바이스타틱 SAR 자동표적인식: 실험·알고리즘·극화 데이터의 새로운 통찰

본 논문은 바이스타틱 합성 개구 레이더(SAR) 시스템에서 자동표적인식(ATR) 기능을 구현하고 평가하기 위한 종합적인 연구를 제시한다. 연구 배경으로, 바이스타틱 레이더는 전통적인 모노스태틱 레이더에 비해 배치 유연성, 저탐지 확률, 다중 플랫폼 연계 등 전략적 장점을 제공하지만, 기존의 ATR 기술이 모노스태틱 전용으로 개발돼 왔으며, 바이스타틱 환경에서의 적용 가능성은 아직 미확인 상태였다. 데이터 부족이라는 근본적인 제약을 극복하기 위해 저자들은 전자기 시뮬레이션 툴을 이용해 4종의 군용 지상 차량(주전차, 장갑차, 스팅어 발사대, 미사일 발사대)을 단순화된 CAD 모델로 구현하고, 다양한 방위·고도·바이스타틱 각도에서 전파를 송·수신해 k‑space 데이터를 수집하였다. 수집된 k‑space 샘플을 균일 패치로 나누어 역변환함으로써, 최소 바이스타틱 각도(≈15°)에서 0.3 m 해상도를 갖는 SAR 이미지 클립을 생성했으며, 각도에 따라 해상도가 변동하는 특성을 반영하였다. 동일한 시뮬레이션 환경을 이용해 모노스태틱 데이터베이스도 구축했으며, 훈련 세트는 수신 고도 10°에서, 테스트 세트는 15°에서 수집된 이미지 클립으로 구성하였다. ATR 알고리즘으로는 두 가지 접근법을 채택하였다. 첫 번째는 조건부 가우시안 모델 기반 베이즈 분류기(CGBC)로, 각 픽셀을 목표 유형과 수신 방위에 따라 가우시안 분포로 모델링하고, 로그우도 함수를 최대화하는 방식으로 클래스를 판별한다. 이 방법은 통계적 최적에 근접하지만, 고차원 이미지 전체에 대한 평균·분산 추정이 필요해 계산 비용이 크다. 두 번째는 저자들이 새롭게 제안한 PCA‑기반 최근접 이웃(PCANN) 알고리즘이다. 전체 이미지 벡터를 관측 행렬로 구성한 뒤 정규화·평균 제거를 수행하고, 공분산 행렬의 고유값 분해를 통해 주요 20개의 주성분을 추출한다(전체 변동의 99%를 설명). 이렇게 차원을 축소한 특징 공간에서 유클리드 거리를 이용해 가장 가까운 훈련 샘플을 찾음으로써 목표 클래스를 결정한다. PCANN은 차원 축소 덕분에 연산량이 크게 감소하고, 스캐터링 센터 분석과 유사한 물리적 정보를 보존한다는 장점이 있다. 실험 결과는 다음과 같다. (1) 바이스타틱 ATR 성능이 모노스태틱 대비 크게 저하되지 않았다. 특히 PCANN은 90% 이상의 정확도를 유지했으며, CGBC도 비슷한 수준의 ROC 곡선을 보였다. (2) 바이스타틱 각도가 0°에서 60°까지 증가해도 인식 성능이 크게 변하지 않아, 각도 변화에 대한 강인성을 확인했다. (3) 완전 극화(bistatic polarimetric) 데이터를 활용한 분석에서, 바이스타틱 환경에서도 Huynen 파라미터와 유사한 물리적 특징을 추출할 수 있음을 보였으며, 이는 기존 “극화 정보가 거의 없다는” 견해에 반한다. 논문은 성능 저하를 최소화하기 위한 실용적인 방안도 제시한다. 첫째, 훈련 데이터에 다양한 방위·각도·극화 조합을 포함시켜 모델의 일반화 능력을 강화한다. 둘째, PCA 차원 수를 상황에 맞게 조정해 정보 손실을 방지한다. 셋째, 실제 전자기 환경에서 발생할 수 있는 잡음·다중 경로·클러터 등을 고려한 데이터 보강 기법을 도입한다. 제한점으로는 시뮬레이션 기반 데이터이므로 실제 전장 환경에서의 잡음 특성, 복잡한 배경, 목표 물체의 세부 구조 변형 등을 충분히 반영하지 못했다는 점이다. 또한, 목표 모델이 주요 형상만을 포함하고 있어 세밀한 디테일이 인식에 미치는 영향을 평가하기 어렵다. 향후 연구에서는 실제 비행 시험을 통해 수집된 바이스타틱 SAR 이미지와 복합적인 목표 모델을 활용해 알고리즘을 검증하고, 실시간 처리와 다중 목표 추적을 위한 시스템 통합 방안을 모색해야 한다. 결론적으로, 본 연구는 바이스타틱 SAR 시스템에서도 효과적인 ATR이 가능함을 실증하고, 새로운 빠르고 견고한 PCANN 알고리즘을 제시함으로써 향후 바이스타틱 레이더의 실용화에 중요한 기술적 토대를 제공한다.