Войти
Автоматическое распознавание цели (ATR ) - это возможность для алгоритма или устройство для распознавания целей или других объектов на основе данных, полученных от датчиков.
Распознавание цели первоначально выполнялось с использованием звукового представления принятого сигнала, когда обученный оператор, который расшифровывал этот звук, классифицировал освещенную цель радаром . Хотя эти обученные операторы добились успеха, были разработаны и продолжают развиваться автоматизированные методы, позволяющие повысить точность и скорость классификации. ATR может использоваться для идентификации искусственных объектов, таких как наземные и воздушные транспортные средства, а также для биологических целей, таких как животные, люди и растительный беспорядок. Это может быть полезно для чего угодно: от распознавания объекта на поле боя до фильтрации помех, вызванных большими стаями птиц на метеорадаре Доплера.
Возможные военные применения включают простую систему идентификации, такую как транспондер IFF, и используются в других приложениях, таких как беспилотные летательные аппараты и крылатые ракеты. Все больше и больше проявляется интерес к использованию ATR для внутренних приложений. Было проведено исследование использования ATR для обеспечения безопасности границ, систем безопасности для идентификации объектов или людей на путях метро, автоматизированных транспортных средств и многих других.
Распознавание цели существует почти столько же, сколько радар. Операторы радара будут идентифицировать вражеские бомбардировщики и истребители с помощью звукового представления, полученного отраженным сигналом (см. Радар во Второй мировой войне ).
Распознавание цели годами осуществлялось путем передачи оператору сигнала baseband. Слушая этот сигнал, обученные операторы радаров могут идентифицировать различную информацию об освещенной цели, такую как тип транспортного средства, размер цели, и потенциально даже могут различать биологические цели. Однако у этого подхода есть много ограничений. Оператор должен быть обучен тому, как будет звучать каждая цель, если цель движется с высокой скоростью, она может больше не быть слышна, а компонент принятия решения человеком повышает вероятность ошибки. Однако эта идея звукового представления сигнала действительно послужила основой для автоматической классификации целей. Некоторые схемы классификации, которые были разработаны, используют особенности сигнала основной полосы, которые использовались в других аудиоприложениях, таких как распознавание речи.
Радар определяет расстояние, на котором находится объект, по времени, за которое передаваемый сигнал возвращается от цели, которая освещена этим сигналом. Когда этот объект не неподвижен, он вызывает сдвиг частоты, известный как эффект Доплера. Помимо поступательного движения всего объекта, дополнительный сдвиг частоты может быть вызван вибрацией или вращением объекта. Когда это произойдет, сигнал с доплеровским смещением станет модулированным. Этот дополнительный эффект Доплера, вызывающий модуляцию сигнала, известен как эффект микродоплера. Эта модуляция может иметь определенный шаблон или сигнатуру, которая позволит разрабатывать алгоритмы для ATR. Эффект микродоплера будет меняться со временем в зависимости от движения цели, вызывая сигнал, изменяющийся во времени и частоте.
Преобразование Фурье анализа этого сигнала недостаточно поскольку преобразование Фурье не может учитывать изменяющуюся во времени составляющую. Самый простой способ получить функцию частоты и времени - использовать кратковременное преобразование Фурье (STFT). Однако более надежные методы, такие как преобразование Габора или функция распределения Вигнера (WVD), могут использоваться для обеспечения одновременного представления частотной и временной области. Однако во всех этих методах будет компромисс между разрешением по частоте и разрешением по времени.
После извлечения этой спектральной информации ее можно сравнить с существующей базой данных, содержащей информацию относительно целей, которые система будет идентифицировать, и можно принять решение о том, что это за освещенная цель. Это делается путем моделирования принятого сигнала с последующим использованием метода статистической оценки, такого как максимальная вероятность (ML), голосование большинством (MV) или максимальное апостериорное ( MAP), чтобы принять решение о том, какая цель в библиотеке лучше всего соответствует модели, построенной с использованием полученного сигнала.
Были проведены исследования, в которых звуковые функции, используемые в распознавании речи, используются для создания автоматизированных систем распознавания целей, которые будут идентифицировать цели на основе этих вдохновленных звуком коэффициентов. Эти коэффициенты включают в себя
Сигнал основной полосы частот обрабатывается для получения этих коэффициентов, затем используется статистический процесс, чтобы решить, какая цель в базе данных наиболее похожа на полученные коэффициенты. Выбор функций и схемы принятия решений зависит от системы и приложения.
Функции, используемые для классификации цели, не ограничиваются коэффициентами, вдохновленными речью. Для достижения ATR можно использовать широкий спектр функций и алгоритмов обнаружения.
Чтобы автоматизировать обнаружение целей, необходимо создать обучающую базу данных. Обычно это делается с использованием экспериментальных данных, собранных, когда цель известна, и затем сохраняется для использования алгоритмом ATR.
ATR с использованием функций Cepstrum и GMM Пример алгоритма обнаружения показан на блок-схеме. Этот метод использует M блоков данных, извлекает желаемые характеристики из каждого (т.е. коэффициенты LPC, MFCC), а затем моделирует их, используя гауссовскую модель смеси (GMM). После того, как модель получена с использованием собранных данных, условная вероятность формируется для каждой цели, содержащейся в обучающей базе данных. В этом примере есть M блоков данных. Это приведет к набору вероятностей M для каждой цели в базе данных. Эти вероятности используются для определения цели с помощью решения максимальной вероятности. Было показано, что этот метод может различать типы транспортных средств (например, колесные и гусеничные транспортные средства) и даже решать, сколько людей присутствует до трех человек с высокой вероятностью успеха.
Распознавание целей на основе CNN
Распознавание целей на основе CNN способно превзойти традиционные методы. Он оказался полезным для распознавания целей (например, боевых танков) на инфракрасных изображениях реальных сцен после тренировки с синтетическими изображениями, поскольку реальных изображений этих целей мало. Из-за ограничений обучающего набора, насколько реалистичны синтетические изображения, имеет большое значение, когда дело доходит до распознавания тестового набора реальных сцен.
Общая структура сети CNN содержит 7 сверточных уровней, 3 максимальных уровня объединения и слой Softmax в качестве вывода. Максимальные слои объединения расположены после второго, четвертого и пятого сверточных слоев. Перед выводом также применяется глобальное среднее объединение. Все слои свертки используют функцию активации нелинейности Leaky ReLU.
