Automatic Target recognition from aerial images is becoming an increasingly important research topic in surveillance and reconnaissance. There are many important applications and research area, such as precision strike against tactical target in military and Navigation for UAV system. This paper focuses on ground target recognition using semi-supervised learning method by support vector machine. Object recognition using support vector machine has ad-vantage of short training time and small sample with compare to other learning based classifi-er. When system receives input image, we extract feature information which represent the characteristic of sub images. Then, features can encode to the visual word using vector quan-tization method. In this paper, we compared the hard assignment method and soft assignment method. After encoding image vectors, Support Vector Machine compute and optimize to model the local distribution of image vector according to their similarity with supervised learn-ing. Finally, Equations of hyper-plane which can be classify image vectors recognize category of object. Object recognition method for UAVS should be robust change of rotation and im-age scale. Even if the image is rotated, Rotate-Invariant Spatial Histogram is utilized which can be converted to the same image vector, and camera parameter and UAV altitude information is used to solve image scale problem. Also, in order to perform the algorithm in real time, we studied how to improve the calculation speed while maintaining the recognition performance.
To simulate Object recognition, learning sample is extracted form spatial information service, via Google-map and the proposed method verify performance in various condition of test image.
본 논문에서는 무인항공기를 이용하여 회전에 강인한 목표물 인식기법에 대한 연구이다. 기존 영상처리 분야에서 사용되는 기법 중 하나인 서포트벡터머신 (Support Vector Machine)을 사용하여 인식을 수행하였으며, 이때 회전에 강인한 Spatial histogram 방법을 이용하여 영상이 지속적으로 회전된 목표물도 추가적인 교육과정이 없이 수행하였다. 또한 무인기에 적용가능 하도록 평균-이동 분할 방법을 이용하여 입력 영상 내에서 목표물 탐지 및 인식을 수행하였다.
인식 시간 개선을 위해 두가지 방법으로 접근하였다. 첫 번째는 특징점 추출 개수를 효과적으로 압축하도록 Edge와 FAST 특징점을 이용하였다. 기존의 목표물 검출기는 최대한 많은 수의 De-scriptor를 사용하여 이미지의 다양한 정보를 얻어서 수행하였지만, 많은 수의 데이터를 다루기 때문에 실시간성은 보장이 되지 않는다. 이를 보완하기 위해 목표물의 형상학적인 정보 위주로 특징점을 추출하여 목표물 인식을 수행하였다. 또한 PCA알고리즘을 사용하여 데이터의 차원의 수를 줄여 계산속도를 향상 시켰으며, 일부 잡음 데이터를 제거함으로 인식율이 향상되었다. 검증을 위하여 항공영상 내 차량 인식을 수행하였으며, 다양한 방향의 차량에 대하여 동시에 인식이 가능함을 확인한다.
