JP2000508429A

JP2000508429A - クラッター確率密度関数の適応評価を使用したクラッター排除

Info

Publication number: JP2000508429A
Application number: JP11528514A
Authority: JP
Inventors: ロー、トーマス・ケー; ジョンストン、ダブリュ・スコット
Original assignee: Raytheon Co
Current assignee: Raytheon Co
Priority date: 1997-10-30
Filing date: 1998-10-22
Publication date: 2000-07-04
Anticipated expiration: 2018-10-22
Also published as: DE69809533T2; WO1999026079A1; DK0948749T3; IL130592A0; IL130592A; TR199901523T1; US5909190A; EP0948749B1; TW434414B; JP3207862B2; DE69809533D1; EP0948749A1

Abstract

(57)【要約】干渉が存在しているイメージ中に含まれているターゲットを識別する信号プロセッサが開示され、前記信号プロセッサは、ターゲット特徴推定を処理するターゲットモデルと、イメージを含む入力イメージデータを処理し、イメージ中に含まれる問題の領域と特徴とを生成する検出プロセッサと、検出プロセッサにより出力されるイメージ中に含まれた問題の領域と特徴を処理しイメージ中に含まれたトラックと特徴を発生する一時的プロセッサと、ターゲットモデルおよび一時的プロセッサに結合され、イメージ中に含まれるトラックおよび特徴およびターゲット特徴推定を処理してイメージデータからの干渉の特徴確率密度関数を適応的に推定し、推定された確率密度関数およびターゲット特徴推定をベイズ分類装置を使用して処理して干渉が存在しているイメージ中に含まれるターゲットを示す信号を発生することを特徴とする。またその方法も開示されている。

Description

【発明の詳細な説明】クラッター確率密度関数の適応評価を使用したクラッター排除［発明の技術的背景］本発明はクラッター排除プロセッサおよび処理方法ならびにセンサ、特にクラッター排除プロセッサと、クラッター確率密度関数の適応評価を使用して実行される処理方法に関する。１つの従来技術の処理方法は最短距離の分類装置を使用する。最短距離の分類装置は推定されたターゲット状態とそれぞれの安定なトラックとの間の標準化された距離を計算し、１組の距離｛ｄｉ｝を形成する。その後、ターゲット状態の共分散に基づいて予め設定されたしきい値と１組の距離を比較する。１以上のトラックがしきい値よりも小さい距離を有するならば、最短距離のトラックがターゲットであると推定され、（再）捕捉される。通常、しきい値の選択は正確なターゲットトラックであると考慮されるならば、誤った一致の確率を最小にすることに基づいている。従来技術の最短距離の分類装置の欠点は、特に（ターゲット状態の知識不足のために）ターゲット状態の共分散が大きく正確なターゲットが検出されない状態において誤った捕捉の確率が潜在的に高いことである。この状況では、多数の潜在的なクラッターおよび／または対抗手段のトラックがしきい値に関して十分小さい距離であるため誤って捕捉される恐れがある。誤った（再）捕捉問題は、ターゲットトラックが通常推定されたターゲット状態に対して最短距離のトラックである傾向が強いので、ターゲットトラックが検出されないときに特に厄介である。それ故、ターゲットトラックの存在は誤った（再）捕捉を減少する傾向が高い。それ故、高い確率の誤った捕捉をもたないクラッター排除プロセッサおよび処理方法を有することが有効である。したがって、本発明の目的はクラッター確率密度関数の適応推定を使用したクラッター排除プロセッサおよび処理方法を提供することである。［発明の要約］前述およびその他の目的を満たすため、本発明はターゲット捕捉、および密度がありクラッターした（clutter）イメージ（赤外線および可視イメージを含む）を再捕捉する処理期間に、干渉（背景クラッター、対抗手段、固定したパターン雑音、ランダム雑音等）を弁別するプロセッサおよび方法を提供する。本発明はイメージデータからの干渉の特徴確率密度関数（ｐｄｆ）を実時間で適応的に推定するプロセッサおよび方法を提供する。推定された干渉確率密度関数は、捕捉中に射撃制御システムから得られたまたは再捕捉中に先のターゲットトラックから得られたターゲット特徴推定と共に、ターゲットからの干渉を弁別する本発明によるベイズ弁別装置への入力を形成する。本発明のプロセッサおよび方法の主要な特徴は、イメージデータからの干渉確率密度関数の適応的な推定である。本発明で使用される基本的な想定は（１）捕捉シナリオはターゲットの希薄性であり、即ちイメージにおける多数の安定なトラックが干渉トラックであることと、（２）各クラスの干渉は共通の動作、即ち各クラスの干渉（例えばフレア）クラスタの全てのメンバの特徴ベクトルを示すことである。密集したクラッター環境では、多数のオブジェクトが検出され、安定なトラックを形成する。想定１と一貫して、多数のこれらのトラックはクラッターから発生する。本発明は安定なトラックの集合から各特徴の平均および分散を発見する。分散はクラスの平均について集群する（想定２）。サンプルされた平均および分散は干渉の確率密度関数を推定することに使用される。本発明では、全ての特徴は独立しているものと想定され、各特徴の確率密度関数の形態はガウスまたは均一であると想定されている。先の想定からまたは射撃制御システムから外部的に得られたターゲット特徴の対応する推定はターゲットの確率密度関数の推定に使用される。ターゲットおよび干渉確率密度関数が与えられると、ベイズの分類装置は、経験的確率に関して各安定なトラックをターゲットまたは干渉（クラッター）クラスに分類することに使用される。干渉確率密度関数は安定な干渉トラックの測定から得られるので、干渉は自己弁別する。本発明の方法は信号プロセッサで実行され、試験される。本発明の方法およびプロセッサはミサイルセンサで集められる赤外線ビデオデータを使用して、地形クラッターが存在すると航空機のターゲットを独自に実時間で捕捉することができた。本発明は許容可能に低い誤り警報率により過酷な干渉（クラッターまたは対抗手段）が存在するとターゲットを独自に捕捉または再捕捉する。潜在的な誤り警報（安定なクラッタートラック）は干渉の確率密度関数を推定することに使用されるので、これらは自己弁別し、それ故、これらの誤ったトラックにおける誤った捕捉確率を減少させる。本発明はターゲット特徴測定に関する共分散（不確定性の尺度）が大きい（即ち不確定性が大きい）ときに特に有効である。本発明は独自の捕捉または例えば射撃追跡装置および忘却追跡装置を有するシステムで使用されてもよい。本発明は最初にターゲットを捕捉し追跡装置のブレイクロック後にターゲットを再捕捉することに使用される。発明の背景技術部分で説明した従来技術の最短距離分類装置は本発明の基本的な部分であり、干渉確率密度関数が均一である（干渉が全体的に不認知であることに対応する状況）と想定される特別な場合に対応する。この特別な状況は干渉特性がトラックの干渉特性を測定することにより形成されるまで本発明により使用される初期状況である。干渉確率密度関数が一度トラックの集合的な特性を使用して推定されると、集合的な特性と一貫した特性による個々のトラックの弁別がベイズ分類装置により行われる。これは従来技術の最短距離弁別装置を使用して生じた誤った（再）捕捉問題を減少する。［図面の簡単な説明］本発明の種々の特徴および利点は、添付図面を伴った以下詳細な説明を参照してより良好に理解されるであろう。同一の参照符号は同一の構造素子を表している。図１は、本発明の原理による追跡装置の基本的な信号処理アーキテクチャを示している。図２は、本発明を使用したターゲットの捕捉または再捕捉に含まれるステップを示している。図３は、クラッタートラックを排除するための本発明の使用を示している。［詳細な説明］図面を参照すると、図１は本発明の原理にしたがって設けられた信号プロセッサ10の多数のターゲット追跡装置の信号処理構成を示している。信号プロセッサ 10の構成はターゲットモデル11を有し、このターゲットモデル11は例えば射撃制御システム12または信号プロセッサ10から入力されたターゲット特徴推定信号を受信する。例えば電子光学、赤外線、またはビデオイメージ装置のようなイメージ装置13から得られた可視または赤外線イメージ等の入力イメージは検出プロセッサ14へ入力される。イメージに含まれる問題の領域（ＲＯＩ）および特徴は検出プロセッサ14から出力され、一時的プロセッサ15へ入力される。一時的プロセッサ15はトラックと各トラックの特徴を出力する。ターゲットプロセッサ20はターゲットモデル11と一時的プロセッサ15の両者へ結合され、データ入力を処理し、イメージに含まれている選択された１以上のターゲットを出力する。図２はターゲットを捕捉するためターゲットプロセッサ20で使用される処理方法30におけるステップを示している。ターゲットプロセッサ20および処理方法30 はクラッター（Ｃ）および／または対抗手段（Ｃ）が存在するとき分離されたターゲット（Ｔ）を自動的に捕捉または再捕捉する手段および方法を提供し、しかもクラッターおよび／または対抗手段を誤って捕捉または再捕捉する確率を最小にする。ターゲット状態の知識において不確定性が大きい場合および／またはターゲットが検出されないときの状況下では、誤った捕捉は最も深刻である。ターゲットおよび干渉クラスの特徴確率密度関数（ｐｄｆ）の認識が与えられると、ターゲットはベイズの規則を使用して最小のエラーで捕捉される。しかしながら、ターゲットおよび干渉の確率密度関数はほとんど知られていない。本発明はこれらの確率密度関数を推定し、ターゲット捕捉にベイズの規則を使用することを可能にする手段を提供する。本発明の基本的な前提は、（１）ターゲットが特徴空間の競合するクラッターおよび／または対抗手段から分離可能であり、（２）捕捉シナリオがターゲットの希薄なシナリオ（イメージ装置13の視野にある少数のターゲット）であり、（３）予測されるターゲット特徴ベクトル値および関連する共分散マトリックスが、初期の捕捉の場合には射撃制御システム12から、または再捕捉の場合にはターゲットの先のトラックから得られ、（４）幾つかの共通の特徴を有する全ての所定のクラスのオブジェクト（クラッターおよび／または対抗手段）を介在することである。前述の前提は例えば空対空ミサイル戦では典型的なものである。ターゲットを干渉オブジェクトから弁別可能（したがって捕捉可能）にするため、幾つかの測定可能な特性においてそれらを区別しなければならない。空対空の戦闘では、イメージ装置12の視野に１または２より多数のターゲットが存在することはほとんどない。予測されたターゲット特徴ベクトルはターゲットモデル11を形成し、通常捕捉問題で必要とされる。所定のクラスのオブジェクトが幾つかの共通の特徴を有するという仮定は物理的背景から生じる。例えば、地上のクラッターは地上に強固に固定されているので、それらは共通の視線率を有する。同様にフレアおよびフレアフラグメントは索引のために共通の速度を有する。本発明は図１で示されている多数のターゲットの追跡装置構成を有する。このような多数のターゲットを追跡する装置は通常、当業者に知られている。検出プロセッサ13はイメージ中の関心のあるターゲットらしき領域（ＲＯＩ）を分離するため濾波およびしきい値プロセスを使用する。関心のある各領域はオブジェクト（または検出物）と呼ばれる。特徴は検出プロセッサ14中で各オブジェクトに対して測定される。典型的な特徴はイメージ中の位置、振幅、寸法（領域および回転半径）を含んでいる。１つのフレームの検出されたオブジェクトは先のフレームからの対応する検出に関連され、それによってトラック（軌跡）を形成する。検出されたオブジェクト特徴は一時的プロセッサ15により濾波され、トラック特徴を形成する。濾波はトラック特徴ベクトルおよび共分散マトリックスの両者の推定を行うカルマンフィルタを使用して典型的に実行される。トラック特徴は検出特徴および、典型的にそれらの１次時間導関数を含んでいる。トラック特徴が集中するように、多数のフレームにわたって十分な数の関連を有するトラックは確定されたトラックとして知られる。本発明のターゲットプロセッサ20および方法30は確定されたトラックを分類し、存在するならば、そのうちターゲットとして捕捉された確証トラックを決定しようとする。図２を参照すると、ターゲットプロセッサ20および処理方法30はターゲットトラックを捕捉し、以下のようにクラッターと対抗手段トラックを排除する。ターゲット31の確率密度関数がターゲット特徴ベクトル平均μ_Tと共分散Ｓ_Tを使用してターゲットモデル11から形成される。ターゲットの特徴確率密度関数は次式により得られる。ｐ（ｘ｜ターゲット）＝｜２πＳ_T｜^0.5｝ｅｘｐ｛−０．５（ｘ−μ_T）^TＳ_T ^-1（ｘ−μ_T）｝各クラッタークラスと、確定されたトラックの集合の形態についての対応する特徴確率密度関数を形成するため、一時的プロセッサ15が試験され、全てのトラック対の間の標準化された平方距離（ｄ_ij）がステップ33において計算される。ステップ33で計算されたトラックｉとｊ間の標準化された平方距離は次式により与えられる。ｄ_ij＝（ｘ_i−ｘ_j）^T｛Ｓ_i＋Ｓ_j｝（ｘ_i−ｘ_j）ここでｘ_i、Ｓ_iはトラックｉの特徴ベクトルと共分散マトリックスであり、ｘ_j とＳ_jはトラックｊの特徴ベクトルと共分散マトリックスである。全てのその他のトラックから最も離れたトラックは離れトラックとして識別される。Σ_jｄ_i0jがi₀と等しくない全てのｉの対応する合計よりも大きいならば、トラックｉ₀は離れトラックである。残りのトラックは標準化された平方距離に基づいて階層的集団のようなよく知られたクラスタリング技術を用いて、ステップ34においてクラスタにグループ化される。３以上のメンバを有する各クラスタはターゲットではないクラスと考えられる。メンバの特徴ベクトルのサンプルされた平均および分散はステップ35においてクラスに対する予測された特徴ベクトルと共分散の推定に使用される。ｍ番目のクラスの予測された特徴ベクトルはμ_m＝Σ_jＸ_mj／Ｎ_mであり、ここで合計はｍ番目のクラスに属する全てのメンバjにわたって延在し、Ｎ_mはクラスｍのメンバ数である。クラスｍの共分散マトリックスＳ_mは対角的（即ち特徴コンポーネント間に相関がない）であると仮定され、各特徴コンポーネントの分散はｍ番目のクラスに属するトラックのサンプル分散により与えられる。ｍ番目のターゲットではないクラスにおける特徴確率密度関数は次式によりステップ36において計算される。ｐ（ｘ｜ｍ）＝｜２πＳ_m｜^0.5ｅｘｐ｛−０．５（ｘ−μ_m）Ｓ_m（ｘ−μ_m）｝一時的プロセッサ15からの各確定されたトラック、例えばトラックｊはターゲットクラスと各クラッタークラスのメンバシップに対して推定される。ｊ番目の確証されたトラックｘ_jの特徴ベクトルは一時的プロセッサ15から抽出される。j 番目のトラックがターゲットクラスに属する標準化されていない確率ｐ（ターゲット｜ｘ_j）は、式ｐ（ターゲット｜ｘ_j）＝ｐ（ターゲット）ｐ（ｘ＝ｘ_j｜ターゲット）によりステップ32で計算され、ここでｐ（ターゲット）は、オブジェクトがクラスターゲットに属す演繹的確率であり、ｐ（ｘ＝ｘ_j｜ターゲット）はｘ＝ｘ_jによる式ｐ（ｘ｜ターゲット）の推定である。ｐ（ターゲット｜ｘ_j）の計算手順はよく知られたベイズ規則から得られる。類似の方法で、ｊ番目のトラックがクラッタークラスｍに属する確率ｐ（ｍ｜ｘ_j）は式ｐ（ｍ｜ｘ_j）＝ｐ（ｍ）ｐ（ｘ＝ｘ_j｜ｍ）を使用してステップ37で計算され、ここでｐ（ｍ）はオブ３ジェクトがクラスｍに属する以前における確率である。上記の計算は各確定されたトラックｊについて全てのクラッタークラスｍにわたって行われる。各トラックｊに対して、それがターゲットである尤度比は式λ（ｘ_j）＝ｐただ１つのみのクラッタークラスが存在する、即ちｍ＝１のみで、以前の確率ｐ（ターゲット）＝ｐ（ｍ）である特別な場合では、尤度比はよく知られた式λ（ｘ_j）＝ｐ（ｘ_j｜ターゲット）／ｐ（ｘ_j｜ｍ）に縮小される。ｐ（ｘ_j｜ターゲット）＞しきい値T１であり、λ（ｘ_j）＞しきい値Ｔ２であるならば、トラックｊは候補ターゲット41と考えられる。図２の処理ブロック32、37、38、41はベイズ分類装置40の要素である。状態ｐ（ｘ_j｜ターゲット）＞しきい値Ｔ１は候補トラックが予測されたターゲット特徴ベクトルに近い従来技術の状態に対応する。状態λ（ｘ_j）＞しきい値Ｔ２はトラックがターゲットのようでありクラッターのようではない付加的な要件に対応している。多数のトラックが所定のイメージに対するしきい値条件を満足する場合、トラックｊは最高の尤度比λ（ｘ_j）によりステップ42で発見され、そのイメージの最良のターゲットトラックと考えられる。幾つかの連続したイメージにわたり徹底して最良のトラックであるトラックはターゲットとしてステップ43で（再）捕捉される。本発明の概念が図３で示されており、これはクラッタートラックを排除するための本発明の使用を示している。ターゲットモデル11は十分に“ターゲットのようである”と考慮される特徴空間中のターゲット領域21を限定し、これは図３の円21により示されている。捕捉可能な任意のトラックはターゲット領域21内に位置する特徴ベクトルを有する。クラッターの特徴ベクトルはステップ34で決定された確証されたトラッククラスタの集合的な特性からステップ35で算定される。したがって、クラッタートラック（Ｃ）の集合は特徴空間に密度の高いクラッター領域22を限定し、これはクラッターに属し図３で楕円22により示されている。クラッター領域22は低い尤度比を有し、捕捉は禁止される。４つのクラッタートラック（Ｃ）は図３で示されている例では除外されている。ターゲット捕捉領域 23は、ターゲット領域21（または円21）により囲まれている領域により限定され、クラッター領域22により境界が定められたターゲット領域21内の領域が除外されている。本発明は、初期のターゲット捕捉、ターゲット再捕捉、それに続くターゲットトラックの開始後のブレイクロック、ターゲット再捕捉に続きターゲットにより放出されたフレア対抗手段により発生されたブレイクロックを含むターゲットトラック問題の幾つかのクラスに対する解決策を与える。本発明のプロセッサ20および方法30の性能を確証するために、合成されたデータを使用して定量結果が得られた。これらのデータは図４ａ乃至４ｅで示されている。これらの例では、２つのクラス（ターゲットおよび干渉）問題が推定された。図４ａ乃至４ｅで示されたこれらのサンプルは典型的な空対空捕捉問題を近似するためにただ１つのターゲットおよび多数の干渉トラックとを含んでいる。公称のターゲットは特徴ベクトル（０．，０．）を有し、ターゲット検出の特徴ベクトルはターゲットモデルにより特定された平均および標準偏差を有するガウスランダム変数としてランダムに生成される。捕捉基準は、干渉のない場合（これはターゲットゲートである）に０．９９のターゲット捕捉確率を可能にするために予測されたターゲット状態に関して９．２以下の標準化された平方距離と、ターゲット以前の確率と失敗した捕捉に対する誤った捕捉の相対的なコストに基づいた３０よりも大きい尤度比である。距離と尤度比基準を個々に満足するこれらのトラックに下線が付けられている。両者の基準を満たすトラックが捕捉される。図４ａはターゲットモデルの共分散が小さく、ターゲットとクラッターの間に大きな分離がある場合を示している。これは後に短いブレイクロックが続くターゲット再捕捉の場合である。この場合、ターゲットトラックのみがターゲットゲート内に存在する。ターゲットはこの場合容易に再捕捉される、図４ａに示されているグラフに関するデータが表１に与えられている。表１（図４ａのデータ）真のクラス特徴特徴ターゲット尤度比捕捉１２からの距離ターゲット 0.62 -0.07 0.55 2.20E＋04 ノークラッター 2.81 -1.04 109.12 1.00E-07 ノークラッター 23.95 -1.08 208.58 1.00E-07 ノークラッター 27.04 -1.29 282.57 1.00E-07 ノークラッター 6.52 -1.13 133.61 1.00E-07 ノークラッター 8.71 -1.18 151.37 1.00E-07 ノークラッター -3.53 -1.04 109.12 1.00E-07 ノークラッター 17.47 -0.73 102.48 1.00E-07 ノークラッター -6.77 -1.27 168.42 1.00E-07 ノー図４ｂはターゲットが検出されていない（即ちターゲットトラックが存在しない）ことを除いて図４ａと同一のケースを示している。この場合、トラックは再捕捉されない。表２（図４ｂのデータ）真のクラス特徴特徴ターゲット尤度比捕捉１２からの距離クラッター 2.81 -1.04 109.12 1.00E-07 ノークラッター -23.95 -1.08 208.58 1.00E-07 ノークラッター -27.04 -1.29 282.57 1.00E-07 ノークラッター 6.52 1.13 133.61 1.00E-07 ノークラッター 8.71 -1.18 151.37 1.00E-07 ノークラッター -3.53 -1.04 109.12 1.00E-07 ノークラッター -17.47 -0.73 102.48 1.00E-07 ノークラッター -6.77 -1.27 168.42 1.00E-07 ノー図４ｃはターゲットモデルの共分散が大きい場合を示している。これは最初の捕捉における貧弱なキューまたはブレイクロックが延長された期間の共分散の成長の結果として生じる。この場合、ターゲットゲート内に多数のトラックが存在する。ターゲットとクラッターの間の特徴ベクトルの分離はトラックの再捕捉を禁止する。ターゲットモデルに関する距離が使用されるだけである従来技術の方法では、ターゲットゲート内のターゲットモデルに最も近接するトラックが捕捉される。この特別な例では、クラッタートラックが捕捉されている。表３（図４ｃのデータ）真のクラス特徴特徴ターゲット尤度比捕捉１２からの距離ターゲット -12.65 4.01 0.97 6.60E＋00 ノークラッター 25.73 -9.34 4.95 1.40E＋00 ノークラッター 31.25 -1.98 1.28 9.60E-01 ノークラッター 16.91 -9.39 4.67 1.80E＋00 ノークラッター -71.63 -7.99 8.8 1.00E-07 ノークラッター -50.44 -6.01 4.61 1.00E-07 ノークラッター 66.99 -11.01 10.97 1.00E-07 ノークラッター -0.02 -1.28 0.08 1.80E＋00 ノークラッター 38.15 -9 5.62 8.80E-01 ノー図４ｄはターゲットモデルの共分散が大きく、それによって多数のトラックがターゲットゲート内に存在する場合を示している。ここではターゲットと干渉トラックの間の特徴ベクトルに十分な分離が存在する。ターゲットモデルに最も近接するトラックではなくてもターゲットトラックは捕捉される。本発明を使用したクラッター確率密度関数の演繹により全てのクラッタートラックに対する低い尤度比が生じ、これらに対する再捕捉を禁止する。再び従来技術の方法はクラッタートラックを再捕捉する。表４（図４ｄのデータ）真のクラス特徴特徴ターゲット尤度比捕捉１２からの距離ターゲット 46.04 2.2 2.66 2.00E ＋04 イエスクラッター -8.86 -8.89 5.03 2.00E＋01 ノークラッター -42.34 -6.99 5.05 3.30E-01 ノークラッター 48.9 -8.03 6.69 3.90E-01 ノークラッター 62.6 -8.21 8.56 2.20E-01 ノークラッター 5.42 4.73 1.43 9.70E-01 ノークラッター -48.83 4.08 3.69 4.90E-01 ノークラッター -4.43 -5.2 1.71 8.00E-01 ノークラッター -24.79 4.69 2.06 7.50E-01 ノー図４ｅは（例えばフレア対抗手段による妨害のために）ターゲットが検出されないことを除いて図４ｄと同一の状態を示している。この場合トラックは再捕捉されない。従来技術の方法を使用すると誤った再捕捉が生じる。表５（図４ｅのデータ）真のクラス特徴特徴ターゲット尤度比捕捉１２からの距離クラッター -8.86 -8.89 5.03 2.00E＋01 ノークラッター -42.34 -6.99 5.05 3.30E-01 ノークラッター 48.9 -8.03 6.69 3.90E-01 ノークラッター 62.6 -8.21 8.56 2.20E-01 ノークラッター 5.42 4.73 1.43 9.70E-01 ノークラッター -48.83 4.08 3.69 4.90E-01 ノークラッター -4.43 -5.2 1.71 8.00E-01 ノークラッター -24.79 4.69 2.06 7.50E-01 ノー以上、クラッター確率関数の適応評価を使用して行われたクラッター排除プロセッサおよび処理方法について説明した。説明した実施形態は本発明の原理の適用を表している多数の特別な実施形態のうちの単なる数例であることが理解されよう。明らかに、多数およびその他の装置が本発明の技術的範囲を逸脱することなく当業者により容易に行われることができる。

Claims

【特許請求の範囲】１．干渉が存在しているイメージ中に含まれているターゲットを識別するための信号プロセッサ（10）において、ターゲット特徴推定を処理するターゲットモデル（11）と、イメージを含んでいる入力イメージデータを処理し、イメージに含まれている問題の領域および特徴を生成する検出プロセッサ（14）と、検出プロセッサにより出力されたイメージに含まれている問題の領域および特徴を処理し、イメージに含まれているトラックおよび特徴を生成する一時的プロセッサ（15）と、ターゲットモデルと一時的プロセッサに結合され、イメージに含まれているトラックおよび特徴を処理してイメージデータから干渉の特徴確率密度関数を適応的に推定（36）し、推定された干渉確率密度関数およびターゲット特徴推定をベイズ分類装置（40）を使用して処理し、干渉が存在する状態でイメージ中に含まれているターゲットを示した信号を生成するターゲットプロセッサ（20）とを具備していることを特徴とする信号プロセッサ。２．入力イメージはイメージ装置（13）により与えられる請求項１記載の信号プロセッサ（10）。３．前記ターゲットプロセッサ（20）は、予測されたターゲット特徴ベクトルと共分散を使用してターゲットの確率密度関数を計算（31）し、各トラックに対して、トラックがターゲットクラスに属する経験的確率を計算（32）し、一時的プロセッサ（15）から得られ確認されたトラックの全てのトラック対間の標準化された平方距離を計算（33ａ）し、ターゲットではないクラスのメンバの特徴ベクトルのサンプルされた平均および分散を使用して、ターゲットではないクラスの特徴ベクトルおよび特徴共分散を推定（35）し、クラス特徴および共分散を使用して、ターゲットではないクラスの特徴確率密度関数を推定（36）し、各確認されたトラックに対して、トラックがターゲットではないクラスに属する経験的確率を計算（37）し、各確認されたトラックの尤度比を計算（38）し、特徴ベクトルが第１の予め定められたしきい値よりも大きく、その尤度比が第２のしきい値よりも大きい全ての候補トラックを発見（41）し、イメージの最良のターゲットトラックである最高の尤度比を有するトラックを選択（42）し、幾つかの連続的なイメージにわたって徹底して最良のトラックであるトラックをターゲットとして捕捉（43）することを特徴とする請求項３記載の信号プロセッサ（10）。４．トラックは標準化された平方距離に基づいて階層的集団プロセスを用いて、クラスタ（34）される請求項３記載の信号プロセッサ（10）。５．ターゲットではないクラスは３以上のメンバを有する各クラスタによって特徴付けられている請求項３記載の信号プロセッサ（10）。６．ターゲットではないクラスの特徴確率密度関数は、分散標準分布を仮定するクラス特徴および共分散を使用して推定（36）される請求項３記載の信号プロセッサ（10）。７．干渉が存在しているイメージ中に含まれているターゲットを識別する方法（ 30）において、イメージを含む入力イメージデータを処理し、イメージに含まれている問題の領域および各領域の特徴を生成し、イメージ中に含まれている問題の領域と各領域の特徴を処理し、イメージ中に含まれている各領域のトラックおよび特徴を生成し、イメージ中に含まれている各領域のトラックおよび特徴推定を処理してイメージデータから干渉の特徴確率密度関数を適応的に推定（36）し、推定された干渉確率密度関数とターゲット特徴推定とをベイズ分類装置（40）を使用して処理し、干渉が存在しているイメージ中に含まれているターゲットを示す信号を発生するステップを有することを特徴とする方法。８．干渉の特徴確率密度関数を適応して推定（36）するステップにおいて、予測されたターゲット特徴ベクトルと共分散を使用してターゲットの確率密度関数を計算（31）し、各トラックにおいて、トラックがターゲットクラスに属する確率を計算（32）し、一時的プロセッサ（15）から得られる確認されたトラックの全てのトラック対間の標準化された平方距離を計算（33ａ）し、ターゲットではないクラスのメンバの特徴ベクトルのサンプルされた平均および分散を使用して、ターゲットではないクラスの特徴ベクトルと特徴共分散とを推定（35）し、クラス特徴と共分散を使用して、ターゲットではないクラスの特徴確率密度関数を推定（36）し、各確認されたトラックに対して、トラックがターゲットではないクラスに属する標準化されていない確率を計算（37）し、各確認されたトラックに対して尤度比を計算（38）するステップを有する特徴とする請求項７記載の方法（30）。９．塀図分類装置を使用して推定された干渉の確率密度関数及びターゲット特徴を推定（36）するステップは、特徴ベクトルが第１の予め定められたしきい値よりも大きく、尤度比が第２のしきい値よりも大きい全ての候補トラックを発見（41）し、イメージの最良のターゲットトラックである最高の尤度比を有するトラックを選択（42）し、幾つかの連続的なイメージにわたって徹底して最良のトラックであるトラックをターゲットとして捕捉（43）するステップを含んでいることを特徴とする請求項７記載の方法（30）。１０．特徴ベクトルが第１の予め定められたしきい値よりも大きく、尤度比が第２のしきい値よりも大きい全ての候補トラックを発見（41）し、イメージの最良のターゲットトラックである最高の尤度比を有するトラックを選択（42）し、幾つかの連続的なイメージにわたって徹底して最良のトラックであるトラックをターゲットとして捕捉（43）するステップをさらに有することを特徴とする請求項８記載の方法（30）。