자동 표적 인식

Automatic target recognition

자동 표적 인식(ATR)은 알고리즘이나 장치가 센서에서 얻은 데이터를 기반으로 표적이나 다른 물체를 인식하는 기능입니다.

표적 인식은 처음에 수신 신호의 청각적 표현을 사용하여 수행되었다. 이 경우 레이더에 의해 조명된 표적을 분류하기 위해 그 소리를 해독하는 숙련된 조작자가 있었다.이러한 숙련된 조작자가 성공을 거두는 동안, 분류에서 더 많은 정확성과 속도를 허용하는 자동화된 방법이 개발되었고 계속해서 개발되고 있다.ATR은 동물, 인간, 식물 잡동사니 같은 생물학적 표적뿐만 아니라 지상 및 공중 차량과 같은 인간이 만든 물체를 식별하는 데 사용될 수 있다.이것은 전쟁터에서 물체를 인식하는 것에서부터 도플러 기상 레이더에서 많은 새떼에 의해 야기되는 간섭을 걸러내는 것까지 모든 것에 유용할 수 있다.

가능한 군사 어플리케이션에는 IFF 트랜스폰더와 같은 간단한 식별 시스템이 포함되며 무인 항공기와 순항 미사일과 같은 다른 어플리케이션에 사용된다.국내에서도 ATR을 사용하는 것에 대한 관심이 높아지고 있다.ATR을 국경 보안, 지하철 선로에 있는 물체나 사람을 식별하기 위한 안전 시스템, 자동화된 차량, 그리고 많은 다른 것들을 위해 사용하는 것에 대한 연구가 이루어졌다.

개념.

역사

표적 인식은 레이더만큼 오랫동안 존재해 왔다.레이더 오퍼레이터는 반사 신호에 의해 수신된 음성 표현을 통해 적 폭격기와 전투기를 식별한다(2차 세계 대전 레이더 참조).

대상 인식은 수년간 운영자에게 베이스밴드 신호를 재생함으로써 수행되었습니다.이 신호를 듣고 훈련 받은 레이더 조작자는 조명 대상과 관련된 다양한 정보(차량 종류, 대상 크기 등)를 식별할 수 있으며 잠재적으로 생물학적 표적을 구별할 수도 있습니다.그러나 이 접근법에는 많은 제한이 있습니다.작업자는 각 표적이 어떤 소리를 낼지 훈련받아야 하며, 표적이 고속으로 이동 중일 경우 더 이상 들리지 않을 수 있으며, 인간의 의사결정 구성요소는 오류 확률을 높입니다.하지만, 신호를 청각적으로 표현한다는 이 아이디어는 목표물의 자동 분류를 위한 기초를 제공했습니다.개발된 여러 분류 체계에서는 음성 인식 등의 다른 오디오 애플리케이션에서 사용된 베이스밴드 신호의 기능을 사용합니다.

개요

마이크로 도플러 효과

레이더는 전송된 신호가 이 신호에 의해 조명된 대상에서 되돌아오는 데 걸리는 시간을 계시하여 물체가 떨어져 있는 거리를 결정합니다.이 물체가 정지하지 않을 때, 도플러 효과로 알려진 주파수의 변화를 일으킨다.물체 전체의 이동 운동과 더불어 진동 또는 회전하는 물체에 의해 주파수의 추가 이동이 발생할 수 있습니다.이 경우 도플러 시프트 신호가 변조됩니다.신호의 변조를 일으키는 이 추가 도플러 효과를 마이크로 도플러 효과라고 합니다.이 변조에는 ATR용 알고리즘을 개발할 수 있는 특정 패턴 또는 시그니처가 포함될 수 있습니다.마이크로 도플러 효과는 타겟의 움직임에 따라 시간이 지남에 따라 변화하여 시간 및 주파수에 따라 변화하는 [1]신호를 발생시킵니다.

시간 빈도 분석

푸리에 변환은 시간 변동 성분을 설명할 수 없기 때문에 이 신호의 푸리에 변환 분석은 충분하지 않습니다.주파수와 시간의 함수를 얻는 가장 간단한 방법은 단시간 푸리에 변환(STFT)을 사용하는 것입니다.그러나 Gabor 변환 또는 Wigner 분포 함수(WVD)와 같은 보다 강력한 방법을 사용하여 주파수와 시간 영역을 동시에 나타낼 수 있습니다.그러나 이러한 모든 방법에서 주파수 분해능과 시간 [2]분해능 사이에 트레이드오프가 발생합니다.

검출

이 스펙트럼 정보가 추출되면 시스템이 식별할 대상에 대한 정보를 포함하는 기존 데이터베이스와 비교할 수 있으며 조명 대상이 무엇인지 결정할 수 있다.이는 수신 신호를 모델링한 후 최대우도(ML), 다수결(MV) 또는 최대후부(MAP)와 같은 통계적 추정 방법을 사용하여 라이브러리에서 수신 신호를 사용하여 구축한 모델에 가장 적합한 대상을 결정함으로써 이루어집니다.

접근

기능의 추출

음성 인식에 사용되는 오디오 기능을 사용하여 이러한 오디오 영감을 받은 계수를 기반으로 대상을 식별하는 자동화된 표적 인식 시스템을 구축하는 연구가 수행되었다.이러한 계수에는 다음이 포함됩니다.

베이스밴드 신호는 이러한 계수를 얻기 위해 처리되며, 통계 프로세스는 데이터베이스 내의 어떤 대상이 취득된 계수와 가장 유사한지를 결정하기 위해 사용됩니다.어떤 기능과 어떤 의사결정 체계를 사용할지는 시스템과 애플리케이션에 따라 달라집니다.

표적을 분류하는 데 사용되는 특징은 음성 영감 계수에 국한되지 않는다.ATR을 실현하기 위해 다양한 기능과 검출 알고리즘을 사용할 수 있습니다.

검출 알고리즘

목표물 탐지를 자동화하려면 교육 데이터베이스를 작성해야 합니다.이 작업은 일반적으로 대상이 알려진 경우 수집된 실험 데이터를 사용하여 수행되며 ATR 알고리즘에서 사용하기 위해 저장됩니다.

Cepstrum 기능과 GMM을 사용한ATR

플로우차트에 검출 알고리즘의 예를 나타냅니다.이 방법은 M개의 데이터 블록을 사용하고, 각 데이터 블록(즉, LPC 계수, MFCC)에서 원하는 특징을 추출한 후, 가우스 혼합 모델(GMM)을 사용하여 모델링합니다. 수집한 데이터를 사용하여 모델을 얻은 후, 훈련 데이터베이스에 포함된 각 대상에 대해 조건부 확률이 형성됩니다.이 예에서는 M개의 데이터 블록이 있습니다.그러면 데이터베이스의 각 대상에 대해 M 확률의 수집이 이루어집니다.이러한 확률은 최대우도 결정을 사용하는 대상을 결정하는 데 사용됩니다.이 방법은 차량 종류(예: 바퀴 달린 차량과 추적된 차량)를 구별할 수 있고 심지어 성공 [3]확률이 높은 최대 3명까지 몇 명이 참석하는지 결정할 수 있는 것으로 나타났다.

CNN 기반 표적 인식

컨볼루션 뉴럴 네트워크(CNN) 기반 표적 인식은 기존 [4][5]방법을 능가할 수 있다.합성 영상으로 훈련한 후 실제 장면의 적외선 영상으로 표적(전투 탱크)을 인식하는 데 유용하다는 것이 입증되었다.트레이닝 세트의 한계로 인해, 실제 씬 테스트 세트의 인식에 있어서, 합성 이미지가 얼마나 사실적인지가 매우 중요합니다.

전체 CNN 네트워크 구조는 7개의 컨볼루션 레이어, 3개의 최대 풀링 레이어 및 Softmax 레이어를 출력으로 포함합니다.최대 풀링 레이어는 두 번째, 네 번째 및 다섯 번째 컨볼루션 레이어 뒤에 위치합니다.출력 전에 글로벌 평균 풀링도 적용됩니다.모든 컨볼루션 층은 Leaky ReLU 비선형성 활성화 [6]기능을 사용한다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ Chen, V. (February 2011). Micro-Doppler Effect in Radar. Norwood, MA: Artec House. pp. 18–21. ISBN 9781608070589.
  2. ^ Chen, V. (February 2011). Micro-Doppler Effect in Radar. Norwood, MA: Artec House. pp. 21–28. ISBN 9781608070589.
  3. ^ Bilik, I.; Tabrikian, J. (January 2006). "GMM-Based target classification for ground surveillance doppler radar". IEEE Transactions on Aerospace and Electronic Systems. 42 (1): 267–277. doi:10.1109/TAES.2006.1603422.
  4. ^ Yoon, Seok Pil; Song, Taek Lyul; Kim, Tae Han (2013-02-01). "Automatic target recognition and tracking in forward-looking infrared image sequences with a complex background". International Journal of Control, Automation and Systems. 11 (1): 21–32. doi:10.1007/s12555-011-0226-z. ISSN 2005-4092.
  5. ^ Venkataraman, Vijay; Fan, Guoliang; Yu, Liangjiang; Zhang, Xin; Liu, Weiguang; Havlicek, Joseph P. (2011-12-07). "Automated target tracking and recognition using coupled view and identity manifolds for shape representation". EURASIP Journal on Advances in Signal Processing. 2011 (1): 124. doi:10.1186/1687-6180-2011-124. ISSN 1687-6180.
  6. ^ d’Acremont, Antoine; Fablet, Ronan; Baussard, Alexandre; Quin, Guillaume (January 2019). "CNN-Based Target Recognition and Identification for Infrared Imaging in Defense Systems". Sensors. 19 (9): 2040. doi:10.3390/s19092040. PMC 6539764.

외부 링크