KR20180116588A - 고화질 항공 이미지에서의 물체 검출 방법 - Google Patents

고화질 항공 이미지에서의 물체 검출 방법 Download PDF

Info

Publication number
KR20180116588A
KR20180116588A KR1020170049051A KR20170049051A KR20180116588A KR 20180116588 A KR20180116588 A KR 20180116588A KR 1020170049051 A KR1020170049051 A KR 1020170049051A KR 20170049051 A KR20170049051 A KR 20170049051A KR 20180116588 A KR20180116588 A KR 20180116588A
Authority
KR
South Korea
Prior art keywords
aerial image
image
artificial object
feature
model
Prior art date
Application number
KR1020170049051A
Other languages
English (en)
Other versions
KR101941043B1 (ko
Inventor
최형욱
전문구
Original Assignee
광주과학기술원
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 광주과학기술원 filed Critical 광주과학기술원
Priority to KR1020170049051A priority Critical patent/KR101941043B1/ko
Publication of KR20180116588A publication Critical patent/KR20180116588A/ko
Application granted granted Critical
Publication of KR101941043B1 publication Critical patent/KR101941043B1/ko

Links

Images

Classifications

    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Image Analysis (AREA)

Abstract

실시예는 무인항공기에서 얻어진 고해상도 항공 영상 이미지에서 인공 물체를 검출하는 방법으로서, 무인 항공기로부터 항공 영상 이미지에서 관심 영역에 대한 지형 지물 결과를 우선적으로 획득한 후에, 관심 영역에 대해서만 슈퍼픽셀 기반의 서칭을 수행함으로써 인공 물체를 검출하기 때문에 계산 비용을 현저히 감소시킬 수 있어 고해상도의 항공 영상에 유리하게 적용될 수 있다.

Description

고화질 항공 이미지에서의 물체 검출 방법{Method for Object Detection Using High-resolusion Aerial Image}
본 발명은 무인 항공기로부터 얻은 고화질 영상을 분석하여 지형지물 및 인공 물체를 검출하는 방법에 관한 것이다.
최근 무인 항공기의 개발이 급속도로 이루어지면서 고해상도의 원격 센싱 이미지의 사용이 용이해지고, 고해상도 이미지를 분석하여 이를 응용하는 방법에 대한 연구가 수행되고 있으며, 고해상도 원격 센싱 이미지로부터의 객체 추적이 여러 분야에서 응용되고 있다. 예를 들어, 차량 검출은 수송 제어, 도로 검사, 군용 목적에 있어서 유용하게 사용될 수 있다.
항공 영상 분석은 차량과 같은 인공 물체를 찾거나, 지형 지물을 찾는 것을 포함하며, 인공 물체을 탐지하는 경우에 고해상도 이미지에서 차량과 같은 인공물체는 상대적으로 작게 나타나기에 고해상도 이미지에서의 객체 검출은 VGA 이미지에서의 검출보다 어려운 점이 있다. 지형 지물의 탐지에 있어서는, 하나의 분류가 여러가지 지형적 특징을 나타내며, 형태를 가지지 않는다. 예를 들어, 초목은 다양한 색과 질감을 가지며 정형화된 형태를 가지지 않는다.
이러한 문제를 해결하기 위해 여러 방법들이 제안되고 있으며, 물체 인식 탐지에서는 주로 슬라이딩 윈도우를 사용하는 방법이 간단하면서 실용적이기 때문에 많이 쓰이고 있다. 슬라이딩 윈도우 방식은 고정된 크기의 창 모양으로 입력 이미지를 스캐닝하고, 서브 이미지로 분류기를 적용한다. 그러나, 고해상도 이미지에서 노이즈와 배경 반향이 미치는 영향은 VGA 이미지에서보다 크게 나타나기 때문에, 현재와 같은 방식에서는 비용적으로 불리한 문제가 있다.
실시예는 고해상도의 항공 영상 이미지에서 인공 물체를 검출할시에 종래보다 계산량을 현저히 줄이면서도 해당 물체의 인식을 보다 정확히 수행할 수 있는 방법을 제공하는데 그 목적이 있다.
실시예는 무인항공기에서 얻어진 고해상도 항공 영상 이미지에서 인공 물체를 검출하는 방법으로서, 지형 지물 인식을 위한 모델을 훈련하는 단계; 인공 물체 인식을 위한 모델을 훈련하는 단계; 무인 항공기로부터 항공 영상 이미지를 획득하는 단계; 상기 항공 영상 이미지에 대한 계층적 분할 방법을 사용하여 다수개의 슈퍼픽셀을 형성하는 단계; 상기 슈퍼 픽셀을 유사도에 따라 병합하고 미리 훈련된 지형 지물의 모델을 참조하여 상기 항공 영상 이미지에서 지형 지물의 검출 결과를 도출하는 단계; 상기 지형 지물의 검출이 완료된 항공 영상 이미지에서 관심 영역을 선택한 후에 슈퍼픽셀 기반의 서치를 수행하는 단계; 및 인공 물체가 검출된 슈퍼픽셀과 미리 훈련된 인공 물체의 모델을 참조하여 항공 영상 이미지로부터 인공 물체를 검출하는 단계를 포함할 수 있다.
그리고, 상기 항공 영상 이미지에 대한 계층적 분할 방법을 사용하여 다수개의 슈퍼픽셀을 형성하는 단계는, SLIC(Simple Linear Iterative Clustering) 기법을 사용하여 각 특징들을 색상과 이미지 평면 공간으로 표현하는 것을 특징으로 한다.
그리고, 상기 슈퍼픽셀을 형성하는 과정에서, 상기 슈퍼픽셀은 소정 개수(n)의 노드들로 분할되고, 이웃하는 영역간의 관계는 테두리로 표현되며 각 영역 간의 유사도가 표현되도록 형성될 수 있다.
그리고, 지형 지물 인식을 위한 모델을 훈련하는 단계는, 지형 지물의 색감 및 질감에 따라 여러개의 그룹으로 분류하는 과정, 각각의 그룹에 대해 소정 개수의 샘플을 얻고 각 샘플에 대한 특징을 추출하여 텍스톤 사전을 설계하는 과정을 포함할 수 있다.
여기서, 상기 지형 지물의 그룹은 흙, 초목, 물, 포장된 도로 및 미정의 그룹을 포함할 수 있다.
그리고, 상기 인공 물체 인식을 위한 모델을 훈련하는 단계는, 인공 지물에 해당되는 소정 개수의 샘플을 취득한 후에, HOG를 통해 특징을 추출하고 이를 분류하여, 각 샘플에 대한 훈련 데이터를 확보하는 과정을 포함할 수 있다.
그리고, 상기 지형 지물의 검출이 완료된 항공 영상 이미지에서 관심 영역을 선택한 후에 슈퍼픽셀 기반의 서치를 수행하는 단계는, 상기 지형 지물의 검출이 완료된 항공 영상 이미지에서 흙, 초목, 물에 해당되는 그룹으로 검출된 영역을 제외한 나머지 영역을 선택하는 것을 특징으로 한다.
그리고, 상기 슈퍼 픽셀을 유사도에 따라 병합하는 과정은, 이웃하는 슈퍼픽셀 간의 유사 점수의 최대값이 임계치를 만족할 때까지 수행될 수 있다.
그리고, 상기 텍스톤 사전은 지형 지물 그룹의 훈련 세트와 필터 뱅크를 통해 도출될 수 있으며, 상기 텍스톤 사전에 포함된 텍스톤들은 상기 필터 뱅크에 의해 생성된 각각의 필터 응답을 구분하기 위해 사용될 수 있다.
본 발명의 실시예에 따르면, 고해상도의 항공 영상 이미지에서 인공 물체를 검출할 시 미리 훈련된 배경 정보 및 질감 정보를 참조하여 물체가 존재하지 않을 것으로 예측되는 영역을 배제한 후에, 제한적인 서치를 수행하기 때문에 종래에 비해 계산량을 현저히 감소시킬 수 있다.
도 1은 실시예에 따른 고화질의 무인항공 영상을 이용한 타겟 인식 방법의 흐름도를 나타낸 도면
도 2는 실시예에 따른 지형 지물의 추출 과정을 나타낸 도면
도 3은 형태가 없는 물체의 훈련 세트를 나타낸 도면
도 4는 실시예에 따른 콘텍스트 정보를 통해 물체를 검출하는 단계를 나타낸 도면
도 5는 인공 물체의 훈련 세트를 나타낸 도면
도 6은 실시예를 통해 도출된 항공 영상 이미지의 결과를 나타낸 도면
도 7은 7개의 항공 영상 이미지에서 정밀도와 리콜율을 나타낸 그래프
도 8은 이미지 크기에 대한 계산 비용을 로그 비율로 나타낸 그래프
도 9는 검색 영역에 대한 계산 비용의 비율을 나타낸 그래프
이하 첨부된 도면들을 참조하여 본 발명의 실시예들을 상세하게 설명하지만, 본 발명의 실시예에 의해 제한되거나 한정되는 것은 아니다. 본 발명을 설명함에 있어서, 공지된 기능 혹은 구성에 대해 구체적인 설명은 본 발명의 요지를 명료하게 하기 위해 생략될 수 있다.
도 1은 실시예에 따른 고화질의 무인항공 영상을 이용한 타겟 인식 방법의 흐름도를 나타낸 도면이다.
실시예의 고화질의 무인항공 영상을 이용한 타겟 인식 방법은 크게 지형 지물 인식을 위한 모델을 훈련하는 과정(S10), 인공 물체 인식을 위한 모델을 훈련하는 과정(S20)과 콘텍스트 정보를 도출하는 과정(S30) 및 항공 이미지에서 인공 물체를 검출하는 과정(S40)으로 구분될 수 있다. S10과 S20 단계는 훈련 과정으로서 데이터베이스의 업데이트에 따라 주기적으로 수행되는 단계이며, S40 단계는 고해상도 항공 이미지에서 인공 물체의 영상을 획득하기 위한 구체적인 흐름을 나타내는 단계이다. 각 단계에 대한 흐름을 설명하면 다음과 같다.
지형 지물 인식을 위한 모델을 훈련하는 S10 단계는 우선 지형 지물의 색감및 질감에 따라 여러개의 그룹으로 분류하는 과정을 수행한다. 실시예에서는 지형 지물을 크게 흙(Soil), 초목(Vegetation), 물(Water), 포장된 도로(Paved road)에 해당되는 그룹으로 나누었으며, 각각의 그룹에 대해 소정 개수의 샘플을 얻고 각 샘플에 대한 특징을 추출하여 텍스톤 사전을 설계하는 과정을 수행한다.
인공 물체 인식을 위한 모델을 훈련하는 S20 단계는, 우선 인공 지물에 해당되는 소정 개수의 샘플을 취득한 후에, HOG를 통해 특징을 추출하고 이를 분류하여, 각 샘플에 대한 훈련 데이터를 확보한다.
실시예에서 S10과 S20에 해당되는 모델의 훈련에 있어서는 서포트 벡터 머신(SVM)을 사용하였으며, 특히 HOG(histogram of oriented gradient)를 사용한다. HOG는 히스토그램에서 8개의 동일간격으로 이루어지고, 인식을 위한 SVM 분류기는 HOG로부터 나타나는 특징을 기반으로 훈련된다.
콘텍스트 정보를 도출하는 S30 단계는 취득된 항공 영상 이미지에서 지형 지물의 정보를 검출하는 과정이다. 우선, 항공 영상 이미지를 무인항공기로부터 취득한 후에 상기 이미지를 계층적 분할 방법을 통해 슈퍼픽셀을 형성한다. 그리고, 이웃하는 각각의 슈퍼픽셀의 유사도를 판단하여 무방향 그래프 모델과 병합 과정(S31)을 거친 후에 텍스톤 모델을 형성하는 과정(S32)을 수행한다. S32 단계에서 형성된 텍스톤 모델을 S10 단계에서 미리 훈련된 데이터와 비교함으로써, 항공 영상 이미지에 포함된 각 영역의 지형 지물 결과를 도출하는 과정(S33)이 수행될 수 있다.
항공 이미지에서 인공 물체를 검출하는 과정(S40)은 상술한 S10, S20, S30의 단계에서 얻어진 결과를 참조하여 수행될 수 있다.
우선, 무인 항공기로부터 고해상도의 항공 영상 이미지를 획득하는 단계(S41)가 수행된다. 그리고, 상기 항공 영상 이미지를 적절한 크기로 줄인 후에 항공 영상 이미지에 대해 계층적 분할 방법을 통해 슈퍼픽셀을 형성하는 단계(S42)를 수행한다.
이어서 S30의 과정을 통해 도출된 항공 영상 이미지로부터 지형 지물 검출 결과를 참조하여, 매핑 결과를 도출하는 단계(S43)를 수행한다. S30 단계에서 검출된 지형 지물 검출 결과에서는 의미있는 배경 정보인 콘텍스트 정보가 도출될 수 있다. 상기 콘텍스트 정보를 참조하여, 상기 항공 영상 이미지에서 특정 영역을 서치 대상에서 제외시킨 후에 슈퍼픽셀에 기반한 서치를 수행하는 과정(S44)을 수행한다.
해당되는 영역에 대해 슈퍼픽셀에 기반한 서치를 수행하여, 인공 물체가 존재하는 슈퍼 픽셀을 검색한다. 그리고 S20 단계에서 미리 훈련된 인공 물체의 특징을 상기 슈퍼 픽셀에 포함된 특징과 비교한 후에 이를 분류하는 과정(S45)을 수행한다. 최종적으로, 분류된 특징 중에서 해당되는 인공 물체가 선택됨으로써 항공 영상 이미지에서 인공 물체가 검출되는 과정(S46)이 수행될 수 있다.
실시예에서 S30에 해당되는 고해상도 항공 이미지에서 인공 물체의 영상을 인식하는 과정에서는 인식 정확도를 높이고 연산량을 줄이기 위해서, 지형 지물 인식 과정을 실시하는 동안 생성된 콘텍스트(context) 정보가 사용될 수 있다. 콘텍스트 정보는 실시예에서 물체가 존재할 것이라 예상되는 의미있는 영역의 질감 정보를 나타내는 것으로 정의한다.
콘텍스트 정보를 생성하는 단계(S30)는 우선, 콘텍스트 정보를 생성하기 위해서 계층적 분할 방법을 통해 슈퍼 픽셀들을 단순 함수를 사용하여 합친다. 실시예는 이 과정에서 필터 뱅크(filter bank)와 함께 텍스트온(texton) 모델을 사용한다. 물체 검출 과정에서는 슈퍼픽셀 생성을 위해 SLIC(simple linear iterative clustering)이 사용될 수 있으며, 분류기가 고해상도 이미지에서 객체를 찾기 위해 도입될 수 있다. 하기에서는 실시예에 따른 고화질 항공 영상에서의 물체 검출 방법의 각 단계를 더욱 구체적으로 설명한다.
[지형 지물 검출]
실시예에서는 계층적 분할 방법이 사용될 수 있다. 실시예는 슈퍼픽셀을 형성하는 과정에서 SLIC(Simple Linear Iterative Clustering) 기법을 사용한다. SLIC에서 각 특징들은 색상과 이미지 평면 공간으로 나타내어질 수 있다. SLIC 기법은 가중된 거리 계산을 위해 한정된 검색 영역을 선택한다. 따라서, SLIC 기법은 종래의 다른 방법에 비해 슈퍼픽셀이 보다 균일하고 촘촘하게 배치되도록 하는 장점을 가진다.
도 2는 실시예에 따른 지형 지물의 추출 과정을 나타낸 도면이다.
도 2를 참조하면 (a)는 고해상도 항공 이미지의 원본을 나타낸 도면, (b)는 슈퍼픽셀을 생성한 결과를 나타낸 도면, (c)는 병합 과정을 나타낸 도면, (d)는 지형 지물이 검출된 도면을 나타낸다.
(b)를 참조하면, (a)는 고해상도 항공 이미지 상에는 슈퍼픽셀이 형성될 수 있다. 슈퍼픽셀의 형성은 계층적 분할을 사용하며, 모든 영역은 소정의 개수(n)의 노드들로 분할되고, 이웃하는 영역간의 관계는 테두리로 표현될 수 있다. 분할된 영역은 무방향 모델로 세팅될 수 있다. 노란 박스 안의 숫자는 각각의 영역의 첨자를 나타낸다. 녹색 선은 이웃하는 영역간의 모서리를 나타내고, 녹색 선상의 파란 숫자는 영역간의 유사 점수를 나타낸다.
노드(녹색 라인)간의 유사성을 계산하는 유사 함수는 수학식 1로 표시될 수 있다. 상기 유사 함수는 색상, 질감과 크기로 구성될 수 있고, 각 요소의 값은 0~1 사이의 값을 가지며, 유사 함수의 최대값은 1보다 작다.
Figure pat00001
색상의 유사 팩터는 각 영역의 색상 분포를 측정한다. 실시예는 0~100 사이의 L개의 채널로 구성된 CIELAB 색공간을 사용하였다.
실시예는 세개의 채널을 조합하여 하나의 색상 히스토그램을 도출하였으며, 각 채널의 히스토그램 크기는 채널의 정수 개수와 같다. 즉, ri에서 히스토그램의 크기는 각 채널에서의 정수 숫자에 의해 기인된 채널 크기의 합과 같다. 모든 영역의 히스토그램들은 L2 놈에 의해 정규화될 수 있다.
그리고, 색상의 유사 요소를 계산하는 과정을 수행하는데 있어서, 색상의 유사 요소는 하기 수학식 2에서 정의된 χ2 테스트에 의해 측정될 수 있으며, 색상의 유사 점수는 수학식 3에 의해 도출될 수 있다.
Figure pat00002
Figure pat00003
질감 유사 요소를 계산하기 위해서, 영역 중에서 가장 큰 네모 부분이 추출된다. 추출된 부분의 HOG 특징이 소정의 사이즈로 변경된 후에 도출될 수 있다. 실시예는 셀과 블록의 크기를 10과 2로 선택하였고, 계산된 HOG 특징의 차원의 개 수는 2592개가 되었다. 질감 유사 요소는 색상 유사도와 같이 수학식 2, 3을 통해 계산될 수 있다.
그러나, 수학식 2, 3을 이용한 질감 유사도의 계산은 단지 SLIC에 의해 생성된 초기 분할된 영역에 사용되는 것이 바람직하다. 이어서, 각 영역의 HOG 특징은 가중값을 사용하여 업데이트될 수 있으며 이는 수학식 4와 같이 표현될 수 있다. 결과적으로, 실시예는 HOG 특징의 초기 계산이 수행된 후에 가장 큰 네모 부분을 추출하고 HOG 특징을 계산하는 과정이 필요하지 않다.
Figure pat00004
여기서, Fi, Fj, Ft는 특징 벡터를 의미한다.
크기 요소가 유사 함수에 포함되는 이유는 모든 분할된 영역 사이에서 작은 영역에 우선권을 주기 때문이다. 병합 과정은 유사 점수의 최대값이 임계치를 만족할때까지 수행되며, 각각의 노드는 유사도의 계산을 반복 수행하여 병합될 수 있다.
(c)의 도면은 각각의 노드의 유사도 점수 반복 수행한 후의 여러 개의 노드들이 병합된 도면을 나타낸 것이다. 병합 과정이 끝나면, 각 영역의 텍스톤(texton) 모델이 필터 뱅크(filter bank)와 텍스톤 사전에 의해 추출될 수 있다.
추출된 텍스톤 모델은 텍스톤 모델을 훈련하여 얻어질 수 있으며, 영역 이미지는 가장 가까운 모델의 질감 분류에 포함되는 것으로 가정한다.
[텍스톤 모델]
실시예는 텍스톤 모델이 지형적 특징을 인식하기 위해 사용될 수 있으며, 콘텍스트 정보를 사용하여 계산량을 줄일 수 있다. 텍스톤 모델을 사용하는 방법은 형태가 없는 물체를 인식하는데 유리하게 적용될 수 있다. 각 분류의 텍스톤 모델을 도출하기 위해, 훈련 세트와 필터 뱅크를 사용하여 초기 사전을 우선적으로 형성한다. 질감을 분류한 훈련 세트로부터의 샘플 이미지는 필터 응답을 생성하기 위해 필터 뱅크에 연동될 수 있다. 필터 뱅크에 의해 필터 응답이 생성되면, 계산을 더욱 정확하게 수행하기 위해 CIELAB 색공간이 RGB 색공간 대신 사용될 수 있다.
필터 응답은 17 차원을 가지며, LoG(Laplacian of Gaussian)에 의해 생성된 4개의 응답, 가우시안에 의해 생성된 9개의 응답, 가우시안 도함수에 의해 생성된 4개의 응답을 포함할 수 있다. 결과 필터 응답이 모인 후에, K-means 알고리즘을 사용하여 텍스톤으로 클러스터된다.
모든 질감 분류로부터의 텍스톤들은 텍스톤 사전을 생성하기 위해 합쳐진다. 텍스톤 모델을 만드는 과정에서, 텍스톤 사전에서의 텍스톤들이 필터 뱅크에 의해 생성된 각 필터 응답을 구분하기 위해 사용된다. 텍스톤 빈도의 히스토그램은 훈련 이미지에 대응되는 모델을 구축하기 위해 사용된다.
계층적 병합에 의해 생성된 각 영역의 텍스톤 모델은 훈련된 텍스톤 모델을 통한 히스토그램 매칭 방법을 사용하여 인식될 수 있다. 실시예는 수학식 2에 정의된 χ2 테스트를 사용하며, 텍스톤의 수는 160개이고 질감 분류는 흙, 초목, 물 및 포장된 도로인 것으로 정의하였다. 구글에서 100개의 색상 질감 샘플을 추출하였고, 각 샘플들은 50 by 50 픽셀을 가지도록 설정하였다.
도 3은 형태가 없는 물체의 훈련 세트를 나타낸 것으로, 토양, 초목, 물 및 포장된 도로의 샘플과 이에 대한 텍스톤 모델이 개시되어 있다.
실시예에서는 흙, 초목, 물 및 포장된 도로를 선택하였지만, 항공이미지는 더 많은 분류를 포함할 수 있기 때문에 미정의된 분류(Undefined class)를 추가할 수 있다. 미정의된 분류를 정의하기 위해 IQR(Interquartile range) 이론을 사용하며, 사분범위(IQR)는 통계적 분산의 측정으로 상부와 하부 사분위수 사이의 차이와 같다. 즉, IQR은 3번째 사분위수로부터 첫번째 사분위수를 추출한 것과 같으며, 첫번째 사분위수는 M보다 큰 데이터셋에서의 평균값을 의미한다. 세번째 사분위수는 M보다 작은 데이터셋에서의 평균값을 의미한다. M은 모든 데이터셋에서의 평균값이다.
상술한 바와 같이 텍스톤 모델을 사용하여, 병합된 (c)의 이미지를 추출하면 (d)에 개시된 도면과 같이 각각의 영역은 예상되는 질감과 색을 가지도록 분류되고 이를 통해 각 영역이 흙, 초목, 물 및 포장된 도로 중 어느 영역에 해당되는지를 파악할 수 있다. (d)의 도면과 같이 예상되는 지형 정보의 검출은 콘텍스트 정보의 도출 과정이라 할 수 있다.
[인공 물체의 검출]
인공 물체는 형태를 갖는 물체로 정의될 수 있으며, 형태 특징이 물체를 인식하는데 사용될 수 있다. 실시예에서는 차를 인공 물체로 적용하였다. 지면의 샘플링 거리는 6cm이기에, 테스트 이미지에서 자동차의 크기는 35 by 69 의 이미지 픽셀인 것으로 추정할 수 있다.
도 4는 콘텍스트 정보를 통해 물체를 검출하는 단계를 나타낸 도면이다. 도 4를 참조하면, 실시예는 우선 도 3에 개시된 바와 같이 텍스톤 모델을 통해 항공 이미지에서 지형 지물 인식의 결과를 도출하였다. 지형 지물 인식으로부터 생성된 결과 이미지의 크기는 병합 단계를 실행하기 위해 줄어든 크기로 재저장될 수 있다. 콘텍스트 정보는 형태를 갖지 않는 물체의 지형 지물 결과로부터 도출될 수 있다.
도 4의 (a)를 참조하면, 유사도를 통해 병합의 단계를 거친 후의 항공 이미지를 나타낸다. 노란색은 흙, 녹색은 초목, 푸른색은 물, 회색은 포장된 도로를 의미하며 붉은 영역은 미정의된 분류를 나타낸다.
(b)를 참조하면, 콘텍스트 정보가 포함된 결과를 나타내며, 콘텍스트 정보에 의해 이동하는 물체가 있을 확률이 적은 영역인 흙, 물, 초목에 해당되는 영역은 검은색으로 표시되어 관심영역에서 제외되었다.
(c)를 참조하면, (b)와 같이 콘텍스트 정보를 도출한 후에는, 콘텍스트 정보에 따라 도출된 항공 이미지에서 슈퍼픽셀을 기반으로 관심 영역이 선택된다. 검은 숫자는 색인을 나타내며, 녹색 영역은 계산에 의해 선택된 영역을 나타낸다.
슬라이딩 윈도우 기반 방식은 픽셀 유닛에 의해 생성되는 관심영역을 다루기에, 고해상의 항공 영상에서의 계산 비용이 매우 높게 나타난다. 그러나 슈퍼픽셀을 검색하는 본 발명은 계산 비용이 상기의 방식보다 매우 낮다. 슈퍼픽셀 검색 방법은 콘텍스트 정보로부터 생성된 슈퍼픽셀 지수를 사용하기 때문이다.
(d)를 참조하면, HOG 특징 맵을 나타내는 것으로, 상기의 특징맵이 도출되면 미리 훈련된 정보와 대비한다. (e)를 참조하면, 관심영역으로부터 도출된 특징을 선형적 SVM을 사용하여 분류함으로써, 최종적으로 항공 이미지 상에서 인공 물체를 검출할 수 있다.
실시예에서는 이동하는 물체가 존재할 가능성이 있는 포장된 도로 분류와 정의되지 않은 분류만이 콘텍스트 정보에 포함되어 있다고 가정하였다. 도출된 콘텍스트 정보는 슈퍼픽셀의 픽셀에서 중간 위치인 Pregion(ik, jk)를 포함하는 매트릭스를 형성한다. 여기서, k∈K, k∈(1, 2, 3,…K)이며, K는 슈퍼픽셀의 개수를 의미한다.
슬라이딩 윈도우에 기반한 검색 방법은 일반적으로 윈도우가 전체 픽셀을 통과할때의 단계를 사용한다. 수학식 5와 슬라이딩 윈도우 방식에서의 계산량이며, 수학식 6은 실시예에 따른 계산량을 나타낸다.
Figure pat00005
Figure pat00006
여기서, Cf와 특징 추출의 비용이고, Cc는 분류과정의 비용을 의미한다. Cp는 후처리 비용이며, Cv는 슈퍼픽셀 생성의 비용이고, Cin은 콘텍스트 정보 추출의 비용을 의미한다. 그리고, m과 n은 고해상도 이미지의 크기를 의미하고, s는 윈도우의 단계를 의미한다. 수학식 7에서 α는 0에서 m×n 의 "牡? 사이를 갖는 비콘텍스트 정보의 수를 의미한다.
슬라이딩 윈도우 기반의 방법은 픽셀 유닛에 의한 슬라이딩 윈도우의 움직임을 사용함으로써 관심영역의 특징을 도출한다. 실시예는 배경 정보에 의해 얻어진 슈퍼 픽셀의 센터 위치를 둘러싼 관심 영역을 선택하기 때문에, 중요 인자는 k값, 단계, 이미지의 해상도이며 상기 인자들이 계산량을 결정하게 된다.
즉, 실시예는 긍정 오류를 감소시킬 수 있으며, 이는 배경 정보를 이용한 슈퍼픽셀 검색 방법은 검색 영역의 의미있는 영역으로 줄일 수 있음을 의미한다.
[분류 단계]
인공 물체 검출의 훈련 과정에서, 실시예는 HOG 특징을 사용한 SVM 분류기를 사용한다.
도 5는 인공 물체의 훈련 세트를 나타낸 도면으로 (a)는 긍정적인 훈련 샘플, (b)는 부정적인 훈련 샘플을 나타내고 있다. 실시예는 기울기 방향성 히스토그램(HOG)을 사용하며, 마지막 열은 HOG를 사용하여 각 샘플의 특징맵을 도출한 것을 나타내고 있다.
HOG 특징이 도출될 때, 블록의 크기는 각 블록마다 2×2 셀이 선택될 수 있으며, 셀의 크기는 각 셀마다 5×5 픽셀이 선택될 수 있다.
HOG 특징은 관심 영역의 패치로부터 생성되고, L2 norm을 통해 정규화된다. 최종적으로, 관심 영역 패치로부터 도출된 특징 벡터는 선형 SVM 분류기에 의해 인식될 수 있다. 영역으로부터 검출된 특징에 대한 분류 과정이 마무리되면, 고해상도 무인 항공 이미지에서 인식 결과를 찾을 수 있다.
[데이터셋]
실시예는 두가지 데이터셋을 사용한다. 하나는 스트립 타입의 26개 이미지와 블록 타입의 51개 이미지이다. 항공 이미지의 해상도는 4608/3456이며, 지면 샘플링 거리는 약 6센치이다.
두번째는 스트립 타입 85개와 블록 타입 67개이다. 항공 이미지의 해상도 크기는 4896/3672 픽셀이다. 그라운드 샘플링은 첫번째와 같으며, 지면 샘플링 거리로부터의 a의 크기를 가정한다. 따라서, 훈련 샘플의 크기는 90/60 이미지 픽셀이라고 고려한다. 훈련셋은 긍정 샘플과 부정 샘플을 포함하며, 긍정 샘플은 257이고, 부정샘플은 이보다 4배 많게 나타났다. 부정 샘플은 차가 없는 항공 영상으로부터 추출되었으며, 각 샘플의 크기는 긍정 샘플의 크기와 같다.
실시예에서는 분류기의 훈련을 위해 차가 한방향으로 이동하는 것으로 가정하였다. 실시예에 따른 항공 영상 이미지에서의 인공 물체 검출의 성능을 평가하기 위해 실시예는 인공 물체 검출의 분야에서 리콜과 정밀도를 사용하여 평가하였다. 지형 지물 검출의 경우에는 정확도를 평가하기 위해 지상 검증 자료를 만들었다.
두가지 경우 다 동일한 선형 SVM 분류기와 특징 추출 방법을 사용하였다. 지형지물 검출 결과는 픽셀/픽셀로 평가되며, 정밀도와 리콜은 수학식 7, 8 과 같이 정의될 수 있다.
Figure pat00007
Figure pat00008
리콜율(Recall rate)은 얼마나 많은 긍정이 존재하는가에 대한 값이며, 정밀도(Precision rate)는 얼마나 긍정을 정확히 예상했는지에 대한 값을 나타낸다.
도 6은 실시예를 통해 도출된 항공 영상 이미지의 결과를 나타낸 도면이다. 첫 이미지는 지형지물 검출의 결과를 나타내며 마지막은 순서대로 만들어진 지상 검증 자료를 나타낸다. 이 샘플에서, K의 초기값은 8000이며, IQR 팩터는 1.5이다. 중간 이미지는 인공 지물 검출의 결과를 나타내며, 청록 마크들은 검출된 인공 물체(차)에 해당되는 슈퍼픽셀들을 나타낸다.
실시예는 작은 물체 검출과 지형 지물 검출을 자동적으로 수행할 수 있다.
표 1은 서로 다른 검출 방식의 허용 능력을 나타낸 것이다.

 슬라이딩 윈도우 기반의 검출방법
분할 방법
실시예

작은 인공 지물 검출
가능
불가능

가능

지형 지물 검출
불가능
가능

가능
표 1을 참조하면, 슬라이딩 윈도 기반의 광범위 서치 방식이 작은 인공 지물의 검출이 가능함을 알 수 있으나, 이 방법은 지형지물을 검출할 수 없다. 반면, 분할 방식은 지형 검출에 있어서 고해상도 항공 이미지에서 픽셀들을 분할할 수 있다 있다 하여도 작은 인공 지물 검출에 적합하지 않다.
실시예는 작은 인공 지물의 검출과 지형 지물의 검출이 모두 가능하며, 실시예의 성능을 지형 지물 검출과 인공 지물 검출의 두가지 측면에서 평가하였다.
[지형지물 검출에서의 성능]
실시예는 지형지물 검출의 수행을 평가하기 위해 몇몇 검증 이미지를 사용한다. 검증 이미지의 크기는 도심지를 촬영한 고해상도의 항공 영상 이미지이며, 슈퍼픽셀 생성에서 상기 이미지는 SLIC에 의해 분할되고, 병합 과정에 의해 생성된 세그먼트들은 X2 검증 이론을 가진 텍스톤 모델을 사용하여 구성되었다.
지형 지물 검출의 수행은 수학식 9에 개시된 바와 같이 전체 픽셀(OP) 정확도에 의해 평가될 수 있으며, 전반적인 픽셀 정확도는 올바르게 라벨된 픽셀의 비율을 통해 측정될 수 있다.
Figure pat00009
여기서, Cij는 지상 검증 자료 표 i와 예상되는 표 j에 관한 픽셀의 개수며, Gi는 i로 표식화된 전체 픽셀수이고 L은 분류의 개수를 나타낸다. 이 검증에서서는 흙, 초목, 물, 포장된 도로에 해당되는 4가지 분류에 대해서만 고려하였으며, 미정의된 분류는 복잡한 도심 항공 이미지에서 지상 검증 라벨링을 할시 불명확한 점을 포함하여 지형지물 평가에서 제외하였다.
1 2 3 4 5 6 7
흙 0.846 0.233 0.919 0.867 0.881 0.941 0.924
초목 0.898 0.773 0.495 0.531 0.510 0.52 0.642
물 0.010 - 0.974 0.996 - 0.573 0.674
포장도로 0.527 0.358 0.463 0.651 0.725 0.714 0.035
OP 0.724 0.485 0.603 0.659 0.656 0.671 0.542
표 2는 OP 정확도를 사용하여 지형지물 검출의 정확도를 나타낸 것이다. 실시예의 OP 정확도는 고화질의 복잡한 도심 이미지에서 50프로를 크게 넘어서는 것으로 나타났다. 몇몇 경우에는 에러율이 크게 나타났으며, 이는 물 반사, 그림자에 의한 경계 부분에서 주로 나타났다.
[인공 지물 검출에서의 성능]
도 7은 7개의 항공 영상 이미지에서 정밀도와 리콜율을 나타낸 그래프이다. 슬라이딩 기반 방법에서는 계산되는 윈도우가 5개의 픽셀에 해당하는 이동폭(stride)을 가지며, 슈퍼픽셀 서칭에 기반한 방법에서 슈퍼픽셀의 수는 8000개이다. 검증 이미지는 지형지물 검출시에 얻어진 이미지를 동일하게 사용하였다. 작은 물체를 포함한 고해상도 영상 이미지는 긍정 오류가 나타날 확률이 크다.
표 3은 항공 이미지에서 얻어진 긍정 오류의 수를 나타낸다.

 1152×864
(pixels)		 2304×1728
(pixels)		 4608×3456
(pixels)
SW(stride=5) 237 38 23
SW(stride=1) 383 64 25
SS(K=5000) 45 9 2
SS(K=5000) 49 8 1
표 3에서 SW, SS는 슬라이딩 윈도우, 슈퍼픽셀 서칭을 의미한다. 표 3을 살펴보면, SW의 경우에는 이미지의 크기가 커질수록 긍정 오류의 수가 적어지는 경향을 보이기는 하나, SS는 SW에 비해 전반적으로 긍정 오류가 급격히 줄어듬을 확인할 수 있다.
실시예는 콘텍스트 정보에 의해 검증된 적절한 영역에 대응되는 슈퍼픽셀만을 고려하기 때문에, 이러한 제한된 서칭은 슬라이딩 윈도우 방식에 비해서 긍정 오류의 수를 감소시키는 효과가 있다.
즉, 실시예는 슈퍼픽셀을 사용하여 서치를 수행하기 때문에, 긍정 오류가 적고, 상대적으로 고정밀도와 리콜율을 가지며, 계산 비용이 더 적게 요구된다.
[계산 비용의 비교]
계산 시간의 측면으로 각 방법의 성능을 평가하였다.
세가지 픽셀들을 검증하였으며, 첫번째 크기는 데이터 검증 데이터셋을 포함하고, 두번째 크기는 고해상도 항공 이미지 크기의 절반이며, 세번째 크기는 검증 데이터셋에서 검증이미지의 1/4이다. 실험에 사용된 파라미터는 슬라이딩 윈도 기반에서는 stride이며, 슈퍼픽셀 서칭방법에서는 슈퍼픽셀의 개수인 K이다.
도 8은 이미지 크기에 대한 계산 비용을 로그 비율로 나타낸 그래프이다. y축은 슈퍼픽셀 서칭 방법에 대한 슬라이딩 윈도우 방법의 비율을 나타내며, x축은 항공 이미지의 해상도를 나타낸다.
도 8을 참조하면, 배경 정보를 적용한 슈퍼픽셀 서칭 방법의 계산 비용이 현저히 적게 나타나므로 고해상도 항공 이미지에 적합함을 확인할 수 있다. 반대로, 이미지의 크기가 작을 때 슈퍼픽셀 생성과 텍스톤 모델을 사용한 콘텍스트 정보 추출의 계산 비용이 커질 수 있으나, 고해상도 항공 이미지의 크기가 슬라이딩 윈도 기반 방법의 계산 비용을 감소시키도록 작아진다면, 분류기의 정확도 또한 현저히 감소하게 된다. 따라서, 관심영역의 크기가 유용한 특징을 추출하기에 충분하지 않으며, 이는 긍정 오류를 야기시킨다.
슬라이딩 윈도우 방식은 정확도를 향상시키기 위해 계산되는 윈도우의 이동폭을 작게 설정하여 사용할 수 있으며, 실시예는 슈퍼픽셀 생성값인 K를 증가시켜 정확도를 향상시킬 수 있다. 계산 비용은 윈도우의 이동폭 사이즈가 감소하거나 K값이 증가할 때 많아질 수 있다. 그러나, 계산 비용의 증가량은 실시예의 경우 슬라이딩 윈도우 방식보다 현저하게 커지지 않는다.
도 9는 검색 영역에 대한 계산 비용의 비율을 나타낸 그래프이다. 한 픽셀의 하나의 윈동의 이동폭의 계산량은 다섯 픽셀의 다섯 이동폭에 계산량에 비해 대략 25배정도 크게 나타났다. 반면에, K값이 9000일 때는 5000일 때 보다 2.5배 정도 계산량이 증가하였다. 즉, 슬라이딩 윈도우 방식은 계산량이 급격히 증가함에 반해 실시예는 선형적으로 증가함을 의미한다.
실시예는 지형 지물 검출과 인공 지물 검출을 다루는 효과적인 고해상도 항공 이미지 분석 방법을 제공한다. 실시예의 지형 지물 검출은 유사 함수를 통한 구조적 분할 방법을 사용하였고 구조적 분할로부터 생성된 영역은 텍스톤 사전을 통한 텍스톤 모델을 사용하여 분류되며, 이를 통해 콘텍스트 정보가 도출될 수 있다.
상기 콘텍스트 정보를 통해 실시예는 관심 영역의 검색 영역을 줄일 수 있다. 실시예는 고해상도 항공 이미지에서 더 빠르고 효과적으로 인공 물체의 검출을 수행할 수 있으며, 슈퍼픽셀을 증가시켜도 이에 대비한 계산량의 변화가 적게 발생한다. 따라서 실시예는 고가의 서칭 프로세스에도 유리하게 적용될 수 있다.
이상에서 본 발명에 대하여 그 바람직한 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 발명의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 본 발명의 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (9)

  1. 무인항공기에서 얻어진 고해상도 항공 영상 이미지에서 인공 물체를 검출하는 방법으로서,
    지형 지물 인식을 위한 모델을 훈련하는 단계;
    인공 물체 인식을 위한 모델을 훈련하는 단계;
    무인 항공기로부터 항공 영상 이미지를 획득하는 단계;
    상기 항공 영상 이미지에 대한 계층적 분할 방법을 사용하여 다수개의 슈퍼픽셀을 형성하는 단계;
    상기 슈퍼 픽셀을 유사도에 따라 병합하고 미리 훈련된 지형 지물의 모델을 참조하여 상기 항공 영상 이미지에서 지형 지물의 검출 결과를 도출하는 단계;
    상기 지형 지물의 검출이 완료된 항공 영상 이미지에서 관심 영역을 선택한 후에 슈퍼픽셀 기반의 서치를 수행하는 단계; 및
    인공 물체가 검출된 슈퍼픽셀과 미리 훈련된 인공 물체의 모델을 참조하여 항공 영상 이미지로부터 인공 물체를 검출하는 단계를 포함하는
    항공 영상 이미지에서의 인공 물체 검출 방법
  2. 제 1항에 있어서,
    상기 항공 영상 이미지에 대한 계층적 분할 방법을 사용하여 다수개의 슈퍼픽셀을 형성하는 단계는, SLIC(Simple Linear Iterative Clustering) 기법을 사용하여 각 특징들을 색상과 이미지 평면 공간으로 표현하는 항공 영상 이미지에서의 인공 물체 검출 방법
  3. 제 1항에 있어서,
    상기 슈퍼픽셀을 형성하는 과정에서, 상기 슈퍼픽셀은 소정 개수(n)의 노드들로 분할되고, 이웃하는 영역간의 관계는 테두리로 표현되며 각 영역 간의 유사도가 표현되도록 형성되는 항공 영상 이미지에서의 인공 물체 검출 방법
  4. 제 1항에 있어서,
    지형 지물 인식을 위한 모델을 훈련하는 단계는,
    지형 지물의 색감 및 질감에 따라 여러개의 그룹으로 분류하는 과정, 각각의 그룹에 대해 소정 개수의 샘플을 얻고 각 샘플에 대한 특징을 추출하여 텍스톤 사전을 설계하는 과정을 포함하는 항공 영상 이미지에서의 인공 물체 검출 방법.
  5. 제 4항에 있어서,
    상기 지형 지물의 그룹은 흙, 초목, 물, 포장된 도로 및 미정의 그룹을 포함하는 항공 영상 이미지에서의 인공 물체 검출 방법.
  6. 제 1항에 있어서,
    상기 인공 물체 인식을 위한 모델을 훈련하는 단계는,
    인공 지물에 해당되는 소정 개수의 샘플을 취득한 후에, HOG를 통해 특징을 추출하고 이를 분류하여, 각 샘플에 대한 훈련 데이터를 확보하는 과정을 수행하는 항공 영상 이미지에서의 인공 물체 검출 방법.
  7. 제 5항에 있어서,
    상기 지형 지물의 검출이 완료된 항공 영상 이미지에서 관심 영역을 선택한 후에 슈퍼픽셀 기반의 서치를 수행하는 단계는,
    상기 지형 지물의 검출이 완료된 항공 영상 이미지에서 흙, 초목, 물에 해당되는 그룹으로 검출된 영역을 제외한 나머지 영역을 선택하는 것을 특징으로 하는 항공 영상 이미지에서의 인공 물체 검출 방법.
  8. 제 1항에 있어서,
    상기 슈퍼 픽셀을 유사도에 따라 병합하는 과정은, 이웃하는 슈퍼픽셀 간의 유사 점수의 최대값이 임계치를 만족할 때까지 수행되는 항공 영상 이미지에서의 인공 물체 검출 방법.
  9. 제 4항에 있어서,
    상기 텍스톤 사전은 지형 지물 그룹의 훈련 세트와 필터 뱅크를 통해 도출될 수 있으며, 상기 텍스톤 사전에 포함된 텍스톤들은 상기 필터 뱅크에 의해 생성된 각각의 필터 응답을 구분하기 위해 사용되는 항공 영상 이미지에서의 인공 물체 검출 방법.
KR1020170049051A 2017-04-17 2017-04-17 고화질 항공 이미지에서의 물체 검출 방법 KR101941043B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170049051A KR101941043B1 (ko) 2017-04-17 2017-04-17 고화질 항공 이미지에서의 물체 검출 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170049051A KR101941043B1 (ko) 2017-04-17 2017-04-17 고화질 항공 이미지에서의 물체 검출 방법

Publications (2)

Publication Number Publication Date
KR20180116588A true KR20180116588A (ko) 2018-10-25
KR101941043B1 KR101941043B1 (ko) 2019-01-22

Family

ID=64131697

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170049051A KR101941043B1 (ko) 2017-04-17 2017-04-17 고화질 항공 이미지에서의 물체 검출 방법

Country Status (1)

Country Link
KR (1) KR101941043B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634349A (zh) * 2020-12-22 2021-04-09 福建省星云大数据应用服务有限公司 一种基于遥感影像的茶园面积估计方法及系统
KR20220033047A (ko) * 2015-11-28 2022-03-15 안범주 적재물을 적재하는 무인 비행체
KR20220137193A (ko) * 2021-04-01 2022-10-12 주식회사 켐에쎈 드론을 이용한 전신주 새집 생성 방지 시스템 및 그 방법
KR20230110405A (ko) * 2022-01-14 2023-07-24 한국전력공사 문제수목 확인드론 및 방법
CN117190982A (zh) * 2023-11-07 2023-12-08 武汉追月信息技术有限公司 一种基于遥感影像的地理信息测绘系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130015976A (ko) * 2011-08-05 2013-02-14 엘지전자 주식회사 차량을 검출하기 위한 방법 및 장치
KR20150014646A (ko) * 2013-07-30 2015-02-09 국방과학연구소 영역 기반의 항공 영상 분할 방법 및 이를 실행하는 프로그램 코드를 저장하는 컴퓨터로 읽을 수 있는 저장 매체

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130015976A (ko) * 2011-08-05 2013-02-14 엘지전자 주식회사 차량을 검출하기 위한 방법 및 장치
KR20150014646A (ko) * 2013-07-30 2015-02-09 국방과학연구소 영역 기반의 항공 영상 분할 방법 및 이를 실행하는 프로그램 코드를 저장하는 컴퓨터로 읽을 수 있는 저장 매체

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220033047A (ko) * 2015-11-28 2022-03-15 안범주 적재물을 적재하는 무인 비행체
CN112634349A (zh) * 2020-12-22 2021-04-09 福建省星云大数据应用服务有限公司 一种基于遥感影像的茶园面积估计方法及系统
KR20220137193A (ko) * 2021-04-01 2022-10-12 주식회사 켐에쎈 드론을 이용한 전신주 새집 생성 방지 시스템 및 그 방법
KR20230110405A (ko) * 2022-01-14 2023-07-24 한국전력공사 문제수목 확인드론 및 방법
CN117190982A (zh) * 2023-11-07 2023-12-08 武汉追月信息技术有限公司 一种基于遥感影像的地理信息测绘系统
CN117190982B (zh) * 2023-11-07 2024-02-02 武汉追月信息技术有限公司 一种基于遥感影像的地理信息测绘系统

Also Published As

Publication number Publication date
KR101941043B1 (ko) 2019-01-22

Similar Documents

Publication Publication Date Title
KR101941043B1 (ko) 고화질 항공 이미지에서의 물체 검출 방법
CN108596055B (zh) 一种复杂背景下高分辨遥感图像的机场目标检测方法
CN108052966B (zh) 基于卷积神经网络的遥感图像场景自动提取和分类方法
CN110009010B (zh) 基于兴趣区域重检测的宽幅光学遥感目标检测方法
Abdollahi et al. Integrated technique of segmentation and classification methods with connected components analysis for road extraction from orthophoto images
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
CN108830870B (zh) 基于多尺度结构学习的卫星影像高精度农田边界提取方法
CN111639587B (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
CN106023257A (zh) 一种基于旋翼无人机平台的目标跟踪方法
Shahi et al. Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery
CN103955913A (zh) 一种基于线段共生矩阵特征和区域图的sar图像分割方法
Kahraman et al. Road extraction techniques from remote sensing images: A review
CN113111722A (zh) 基于改进Mask R-CNN的自动驾驶目标识别方法
Hossain et al. A hybrid image segmentation method for building extraction from high-resolution RGB images
CN108960276B (zh) 提升光谱图像监督分类性能的样本扩充与一致性判别方法
Rusyn et al. Segmentation of atmospheric clouds images obtained by remote sensing
CN106845458A (zh) 一种基于核超限学习机的快速交通标识检测方法
Jing et al. Island road centerline extraction based on a multiscale united feature
Senthilnath et al. Automatic road extraction using high resolution satellite image based on texture progressive analysis and normalized cut method
Pingfang et al. Cloud detection from visual band of satellite image based on variance of fractal dimension
CN105701810A (zh) 一种基于点击式图像分割的无人机航拍图像电子勾绘方法
Engstrom et al. Evaluating the Relationship between Contextual Features Derived from Very High Spatial Resolution Imagery and Urban Attributes: A Case Study in Sri Lanka
CN109344837B (zh) 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法
Wu et al. Vehicle detection in high-resolution images using superpixel segmentation and CNN iteration strategy
DadrasJavan et al. An object-level strategy for pan-sharpening quality assessment of high-resolution satellite imagery

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant