JP2020180875A

JP2020180875A - クラッタ学習装置及びクラッタ識別装置

Info

Publication number: JP2020180875A
Application number: JP2019084290A
Authority: JP
Inventors: 洋介勝又; Yosuke Katsumata; 遊子阿部; Yuko Abe; 立範小林; Tatsunori Kobayashi; 陽平野上; Yohei Nogami
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2019-04-25
Filing date: 2019-04-25
Publication date: 2020-11-05
Anticipated expiration: 2039-04-25
Also published as: JP7143809B2

Abstract

【課題】レンジドップラマップにおける、電離層クラッタ、及び、固定物又は水面からの反射波クラッタのクラッタ部分にラベリングを付与したレーダ画像を学習するクラッタ学習装置、及び、これを用いたクラッタ識別装置を得ること。【解決手段】受信信号から生成されたレンジドップラマップにおけるクラッタ部分にラベリングを付与したレーダ画像を、受信信号が受信された時系列の順にレーダ画像群として入力されるレーダ画像入力部と、レーダ画像群ごとに受信信号の周波数及び積分時間のレーダ情報が入力されるレーダ情報入力部と、レーダ画像入力部から入力されたレーダ画像群とレーダ情報入力部から入力されたレーダ情報とに基づいて、レーダ情報ごとに対応するレーダ画像の時系列におけるクラッタ部分の変化を学習する学習部とを備える。【選択図】図１

Description

この発明は、受信信号から、電離層クラッタ、及び、固定物又は水面からの反射波クラッタのクラッタ部分について学習するクラッタ学習装置、及び、これを用いたクラッタ識別装置に関するものである。

従来から、使用周波数がＭＨｚオーダー以上のレーダ装置に対して、使用周波数がＭＨｚオーダー未満のレーダ装置、例えば使用周波数がＨＦ（ＨｉｇｈＦｒｅｑｕｅｎｃｙ）帯のレーダ装置がある（例えば、特許文献１参照）。このようなＨＦ帯のレーダ装置は、特許文献１にあるように、送信電波が表面波となって海面に沿うように伝搬する特性があり、水平線以遠の見通し外領域の目標検出が期待できるものである。

このような特性がある一方で、ＨＦ帯のレーダ装置は、固定物又は水面（海面を含む）からの反射波クラッタ（グランドクラッタ、シークラッタ）の影響を受けるため、これらを抑圧することが考えられてきた。なお、ＨＦ帯のレーダ装置では電離層によって反射される電離層クラッタが存在することも知られている（例えば、特許文献２参照）。

また、ＡＩ（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ）などを使った機械学習による学習モデルを用いて、クラッタエッジを検出することで、目標検出の確率の低下を避けるレーダ装置もある。例えば、特許文献３には、ニューラルネットワークを用いてクラッタエッジを検出するものが開示されている。さらに、レンジドップラマップを使ってクラッタを抑圧する装置もある（例えば、特許文献４参照）。

特開２０１１−１１７８９９号公報特表平７−５０２５９０号公報特開平９−１４５８２９号公報特開２０１４−２３５０８５号公報

しかしながら、従来の機械学習による学習モデルは、レーダ装置の受信信号から生成されたレンジドップラマップを使った学習モデルの具体化はされていなかったという課題があった。

この発明は、上記のような課題を解決するためになされたものであり、レンジドップラマップにおける、電離層クラッタ、及び、固定物又は水面からの反射波クラッタのクラッタ部分にラベリングを付与したレーダ画像を学習するクラッタ学習装置、及び、これを用いたクラッタ識別装置を得ることを目的とする。

この発明に係るクラッタ学習装置は、監視範囲に対して送信した送信信号の反射波を受信して得られた受信信号から、電離層クラッタ、及び、固定物又は水面からの反射波クラッタのクラッタ部分について学習するクラッタ学習装置において、前記受信信号から生成されたレンジドップラマップにおける前記クラッタ部分にラベリングを付与したレーダ画像を、前記受信信号が受信された時系列の順にレーダ画像群として入力されるレーダ画像入力部と、前記レーダ画像群ごとに前記受信信号の周波数及び積分時間のレーダ情報が入力されるレーダ情報入力部と、前記レーダ画像入力部から入力された前記レーダ画像群と前記レーダ情報入力部から入力された前記レーダ情報とに基づいて、前記レーダ情報ごとに対応する前記レーダ画像の前記時系列における前記クラッタ部分の変化を学習する学習部とを備えたことを特徴とするものである。

この発明に係るクラッタ識別装置は、監視範囲に対して送信した送信信号の反射波を受信して得られた受信信号から、電離層クラッタ、及び、固定物又は水面からの反射波クラッタのクラッタ部分について学習するクラッタ学習装置において、前記受信信号から生成されたレンジドップラマップにおける前記クラッタ部分にラベリングを付与したレーダ画像を、前記受信信号が受信された時系列の順にレーダ画像群として入力されるレーダ画像入力部と、前記レーダ画像群ごとに前記受信信号の周波数及び積分時間のレーダ情報が入力されるレーダ情報入力部と、前記レーダ画像入力部から入力された前記レーダ画像群と前記レーダ情報入力部から入力された前記レーダ情報とに基づいて、前記レーダ情報ごとに対応する前記レーダ画像の前記時系列における前記クラッタ部分の変化を学習する学習部とを有したクラッタ学習装置の学習結果を用いて前記クラッタ部分に相当する部分を抽出するクラッタ識別装置であって、識別対象のレンジドップラマップである識別対象画像が、時系列の順に識別対象画像群として入力される識別対象画像入力部と、前記識別対象画像群ごとに周波数及び積分時間の識別対象情報が入力される識別対象情報入力部と、前記学習部が学習した学習結果に基づいて、前記識別対象情報に対応する前記レーダ情報をインデックスにして、前記識別対象画像に対応する前記レーダ画像を選択して、前記識別対象画像における前記クラッタ部分に相当する部分を抽出するクラッタ部分抽出部とを備えたことを特徴とするものである。

この発明によれば、レーダ画像群ごとに受信信号の周波数及び積分時間のレーダ情報ごとに対応する前記レーダ画像の前記時系列における前記クラッタ部分の変化を学習することができるという格別の効果を奏するクラッタ学習装置、及び、これを用いたクラッタ識別装置を得ることができる。

この発明の実施の形態１に係るクラッタ学習装置の機能ブロック図である。この発明の実施の形態１に係るクラッタ学習装置の学習に使用するレンジドップラマップ（レーダ画像）の例示図である。この発明の実施の形態１に係るクラッタ学習装置の動作（クラッタ学習方法）を説明するフローチャートである。この発明の実施の形態１に係るクラッタ学習装置及びクラッタ識別装置の機能ブロック図である。この発明の実施の形態１に係るクラッタ学習装置及びクラッタ識別装置の動作（クラッタ識別方法）を説明するフローチャートである。この発明の実施の形態２に係るクラッタ学習装置の機能ブロック図である。この発明の実施の形態２に係るクラッタ学習装置の動作（クラッタ学習方法）を説明するフローチャートである。この発明の実施の形態２に係るクラッタ学習装置及びクラッタ識別装置の動作（クラッタ識別方法）を説明するフローチャートである。

実施の形態１．
以下、この発明の実施の形態１に係るクラッタ学習装置及びクラッタ識別装置について、図１から図５を用いて説明する。図中、同一符号は、同一又は相当部分を示し、それらについての詳細な説明は省略する。図４において、監視範囲１は、レーダ装置２の監視範囲を示すイメージである。例えば、洋上などが想定される。レーダ装置２は、例えば、使用周波数がＨＦ帯などのＭＨｚオーダー未満のものである。図１及び図４において、クラッタ学習装置３は、監視範囲に対して送信した送信信号の反射波を受信して得られた受信信号から、電離層クラッタ、及び、固定物又は水面（海面を含む）からの反射波クラッタのクラッタ部分について学習するものである。クラッタ識別装置４は、クラッタ学習装置３の学習結果を用いてクラッタ部分に相当する部分を抽出するものである。

図１及び図４において、クラッタ学習装置３は次の構成である。レーダ画像入力部５は、受信信号から生成されたレンジドップラマップにおける、電離層クラッタ、及び、固定物又は水面からの反射波クラッタのクラッタ部分にラベリングを付与したレーダ画像を、受信信号が受信された時系列の順にレーダ画像群として入力されるものである。時系列の順とは、時間の経過にしたがって定期的に得た順を意味する。実際にレーダ画像が時系列の順に入力されてなくても、時間情報とレーダ画像とが関連付けられ、時系列の順番が分かるになっておればよい。レーダ情報入力部６は、レーダ画像群ごとに受信信号の周波数及び積分時間のレーダ情報が入力されるものである。学習部７は、レーダ画像入力部５から入力されたレーダ画像群とレーダ情報入力部６から入力されたレーダ情報とに基づいて、レーダ情報ごとに対応するレーダ画像の時系列におけるクラッタ部分の変化を学習するものである。

図２は、クラッタ学習装置３の学習に使用するレンジドップラマップの例示図であり、厳密には、ラベリングが済みレーダ画像となっているものである。レーダ画像の横軸がドップラ速度で、縦軸が距離（監視範囲１のレンジ）となっている。電離層クラッタ、及び、固定物又は水面からの反射波クラッタがラベリングされている。固定物からの反射波クラッタをグランドクラッタ、水面からの反射波クラッタをシークラッタと呼ぶ。図２において、破線で囲ったＩＣは電離層クラッタ（ＩｏｎｏｓｐｈｅｒｉｃａｌｌｙＣｌｕｔｔｅｒ）、一点鎖線で囲ったＳＣはシークラッタ（ＳｅａＣｌｕｔｔｅｒ）であり、ラベリングの参考例である。本願では、監視範囲１を洋上で想定しているため、図２ではグランドクラッタが無い状態を模擬している。図２では目標は図示していないが、反射クラッタに埋もれた目標を別途ラベリングしてもよいし、目標自体をラベリングしてもよい。図２にはあくまでも「あるレーダ情報の場合」であって、反射波クラッタも「ある条件のもの」を例示しているだけである。なお、レーダ画像は、レーダ情報（周波数、積分時間）によって変わることは周知の事項であるため説明はしない。

次に、図３を用いて実施の形態１に係るクラッタ学習装置の動作（実施の形態１に係るクラッタ学習方法）を説明する。図３において、ステップ１は、レーダ画像入力部５に、監視範囲１に対して送信した送信信号の反射波を受信して得られた受信信号から生成されたレンジドップラマップにおけるクラッタ部分にラベリングを付与したレーダ画像を、受信信号が受信された時系列の順にレーダ画像群として入力する処理ステップである。ステップ２は、レーダ情報入力部６に、レーダ画像群ごとに前記受信信号の周波数及び積分時間のレーダ情報が入力する処理ステップである。ステップ１及びステップ２は、処理の順序は問わない。同時でもよい。ステップ３は、レーダ画像入力部５から入力されたレーダ画像群とレーダ情報入力部６から入力されたレーダ情報とに基づいて、学習部６にレーダ情報ごとに対応するレーダ画像の時系列におけるクラッタ部分の変化を学習させる処理ステップである。

実施の形態１に係るクラッタ学習装置の動作（実施の形態１に係るクラッタ学習方法）では、レーダ画像入力部５（ステップ１）は、時系列において隣り合う前後のレーダ画像から間の時間における予測レーダ画像を生成し、レーダ画像群へ予測レーダ画像を挿入してレーダ画像群を更新するようにしてもよい。同様に、レーダ画像入力部５（ステップ１）は、レーダ画像群において、時系列に入力されるレーダ画像群において一定周期ではない部分の隣り合う前後のレーダ画像から、一定周期に相当する時間における予測レーダ画像を生成し、レーダ画像群へ予測レーダ画像を挿入してレーダ画像群を更新するようにしてもよい。これらの場合、レーダ画像入力部５（ステップ１）は、予測レーダ画像におけるクラッタ部分へラベリングを付与してもよい。クラッタ部分へのラベリングは、前後のレーダ画像におけるクラッタ部分のラベリングを参照して生成すればよい。

さらに、実施の形態１に係るクラッタ学習装置の動作（実施の形態１に係るクラッタ学習方法）では、レーダ画像入力部５（ステップ１）は、時系列において一部のレーダ画像を間引いてレーダ画像群を更新するようにしてもよい。また、レーダ画像入力部５（ステップ１）は、時系列に入力されるレーダ画像群おいて一定周期から外れたレーダ画像を間引いてレーダ画像群を更新するにしてもよい。このように、更新したレーダ画像群に予測レーダ画像がある場合は、前述と同様に、レーダ画像入力部（ステップ１）は、予測レーダ画像におけるクラッタ部分へラベリングしておいてもよい。

図４において、クラッタ識別装置４は次の構成である。識別対象情報入力部９は、識別対象のレンジドップラマップである識別対象画像が、時系列の順に識別対象画像群として入力されるものである。識別対象情報入力部９は、識別対象画像群ごとに周波数及び積分時間の識別対象情報が入力されるものである。クラッタ部分抽出部１０は、学習部７が学習した学習結果に基づいて、識別対象情報に対応するレーダ情報をインデックスにして、識別対象画像に対応するレーダ画像を選択して、別対象画像におけるクラッタ部分に相当する部分を抽出するものである。

図４において、レーダ装置２は次の構成である。アンテナ部１１は、監視範囲１に電波を送信信号として送信して、その反射波を受信信号として受信するものである。送受信部１２は、アンテナ部１１から送信される送信信号を送信処理し、アンテナ部１１が受信した受信信号を受信処理するものである。クラッタ抑圧部１３は、受信信号のクラッタを抑圧するものである。

図４において、マップ作成部１４は、クラッタ抑圧部１３から出力された受信信号からレンジドップラマップを作成するものである。マップ作成部１４で作成されたレンジドップラマップが、識別対象情報入力部９へ入力される識別対象のレンジドップラマップ（識別対象画像）である。また、レーダ装置２から、識別対象情報入力部９へ、識別対象画像群ごとに周波数及び積分時間の識別対象情報が入力される。この識別対象画像群は、マップ作成部１４で作成されたレンジドップラマップ（識別対象画像）が、受信信号が受信された時系列の順に入力されるものである。

次に、図５を用いて実施の形態１に係る主にクラッタ識別装置の（実施の形態１に係るクラッタ識別方法）を説明する。図５において、ステップ１１は、識別対象画像入力部８へ識別対象のレンジドップラマップである識別対象画像（前述のとおり、アンテナ装置２が生成したレーダ画像）が、時系列の順に識別対象画像群として入力される処理ステップである。ステップ１２は、識別対象情報入力部９へ識別対象画像群ごとに周波数及び積分時間の識別対象情報（前述のとおり、アンテナ装置２が生成したレーダ情報）が入力される処理ステップである。ステップ１１及びステップ１２は、処理の順序は問わない。同時でもよい。

図５において、ステップ１３は、識別対象画像入力部８から学習部６へ識別対象画像を入力させ、識別対象情報入力部９から学習部６へ識別対象情報を入力させて学習モデルを使用する処理ステップである。ステップ１４は、学習部６が学習した学習結果（学習モデル）に基づいて、識別対象情報に対応するレーダ情報（学習済み）をインデックスにして、識別対象画像に対応するレーダ画像（学習済み）を選択して、識別対象画像におけるクラッタ部分に相当する部分を抽出する処理ステップである。

実施の形態１に係る主にクラッタ識別装置の（実施の形態１に係るクラッタ識別方法）は、識別対象画像入力部８（ステップ１１）は、識別対象のレンジドップラマップであって、クラッタ抑圧部１３によってクラッタ抑圧処理が実施された識別対象画像が、時系列の順に識別対象画像群として入力されるものが前提であるが、これに限らない。また、クラッタ抑圧部１３よってクラッタ抑圧処理が実施された識別対象画像を前提とした場合、実施の形態１に係るクラッタ学習装置の（実施の形態１に係るクラッタ学習方法）のレーダ画像入力部５（ステップ１）は次のとおりにするとよりよい。すなわち、レーダ画像入力部５（ステップ１）は、レーダ画像群として、クラッタ抑圧処理が実施されたレンジドップラマップが時系列に入力されるものとする。ここでのクラッタ抑圧処理は、クラッタ抑圧部１３と同じようなものが好ましい。

実施の形態２．
以下、この発明の実施の形態１に係るクラッタ学習装置及びクラッタ識別装置について、図６から図８を用いて説明する。図中、同一符号は、同一又は相当部分を示し、それらについての詳細な説明は省略する。なお、実施の形態２と実施の形態１との間で共通的な部分の説明は省略する場合がある。実施の形態２に係るクラッタ学習装置及びクラッタ識別装置の機能ブロック図の図示は省略する。

図６において、レーダ画像入力部５は、抑圧前レーダ画像群として、クラッタ抑圧処理が実施前のレンジドップラマップ（抑圧前レーダ画像）が時系列に入力され、レーダ画像群と抑圧前レーダ画像群とが関連付けられるものである。抑圧前レーダ画像は、レーダ画像と同様に実際に時系列の順に入力されてなくても、時間情報と抑圧前レーダ画像とが関連付けられ、時系列の順番が分かるになっておればよい。クラッタ学習装置３の学習に使用するレンジドップラマップである、ラベリング済みの抑圧前レーダ画像の図示は省略する。

実施の形態２は、レーダ画像群と抑圧前レーダ画像群とが関連付けているので、レーダ装置２側でのクラッタ抑圧処理を省略又は簡略化しても、識別対象画像におけるクラッタ部分に相当する部分を抽出することができるものである。クラッタ抑圧処理の実施前のレンジドップラマップとは、クラッタ抑圧処理の実施後のレンジドップラマップと比較して、クラッタの抑圧がされていなければよい。つまり、クラッタ抑圧処理の実施前のレンジドップラマップ自体が既になんらかのクラッタ抑圧処理を受けた後、さらに、クラッタ抑圧処理を実施したものを、クラッタ抑圧処理の実施後のレンジドップラマップとしてもよい。

次に、図７を用いて実施の形態２に係るクラッタ学習装置の動作（実施の形態２に係るクラッタ学習方法）を説明する。図７において、ステップ１Ｂは、図３で説明したステップ１である、レーダ画像入力部５に、監視範囲１に対して送信した送信信号の反射波を受信して得られた受信信号から生成されたレンジドップラマップにおけるクラッタ部分にラベリングを付与したレーダ画像を、受信信号が受信された時系列の順にレーダ画像群として入力する処理ステップに加えて、さらに、抑圧前レーダ画像群として、クラッタ抑圧処理が実施前のレンジドップラマップが時系列に入力され、レーダ画像群と抑圧前レーダ画像群とが関連付ける処理ステップである。

図７において、ステップ２は、レーダ情報入力部６に、レーダ画像群（抑圧前レーダ画像群）ごとに前記受信信号の周波数及び積分時間のレーダ情報が入力する処理ステップである。ステップ１Ｂ及びステップ２は、処理の順序は問わない。同時でもよい。ステップ３は、レーダ画像入力部５から入力されたレーダ画像群（抑圧前レーダ画像群）とレーダ情報入力部６から入力されたレーダ情報とに基づいて、学習部６にレーダ情報ごとに対応するレーダ画像の時系列におけるクラッタ部分の変化を学習させる処理ステップである。

このような、実施の形態２に係るクラッタ学習装置の動作（実施の形態２に係るクラッタ学習方法）であるため、実施の形態２に係るクラッタ識別装置の動作（実施の形態２に係るクラッタ識別方法）は、図８に示すように、次のようになる。すなわち、識別対象画像入力部８（ステップ１１）は、識別対象のレンジドップラマップであって、クラッタ抑圧処理が実施前の識別対象画像が、時系列の順に識別対象画像群として入力されるものである。識別対象情報入力部９（ステップ１２）は、識別対象画像群ごとに周波数及び積分時間の識別対象情報が入力されるものである。

クラッタ部分抽出部１０は、学習部７が学習した学習結果に基づいて（ステップ１３）、識別対象情報に対応するレーダ情報をインデックスにして、識別対象画像に対応する抑圧前レーダ画像を選択し、選択した抑圧前レーダ画像と関連付けられたレーダ画像から、識別対象画像におけるクラッタ部分に相当する部分を抽出する（ステップ１４Ｂ）ものである。図８に示すステップ１４Ｂと図５に示すステップ１４との違いは、抑圧前レーダ画像を介在させて、関連付けられたレーダ画像から、識別対象画像におけるクラッタ部分に相当する部分を抽出するところである。

以上のように、発明の実施の形態１及び２に係るクラッタ学習装置及びクラッタ識別装置（クラッタ学習方法及びクラッタ識別方法）は、学習部７が、受信信号の周波数及び積分時間のレーダ情報ごとに対応する、受信信号から生成されたレンジドップラマップにおける前記クラッタ部分にラベリングを付与したレーダ画像の時系列における、電離層クラッタ、及び、固定物又は水面からの反射波クラッタのクラッタ部分の変化を学習するため、埋もれた船舶や航空機などの目標とクラッタ部分との分離を容易にする学習モデルを提供することができる。

１監視範囲、２レーダ装置、３クラッタ学習装置、４クラッタ識別装置、
５レーダ画像入力部、６レーダ情報入力部、７学習部、
８識別対象画像入力部、９識別対象情報入力部、１０クラッタ部分抽出部、
１１アンテナ部、１２送受信部、１３クラッタ抑圧部、１４マップ作成部。

Claims

監視範囲に対して送信した送信信号の反射波を受信して得られた受信信号から、電離層クラッタ、及び、固定物又は水面からの反射波クラッタのクラッタ部分について学習するクラッタ学習装置において、
前記受信信号から生成されたレンジドップラマップにおける前記クラッタ部分にラベリングを付与したレーダ画像を、前記受信信号が受信された時系列の順にレーダ画像群として入力されるレーダ画像入力部と、前記レーダ画像群ごとに前記受信信号の周波数及び積分時間のレーダ情報が入力されるレーダ情報入力部と、前記レーダ画像入力部から入力された前記レーダ画像群と前記レーダ情報入力部から入力された前記レーダ情報とに基づいて、前記レーダ情報ごとに対応する前記レーダ画像の前記時系列における前記クラッタ部分の変化を学習する学習部とを備えたことを特徴とするクラッタ学習装置。
前記レーダ画像入力部は、前記時系列において隣り合う前後の前記レーダ画像から間の時間における予測レーダ画像を生成し、前記レーダ画像群へ前記予測レーダ画像を挿入して前記レーダ画像群を更新することを特徴とする請求項１に記載のクラッタ学習装置。
前記レーダ画像入力部は、前記レーダ画像群において、前記時系列に入力される前記レーダ画像群において一定周期ではない部分の隣り合う前後の前記レーダ画像から、前記一定周期に相当する時間における予測レーダ画像を生成し、前記レーダ画像群へ前記予測レーダ画像を挿入して前記レーダ画像群を更新することを特徴とする請求項１に記載のクラッタ学習装置。
前記レーダ画像入力部は、前記予測レーダ画像における前記クラッタ部分へラベリングを付与することを特徴とする請求項２又は請求項３に記載のクラッタ学習装置。
前記レーダ画像入力部は、前記時系列において一部の前記レーダ画像を間引いて前記レーダ画像群を更新することを特徴とする請求項１から請求項４のいずれか１項に記載のクラッタ学習装置。
前記レーダ画像入力部は、前記時系列に入力される前記レーダ画像群おいて一定周期から外れた前記レーダ画像を間引いて前記レーダ画像群を更新することを特徴とする請求項３に記載のクラッタ学習装置。
前記レーダ画像入力部は、前記予測レーダ画像における前記クラッタ部分へラベリングを付与することを特徴とする請求項６に記載のクラッタ学習装置。
前記レーダ画像入力部は、前記レーダ画像群として、クラッタ抑圧処理が実施された前記レンジドップラマップが時系列に入力されることを特徴とする請求項１から請求項７のいずれか１項に記載のクラッタ学習装置。
前記レーダ画像入力部は、抑圧前レーダ画像群として、クラッタ抑圧処理が実施前の前記レンジドップラマップが時系列に入力され、前記レーダ画像群と前記抑圧前レーダ画像群とが関連付けられることを特徴とする請求項８に記載のクラッタ学習装置。
請求項１から請求項７のいずれかに記載のクラッタ学習装置の学習結果を用いて前記クラッタ部分に相当する部分を抽出するクラッタ識別装置であって、
識別対象のレンジドップラマップである識別対象画像が、時系列の順に識別対象画像群として入力される識別対象画像入力部と、前記識別対象画像群ごとに周波数及び積分時間の識別対象情報が入力される識別対象情報入力部と、前記学習部が学習した学習結果に基づいて、前記識別対象情報に対応する前記レーダ情報をインデックスにして、前記識別対象画像に対応する前記レーダ画像を選択して、前記識別対象画像における前記クラッタ部分に相当する部分を抽出するクラッタ部分抽出部とを備えたことを特徴とするクラッタ識別装置。
請求項８に記載のクラッタ学習装置の学習結果を用いて前記クラッタ部分に相当する部分を抽出するクラッタ識別装置であって、
識別対象のレンジドップラマップであって、前記クラッタ抑圧処理が実施された識別対象画像が、時系列の順に識別対象画像群として入力される識別対象画像入力部と、前記識別対象画像群ごとに周波数及び積分時間の識別対象情報が入力される識別対象情報入力部と、前記学習部が学習した学習結果に基づいて、前記識別対象情報に対応する前記レーダ情報をインデックスにして、前記識別対象画像に対応する前記レーダ画像を選択して、前記識別対象画像における前記クラッタ部分に相当する部分を抽出するクラッタ部分抽出部とを備えたことを特徴とするクラッタ識別装置。
請求項９に記載のクラッタ学習装置の学習結果を用いて前記クラッタ部分に相当する部分を抽出するクラッタ識別装置であって、
識別対象のレンジドップラマップであって、前記クラッタ抑圧処理が実施前の識別対象画像が、時系列の順に識別対象画像群として入力される識別対象画像入力部と、前記識別対象画像群ごとに周波数及び積分時間の識別対象情報が入力される識別対象情報入力部と、前記学習部が学習した学習結果に基づいて、前記識別対象情報に対応する前記レーダ情報をインデックスにして、前記識別対象画像に対応する前記抑圧前レーダ画像を選択し、選択した前記抑圧前レーダ画像と関連付けられた前記レーダ画像から、前記識別対象画像における前記クラッタ部分に相当する部分を抽出するクラッタ部分抽出部とを備えたことを特徴とするクラッタ識別装置。