FR2873210A1 - Procede de tfac par segmentation statistique et normalisation - Google Patents

Abstract

Le domaine de l'invention est le domaine de la détection électromagnétique de cibles ou d'objets, et notamment celui de la détection radar. Le procédé selon l'invention apporte une solution au problème posé par la variation du niveau de signal ambiant le long de la portée du radar qui dégrade les performances de détection. En zone accidentée ou en présence d'éléments de relief importants ce problème est mal résolu par l'application au signal reçu de procédés connus tels que les procédés de maintien d'un taux de fausse alarme (TFAC) constant.A cet effet le procédé selon l'invention comporte au moins les étapes suivantes:- une étape de filtrage doppler (32),- une étape de détermination d'une carte des zones de fouillis homogènes (41),- une étape de normalisation du signal reçu (42),- une étape de détection (43).L'étape de détermination d'une carte des zones de fouillis homogènes (41) est réalisée par mise en oeuvre d'un algorithme itératif de segmentation statistique de type SEM appliqué aux données complexes issues de l'étape de filtrage doppler. Ces données sont traitées sous formes complexe, l'algorithme étant appliqué aux parties réelles et imaginaires des données. L'étape de détermination d'une carte des zones de fouillis homogènes peut également comporter un traitement itératif complémentaire de fusion de classes d'ambiances, permettant d'optimiser de manière paramétrable le nombre de classes d'ambiances utilisées pour déterminer la carte des zones de fouillis homogènes.

Description

L'invention se rapporte au domaine de la surveillance et de la détection

radar. Elle traite plus particulièrement de la difficulté de détecter des cibles de faible surface équivalente évoluant en terrain accidenté et à basse altitude. Elle traite également de la difficulté de détecter des cibles

menaçantes cachées par des accidents de terrain faisant obstacle à la propagation des ondes radar. L'invention décrite entre dans le domaine plus particulier des procédés de traitement des signaux radar.

Une des principales tâches dévolues aux procédés de traitement des signaux consiste à extraire du signal reçu la portion du signal correspondant à une information utile. Par information utile on entend par exemple les ondes réfléchies par des cibles potentiellement dangereuses ou hostiles. Ces ondes réfléchies ou échos peuvent avoir un niveau variable en fonction de la nature et des dimensions de la cible considérée. A ce titre on classe généralement les cibles en fonction de leur pouvoir de réflexion, dont rend compte le paramètre de Surface Equivalente Radar ou SER bien connu des concepteurs d'équipements radar. Ainsi l'écho réfléchi par une cible ayant une faible surface équivalente est un écho de faible puissance.

Face à une telle cible la tâche dévolue au traitement radar consiste à extraire cet écho du bruit thermique ou du fouillis ambiant reçu par le récepteur du radar et qui accompagnent cet écho. Par fouillis on entend de manière convenue le signal réfléchi par tout élément ne constituant par à proprement parler une cible dans le cas d'utilisation considéré. Ce peut être par exemple le signal réfléchi par des éléments de relief, des constructions, des étendues d'eau, de la végétation ou encore de phénomènes atmosphériques tels que des nuages.

Pour réaliser cette extraction un moyen bien connu de l'art antérieur consiste à mettre en oeuvre des procédés de traitement du signal radar, communément appelés dispositif de maintien d'un Taux de Fausse Alarme Constant ou TFAC. La notion de taux de fausse alarme, bien connue des concepteurs d'équipements radar n'est pas développée ici.

De manière générale, les procédés de TFAC procèdent pour chaque élément de signal reçu à un instant t correspondant à une distance donnée par rapport au radar, à l'estimation du niveau moyen de signal reçu pendant un intervalle de temps At encadrant l'instant considéré. Ce niveau moyen estimé, encore appelé "ambiance", est soustrait du niveau de signal reçu. La différence est ensuite comparée à un seuil de détection fixé, seuil qui peut être variable. Tout signal reçu ainsi traité dont le niveau dépasse le seuil fixé est considéré comme un écho représentatif de la présence d'une cible à la distance considérée correspondant à l'instant t de réception du signal.

Les procédé classique de TFAC connus de l'art antérieur font généralement preuve d'une bonne efficacité même dans le cas de cibles à faible surface équivalente pour lesquelles le niveau du signal réfléchi est faible et proche du niveau de l'ambiance. Ils permettent en outre d'éviter le déclanchement intempestif d'alarmes sur réception d'un élément de bouillis localisé. En revanche leur efficacité est mise en défaut dans des conditions opérationnelles difficiles ou l'espace surveillé comporte des zones de natures différentes engendrant des variations importantes et brutales du niveau de fouillis. Un tel contexte opérationnel est représenté de manière schématique sur la figure 1. Cette perte d'efficacité est particulièrement sensible dans l'estimation de l'ambiance aux endroits situés à la frontière entre les deux zones présentant des niveaux de fouillis très différents. Pour ces endroits l'application d'un procédé de TFAC classique se traduit de manière connue, par une désensibilisation du radar et une augmentation des fausses alarmes. Dans de telles circonstances l'estimation d'un niveau d'ambiance moyen s'avère peut efficace car il ne tient pas compte des variations brutales du niveau de fouillis se produisant dans le temps d'estimation.

Cette perte d'efficacité présente l'inconvénient sérieux de rendre les radars utilisant des procédés de TFAC classiques incapables de détecter certains types de cibles potentiellement très menaçantes qui tirent parti des accidents de relief pour se protéger. Parmi ces menaces ont peut citer: - des hélicoptères d'attaque cachés derrière des éléments de reliefs tels que des collines par exemple, qui profitent de la rupture de niveau d'ambiance se produisant sur la ligne de crête pour émerger durant un bref instant de la ligne de crête, tirer un projectile dans la zone surveillée et se remettant immédiatement à l'abri derrière la ligne de crête.

- des aéronefs effectuant en zone montagneuse des vols en suivi de terrain, à très basse altitude, qui profitent d'une zone de crête pour passer d'une vallée à une autre en restant invisibles du radar chargé de surveiller la zone.

- des cibles menaçantes évoluant le long d'une côte dans la zone de transition terre/mer.

Dans le cas d'une cible en mouvement, cette perte d'efficacité est en général atténuée par l'analyse doppler. L'analyse doppler du signal reçu permet de distinguer par sa fréquence doppler une cible mobile menaçante dont le signal a un spectre centré sur une fréquence doppler correspondant à sa vitesse, du signal correspondant au fouillis dont la vitesse est a priori faible, voire nulle. Néanmoins cette atténuation peut s'avérer insuffisante notamment dans le cas d'un fouillis de fort niveau tel que le signal de réverbération d'une formation montagneuse, ce fouillis venant perturber l'amplitude du spectre du signal reçu au travers des lobes secondaires du filtre doppler utilisé.

Pour pallier cette perte d'efficacité face à des menaces opportunistes tirant parti des variations brutales du niveau de fouillis dans les zones où elles évoluent, l'invention décrite propose un procédé de TFAC basé sur un principe différent. A cet effet l'invention consiste en un procédé de TFAC caractérisé en ce qui comporte au moins: - une étape de détermination de zones de fouillis homogène statistiquement, pour lesquelles le niveau d'ambiance est constant.

- une étape de normalisation du niveau du signal reçu pour chaque case distance, - une étape de détection consistant à comparer à un seuil le niveau normalisé de signal reçu.

L'étape de détermination des zones de fouillis fait appelle à un procédé de segmentation statistique connu sous la dénomination d'algorithme de maximalisation de la moyenne stochastique ou "Stochastic Expectation Maximisation" (SEM) selon la dénomination anglo-saxonne. Le procédé effectue la segmentation du signal d'ambiance reçu en classes d'ambiance, une classe étant définie par son niveau moyen et l'écart type par rapport à ce niveau moyen.

Dans le cadre de l'invention. Le procédé de segmentation statistique présente l'avantage d'être appliqué aux composantes complexes des signaux reçus et non pas simplement sur le module des signaux reçus.

Cet algorithme ayant pour paramètres d'entrée le nombre N de classes d'ambiances à déterminer, et étant initialisé par une première carte définie de manière arbitraire il présente l'avantage d'être paramétrable et adaptatif. La normalisation est effectuée par rapport au niveau d'ambiance de la zone dans laquelle se situe la case distance considérée. Chaque case distance étant caractérisée par son appartenance à une zone donnée.

Le seuil est quant à lui déterminé de façon à obtenir la probabilité de détection la plus élevée pour une probabilité de fausse alarme choisie.

Le procédé selon l'invention présente également l'avantage de comporter la mise en oeuvre d'un procédé itératif complémentaire permettant le réglage automatique du nombre de zones par fusion des zones dont les ambiances sont statistiquement proches.

D'autres caractéristiques et avantages apparaîtront au travers de la description faîte en regard des figures annexées qui représentent: - La figure 1, une illustration schématique en coupe, selon l'axe de pointage du radar d'un exemple de situation géographique présentant de brusques changements de la nature du fouillis, - la figure 2 la représentation schématique à deux dimensions de l'exemple de la figure 1, - la figure 3 un synoptique de mise en oeuvre d'un procédé de TFAC classique, - la figure 4 le synoptique de mise en oeuvre du procédé selon 30 l'invention, - la figure 5 le synoptique de mise en oeuvre du traitement complémentaire de fusion de zones.

Pour des raisons de clarté, la description qui suit se réfère de 35 manière implicite au mode de fonctionnement des radars à impulsions modernes et aux notions connues de récurrence, ou période de répétition, de rafale, de cases distance et de modes de fonctionnement en rafale. II est par ailleurs connu que les types de traitement du signal associés à ces radars sont des traitements à la rafale effectués sur l'axe distance. On rappelle simplement que la période de répétition correspond à l'intervalle de temps compris entre deux instants d'émission d'une impulsion radar, temps durant lequel le récepteur du radar est actif et que cet intervalle de temps est échantillonné à un rythme correspondant au découpage en distance de la portée du radar en cases distance. A un échantillon de signal pris à un instant t, correspond ainsi une case distance donnée. D'autre part, les procédés de traitement généralement employés procèdent par association des signaux provenant de plusieurs impulsions d'émission successives constituant une rafale. Le nombre d'impulsions associées dans une rafale est notamment choisi de sorte que pendant le laps de temps correspondant, on considère que les paramètres associés à d'éventuels échos détectés restent inchangés. Le traitement à la rafale correspond sensiblement au traitement des signaux provenant d'un axe de pointage donné et est donc un traitement monodimensionnel sur l'axe distance.

La figure 1 illustre en coupe, de manière schématique, un exemple de situation géographique occasionnant des difficultés dans l'estimation du niveau d'ambiance. Cette figure représente la variation du relief en fonction de la distance, le long d'un axe de pointage du radar. Sur cette figure on voit apparaître deux éléments de relief 11 et 12 séparés par une vallée 13 et faisant obstacle à l'émission d'un radar situé en un point O. Ces deux éléments présentent des faces dont la surface est par ailleurs inégale. Ces faces constituent des surfaces réfléchissant les signaux émis par le radar sous forme de fouillis de fort niveau qui constitue le signal ambiant dans les zones de l'espace Zl et Z3 situées au dessu de ces surfaces.

Inversement, entre ces éléments de relief on distingue des zones moins élevées Z5 et Z6, masquée à l'émission directe du radar et qui ne réfléchissent que du bruit thermique. Les limites entre les zones Zl et Z2, Z2 et Z3 et Z3 et z4 matérialisées par les points PI, P2 et P3 représentent des limites pour lesquelles le niveau de signal ambiant change brutalement. Ces limites correspondent généralement à des lignes de crête, ou plus simplement à des brusques variation de pente du relief. Pour les procédés de traitement actuels les échos correspondant à des cible évoluant au voisinage des lignes de crête constitue un problème important qui tire son origine du brusque changement du niveau de signal ambiant qui a pour conséquence de désensibiliser la réception. Il est à noter que les zones Z5 et Z6 qui sont située sous la limite de visée directe du radar matérialisée par les axes 14 et 15 sont des zones qui offre un refuge idéal aux cibles menaçantes ou aux cibles cherchant à passer inaperçues.

La figure 2 illustre le même exemple de situation géographique vu dans un plan. Sur cette figure les variations du relief des éléments 11et 12 sont représentées par les courbes isohypses 21. Les points PI, P2 et P3 sont situé sur les ligne de crête 22, 23 et 24 le long de l'axe 25 (Ox) pointé par un radar situé au point O. La figure 3 représente de manière synoptique le principe de fonctionnement d'un procédé de TFAC classique pris comme exemple.

De manière classique le traitement TEFAC est réalisé sur les signaux radars numérisés, après caractérisation par filtrage doppler. C'est généralement un procédé de traitement portant sur le module du signal reçu. De manière connue, les échantillons de signal 31 issus de chacune des impulsions composant la rafale et relatifs à la même case distance sont associés et traités par un banc de filtres doppler 32. Pour chaque filtre et chaque case distance, on détermine ainsi la distribution en fréquence du niveau de signal reçu pendant la durée de la rafale. Le banc de filtre doppler peut par exemple être le résultat d'une opération de FFT ou encore résulter de l'application d'un filtre de type FIR ou filtre à réponse impulsionnelle finie.

Les niveaux des composantes spectrales obtenues sont ensuite utilisées pour estimer le niveau de signal ambiant relatif à chaque case distance et pour chaque plage de fréquence correspondant à un filtre doppler. Cette estimation peut par exemple être réalisée en deux temps comme le montre l'encadré 36 de la figure 3. Le calcul du niveau d'ambiance consiste alors à calculer le niveau moyen de signal reçu sur un nombre donné de cases distance, huit ou seize cases distance par exemple, situées avant et après la case distance pour laquelle on souhaite estimer le niveau d'ambiance. Le calcul des moyennes est ici réalisé sur l'amplitude des signaux en sortie des filtres doppler. Cette opération 33 de calcul des moyennes avant et arrière est suivie, comme le montre l'encadré 36, par une opération de choix de la moyenne la plus forte.

On obtient alors, pour chaque case distance et pour chaque filtre doppler, une moyenne représentative de l'ambiance environnant la case distance. Ainsi, dans un procédé de TFAC classique tel que celui décrit ici, les signaux traités par filtrage doppler sont soumis à une opération de normalisation qui consiste à calculer pour chaque case distance le rapport entre le niveau de signal reçu et le niveau du signal ambiant calculé qui correspond à la moyenne avant ou arrière choisie. Cette opération est généralement réalisée, de manière connue, avec des grandeurs prises sous forme logarithmique. Le signal, ainsi normalisé fait l'objet d'une comparaison 35 à un seuil de détection, le dépassement du seuil étant le critère de détermination de la présence d'une cible.

Comme il a été dit précédemment ce type de procédé de TFAC fonctionne de manière satisfaisante pour les zones géographiques où le niveau d'ambiance reste sensiblement constant ou bien varie de manière non abrupte. Dans ce cas la variation des valeurs des moyennes avant et arrière le long de la portée du radar est progressive et conduit pour n'importe quelle case distance à un choix d'ambiance permettant une normalisation optimale et par suite une probabilité de détection satisfaisante. En revanche en cas de brusque changement de niveau d'ambiance on assiste pour les cases distance situées au voisinage de la zone de transition à une mauvaise normalisation liée à une surestimation ou à une sous estimation du niveau d'ambiance réalisé par la comparaison brutale des niveaux des moyennes avant et arrière. Cette mauvaise normalisation du signal conduit à une dégradation préjudiciable de la probabilité de détection d'une cible menaçante.

La figure 4 présente de manière globale le procédé de TFAC selon l'invention. Comme on peut le constater sur la figure, le procédé selon l'invention traites les données reçues après traitement doppler 32, comme un procédé de TFAC classique. De même il se termine par la comparaison 43 du niveau de signal normalisé à un seuil de détection. En revanche le procédé selon l'invention comporte deux opérations 41 et 42 qui viennent se substituer aux opérations de calcul des moyennes 33 et de normalisation par rapport à la moyenne la plus forte 34. ces opérations sont en outre réalisées non pas sur le module mais sur les composantes en phase (I) et en quadrature (Q) des données produites par l'opération de filtrage doppler 32. L'opération 41 a pour fonction de réaliser pour chaque filtre doppler une cartographie de zone de fouillis le long de l'axe distance. Cette cartographie consiste à délimiter des zones à l'intérieur desquelles le fouillis est aussi statistiquement homogène que possible et aussi différent que possible du fouillis caractérisant les autres zones délimitées. On cherche ici à établir des zones ayant des ambiances bien contrastées. L'opération 42 quant à elle, consiste à normaliser les données par rapport au niveau d'ambiance des zones auxquelles elles appartiennent.

Le seuil de détection utilisé lors de l'opération 43 peut ici être un seuil 15 adaptatif déterminé en fonction des paramètres estimés utilisés pour déterminer la zone considérée.

La cartographie de l'espace couvert par le radar est réalisée ici par application d'une méthode de segmentation statistique mettant en oeuvre un algorithme itératif de Maximisation Stochastique de l'Espérance plus communément appelé algorithme SEM selon la dénomination anglo-saxonne (Stochastic Expectation and Maximisation). Cet algorithme connu par ailleurs n'est pas détaillé ici. On précise cependant que cet algorithme est appliqué sur les données issues du filtrage doppler et prises sous forme complexe. On précise également que pour des raisons de commodité et de robustesse des calculs, les composantes réelles et imaginaires des données sont considérées comme des variables gaussiennes indépendantes et centrées, de même variance.

Ainsi, le signal d'ambiance traité par le radar (bruit thermique et fouillis) est assimilé à un signal complexe gaussien circulaire, c'est à dire un vecteur de composantes gaussiennes centrées (de moyenne nulle), de même écart type et indépendantes. Soit z le nombre complexe correspondant, on peut alors écrire: z=x+iy=

Y

avec E(z) = 0 et E(zz*) = 0212. E, représente ici l'espérance mathématique de la variable considérée.

Le signal d'ambiance radar est ainsi modélisé comme un signal dont chaque composante, en phase (x) et en quadrature (y), est une variable gaussienne centrée, les deux composantes étant non corrélées. On peut donc écrire: x [1] X 0 O a [2]

X

E

E l y.x

x et y étant considérés comme des lois normales centrées sur 0 et d'écarts types respectifs 0x et 0y.

En effet, l'ambiance radar peut être modélisée par une tension moyenne fréquence ayant pour expression: z(t) = p(t).cos(co.t +(p(t))= x(t).cosco. t+ y(t).sinco.t [3] x2 y2 avec p(x) = 1.e 62 et p(y) = 1 2.e 2 [4] J2c62 26 Les expressions [3] et [4] trouvent leur origine dans le fait que chaque composante est la somme d'une infinité de variables aléatoires, de moyenne nulle induite par l'équiprobabilité entre les tensions négatives et positives et de même variance, la répartition des tensions n'ayant aucune raison d'être dissymétrique.

Le carré, w, du module du signal d'ambiance suit alors une loi de Laplace qui peut s'écrire: w= z 2 = p2 = x2 + y2 [5] avec: w w w) = 1 e 2a2 = 1.e mw [6] 2.62 mw mw = E(w) = 2.c2 [7] par suite, le module du signal d'ambiance suit une loi de Rayleigh ayant pour expression: et avec: p(v) = 2v.e % [9] mw Par suite l'algorithme de segmentation est appliqué au vecteur constitué de 15 la composante en phase et en quadrature du signal d'ambiance F donné par: [8] z v2 avec E[F] = et E[F.F+]= 6x 0 0 G2 0 o x F= -y- l'utilisation d'un algorithme de segmentation de type SEM permet de 20 déterminer des classes d'ambiance, le nombre total N des classes étant fixé a priori.

L'algorithme de segmentation étant un processus itératif, il convient d'en prévoir l'initialisation. A cet effet une utilisera une méthode connue comme une méthode de nuées dynamiques permettant une détermination rapide des différentes classes d'ambiance, une classe étant caractérisée par les paramètres mX", my", a et Qy", avec n variant de 1 à N. L'algorithme de segmentation permet ainsi de découper l'espace 30 géographique en zones d'ambiance homogène clairement définies, chaque case distance constituant la portée du radar appartenant de manière exclusive à une zone déterminée.

Par suite, les différentes classes étant définies, le procédé de normalisation et de détection consiste à comparer chaque échantillon de signal aux paramètres de la classe correspondant à la zone à laquelle il appartient. Ainsi pour un échantillon de signal appartenant à une zone donnée appartenant à la classe n, la détection consistera à contrôler si l'expression suivante dépasse ou non un seul fixé en fonction des probabilités de détection et de fausse alarme choisies.

XI IYljn)2 /yQ m0)2 6(n) + 6(n) I Cette opération peut notamment être réalisée pour chaque zone sur 15 l'expression du signal normalisé de la façon suivante: x m(n) y m(n) (n) _ N(0,1) et Q6(n) Q = N(0,1)

I Q

où N(0,1) représente la loi normale de moyenne nulle et d'écart type unité.

Comme il a été dit précédemment, un paramètre d'entrée de l'algorithme de segmentation est constitué par le nombre de classes que l'on souhaite définir. Or, le choix du nombre de classes nécessaires à une segmentation correcte d'une image quelconque, radar ou autre, est un problème récurrent. Si le nombre de classes est trop faible, le résultat final ne permet pas de distinguer des différences de niveau d'ambiance entre plusieurs zone, pourtant bien marquées. A l'inverse en cas de sursegmentation, le résultat est inexploitable car illisible. Le choix dépend du nombre N dépend notamment de l'image considérée, et en particulier de l'information recherchée.

Pour aider l'utilisateur et simplifier ainsi l'utilisation de l'algorithme, le procédé selon l'invention peut avantageusement mettre en oeuvre un [10] traitement itératif complémentaire de fusion automatique de classes qui permet d'initialiser la segmentation avec un nombre N important de classes et de revenir finalement, par itérations successives, à un nombre optimum de classes.

Ce traitement consiste à partir d'un nombre N relativement élevé puis à estimer pour chaque itération de l'algorithme de segmentation un paramètre permettant d'estimer la différence d'ambiance existant entre des zones voisines appartenant à des classes différentes. Il consiste ensuite à fusionner les zones pour lesquelles la valeur du paramètre d'estimation est inférieure à un seuil. La figure 5 permet de situer la position de ce traitement complémentaire dans la chaîne de traitement globale.

L'illustration de la figure 5 présente une première étape 51 qui représente de manière globale l'opération itérative effectuée par l'algorithme de segmentation. En l'absence de traitement complémentaire l'étape 51 conduit directement à la restitution d'une carte définitive comportant des zones regroupées dans N classes.

Le traitement complémentaire débute par l'établissement d'une version provisoire 53 de la carte des zones définies par l'étape 51. Cette carte provisoire est utilisée lors d'une étape 54 de comparaison des ambiances associées à chacune des zones.

Le paramètre de comparaison retenu pour déterminer s'il y lieu ou non de fusionner deux zones et ne former qu'une classe, est un calcul de distance statistique D dont la définition ressort de la théorie de la géométrie de l'information. Cette distance statistique permet en particulier de comparer des variables multivariées gaussiennes indépendantes, telles que celles qui définissent l'ambiance qui règne dans une zone donnée. Dans le problème traité par le procédé selon l'invention, la variable gaussienne considérée représente les données complexes issues de l'étape de filtrage doppler qui s'exprime comme la somme de deux variables gaussienne indépendantes.

L'expression de la distance D, au sens de la métrique de Fisher, entre deux zones repérées par les indices a et b est de la forme suivante: D (a) 6(a) } t "(b)'6(b) 2 =2.1 2 In k k k k 1k=1 k=1.

1+8k-\2 1 8k J [12] avec: (m(a) m(b) 2 + 2 ( (a) a(b) )2 k k k k ((a) m m(b)) + 2.(a(a) + (b) )2 k k k k où mi et a correspondent respectivement à mx et Qx, et m2 et a2 à my et aY.

L'étape 54 consiste donc à traiter par paires les différentes classes définies et calculer pour paire la distance D;,) entre les classes i et j. Cette étape est suivie d'une étape 55 qui compare cette distance D;J à un seuil donné. Dans le cas la valeur de est supérieure au seuil pour toutes les paires de classes, le nombre de classes défini correspond au nombre optimum et l'étape 55 conduit à la restitution d'une carte définitive 52 des zones de fouillis homogènes.

Dans le cas contraire, l'étape 55 conduit à une étape 56 de fusion des deux classes les plus proches, c'est à dire des deux classes pour lesquelles la valeur de est la plus faible et à la décrémentation du nombre de zones optimal pour réaliser la segmentation. L'étape 56 conduit à l'établissement d'une carte d'initialisation 57 qui est utilisée par l'algorithme de segmentation pour établir une nouvelle carte provisoire comportant un nombre de zones fouillis 58 égal au nombre de zones retenues à l'itération précédente moins un Le fonctionnement global du procédé selon l'invention peut alors être décrit comme suit: La mise en oeuvre du procédé débute par une itération d'initialisation comportant les étapes 51, 53, 54 et 55, durant laquelle l'algorithme de segmentation établi un premier ensemble de N classe d'ambiances et affecte aux différentes zones de l'espace une des N classes données. Pour cette première itération le nombre N est initialisé à une valeur donnée et un premier découpage arbitraire en N zones de fouillis, formant une carte d'initialisation, est fourni en entrée de l'algorithme de traitement. Cette itération fournit une première carte provisoire sur laquelle sont calculées les distances interclasses D;,i qui sont comparées à un seuil déterminé. [13]

Si la totalité des distances calculées est supérieure au seuil fixé, N est considéré comme le nombre optimum de classes pour rendre compte des variations d'ambiance dans l'espace considéré. Il n'est alors pas nécessaire de procéder à une nouvelle segmentation et la carte provisoire des zones de fouillis homogènes devient la carte définitive 52 utilisée pour l'opération de normalisation 42.

En revanche si certaines des distances calculées sont inférieures au seuil, le procédé selon l'invention se poursuit par les étapes 56, 57 et 58. On procède au regroupement des classes pour lesquelles la valeur de D est la plus faible. Ce regroupement ou fusion donne lieu à l'établissement d'une nouvelle carte d'initialisation des zones de fouillis ainsi qu'à la décrémentation du nombre N de classes possibles. Le procédé se prolonge alors par une autre itération durant laquelle l'algorithme de segmentation procède à un nouveau découpage en N-1 zones à partir de la nouvelle carte d'initialisation. Le procédé effectue ainsi le nombre d'itérations nécessaire pour obtenir une segmentation en un nombre N de classes pour lequel les distances Di j calculées sont toutes supérieures au seuil fixé.

Ainsi, comme on peut le constater au travers de la description relative à la figure 5, le traitement de fusion automatique des classes statistiquement proches est intégré au processus principal qui met en oeuvre un algorithme de segmentation de type SEM. Ce traitementcomplémentaire présente l'avantage d'affranchir le procédé d'une détermination préalable précise du nombre de segment optimum pour restituer les variations de l'ambiance correspondant aux variations de nature du fouillis le long de la portée du radar. Ce traitement complémentaire permet en partant d'une valeur de N grande, de faire converger au cours du temps le nombre N vers sa valeur optimale.

Afin de ne pas entraver l'efficacité de l'algorithme de segmentation et de limiter le nombres d'opérations inutiles, il est avantageux dans la pratique de ne faire intervenir le traitement complémentaire de fusion automatique qu'après un certain nombre d'itérations, les premières itérations étant réalisées sans modification de la valeur de N ni changement de la carte d'initialisation. La fusion de classe peut par exemple ne devenir active qu'après 5 itérations dès lors que la répartition des classes devient suffisamment représentative, l'algorithme de segmentation ayant eu le temps de converger.

Lors de la mise en oeuvre du procédé selon l'invention, il est possible de considérer que le nombre N comme une grandeur paramétrable par un opérateur pour sa valeur initial et pour sa valeur minimale. De même il est possible d'envisager de prendre en compte des paramètres relatifs à la distance minimale D;,; entre deux classes, ainsi qu'au nombre minimal de o cases distance nécessaire pour qu'une zone donnée forme une classe particulière. Ce paramétrage permet à la fois avantageusement d'obtenir un nombre optimal de classes et de limiter la fusion. L'utilisateur peut par exemple accéder au réglage du seuil de fusion au travers d'une commande variant entre 0% et 100%, la valeur 0% correspondant à un seuil de distance très faible entraînant un absence de fusion, la valeur 100% correspondant à un seuil de distance important entraînant la fusion de toute les classes en une seule.

Claims (5)

REVENDICATIONS

1. Procédé de traitement du signal radar mettant en oeuvre une étape de filtrage doppler (32), une étape de détermination d'une carte des zones de fouillis homogènes statistiquement (41), une étape de normalisation du signal reçu (42) et une étape de détection (43), caractérisé en ce que l'étape de détermination de zones de fouillis homogènes met en oeuvre un algorithme itératif de type SEM de segmentation statistique du signal d'ambiance reçu en classes d'ambiance, une classe étant définie par son niveau moyen et l'écart type par rapport à ce niveau moyen; cet algorithme ayant pour paramètres d'entrée le nombre N de classes d'ambiances à déterminer, et étant initialisé par une première carte définie de manière arbitraire.

2. Procédé selon la revendication 1, caractérisé en ce que l'algorithme de segmentation statistique du signal reçu est appliqué au module et la phase des données issues de l'étape de filtrage doppler, ces données comportant une composante réelle x et une composante imaginaire y.

3. Procédé selon l'une des revendications 1 ou 2, caractérisé en ce que l'étape de détermination d'une carte des zones de fouillis homogènes (41) met en oeuvre un traitement itératif complémentaire de fusion des classes dont les ambiances sont statistiquement proches.

4. Procédé selon la revendication 3, caractérisé en ce que le traitement itératif complémentaire de fusion des classes d'ambiance détermine les classes d'ambiances statistiquement proches en calculant pour chaque paire de classes a et b, la distance statistique D définie par la relation: D\ (a) 6(a)} (b) 6(b)}) = 2.1 In 1+6k k k k k k=1 k=1 _1 8k

5. Procédé selon l'une des revendications 3 ou 4, caractérisé en ce que le traitement complémentaire de fusion des classes d'ambiances n'est mis en oeuvre qu'après l'établissement d'une première carte exploitable des zones de fouillis homogènes par convergence de l'algorithme itératif de segmentation.