[표지] 1
최종결과 연구보고서 2
인사말씀 / 김명준 3
제출문 4
요약문 5
ABSTRACT 7
CONTENTS 9
목차 11
제1장 과제개요 17
제1절 연구 필요성 및 중요성 17
1. 필요성 17
2. 중요성 17
제2절 연구목표 및 내용 18
1. 최종목표 18
2. 연차별 연구목표 18
3. 당해년도 연구내용 19
제2장 차량용 전방관측 SAR 신호처리 알고리즘 개발 20
제1절 레이다 송수신 신호 모델 정립 20
1. FMCW 레이다 신호 모델 20
2. Signal Vector after De-convolution & Lowpass Filtering 24
제2절 배열 안테나 기반 차량용 전방관측 SAR 도플러 편이 확보 기술 개발 27
제3절 차량용 전방관측 SAR 신호처리 알고리즘 개발 28
1. MUSIC 알고리즘 28
2. Orthogonal Projection을 결합한 MUSIC 알고리즘 29
3. Root-MUSIC 알고리즘 29
4. Weighted Root-MUSIC 알고리즘 31
5. ESPRIT 알고리즘 32
6. compressed sensing 알고리즘 35
7. 이미징 알고리즘의 분해능 분석 43
8. 이미징 알고리즘의 이미지 획득시간 분석 50
제3장 차량용 전방관측 SAR를 위한 요동보상 알고리즘 개발 53
제1절 차량 요동 및 강우 감쇠 모델 정립 53
제2절 속도변화 및 요동이 차량용 전방관측 SAR 영상에 미치는 영향 분석 56
제3절 차량용 전방관측 SAR 요동보상 알고리즘 개발 66
제4장 차량용 전방관측 SAR 영상처리 알고리즘 개발 68
제1절 SAR 영상처리 알고리즘 분석용 이미지 모델링 68
제2절 SAR 영상처리를 위한 머신러닝 알고리즘 비교 분석 75
제3절 차량용 SAR 영상처리 알고리즘 개발 78
1. Autoencoder 기반 스페클 저감 알고리즘 78
2. CNN 기반 스페클 저감 알고리즘 87
제5장 최종 성과목표 달성도 94
제1절 기술개발 목표 및 성과 94
제2절 연구산출물 목표 및 성과 95
제6장 연구결과 활용정도 및 파급효과 98
제7장 결론 99
참고문헌 101
약어 102
[뒷표지] 103
(표 2.1) 이미지 획득시간 51
(표 3.1) 차량 요동 모델링 파라미터 53
(표 3.2) 레이다 시스템 파라미터 61
(표 3.3) root-MUSIC 기법과 ESPRIT 기법의 RMSE 비교 65
(표 4.1) ID-CNN Hyper-parameters 89
(표 4.2) 제안한 스페클 저감 네트워크 Hyper-parameters 92
(그림 2.1) FMCW chirp signal 20
(그림 2.2) FMCW MIMO chirp signal[그림없음] 21
(그림 2.3) Virtual point 22
(그림 2.4) Virtual array 22
(그림 2.5) Array response vector 24
(그림 2.6) Uniform Linear Array (ULA) antenna configuration 24
(그림 2.7) Data cube (antenna (m) x pulse (S) x sample (n))[이미지참조] 26
(그림 2.8) FMCW MIMO를 이용한 차량용 전방관측 이미징 레이다 기술 27
(그림 2.9) 샘플 수에 따른 FFT 기법을 이용한 레이다 이미징 결과 34
(그림 2.10) 샘플 수에 따른 root-MUSIC 기법을 이용한 레이다 이미징 결과 34
(그림 2.11) 샘플 수에 따른 ESPRIT 기법을 이용한 레이다 이미징 결과 35
(그림 2.12) 2차원 patch (range by azimuth angle) 36
(그림 2.13) BMP 기반의 support update 순서 38
(그림 2.14) 표적모델의 이미지 39
(그림 2.15) backprojection 기법을 이용한 2D 이미지 39
(그림 2.16) OMP 기법을 이용한 이미지 40
(그림 2.17) BMP 기법을 이용한 이미지 40
(그림 2.18) 분산 MIMO FMCW 레이다 시스템 41
(그림 2.19) DBMP를 이용한 이미징 알고리즘 42
(그림 2.20) 표적 모델 이미지 및 OMP, BMP, DBMP 이미지 결과 43
(그림 2.21) 2D MUSIC 기법을 이용한 전방 FMCW 영상 (Azimuth angle-range map) (120m) 44
(그림 2.22) 2D MUSIC 기법을 이용한 전방 FMCW 영상 (x-y map) (120m) 45
(그림 2.23) 2D MUSIC 기법을 이용한 전방 FMCW 영상 (Azimuth angle-range map) (120m) 45
(그림 2.24) 2D MUSIC 기법을 이용한 전방 FMCW 영상 (x-y map) (120m) 46
(그림 2.25) 2D MUSIC 기법을 이용한 전방 FMCW 영상 (Azimuth angle-range map) (250m) 47
(그림 2.26) 2D MUSIC 기법을 이용한 전방 FMCW 영상 (x-y map) (250m) 47
(그림 2.27) 2D MUSIC 기법을 이용한 전방 FMCW 영상 (Azimuth angle-range map) (250m) 48
(그림 2.28) 2D MUSIC 기법을 이용한 전방 FMCW 영상 (x-y map) (250m) 48
(그림 2.29) range 해상도 성능 비교 49
(그림 2.30) azimuth 해상도 성능 비교 50
(그림 2.31) CORDIC 및 DFT를 이용한 MUSIC 알고리즘의 DSP 구현 블럭도 51
(그림 2.32) 가상안테나 수에 따른 각 알고리즘의 계산량 52
(그림 3.1) 호우시 강우감쇄 (30mm/h) 55
(그림 3.2) FMCW MIMO radar image (Range-Azimuth map) 56
(그림 3.3) 2D MUSIC 기법을 이용한 FMCW MIMO radar image (x-y map) 57
(그림 3.4) 2D MUSIC 기법을 이용한 전방 FMCW 영상 (σₓ,σy ~ N(0,σ²),σ²=0.04)[이미지참조] 57
(그림 3.5) 2D MUSIC 기법을 이용한 전방 FMCW 영상 (σₓ,σy ~ N(0,σ²),σ²=0.16)[이미지참조] 58
(그림 3.6) 2D MUSIC 기법을 이용한 전방 FMCW 영상 58
(그림 3.7) 2D MUSIC 기법을 이용한 전방 FMCW 영상 (σₓ,σy ~ N(0,σ²),σ²=0.16)[이미지참조] 59
(그림 3.8) 2D MUSIC 기법을 이용한 전방 FMCW 영상 60
(그림 3.9) 2D MUSIC 기법을 이용한 전방 FMCW 영상 (σₓ,σy ~ N(0,σ²),σ²=0.16)[이미지참조] 60
(그림 3.10) 실험에 이용된 주행 도로환경 61
(그림 3.11) 요동크기에 따른 레이다 이미지 품질저하 실험 62
(그림 3.12) 요동크기에 따른 레이다 이미지 품질저하 실험 63
(그림 3.13) 실험에 이용된 표적 모델 63
(그림 3.14) root-MUSIC 기법을 이용한 2D 레이다 영상 64
(그림 3.15) ESPRIT 기법을 이용한 2D 레이다 영상 64
(그림 3.16) SAR 이미지의 위상 오차 추정 예 66
(그림 3.17) SAR 이미지 비교 (a) Autofocus 알고리즘 미적용 (b) Autofocus 알고리즘 적용 67
(그림 4.1) 레이다 송신 신호와 역산란 신호 68
(그림 4.2) 신호 크기에 따른 잡음 특성 예 70
(그림 4.3) 신호 크기에 따른 스페클 특성 예 71
(그림 4.4) Multi-look에 따른 입력 영상 모델 예 73
(그림 4.5) Multi-look에 따른 PSNR의 변화 74
(그림 4.6) 오토인코더 구조 78
(그림 4.7) 스페클 저감 네트워크 구조 (네트워크1) 79
(그림 4.8) 스페클 저감 성능 (채널수: 16) 80
(그림 4.9) 스페클 저감 성능 (채널수: 16) 80
(그림 4.10) 스페클 저감 성능 (채널수: 32) 81
(그림 4.11) 스페클 저감 학습 그래프 (채널수: 32) 81
(그림 4.12) 스페클 저감 성능 (채널수: 64) 82
(그림 4.13) 스페클 저감 학습 그래프 (채널수: 64) 82
(그림 4.14) 스페클 저감 성능 (채널수: 128) 83
(그림 4.15) 스페클 저감 학습 그래프 (채널수: 128) 83
(그림 4.16) 채널수에 따른 PSNR 개선도 84
(그림 4.17) 스페클 저감 네트워크 구조 (네트워크2) 84
(그림 4.18) 스페클 저감 네트워크 구조 (네트워크3) 85
(그림 4.19) 네트워크 구조에 따른 PSNR 개선도 85
(그림 4.20) 최적화 알고리즘에 따른 PSNR 개선도 86
(그림 4.21) Multi-look 수에 따른 PSNR 개선도 86
(그림 4.22) ID-CNN 스페클 저감 네트워크 구조 87
(그림 4.23) ID-CNN 스페클 저감 네트워크 파라미터 88
(그림 4.24) ID-CNN 스페클 저감 시뮬레이션 결과 89
(그림 4.25) ID-CNN 스페클 저감 PSNR 90
(그림 4.26) 제안하는 스페클 저감 네트워크 구조[그림없음] 90
(그림 4.27) 스페클 저감 요소 블록 구조 91
(그림 4.28) 제안한 스페클 저감 네트워크 파라미터 92
(그림 4.29) 제안한 네트워크에서 스페클 저감 손실함수 93
(그림 4.30) 제안한 네트워크에서 스페클 저감 PSNR 93