기계학습 모형을 이용한 동영상 내 군함 검출

국문 초록 (Abstract)

현대생활은 인공지능 시대에 살고 있다고 할 수 있다. 그 중 하나로 많은 장소에 카메라를 설치하여 얼굴과 차량번호 등을 자동으로 인식한다. 군에서도 줄어드는 병력을 대신하여 곳곳에 감시카메라를 설치함으로써 경계임무를 수행하고 있다. 해군도 마찬가지로 각종 도서 및 울타리에 감시카메라를 설치하여 해상에 있는 접촉물을 식별한다. 해상 접촉물 중에서 군함을 자동으로 식별해 낸다면 경계임무를 수행함에 있어 많은 도움이 될 것이다. 동영상에서 군함을 검출하는 방법으로 기계학습 모형인 Support Vector Machine과 Random Forest 알고리즘을 사용하였다.
동영상은 실시간 캡처를 하여 이미지로 저장을 할 수 있다. 그러면 이미지에 군함의 여부를 판별하면 될 것이다. 해상 접촉물에는 상선, 여객선, 어선, 군함, 부유물 등이 있다. 이중에서 군함을 식별해 내야 한다. 각 물체들에는 독특한 에지 분포 정보를 가지고 있으며 선박 중의 하나인 군함도 마찬가지이다. 에지 분포 정보를 바탕으로 HOG(Histogram of Oriented Gradient)를 이용한 SVM 실험결과 최대 62.7%로 매우 낮았다. Random Forest 알고리즘은 68.7%로 SVM 알고리즘 보다 6% 더 높게 나왔다.
군함의 선체 색깔은 거의 회색이다. 반면 상선, 여객선, 어선들의 선체는 회색을 사용하지 않고 흰색, 적색, 청색 계통의 색깔을 주로 사용한다. 그래서 HOG 뿐만이 아니라 색상 정보를 SVM의 입력자료로 이용하였다. 실험결과 최대 77.2%의 정해률이 나왔고, 정밀도도 80.6%로 다른 알고리즘보다 상대적으로 높았다. 그러나 SVM의 알고리즘은 결과 값을 산출하는데 상대적으로 긴 시간이 소요되었다.
참 긍정율은 Random Forest에서 최대 81.9%의 값을 보였다. 그러나 정밀도는 69.1%로 낮게 나왔다.
군대에서 경계는 매우 중요하다. 경계의 한 번의 실수가 작전의 승패를 좌지우지 하는 경우가 많이 있다. 군대에서는 경계를 함에 있어서 반드시 100%를 달성해야 한다. SVM의 참 긍정율 71.3%, Random Forest의 참 긍정율 81.9%는 100%에 비해 상당히 낮은 수치이다. 또한 경계임무에 있어서 71.3%, 81.9%는 용납될 수 없다. 하지만 군함 검출 시스템을 병행해서 사용한다면 경계임무에 도움이 될 것이라 생각한다.

목차 (Table of Contents)

• 1. 서 론 1
• 1.1. 연구목적 1
• 1.2. 논문소개 2
• 1.3. 논문구성 3
• 2. 배경 이론 및 관련 연구 4
• 2.1. Support Vector Machine 4
• 2.1.1. Margin method 6
• 2.1.2. Kernel method 8
• 2.2. Random Forest 10
• 2.3. 기계학습 및 객체 검출 10
• 2.4. HOG 13
• 2.4.1. HOG(Histogram of Oriented Gradient) 13
• 2.4.2. 에지 분포를 이용한 HOG 15
• 2.5. RGB 색상 20
• 2.6. 선박의 종류 및 특징 21
• 2.6.1. 선박의 종류 21
• 2.6.2. 선박 종류별 특징 22
• 3. 이미지의 HOG 및 색상 정보 23
• 3.1. HOG Feature 24
• 3.2. HOG를 위한 에지 정보 검출 27
• 3.3. 이미지 내 색상 검출 28
• 3.3.1. 회색 및 흰색 검출 28
• 3.3.2. 적색 및 청색 검출 30
• 4. 실험 및 평가 32
• 4.1. 실험 데이터 32
• 4.2. 실험환경 35
• 4.3. 평가지표 35
• 4.4. 실험결과 38
• 4.4.1. 정해율(Accuracy) 38
• 4.4.1.1. HOG만을 이용한 알고리즘 평가 38
• 4.4.1.2. HOG와 색상을 이용한 알고리즘 평가 38
• 4.4.2. 참 긍정율(Recall rate) 47
• 4.4.3. 정밀도(Precision) 49
• 4.4.4. 종합 51
• 5. 결론 52
• 5.1. 요약 및 의의 52
• 5.2. 후속 과제 54
• 참고문헌 56
• Abstract 59
• Appendix A(Main.java) 61
• Appendix B(MyClassifier.java) 65