과 동시에 상기 열 영상을 분할 마스크를 이용하여 프로세싱하여 형태특징(Shape Feature)을 추출하는 단계; (b) SVM(Support Vector Machine) 분류기를 이용하여, 상기 지역특징에 기반한 제1 분류결과를 산출함과 동시에 상기 형태특징에 기반한 제2 분류결과를 산출하는 단계; (c) 상기 제1 분류결과를 기반으로 상기 제1 분류결과를 산출한 SVM 분류기에 대한 제1 신뢰도 값을 추출하고, 상기 제2 분류결과를 기반으로 상기 제2 분류결과를 산출한 SVM 분류기에 대한 제2 신뢰도 값을 추출하는 단계; (d) 상기 제1 신뢰도 값 및 상기 제2 신뢰도 값을 이용하여 신뢰도 기반의 결과융합을 수행하는 단계; 및 (e) 상기 신뢰도 기반의 결과융합의 수행에 의한 결과를 이용하여 상기 지상표적의 분류를 수행하는 단계를 포함하는 것을 특징으로 한다.
상기 (c)단계에서, 상기 제1 분류결과 및 상기 제2 분류결과로 산출되는 각 클래스에 대한 확률분포를 이용하여 상기 제1 신뢰도 값 및 상기 제2 신뢰도 값들의 각각을 추출할 수 있다.
상기 제1 신뢰도 값 및 상기 제2 신뢰도 값 각각은 상기 제1 분류결과 및 상기 제2 분류결과로 산출되는 각 클래스에 대한 확률 값이 큰 순서대로
Figure 112013022228813-pat00001
인 경우, 첫 번째 값과 첫 번째부터 세 번째 값의 합과의 비율에 의해 추출될 수 있다.
상기 (d)단계에서, 상기 신뢰도 기반의 결과융합의 수행은 상기 제2 신뢰도 값이 기준치(Th) 보다 큰지 제1 분석을 수행하고, 상기 제2 신뢰도 값이 기준치(Th)를 넘는 경우 상기 제1 신뢰도 값이 기준치(Th) 보다 큰지 제2 분석을 수행하는 것에 의해 구현되는 것을 특징으로 하는 지상표적 분류방법.
상기 제1 분석의 수행 결과 상기 제2 신뢰도 값이 기준치(Th)를 넘지 못하는 경우 상기 제1 분류결과를 사용하여 상기 지상표적의 분류를 수행하고, 상기 제2 분석의 수행 결과 상기 제1 신뢰도 값이 기준치(Th)를 넘지 못하는 경우 제2 분류결과를 사용하여 상기 지상표적의 분류를 수행할 수 있다.
본 지상표적 분류방법은 상기 제2 분석의 수행결과 상기 제1 신뢰도 값이 기준치(Th)를 넘는 경우, 상기 제1 분류결과 및 상기 제2 분류결과와 상기 제1 신뢰도 값 및 상기 제2 신뢰도 값을 이용하여 계층적 결과융합을 수행하고 이 계층적 결과융합의 결과를 이용하여 상기 지상표적의 분류를 수행하는 단계 더 포함할 수 있다.
상기 계층적 결과융합의 결과는 수식 1에 의해 산출되는 최종 분류확률(
Figure 112013022228813-pat00002
)로 구현될 수 있다.
수식 1:
Figure 112013022228813-pat00003
(여기서, 제1 분류결과 =
Figure 112013022228813-pat00004
, 제2 분류결과 =
Figure 112013022228813-pat00005
, 제1 신뢰도 값 =
Figure 112013022228813-pat00006
, 제2 신뢰도 값 =
Figure 112013022228813-pat00007
)
상기 지역특징은 SIFT(Scale Invariant Feature Transform), SURF(Speed Up Robust Features), HOG(Histograms of Oriented Gradients) 또는 PHOG(Pyramid HOG)일 수 있다.
상기 목적을 달성하기 위한 또 다른 일 측면에 따른 지상표적 분류장치는 지상표적을 촬영하고 촬영된 지상표적의 열 영상(thermal imagery)에 대응하는 신호를 전달하는 영상센서부; 및 상기 영상센서부로부터 전달된 열 영상 신호를 처리하여, 전술한 본 발명의 일 측면에 따른 지상표적 분류방법을 수행하는 신호처리부를 포함하는 것을 특징으로 한다.
이와 같이 본 발명은 열 영상(thermal imagery)을 기반으로 지역특징 및 형태특징의 SVM 분류결과를 이용하여 신뢰도를 분석하고, 신뢰도를 이용한 계층적 결과융합 기법을 적용하여 각 특징이 가지고 있는 장점을 융합함으로써 열 영상 기반의 표적정보가 작은 상황에서도 최적화 된 지상표적 분류결과를 도출할 수 있다.
또한 본 발명은 단순히 결과를 융합하는 방식에서 벗어나, 분류기 결과의 신뢰도를 분석하여 오차가 큰 정보와 분류결과가 융합되는 것을 방지함으로써 분류결과의 융합에 따른 장점을 극대화시킬 수 있어 지상표적의 분류 성능을 향상시킬 수 있다.
도 1 본 발명의 일 실시예에 따른 지상표적 분류방법을 설명하기 위한 블록도이다.
도 2는 도 1의 S144단계 및 S146단계의 분류결과를 설명하기 위한 표이다.
도 3은 도 1의 S160단계를 설명하기 위한 블록도이다.
도 4는 도 1의 S170단계를 설명하기 위한 블록도이다.
도 5는 본 발명의 일 실시예에 따른 지상표적 분류방법을 도식적으로 표현한 도면이다.
도 6은 본 발명의 또 다른 일 실시예에 따른 지상표적 분류장치의 블록도이다.
본 발명을 첨부된 도면을 참조하여 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
이하에서는 도 1 내지 도 4를 참조하여 본 발명의 일 실시예에 따른 지상표적 분류방법에 대해 설명한다.
도 1 본 발명의 일 실시예에 따른 지상표적 분류방법을 설명하기 위한 블록도이고, 도 2는 도 1의 S144단계 및 S146단계의 분류결과를 설명하기 위한 표이고, 도 3은 도 1의 S160단계를 설명하기 위한 블록도이다. 도 4는 도 1의 S170단계를 설명하기 위한 블록도이다.
본 실시예에 따른 지상표적 분류방법은 열 영상(thermal imagery)을 기반으로 지역특징과 형태특징의 분류결과 신뢰도를 분석하고, 분석된 신뢰도에 따라 계층적인 결과 기법을 적용함으로써 지상표적을 분류할 수 있다. 지상표적 분류방법은 지상표적을 영상을 기반으로 분류하는 지상표적 분류장치에 이용되는 소프트웨어적 알고리즘으로 구현될 수 있다.
도 1을 참조하면, 먼저, 지상표적 분류방법은 열상 카메라와 같은 영상장비로부터 열 영상을 수신하고(S110) 이 열 영상을 그레이 영상으로 프로세싱하여(S124) 지역특징(Local Feature)을 추출한다(S134).
지상표적 분류방법은 S124단계 및 S134단계의 수행과 동시에 S110단계에서 수신된 열 영상을 분할 마스크를 이용하여 프로세싱하여(S126) 형태특징(Shape Feature)을 추출한다(S136).
다음, 지상표적 분류방법은 SVM(Support Vector Machine) 분류기를 이용하여 지역특징에 기반한 제1 분류결과를 산출한다(S144). 이와 동시에 지상표적 분류방법은 SVM(Support Vector Machine) 분류기를 이용하여 형태특징에 기반한 제2 분류결과를 산출한다(S146).
도 2를 참조하여 SVM 분류기에 대해 설명한다. SVM 분류기는 추출된 지역특징 및 형태특징을 이용하여 이미 학습된 매개 변수를 기반으로 SVM 분류를 수행한다.
도 2에 도시된 바와 같이, SVM 분류기는 3개로 마련되고, 4개의 지상표적에 대해 산출되는 분류결과는 분류된 각 클래스에 대한 확률분포로서 나타낼 수 있다. 일 예로서 SVM-1의 경우 Car 클래스가 dominant하게 나타나서 신뢰도 값이 0.82로 나타남을 확인할 수 있다. 신뢰도 값에 대해서는 후술한다.
본 실시예에 따른 분류기에 입력되는 지역특징은 기존 방법에서 논의된 SIFT(Scale Invariant Feature Transform), SURF(Speed Up Robust Features), HOG(Histograms of Oriented Gradients) 및 PHOG(Pyramid HOG) 등이 모두 사용 가능하며, 형태특징은 RFD(Radial Fourier Descriptor), GFD(Generic Fourier Descriptor), SC(Shape Context) 등이 모두 사용 가능하다.
또한, 분류된 각 클래스의 확률 분석이 가능한 분류기라면 SVM이 아닌 다른 분류기도 적용될 수 있다.
다음, 지상표적 분류방법은 제1 분류결과를 기반으로 <<그 제1 분류결과를>> 산출한 SVM 분류기에 대한 제1 신뢰도 값을 추출하고(S154), 제2 분류결과를 기반으로 <<그 제2 분류결과를>> 산출한 SVM 분류기에 대한 제2 신뢰도 값을 추출한다(S156).
구체적으로, 지상표적 분류방법은 SVM 분류기에 의한 제1 분류결과 및 제2 분류결과로 산출되는 각 클래스에 대한 확률분포를 이용하여 수학식 1과 같이 신뢰도 값(ConfidenceSVM)을 계산할 수 있다.
Figure 112013022228813-pat00008
제1 신뢰도 값 및 제2 신뢰도 값 각각은 지역특징 및 형태특징을 이용한 분류결과 중 확률 값이 큰 순서대로
Figure 112013022228813-pat00009
라고 나타냈을 때, 가장 큰 값과 첫 번째부터 세 번째 값의 합과의 비율로 나타낼 수 있다.
만일 SVM 분류기의 결과 값 중 가장 큰 값이 dominant하게 나타난다면 신뢰도 값은 1에 가까운 값으로 나타나게 되며, 가장 큰 값이 두 번째 및 세 번째 값과 유사한 값이라면 1/3의 값에 가깝게 나타나게 된다.
예를 들면, 도 4에 나타난 바와 같이 SVM-1의 경우 Car 클래스가 dominant하게 나타나서 수학식 1에 의한 신뢰도 값이 0.82로 나타났다. SVM-2와 SVM-3은 신뢰도 값이 0.41 및 0.35로 나타났다.
다음 지상표적 분류방법은 추출된 제1 신뢰도 값 및 제2 신뢰도 값을 이용하여 신뢰도 기반의 결과융합을 수행한다(S160). 이하 도 3을 참조하여 신뢰도 기반의 결과융합에 대해 구체적으로 설명한다.
먼저 형태특징의 신뢰도 값(
Figure 112013022228813-pat00010
)인 제2 신뢰도 값이 기준치(Th) 보다 큰지 분석하고(S210), 제2 신뢰도 값이 기준치(Th)를 넘는 경우 지역특징의 신뢰도 값(
Figure 112013022228813-pat00011
)인 제1 신뢰도 값이 기준치(Th) 보다 큰지 분석한다(S224).
S210단계의 분석결과 제2 신뢰도 값이 기준치(Th)를 넘지 못하는 경우, 지상표적 분류방법은 제1 신뢰도 값에 대한 분석을 수행하지 않고 신뢰도 기반의 결과융합(도 1의 S160단계)의 수행 결과로서 제1 분류결과를 사용하여 지상표적의 분류를 수행하도록 지상표적 분류장치의 동작을 제어한다(S226).<<청구항의 전제부로>>
S224단계의 분석결과 지역특징의 신뢰도 값인 제1 신뢰도 값이 기준치(Th)를 넘지 못하는 경우 신뢰도 기반의 결과융합(도 1의 S160단계)의 수행 결과로서 제2 분류결과를 사용하여 지상표적의 분류를 수행하도록 지상표적 분류장치의 동작을 제어한다(S236).
도 4는 도 1의 S170단계를 설명하기 위한 블록도이다.
도 4을 참조하면, S224단계의 분석결과 지역특징의 신뢰도 값인 제1 신뢰도 값이 기준치(Th)를 넘는 경우, 지상표적 분류방법은 제1 분류결과 및 제2 분류결과와 제1 신뢰도 값 및 제2 신뢰도 값을 이용하여 계층적 결과융합을 수행한다(S170).
도 4에 나타난 바와 같이, 지상표적 분류방법은 제1 분류결과 및 제2 분류결과에 제1 신뢰도 값 및 제2 신뢰도 값을 수학식 2와 같이 가중치를 주어 최종 분류확률을 계산한다. 지상표적 분류방법은 이와 같이 계산된 최종 분류확률을 이용하여 지상표적의 분류를 수행할 수 있다.
Figure 112013022228813-pat00012
여기서, 제1 분류결과는
Figure 112013022228813-pat00013
로 표현되고, 제2 분류결과는
Figure 112013022228813-pat00014
로 표현되며, 제1 신뢰도 값은
Figure 112013022228813-pat00015
로 표현되고, 제2 신뢰도 값은
Figure 112013022228813-pat00016
로 표현된다.
이하에서는 도 5를 참조하여 전술한 실시예에 따른 지상표적 분류방법을 요약하여 설명한다. 도 5는 본 발명의 일 실시예에 따른 지상표적 분류방법을 도식적으로 표현한 도면이다.
지상표적 분류방법은 열 영상으로 획득된 표적 정보의 그레이 영상과 마스크 영상을 이용하여 지역특징(Local Features)으로 PHOG(Pyramid HOG)와 형태특징으로 SC(Shape Context)를 도 5에 도시된 바와 같이 추출한다.
그 후 SVM 분류기(SVM Classifier)를 이용하여 분류결과인 클래스 간 분류 확률을 출력하고, 이 출력 결과를 이용하여 분류기의 신뢰도 값(Confidence Value)을 추출한다.
이와 같이 추출된 신뢰도 값을 이용한 결과융합 방법(Decision Level Fusion)에 의해 결과를 융합하고, 지상표적에 대한 최종 분류결과(Classification Result)를 출력한다.
한편, 도 6에 도시된 바와 같이, 본 발명의 또 다른 일 실시예에 따른 지상표적 분류장치(1)는 지상표적의 영상을 감지하기 위한 영상센서부(10)와 전술한 지상표적 분류방법을 수행하는 신호처리부(20)를 포함할 수 있다. 도 6은 본 발명의 또 다른 일 실시예에 따른 지상표적 분류장치의 블록도이다.
영상센서부(10)는 지상표적의 영상을 촬영하고 촬영된 지상표적의 열 영상(thermal imagery)에 대응하는 신호를 신호처리부(20)로 전달하고, 신호처리부(20)는 영상센서(10)로부터 전달된 지상표적의 열 영상을 이용하여 전술한 지상표적 분류방법을 수행함으로써 지상표적을 추적할 수 있다.
신호처리부(20)는 지역특징 추출모듈(21), 형태특징 추출모듈(23), SVM(Support Vector Machine) 분류기(25), 신뢰도 값 추출모듈(27), 신뢰도 기반의 결과융합모듈(28), 계층적 결과융합모듈(29)로 구분될 수 있다.
지역특징 추출모듈(21)은 영상센서부(10)로부터 열 영상을 수신하고 이 열 영상을 그레이 영상으로 프로세싱하여 지역특징(Local Feature)을 추출한다.
형태특징 추출모듈(23)은 지역특징 추출모듈(21) 동시에 수행될 수 있다. 형태특징 추출모듈(23)은 영상센서부(10)로부터 열 영상을 수신하고 수신된 열 영상을 분할 마스크를 이용하여 프로세싱하여 형태특징(Shape Feature)을 추출한다.
SVM 분류기(25)는 지역특징에 기반한 제1 분류결과를 산출하고, 형태특징에 기반한 제2 분류결과를 산출한다.
신뢰도 값 추출모듈(27)은 제1 분류결과를 기반으로 그 제1 분류결과를 산출한 SVM 분류기(25)에 대한 제1 신뢰도 값을 추출하고, 제2 분류결과를 기반으로 그 제2 분류결과를 산출한 SVM 분류기(25)에 대한 제2 신뢰도 값을 추출한다.
신뢰도 기반의 결과융합모듈(28)은 추출된 제1 신뢰도 값 및 제2 신뢰도 값을 이용하여 신뢰도 기반의 결과융합을 수행한다.
구체적으로 신뢰도 기반의 결과융합모듈(28)은 제2 신뢰도 값이 기준치(Th) 보다 큰지 제1 분석을 수행하고 제2 신뢰도 값이 기준치(Th)를 넘는 경우 제1 신뢰도 값이 기준치(Th) 보다 큰지 제2 분석을 수행하는 기능을 구비한다.
또한 신뢰도 기반의 결과융합모듈(28)은 위의 제1 분석의 수행결과 제2 신뢰도 값이 기준치(Th)를 넘지 못하는 경우, 제1 분류결과를 사용하여 지상표적의 분류를 수행한다.
또한 신뢰도 기반의 결과융합모듈(28)은 제2 분석의 수행결과 제1 신뢰도 값이 기준치(Th)를 넘지 못하는 경우 제2 분류결과를 사용하여 지상표적의 분류를 수행한다.
또한, 신뢰도 기반의 결과융합모듈(28)은 제2 분석의 수행결과 제1 신뢰도 값이 기준치(Th)를 넘는 경우, 지상표적 분류장치(1)는 후술하는 계층적 결과융합모듈(29)을 수행한다.
이와 같이 신뢰도 기반의 결과융합모듈(28)은 3가지 동작을 선택적으로 수행할 수 있다.
계층적 결과융합모듈(29)은 제1 분류결과 및 제2 분류결과와 제1 신뢰도 값 및 제2 신뢰도 값을 이용하여 계층적 결과를 융합한다. 즉 계층적 결과융합모듈(29)은, 전술한 수학식 2에 의해 계산된 최종 분류확률(
Figure 112013022228813-pat00017
)을 출력하며, 지상표적 분류장치(1)는 최종 분류확률(
Figure 112013022228813-pat00018
)을 이용하여 지상표적의 분류를 수행할 수 있다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속함을 이해해야 할 것이다.
1: 지상표적 분류장치
10: 영상센서부
20: 신호처리부
21: 지역특징 추출모듈
23: 형태특징 추출모듈
25: SVM(Support Vector Machine) 분류기
27: 신뢰도 값 추출모듈
28: 신뢰도 기반의 결과융합모듈
29: 계층적 결과융합모듈

Claims (6)

  1. (a) 지상표적이 포함된 열 영상(thermal imagery)을 그레이 영상으로 프로세싱하여 지역특징(Local Feature)을 추출함과 동시에 상기 열 영상을 분할 마스크를 이용하여 프로세싱하여 형태특징(Shape Feature)을 추출하는 단계;
    (b) SVM(Support Vector Machine) 분류기를 이용하여, 상기 지역특징에 기반한 제1 분류결과를 산출함과 동시에 상기 형태특징에 기반한 제2 분류결과를 산출하는 단계;
    (c) 상기 제1 분류결과를 기반으로 상기 제1 분류결과를 산출한 SVM 분류기에 대한 제1 신뢰도 값을 추출하고, 상기 제2 분류결과를 기반으로 상기 제2 분류결과를 산출한 SVM 분류기에 대한 제2 신뢰도 값을 추출하는 단계;
    (d) 상기 제1 신뢰도 값 및 상기 제2 신뢰도 값을 이용하여 신뢰도 기반의 결과융합을 수행하는 단계; 및
    (e) 상기 신뢰도 기반의 결과융합의 수행에 의한 결과를 이용하여 상기 지상표적의 분류를 수행하는 단계를 포함하는 것을 특징으로 하는 지상표적 분류방법.
  2. 제1항에 있어서,
    상기 (c)단계에서, 상기 제1 분류결과 및 상기 제2 분류결과로 산출되는 각 클래스에 대한 확률분포를 이용하여 상기 제1 신뢰도 값 및 상기 제2 신뢰도 값들의 각각을 추출하고, 상기 제1 신뢰도 값 및 상기 제2 신뢰도 값 각각은 상기 제1 분류결과 및 상기 제2 분류결과로 산출되는 각 클래스에 대한 확률 값이 큰 순서대로
    Figure 112013022228813-pat00019
    인 경우, 첫 번째 값과 첫 번째부터 세 번째 값의 합과의 비율에 의해 추출되는 것을 특징으로 하는 지상표적 분류방법.
  3. 제1항에 있어서,
    상기 (d)단계에서, 상기 신뢰도 기반의 결과융합의 수행은 상기 제2 신뢰도 값이 기준치(Th) 보다 큰지 제1 분석을 수행하고, 상기 제2 신뢰도 값이 기준치(Th)를 넘는 경우 상기 제1 신뢰도 값이 기준치(Th) 보다 큰지 제2 분석을 수행하는 것에 의해 구현되며, 상기 제1 분석의 수행 결과 상기 제2 신뢰도 값이 기준치(Th)를 넘지 못하는 경우 상기 제1 분류결과를 사용하여 상기 지상표적의 분류를 수행하고, 상기 제2 분석의 수행 결과 상기 제1 신뢰도 값이 기준치(Th)를 넘지 못하는 경우 상기 제2 분류결과를 사용하여 상기 지상표적의 분류를 수행하는 것을 특징으로 하는 지상표적 분류방법.
  4. 제3항에 있어서,
    상기 제2 분석의 수행결과 상기 제1 신뢰도 값이 기준치(Th)를 넘는 경우, 상기 제1 분류결과 및 상기 제2 분류결과와 상기 제1 신뢰도 값 및 상기 제2 신뢰도 값을 이용하여 계층적 결과융합을 수행하고 이 계층적 결과융합의 결과를 이용하여 상기 지상표적의 분류를 수행하는 단계 더 포함하고,
    상기 계층적 결과융합의 결과는 수식 1에 의해 산출되는 최종 분류확률(
    Figure 112013022228813-pat00020
    )인 것을 특징으로 하는 지상표적 분류방법.
    수식 1:
    Figure 112013022228813-pat00021

    (여기서, 제1 분류결과 =
    Figure 112013022228813-pat00022
    , 제2 분류결과 =
    Figure 112013022228813-pat00023
    , 제1 신뢰도 값 =
    Figure 112013022228813-pat00024
    , 제2 신뢰도 값 =
    Figure 112013022228813-pat00025
    )
  5. 제1항에 있어서,
    상기 지역특징은 SIFT(Scale Invariant Feature Transform), SURF(Speed Up Robust Features), HOG(Histograms of Oriented Gradients) 또는 PHOG(Pyramid HOG)인 것을 특징으로 하는 지상표적 분류방법.
  6. 지상표적을 촬영하고 촬영된 지상표적의 열 영상(thermal imagery)에 대응하는 신호를 전달하는 영상센서부; 및
    상기 영상센서부로부터 전달된 열 영상 신호를 처리하여, 상기 제1항 내지 제5항 중 어느 하나의 항에 따른 지상표적 분류방법을 수행하는 신호처리부를 포함하는 것을 특징으로 하는 지상표적 분류장치.
KR1020130027357A 2013-03-14 2013-03-14 지상표적 분류방법 및 이를 이용한 지상표적 분류장치 KR101382163B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130027357A KR101382163B1 (ko) 2013-03-14 2013-03-14 지상표적 분류방법 및 이를 이용한 지상표적 분류장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130027357A KR101382163B1 (ko) 2013-03-14 2013-03-14 지상표적 분류방법 및 이를 이용한 지상표적 분류장치

Publications (1)

Publication Number Publication Date
KR101382163B1 true KR101382163B1 (ko) 2014-04-07

Family

ID=50656789

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130027357A KR101382163B1 (ko) 2013-03-14 2013-03-14 지상표적 분류방법 및 이를 이용한 지상표적 분류장치

Country Status (1)

Country Link
KR (1) KR101382163B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160002082A (ko) * 2014-06-30 2016-01-07 국방과학연구소 표적의 주요 특징점 정보를 이용한 지상 표적 인지 기법
KR20160107823A (ko) * 2015-03-05 2016-09-19 국방과학연구소 열 영상 시퀀스 기반의 표적 분류 장치 및 그 방법
KR101658472B1 (ko) * 2015-04-23 2016-09-30 국방과학연구소 영상 분할 신뢰도 추출 기법을 이용한 표적 분류 장치 및 표적 분류 방법
CN106570475A (zh) * 2016-11-03 2017-04-19 南京航空航天大学 一种紫砂壶印章检索方法
CN117407796A (zh) * 2023-12-15 2024-01-16 合肥工业大学 一种跨部件小样本故障诊断方法、系统和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005322253A (ja) * 2004-05-10 2005-11-17 Microsoft Corp ２次元画像からの対話型分解組み立て図
JP2006313511A (ja) * 2005-04-07 2006-11-16 Sony Corp 画像処理装置，画像処理方法，およびコンピュータプログラム。
KR20100041172A (ko) * 2008-10-13 2010-04-22 국방과학연구소 영상 추적 장치의 이동표적 움직임 추적 방법
KR20120054325A (ko) * 2010-11-19 2012-05-30 국방과학연구소 영상 표적 추출 시스템, 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005322253A (ja) * 2004-05-10 2005-11-17 Microsoft Corp ２次元画像からの対話型分解組み立て図
JP2006313511A (ja) * 2005-04-07 2006-11-16 Sony Corp 画像処理装置，画像処理方法，およびコンピュータプログラム。
KR20100041172A (ko) * 2008-10-13 2010-04-22 국방과학연구소 영상 추적 장치의 이동표적 움직임 추적 방법
KR20120054325A (ko) * 2010-11-19 2012-05-30 국방과학연구소 영상 표적 추출 시스템, 장치 및 방법

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160002082A (ko) * 2014-06-30 2016-01-07 국방과학연구소 표적의 주요 특징점 정보를 이용한 지상 표적 인지 기법
KR101599817B1 (ko) * 2014-06-30 2016-03-04 국방과학연구소 표적의 주요 특징점 정보를 이용한 지상 표적 인지 기법
KR20160107823A (ko) * 2015-03-05 2016-09-19 국방과학연구소 열 영상 시퀀스 기반의 표적 분류 장치 및 그 방법
KR101658466B1 (ko) 2015-03-05 2016-09-30 국방과학연구소 열 영상 시퀀스 기반의 표적 분류 장치 및 그 방법
KR101658472B1 (ko) * 2015-04-23 2016-09-30 국방과학연구소 영상 분할 신뢰도 추출 기법을 이용한 표적 분류 장치 및 표적 분류 방법
CN106570475A (zh) * 2016-11-03 2017-04-19 南京航空航天大学 一种紫砂壶印章检索方法
CN106570475B (zh) * 2016-11-03 2019-08-02 南京航空航天大学 一种紫砂壶印章检索方法
CN117407796A (zh) * 2023-12-15 2024-01-16 合肥工业大学 一种跨部件小样本故障诊断方法、系统和存储介质
CN117407796B (zh) * 2023-12-15 2024-03-01 合肥工业大学 一种跨部件小样本故障诊断方法、系统和存储介质

Similar Documents

Publication Publication Date Title
US9183447B1 (en) Object detection using candidate object alignment
JP6439820B2 (ja) 対象識別方法、対象識別装置、及び分類器訓練方法
CN109063559B (zh) 一种基于改良区域回归的行人检测方法
KR101848019B1 (ko) 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치
JP6330385B2 (ja) 画像処理装置、画像処理方法およびプログラム
KR101382163B1 (ko) 지상표적 분류방법 및 이를 이용한 지상표적 분류장치
JP6819996B2 (ja) 交通信号認識方法および交通信号認識装置
Wali et al. Comparative survey on traffic sign detection and recognition: a review
KR101872811B1 (ko) 행동 패턴 인식 장치, 행동 패턴 인식 방법 및 행동 패턴 분류기 생성 방법
KR20140013407A (ko) 객체 추적 장치 및 방법
Wu et al. Raindrop detection and removal using salient visual features
Peng et al. Vehicle type classification using PCA with self-clustering
Bougharriou et al. Linear SVM classifier based HOG car detection
Sharma et al. A hybrid technique for license plate recognition based on feature selection of wavelet transform and artificial neural network
KR20140132076A (ko) 원적외선 카메라 기반 야간 보행자 인식 방법
WO2016059643A1 (en) System and method for pedestrian detection
US20140161313A1 (en) Tracking device
Jaskó et al. Animal detection from traffic scenarios based on monocular color vision
KR101669447B1 (ko) 영상 기반의 운전자 졸음 인식 시스템 및 그 인식 방법
JP6377214B2 (ja) テキスト検出方法および装置
KR102224218B1 (ko) 비디오 시간 정보를 활용하는 딥러닝 기반 물체 검출 방법 및 장치
KR20150101205A (ko) 적분 세로 에지를 이용한 보행자 영역 추출 장치 및 그 방법
Hannan et al. Traffic sign classification based on neural network for advance driver assistance system
KR101169340B1 (ko) 영상 처리 시스템에서의 객체 인식 방법 및 시스템
Liu et al. Detection and recognition of traffic signs in adverse conditions

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20180403

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20190402

Year of fee payment: 6