In this thesis, a new fast detection and clutter rejection method is proposed for Automatic Target Detection System in CCD image. Fast computation is a critical point for defense application, thus we concentrated on the ability to detect various targets with simple computation.
For fast detection, the proposed method uses a cascade structure of the Adaboost algorithm. The Adaboost algorithm was successfully used for face detection. The proposed method slightly modified the Adaboost method to detect tank targets when the training data set is not enough. A majority filtering is also proposed to reject clutters detected alone, which improves the detection rate.
Experiments were performed with real tank images. The experimental results show that the proposed method is superior to the previous method and it is fast enough to be used in actual defense system.
이 논문에서는 지대지 응용환경에서 획득된 전방관측 CCD 영상에 적용될 수 있는 자동탐지 알고리즘을 제안한다. 표적 탐지는 자동표적 인식의 첫번째 단계이며 이후 이어지는 과정은 초기 표적 탐지가 성공적으로 수행되어야만 가능하므로 표적 탐지가 자동표적 인식 시스템에서의 갖는 중요도는 매우 크다고 볼 수 있다. 기존이 연구는 대부분 주야간 일관된 관측이 가능한 FLIR영상에서의 자동 표적 탐지에 집중되어 왔다. 그러나 지표면이 가열되어 FLIR영상에서 환경 잡음 요인이 심한 경우 CCD 영상에서의 표적 탐지 결과가 보완적으로 이용될 수 있다. 그렇기에 이 논문에서는 CCD 영상에서의 자동 표적 탐지 알고리즘을 제안하고 실제 전차를 운용하여 촬영한 영상을 대상으로 실험하여 그 성능을 입증하였다.
Paul Viola에 의해 제안된 Cascade Adaboost 알고리즘은 얼굴 탐지에서 가장 빠른 성능을 갖는 것으로 알려져 있다. 이 논문에서는 Cascade Adaboost를 개선하여 적 전차와 같이 학습 영상을 충분히 획득할 수 없는 경우를 대비해서 generalization error를 줄일 수 있는 방법을 제안하였다. 구체적으로 weak classifier를 학습시킬 때 mask의 크기와 feature의 분포에 적응적인 logistic function을 사용하여 각각의 학습 영상의 가중치가 에러크기에 비례하게 증가하는 방법을 사용하였다. 또한 시험단계에서는 logistic함수의 사용으로 generalization error로 인한 오판을 감소시켰다. 그 밖에 Cascade Structure를 학습시키는 방법을 개선하였고 Majority Filter를 사용해서 중복되어 탐지되는 표적 후보만 인정하는 방법을 사용하였다.
제안된 알고리즘은 국방과학 연구소의 협조로 획득한 두대의 실제 전차 영상에 대해서 실험하였다. 먼저 학습 영상과 같은 크기의 블록 영상에 대해서 성능을 시험하였는데 Hit Rate 100%, False Alarm Rate 1%의 성능을 확인하였다. 이어서 640×480 영상에 대해서 시험하였는데 Intel 2.8 HGz CPU 환경에서 0.21초만에 처리될 만큼 빠른 성능을 확인하였다.
