최근 적외선 센서를 이용하여 표적을 검출하고 추적하는 시스템에 대한 연구가 활발히 진행되고 있다. 적외선 탐색 및 추적(Infrared Search and Track, IRST) 시스템은 저고도로 비행하는 전투기, 헬기 및 크루즈 미사일과 같은 위협 표적을 조기에 발견하고 경고하기 위한 시스템이다. 그러나 이러한 위협 표적은 적외선 센서로부터 원거리에 존재하기 때문에 크기가 매우 작고 특별한 형태나 질감 정보가 존재하지 않는다. 또한, 적외선 영상은 대기의 투과(transmission), 흡수(absorption), 산란(scattering) 특성 및 배경의 복사 에너지(radiation energy) 그리고 센서의 한계 등으로 인해 다수의 클러터(clutter)가 존재하기 때문에 일반적으로 신호 대 잡음 비율(signal-to-noise ratio, SNR)이 매우 낮다. 이러한 소형 표적 및 적외선 영상의 특징들은 적외선 영상에 포함된 소형 표적의 검출 및 추적을 어렵게 하는 요인이다. 이러한 적외선 영상에서 소형 표적을 효과적으로 검출하고 추적하기 위하여 배경 클러터는 제거하고 소형 표적의 신호는 강조하는 다양한 방법이 연구되어 왔다. 그러나 기존의 방법들은 클러터의 분포에 민감하여 배경이 복잡한 경우 다수의 오검출(false alarm)을 발생하거나, 배경 잡음에 강건한 방법들은 복잡한 연산을 필요로 하거나 다양한 크기의 표적을 정확하게 검출하지 못하는 단점들을 가진다.
본 논문에서는 복잡한 배경 환경에서도 다양한 크기의 소형 표적을 정확하고 강건하게 검출하기 위하여 다중스케일 시각 주의 모델(visual attention model)을 이용한 소형 표적 검출 방법을 제안한다. 제안하는 방법은 복잡한 배경 환경에서도 강건하게 소형 표적을 검출하기 위하여 시각 주의 모델을 이용하여 생성된 saliency map을 소형 표적 후보 영역의 가중치로 이용한다. 소형 표적 후보 영역은 클러터가 포함된 소형 표적 영역으로 정의되며, 배경 잡음에 민감하여도 다양한 크기의 소형 표적을 정확하게 검출할 수 있는 기존의 방법들을 이용하여 추출할 수 있다. 본 논문에서는 알고리즘이 단순하면서 소형 표적 검출 성능이 우수한 새로운 탑햇 변환을 이용하여 소형 표적 후보 영역을 추출한다. Saliency map은 작고 비정형적인 패턴(untypical pattern)을 매우 빠르고 효과적으로 강조할 수 있다고 알려진 위상 푸리에 변환(phase fourier transform, PFT)을 이용하여 생성한다. 생성된 saliency map은 소형 표적과 같이 작고 비정형적인 패턴은 강조하면서 구름의 경계나 인공 구조물과 같이 배경 영역에 존재하는 반복적인 패턴을 효과적으로 제거할 수 있다. 그러나 saliency map은 위상 푸리에 변환의 특성으로 인하여 소형 표적뿐만 아니라 비정형적인 패턴을 가지는 클러터도 함께 강조할 수 있다. 따라서 소형 표적 검출을 위해 saliency map을 직접적으로 이용하지 않고 소형 표적 후보 영역의 가중치로 사용함으로써 소형 표적 영역만을 강조하고 클러터는 제거된 영상을 획득한다. 그리고 적응적 이진화(adaptive threshold)와 8-최근접 이웃 클러스터링(8-NN clustering)을 이용하여 최종적으로 소형 표적을 검출한다.
그러나 위상 푸리에 변환을 이용하여 생성된 saliency map은 입력 영상의 크기에 따라 결과가 달라진다. 즉, 단일스케일 saliency map을 이용해서는 다양한 크기의 소형 표적을 제대로 강조하기 어렵다. 따라서 본 논문에서는 다양한 크기의 소형 표적을 정확하게 검출하기 위해 다중스케일 saliency map을 효과적으로 생성하는 방법을 제안한다. 제안하는 다중스케일 saliency map 생성 방법은 주파수 도메인에서 수행되므로 단일 입력 영상으로부터 다중스케일 saliency map을 매우 빠르게 생성할 수 있다. 또한, 초저해상도 영상으로부터 생성된 배경 영상의 saliency map을 이용하여 클러터 영역이 제거된 다중스케일 saliency map 생성 방법을 제안한다.
기존의 방법들과 제안된 방법의 검출 성능을 정성적 및 정량적으로 비교한 결과, 오검출 확률이 0.1%인 경우에 제안된 방법의 평균 검출 확률은 94.4%로 기존 방법들의 평균 검출 확률보다 최소 11%에서 최대 89% 검출 성능이 우수함을 확인하였다.