KR101891410B1 - 트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법 - Google Patents

트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법 Download PDF

Info

Publication number
KR101891410B1
KR101891410B1 KR1020160167771A KR20160167771A KR101891410B1 KR 101891410 B1 KR101891410 B1 KR 101891410B1 KR 1020160167771 A KR1020160167771 A KR 1020160167771A KR 20160167771 A KR20160167771 A KR 20160167771A KR 101891410 B1 KR101891410 B1 KR 101891410B1
Authority
KR
South Korea
Prior art keywords
classification feature
radar image
inverse
target
classification
Prior art date
Application number
KR1020160167771A
Other languages
English (en)
Other versions
KR20180066669A (ko
Inventor
김경태
이승재
Original Assignee
포항공과대학교 산학협력단
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 포항공과대학교 산학협력단 filed Critical 포항공과대학교 산학협력단
Priority to KR1020160167771A priority Critical patent/KR101891410B1/ko
Publication of KR20180066669A publication Critical patent/KR20180066669A/ko
Application granted granted Critical
Publication of KR101891410B1 publication Critical patent/KR101891410B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904—SAR modes
    • G01S13/9064—Inverse SAR [ISAR]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9029—SAR image post-processing techniques specially adapted for moving target detection within a single SAR image or within multiple SAR images taken at the same time
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/2813—Means providing a modification of the radiation pattern for cancelling noise, clutter or interfering signals, e.g. side lobe suppression, side lobe blanking, null-steering arrays
    • G01S2013/9064—

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

본 발명은 트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법에 관한 것으로서, 역합성 개구면 레이더 영상의 표적 분류 방법은 표적에 대한 역합성 개구면 레이더 영상을 입력받는 단계, 상기 역합성 개구면 레이더 영상으로부터 잡음(noise) 응답, 클러터(clutter) 응답 및 레이더와 표적 사이의 상이한 거리로 인한 신호 레벨(signal level) 변화를 제거하여 상기 역합성 개구면 레이더 영상을 전처리하는 단계, 트레이스 변환(trace transform)을 이용하여 상기 전처리된 역합성 개구면 레이더 영상으로부터 상기 표적의 주축에 따른 분류 특징 함수를 추출하는 단계, 상기 분류 특징 함수를 이용하여 기 저장된 훈련 데이터 베이스로부터 후보 데이터 베이스를 선택하는 단계, 그리고 상기 후보 데이터 베이스에 포함된 분류 특징 값과 상기 추출된 분류 특징 함수를 이용하여 상기 표적의 종류를 분류하는 단계를 포함한다. 이와 같이 본 발명에 따르면, 본 발명의 실시예에 따르면, 트레이스 변환을 이용하여 데이터베이스의 양을 감소시킴과 동시에 역합성 개구면 레이더 영상에서 분류를 위한 특징 추출 과정에서의 연산량을 줄임으로써 표적 분류에 소모되는 시간과 연산량을 절감할 수 있다. 또한, 역합성 개구면 레이더 영상의 병진, 회전, 반사 등에 영향을 받지 않으면서 풍부한 식별 정보를 획득할 수 있으므로, 표적의 분류 정확성을 크게 향상시킬 수 있다.

Description

트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법{APPARATUS FOR CLASSIFYING TARGET OF INVERSE SYNTHETIC APERTURE RADAR IMAGE USING TRACE TRANSFORM AND METHOD THEREOF}
본 발명은 트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법에 관한 것으로서, 더욱 상세하게는 역합성 개구면 레이더 영상의 표적 분류 정확성 및 표적 분류 효율을 향상시키기 위한 트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법에 관한 것이다.
일반적으로 공중과 해상 및 지상의 피아 표적을 식별 하고자 할 경우, 표적이 자신의 정보를 제공해 주지 않는 것이 일반적이므로 표적에 대한 정보를 스스로 획득해서 이를 기반으로 해당 표적이 어떤 것인지 구분하는 과정이 필수적이다. 표적 식별을 위해서는 식별해야 할 표적의 고유한 물리적 특성을 얻을 수 있어야 하는데 이 특징을 얻기 위해서 광학 영상, 적외선 영상, 음파, 레이더 신호들이 많이 사용되고 있다.
그 중에서도 레이더는 광학 영상처럼 빛이 신호원이 아니라 전파를 신호원으로 사용한다. 전파를 사용함으로써 파장이 빛보다 길어서 구름이나 해무 등에 영향을 받지 않는다는 장점이 있다. 따라서 레이더는 정보 획득 거리가 광학에 비하여 길고 날씨에 제약이 없어 전천후 작전운영이 가능하도록 정보를 제공할 수 있다. 특히, 지상의 표적을 식별하고자 할 때 사용할 때 표적의 고 에너지 산란점의 2차원 분포로 영상을 생성하는 합성 개구면 레이더(Inverse synthetic aperture radar, ISAR) 영상을 주로 이용한다.
하지만, 역합성 개구면 레이더 영상은 연접 처리 간격 동안 표적과 레이더 사이의 각운동, 표적의 회전 속도 및 병진 운동, 그리고 영상의 고차원성으로 인하여 분류 효율이 떨어지거나 분류 정확도가 낮아지는 단점이 있다.
지역 보존 프로젝션(locality preserving projection, LPP) 알고리즘이나 극매핑(polar-mapping, PM) 기술 등을 사용하여 이러한 단점을 해결하고자 하는 시도가 있으나, 분류 효율이 높아지는 대신 분류 정확도가 떨어지거나 고정된 영상 투영 면(image projection plane, IPP) 상에서만 분류 정확도가 보장되는 등 실제 시스템에 적용하는데 한계가 있다.
본 발명의 배경이 되는 기술은 한국공개특허 제10-2014-0008219호(2014.07.03.공개)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 역합성 개구면 레이더 영상의 표적 분류 정확성 및 표적 분류 효율을 향상시키기 위한 트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면 역합성 개구면 레이더 영상의 표적 분류 장치를 이용한 표적 분류 방법에 있어서, 역합성 개구면 레이더 영상의 표적 분류 방법은 표적에 대한 역합성 개구면 레이더 영상을 입력받는 단계, 상기 역합성 개구면 레이더 영상으로부터 잡음(noise) 응답, 클러터(clutter) 응답 및 레이더와 표적 사이의 상이한 거리로 인한 신호 레벨(signal level) 변화를 제거하여 상기 역합성 개구면 레이더 영상을 전처리하는 단계, 트레이스 변환(trace transform)을 이용하여 상기 전처리된 역합성 개구면 레이더 영상으로부터 상기 표적의 주축에 따른 분류 특징 함수를 추출하는 단계, 상기 분류 특징 함수를 이용하여 기 저장된 훈련 데이터 베이스로부터 후보 데이터 베이스를 선택하는 단계, 그리고 상기 후보 데이터 베이스에 포함된 분류 특징 값과 상기 추출된 분류 특징 함수를 이용하여 상기 표적의 종류를 분류하는 단계를 포함한다.
상기 훈련 데이터 베이스는, 상기 전처리 과정 및 분류 특징 함수 추출 과정을 통해 추출된 서로 다른 타겟에 대한 역합성 개구면 레이더 영상의 분류 특징 함수를 포함할 수 있다.
상기 전처리하는 단계는, 상기 역합성 개구면 레이더 영상의 픽셀 기준값을 이용하여 상기 역합성 개구면 레이더 영상에서 상기 잡음 응답 및 클러터 응답을 제거하는 제1 전처리 단계, 그리고 상기 제1 전처리 단계를 수행한 역합성 개구면 레이더 영상에서 상기 신호 레벨 변화를 제거하는 제2 전처리 단계를 포함할 수 있다.
상기 분류 특징 함수를 추출하는 단계는, 상기 전처리된 역합성 개구면 레이더 영상을 주성분 분석(principal component analysis)하여 상기 전처리된 역합성 개구면 레이더 영상에 포함된 표적의 주축을 추정하는 단계, 상기 주축 및 기 설정된 기준 방향 축을 이용한 트레이스 변환을 통해 상기 전처리된 역합성 개구면 레이더 영상으로부터 분류 특징 함수를 연산하는 단계, 상기 분류 특징 함수를 기 설정된 기준 인덱스 값으로 시프팅하는 단계, 그리고 상기 시프팅 된 분류 특징 함수에 1차원 주성분분석법을 적용하여 분류 특징 함수의 차원을 압축하고 잉여성분을 제거하는 단계를 포함할 수 있다.
상기 분류 특징 함수는 제1 분류 특징 함수 및 제2 분류 특징 함수를 포함하며, 상기 분류 특징 함수를 연산하는 단계는, 트레이스 변환을 이용하여 상기 주축과 기 설정된 기준 방향 축이 형성하는 주축 각도에 대응하는 제1 분류 특징 함수를 연산하는 단계, 그리고 트레이스 변환을 이용하여 상기 주축 각도를 중심으로 하는 기 설정된 각도 범위 내에서 동일한 간격으로 복수개의 제2 분류 특징 함수를 연산하는 단계를 포함할 수 있다.
상기 후보 데이터 베이스를 선택하는 단계는, 상기 훈련 데이터 베이스에 저장된 훈련 분류 특징 함수의 각도와 분류 특징 함수의 각도 사이의 유클리디안 거리를 연산하는 단계, 그리고 상기 유클리디안 거리가 가장 작은 값에 대응하는 훈련 분류 특징 함수들을 포함하는 상기 후보 데이터 베이스를 선택하는 단계를 포함할 수 있다.
상기 표적의 종류를 분류하는 단계는, 상기 분류 특징 함수의 180도 반전 함수인 반전 분류 특징 함수를 생성하는 단계, 상기 분류 특징 함수 및 상기 반전 분류 특징 함수와 상기 후보 데이터 베이스의 훈련 분류 특징 함수 사이의 유클리디안 거리를 연산하는 단계, 그리고 상기 유클리디안 거리가 가장 작은 훈련 분류 특징 함수에 대응하는 표적의 유형을 상기 역합성 개구면 레이더 영상의 표적의 종류로 판단하는 단계를 포함할 수 있다.
상기 분류 특징 함수를 추출하는 단계는, 아래의 수학식을 이용하여 분류 특징 함수(R2(f(r)))를 추출할 수 있다.
Figure 112016121056815-pat00001
여기서, f(r)은 궤적선(trace line) 함수를 의미하고, rm은 상기 궤적선의 길이(r)의 최대값을 의미한다.
본 발명의 다른 실시예에 따른 역합성 개구면 레이더 영상의 표적 분류 장치는 표적에 대한 역합성 개구면 레이더 영상을 입력받는 입력부, 상기 역합성 개구면 레이더 영상으로부터 잡음(noise) 응답, 클러터(clutter) 응답 및 레이더와 표적 사이의 상이한 거리로 인한 신호 레벨(signal level) 변화를 제거하여 상기 역합성 개구면 레이더 영상을 전처리하는 전처리부, 트레이스 변환(trace transform)을 이용하여 상기 전처리된 역합성 개구면 레이더 영상으로부터 상기 표적의 주축에 따른 분류 특징 함수를 추출하는 추출부, 상기 분류 특징 함수를 이용하여 기 저장된 훈련 데이터 베이스로부터 후보 데이터 베이스를 선택하는 선택부, 그리고 상기 후보 데이터 베이스에 포함된 분류 특징 값과 상기 검출된 분류 특징 함수를 이용하여 상기 표적의 종류를 분류하는 분류부를 포함한다.
이와 같이 본 발명에 따르면, 트레이스 변환을 이용하여 데이터베이스의 양을 감소시킴과 동시에 역합성 개구면 레이더 영상에서 분류를 위한 특징 추출 과정에서의 연산량을 줄임으로써 표적 분류에 소모되는 시간과 연산량을 절감할 수 있다.
또한, 역합성 개구면 레이더 영상의 병진, 회전, 반사 등에 영향을 받지 않으면서 풍부한 식별 정보를 획득할 수 있으므로, 표적의 분류 정확성을 크게 향상시킬 수 있다.
도 1은 본 발명의 실시예에 따른 역합성 개구면 레이더 영상의 표적 분류 장치의 구성도이다.
도 2는 본 발명의 실시예에 따른 역합성 개구면 레이더 영상의 표적 분류 방법에 대한 순서도이다.
도 3은 도 2의 S220 단계를 상세하게 설명하기 위한 순서도이다.
도 4는 도 2의 S230 단계를 상세하게 설명하기 위한 순서도이다.
도 5는 도 2의 S230 단계를 상세하게 설명하기 위한 도면이다.
도 6은 도 4의 S234 단계를 상세하게 설명하기 위한 도면이다.
도 7은 도 2의 S240 단계를 상세하게 나타낸 순서도이다.
도 8은 도 2의 S250 단계를 상세하게 나타낸 순서도이다.
도 9는 도 2의 S250 단계를 상세하게 설명하기 위한 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
우선, 도 1을 통해 본 발명의 실시예에 따른 역합성 개구면 레이더 영상의 표적 분류 장치에 대해 살펴보도록 한다. 도 1은 본 발명의 실시예에 따른 역합성 개구면 레이더 영상의 표적 분류 장치의 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 역합성 개구면 레이더 영상의 표적 분류 장치(100)는 입력부(110), 전처리부(120), 추출부(130), 선택부(140) 및 분류부(150)를 포함한다.
먼저, 입력부(110)는 표적에 대한 역합성 개구면 레이더 영상을 입력받는다.
다음으로, 전처리부(120)는 역합성 개구면 레이더 영상으로부터 잡음(noise) 응답, 클러터(clutter) 응답 및 레이더와 표적 사이의 상이한 거리로 인한 신호 레벨(signal level) 변화를 제거하여 역합성 개구면 레이더 영상을 전처리한다.
구체적으로, 전처리부(120)는 역합성 개구면 레이더 영상의 픽셀 기준값을 이용하여 역합성 개구면 레이더 영상에서 잡음 응답 및 클러터 응답을 제거하는 제1 전처리를 수행한다. 그리고 전처리부(120)는 제1 전처리를 수행한 역합성 개구면 레이더 영상에서 신호 레벨 변화를 제거하는 제2 전처리를 수행한다.
다음으로 추출부(130)는 트레이스 변환(trace transform)을 이용하여 전처리된 역합성 개구면 레이더 영상으로부터 표적의 주축에 따른 분류 특징 함수를 추출한다.
구체적으로, 추출부(130)는 전처리된 역합성 개구면 레이더 영상을 주성분 분석(principal component analysis)하여 전처리된 역합성 개구면 레이더 영상에 포함된 표적의 주축을 추정한다.
이 후, 추출부(130)는 주축 및 기 설정된 기준 방향 축을 이용한 트레이스 변환을 통해 전처리된 역합성 개구면 레이더 영상으로부터 분류 특징 함수를 연산한다. 이때, 분류 특징 함수는 제1 분류 특징 함수 및 제2 분류 특징 함수를 포함한다.
분류 특징 함수 연산 시, 우선, 추출부(130)는 트레이스 변환을 이용하여 주축과 기 설정된 기준 방향 축이 형성하는 주축 각도에 대응하는 제1 분류 특징 함수를 연산한다. 그리고, 추출부(130)는 트레이스 변환을 이용하여 주축 각도를 중심으로 하는 기 설정된 각도 범위 내에서 동일한 간격으로 복수개의 제2 분류 특징 함수를 연산한다.
그리고, 추출부(130)는 분류 특징 함수를 기 설정된 기준 인덱스 값으로 시프팅한다. 그리고, 추출부(130)는 시프팅 된 분류 특징 함수에 1차원 주성분분석법을 적용하여 분류 특징 함수의 차원을 압축하고 잉여성분을 제거한다.
다음으로, 선택부(140)는 분류 특징 함수를 이용하여 기 저장된 훈련 데이터 베이스로부터 후보 데이터 베이스를 선택한다.
구체적으로, 선택부(140)는 훈련 데이터 베이스에 저장된 훈련 분류 특징 함수의 각도와 분류 특징 함수의 각도 사이의 유클리디안 거리를 연산한다.
그리고, 선택부(140)는 유클리디안 거리가 가장 작은 값에 대응하는 훈련 분류 특징 함수들을 포함하는 후보 데이터 베이스를 선택한다.
여기서, 훈련 데이터 베이스는, 상기 전처리 과정 및 분류 특징 함수 추출 과정을 통해 추출된 서로 다른 타겟에 대한 역합성 개구면 레이더 영상의 분류 특징 함수를 포함한다.
다음으로, 분류부(150)는 후보 데이터 베이스에 포함된 분류 특징 값과 기 검출된 분류 특징 함수를 이용하여 표적의 종류를 분류한다.
구체적으로, 분류부(150)는 분류 특징 함수의 180도 반전 함수인 반전 분류 특징 함수를 생성한다. 그리고, 분류부(150)는 분류 특징 함수 및 반전 분류 특징 함수와 후보 데이터 베이스의 훈련 분류 특징 함수 사이의 유클리디안 거리를 연산한다.
그러면, 분류부(150)는 유클리디안 거리가 가장 작은 훈련 분류 특징 함수에 대응하는 표적의 유형을 역합성 개구면 레이더 영상의 표적의 종류로 판단한다.
다음으로, 도 2 내지 도 9를 통해 본 발명의 실시예에 따른 역합성 개구면 레이더 영상의 표적 분류 장치를 이용한 역합성 개구면 레이더 영상의 표적 분류 방법에 대해 살펴보도록 한다. 도 2는 본 발명의 실시예에 따른 역합성 개구면 레이더 영상의 표적 분류 방법에 대한 순서도이다.
도 2에 도시된 바와 같이, 입력부(110)는 표적에 대한 역합성 개구면 레이더 영상을 입력받는다(S210).
그러면, 전처리부(120)는 역합성 개구면 레이더 영상으로부터 잡음(noise) 응답, 클러터(clutter) 응답 및 레이더와 표적 사이의 상이한 거리로 인한 신호 레벨(signal level) 변화를 제거하여 역합성 개구면 레이더 영상을 전처리한다(S220). 도 3은 도 2의 S220 단계를 상세하게 설명하기 위한 순서도이다.
도 3에 도시된 바와 같이, 전처리부(120)는 제1 전처리 및 제2 전처리를 통해 역합성 개구면 레이더 영상을 전처리한다.
우선, 전처리부(120)는 역합성 개구면 레이더 영상의 픽셀 기준값을 이용하여 역합성 개구면 레이더 영상에서 잡음 응답 및 클러터 응답을 제거하는 제1 전처리, 즉 분할(segmentation) 처리를 수행한다(S222).
구체적으로, 전처리부(120)는 픽셀 기준값보다 큰 값을 가지는 역합성 개구면 레이더 영상의 픽셀값은 유지하고, 픽셀 기준값보다 작거나 같은 값을 가지는 픽셀은 0으로 설정함으로써 제1 전처리를 수행한다.
이때, 픽셀 기준값(Lth)은 아래의 수학식 1을 통해 연산된다.
Figure 112016121056815-pat00002
여기서, M은 역합성 개구면 레이더 영상에서 다운 거리(down-range) 도메인의 픽셀 수를 의미하고, N은 수직 거리(cross-range) 도메인의 픽셀 수를 의미하고, I(i,j)는 역합성 개구면 레이더 영상을 의미한다.
다음으로, 전처리부(120)는 제1 전처리를 수행한 역합성 개구면 레이더 영상에서 신호 레벨 변화를 제거하는 제2 전처리, 정규화(normalization) 처리를 수행한다(S224). 구체적으로 전처리부(120)는 제1 전처리를 수행한 역합성 개구면 레이더 영상의 픽셀 진폭 합계를 이용하여 제2 전처리를 수행한다.
이때, 전처리부(120)는 아래의 수학식 2를 통해 제2 전처리를 수행할 수 있다.
Figure 112016121056815-pat00003
여기서, In(i,j)는 제2 전처리를 수행한 역합성 개구면 레이더 영상을 의미하고, Ith(i,j)는 제1 전처리를 수행한 역합성 개구면 레이더 영상을 의미한다.
다음으로, 추출부(130)는 트레이스 변환(trace transform)을 이용하여 전처리된 역합성 개구면 레이더 영상으로부터 표적의 주축에 따른 분류 특징 함수를 추출한다(S230).
그러면, 도 4 내지 도 6을 통해 S230 단계에 대해 구체적으로 살펴본다. 도 4는 도 2의 S230 단계를 상세하게 설명하기 위한 순서도이고, 도 5는 도 2의 S230 단계를 상세하게 설명하기 위한 도면이고, 도 6은 도 4의 S234 단계를 상세하게 설명하기 위한 도면이다.
우선, 도 4에 도시된 바와 같이, 추출부(130)는 전처리된 역합성 개구면 레이더 영상을 주성분 분석(principal component analysis)하여 전처리된 역합성 개구면 레이더 영상에 포함된 표적의 주축을 추정한다(S231).
구체적으로, 추출부(130)는 전처리된 역합성 개구면 레이더 영상의 픽셀 위치에 대한 공분산 행렬(C)을 통해 역합성 개구면 레이더 영상의 주축을 추정하며, 이는 아래의 수학식 3 및 4를 통해 추정될 수 있다.
Figure 112016121056815-pat00004
여기서,
Figure 112016121056815-pat00005
이고,
Figure 112016121056815-pat00006
이고, [·]T는 전치를 의미하고, Xk1은 다운 거리 도메인에서 수집된 k번째 픽셀의 위치를 의미하고, Xk2는 수직 거리 도메인에서 수직된 k번째 픽셀의 위치를 의미한다.
그리고, 공분산 행렬은 아래의 수학식 4와 같이 나타낼 수 있다.
Figure 112016121056815-pat00007
여기서,
Figure 112016121056815-pat00008
이고,
Figure 112016121056815-pat00009
이고, λ는 고유값을 의미하고, v는 고유값에 대응하는 고유벡터를 의미한다. 이때, λ1>λ2>…>λn이다.
추출부(130)는 가장 큰 고유값 λ1에 대응하는 고유벡터 v1을 역합성 개구면 레이더 영상의 주축으로 추정한다.
다음으로, 추출부(130)는 트레이스 변환을 추정된 주축과 기 설정된 기준 방향 축이 형성하는 주축 각도에 대응하는 제1 분류 특징 함수를 연산한다(S232). 여기서, 제1 분류 특징 함수는 역합성 개구면 레이더 영상을 트레이스 변환하여 생성되는 트레이스 영상에서 주축과 기 설정된 기준 방향 축이 형성하는 각도에 대응하는 부분 트레이스 영상에 대한 함수를 의미한다.
그리고, 추출부(130)는 각도를 중심으로 하는 기 설정된 각도 범위 내에서 동일한 간격으로 복수개의 제2 분류 특징 함수를 연산한다(S233).
S232 및 S242 단계를 예를 들어 살펴보면, 기준 방향 축(Dr)과 추정된 주축(
Figure 112016121056815-pat00010
)이 형성하는 주축 각도(
Figure 112016121056815-pat00011
)가 존재하며, 기 설정된 각도 범위(
Figure 112016121056815-pat00012
)와 간격(
Figure 112016121056815-pat00013
)이 도 5에 도시된 바와 같다고 가정한다. 그러면 추출부(130)는 주축 각도(
Figure 112016121056815-pat00014
)에 대응하는 제1 분류 특징 함수 및
Figure 112016121056815-pat00015
-
Figure 112016121056815-pat00016
/2,
Figure 112016121056815-pat00017
-
Figure 112016121056815-pat00018
/2+
Figure 112016121056815-pat00019
,…,
Figure 112016121056815-pat00020
+
Figure 112016121056815-pat00021
/2에 각각 대응하는 제2 분류 특징 함수를 연산한다.
그러므로, 제1 분류 특징 함수는 1개가 되고, 제2 분류 특징 함수는 설정된 각도 범위(
Figure 112016121056815-pat00022
)/간격(
Figure 112016121056815-pat00023
) 만큼의 개수를 가질 수 있으며, 이를 통해 제2 분류 특징 함수를 통해 주축 추정의 불확실성을 완화할 수 있다.
한편, 추출부(130)는 아래의 수학식 5를 이용하여 제1 분류 특징 함수 및 제2 분류 특징 함수를 연산할 수 있다.
Figure 112016121056815-pat00024
여기서, f(r)은 궤적선(trace line) 함수를 의미하고, rm은 상기 궤적선의 길이의 최대값을 의미한다.
즉, 추출부(130)는 수학식 5를 통해 궤적선과 역합성 개구면 레이더 영상의 중심점 사이의 법선 거리(p)를 변수로 하는 분류 특징 함수를 연산한다.
다음으로, 추출부(130)는 분류 특징 함수를 기 설정된 기준 인덱스 값으로 시프팅한다(S234). 구체적으로 추출부(130)는 분류 특징 함수가 0이 아닌 값을 가지는 인덱스 중 가장 작은 값을 가지는 인덱스가 기준 인덱스 값이 되도록 분류 특징 함수를 시프팅한다.
도 6의 (a) 및 (c)는 상이한 병진 운동을 하는 역합성 개구면 레이더 영상을 나타낸다. 그리고 도 6의 (b) 및 (d)는 두 개의 역합성 개구면 레이더 영상을 동일한 주축 각도에서의 (a) 및 (c)의 제1 분류 특징 함수를 그래프로 나타낸 것이다.
도 6의 (b) 및 (d)에서와 같이 제1 분류 특징 함수는 서로 다른 p 인덱스에서 값을 가지게 된다. 따라서, 추출부(130)는 기 설정된 기준 인덱스 값(도 6에서는 p=0)으로 제1 분류 특징 함수의 값을 시프팅한다. 그러면, 도 6의 (b) 및 (d)는 (e)와 같은 형태로 변환된다.
본 발명의 실시예에 따르면, 분류 특징 함수의 시프팅으로 인해 표적의 실제 회전 중심을 검출할 필요가 없으므로, 표적 분류시 연산량을 감소시킬 수 있다.
다음으로, 추출부(130)는 시프팅된 분류 특징 함수에 1차원 주성분분석법을 적용하여 분류 특징 함수의 차원을 압축하고 잉여성분을 제거한다(S235).
S230 단계 이후, 선택부(140)는 분류 특징 함수를 이용하여 기 저장된 훈련 데이터 베이스로부터 후보 데이터 베이스를 선택한다(S240). 도 7은 도 2의 S240 단계를 상세하게 나타낸 순서도이다.
도 7에 도시된 바와 같이, 선택부(140)는 훈련 데이터 베이스에 저장된 훈련 분류 특징 함수의 각도와 분류 특징 함수의 각도 사이의 유클리디안 거리를 연산한다(S242). 그리고, 선택부(140)는 유클리디안 거리가 가장 작은 값에 대응하는 훈련 분류 특징 함수들을 포함하는 후보 데이터 베이스를 선택한다(S244).
예를 들어, 제1 분류 특징 함수 1개, 제2 분류 특징 함수 n개 및 훈련 분류 특징 함수 m개라고 가정하면, 선택부(140)는 (n+1)*m개의 유클리디안 거리를 연산한다. 그리고 선택부(140)는 (n+1)*m개의 유클리디안 거리 중 가장 작은 값을 가지는 훈련 분류 특징 함수들을 선택한다.
본 발명의 실시예에 따르면, S240 단계를 통해 비교 대상 군의 수를 크게 감소시켜 표적 분류시 연산량을 크게 감소시킬 수 있으며, 각도 값만을 이용하여 유클리디안 거리를 연산하므로 후보 데이터 베이스를 선택하는데 시간 및 연산량이 크게 소모되지 않는다.
그러면, 분류부(150)는 후보 데이터 베이스에 포함된 분류 특징 값과 검출된 분류 특징 함수를 이용하여 표적의 종류를 분류한다(S250). 이하, 도 8 및 도 9를 통해 S250 단계를 구체적으로 살펴본다. 도 8은 도 2의 S250 단계를 상세하게 나타낸 순서도이고, 도 9는 도 2의 S250 단계를 상세하게 설명하기 위한 도면이다.
도 8에 도시된 바와 같이, 우선, 분류부(150)는 분류 특징 함수의 180도 반전 함수인 반전 분류 특징 함수를 생성한다(S252). 도 9의 (a)와 (c)는 180도 반전되었을 뿐 서로 동일한 역합성 개구면 레이더 영상이며, 분류 특징 함수 역시 좌우가 반전되었을 뿐 서로 동일하다. 하지만, 분류 특징 함수와 반전 분류 특징 함수는 서로 상이하므로 하기 유클리디안 거리가 크게 나오게 된다. 따라서, 본 발명은 분류의 정확성을 높이기 위하여 반전 분류 특징 함수를 생성한다.
다음으로, 분류부(150)는 분류 특징 함수 및 반전 분류 특징 함수와 후보 데이터 베이스의 훈련 분류 특징 함수 사이의 유클리디안 거리를 연산한다(S254).
그리고, 분류부(150)는 유클리디안 거리가 가장 작은 훈련 분류 특징 함수에 대응하는 표적의 유형을 역합성 개구면 레이더 영상의 표적의 종류로 판단한다(S256).
한편, 본 발명의 실시예에 따른 훈련 데이터 베이스는 서로 다른 타겟에 대한 역합성 개구면 레이더 영상에 S220 및 S230 단계를 적용하여 추출한 분류 특징 함수를 포함한다. 예를 들어, 타겟이 6개이고 각각의 타겟에 대한 역합성 개구면 레이더 영상이 20개라고 가정한다. 그러면, 훈련 데이터 베이스는 전체 120개의 역합성 개구면 레이더 영상에 대해 S220 및 S230 단계를 수행하여 추출된 분류 특징 함수를 포함한다.
본 발명의 실시예에 따라 훈련 데이터 베이스를 생성하는 경우 부분 트레이스 영상에 대한 트레이스 함수 값만을 저장하게 되므로, 전체 트레이스 영상에 대한 트레이스 함수값을 저장하는 것보다 저장 공간을 크게 절약할 수 있다.
본 발명의 실시예에 따르면, 트레이스 변환을 이용하여 데이터베이스의 양을 감소시킴과 동시에 역합성 개구면 레이더 영상에서 분류를 위한 특징 추출 과정에서의 연산량을 줄임으로써 표적 분류에 소모되는 시간과 연산량을 절감할 수 있다.
또한, 역합성 개구면 레이더 영상의 병진, 회전, 반사 등에 영향을 받지 않으면서 풍부한 식별 정보를 획득할 수 있으므로, 표적의 분류 정확성을 크게 향상시킬 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100 : 표적 분류 장치 110 : 입력부
120 : 전처리부 130 : 추출부
140 : 선택부 150 : 분류부

Claims (16)

  1. 역합성 개구면 레이더 영상의 표적 분류 장치를 이용한 표적 분류 방법에 있어서,
    표적에 대한 역합성 개구면 레이더 영상을 입력받는 단계,
    상기 역합성 개구면 레이더 영상으로부터 잡음(noise) 응답, 클러터(clutter) 응답 및 레이더와 표적 사이의 상이한 거리로 인한 신호 레벨(signal level) 변화를 제거하여 상기 역합성 개구면 레이더 영상을 전처리하는 단계,
    트레이스 변환(trace transform)을 이용하여 상기 전처리된 역합성 개구면 레이더 영상으로부터 상기 표적의 주축에 따른 분류 특징 함수를 추출하는 단계,
    상기 분류 특징 함수를 이용하여 기 저장된 훈련 데이터 베이스로부터 후보 데이터 베이스를 선택하는 단계, 그리고
    상기 후보 데이터 베이스에 포함된 분류 특징 값과 상기 추출된 분류 특징 함수를 이용하여 상기 표적의 종류를 분류하는 단계를 포함하는 역합성 개구면 레이더 영상의 표적 분류 방법.
  2. 제1항에 있어서,
    상기 훈련 데이터 베이스는,
    상기 전처리 과정 및 분류 특징 함수 추출 과정을 통해 추출된 서로 다른 표적에 대한 역합성 개구면 레이더 영상의 분류 특징 함수를 포함하는 역합성 개구면 레이더 영상의 표적 분류 방법.
  3. 제1항에 있어서,
    상기 전처리하는 단계는,
    상기 역합성 개구면 레이더 영상의 픽셀 기준값을 이용하여 상기 역합성 개구면 레이더 영상에서 상기 잡음 응답 및 클러터 응답을 제거하는 제1 전처리 단계, 그리고
    상기 제1 전처리 단계를 수행한 역합성 개구면 레이더 영상에서 상기 신호 레벨 변화를 제거하는 제2 전처리 단계를 포함하는 역합성 개구면 레이더 영상의 표적 분류 방법.
  4. 제1항에 있어서,
    상기 분류 특징 함수를 추출하는 단계는,
    상기 전처리된 역합성 개구면 레이더 영상을 주성분 분석(principal component analysis)하여 상기 전처리된 역합성 개구면 레이더 영상에 포함된 표적의 주축을 추정하는 단계,
    상기 주축 및 기 설정된 기준 방향 축을 이용한 트레이스 변환을 통해 상기 전처리된 역합성 개구면 레이더 영상으로부터 분류 특징 함수를 연산하는 단계,
    상기 분류 특징 함수를 기 설정된 기준 인덱스 값으로 시프팅하는 단계, 그리고
    상기 시프팅 된 분류 특징 함수에 1차원 주성분분석법을 적용하여 분류 특징 함수의 차원을 압축하고 잉여성분을 제거하는 단계를 포함하는 역합성 개구면 레이더 영상의 표적 분류 방법.
  5. 제4항에 있어서,
    상기 분류 특징 함수는 제1 분류 특징 함수 및 제2 분류 특징 함수를 포함하며,
    상기 분류 특징 함수를 연산하는 단계는,
    트레이스 변환을 이용하여 상기 주축과 기 설정된 기준 방향 축이 형성하는 주축 각도에 대응하는 제1 분류 특징 함수를 연산하는 단계, 그리고
    트레이스 변환을 이용하여 상기 주축 각도를 중심으로 하는 기 설정된 각도 범위 내에서 동일한 간격으로 복수개의 제2 분류 특징 함수를 연산하는 단계를 포함하는 역합성 개구면 레이더 영상의 표적 분류 방법.
  6. 제1항에 있어서,
    상기 후보 데이터 베이스를 선택하는 단계는,
    상기 훈련 데이터 베이스에 저장된 훈련 분류 특징 함수의 각도와 분류 특징 함수의 각도 사이의 유클리디안 거리를 연산하는 단계, 그리고
    상기 유클리디안 거리가 가장 작은 값에 대응하는 훈련 분류 특징 함수들을 포함하는 상기 후보 데이터 베이스를 선택하는 단계를 포함하는 역합성 개구면 레이더 영상의 표적 분류 방법.
  7. 제1항에 있어서,
    상기 표적의 종류를 분류하는 단계는,
    상기 분류 특징 함수의 180도 반전 함수인 반전 분류 특징 함수를 생성하는 단계,
    상기 분류 특징 함수 및 상기 반전 분류 특징 함수와 상기 후보 데이터 베이스의 훈련 분류 특징 함수 사이의 유클리디안 거리를 연산하는 단계, 그리고
    상기 유클리디안 거리가 가장 작은 훈련 분류 특징 함수에 대응하는 표적의 유형을 상기 역합성 개구면 레이더 영상의 표적의 종류로 판단하는 단계를 포함하는 역합성 개구면 레이더 영상의 표적 분류 방법.
  8. 제1항에 있어서,
    상기 분류 특징 함수를 추출하는 단계는,
    아래의 수학식을 이용하여 분류 특징 함수(R2(f(r)))를 추출하는 역합성 개구면 레이더 영상의 표적 분류 방법:
    Figure 112016121056815-pat00025

    여기서, f(r)은 궤적선(trace line) 함수를 의미하고, rm은 상기 궤적선의 길이(r)의 최대값을 의미한다.
  9. 표적에 대한 역합성 개구면 레이더 영상을 입력받는 입력부,
    상기 역합성 개구면 레이더 영상으로부터 잡음(noise) 응답, 클러터(clutter) 응답 및 레이더와 표적 사이의 상이한 거리로 인한 신호 레벨(signal level) 변화를 제거하여 상기 역합성 개구면 레이더 영상을 전처리하는 전처리부,
    트레이스 변환(trace transform)을 이용하여 상기 전처리된 역합성 개구면 레이더 영상으로부터 상기 표적의 주축에 따른 분류 특징 함수를 추출하는 추출부,
    상기 분류 특징 함수를 이용하여 기 저장된 훈련 데이터 베이스로부터 후보 데이터 베이스를 선택하는 선택부, 그리고
    상기 후보 데이터 베이스에 포함된 분류 특징 값과 상기 추출된 분류 특징 함수를 이용하여 상기 표적의 종류를 분류하는 분류부를 포함하는 역합성 개구면 레이더 영상의 표적 분류 장치.
  10. 제9항에 있어서,
    상기 훈련 데이터 베이스는,
    상기 전처리 과정 및 분류 특징 함수 추출 과정을 통해 추출된 서로 다른 표적에 대한 역합성 개구면 레이더 영상의 분류 특징 함수를 포함하는 역합성 개구면 레이더 영상의 표적 분류 장치.
  11. 제9항에 있어서,
    상기 전처리부는,
    상기 역합성 개구면 레이더 영상의 픽셀 기준값을 이용하여 상기 역합성 개구면 레이더 영상에서 상기 잡음 응답 및 클러터 응답을 제거하는 제1 전처리를 수행하고, 상기 제1 전처리 단계를 수행한 역합성 개구면 레이더 영상에서 상기 신호 레벨 변화를 제거하는 제2 전처리 단계를 수행하는 역합성 개구면 레이더 영상의 표적 분류 장치.
  12. 제9항에 있어서,
    상기 추출부는,
    상기 전처리된 역합성 개구면 레이더 영상을 주성분 분석(principal component analysis)하여 상기 전처리된 역합성 개구면 레이더 영상에 포함된 표적의 주축을 추정하고, 상기 주축 및 기 설정된 기준 방향 축을 이용한 트레이스 변환을 통해 상기 전처리된 역합성 개구면 레이더 영상으로부터 분류 특징 함수를 연산하며, 상기 분류 특징 함수를 기 설정된 기준 인덱스 값으로 시프팅하고, 상기 시프팅 된 분류 특징 함수에 1차원 주성분분석법을 적용하여 분류 특징 함수의 차원을 압축하고 잉여성분을 제거하는 역합성 개구면 레이더 영상의 표적 분류 장치.
  13. 제12항에 있어서,
    상기 분류 특징 함수는 제1 분류 특징 함수 및 제2 분류 특징 함수를 포함하며,
    상기 추출부는,
    트레이스 변환을 이용하여 상기 주축과 기 설정된 기준 방향 축이 형성하는 주축 각도에 대응하는 제1 분류 특징 함수를 연산하고, 트레이스 변환을 이용하여 상기 주축 각도를 중심으로 하는 기 설정된 각도 범위 내에서 동일한 간격으로 복수개의 제2 분류 특징 함수를 연산하는 역합성 개구면 레이더 영상의 표적 분류 장치.
  14. 제9항에 있어서,
    상기 선택부는,
    상기 훈련 데이터 베이스에 저장된 훈련 분류 특징 함수의 각도와 분류 특징 함수의 각도 사이의 유클리디안 거리를 연산하고, 상기 유클리디안 거리가 가장 작은 값에 대응하는 훈련 분류 특징 함수들을 포함하는 상기 후보 데이터 베이스를 선택하는 역합성 개구면 레이더 영상의 표적 분류 장치.
  15. 제9항에 있어서,
    상기 분류부는,
    상기 분류 특징 함수의 180도 반전 함수인 반전 분류 특징 함수를 생성하고, 상기 분류 특징 함수 및 상기 반전 분류 특징 함수와 상기 후보 데이터 베이스의 훈련 분류 특징 함수 사이의 유클리디안 거리를 연산하며, 상기 유클리디안 거리가 가장 작은 훈련 분류 특징 함수에 대응하는 표적의 유형을 상기 역합성 개구면 레이더 영상의 표적의 종류로 판단하는 역합성 개구면 레이더 영상의 표적 분류 장치.
  16. 제9항에 있어서,
    상기 추출부는,
    아래의 수학식을 이용하여 분류 특징 함수(R2(f(r)))를 추출하는 역합성 개구면 레이더 영상의 표적 분류 장치:
    Figure 112016121056815-pat00026

    여기서, f(r)은 궤적선(trace line) 함수를 의미하고, rm은 상기 궤적선의 길이(r)의 최대값을 의미한다.
KR1020160167771A 2016-12-09 2016-12-09 트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법 KR101891410B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160167771A KR101891410B1 (ko) 2016-12-09 2016-12-09 트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160167771A KR101891410B1 (ko) 2016-12-09 2016-12-09 트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20180066669A KR20180066669A (ko) 2018-06-19
KR101891410B1 true KR101891410B1 (ko) 2018-08-23

Family

ID=62790638

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160167771A KR101891410B1 (ko) 2016-12-09 2016-12-09 트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR101891410B1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102223078B1 (ko) * 2019-12-11 2021-03-04 국방과학연구소 합성 개구면 레이더 영상의 표적 및 인공 클러터 구분법
RU2741613C1 (ru) * 2020-01-14 2021-01-27 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации Способ идентификации наземных целей
KR102408417B1 (ko) * 2020-08-04 2022-06-13 국방과학연구소 합성 개구면 레이더 영상에서의 표적 영역 구분 방법, 장치, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램
KR102234347B1 (ko) * 2021-01-19 2021-03-31 주식회사 에스아이에이 레이더 영상 처리 방법 및 장치
KR102408971B1 (ko) * 2021-02-10 2022-06-14 포항공과대학교 산학협력단 횡단 거리 스케일링을 이용한 isar 영상 변환 장치 및 그 방법
CN112949555B (zh) * 2021-03-17 2023-03-24 西安电子科技大学 基于目标先验信息的空间目标isar图像分类方法
KR20230104499A (ko) * 2021-12-31 2023-07-10 씨드로닉스(주) 레이더 영상 기반 객체 추적 방법 및 이를 수행하는 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010515991A (ja) * 2007-01-10 2010-05-13 ミツビシ・エレクトリック・アールアンドディー・センター・ヨーロッパ・ビーヴィ 改良された画像識別
KR101103493B1 (ko) * 2010-07-13 2012-01-10 영남대학교 산학협력단 역합성 개구면 레이더 영상을 이용한 표적 식별 방법 및 그 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8472681B2 (en) * 2009-06-15 2013-06-25 Honeywell International Inc. Iris and ocular recognition system using trace transforms
KR101029217B1 (ko) * 2009-10-01 2011-04-12 영남대학교 산학협력단 표적의 회전 이동을 보상하는 역합성 개구면 레이더 영상을 생성하는 방법 및 장치
KR101139588B1 (ko) * 2010-01-14 2012-04-27 영남대학교 산학협력단 합성 개구면 레이더 영상에서 표적의 기종을 식별하는 방법 및 그 장치
KR101652395B1 (ko) * 2015-01-29 2016-08-30 국방과학연구소 기동표적에 대한 isar 영상의 수직거리 스케일링 기법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010515991A (ja) * 2007-01-10 2010-05-13 ミツビシ・エレクトリック・アールアンドディー・センター・ヨーロッパ・ビーヴィ 改良された画像識別
KR101103493B1 (ko) * 2010-07-13 2012-01-10 영남대학교 산학협력단 역합성 개구면 레이더 영상을 이용한 표적 식별 방법 및 그 장치

Also Published As

Publication number Publication date
KR20180066669A (ko) 2018-06-19

Similar Documents

Publication Publication Date Title
KR101891410B1 (ko) 트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법
CN108765458B (zh) 基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法
CN110472627B (zh) 一种端到端的sar图像识别方法、装置及存储介质
CN111626290B (zh) 一种复杂海面环境下的红外舰船目标检测识别方法
CN109035152B (zh) 一种合成孔径雷达图像非局部均值滤波方法
US6437728B1 (en) A-scan ISAR target recognition system and method
US6897802B1 (en) Fusion of shape and multiscale features for unknown target rejection
US7787657B2 (en) SAR ATR treeline extended operating condition
Li et al. Road lane detection with gabor filters
Sun et al. Global Mask R-CNN for marine ship instance segmentation
CN110516646B (zh) 一种结合极化分解与地形特征的表碛覆盖型冰川识别方法
EP2054835B1 (en) Target orientation
Decourt et al. Darod: A deep automotive radar object detector on range-doppler maps
CN113269706A (zh) 激光雷达图像质量评价方法、装置、设备及存储介质
Wang et al. A deep deformable residual learning network for SAR image segmentation
Kung et al. Radar occupancy prediction with lidar supervision while preserving long-range sensing and penetrating capabilities
CN115761393A (zh) 一种基于模板在线学习的无锚目标跟踪方法
Kondaveeti et al. Abridged shape matrix representation for the recognition of aircraft targets from 2D ISAR imagery
CN107871123B (zh) 一种逆合成孔径雷达空间目标分类方法及系统
Wang et al. Underwater object detection by fusing features from different representations of sonar data
Ruichek et al. Maximal similarity based region classification method through local image region descriptors and Bhattacharyya coefficient-based distance: application to horizon line detection using wide-angle camera
Lakshmi et al. Keypoint-based mapping analysis on transformed Side Scan Sonar images
CN113484844A (zh) LiDAR全波形控制分解驱动的点云分类法
Busson et al. Seismic shot gather noise localization using a multi-scale feature-fusion-based neural network
Kerdvibulvech Hybrid model of human hand motion for cybernetics application

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right