우주파편 능동제거를 위한 영상 추적 기법 비교

Comparison of Vision Tracking Techniques for Active Debris Removals

임성민1*, 김해동1 1,2, 성재동1

과학기술연합대학원대학교 , 한국항공우주연구원2
초 록
우주파편이 증가하면서 위성의 안정된 임무를 수행하기 위해 우주선진국에서는 우주파편 능동제거에
대한 연구를 수행하고 있으며, 우주파편에 접근 시 정밀한 제어가 요구되면서 영상센서와 온보드 컴퓨
터를 이용하여 상황판단을 하고자 한다. 본 논문에서는 기존의 영상기반 물체추적 알고리즘을 이용하여
우주환경과 우주파편 제거상황을 고려하여 세 가지 상황에 대한 시나리오로 알고리즘의 추적성능을 비
교하고, 그 결과를 이용하여 적합한 알고리즘을 판단하였다. 또한 각 알고리즘의 보완사항에 대하여 서
술하였다.
ABSTRACT
As the number of space debris increased, researches on the active debris removals have
been done for the safety satellite missions by space developed countries. As required by the
precise control, vision sensors and on-board computers are used to approach the debris. In
this paper, comparison study with the vision based conventional object tracking algorithms is
performed, and investigated the performance of the algorithms. Also supplement point of the
algorithms was described.

Key Words : Space Debris(우주 파편), Active Debris Removals(우주파편 능동제거), Vision Tracking (영상추적)

기(PMD, Post Mission Disposal)’와 더불어 '우

1. 서 론
주파편 능동제거(ADR, Active Debris Removal
지구주위궤도에 우주파편이 증가하면서 점차 유 )'을 수행하는 것이며, 이를 수행할 경우 우주파
용궤도의 수가 줄어들고 있다. GEO 위성의 경우 편의 개체수는 현재와 비슷한 상황으로 유지시킬
임무를 수행하기위한 궤도가 한정적이며, 이곳에 수 있다.
(3)

우주파편이 존재하여 위성에 대한 충돌위험을 가 우주파편을 제거하기 위해서는 랑데부 및 도킹

중시킬 수 있다. LEO 위성의 경우 우주파편의
존재는 궤도밀도를 증가시키고, 우주파편과의 충
돌, 또는 임무 수행 시 회피기동 등 여러 측면에
서 영향을 끼친다. 현재 추정되는 지름 10cm이
상의 우주파편 개체수는 약 22,000개이며,
수는 점차 증가하고 있다. 지구주위궤도환경의
안정화를 위해서는 우주파편을 능동적으로 제거
하는 방법으로 해결할 수 있으며, 2020년부터 매
년 주요 우주파편 5개 이상을 제거해야 그 증가
(2)
추세를 완만하게 조절할 수 있다.
우 가장 효과적인 방법으로는 ‘임무 종료 후 폐
등 정밀한 우주기술들이 필요하며, 그동안 이 기
술들은 유인비행체에서 사람이 직접 상황을 판단
하면서 조종을 하였다. 이러한 유인임무는 비용
이 많이 들고, 위험도 역시 높아 이를 지양하며,
(1)
그 현재는 고성능의 온보드 컴퓨터 시스템(Onboard
Computer System)과 저렴한 영상센서를 이용하
여 인공위성에 대한 연구가 우주급유, 위성부품
수리 등의 서비스위성개발을 목적으로 활발히 진
행되고 있다.
(4)
저궤도의 경 서비스위성 및 우주파편 능동제거 수행 시 자동

632
랑데부 및 도킹, 근접운용 그리고 캡처 등 기술 상과 현재 프레임간의 차연산을 수행하고, 이때
들은 필수적이며 이를 수행하기 위해서는 추격 일정 임계값이상의 변화를 보이는 영역만 추출
대상물체인 Target을 추격하는 위성인 Tracker 하고, 이를 이용하여 물체를 추적한다.
가 지속적으로 추적하면서 접근 단계에 따른 적
절한 상황판단이 필요하며, 특히 빛의 변화가 크
고, 다른 물체에 의한 외란이 존재하는 우주환경
에서는 이러한 영향에 강인한 알고리즘이 필요하
다.
본 논문에서는 우주파편 능동제거 및 우주궤도
상 서비스(On-Orbit Satellite Servicing) 임무를 Fig. 1. Flow chart of Difference Image
수행하기 위한 영상추적기법에 대한 테스트를 수
행하고 결과를 통해 우주환경에서 적합도를 비교 2.1.2 특징점 추적기법
하였고, 보완사항에 대해 제시하였다. 영상의 시점, 크기, 회전 또는 물체의 크기, 회
전 등에 불변하는 점을 특징점이라 하며, 이를
이용하여 물체검출, 인식분야에 적용되고 있
2. 본 론 다.(6) 불변하는 점을 추적함으로써 사전정보가
2.1 영상 추적 기법 없는 상황에서도 정확하고 지속적으로 추적이
영상을 이용한 물체추적은 이동물체의 지속적 가능한 장점을 가지고 있다. 하지만 추적에 필
인 움직임을 추적하는 것을 목적으로 하고, 그 요한 특징점인지를 정확히 판단하는 것도 필요
적용분야는 자동주행, 로보틱스, 인간-컴퓨터 하다.
상호작용, 비디오 감시, 산업자동화 및 보안 영 입력영상은 이진영상으로 변환하여 Intel社
(5)
역 등 다양한 영역에서 이용된다. 각각의 영역 OpenCV Library의 함수인 cvGoodFeatures
에서 시스템이 운용되는 환경 등을 고려하여 적 -ToTrack를 이용하여 특징점을 추출한다. 추출
절한 알고리즘을 적용하는 것이 중요하다. 우주 된 특징점을 이용하여 외곽선을 만들고 이를 타
파편 능동제거는 서비스위성인 Tracker가 Tar 원 적합하여 물체영역을 구하고 이를 추적한다.
-get에 접근하는 상황으로 Tracker와 Target 테스트 알고리즘의 순서도는 Fig. 2와 같다.
간의 상대운동이 있으며, Tracker에 탑재된 영
상센서도 움직이는 상태이며, 배경의 변화도 존
재한다. 이러한 상황과 유사한 환경에서 적용된
대표적인 알고리즘은 차영상 추적기법(Differen
-ce Image Tracking), 특징점 추적기법(Fea
-ture Points Tracking), 캠시프트 기법(CAM
-Shift)이다. Fig. 2. Flow chart of Feature Points

2.1.1 차영상 추적기법 2.1.3 캠시프트 기법

이전 프레임의 영상정보와 현재 프레임의 영상 연속적인 적응형 평균-이동기법(Continuously
정보의 차이를 이용하여 차영상을 생성하고 이 Adaptive Mean-Shift)은 평균-이동(Mean
때 생성되는 차이를 이용하여 물체의 움직임을 Shift)기법의 문제점을 개선시킨 알고리즘이다.
추출한다. 차영상 알고리즘은 프레임사이의 차 평균-이동기법은 선택된 탐색영역의 데이터 밀
이를 차연산을 통해서 계산하기 때문에 카메라 도 분포에서 지역극값(Local Extrema)를 찾는
가 고정된 상태에서 정확한 움직임을 추출할 수 기법으로 물체가 접근하거나 멀어질 때 영상 내
있으며, 계산이 단순하여 연산속도가 빠르다. 에서의 크기가 바뀌는데 이때 탐색영역의 크기
테스트 알고리즘은 Fig. 1과 같이 초기 프레임 변화가 가능하도록 개선된 방식이 캠시프트이
(5)
들의 평균을 통해 배경영상을 계산한다. 배경영 다. 영상 내에서 추적물체의 크기가 변하여 지

633
속적인 추적이 어려운 상황에서 탐색윈도우의 2.3 실험 결과
크기변경과 갱신이 이루어지기 때문에 보다 정 Fig. 4는 Tracker가 Target에 접근하면서 텀
밀도 높은 추적이 가능하다. 블링상태를 고려한 S5와 S6를 각 알고리즘을
알고리즘은 전처리된 입력영상에서 색상분포를 이용하여 Target을 추적하는 모습이다. 차영상
계산하여 탐색윈도우의 위치와 크기를 결정하 알고리즘을 이용한 (a)-(b)는 위성이 전체적으
고, 이때의 무게중심을 찾으면서 물체를 추적하 로 움직이면서 영역 위성전체부분으로 추적한
는 방식이다. 반면, 특징점 알고리즘을 이용한 (c)-(d)는 배경
과 유사한 태양전지판 부분에 비해 위성 본체
많은 특징점이 분포하여 본체에 위주로 추적하
였다. 캠시프트 알고리즘 (e)-(f)의 경우에도 배
경과 색상값 차이가 큰 본체위주로 추적하는 결
과를 보였다.

Fig. 3. Flow chart of CAM-Shift

2.2 영상추적 기법 비교
기존의 랑데부 및 도킹 테스트는 Tracker와
Target이 정렬된 상태에서 임무를 수행하였지
만 우주파편은 임무수행중이나 다른 우주물체와 (a) (b)
의 충돌로 발생하므로 텀블링상태(Tumbling
State)로 존재한다. 이를 고려하여 테스트는
Table 1과 같이 6가지 시나리오를 구성하였다.
S1과 S2는 접근상황, S3와 S4는 텀블링상태를
고려하였고, S5와 S6은 이 두 가지 상황을 고
려하였다. 각 상황에서 느린 속도로 변화하는 (c) (d)
별의 영향을 살펴보기 위하여 배경의 유무를 적
용하였다.
테스트 동영상은 AGI社의 STK®를 이용하였
고, 차영상 알고리즘은 Matlab®, 특징점 및 캠
시프트 알고리즘은 Visual Studio 2010에서
OpenCV Library를 이용하였다.
(e) (f)
Fig. 4. Object Track by Tracking Algorithms
Table 1. Test Scenarios (a):S5-DI, (b):S6-DI, (c):S5-FP, (d):S6-FP,
(e):S5-CAM, (f):S6-CAM
Scenario Approach Tumbling Background
S1 ○ × ○ 추적 결과는 Table 2와 같이 정리하였다. 차영
S2 ○ × × 상의 경우 시나리오에 따른 큰 차이를 보였다.
텀블링 상태만을 고려하였을 때는 90%이상의
S3 × ○ ○
높은 추적율을 보였으나 접근을 고려한 S1, S2,
S4 × ○ × S5, S6에서는 좋은 성능을 보여주지 못하였다.
S5 ○ ○ ○ S1, S2와 S5, S6를 비교할 때 접근만 고려한
S6 ○ ○ × 상황은 테스트 동영상에서 느린 속도로 접근하
여 영상간의 차이가 적어 추적에 어려움이 발생

634
하였고, 텀블링이 있는 접근상황은 텀블링에 의 특징점의 경우에는 우주파편의 경우 사전정보가
한 차이로 보다 좋은 성능을 보인 것으로 판단 없는 상태에서 접근해야하기 때문에 추적하기 좋
된다. 은 특징점을 알고리즘을 이용하여 추출해야한다.
특징점 추적 결과는 세 가지 알고리즘 중 모든 이때 Target이외의 영역에서 추출되는 것을 방
시나리오에서 가장 낮은 추적성능을 보였다. 지해야 될 것이다.
Fig. 4의 (c)와 (d)를 비교하면, 배경이 없을 경 캠시프트의 경우에는 알고리즘이 빠르고 강인한
우에는 Target에서만 특징점을 추출하는데 반 추적성능을 보여주고, 특히 우주환경이 지상환경
해 배경이 있을 경우 배경에서도 특징점이 추출 보다 단순한 색상분포를 보여주므로 추적에 가장
되어 추적에 어려움으로 작용한 것으로 판단된 적합하다고 판단된다.
다. Fig. 4의 (c)와 (d)의 녹색점들은 추적하기
에 좋은 특징점을 의미한다. 후 기
캠시프트의 경우에는 모든 시나리오에서 80%
본 연구는 기초기술연구회 ‘NAP 우주물체 전자
이상의 안정적인 추적성능을 보였다. 색상분포
광학 감시체계’의 협동연구과제(우주파편 충돌위
가 단순하고, 접근상황에서는 Target의 크기가
험 종합관리시스템 개발 및 우주파편 제거시스템
변화가능하기 때문에 안정적으로 지속적인 추적
연구)의 일부로 수행되었으며, 이에 기초기술연구
이 가능한 것으로 사료된다.
회와 한국항공우주연구원의 지원에 감사드립니
다.
Table 2. Accuracy of Tracking Algorithms

Difference Feature 참고문헌

CAM-Shift
Image Points
(1) http://www.esa.int/Our_Activities/Ope
S1 49.6979% 34.6445% 92.5134% rations/Space_Debris/Focus_on_growing_thr
eat_of_space_debris, 2013.7.31.
S2 27.4549% 60.0402% 80.9045%
(2) NASA Orbital Debris Program Office,
S3 99.5334% 9.9685% 99.6310% 2007, "A Preliminary active debris
S4 92.5159% 10.2073% 99.6205% removals study", Orbital Debris Quarterly
Newsm Vol. 11, Issue. 4, pp. 6~7.
S5 64.6342% 58.6387% 99.7886%
(3) J. C. Liou, 2009, "NASA's long-term
S6 71.5094% 62.3819% 99.0676% debris environment and active debris
removal modeling activities", Proceedings
of the Int'l Conf. on Orbital Debris
Removal, Chantilly, VA.
3. 결 론
(4) A. Ogilvie, J. Allport, M. Hannah, J.
본 논문에서는 능동제거를 수행하기 위하여 우 Lymer, 2008, "Autonomous robotic
주파편과의 랑데부, 도킹 및 근접운용 단계에서 operations for on-orbit satellite servicing",
필요한 영상추적기술에 적합한 알고리즘 판단하 Sensor and Systems for Space Applications
기 위하여 물체추적에 이용되는 영상알고리즘 세 Ⅱ, vol. 6958, no. 1.
(5) A. Salhi, A. Y. Jammoussi, "Object
가지를 여러 시나리오를 통해 비교하였다.
tracking system using Camshift, Meanshift
차영상 알고리즘의 경우는 영상의 차이가 클 때
and Kalman filter", World Academy of
추적에 유리하였고, 텀블링이 빠른 속도로 이루 Science, Engineering and Technology, 64,
어지거나 Target에 접근 속도가 비교적 빠른 랑 pp. 674~679.
데부 시에 영상 간 차이가 크므로 좋은 성능을 (6) D. G. Lowe, 2004, "Distinctive Image
보일 것으로 판단된다. 차연산을 수행할 때 발생 Features from Scale-Invariant Keypoints,”
하는 왜곡이 상당히 크게 발생하는데 이를 보완 International Journal of Computer Vision,
Vol. 60, pp. 99~110.
하는 것도 중요하다.

635