AI 컴퓨터 비전 기반 강건한 UAV 탐지 및 추적 시스템

요약

기술 혁신으로 보안이 최대 현안이 되었습니다. 드론 접근성이 기하급수적으로 늘며 일반 보안에 큰 위협이 되고 있습니다. UAV(무인 항공기) 사용이 최근 몇 년간 급증했습니다. 이러한 보안 이슈를 고려해 해결책을 제안합니다. 첫째, UAV를 탐지하고, 둘째, 그 경로를 추적합니다.

객체 탐지에 컴퓨터 비전 딥러닝 알고리즘이 매우 효과적입니다. 입력은 실시간 객체 탐지 및 추적에 쓰이는 신경망 YOLO(You Only Look Once)가 처리합니다.

2.1 UAV 개념 이해

"컴퓨터 비전을 이용한 UAV 탐지 및 추적"이란 제목대로, UAV(Unmanned Aerial Vehicle, 무인 항공기)는 조종사 없이 원격 제어나 탑재 컴퓨터로 조종 가능한 항공기입니다.

UAV는 농업, 과학 연구, 기상 예보, 배송, 구조 작업, 의료 등 유익한 목적으로 쓰입니다. 반면 공격, 미사일 공격, 표적 살해 등 유해한 목적으로도 악용될 수 있습니다.

2.2 컴퓨터 비전이란?

컴퓨터 비전은 컴퓨터가 인간 시각처럼 이미지를 보고, 식별하고, 처리해 적절한 출력을 내도록 하는 과학 분야입니다. 컴퓨터 비전은 거의 모든 분야에 쓰입니다:

• 객체·얼굴 탐지
• 로봇 수술 및 의료 진단
• 이미지 처리
• 농업
• 우주 기술 (NASA 화성 탐사선: 지형 모델링, 경로 장애물 탐지, 파노라믹 이미지 스티칭 기능 탑재) 컴퓨터 비전 응용 분야는 그림 1.4 참조

2.3 이미지 처리 기법이란?

이미지 처리 기법은 컴퓨터 비전이 다양한 작업을 수행하는 데 사용됩니다. 이미지로 얻은 스택에 연산과 방법을 적용해 품질을 개선하거나 특정 결과를 얻는 과정을 이미지 처리라 합니다.

이미지 처리는 오늘날 정보 기술에서 가장 빠르게 진화하는 분야 중 하나로, 비즈니스 전 영역에 응용이 확대되고 있습니다. 이미지 처리 응용:

이미지 처리 활용 사례

이미지 처리는 다음 분야에 활용됩니다:

• 로봇공학
• 의료
• 패턴 인식
• 비디오 처리
• 얼굴 탐지

  2.4 소프트웨어 요구사항

• Anaconda
• Spyder
• Python
• OpenCV 라이브러리

3. 객체 탐지 알고리즘

객체 탐지 알고리즘은 많습니다. 주요 몇 가지:

• 비올라-존스 (Viola-Jones)
• 합성곱 신경망 (CNN, Convolutional Neural Networks)
• YOLO (You Only Look Once)
• SSD (Single Shot Detector)
• R-CNN (Region Convolutional Neural Networks)

표 3.1: 탐지 알고리즘 비교

알고리즘	설명	강점	약점
비올라-존스 (2001년 폴 비올라·마이클 존스 개발)	주 목적: 얼굴·객체 탐지. 실시간 탐지 가능. 이미지를 더 작은 하위 영역으로 나누고 각 영역의 특수 특징을 찾아 객체 탐지. 하르 유사 특징(Haar-like features) 사용	강건함 매우 높은 탐지율 이미지 각기 다른 부분을 보는 여러 분류기 사용 빠름 가장자리·선 탐지 우수	기울어진/회전된 얼굴 탐지 불가 조명 조건에 민감 움직이는 객체 탐지 불가
CNN (합성곱 신경망) 1980년 후쿠시마 쿠니히코 제안	생물학 영감 계층 모델로 다양한 탐지·인식·분할 학습 가능. 딥러닝 알고리즘으로 이미지 입력받아 객체에 학습 가능한 가중치·편향 할당해 서로 구분	학습으로 특징 결정 (자유도 높음) 전체 이미지 보는 단일 분류 사용 행렬 연산 적용 정확함	대용량 데이터셋 필요 비쌈
YOLO (You Only Look Once)	실시간 탐지 알고리즘. 이미지에 신경망 알고리즘 적용, S×S 그리드로 나누고 이미지 주위에 경계 상자 생성해 각 경계 상자별 가능성 예측. 회귀(regression) 사용	동일 이미지 내 다중 객체 탐지 가능 실시간 실행 초고속 고성능 배경 오류 없음	1. 그리드 셀당 객체 1개만 탐지. 2. 정확도보다 고성능 우선.
SSD (Single Shot Detector)	단일 샷으로 다중 객체 탐지, 매우 빠름. 실시간 구현 설계. 백본(backbone)과 SSD 헤드 두 구성요소 포함	높은 계산 시간 높은 정확도 정확도-속도 트레이드오프 보통	큰 객체엔 잘 작동하나 작은 객체엔 성능 저하 엔드투엔드 탐지, 너무 느림 계산 비용 비쌈

여기서 YOLO 신경망 알고리즘을 사용합니다. 이 알고리즘은 실시간 구현에 매우 빠릅니다. 신경망 알고리즘을 사용해 이미지를 S×S 그리드로 나누고 이미지 주위에 경계를 만들어 각 경계별 가능성을 예측합니다. 탐지 알고리즘은 표 4.4에 나와 있습니다.

3.1 추적 알고리즘

객체 탐지 후 다음 초점은 추적입니다. 탐지된 객체가 연이나 새라면 추적 불필요하지만 드론이라면 대상 추적 필요.

객체 추적용 알고리즘도 많습니다. 하지만 다시 YOLO를 추적에 씁니다. 이 알고리즘이 빠르고 정확하며, 대상이 카메라 범위 밖으로 나갈 때까지 탐지·추적 가능하기 때문입니다.

4. 제안 설계 구현

제안 설계 구현입니다. 프로젝트를 소프트웨어에서 실행하는 데 필요한 모든 단계를 수행합니다.

4.1 초기 단계

1. 이미지 처리엔 좋은 CPU/GPU 필요, CPU 선택. 웹사이트에서 아나콘다(Anaconda) 설치. 아나콘다 설치 과정은 그림 4.1 참조
2. 아나콘다 네비게이터 설치 후 환경 대화상자로 환경 생성, 파이썬 버전 선택.
3. 환경 생성 성공 후 다음 단계: 스파이더(Spyder) 설치(사용 편의성), 이어서 명령어 pip install cv2로 OpenCV 설치.

4.2 데이터셋 준비

1. 드론, 새, 비행기, 헬리콥터, 연, 풍선 등 다양한 공중 객체 이미지 대량 수집.

참고: 데이터셋 제작은 이미지 수집만으로 안 됩니다. 이미지 이름과 각 이미지 내 특정 객체 위치도 라벨링해야 합니다. LabelImg 소프트웨어로 이미지를 텍스트 파일로 변환합니다. 그림 4.6 참조.

2. 모든 객체의 텍스트 파일 생성 후, 모든 이미지와 텍스트 파일을 압축 파일로 묶으세요. 포함된 클래스용 이름 파일도 만드세요.

4.3 YOLO 설정

설정 단계:

1. 다크넷(Darknet)에 YOLO v3 설치.
2. YOLO 설정 위해 darknet/data에 폴더 생성, 앞서 만든 데이터셋의 모든 이미지와 .txt 파일 포함.
3. 커스텀 설정 파일 제작: YOLO v3 cfg에서 배치(batch), 서브디비전(subdivisions), 최대 배치(max batches) 등을 클래스와 스텝(steps)에 맞춰 수정.
4. 클래스 수 입력 시 YOLO 위 합성곱 레이어 변경. random을 1로 설정. cfg 파라미터는 표 4.1 참조.

표 4.1: CFG 파라미터

이름	설명
Batch	순전파(forward pass)에서 기울기 계산과 역전파(backpropagation)로 가중치 업데이트에 사용되는 이미지·라벨 수
Subdivisions	배치를 여러 '블록'으로 세분화. 블록 내 이미지들은 병렬 실행
Steps	500, 1000: 500, 1000 배치 후 학습률 조정
Layers (Filters)	레이어 내 합성곱 커널 수
Layers (Random)	YOLO 레이어에 입력. 1로 설정 시 몇 배치마다 이미지 크기 조절로 데이터 증강, 객체 크기 일반화에 사용

5. data/obj.names로 커스텀 객체 폴더 생성, 탐지 원하는 이름들(드론, UAV, 새, 연 등) 기입.
6. obj.data에 클래스 수, train.txt, valid, names, weights 폴더 포함 저장.
7. train.txt에 모든 데이터와 이미지 이름 저장.

4.4 자체 데이터셋으로 YOLO 학습

커스텀 데이터셋으로 YOLO 학습도 다크넷으로 수행. 다크넷 클론 및 활성화, OpenCV 활성화. 앞서 만든 ZIP 폴더, .cfg 파일, .names 파일, obj.data 파일, train.txt 파일로 다크넷 네트워크 설정해 YOLO v3 학습, 실행 횟수 카운트.

수천 번 반복(CPU 성능 기준 약 2시간 소요) 후 평균 손실(loss)을 알려주며 사용할 준비된 학습 데이터셋 완성.

4.5 이미지·비디오 입력으로 코드 테스트

커스텀 데이터셋으로 학습된 YOLO(YOLO weights)로 코드 테스트 시작. 이 경우 4개 클래스.

다양한 테스트. 큰 가중치(weights)는 정확도엔 좋지만 초당 프레임 수(fps) 낮아 처리 다소 느림. UAV, 새 비디오 만들어 코드 입력. 모든 객체가 주어진 라벨, fps, 임계값(threshold)과 함께 성공적으로 탐지·추적됨.

이제 웹캠 실시간 입력으로 실시간 시나리오 테스트 가능. 카메라 범위 내 UAV 비행하며 결과 기록하면 "UAV 탐지 및 추적" 산출물 확인 가능.