DE102005003024A1

DE102005003024A1 - Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar

Info

Publication number: DE102005003024A1
Application number: DE200510003024
Authority: DE
Inventors: Guy Leonard Dr. Kouemou; Johann Nicola
Original assignee: EADS Deutschland GmbH
Current assignee: Hensoldt Sensors GmbH
Priority date: 2005-01-22
Filing date: 2005-01-22
Publication date: 2006-08-03
Anticipated expiration: 2025-01-23
Also published as: DE102005003024B4

Abstract

Die Erfindung betrifft ein Verfahren zur Erkennung von Objekten mittels Dopplerradar, wobei aus den von dem Objekt reflektierten und von dem Dopplerradar empfangenen Echosignalen ein zu den Echosignalen gehörendes Signalspektrum gebildet wird und aus dem Spektrum vorgebbare Merkmalsparameter extrahiert und einem lernenden System zugeführt werden, wobei das lernende System durch einen lernenden Programmiervorgang derart eingestellt wird, dass zu jedem Merkmal eine diesem zugeordnete Objektklassifikation entsteht. Gemäß der Erfindung wird zur Merkmalsextraktion mindestens ein mindestens eindimensionales statistisches Analyseverfahren durchgeführt. Zur Erkennung einer bestimmten Objektklasse werden erfindungsgemäß die extrahierten Merkmale einem lernenden Hybridsystem, welches ein Klassifikationsergebnis mit Klassifikationsgüte liefert, zugeführt, wobei das Hybridsystem ein neuronales Netzwerk und ein Hidden Markov Modell-Netzwerk umfasst. Das Klassifikationsergebnis des Hybridsystems wird erfindungsgemäß einem dem Hybridsystem nachgeschalteten weiteren lernenden System zur Ergebnisbestätigung zugeführt.

Description

Die Erfindung betrifft ein Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar gemäß dem Oberbegriff des Patentanspruchs 1.

Aus der DE 29 28 907 A1 und der DE 30 02 148 A1 sind Verfahren zur Klassifizierung bewegter Objekte bekannt, bei welchen in einer Doppler-Radaranlage aus den Echosignalen Doppler-Spektren gebildet und diese neben der Ermittlung der Objektgeschwindigkeit aus der Dopplerfrequenz der Objekt-Hauptlinie des Doppler-Spektrums noch auf Nebenlinien untersucht werden, die von periodischen Änderungen des Reflektionsverhaltens des Objekts oder Teilen des Objekts herrühren. Beispielsweise kann aus dem Abstand der Nebenlinien die Blattfolgefrequenz eines Triebwerklaufrads eines Flugzeugtriebswerks oder die Gliedlänge einer Panzerkette bestimmt und zur Objektklassifizierung herangezogen werden.

Aus DE 197 05 730 A1 ist ein Verfahren zur Objektklassifikation bekannt, bei welchem rotierende Objekte, z.B. rotierende Turbinenlaufwerke klassifiziert werden können. Hierbei wird mittels eines von der Blattzahl und der Blattfolgefrequenz ein Merkmalsvektor generiert, welcher einem neuronalen Netzwerk zugeführt wird. Dieses Netzwerk ist dabei mittels eines Programmiervorgangs derart eingestellt, dass zu jedem generierten Merkmalsvektor eine diesem zugeordnete Objektklassifikation entsteht.

Derartige Verfahren zur Objektklassifizierung werden auch als nicht-kooperative Verfahren bezeichnet, da von dem zu klassifizierenden Objekt keine Kennung ausgesandt wird.

Es ist Aufgabe der Erfindung ein gattungsgemäßes nicht-kooperatives Verfahren zur Objektklassifikation anzugeben, welches eine hohe Zuverlässigkeit besitzt und in der Lage ist, ein breites Objektspektrum abzudecken.

Diese Aufgabe wird mit dem Verfahren gemäß Anspruch 1 gelöst. Vorteilhafte Ausführungen der Erfindung sind Gegenstand von Unteransprüchen.

Gemäß der Erfindung wird zur Merkmalsextraktion mindestens ein mindestens eindimensionales statistisches Analyseverfahren durchgeführt. Die extrahierten Merkmale werden erfindungsgemäß zur Erkennung einer bestimmten Objektklasse einem lernenden Hybridsystem, welches ein Klassifikationsergebnis mit Klassifikationsgüte liefert, zugeführt, wobei das Hybridsystem ein neuronales Netzwerk und ein Hidden Markov Modell-Netzwerk umfasst. Anschließend wird das Klassifikationsergebnis des Hybridsystems einem dem Hybridsystem nach geschalteten weiteren lernenden System zur Ergebnisbestätigung zugeführt wird.

Ein neuronales Netzwerk bzw. ein Hidden Markov Modell-Netzwerk wird im Weiteren auch als Klassifikator bezeichnet.

In einer vorteilhaften Ausführung der Erfindung ist ein weiteres dem Hybridsystem voran geschaltetes lernendes System vorhanden, welches in Abhängigkeit von vorgebbaren Kriterien, insbesondere der Objektdynamik eines oder mehrere statistische Analyseverfahren zur Merkmalsextraktion auswählt. Das dem Hybridsystem nach geschaltete lernende System gibt vorteilhaft in Abhängigkeit vorgebbarer Kriterien, insbesondere der Objektdynamik, eine Klassifikationsschwelle vor, wobei eine Unterschreitung der Klassifikationsschwelle durch die von dem Hybridsystem gelieferten Klassifikationsgüte ein Fehlklassifikationskriterium liefert, welches dem ersten lernenden System zugeführt wird und wobei eine Überschreitung der Klassifikationsschwelle durch die von dem Hybridsystem gelieferten Klassifikationsgüte das Klassifikationsergebnis anzeigt. Unter dem Begriff der Objektdynamik werden im Weiteren Geschwindigkeit, Linear- bzw. Querbeschleunigung, Kurs- und/oder Kursänderungsrate verstanden.

Das nach geschaltete lernende System ist zweckmäßig ein mehrstufiges neuronales Netwerk, welches vorteilhaft mit den möglichen Objektklassen trainiert ist.

In einer vorteilhaften Ausführung der Erfindung sind die Netzwerke des Hybridsystems mit gleichen oder unterschiedlichen Trainingsdaten für die Objektklassen nach gleichen oder unterschiedlichen Trainingsalgorithmen trainiert.

In den Objektklassen wird insbesondere zwischen Hubschraubern, Personen, Starrflüglern, ballistische taktische Flugkörper, Radfahrzeuge und Kettenfahrzeugen unterschieden.

Vorteilhaft umfasst die Merkmalsextraktion folgende Verfahrensschritte:

– das Signalspektrum wird zunächst normalisiert und gefiltert,
– das normalisierte und gefilterte Signalspektrum wird in eine vorgebbare Anzahl von Teilspektren zerlegt,
– für jedes Teilspektrum werden die Effektivwerte berechnet und gemittelt,
– aus jedem Teilspektrum werden mittels mindestens einem mindestens eindimensionalen statistischen Analyseverfahren Merkmalsvektoren berechnet,
– die für jedes Teilspektrum berechneten Merkmalsvektoren werden gemittelt und abgespeichert,
– die Effektivwerte und Merkmalsvektoren aller oder einer vorgebbaren Anzahl der Teilspektren werden in einer statistischen Kombination zu einer Matrix zusammengefasst,
– die in der Matrix zusammengefassten Werte werden zeitlich geglättet,
– die Werte werden auf einen Mittelwert mit dem Wert Null und einer vorgebbaren Standardabweichung standardisiert.

Die zu extrahierenden Merkmale im Spektrum sind vorteilhaft im Spektrum auftretende Signalspitzen, Amplitudenmodulationen, Phasenmodulationen, zeitlich periodisch oder aperiodisch auftretende Signale oder Kombinationen daraus.

Bei dem erfindungsgemäßen Verfahren wird als eindimensionales statistisches Analyseverfahren vorteilhaft eine Cepstralanalyse oder eine FFT-Analyse eingesetzt. Als zweidimensionales statistisches Analyseverfahren wird vorteilhaft eine Kurzzeit-FFT-Analyse oder eine Wavelet-Analyse eingesetzt.

Es ist bekannt, dass bei einer Wavelet-Analyse das Zeitsignal simultan in den Zeit-/ Frequenzraum zerlegt wird. Dabei wird mit Wavelets die zeitliche Auflösung automatisch dadurch angepasst, dass ein schmales Zeitfenster verwendet wird, um hohe Frequenzen zu untersuchen und ein breites Fenster verwendet, um niedrige Frequenzen zu analysieren. Das Verfahren ist zweckmäßig im Hinblick auf die Detektion von zeitlich aperiodischen, abrupt auftauchenden Ereignissen, z.B. Spikes im Spektrum durch Rotorblattspitzen eines Hubschraubers.

Cepstralanalysen werden üblicherweise in der Seismik und in der Spracherkennung eingesetzt. Mit der Cepstralanalyse ist es möglich, Trägersignale von den Echosignalen zu trennen und eignet sich so in der Radarklassifikation für die Trennung periodischer Signale wie z.B. bei Fußgängern durch Mehrfachreflexionen. Bei der Cepstralanalyse wird wie bei der Fourier-Transformation eine Kurzzeit-Analyse durchgeführt, wobei insbesondere eine Transformation des logarithmischen Spektrums im Zeitbereich durchgeführt wird.

Fast-Fourier-Transformationen (FFT) sind hinlänglich bekannt und werden hier nicht weiter erläutert.

Die Erfindung sowie weitere vorteilhafte Ausführungen des erfindungsgemäßen Verfahrens werden im Weiteren anhand von Zeichnungen näher erläutert. Es zeigen:
1 eine beispielhafte schematische Darstellung eines Radarsystems, in welchem die Empfangssignale gemäß der Erfindung ausgewertet werden,
2 eine beispielhafte schematische Darstellung eines Hybridsystems mit 6 Kombinationen von Merkmalsextraktionsverfahren mit einem Klassifikator,
3 ein beispielhaftes Blockschaltbild eines erfindungsgemäßen Verfahrens mit zusätzlichen lernenden Systemen und Rückweisungskriterien.
1 zeigt in einer beispielhaften Übersichtsdarstellung ein Radarsystem, in welches das erfindungsgemäße Verfahren zur Objekterkennung implementiert ist. In einer Sendeeinrichtung 1 wird ein Radarsignal erzeugt, welches einem Zirkulator 2 zugeführt wird und über eine Antenne 3 abgestrahlt wird. Das reflektierte Radarechosignal wird von der Antenne 3 aufgefangen und über den Zirkulator 2 einer Empfangseinrichtung 4 zugeführt. Diese Empfangseinrichtung 4 ist mit einer Einrichtung 5 zur Signalvorverarbeitung verbunden. Das Signal wird anschließend einerseits einer Trackingeinrichtung 6 zugeführt, mittels welcher es möglich ist, ein Objekt zu verfolgen. Andererseits wird das Signals aus der Einrichtung 5 einer Einrichtung 7 zur Merkmalsextraktion zugeführt. Die Daten aus der Trackingeinrichtung 6 und der Einrichtung 7 zur Merkmalsextraktion werden einem Klassifikator 8 zugeführt.
Der Klassifikator 8 entscheidet aufgrund der gelieferten Informationen, um welches Objekt es sich handelt. Der Klassifikator 8 unterscheidet dabei insbesondere folgende Kategorien: Helikoptern, Starrflüglern, taktisch ballistische Raketen, Personen sowie Rad- und Kettenfahrzeugen. Ereignisse die nicht in die genannten Kategorien fallen, werden in die so genannte No-Match Kategorie abgelegt. Solche Ereignisse sind z.B. kleine unbemannte Flugkörper, Geschosseinschläge auf Wasser oder Land, kleines Boote oder Schnellboote.
In der Einrichtung 5 zur Signalvorverarbeitung wird das empfangene Signalspektrum zunächst normalisiert und gefiltert. Anschließend wird das normalisierte und gefilterte Signalspektrum in eine vorgebbare Anzahl von Teilspektren zerlegt, für welche jeweils die Effektivwerte berechnet und gemittelt werden.
2 zeigt eine beispielhafte schematische Darstellung eines Hybridsystems mit 6 Kombinationen von Merkmalsextraktionsverfahren mit einem Klassifikator. Das Radarechosignal E wird dem Hybridsystem H zugeführt. Das Ergebnis A des Hybridsystems H ist dann eine Aussage über die Objektklasse, z.B. Helikopter, Starrflüglern, Raketen, Personen oder Rad- bzw. Kettenfahrzeugen.
Das Hybridsystem H besteht dabei vorteilhaft aus folgenden Kombinationen eines statistischen Merkmalsextraktionsverfahren mit einem Klassifikator:

1. Wavelet-Analyse und neuronales Netzwerk
2. Kurzzeit-FFT-Analyse und neuronales Netzwerk
3. Cepstrale Analyse und neuronales Netzwerk
4. Wavelet-Analyse und Hidden Markov Modell-Netzwerk
5. Kurzzeit-FFT-Analyse und Hidden Markov Modell-Netzwerk
6. Cepstrale Analyse und Hidden Markov Modell-Netzwerk.

Die in dem Hybridsystem H zusammengefassten 6 Kombinationen sind dabei zweckmäßig jeweils 6 konkurrierende Einzelverfahren.
3 zeigt schließlich ein beispielhaftes Blockschaltbild eines erfindungsgemäßen Verfahrens mit zusätzlichen lernenden Systemen und Rückweisungskriterien. Das empfangene Radarechosignals E wird einer Einrichtung 9 zur Abfrage der Bewegungsdynamik zugeführt. Hierbei werden zweckmäßig Informationen über die Flugbahn, die Geschwindigkeit und Beschleunigung des Objekts ermittelt. Diese Informationen werden einem ersten Entscheidungsgeber 10 zugeführt. Dieser erste Entscheidungsgeber 10, welchem zusätzlich a priori-Wissen, z.B. aus einer trainierten Datenbank zugeführt wird, prüft, ob mit den zur Verfügung stehenden Informationen eine gesicherte Entscheidung über das Vorliegen einer bestimmten Objektklasse möglich ist. Ergibt die Prüfung des Entscheidungsgebers 10 ein "Ja", so wird die ermittelte Objektklasse ausgegeben. Die Ausgabe erfolgt dabei z.B. über ein Anzeigegerät 14.
Ergibt die Prüfung hingegen ein "Nein", so wird das Radarechosignal einem Hybridsystems 12 zugeführt. Das Hybridsystem 12 erzeugt ein Klassifikationsergebnis, welches einem zweiten Entscheidungsgeber 13 zugeführt wird.
Der zweite Entscheidungsgeber 13, welcher ebenfalls mittels einer Datenbank (nicht dargestellt) mit a priori-Wissen gespeist werden kann, gibt eine Klassifikationsschwelle vor. Liegt das Klassifikationsergebnis des Hybridsystems 12 über der Schwelle, d.h. ist die Antwort des Entscheidungsgebers 13 auf die Frage, ob eine weitere Rückfrage erforderlich ist, "Nein", so wird die ermittelte Objektklasse ausgegeben.
Ist die Antwort hingegen "Ja", so wird ein Fehlklassifikationsergebnis geliefert, welches an den ersten Entscheidungsgeber 10 zurückgegeben wird.
Die Entscheidungsgeber 10, 13 sind dabei jeweils lernende Systeme, welche zweckmäßig jeweils mehrstufige neuronale Netzwerke sind, welche mit den möglichen Objektklassen trainiert sind.

Claims

Verfahren zur Erkennung von Objekten mittels Dopplerradar, wobei aus den von dem Objekt reflektierten und von dem Dopplerradar empfangenen Echosignalen ein zu den Echosignalen gehörendes Signalspektrum gebildet wird und aus dem Spektrum vorgebbare Merkmalsparameter extrahiert und einem lernenden System zugeführt werden, wobei das lernende System durch einen lernenden Programmiervorgang derart eingestellt wird, dass zu jedem Merkmal eine diesem zugeordnete Objektklassifikation entsteht, dadurch gekennzeichnet, dass zur Merkmalsextraktion mindestens ein mindestens eindimensionales statistisches Analyseverfahren durchgeführt wird, dass zur Erkennung einer bestimmten Objektklasse die extrahierten Merkmale einem lernenden Hybridsystem, welches ein Klassifikationsergebnis mit Klassifikationsgüte liefert, zugeführt werden, wobei das Hybridsystem ein neuronales Netzwerk und ein Hidden Markov Modell-Netzwerk umfasst, dass das Klassifikationsergebnis des Hybridsystems einem dem Hybridsystem nach geschalteten weiteren lernenden System zur Ergebnisbestätigung zugeführt wird.
Verfahren nach Anspruch 1, wobei ein weiteres dem Hybridsystem voran geschaltetes lernendes System vorhanden ist, welches in Abhängigkeit von vorgebbaren Kriterien, insbesondere der Objektdynamik eines oder mehrere statistische Analyseverfahren zur Merkmalsextraktion auswählt.
Verfahren nach Anspruch 2, wobei das dem Hybridsystem nach geschaltete lernende System in Abhängigkeit vorgebbarer Kriterien, insbesondere der Objektdynamik, eine Klassifikationsschwelle vorgibt, wobei eine Unterschreitung der Klassifikationsschwelle durch die von dem Hybridsystem gelieferten Klassifikationsgüte ein Fehlklassifikationskriterium liefert, welches dem ersten lernenden System zugeführt wird und wobei eine Überschreitung der Klassifikationsschwelle durch die von dem Hybridsystem gelieferten Klassifikationsgüte das Klassifikationsergebnis anzeigt.
Verfahren nach Anspruch 3, wobei das dem Hybridsystem nach geschaltete lernende System ein mehrstufiges neuronales Netzwerk ist, welches mit den möglichen Objektklassen trainiert ist.
Verfahren nach einem der vorangehenden Ansprüche, wobei zur Extraktion der Merkmale folgende Verfahrensschritte durchgeführt werden: – das Signalspektrum wird zunächst normalisiert und gefiltert, – das normalisierte und gefilterte Signalspektrum wird in eine vorgebbare Anzahl von Teilspektren zerlegt, – für jedes Teilspektrum werden die Effektivwerte berechnet und gemittelt, – aus jedem Teilspektrum werden mittels mindestens einem mindestens eindimensionalen statistischen Analyseverfahren Merkmalsvektoren berechnet, – die für jedes Teilspektrum berechneten Merkmalsvektoren werden gemittelt und abgespeichert, – die Effektivwerte und Merkmalsvektoren aller oder einer vorgebbaren Anzahl der Teilspektren werden in einer statistischen Kombination zu einer Matrix zusammengefasst, – die in der Matrix zusammengefassten Werte werden zeitlich geglättet, – die Werte werden auf einen Mittelwert mit dem Wert Null und einer vorgebbaren Standardabweichung standardisiert.
Verfahren nach einem der vorangehenden Ansprüche, wobei ein eindimensionales statistisches Analyseverfahren eine Cepstralanalyse oder eine FFT-Analyse ist.
Verfahren nach einem der vorangehenden Ansprüche, wobei ein zweidimensionales statistisches Analyseverfahren eine Kurzzeit-FFT-Analyse oder eine Wavelet-Analyse ist.
Verfahren nach einem der vorangehenden Ansprüche, wobei die Netzwerke des Hybridsystems mit gleichen oder unterschiedlichen Trainingsdaten für die Objektklassen nach gleichen oder unterschiedlichen Trainingsalgorithmen trainiert sind.
Verfahren nach einem der vorangehenden Ansprüche, wobei in den Objektklassen insbesondere zwischen Hubschraubern, Personen, Starrflüglern, ballistische taktische Flugkörper, Radfahrzeuge und Kettenfahrzeugen unterschieden wird.
Verfahren nach einem der vorangehenden Ansprüche, wobei die zu extrahierenden Merkmale im Spektrum auftretende Signalspitzen, Amplitudenmodulationen, Phasenmodulationen, zeitlich periodisch oder aperiodisch auftretende Signale oder Kombinationen daraus sind.
Verfahren nach einem der vorangehenden Ansprüche, wobei Informationen über die Flugbahn, die Geschwindigkeit und Beschleunigung des Objekts als Merkmale dem Hybridsystem zugeführt werden.
Radarsystem zur Durchführung eines Verfahrens gemäß einem der vorangehenden Ansprüche, umfassend einen Empfänger (4) zum Empfangen von Radarechosignalen, einen Sender (1) zum Senden von Radarsignalen sowie Mittel (5, 6, 7, 8) zur Signalverarbeitung, dadurch gekennzeichnet, dass die Mittel (5, 6, 7, 8) zur Signalverarbeitung Mittel (7) zur Merkmalsextraktion sowie Mittel (8) zur Klassifikation umfassen.