Acoustic beam profile-based rapid underwater object detection for an imaging sonar

Fig.1 Acoustic beam profile-based rapid underwater object detection for an imaging sonar

Journal of Marine Science and Technology

Received: 18 June 2014/Accepted: 7 November 2014/Published online: 21 November 2014

아직 AI가 활발하게 활용되기 전의 논문으로, 1D cross-correlation을 활용한 논문

내용

수중 물체 인식의 중요성과 어려움

Framework 소개: 초기 탐색 후 후보 선정, 이동 후 재탐색

기존 optical sensor에서 쓰이는 방식을 수중에서 그대로 쓸 경우 어떤 문제가 있는지 보임: 소나 이미지를 2D cross-correlation하는건 매우 부정확함, 육안으로는 비슷한 이미지가 있어도 2D cross-correlation 한 결과는 매우 낮음
본문 그림 2-3 참조

소나의 속도에 따라 sawtooth pattern이 보임: 소나의 각 빔은 [ \Delta t ]의 시간차로 방출되기 때문에, 소나가 이동함에 따라서 신호 간 시차로 인해 flat해야 할 신호는 sawtooth 형태를 보임.
본문 그림 9-10 참조

proposed method 소개: 각 beam의 frame 차이에 대해서 1D cross-correlation을 수행해, 신호의 존재 확인(즉, object의 존재 여부 확인), 그리고 cross-correlation result의 각 빔 별 maximum value의 vector [ m \left( i \right) ]를 통해 배경과 물체와 배경을 구분할 수 있다.
본문 그림 15 참조

본 연구에서는 object detection window라는 값을 제시한다. The [ m \left( i \right) ] 의 그래프*에서 vertical length [ \alpha ] 와 horizontal length [ \beta ]를 지정해, 해당 값 이상의 window가 있을 시 object가 있다고 판단하는 것이다.
본문 그림 16 참조

The [ \alpha ] 는 1D cross-correlation의 maximum value의 index와 관련된 값이므로, 소나의 이동 속도와 관련된 값이다. 이를 위해 본문에서는 소나 이미지의 픽셀 차이에 따른 현실의 거리 [ \epsilon_{r} ]와, 소나 이미지의 각 프레임 사이의 소나의 실제 이동 거리 [ d ]를 계산하여, 그 비율 [ d / \epsilon_{r} ]로부터 [ \alpha ]를 계산한다.

The [\beta]는 소나의 방위각에 관련된 값이므로, 물체의 크기와 빔폭의 크기에 따라 결정한다.

The method는 실내 수조 실험과 실해역 실험으로 검증되었다.

생각

배경과 물체를 구분하는 방법으로, 신호의 sonar image상 이동을 활용한 연구이다. 어떻게 보면 각 frame당 beam별 신호의 phase 차이를 통해 배경과 물체를 구분하는 방법이다.

그렇다면 여기서 phase 차이를 통해 고도를 구분할 수 있는가, 에 대해서 생각해 볼 수 있을 듯 하다.

단점으로는, 방위각 방향으로의 회전에 취약할 것 같다는 생각이 든다.

Todo list

• Geometry 그려봐서 phase 차이 있을지 생각해보자.

---

참고문헌

Cho, H., Gu, J., Joe, H. et al. Acoustic beam profile-based rapid underwater object detection for an imaging sonar. J Mar Sci Technol 20, 180–197 (2015). https://doi.org/10.1007/s00773-014-0294-x