KR20100047599A - 이동 표적에 관한 데이터베이스 구축 방법 및 이를 이용한 패턴 인식 방법 - Google Patents

이동 표적에 관한 데이터베이스 구축 방법 및 이를 이용한 패턴 인식 방법 Download PDF

Info

Publication number
KR20100047599A
KR20100047599A KR1020080106565A KR20080106565A KR20100047599A KR 20100047599 A KR20100047599 A KR 20100047599A KR 1020080106565 A KR1020080106565 A KR 1020080106565A KR 20080106565 A KR20080106565 A KR 20080106565A KR 20100047599 A KR20100047599 A KR 20100047599A
Authority
KR
South Korea
Prior art keywords
target
image
sensor
database
classifying
Prior art date
Application number
KR1020080106565A
Other languages
English (en)
Inventor
김경태
Original Assignee
영남대학교 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 영남대학교 산학협력단 filed Critical 영남대학교 산학협력단
Priority to KR1020080106565A priority Critical patent/KR20100047599A/ko
Publication of KR20100047599A publication Critical patent/KR20100047599A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)

Abstract

본 발명은 패턴 인식을 위한 데이터베이스 구축 방법에 관한 것으로서, 특히 표적이 움직이는 방향에 따라 표적 식별을 위한 데이터베이스를 구축함으로써, 표적 식별 성능을 크게 향상시킬 수 있는 이동 표적에 관한 데이터베이스 구축 방법 및 이를 이용한 패턴 인식 방법에 관한 것이다.
본 발명의 일 실시 예에 따른 데이터베이스 구축 방법은, 이동하는 표적에 대한 데이터베이스 구축 방법에 있어서, 센서를 이용하여 상기 표적에 대한 영상을 연속적으로 입력받는 단계, 상기 입력받은 영상을 상기 표적의 이동 방향에 따라 분류하는 단계, 및 상기 분류된 영상으로부터 특성 벡터를 연속적으로 추출하여 저장하는 단계를 포함하는 것을 특징으로 한다.
상기와 같은 기술적 구성으로 인해, 본 발명에 따른 데이터베이스 구축 방법 및 이를 이용한 패턴 인식 방법은 이동중인 물체에 대해 신속하고 정확한 패턴 인식을 수행할 수 있는 장점이 있다.
데이터베이스, 패턴 인식, 특성 벡터, 이동 방향

Description

이동 표적에 관한 데이터베이스 구축 방법 및 이를 이용한 패턴 인식 방법{A database construction method for moving targets and a pattern recognition method using the same}
본 발명은 패턴 인식을 위한 데이터베이스 구축 방법에 관한 것으로서, 특히 표적이 움직이는 방향에 따라 표적 식별을 위한 데이터베이스를 구축함으로써, 표적 식별 성능을 크게 향상시킬 수 있는 이동 표적에 관한 데이터베이스 구축 방법 및 이를 이용한 패턴 인식 방법에 관한 것이다.
한편, 본 발명은 패턴 인식, 신경망, 퍼지 이론, 정보 융합 등과 결합하여 사용될 수 있으며, 전자 광학, 레이더, 레이저 레이더 등과 같이 다양한 센서들을 사용하여 이동하는 표적을 식별하는 NCTR(Non-Cooperative Target Recognition) 및 ATR(Automatic Target Recognition) 분야에 직접적인 적용이 가능하다.
일반적으로 센서를 사용하여 표적을 식별하기 위해서는, 표적으로부터 반사되어 센서에서 수집된 데이터를 신호 처리하여 표적에 관한 영상을 제작하는 과정을 거쳐야 한다. 이와 같이 표적 식별을 위해 사용될 수 있는 센서에는 레이더 센서, 전자광학 센서, 적외선 센서, 및 레이저 레이더 센서 등이 있다. 특히 전자광 학 센서를 이용하면 가시광선 영역의 파장에 대한 물체의 특성을 나타내는 영상을 얻을 수 있으므로, 사람이 눈을 통해 직접 표적을 식별할 수 있다.
그러나 전자광학 센서가 아닌 레이더 센서, 적외선 센서, 및 레이저 레이더 센서 등을 사용하면 가시광선과 다른 영역의 파장에 해당하는 영상을 얻게 되므로, 사람의 눈을 통해 표적을 식별하는 것은 매우 어렵다. 이로 인해, 종래에는 주로 고도로 훈련된 요원이 레이더 센서, 적외선 센서, 레이저 레이더 센서 등을 이용하여 얻어진 영상을 분석하였다. 그러나 이러한 방식은 영상을 식별하는 데 많은 시간이 소요되고 식별 결과에 대한 신뢰성에 문제점이 발생한다.
이와 같은 문제점을 해결하기 위해 패턴 인식 이론을 이용하여 표적을 식별하는 방법이 등장하였다. 이는 다수의 관심 표적에 대한 영상을 미리 획득하여 데이터베이스에 저장하고, 입력된 영상과 데이터베이스에 저장된 영상의 차이를 수치적으로 계산하여 표적을 식별하는 기법이다. 특히, 영상 변화에 따라 표적 식별에 필요한 저장 공간이 기하급수적으로 증가하는 문제점을 해결하기 위해, 데이터베이스에 영상 자체가 아닌 영상으로부터 추출된 특성 벡터를 저장한다.
또한, 서로 다른 각도에 있는 표적으로부터 얻어진 영상에 대한 특성 벡터를 방위각 및 고각의 크기에 따라 일정 간격으로 분류하여 저장한다. 왜냐하면 센서와 표적 사이의 각도 변화에 따른 영상으로부터 추출된 특성 벡터를 모두 저장하고 있어야 효율적으로 표적을 식별할 수 있기 때문이다. 그러나 종래의 데이터베이스 구축 방법은, 표적의 이동 방향을 고려하지 않고 각도 크기에 따라 특성 벡터를 저장함으로써, 추후 표적 식별의 정확성 및 신뢰성을 저하시키는 문제점이 있다.
본 발명이 해결하고자 하는 기술적 과제는 이동중인 표적을 신속하고 정확하게 식별할 수 있는 데이터베이스 구축 방법 및 이를 이용한 패턴 인식 방법을 제공하는 데 있다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 데이터베이스 구축 방법은,
이동하는 표적에 대한 데이터베이스 구축 방법에 있어서, 센서를 이용하여 상기 표적에 대한 영상을 연속적으로 입력받는 단계, 상기 입력받은 영상을 상기 표적의 이동 방향에 따라 분류하는 단계, 및 상기 분류된 영상으로부터 특성 벡터를 연속적으로 추출하여 저장하는 단계를 포함하는 것을 특징으로 한다.
상기 기술적 과제를 해결하기 위한 본 발명의 다른 실시 예에 따른 데이터베이스 구축 방법은,
이동하는 표적을 식별하기 위한 데이터베이스 구축 방법에 있어서, 센서를 이용하여 상기 표적에 대한 영상을 연속적으로 입력받는 단계, 상기 입력받은 영상으로부터 특성 벡터를 연속적으로 추출하는 단계, 및 상기 추출한 특성 벡터를 상기 표적의 이동 방향에 따라 분류하여 저장하는 단계를 포함하는 것을 특징으로 한다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 패턴 인식 방법은,
미지의 표적을 식별하기 위한 패턴 인식 방법에 있어서, 센서를 이용하여 알려진 표적에 대한 영상을 연속적으로 입력받는 단계, 상기 입력받은 영상을 상기 알려진 표적의 이동 방향에 따라 분류하는 단계, 상기 분류된 영상으로부터 특성 벡터를 연속적으로 추출하여 저장하는 단계, 및 상기 저장된 특성 벡터를 이용하여 상기 미지의 표적을 식별하는 단계를 포함하는 것을 특징으로 한다.
상기 기술적 과제를 해결하기 위한 본 발명의 다른 실시 예에 따른 패턴 인식 방법은,
미지의 표적을 식별하기 위한 패턴 인식 방법에 있어서, 센서를 이용하여 알려진 표적에 대한 영상을 연속적으로 입력받는 단계, 상기 입력받은 영상으로부터 특성 벡터를 연속적으로 추출하는 단계, 상기 추출한 특성 벡터를 상기 알려진 표적의 이동 방향에 따라 분류하여 저장하는 단계, 및 상기 저장된 특성 벡터를 이용하여 상기 미지의 표적을 식별하는 단계를 포함하는 것을 특징으로 한다.
상기와 같은 기술적 구성으로 인해, 본 발명에 따른 데이터베이스 구축 방법 및 이를 이용한 패턴 인식 방법은 이동중인 물체에 대해 신속하고 정확한 패턴 인식을 수행할 수 있는 장점이 있다.
본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는, 본 발명의 바람직한 실시 예를 나타내는 첨부 도면 및 도면에 기재된 내용을 참조하여야 한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예를 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지의 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
도 1은 종래기술에 따른 이동 표적을 식별하기 위한 패턴 인식 방법을 나타내는 상세 흐름도이다.
데이터베이스 구축을 위해 알려진 표적에 대한 영상을 입력받는다(S110). 획득한 표적 영상은 미지의 표적을 식별하기 위해 사용된다. 획득한 표적 영상으로부터 특성 벡터를 추출한다(S120). 이는 미리 저장되는 표적 영상의 수의 증가 또는 샘플링 각도 간격의 감소에 따른 저장 공간의 증가를 방지하기 위함이다. 추출한 특성 벡터를 이용하여 데이터베이스를 구축한다(S130). 즉, 각각의 표적에 대한 특성 벡터를 방위각의 크기 및 고각의 크기에 따라 분류하여 저장한다.
식별의 대상이 되는 미지의 표적에 대한 영상을 입력받는다(S140). 입력받는 표적 영상은 현재 식별 대상이 되는 표적에 대한 영상이다. 획득한 표적 영상으로부터 특성 벡터를 추출한다(S150). 이는 데이터베이스에 미리 저장된 특성 벡터와 유사 여부를 비교하기 위함이다. 추출한 특성 벡터를 이용하여 표적을 식별한다(S140). 구체적으로, 미지의 표적으로부터 추출한 특성 벡터와 데이터베이스에 저장된 특성 벡터와의 유사성을 판별하는 방식으로 미지의 표적을 식별한다.
도 2는 데이터베이스를 구축하기 위한 센서와 표적 사이의 상대 각도 영역을 나타내는 도면이다.
도 2를 참조하면, 센서와 표적 사이의 상대적인 움직임에 의한 표적의 방위각 변화가 △φ 영역으로 제한되고, 표적의 고각 변화가 △θ 영역으로 제한된다고 가정한 경우, 각각의 표적에 대한 각각의 특성 벡터는 방위각 영역(△φ)에 속하는 하나의 방위각과 고각 영역(△θ)에 속하는 하나의 고각을 갖는다. 따라서 미지의 표적을 효율적으로 식별하기 위해서는 일정한 범위 내의 서로 다른 방위각과 고각을 갖는 알려진 표적에 대한 특성 벡터가 추출되어 미리 저장되어 있어야 한다.
도 3은 데이터베이스를 구축하기 위한 표적에 대한 특성 벡터의 저장 형태를 나타내는 도면이다.
도 3을 참조하면, 각각의 표적은 일정 범위 영역내의 방위각(△φ) 과 고각(△θ)을 갖는 영상으로부터 추출한 특성 벡터를 갖으며, 각각의 특성 벡터는 방위각(△φ) 및 고각(△θ)의 크기에 따라 순차적으로 저장된다. 따라서 일정 범위 영역을 방위각(△φ) 방향으로 M개, 고각(△θ) 방향으로 N개로 샘플링한다고 가정하면, 각각의 표적마다 M×N개의 특성 벡터를 저장해야 하므로, 표적이 K개인 경우 총 K×M×N의 저장 공간을 갖는 데이터베이스가 필요하다.
한편, 도 3과 같은 형태로 데이터베이스를 구축하기 위해서는 표적의 수, 방위각 샘플링 수, 및 고각 샘플링 수가 증가함에 따라 필요한 저장 공간의 크기가 기하급수적으로 증가한다. 뿐만 아니라, 일반적으로 미지의 표적은 일정한 방향으로 이동하고 있기 때문에 방위각 및 고각의 변화가 일정한 비율로 증가함에도 불구하고, 데이터베이스의 구조가 방위각 또는 고각 중 어느 하나가 고정된 채 다른 하 나만 증가하는 구조로 되어 있기 때문에 신속하게 표적을 식별하기 어려워진다.
도 4는 본 발명에 따른 데이터베이스 구축 방법을 설명하기 위한 제1 예시 도면이다.
도 4를 참조하면, 표적이 p1,p2,p3,p4 평면에서 출발하고, 센서를 기준으로 d=(0,-1,0) 방향으로 이동하여 p5,p6,p7,p8 평면에 도착한다고 가정한 경우, 표적의 이동가능한 궤적은 모두 △X×△Y×△Z의 육면체 내에 존재하게 된다. 따라서 표적의 출발 평면인 p1,p2,p3,p4 평면을 일정한 간격으로 나눈 지점에서 시작하여 d=(0,-1,0) 방향으로 이동하면서 각 지점에 대한 영상을 순차적으로 샘플링하면 d=(0,-1,0) 방향으로 이동하는 표적에 대한 데이터베이스를 구축할 수 있다.
구체적으로, 표적의 출발 평면인 p1,p2,p3,p4 평면을 △X 방향으로 Nx개로 나누고, △Z 방향으로 NZ개로 나누고, 표적의 이동 거리인 △Y를 Ny로 나눈다고 가정한 경우, Nx×Ny×NZ개의 공간 좌표에 대응하는 영상의 특성 벡터를 d=(0,-1,0) 방향으로 순차적으로 저장한다. 즉, {Nx×NZ×N1},{Nx×NZ×N2},…,{Nx×NZ×Ny} 순서대로 영상으로부터 추출한 특성 벡터를 저장한다. 여기서, {N1,N2,…,Ny}는 방향 벡터 d=(0,-1,0)를 판별하는 기준이 된다.
도 5는 본 발명에 따른 데이터베이스 구축 방법을 설명하기 위한 제2 예시 도면이다.
표적의 상대적인 이동 방향은 d=(-1,0,0) 방향일 수 있다. 도 5를 참조하면, 표적이 p1,p4,p8,p5 평면에서 출발하고, 센서를 기준으로 d=(-1,0,0) 방향으로 이동하여 p2,p3,p7,p6 평면에 도착한다고 가정한 경우, 표적의 출발 평면인 p1,p4,p8,p5 평면을 일정한 간격으로 나눈 지점에서 시작하여 d=(-1,0,0) 방향으로 이동하면서 각 지점에 대한 영상을 순차적으로 샘플링하면 d=(-1,0,0) 방향으로 이동하는 표적에 대한 데이터베이스를 구축할 수 있다.
구체적으로, 표적의 출발 평면인 p1,p4,p8,p5 평면을 △Y 방향으로 Ny개로 나누고, △Z 방향으로 NZ개로 나누고, 표적의 이동 거리인 △X를 Nx로 나눈다고 가정한 경우, Nx×Ny×NZ개의 공간 좌표에 대응하는 영상의 특성 벡터를 d=(-1,0,0) 방향으로 순차적으로 저장한다. 즉, {Ny×NZ×N1},{Ny×NZ×N2},…,{Nx×NZ×Nx} 순서대로 영상으로부터 추출한 특성 벡터를 저장한다. 여기서, {N1,N2,…,Nx}는 방향 벡터 d=(-1,0,0)를 판별하는 기준이 된다.
도 6은 본 발명에 따른 데이터베이스 구축 방법을 설명하기 위한 제3 예시 도면이다.
표적의 상대적인 이동 방향은 다음과 같이 일반화될 수 있다. 도 6을 참조하면, 표적이 p1,p2,p3,p4 평면에서 출발하고, 센서를 기준으로 d=(d1,d2,d3) 방향으로 이동하여 p5,p6,p7,p8 평면에 도착한다고 가정한 경우, 표적의 출발 평면인 p1,p2,p3,p4 평면을 일정한 간격으로 나눈 지점에서 시작하여 d=(d1,d2,d3) 방향으로 이동하면서 각 지점에 대한 영상을 순차적으로 샘플링하면 d=(d1,d2,d3) 방향으로 이동하는 표적에 대한 데이터베이스를 구축할 수 있다.
구체적으로, 표적의 출발 평면인 p1,p2,p3,p4 평면을 △X 방향으로 Nx개로 나누고, △Z 방향으로 NZ개로 나누고, 표적의 이동 거리인 △Y를 Ny로 나눈다고 가정한 경우, Nx×Ny×NZ개의 공간 좌표에 대응하는 영상의 특성 벡터를 d=(d1,d2,d3) 방향으로 순차적으로 저장한다. 즉, {Nx×NZ×N1},{Nx×NZ×N2},…,{Nx×NZ×Ny} 순서대로 영상으로부터 추출한 특성 벡터를 저장한다. 여기서, {N1,N2,…,Ny}는 방향 벡터 d=(d1,d2,d3)를 판별하는 기준이 된다.
도 7은 본 발명에 따른 데이터베이스 구조를 설명하기 위한 제1 예시 도면이다.
도 7을 참조하면, 하나의 표적이 하나의 진행 방향으로 이동한다고 가정한 경우의 데이터베이스 구조가 도시되어 있다. 여기서, 종축은 출발 평면에서의 표적의 위치에 따른 특성 벡터를 나타내고, 횡축은 표적의 진행 방향에 따른 특성 벡터의 변화를 나타낸다. 즉, 출발 평면을 Nx×Ny, 진행 거리를 NZ로 샘플링한 경우, Nx×Ny×NZ개의 특성 벡터를 저장하기 위한 공간이 필요하다. 한편, 하나의 특성 벡터는 i번째 지점에서 특정 방향으로 이동중인 j번째 영상을 나타낸다.
도 8은 본 발명에 따른 데이터베이스 저장 구조를 설명하기 위한 제2 예시 도면이다.
복수 개의 표적들은 서로 다른 진행 방향을 가질 수 있다. 도 8을 참조하면, 복수 개의 표적이 복수 개의 진행 방향으로 이동한다고 가정한 경우의 데이터베이스 구조가 도시되어 있다. 식별하고자 하는 표적들의 수가 K개이고, 각각의 표적이 진행할 수 있는 진행 방향의 수가 Nd개인 경우, 총 K×Nd×Nx×Ny×NZ개의 특성 벡터를 저장하기 위한 공간이 필요하다. 한편, 각각의 표적에 대한 데이터베이스는 표적의 진행 방향을 나타내는 벡터에 따라 복수 개의 블록들로 분류된다.
도 9는 본 발명에 따른 이동 표적을 식별하기 위한 패턴 인식 방법을 나타내는 상세 흐름도이다.
데이터베이스 구축을 위해 알려진 표적에 대한 영상을 입력받는다(S910). 영상은 레이더 센서, 전자 광학 센서, 적외선 센서, 및 레이저 레이더 센서 등에 의해 획득될 수 있다. 데이터베이스를 구축하기 위해서는 하나의 표적이 아닌 다수의 표적들에 대한 영상을 입력받아야 한다. 패턴 인식을 효율적으로 수행하기 위해서는 표적을 여러 각도에서 촬영한 영상이 필요하므로, 물체가 움직이는 동안 지속적으로 동일 표적에 대한 영상을 입력받는 것이 바람직하다.
입력받은 영상을 알려진 표적의 이동 방향에 따라 분류한다(S920). 표적의 이동 방향은 표적이 벡터 방향을 나타내며, 좌표계의 종류에 따라 다양한 분류가 이루어질 수 있다. 표적의 위치를 직교 좌표계에서 표현한 경우, 표적은 방향 벡터 d=(dx,dy,dx)에 따라 분류될 수 있다. 표적의 위치를 원통 좌표계에서 표현한 경우, 표적은 방향 벡터 d=(dr,dθ,dz)에 따라 분류될 수 있다. 표적의 위치를 구면 좌표계에서 표현한 경우, 표적은 방향 벡터 d=(dr,dθ,dφ)에 따라 분류될 수 있다.
분류된 영상 신호를 샘플링 및 양자화하여 디지털 영상 데이터로 변환하고 디지털 영상 데이터로부터 특성 벡터를 추출한다(S930). 특성 벡터는 영상의 특성을 나타내며, 특성 공간에서의 점에 대응한다. 특성 벡터는 영상 신호에 이미 알려진 다양한 특성 추출 방법을 적용하여 추출할 수 있다. 한편, 영상을 데이터베이스에 직접 저장하지 않고 영상으로부터 추출한 특성 벡터를 저장하는 이유는 데이터 압축에 따른 저장 공간 감소를 도모할 수 있기 때문이다.
추출한 특성 벡터를 이용하여 데이터베이스를 구축한다(S940). 추출한 특성 벡터는 특정 방향을 갖는 표적에 대한 연속적인 영상으로부터 추출한 것이므로 추출 순서에 따라 데이터베이스를 구축한다. 즉, 특정 표적의 특정 방향에 따른 복수의 특성 벡터를 이용해 데이터베이스를 구축한다. 한편, 표적의 이동 방향은 임의적이므로, 표적의 이동 방향 수는 무제한일 수 있다. 따라서 분류되는 이동 방향 수를 적절하게 제한함으로써 저장 공간을 감소시킬 필요가 있다.
식별의 대상이 되는 미지의 표적에 대한 영상을 입력받는다(S950). 입력받는 표적 영상은 현재 식별 대상이 되는 표적에 대한 영상이다. 알려진 표적에 대한 영상과 마찬가지로 레이더 센서, 전자 광학 센서, 적외선 센서, 및 레이저 레이더 센서 등에 의해 획득될 수 있다. 입력받은 영상으로부터 미지의 표적의 이동 방향을 판단한다(S960). 미지의 표적의 이동 방향은 직교 좌표계, 지평 좌표계, 적도 좌표 계, 극 좌표계 중 적어도 어느 하나에서 벡터 형태로 표현될 수 있다.
입력된 영상 신호를 샘플링 및 양자화하여 디지털 영상 데이터로 변환하고 디지털 영상 데이터로부터 특성 벡터를 추출한다(S970). 데이터베이스에 저장된 표적에 대한 특성 벡터와 비교를 수행하기 위함이다. 미지의 표적의 이동 방향과 특성 벡터를 바탕으로 미지의 표적을 식별한다(S980). 미지의 표적과 동일 또는 유사한 이동 방향에 갖는 블록을 우선 탐색한다. 그 후, 미지의 표적과 동일 또는 유사한 특성 벡터를 갖는 표적을 탐색하여 미지의 표적을 식별한다.
이상 도면과 명세서에서 최적 실시 예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적으로 사용된 것이지 의미 한정이나 특허 청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다.
그러므로 본 기술 분야에서 통상의 지식을 가지는 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허 청구범위의 기술적 사상에 의해 정해져야 할 것이다.
도 1은 종래기술에 따른 이동 표적을 식별하기 위한 패턴 인식 방법을 나타내는 상세 흐름도이다.
도 2는 데이터베이스를 구축하기 위한 센서와 표적 사이의 상대 각도 영역을 나타내는 도면이다.
도 3은 데이터베이스를 구축하기 위한 표적에 대한 특성 벡터의 저장 형태를 나타내는 도면이다.
도 4는 본 발명에 따른 데이터베이스 구축 방법을 설명하기 위한 제1 예시 도면이다.
도 5는 본 발명에 따른 데이터베이스 구축 방법을 설명하기 위한 제2 예시 도면이다.
도 6은 본 발명에 따른 데이터베이스 구축 방법을 설명하기 위한 제3 예시 도면이다.
도 7은 본 발명에 따른 데이터베이스 구조를 설명하기 위한 제1 예시 도면이다.
도 8은 본 발명에 따른 데이터베이스 저장 구조를 설명하기 위한 제2 예시 도면이다.
도 9는 본 발명에 따른 이동 표적을 식별하기 위한 패턴 인식 방법을 나타내는 상세 흐름도이다.

Claims (10)

  1. 이동하는 표적에 대한 데이터베이스 구축 방법에 있어서,
    센서를 이용하여 상기 표적에 대한 영상을 연속적으로 입력받는 단계;
    상기 입력받은 영상을 상기 표적의 이동 방향에 따라 분류하는 단계; 및
    상기 분류된 영상으로부터 특성 벡터를 연속적으로 추출하여 저장하는 단계를 포함하는 것을 특징으로 하는 데이터베이스 구축 방법.
  2. 제1항에 있어서, 상기 영상을 입력받는 단계는,
    레이더 센서, 전자 광학 센서, 적외선 센서, 및 레이저 레이더 센서 중 어느 하나의 센서를 이용하는 단계인 것을 특징으로 하는 데이터베이스 구축 방법.
  3. 제1항에 있어서, 상기 영상을 분류하는 단계는,
    상기 센서에 대한 상기 표적의 상대 이동 방향에 따라 분류하는 단계인 것을 특징으로 하는 데이터베이스 구축 방법.
  4. 제3항에 있어서, 상기 영상을 분류하는 단계는,
    직각 좌표계에서 벡터로 표현되는 상대 이동 방향에 따라 분류하는 단계인 것을 특징으로 하는 데이터베이스 구축 방법.
  5. 제1항에 있어서, 상기 특성 벡터를 저장하는 단계는,
    서로 다른 표적 및 서로 다른 이동 방향을 갖는 특성 벡터를 서로 다른 그룹으로 저장하는 단계인 것을 특징으로 하는 데이터베이스 구축 방법.
  6. 이동하는 표적을 식별하기 위한 데이터베이스 구축 방법에 있어서,
    센서를 이용하여 상기 표적에 대한 영상을 연속적으로 입력받는 단계;
    상기 입력받은 영상으로부터 특성 벡터를 연속적으로 추출하는 단계; 및
    상기 추출한 특성 벡터를 상기 표적의 이동 방향에 따라 분류하여 저장하는 단계를 포함하는 것을 특징으로 하는 데이터베이스 구축 방법.
  7. 미지의 표적을 식별하기 위한 패턴 인식 방법에 있어서,
    센서를 이용하여 알려진 표적에 대한 영상을 연속적으로 입력받는 단계;
    상기 입력받은 영상을 상기 알려진 표적의 이동 방향에 따라 분류하는 단계;
    상기 분류된 영상으로부터 특성 벡터를 연속적으로 추출하여 저장하는 단계; 및
    상기 저장된 특성 벡터를 이용하여 상기 미지의 표적을 식별하는 단계를 포함하는 것을 특징으로 하는 패턴 인식 방법.
  8. 제7항에 있어서, 상기 특성 벡터를 저장하는 단계는,
    상기 특성 벡터를 이동 방향 블록 단위로 분류하여 데이터베이스에 저장하는 단계인 것을 특징으로 하는 패턴 인식 방법.
  9. 제8항에 있어서, 상기 미지의 표적을 식별하는 단계는,
    상기 미지의 표적의 이동 방향을 판단하는 단계; 및
    상기 판단된 이동 방향에 대응하는 이동 방향 블록을 상기 데이터베이스에서 검색하는 단계를 포함하는 것을 특징으로 하는 패턴 인식 방법.
  10. 미지의 표적을 식별하기 위한 패턴 인식 방법에 있어서,
    센서를 이용하여 알려진 표적에 대한 영상을 연속적으로 입력받는 단계;
    상기 입력받은 영상으로부터 특성 벡터를 연속적으로 추출하는 단계;
    상기 추출한 특성 벡터를 상기 알려진 표적의 이동 방향에 따라 분류하여 저장하는 단계; 및
    상기 저장된 특성 벡터를 이용하여 상기 미지의 표적을 식별하는 단계를 포함하는 것을 특징으로 하는 패턴 인식 방법.
KR1020080106565A 2008-10-29 2008-10-29 이동 표적에 관한 데이터베이스 구축 방법 및 이를 이용한 패턴 인식 방법 KR20100047599A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020080106565A KR20100047599A (ko) 2008-10-29 2008-10-29 이동 표적에 관한 데이터베이스 구축 방법 및 이를 이용한 패턴 인식 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020080106565A KR20100047599A (ko) 2008-10-29 2008-10-29 이동 표적에 관한 데이터베이스 구축 방법 및 이를 이용한 패턴 인식 방법

Publications (1)

Publication Number Publication Date
KR20100047599A true KR20100047599A (ko) 2010-05-10

Family

ID=42274538

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080106565A KR20100047599A (ko) 2008-10-29 2008-10-29 이동 표적에 관한 데이터베이스 구축 방법 및 이를 이용한 패턴 인식 방법

Country Status (1)

Country Link
KR (1) KR20100047599A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090581A (zh) * 2014-04-16 2014-10-08 上海热像机电科技有限公司 红外热像仪场景匹配的智能实现

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090581A (zh) * 2014-04-16 2014-10-08 上海热像机电科技有限公司 红外热像仪场景匹配的智能实现

Similar Documents

Publication Publication Date Title
US11823429B2 (en) Method, system and device for difference automatic calibration in cross modal target detection
Zhou et al. Robust real-time UAV based power line detection and tracking
US10740606B2 (en) Method for assigning particular classes of interest within measurement data
US9483839B1 (en) Occlusion-robust visual object fingerprinting using fusion of multiple sub-region signatures
US20190206063A1 (en) Method and apparatus for processing point cloud data
US20210133474A1 (en) Image processing apparatus, system, method, and non-transitory computer readable medium storing program
US9576375B1 (en) Methods and systems for detecting moving objects in a sequence of image frames produced by sensors with inconsistent gain, offset, and dead pixels
CN103149939A (zh) 一种基于视觉的无人机动态目标跟踪与定位方法
CN111382637B (zh) 行人检测跟踪方法、装置、终端设备及介质
Ji et al. RGB-D SLAM using vanishing point and door plate information in corridor environment
Zelener et al. Cnn-based object segmentation in urban lidar with missing points
Tao et al. Tracking of 2D or 3D irregular movement by a family of unscented Kalman filters
GB2520243A (en) Image processor
CN114155489A (zh) 一种多设备协同的无人机飞手检测方法、设备及存储介质
Helgesen Sensor fusion for detection and tracking of maritime vessels
Hu et al. Airport Detection for Fixed-Wing Unmanned Aerial Vehicle Landing Using a Hierarchical Architecture
KR20100047599A (ko) 이동 표적에 관한 데이터베이스 구축 방법 및 이를 이용한 패턴 인식 방법
Börcs et al. Dynamic 3D environment perception and reconstruction using a mobile rotating multi-beam Lidar scanner
Spevakov et al. Detecting objects moving in space from a mobile vision system
Huang et al. Methods on visual positioning based on basketball shooting direction standardisation
Siew et al. Simultaneous localization and mapping with moving object tracking in 3d range data using probability hypothesis density (phd) filter
RU2698157C1 (ru) Система поиска нарушений в порядке расположения объектов
KR100921821B1 (ko) 특성 공간 궤적 데이터베이스 구축 방법 및 이를 이용한다중 각도 표적 식별 방법
Aswin et al. Stereo-Vision Based System For Object Detection And Recognition
Fehlmann et al. Application of detection and recognition algorithms to persistent wide area surveillance

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application