Automatic video tracking systems are employed in a wide variety of applications such as surveillance system, fire control systems, guidance, robotics, and autonomous vehicle navigation. Especially, for the military applications, the development of automatic target tracking systems has enabled more accurate determination of target position, velocity, acceleration, and other parameters required for weapons guidance and target designation. In applications which require target designation and firing such as a battle tank or missile, it is important to determine the center of the target since the centroid of the target image is used for the aiming point of the fire control systems. For the hard targets like tanks, the determination of an exact aim point on the target is essential to achieve high probability of hit.
For the computation of the exact aiming point, an accurate extraction of the target from the image is indispensable requirement. However, several problems may arise in the process of the object extraction. One of the major problems is noise and generally, two sources of noises degrade the performance of the object extraction. The first one is system and sensor noise, and it is usually modeled by additive white Gaussian noise and can be easily rejected. However, another source of noise, clutter which has similar intensities to those of the target, make it more difficult for the tracker to extract the target from its surrounding background. This problem brings about misclassifications between the target pixels and background ones, and causes critical errors in computing the aiming point. Thus, the tracking system often fails to keep the aiming point and produces unfavorable results in the outdoor environments.
In this dissertation, new methods on the target extraction are presented in order to guarantee the performance for finding the reliable aim point against cluttered environments. The goal is to develop an algorithm which is robust in outdoor environments and requires less assumption about target size, shape change, brightness change, moving or stationary condition, and etc..
First of all, an optimal segmentation based on only the intensity is proposed to take into account the real time applications. Several previous studies using the intensity generally search the full range of the gray level to find the optimal threshold value. However, in this study, the threshold is found analytically under the assumption that the image composed of two components and its distribution is a Gaussian mixture. Maximum likelihood function is introduced for the estimation of the parameters and for more accurate estimates, the algorithm is formulated as an iterative scheme. In order to reduce the excessive computation at each iteration, histogram information is incorporated into the algorithm, and adequate initial values are introduced to improve the convergence characteristics. Also, optimal segmentation for the various kinds of the distributions is discussed in detail and the solution is presented even when the one component density completely includes the other one.
The segmentation using the intensity information often causes errors when the image includes clutters which have almost same intensities as the target. In order to remove the target-like clutters, additional features including the segmentation label are introduced, and the extraction problem is formulated by the maximum a posteriori probability (MAP) function. Under the assumption of the Markov random field, the maximization of MAP is finally derived into the clustering problem in the feature space. It is shown that the maximization of the MAP is identical to the minimization of the intra-cluster distances in the feature space.
In order for the clustering processing to be accomplished automatically, the number of classes in the input data must be known in advance. To obtain an optimal number of clusters, the structures of the clusters are carefully investigated in the partitioning process, and two kinds of algorithms are proposed to automate the clustering process. As the first approach, a potential function is introduced and some useful functions such as total potential function, intra-cluster potential function, and prototype potential function are defined under the assumption that all the data points are regarded as the energy sources. Thus, new validity functions based on these functions are proposed to find the optimal number of clusters. As the second approach, an under-partition measure function and an over-partition measure function are found through the partitioning process, and efficient functions for the determination of the optimal number of clusters are developed by the combination of two functions. The proposed methods are successfully applied to the real images and they extract the target accurately in the cluttered environments.
현대전으로 접어들면서 전장환경의 다변화로 인한 사격통제장치의 자동화 및 지능화에 대한 요구가 증대되고 있다. 자동추적 장치는 동적인 환경변화 조건에서도 조준선이 항상 표적의 중심을 지향 및 추적하는 시스템으로서 무인감시, 원격탐사, 교통관제 등의 다양한 시스템에 응용이 가능하고, 군사적인 용도로서도 항공기, 미사일등에 적용되고 있으며, 최근 들어 지상 전투차량에 대해서도 자동추적장치에 대한 요구가 증대되고 있다.
전차, 장갑차등의 지상 전투차량과 같이 일정시간 동안 표적을 조준, 추적하여 사격을 목적으로 하는 시스템에서는 표적의 중심점을 찾는 것이 중요한 문제가 된다. 일반적인 무기체계 시스템에서 표적영상의 중심점은 사격 시 조준점으로 사용되고 있으며, 특히 초탄 명중률을 중요시하는 전차와 같은 시스템에서 정확한 표적의 중심점을 찾는 것은 긴박한 전장환경에서 우위를 차지하는 결정적인 요인이 된다.
표적의 중심점을 계산하기 위해서는 배경영상으로부터 정교한 물체 추출이 선행되어야 하는데, 영상 데이터로부터 정확한 물체를 추출하는 데에는 여러 가지 저해 요소가 존재한다. 가장 심각한 것 중의 하나가 잡음인데, 이는 크게 두 가지 종류로 분류될 수 있다. 첫 번째는 영상센서와 입력영상을 처리하는 과정에서 발생하는 잡음이다. 이 잡음은 비교적 크기가 작으며 일반적으로 백색 가우시안 잡음으로 처리하여 쉽게 제거할 수 있다. 두 번째는 입력 영상내의 표적과 밝기 특성이 유사한 클러터에 의한 잡음이다. 특히, 지상환경과 같이 복잡한 배경을 포함하는 영상에서는 다양한 클러터의 존재가 표적의 추출을 더욱 어렵게 만들고 있으며, 정확한 조준점 계산에 치명적인 에러를 유발하게되어, 시간이 지남에 따라 자동추적장치의 성능을 불안정하게 하는 원인이 된다.
본 논문에서는 클러터 잡음이 존재하는 영상에서도 안정된 조준점을 제공할 수 있도록하는 정교한 물체추출 방법에 관하여 연구 하였다. 먼저, 실시간 처리를 고려하여 영상의 밝기 정보만을 이용하는 방법을 제안하였다. 일반적인 비모수 방법을 사용하는 물체추출 방법에서는 영상밝기의 전구간을 탐색하여 최적의 역치값을 찾아내는 방법을 사용하고 있으나, 본 연구에서는 영상을 구성하는 표적과 배경의 밝기가 가우시안 분포를 따른다고 가정하여 해석적인 방법으로 최적의 역치값 계산방법을 제시하였다. 우도함수를 사용하여 파라미터를 추정하는 방법을 유도하였으며, 더욱 정교한 파라미터 추정을 위하여 반복적인 계산기법을 제시하였다. 또한, 매 반복 구간마다 요구되는 과도한 계산량을 줄이기 위하여 히스토그램 정보를 사용하였으며, 반복 연산의 수렴특성을 개선하기 위하여 적절한 초기값 선정방법을 제안하였다. 또한, 추정된 파라미터를 기반으로 다양한 영상분포의 경우에 대해서도 최적의 영상분할이 가능하도록 하는 최적 조건에 대하여 논의하였다.
물체추출을 위하여 영상의 밝기 정보만을 활용하게 되면 표적과 밝기특성이 동일한 클러터가 존재시 원하지 않는 부분까지도 표적으로 분류가 되어 조준점 계산에 에러를 유발하게 된다. 이러한 문제를 극복하기 위하여 밝기 정보만을 사용하여 추출한 결과에 추가적인 특징정보를 활용함으로서 클러터를 제거하는 방법을 제시하였다. 영상의 각 화소에서 구한 특징벡터를 기반으로 사후확률을 최대화하는 물체추출 방법을 제시하였고, 영상이 마르코프 랜덤필드를 따른다는 가정 하에 최종적으로 에너지 함수를 최소화하는 클러스터링 문제로 유도하였다. 에너지 함수를 특징공간에서 분류된 각 클러스터 내부의 유클리디언 거리의 총합으로 정의함으로서, 사후확률의 최대화 문제가 특징공간에서 모든 클러스터들이 가장 콤팩트하게 클러스터링 하는 문제와 동일함을 보였다.
특징공간에서 클러스터링이 자동적으로 이루어지기 위해서는 사전에 입력데이터가 몇 개의 콤팩트한 클래스로 구성되어 있는지를 알아야 한다. 이를 위해서 클러스터링 과정을 면밀히 조사함으로서 최적의 클래스 수를 찾아낼 수 있는 몇 가지 방법을 제시하였다. 첫 번째는 포텐셜 함수를 이용한 방법으로서, 모든 입력 데이터 각각이 하나의 에너지원이라고 간주하여 총 포텐셜함수, 클러스터 내부 포텐셜함수, 및 프로토타입 포텐셜함수를 정의하고 함수들의 상반된 변화특성을 이용함으로서 최적의 클래스 수를 찾을 수 있는 새로운 함수를 제시하였다. 두 번째 방법으로서, 클러스터링 과정에 발생하는 클러스터의 구조적인 변화특성 정보를 이용하여 과대분류 측정함수와 과소분류 측정함수를 찾아내었으며, 두 가지 함수의 적절한 조합을 통하여 최적의 클래스 수를 찾아낼 수 있는 기준함수를 제안하였다. 또한, 다양한 형태의 수치데이터에 대한 모의 실험을 수행함으로서 제안된 방법들이 우수한 성능을 나타냄을 볼 수 있었고, 영상 데이터에 적용한 결과 클러터가 존재하는 환경에서도 정교한 물체추출이 가능함을 볼 수 있었다.
전장과 같이 전천후 환경에서도 안정된 자동추적 기능를 발휘하기 위하여는 배경에 의한 표적의 가림이나 표적의 밝기특성이 배경과 유사한 환경에서도 항상 정확한 표적을 추출할 수 있는 강인한 물체추출 방법에 대하여 더욱 연구되어야 할 것이다.
