수중 카메라 타겟 인식

이미징 원리 조정: 수중 카메라의 광학 시스템은 물의 활성 지수에 따라 최적화됩니다. 물의 굴절률은 약 1.33으로 공기와 다르기 때문에 굴절과 빛이 발생합니다. 따라서 렌즈 설계는 비교적 선명한 이미지를 보장하기 위해 이러한 요소를 고려해야 합니다. 예를 들어 특수 광각 렌즈를 사용하면 굴절로 인한 이미지 왜곡을 어느 정도 줄일 수 있습니다.

이미지 전처리: 복잡한 수중 환경으로 인해 이미지는 종종 색상을 보정하고 대비를 강화하기 위해 전처리가 필요합니다. 여기에는 물에 흡수된 특정 파장의 빛을 보상하는 색상 보정과 수중 이미지는 일반적으로 대비가 낮기 때문에 대비 향상이 포함됩니다. 히스토그램 평준화와 같은 방법은 대상 물체와 배경을 더 쉽게 구별할 수 있도록 개선할 수 있습니다.

모양 특징: 모양은 수중 표적 인식에 중요한 특징입니다. 수중 고고학에서 고대 난파선 조각의 모양은 불규칙한 블록이거나 특정 기하학적 모양을 가질 수 있습니다. 캐니 감지와 같은 에지 감지 알고리즘을 사용하여 표적 객체의 에지 윤곽을 추출할 수 있으며, 이는 인식에 중요한 단서 역할을 합니다.

텍스처 특징: 많은 수중 대상은 고유한 텍스처를 가지고 있습니다. 예를 들어, 산호초는 복잡하고 섬세한 텍스처를 가지고 있는 반면, 물고기 비늘은 고유한 텍스처를 가지고 있습니다. 회색 레벨 동시 발생과 같은 텍스처 분석 방법을 사용하면 거칠기와 방향성을 포함하여 대상 객체의 텍스처 특징을 추출할 수 있으며, 이를 인식에 사용할 수 있습니다.

색상 특징: 색상은 왜곡될 수 있지만 어느 정도 특징으로 사용할 수 있습니다. 예를 들어, 일부 열대어는 밝은 색상을 가지고 있습니다. 색상 히스토그램을 추출하거나 색상이 보정된 이미지에서 색상 모멘트를 계산하면 색상 특징을 사용하여 인식을 도울 수 있습니다. 또한, 다양한 수중 생물이나 물체는 특정 스펙트럼 대역에서 고유한 색상 특성을 가질 수 있습니다.

템플릿 매칭 기반 알고리즘: 대상 객체의 모양 특성이 잘 정의된 경우(예: 파이프라인의 모양과 크기가 미리 알려진 수중 파이프라인 검사) 대상 객체의 템플릿 이미지를 캡처된 이미지와 매칭할 수 있습니다. 정규화된 교차 상관 계수와 같은 유사성 측정을 계산하여 대상 객체의 존재와 위치를 확인할 수 있습니다.

머신 러닝 알고리즘:

지도 학습: 여기에는 레이블이 지정된 수중 이미지 데이터 세트로 학습하는 것이 포함됩니다. 예를 들어, 다양한 종류의 물고기에 대한 레이블이 지정된 이미지가 있는 경우 모양, 질감, 색상과 같은 특징을 입력으로 사용하고 물고기 종류를 출력 레이블로 사용할 수 있습니다. 지원 벡터 머신(SVM) 및 의사 결정 트리와 같은 알고리즘을 분류 학습에 사용할 수 있습니다. 그런 다음 학습된 모델을 사용하여 새로운 수중 이미지에서 물고기 종류를 식별할 수 있습니다.

비지도 학습: 이는 해저에서 새로 발견된 알려지지 않은 생물학적 공동체와 같이 사전 지식이 없는 대상을 위한 것입니다. K-means 클러스터링과 같은 클러스터링 알고리즘은 대상을 특성에 따라 그룹화한 다음 각 그룹 내의 대상을 추가로 분석하는 데 사용할 수 있습니다.

딥 러닝 알고리즘:

합성곱 신경망(CNN): 이것은 수중 표적 인식에 효과적인 방법입니다. 예를 들어, 여러 합성곱 층, 풀링 층, 완전 연결 층이 있는 CNN을 구성할 수 있습니다. 여러 수중 이미지를 학습 데이터로 사용하여 네트워크는 표적 객체의 고수준 특징을 자동으로 학습할 수 있습니다. 예를 들어, 수중 로봇의 표적을 광물이나 난파선의 일부로 인식할 때 CNN은 이러한 표적의 복잡한 특징을 학습하여 고정밀 인식을 달성할 수 있습니다.

소나 센서와의 융합: 수중 환경에서 소나는 대상 물체의 거리와 크기에 대한 정보를 제공할 수 있습니다. 수중 카메라와 소나 센서의 데이터를 통해 대상 물체에 대한 보다 포괄적인 이해를 얻을 수 있습니다. 예를 들어, 수중 수색 및 구조 작업에서 소나는 잠재적인 인간 대상의 대략적인 위치와 범위를 감지한 다음 수중 카메라는 이 정보를 사용하여 정확한 시각적 인식을 통해 대상인지 확인할 수 있습니다.

광학 센서와의 융합: 수중 카메라가 멀티 스펙트럼 카메라인 경우 LiAR과 같은 다른 광학 센서와 융합하여 대상 인식 기능을 향상시킬 수 있습니다. 다양한 광학 센서는 대상 물체에 대한 다양한 특징 정보를 제공할 수 있으며, 이 정보를 융합함으로써 대상 인식의 정확성과 견고성을 개선할 수 있습니다.