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 - Google Patents
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 JP2000508429A JP11528514A JP52851499A JP2000508429A JP 2000508429 A JP2000508429 A JP 2000508429A JP 11528514 A JP11528514 A JP 11528514A JP 52851499 A JP52851499 A JP 52851499A JP 2000508429 A JP2000508429 A JP 2000508429A
- Authority
- JP
- Japan
- Prior art keywords
- target
- track
- image
- feature
- interference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/78—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using electromagnetic waves other than radio waves
- G01S3/782—Systems for determining direction or deviation from predetermined direction
- G01S3/785—Systems for determining direction or deviation from predetermined direction using adjustment of orientation of directivity characteristics of a detector or detector system to give a desired condition of signal derived from that detector or detector system
- G01S3/786—Systems for determining direction or deviation from predetermined direction using adjustment of orientation of directivity characteristics of a detector or detector system to give a desired condition of signal derived from that detector or detector system the desired condition being maintained automatically
- G01S3/7864—T.V. type tracking systems
- G01S3/7865—T.V. type tracking systems using correlation of the live video image with a stored image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Electromagnetism (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
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μTと共分散ST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)
=|2πST|0.5}exp{−0.5(x−μT)TST -1(x−μT)}
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(dij)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。
dij=(xi−xj)T{Si+Sj}(xi−xj)
ここでxi、Si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、xj
とSj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。Σjdi0j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μm=ΣjXmj/Nm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、Nm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Sm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)=
|2πSm|0.5exp{−0.5(x−μm)Sm(x−μm)}
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xj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|xj)は、式p(ターゲット|xj)=p(ターゲット)p(x=xj|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=xj|ターゲット)
はx=xjによる式p(x|ターゲット)の推定である。p(ターゲット|xj)
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|xj)は式p(m|xj)=p
(m)p(x=xj|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(xj)=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(
xj)=p(xj|ターゲット)/p(xj|m)に縮小される。p(xj|ターゲ
ット)>しきい値T1であり、λ(xj)>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(xj|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(xj)>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(xj)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 1 2 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 1 2 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 1 2 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 1 2 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 1 2 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 (1)
- 【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)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/961,377 | 1997-10-30 | ||
US08/961,377 US5909190A (en) | 1997-10-30 | 1997-10-30 | Clutter rejection using adaptive estimation of clutter probability density function |
PCT/US1998/022541 WO1999026079A1 (en) | 1997-10-30 | 1998-10-22 | Clutter rejection using adaptive estimation of a clutter probability density function |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2000508429A true JP2000508429A (ja) | 2000-07-04 |
JP3207862B2 JP3207862B2 (ja) | 2001-09-10 |
Family
ID=25504399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP52851499A Expired - Fee Related JP3207862B2 (ja) | 1997-10-30 | 1998-10-22 | 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 |
Country Status (9)
Country | Link |
---|---|
US (1) | US5909190A (ja) |
EP (1) | EP0948749B1 (ja) |
JP (1) | JP3207862B2 (ja) |
DE (1) | DE69809533T2 (ja) |
DK (1) | DK0948749T3 (ja) |
IL (1) | IL130592A (ja) |
TR (1) | TR199901523T1 (ja) |
TW (1) | TW434414B (ja) |
WO (1) | WO1999026079A1 (ja) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6466894B2 (en) | 1998-06-18 | 2002-10-15 | Nec Corporation | Device, method, and medium for predicting a probability of an occurrence of a data |
US6397234B1 (en) * | 1999-08-20 | 2002-05-28 | The United States Of America As Represented By The Secretary Of The Navy | System and apparatus for the detection of randomness in time series distributions made up of sparse data sets |
US6377206B1 (en) | 2000-04-06 | 2002-04-23 | Lockheed Martin Corporation | Method for clutter rejection in digital imagery |
US7277558B2 (en) * | 2001-11-27 | 2007-10-02 | Lockheed Martin Corporation | Method and system for estimating the position of moving objects in images |
US7561971B2 (en) * | 2002-03-28 | 2009-07-14 | Exagen Diagnostics, Inc. | Methods and devices relating to estimating classifier performance |
US6943724B1 (en) | 2002-10-30 | 2005-09-13 | Lockheed Martin Corporation | Identification and tracking of moving objects in detected synthetic aperture imagery |
US6864828B1 (en) | 2003-02-18 | 2005-03-08 | Lockheed Martin Corporation | Method and apparatus for collection and processing of interferometric synthetic aperture radar data |
GB0502369D0 (en) * | 2005-02-04 | 2005-03-16 | British Telecomm | Classifying an object in a video frame |
US20080181453A1 (en) * | 2005-03-17 | 2008-07-31 | Li-Qun Xu | Method of Tracking Objects in a Video Sequence |
US7567203B2 (en) * | 2005-04-11 | 2009-07-28 | Raytheon Canada Limited | Classification system for radar and sonar applications |
US7315485B1 (en) * | 2005-12-20 | 2008-01-01 | United States Of America As Represented By The Secretary Of The Navy | System and method for target classification and clutter rejection in low-resolution imagery |
US20070253625A1 (en) * | 2006-04-28 | 2007-11-01 | Bbnt Solutions Llc | Method for building robust algorithms that classify objects using high-resolution radar signals |
EP2027489B1 (en) * | 2006-06-13 | 2014-08-20 | BAE Systems PLC | Improvements relating to target tracking |
US8466398B2 (en) * | 2009-11-30 | 2013-06-18 | Ioannis BOULTIS | Diffraction fields for guiding an object to a target |
CN107330441B (zh) * | 2017-05-26 | 2019-07-09 | 天津大学 | 火焰图像前景提取算法 |
CN111624571B (zh) * | 2020-05-19 | 2022-10-28 | 哈尔滨工业大学 | 基于自适应紧框架的非均匀Weibull背景统计分布参数估计方法 |
US11222232B1 (en) | 2020-06-19 | 2022-01-11 | Nvidia Corporation | Using temporal filters for automated real-time classification |
US11978266B2 (en) | 2020-10-21 | 2024-05-07 | Nvidia Corporation | Occupant attentiveness and cognitive load monitoring for autonomous and semi-autonomous driving applications |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4739401A (en) * | 1985-01-25 | 1988-04-19 | Hughes Aircraft Company | Target acquisition system and method |
US5341142A (en) * | 1987-07-24 | 1994-08-23 | Northrop Grumman Corporation | Target acquisition and tracking system |
US4937878A (en) * | 1988-08-08 | 1990-06-26 | Hughes Aircraft Company | Signal processing for autonomous acquisition of objects in cluttered background |
US5612928A (en) * | 1992-05-28 | 1997-03-18 | Northrop Grumman Corporation | Method and apparatus for classifying objects in sonar images |
JPH09145829A (ja) * | 1995-11-28 | 1997-06-06 | Mitsubishi Electric Corp | レーダ信号処理装置 |
-
1997
- 1997-10-30 US US08/961,377 patent/US5909190A/en not_active Expired - Fee Related
-
1998
- 1998-10-22 JP JP52851499A patent/JP3207862B2/ja not_active Expired - Fee Related
- 1998-10-22 DE DE69809533T patent/DE69809533T2/de not_active Expired - Fee Related
- 1998-10-22 TR TR1999/01523T patent/TR199901523T1/xx unknown
- 1998-10-22 EP EP98964686A patent/EP0948749B1/en not_active Expired - Lifetime
- 1998-10-22 WO PCT/US1998/022541 patent/WO1999026079A1/en active IP Right Grant
- 1998-10-22 DK DK98964686T patent/DK0948749T3/da active
- 1998-10-22 IL IL13059298A patent/IL130592A/en not_active IP Right Cessation
-
1999
- 1999-01-22 TW TW087118104A patent/TW434414B/zh not_active IP Right Cessation
Also Published As
Publication number | Publication date |
---|---|
DE69809533T2 (de) | 2003-09-04 |
WO1999026079A1 (en) | 1999-05-27 |
DK0948749T3 (da) | 2003-02-17 |
IL130592A0 (en) | 2000-06-01 |
IL130592A (en) | 2002-09-12 |
TR199901523T1 (xx) | 2000-10-23 |
US5909190A (en) | 1999-06-01 |
EP0948749B1 (en) | 2002-11-20 |
TW434414B (en) | 2001-05-16 |
JP3207862B2 (ja) | 2001-09-10 |
DE69809533D1 (de) | 2003-01-02 |
EP0948749A1 (en) | 1999-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2000508429A (ja) | 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 | |
US10217010B2 (en) | Information processing apparatus for registration of facial features in a collation database and control method of the same | |
EP1127281B1 (en) | Target acquisition system and radon transform based method for target azimuth aspect estimation | |
CN108490410B (zh) | 一种两坐标雷达对海目标联合检测跟踪方法 | |
US10908261B2 (en) | Target identification and clutter mitigation in high resolution radar systems | |
CN106934817B (zh) | 基于多属性的多目标跟踪方法及装置 | |
CN106546975B (zh) | 一种基于雷达数据的轻小型无人机与飞鸟分类识别方法 | |
Mahalanobis et al. | Evaluation of MACH and DCCF correlation filters for SAR ATR using the MSTAR public database | |
US9317765B2 (en) | Human image tracking system, and human image detection and human image tracking methods thereof | |
CN111145223A (zh) | 多摄像头识别人员行为轨迹分析方法 | |
CN109389609B (zh) | 基于fart神经网络的交互自反馈红外目标检测方法 | |
Gao et al. | Fast detecting and locating groups of targets in high-resolution SAR images | |
CN101794437A (zh) | 一种高光谱遥感影像异常探测方法 | |
Rajagopalan et al. | Vehicle detection and tracking in video | |
Meth | Target/shadow segmentation and aspect estimation in synthetic aperture radar imagery | |
CN111428626B (zh) | 一种移动物体的识别方法、装置、及存储介质 | |
CN111480180B (zh) | 用于检测和跟踪目标的方法和装置、光电设备 | |
Deng et al. | Image feature-based space-time processing for ground moving target detection | |
CN113625266A (zh) | 应用雷达检测低速目标的方法、装置、存储介质和设备 | |
KR20230068050A (ko) | 서로 다른 특징 기반의 표적 식별 방법 및 그를 위한 장치 | |
Owirka et al. | An algorithm for detecting groups of targets | |
JPH07118009B2 (ja) | 実時間連結性アルゴリズムシステム | |
CN112015960A (zh) | 车载雷达测量数据的聚类方法、存储介质和电子装置 | |
Halversen et al. | New approaches for detecting groups of targets | |
Cayula et al. | Edge detection applied to SST fields |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |