TWI579777B - 用於海上自動目標辨識之資料融合分析技術 - Google Patents

用於海上自動目標辨識之資料融合分析技術 Download PDF

Info

Publication number
TWI579777B
TWI579777B TW104117794A TW104117794A TWI579777B TW I579777 B TWI579777 B TW I579777B TW 104117794 A TW104117794 A TW 104117794A TW 104117794 A TW104117794 A TW 104117794A TW I579777 B TWI579777 B TW I579777B
Authority
TW
Taiwan
Prior art keywords
category
naming
target
category naming
generate
Prior art date
Application number
TW104117794A
Other languages
English (en)
Other versions
TW201610864A (zh
Inventor
哈夏Ｍ 沙斯言德拉
布萊恩Ｄ 史蒂芬
Original Assignee
雷神公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 雷神公司 filed Critical 雷神公司
Publication of TW201610864A publication Critical patent/TW201610864A/zh
Application granted granted Critical
Publication of TWI579777B publication Critical patent/TWI579777B/zh

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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904—SAR modes
    • G01S13/9064—Inverse SAR [ISAR]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)

Description

用於海上自動目標辨識之資料融合分析技術 發明領域
根據本發明之實施例的一或多個態樣係關於自動目標辨識，且更特定言之係關於在用於雷達影像中之自動目標辨識的系統及方法中組合若干分類器。
發明背景
逆合成孔徑雷達(ISAR)為用以藉由分離在多普勒頻率中及在範圍中的雷達回波自移動目標物件形成二維(2-D)雷達影像之信號處理技術。ISAR在存在或不存在雷達平台運動情況下係可能的。ISAR 2-D影像包含位於特定範圍及多普勒框索引處的反射點散射體之不同強度像素。不同多普勒頻移由沿旋轉目標之不同點引起，每一點具有朝向雷達之其自身視線(LOS)速度。當前現有ISAR自動目標辨識(ATR)系統可依賴於人類要素；在此等系統中經訓練操作者查看ISAR影像並匹配某些目標特徵與預錄模板。此等特徵可包括目標之視長度及其與主要散射體位置之比例。現有ATR系統主要基於查找表，其利用使用者界定特徵及 分類器以實現與給定目標之最接近模板匹配。可使用模擬資料開發現有ATR系統，模擬資料可缺乏實際資料之重要特性，諸如雜訊尖峰，競爭陸地及高海態雜訊回波、範圍及多普勒塗污，及大氣對抗；此等系統可易有誤差，且可當以不對應於已知目標類型之目標呈現時變得混淆。此外，現有ATR系統可不提供藉由其進行識別的可信度之評估。因此，需要具有經改良可靠性之ATR系統，其產生可信度估計，且其可適應未知的目標類型。
發明概要
在用於藉由組合若干分類器之輸出而執行自動目標辨識的系統及方法之一個實施例中，特徵向量係自雷達影像提取並饋入至三個分類器。該等分類器包括一高斯混合模型神經網路、一徑向基底函數神經網路及一向量量化分類器。由該等分類器所產生之類別命名被組合於一加權表決系統中，亦即加權分類決策之模式經選擇為該目標之總類別命名。一可信度量度可由該若干分類器之該等類別命名相同所達到之程度而形成。
根據本發明之一實施例，提供一種用於一目標之自動目標辨識的方法，該方法包括：接收該目標之一序列成像雷達影像；形成包括該目標之所量測特性的一特徵向量；執行一第一目標辨識嘗試，該第一目標辨識嘗試之該執行包括：使用一高斯混合模型神經網路分類器以產生一第一多個機率似然，該第一多個機率似然中的每一者對應 於多個候選目標類型中的一者；及使用一第一類別命名規則集合以產生一第一類別命名，該第一類別命名對應於該多個候選目標類型中的一者；執行一第二目標辨識嘗試，該第二目標辨識嘗試之該執行包括：使用一徑向基底函數神經網路分類器以產生一第二多個機率似然，該第二多個機率似然中的每一者對應於多個候選目標類型中的一者；及使用一第二類別命名規則集合以產生一第二類別命名，該第二類別命名對應於該多個候選目標類型中的一者；執行一第三目標辨識嘗試，該第三目標辨識嘗試之該執行包括：使用一向量量化分類器以產生一第三多個機率似然，該第三多個機率似然中的每一者對應於多個候選目標類型中的一者；及使用一第三類別命名規則集合以產生一第三類別命名，該第三類別命名對應於該多個候選目標類型中的一者；及組合該第一類別命名、該第二類別命名及該第三類別命名以產生一總類別命名。
在一個實施例中，該第一類別命名、該第二類別命名及該第三類別命名之該組合以產生一總類別命名包括形成該第一類別命名、該第二類別命名及該第三類別命名之一經加權組合。
在一個實施例中，該第一類別命名、該第二類別命名及該第三類別命名之該經加權組合的該形成包括以一權重2加權該第一類別命名，以一權重2加權該第二類別命名，及以一權重1加權該第三類別命名。
在一個實施例中，該方法包括組合該第一類別命 名、該第二類別命名及該第三類別命名以產生一可信度量度。
在一個實施例中，該第一類別命名、該第二類別命名及該第三類別命名之該組合以產生一可信度量度包括取得以下比率：等於該總類別命名之類別命名之權重與該第一類別命名、該第二類別命名及該第三類別命名之該等權重的總和。
在一個實施例中，該多個候選目標類型包括多個已知目標類型及一聯合目標類型。
在一個實施例中，該多個候選目標類型包括一未知目標類型。
在一個實施例中，該多個候選目標類型包括一未知大目標類型及一未知小目標類型。
在一個實施例中，該未知大目標類型包括具有超出一最大已知目標類型之一長度30呎之一估計長度的目標。
在一個實施例中，該未知小目標類型包括具有小於一最小已知目標類型之一長度20呎的一估計長度的目標。
在一個實施例中，該高斯混合模型神經網路分類器包括分類參數；且回應於對應於一未知目標類型之類別命名調節該等分類參數中的一者。
在一個實施例中，該多個候選目標類型包括一不可判定目標類型。
在一個實施例中，一第一類別命名規則集合之該使用以產生一第一類別命名包括當該第一多個機率似然中的每一者小於一第一臨限值時產生對應於該不可判定目標類型的一第一類別命名。
在一個實施例中，一第二類別命名規則集合之該使用以產生一第二類別命名包括當該第二多個機率似然中的每一者小於一第二臨限值時產生對應於該不可判定目標類型之一第二類別命名。
在一個實施例中，該目標之一序列成像雷達影像的該接收包括接收該目標之一序列逆合成孔徑雷達影像。
根據本發明之一實施例，提供一種用於一目標之自動目標辨識的系統，該系統包括一經組配以執行以下操作之處理單元：接收該目標之一序列成像雷達影像；形成包括該目標之量測特性的一特徵向量；執行一第一目標辨識嘗試，該第一目標辨識嘗試之該執行包括：使用一高斯混合模型神經網路分類器以產生一第一多個機率似然，該第一多個機率似然中的每一者對應於多個候選目標類型中的一者；及使用一第一類別命名規則集合以產生一第一類別命名，該第一類別命名對應於該多個候選目標類型中的一者；執行一第二目標辨識嘗試，該第二目標辨識嘗試之該執行包括：使用一徑向基底函數神經網路分類器以產生一第二多個機率似然，該第二多個機率似然中的每一者對應於多個候選目標類型中的一者；及使用一第二類別命名規則集合以產生一第二類別命名，該第二類別命名對應於 該多個候選目標類型中的一者；執行一第三目標辨識嘗試，該第三目標辨識嘗試之該執行包括：使用一向量量化分類器以產生一第三多個機率似然，該第三多個機率似然中的每一者對應於多個候選目標類型中的一者；及使用一第三類別命名規則集合以產生一第三類別命名，該第三類別命名對應於該多個候選目標類型中的一者；及組合該第一類別命名、該第二類別命名及該第三類別命名以產生一總類別命名。
在一個實施例中，該第一類別命名、該第二類別命名及該第三類別命名之該組合以產生一總類別命名包括形成該第一類別命名、該第二類別命名及該第三類別命名之一經加權組合。
在一個實施例中，該第一類別命名、該第二類別命名及該第三類別命名之該經加權組合的該形成包括以一權重2加權該第一類別命名，以一權重2加權該第二類別命名，及以一權重1加權該第三類別命名。
在一個實施例中，該系統包括組合該第一類別命名、該第二類別命名及該第三類別命名以產生一可信度量度。
在一個實施例中，該第一類別命名、該第二類別命名及該第三類別命名之該組合以產生一可信度量度包括取得以下比率：等於該總類別命名之類別命名之權重與該第一類別命名、該第二類別命名及該第三類別命名之該等權重的總和。
110‧‧‧雷達資料
115‧‧‧經訓練分類器參數
120‧‧‧信號處理區塊
125‧‧‧影像形成區塊
130‧‧‧良好圖框選擇區塊
135‧‧‧多圖框特徵區塊
140‧‧‧預測性分類映射程式
210‧‧‧隔離目標區域區塊
215‧‧‧長度估計及霍夫處理區塊
220‧‧‧特徵向量產生區塊
410‧‧‧類別
415‧‧‧GMM機率判定區塊
420‧‧‧最大值運算子
425‧‧‧對應區塊
430‧‧‧條計數器
510‧‧‧隱藏層節點或「單元」
520‧‧‧求和元件
610‧‧‧原始ISAR影像
620、630‧‧‧影像
650‧‧‧條形圖
660‧‧‧實際相片
670‧‧‧圖表
結合隨附圖式描述特徵、態樣及實施例，其中：圖1為根據本發明之實施例的用於自動目標辨識之系統及方法的方塊圖；圖2為根據本發明之實施例的特徵提取之方塊圖；圖3為根據本發明之實施例的特徵向量產生之方塊圖；圖4為根據本發明之實施例的用於高斯混合模型神經網路之預測性分類映射程式的方塊圖；圖5為根據本發明之實施例的用於徑向基底函數神經網路之預測性分類映射程式的方塊圖；且圖6為根據本發明之實施例的圖形使用者介面之說明。
較佳實施例之詳細說明
下文結合隨附圖式闡述之實施方式意欲為根據本發明提供的用於海上ATR之資料融合分析的例示性實施例之描述且並不意欲表示可建構或利用本發明的唯一形式。描述結合所說明之實施例闡述本發明的特徵。然而，應理解，藉由亦意欲涵蓋於本發明的精神及範疇內的不同實施例可實現相同或等效功能和結構。如本文中在別處表示，類似元件數目意欲指示類似元件或特徵。
在一個實施例中，ATR問題藉由識別可被提取之 相關目標特徵而開始。對於ISAR影像，由於多普勒尺寸之不明確性，因此此情況係特別重要的。範圍尺寸更適當地表示目標之實際距離，且因此可更直接地用於特徵提取目的。視長度(L a )為如自ISAR影像中之目標判定的長度。藉由視長度除以其視界角 asp 之餘弦發現對應真正實際長度，視界角經界定為藉由雷達視線(LOS)與目標之縱軸形成的角度。此角度隨方位角以及高度而變。除長度以外，海上目標可具有其他區分特徵，諸如桅桿、上部構造、旋轉物件、反射器等。此等位置(其可被稱作關注點(POI))可用於區分目標並在其之間進行鑑別。
當區分類別時特徵提取係重要的。在一個實施例中，程序藉由使用分段技術隔離目標區域而開始；接著使用藉由霍夫處理發現的目標線而偵測邊緣。
圖1表示根據一個實施例之ATR引擎程序的總方塊圖。資料輸入包括雷達資料110及經訓練分類器參數115，其饋入至信號處理區塊120中以獲得雷達資料110之目標命名。離線訓練用以判定可接著即時用以判定給定輸入影像之類別命名的經訓練分類器參數115。信號處理區塊包括產生輸入2-D影像之影像形成區塊125。第二步為在良好圖框選擇區塊130中判定輸入影像用於分類問題之適用性。若影像被認為合適，則在多圖框特徵區塊135中自影像提取特徵向量。來自先前圖框之一維(1-D)特徵之儲存歷史亦輔助此特徵向量提取程序。所提取特徵共同充當判定目標類別之預測性分類映射程式140之輸入。
影像形成區塊125之輸入為雷達視訊階段歷史及輔助資料。在此實施例中，ISAR用以形成2-D影像，其中y軸上為多普勒且x軸上為範圍。良好圖框選擇預先篩選對於校正分類係關鍵的。第一影像篩選方法確保目標視界角 asp 出現在-45度 asp 45度之區間中。若情況並非如此，則影像作為不適合用於分類之圖框而被拒絕。此界限之外的目標視界角導致目標在範圍尺寸或多普勒尺寸或兩者中變形，此情況帶來真正長度及類似參數之不正確判定。
圖2表示用於圖框特徵提取演算法之頂層方塊圖，其中表示多圖框特徵區塊135的虛線區域重複用於每一圖框。隔離目標區域區塊210隔離目標區域之粗糙輪廓，其結合輸入影像充當子遮蔽以形成長度估計及霍夫處理區塊215之輸入。目標長度被估計且目標範圍區域經進一步改進，且充當霍夫處理演算法之輸入。提取目標之霍夫峰值及霍夫線以及改進之目標長度估計，其充當特徵向量產生區塊220之輸入。特徵向量產生區塊220建構圖框之特徵向量，其用於分類器訓練且用於測試。訓練在離線情況下及在多圖框特徵區塊135處理重複用於每一訓練圖框情況下發生。訓練可以實際雷達資料(例如，在場中獲得之ISAR資料)執行以避免與使用用於訓練之模擬資料相關聯的缺點。實際資料集合可接著分成用於訓練之子集及用於測試之第二子集，以評估ATR系統在訓練之後的效能。測試即時發生並在單一圖框(其經由完整ATR引擎處理)中發生，直至判定類別命名為止。
圖3表示在一個實施例中用於產生圖框特徵向量之方塊圖。霍夫線初始地用以隔離目標之影像中之中心線、其影像線，及改進之長度。改進之長度估計係藉由使用和正規化範圍設定檔(SNRP)方法處理輸入子遮蔽影像而形成。此長度估計係藉由先前4個長度判定(經由中值運算子)而平均且為第一目標特徵。中值運算子之目的為避免長度估計中之瞬時不正確波動，諸如陸地回波及/或雜訊尖峰。使用霍夫線之位置及各別(線)命名，提取相關垂直線。此等線接著相比於與所儲存SNRP求和設定檔相關聯的峰值之位置。若其出現於相同區域中，則該等線經指定為可能關注點(POI)位置。若多普勒程度大於預定臨限值，則POI被認為係可能反射器/旋轉器；否則其被認為係可能的桅桿/上部構造。若高相關性與SNRP峰值位置一起存在，則額外POI加權發生。針對每一目標區域儲存POI之一個範圍質心；每一此範圍質心接著經指定一權重。若無POI存在於區域中，則權重為零。POI之類型命名對於無POI為0，對於上部構造/桅桿為1，或對於旋轉器/反射器為2。多個區域之使用在將另外2-D特徵提取程序轉換成1-D程序中可係有利的，其中可發生標準及更錯綜複雜分類器之使用。此推估亦加速分類程序。對於較大目標，更多段之使用亦可帶來經較多改進之POI範圍程度判定(亦即，上部構造可跨越目標之多個鄰近區域)。
出於訓練目的，除特徵向量輸入以外，類別分類器參數必須被界定。本發明之實施例涵蓋高斯混合模型神 經網路(GMM-NN)、徑向基底函數神經網路(RBF-NN)、向量量化器(VQ)，及組合藉由所有此等技術產生的類別命名的分類器融合方法。
圖4展示用於採用高斯混合模型神經網路(GMM-NN)方法之預測性分類映射程式的方塊圖。需要經界定用於GMM-NN之參數為模型中之混合分量或中心的數目、模型之類型(諸如球形)以及其維度。Netlab神經網路工具箱(可自馬薩諸塞州納提克之Mathworks獲得的MATLABTM套裝程式之一部分)可用於藉由「gmm」函數產生GMM。GMM初始化接著藉由在相同工具箱中使用「gmminit」函數而發生。預期最大化(EM)演算法用以訓練GMM並將類別之輸入資料表示為經加權高斯分量之混合。
出於測試目的，資料庫中之每一類別410(在一個實施例中為6)以及顯著較大大小之未知目標之類別(在本文中稱為「未知大」目標類型)及顯著較小大小之未知目標之類別(在本文中稱為「未知小」目標類型)表示為使用預期最大化演算法產生的GMM參數集合。資料庫中之類別在本文中被稱為類別1至類別6，或稱為「CGCPS」、「TRB6」、「TWR823」、「CGCT」、「LA」及「MII」；此等6個類別及「未知小」及「未知類別」在圖4中標記為「GMM類別1」至「GMM類別8」。當面對測試特徵向量時，MATLABTM Netlab工具箱函數「gmmprob」用以發現與8個GMM模型(包括資料庫中之6個類別，及未知大目標類型及未知小目標類型)中之每一者相關聯的機率。隨後最大化用作類別命名之 參考。若類別命名被認為適用，則gmm機率之最大化對應於該類別。
在一個實施例中，小未知類別經形成以包括具有平均比存在於資料庫中之最小真正目標長度至少小20呎之長度的目標，且大未知類別形成有超出資料庫中之彼等長度30呎之長度。均勻隨機變數用以得到小未知目標及大未知目標兩者之長度的變化。其他特徵(諸如關注點位置、其命名及權重)使用隨機變數而隨機地改變以亦得到未知目標特性之變化。
在GMM機率判定區塊415中進行GMM機率判定。所得機率係藉由最大值運算子420處理以獲得目標之類別命名，或對應區塊425中之「目標命名」。當gmm機率如由其具有一不超出差臨限值的機率分隔判定在兩個類別中接近時，判定隨後聯合類別。目標聯合類別為「CGCPS-TRB6」、「TWR823-CGCT」及「LA-MIII」，且藉由目標長度特性之相似性先驗界定。若在此聯合類別判定階段中，目標匹配不對應於任何單一聯合類別之兩個類別，則類別命名被稱作「未判定」。又，若機率在預定可信度臨限值以下，則命名被認為未判定。接著使用用於向操作者顯示獲得此等目標命名之視覺可信度的條計數器430記錄該等命名。
圖5展示用於徑向基底函數神經網路(RBF-NN)方法之預測性分類映射程式的方塊圖。如同GMM-NN方法，在一個實施例中，8個類別(資料庫中之6個目標，1個 未知大目標，及1個小未知目標)出於訓練目的而與RBF-NN方法一起使用。未知目標類別利用與上述GMM-NN方法中相同之特徵集合變化。藉由RBF-NN，每一隱藏層節點或「單元」510係以一以特徵空間中之向量為中心的貝爾形徑向基底函數表示。
在基於徑向基底函數(RBF)之神經網路(NN)中，隱藏層中之每一神經元包含為激活函數之RBF。權重參數表示此等神經元之中心及寬度。輸出為RBF之線性組合。在一個實施例中，8個類別中之每一者具有隱藏單元510之群組(例如，30)，其係使用各別類別特徵資料獨立地訓練。輸入層使用10維特徵向量 x t 作為隱藏層之輸入： j=1,...,M
其中M(例如，30)為基底函數之數目，c m 及Σ m 分別為第m個基底函數之平均向量及協方差矩陣，且為控制第m個基底函數之擴展的平滑參數。第k個輸出為基礎函數之輸出的線性加權和，亦即 t=1,...,N且k=1,2,...,8
其中x t 為第t個輸入向量，N為獨立及相同分佈之圖案的數目，且ω k,0為偏項。在圖5中，線性組合係藉由求和元件520形成。來自隱藏層節點之輸出係藉由線之權重加權，藉此均方誤差(MSE)準則用以調節權重。最陡下降方法可用於訓練特徵向量輸入及其各別目標輸出向量。 MATLABTM Netlab工具箱用以直接訓練RBF-NN。在一個實施例中，RBF網路具有10個輸入(對應於特徵向量中的特徵之數目)，8個輸出(對應於類別之數目)，及30個隱藏單元。隱藏單元之數目係藉由加權類別分離性、複雜性及NN不良條件性考慮因素而發現。MATLABTM函數「rbf」建構並初始化RBF，其中權重具有零平均單元偏差正常分佈，且具有藉由γ4 log γ給定之隱藏單元激活函數。函數「rbfsetbf」可用於設定RBF-NN之基底函數，以使得其藉由以球形協方差訓練固有GMM而模型化輸入特徵資料集之非條件性密度。
在一個實施例中，函數「rbftrain」用以執行兩個階段訓練以在輸入特徵向量之每一列與對應類別命名向量之間產生關係。中心係藉由使用預期最大化(EM)演算法以循環協方差擬合GMM而判定。迭代之最大數目為100。出於測試目的，「rbffwd」函數用於經由建構之RBF網路以線性輸出轉遞傳播。此情況帶來長度8(8為類別之數目)之輸出向量，向量之元素對應於各別類別中的似然。因此，對應於最大值的索引為用於彼特定特徵向量之指定類別。當RBF似然如由其具有不超出差臨限值的似然分隔判定在兩個類別中接近時，判定隨後聯合類別。目標聯合類別為「CGCPS-TRB6」、「TWR823-CGCT」及「LA-MIII」，且藉由目標長度特性之相似性先驗界定。若在此聯合類別判定階段中，目標匹配不對應於任何單一聯合類別之兩個類別，則不判定類別命名。又，若機率在預定可信度臨限值 以下，則命名被認為未判定。接著使用用於向操作者顯示獲得此等目標命名之視覺可信度的條計數器430記錄該等命名。
向量量化(VQ)方法比GMM-NN及RBF-NN方法簡單，因為其不需要訓練。VQ方法使用一準則(在此情況下為輸入特徵集合與所有訓練特徵集合之間的歐幾里得距離)，並嘗試發現最小值(最近相鄰者)及其各別類別命名。因為一些特徵固有地具有比其他特徵大的差值，所以利用縮放準則。舉例來說，長度特徵差可經縮放0.25。類似地，POI權重經縮放0.1，同時針對POI位置及POI命名保持統一尺度。為了產生不同類別命名，發現兩個最接近的相鄰者。若兩個最接近的相鄰者出現於相同類別(8個可能類別的)中，則類別命名設定成彼類別。若兩個最接近相鄰者出現在先驗判定之聯合類別中，則類別命名為彼聯合類別。若兩個最接近相鄰者不同且來自不同聯合類別成員，則不判定類別。接著使用用於向操作者顯示獲得此等目標命名之視覺可信度的條計數器記錄該等命名。
在一個實施例中，分類器融合方法利用GMM-NN、RBFNN及VQ方法之輸出類別命名且將其組合成總類別命名。首先，GMM-NN及RBF-NN兩者之權重為VQ方法之權重的兩倍。VQ方法出於ATR目的而可用作稻草人基線，如此在此情況下其將充當決勝。為了避免使VQ陷於過多決勝情形，併入其他手段。當GMM-NN或RBF-NN(並非兩者)形成初始聯合類別命名時，此等手段包括將聯合類 別命名分裂成其類別分量。若GMM-NN及RBF-NN類別命名兩者皆用於聯合類別，則並不開始分裂。在各情況下，總類別決策為自三個分類器接收最大數目個加權表決，亦即GMMNN、RBF-NN及VQ分類器之加權分類器決策之模式的類別決策。在組合若干不同方法的情況下，融合方法提供用於總類別命名之可信度值。如同個別分類器，使用用於向操作者顯示獲得由分類器融合所產生的目標命名之所添加視覺可信度的條計數器跟蹤該等命名。
在一個實施例中，提供可信度量度，其提供類別命名中的可信度之量測或「可信度值」。在期間填充緩衝器之初始時間段之後，更新可信度值所藉以的頻率與類別命名之頻率匹配。瞬時可信度值計算為來自三個個別分類器之表決的加權數目與表決之總加權數目的比率。再次，GMM-NN及RBF-NN分類器之類別命名給定為兩倍於VQ分類器之類別命名的權重。舉例來說，若GMM-NN、RBF-NN分類器(其中的每一者具有權重2)兩者針對第一類別表決(對於第一類別帶來4的加權表決)，且VQ分類器(其具有權重1)針對第二類別表決(對於第二類別帶來1的加權表決)，則藉由融合方法產生的類別命名為第一類別(亦即，類別已接收最大數目個加權表決)。在此實例中，加權表決之總數為5且可信度估計為4/5或0.8。為避免可信度值之瞬時較大變化，當前可信度值及先前9個可信度值之緩衝器被利用並被平均。此可信度值接著轉換為百分比並被顯示。直至緩衝器填充為止，顯示之平均可信度值為在整個可獲得可信 度值中獲得的平均值。
本發明之實施例包括ISAR-ATR引擎處置分類為來自目標而非當前駐留在資料庫中的傳入資料之能力。為簡單起見，如藉由長度所量測比資料庫中之任一者顯著較大或較小的目標經合成且其特徵經改變以建構其中分類器可識別此等未知目標的特徵空間區域。當發現此目標時，其特徵經自動地儲存於用於大及小目標之未知訓練資料庫中。當此等特徵集合充分填充時，利用另一資料庫類別的再訓練出現，且輸出分類器參數經計算並再整合至測試程序中。重複此程序。預見此再訓練程序以約數月之頻率發生。未知的唯一目標之成功處置可半自動地增長當前資料庫並最終處置大部分現有船類別。歸因於分類器訓練及最佳化之主觀性質，人類專家可藉由若類別分隔不足則將一些特徵集合組合成單一類別而參與訓練，從而保證類別分隔充分用於適當類別命名。
圖6展示可用於實踐本發明之實施例的圖形使用者介面(GUI)。此GUI亦可用於訓練分類器(若適用)。GUI內部輸出影像包括：在初始目標隔離之後的原始ISAR影像610；包括原始ISAR影像之具有初始長度估計的影像620，其可顯示為覆疊於黑色及白色影像上的另一色彩(例如，紅色)條；包括覆疊於臨限ISAR影像(其為霍夫處理區塊之輸入)上之霍夫線的影像630，其展示中心目標線(以第一色彩)、可能的POI(以第二色彩)，及峰值SNRP位置(以第三色彩)。條形圖650展示各別類別命名，其中標題經展示用於 大部分類別。實際相片集合660展示來自當前圖框之判定類別的不同角度的視圖。當使用融合分類器時，直接在相片660下方展示此圖框類別命名之可信度百分比。圖表670展示來自經緩衝1-D設定檔之先前10個圖框與提取之峰值位置(其中的每一者可展示為「X」，以第二色彩)的SNRP設定檔和(以第一色彩)。
可使用一或多個處理單元實施本發明之實施例的元件。處理單元硬體可包括(例如)特殊應用積體電路(ASIC)、通用或專用中央處理單元(CPU)、數位信號處理器(DSP)、圖形處理單元(GPU)及諸如場可規劃閘陣列(FPGA)之可規劃邏輯裝置。術語「處理單元」在本文中用以包括用以處理資料或數位信號的硬體、韌體及軟體之任何組合。在如本文中所使用之處理單元中，每一功能係藉由經組配(亦即，硬佈線)以執行彼功能之硬體，或藉由經組配以執行儲存於非暫時性儲存媒體中之指令的更通用硬體(諸如CPU)執行。
儘管用於海上自動目標辨識之資料融合分析的系統及方法之有限實施例已在本文中特定地描述並說明，但熟習此項技術者將瞭解許多修改及變化。本文中所揭示之演算法可應用於任一雷達成像模式，諸如合成孔徑雷達(SAR)。因此，應理解，可除如本文中所特定描述的以外體現用於根據本發明之原理採用的海上自動目標辨識之資料融合分析的系統及方法。本發明亦在以下申請專利範圍及其等效物中界定。
110‧‧‧雷達資料
115‧‧‧經訓練分類器參數
120‧‧‧信號處理區塊
125‧‧‧影像形成區塊
130‧‧‧良好圖框選擇區塊
135‧‧‧多圖框特徵區塊
140‧‧‧預測性分類映射程式

Claims (20)

  1. 一種用於一目標之自動目標辨識的方法，該方法包含：接收該目標之一序列成像雷達影像；形成包含該目標之量測特性的一特徵向量；執行一第一目標辨識嘗試，該第一目標辨識嘗試之該執行包含：使用一高斯混合模型神經網路分類器以產生一第一多個機率似然，該第一多個機率似然中的每一者對應於多個候選目標類型中之一者；以及使用一第一類別命名規則集合以產生一第一類別命名，該第一類別命名對應於該多個候選目標類型中的一者；執行一第二目標辨識嘗試，該第二目標辨識嘗試之該執行包含：使用一徑向基底函數神經網路分類器以產生一第二多個機率似然，該第二多個機率似然中的每一者對應於多個候選目標類型中的一者；以及使用一第二類別命名規則集合以產生一第二類別命名，該第二類別命名對應於該多個候選目標類型中的一者；執行一第三目標辨識嘗試，該第三目標辨識嘗試之該執行包含：使用一向量量化分類器以產生一第三多個機 率似然，該第三多個機率似然中的每一者對應於多個候選目標類型中的一者；及使用一第三類別命名規則集合以產生一第三類別命名，該第三類別命名對應於該多個候選目標類型中的一者；以及組合該第一類別命名、該第二類別命名及該第三類別命名以產生一總類別命名。
  2. 如請求項1之方法，其中該第一類別命名、該第二類別命名及該第三類別命名之該組合以產生一總類別命名包含形成該第一類別命名、該第二類別命名及該第三類別命名之一經加權組合。
  3. 如請求項2之方法，其中該第一類別命名、該第二類別命名及該第三類別命名之一經加權組合的該形成包含以一權重2加權該第一類別命名，以一權重2加權該第二類別命名，及以一權重1加權該第三類別命名。
  4. 如請求項3之方法，其包含組合該第一類別命名、該第二類別命名及該第三類別命名以產生一可信度量度。
  5. 如請求項4之方法，其中該第一類別命名、該第二類別命名及該第三類別命名之該組合以產生一可信度量度包含取得以下比率：等於該總類別命名之類別命名的權重與該第一類別命名、該第二類別命名及該第三類別命名的該等權重之總和。
  6. 如請求項1之方法，其中該多個候選目標類型包含多個 已知目標類型及一聯合目標類型。
  7. 如請求項1之方法，其中該多個候選目標類型包含一未知目標類型。
  8. 如請求項7之方法，其中該多個候選目標類型包含一未知大目標類型及一未知小目標類型。
  9. 如請求項8之方法，其中該未知大目標類型包括具有超出一最大已知目標類型之一長度30呎的一估計長度的目標。
  10. 如請求項8之方法，其中該未知小目標類型包括具有小於一最小已知目標類型之一長度20呎的一估計長度的目標。
  11. 如請求項7之方法，其中：該高斯混合模型神經網路分類器包含分類參數；且回應於對應於一未知目標類型之類別命名而調節該等分類參數中之一者。
  12. 如請求項1之方法，其中該多個候選目標類型包含一不可判定目標類型。
  13. 如請求項12之方法，其中一第一類別命名規則集合之該使用以產生一第一類別命名包含當該第一多個機率似然中的每一者小於一第一臨限值時產生對應於該不可判定目標類型之一第一類別命名。
  14. 如請求項12之方法，其中一第二類別命名規則集合之該使用以產生一第二類別命名包含當該第二多個機率似然中之每一者小於一第二臨限值時產生對應於該不可 判定目標類型之一第二類別命名。
  15. 如請求項1之方法，其中該目標之一序列成像雷達影像的該接收包含接收該目標之一序列逆合成孔徑雷達影像。
  16. 一種用於一目標之自動目標辨識的系統，該系統包含一經組配以執行以下操作之處理單元：接收該目標之一序列成像雷達影像；形成包含該目標之量測特性的一特徵向量；執行一第一目標辨識嘗試，該第一目標辨識嘗試之該執行包含：使用一高斯混合模型神經網路分類器以產生一第一多個機率似然，該第一多個機率似然中的每一者對應於多個候選目標類型中之一者；以及使用一第一類別命名規則集合以產生一第一類別命名，該第一類別命名對應於該多個候選目標類型中的一者；執行一第二目標辨識嘗試，該第二目標辨識嘗試之該執行包含：使用一徑向基底函數神經網路分類器以產生一第二多個機率似然，該第二多個機率似然中的每一者對應於多個候選目標類型中的一者；以及使用一第二類別命名規則集合以產生一第二類別命名，該第二類別命名對應於該多個候選目標類型中的一者； 執行一第三目標辨識嘗試，該第三目標辨識嘗試之該執行包含：使用一向量量化分類器以產生一第三多個機率似然，該第三多個機率似然中的每一者對應於多個候選目標類型中的一者；及使用一第三類別命名規則集合以產生一第三類別命名，該第三類別命名對應於該多個候選目標類型中的一者；以及組合該第一類別命名、該第二類別命名及該第三類別命名以產生一總類別命名。
  17. 如請求項16之系統，其中該第一類別命名、該第二類別命名及該第三類別命名之該組合以產生一總類別命名包含形成該第一類別命名、該第二類別命名及該第三類別命名之一經加權組合。
  18. 如請求項17之系統，其中該第一類別命名、該第二類別命名及該第三類別命名之一經加權組合的該形成包含以一權重2加權該第一類別命名，以一權重2加權該第二類別命名，及以一權重1加權該第三類別命名。
  19. 如請求項18之系統，其包含組合該第一類別命名、該第二類別命名及該第三類別命名以產生一可信度量度。
  20. 如請求項19之系統，其中該第一類別命名、該第二類別命名及該第三類別命名之該組合以產生一可信度量度包含取得以下比率：等於該總類別命名之類別命名的權重與 該第一類別命名、該第二類別命名及該第三類別命名的該等權重之總和。
TW104117794A 2014-06-03 2015-06-02 用於海上自動目標辨識之資料融合分析技術 TWI579777B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US14/295,193 US9299010B2 (en) 2014-06-03 2014-06-03 Data fusion analysis for maritime automatic target recognition

Publications (2)

Publication Number Publication Date
TW201610864A TW201610864A (zh) 2016-03-16
TWI579777B true TWI579777B (zh) 2017-04-21

Family

ID=53373647

Family Applications (1)

Application Number Title Priority Date Filing Date
TW104117794A TWI579777B (zh) 2014-06-03 2015-06-02 用於海上自動目標辨識之資料融合分析技術

Country Status (6)

Country Link
US (1) US9299010B2 (zh)
EP (1) EP3152707B1 (zh)
JP (2) JP2017522548A (zh)
AU (1) AU2015271047B2 (zh)
TW (1) TWI579777B (zh)
WO (1) WO2015187468A1 (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10310068B2 (en) * 2014-12-08 2019-06-04 Northrop Grumman Systems Corporation Variational track management
US10268914B1 (en) * 2016-01-07 2019-04-23 Hrl Laboratories, Llc Blind sensing for hyperspectral surveillance
US10732277B2 (en) * 2016-04-29 2020-08-04 The Boeing Company Methods and systems for model based automatic target recognition in SAR data
CN106326932A (zh) * 2016-08-25 2017-01-11 北京每刻风物科技有限公司 一种基于神经网络的电力巡线图像自动识别方法、装置
JP2018048862A (ja) * 2016-09-20 2018-03-29 株式会社東芝 レーダ信号処理装置、レーダ信号処理方法、およびレーダ信号処理プログラム
CN108022123B (zh) * 2016-11-04 2021-12-07 南京星云数字技术有限公司 一种业务模型的自动调整方法及装置
CN107657459A (zh) * 2017-09-06 2018-02-02 翔创科技（北京）有限公司 牲畜的身份验证方法、保险理赔方法、溯源方法、存储介质和电子设备
DE102017131114A1 (de) 2017-12-22 2019-06-27 S.M.S, Smart Microwave Sensors Gmbh Verfahren und Vorrichtung zum Bestimmen wenigstens eines Parameters eines Objektes
EP3505959A1 (en) 2017-12-29 2019-07-03 Acconeer AB An autonomous mobile cleaning robot
CN108345843B (zh) * 2018-01-25 2020-12-29 电子科技大学 一种基于混合深度回归网络的头部姿态估计方法
CN108416391B (zh) * 2018-03-16 2020-04-24 重庆大学 基于视觉皮层处理机制及脉冲监督学习的图像分类方法
CN110414541B (zh) * 2018-04-26 2022-09-09 京东方科技集团股份有限公司 用于识别物体的方法、设备和计算机可读存储介质
KR102175239B1 (ko) * 2018-08-16 2020-11-06 (주)스마트레이더시스템 인공 지능을 이용하여 레이더 신호로부터 타겟을 추적하는 방법 및 그 장치
TWI709188B (zh) 2018-09-27 2020-11-01 財團法人工業技術研究院 基於機率融合的分類器、分類方法及分類系統
KR102089523B1 (ko) * 2018-12-05 2020-03-16 영남대학교 산학협력단 소형 표적 검출 장치 및 방법
US10769005B2 (en) * 2018-12-07 2020-09-08 Goodrich Corporation Communication interface between a fusion engine and subsystems of a tactical information system
SE542921C2 (en) * 2019-01-24 2020-09-15 Acconeer Ab Autonomous moving object with radar sensor
US11676367B1 (en) * 2019-02-07 2023-06-13 Hrl Laboratories, Llc System and method for anomaly detection using anomaly cueing
EP3715901B1 (en) * 2019-03-29 2024-07-31 Robin Radar Facilities BV Detection and classification of unmanned aerial vehicles
US11450084B2 (en) 2019-05-13 2022-09-20 Goodrich Corporation Data fusion on target taxonomies
CN110826587B (zh) * 2019-08-15 2024-03-19 南京航空航天大学 基于改进的加权一类支持向量机的涡轴发动机故障检测方法
JP7527789B2 (ja) * 2020-01-07 2024-08-05 株式会社東芝 類別装置及び類別方法
JP7475910B2 (ja) * 2020-03-18 2024-04-30 株式会社東芝 類別装置のための学習済みモデル生成装置、及び類別装置のための学習済みモデル生成方法
KR102141163B1 (ko) * 2020-05-06 2020-08-04 국방과학연구소 Sar 영상 생성을 위한 뉴럴 네크워크 학습 방법 및 장치.
CN112307935B (zh) * 2020-10-28 2024-10-15 西北工业大学 一种基于ds规则的多属性信息加权融合目标识别方法
US20220138911A1 (en) * 2020-11-05 2022-05-05 Massachusetts Institute Of Technology Neural network systems and methods for removing noise from signals
CN112946600B (zh) * 2021-03-17 2022-03-04 西安电子科技大学 基于wgan-gp的雷达hrrp数据库构建方法
CN113156416B (zh) * 2021-05-17 2022-05-17 电子科技大学 一种基于多重核字典学习的未知目标判别方法
CN113191332B (zh) * 2021-05-27 2023-06-27 安阳工学院 一种基于深度学习置信度估计的目标检测方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120286989A1 (en) * 2011-05-10 2012-11-15 Raytheon Company Target identification for a radar image

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6255981B1 (en) 1999-08-04 2001-07-03 Raytheon Company Method for range alignment and rotation correction of a high resolution image in an inverse synthetic aperture radar system
US6687577B2 (en) * 2001-12-19 2004-02-03 Ford Global Technologies, Llc Simple classification scheme for vehicle/pole/pedestrian detection
US7889232B2 (en) * 2004-06-22 2011-02-15 Stratech Systems Limited Method and system for surveillance of vessels
US7116265B2 (en) * 2005-02-10 2006-10-03 Raytheon Company Recognition algorithm for the unknown target rejection based on shape statistics obtained from orthogonal distance function
US7821870B2 (en) * 2005-08-19 2010-10-26 Mitsubishi Electric Research Laboratories Inc. Method and system for identifying moving objects using acoustic signals
US7545307B2 (en) * 2005-12-15 2009-06-09 Raytheon Company Target recognition system and method with unknown target rejection
EP2018628A1 (en) * 2006-05-15 2009-01-28 Telefonaktiebolaget LM Ericsson (PUBL) A method and system for automatic classification of objects
US20080089591A1 (en) * 2006-10-11 2008-04-17 Hui Zhou Method And Apparatus For Automatic Image Categorization
US8232908B2 (en) * 2008-06-26 2012-07-31 Raytheon Company Inverse synthetic aperture radar image processing

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120286989A1 (en) * 2011-05-10 2012-11-15 Raytheon Company Target identification for a radar image

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
H. M. Sathyendra and B. D. Stephan, "Automated radar image target recognition based on segmented feature extraction using adaptive length estimation and Hough lines aiding optimized neural network classification", Proc.2013 IEEE Radar Conference *

Also Published As

Publication number Publication date
AU2015271047B2 (en) 2020-07-16
EP3152707B1 (en) 2023-11-01
JP2019070671A (ja) 2019-05-09
JP6679774B2 (ja) 2020-04-15
JP2017522548A (ja) 2017-08-10
US9299010B2 (en) 2016-03-29
EP3152707A1 (en) 2017-04-12
AU2015271047A1 (en) 2017-01-19
WO2015187468A1 (en) 2015-12-10
US20150347871A1 (en) 2015-12-03
TW201610864A (zh) 2016-03-16

Similar Documents

Publication Publication Date Title
TWI579777B (zh) 用於海上自動目標辨識之資料融合分析技術
CN110472627B (zh) 一种端到端的sar图像识别方法、装置及存储介质
JP7088288B2 (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
JP6200826B2 (ja) 林相解析装置、林相解析方法及びプログラム
KR101891410B1 (ko) 트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법
CN109557533B (zh) 一种基于模型的联合跟踪与识别方法
WO2019215819A1 (ja) 合成開口レーダ画像解析システム、合成開口レーダ画像解析方法および合成開口レーダ画像解析プログラム
Wang et al. MLFFNet: Multilevel feature fusion network for object detection in sonar images
Isaac-Medina et al. Multi-view object detection using epipolar constraints within cluttered x-ray security imagery
CN113298007B (zh) 一种小样本sar图像目标识别方法
Wang et al. RPFNet: Recurrent pyramid frequency feature fusion network for instance segmentation in side-scan sonar images
Keraudren et al. Endocardial 3d ultrasound segmentation using autocontext random forests
KR101622748B1 (ko) 입력 이미지로부터 객체를 검출하기 위한 방법, 장치 및 컴퓨터 판독가능 기록매체
Dietrich-Sussner et al. Synthetic glacier SAR image generation from arbitrary masks using pix2pix algorithm
Wang et al. Improved SSD Framework for Automatic Subsurface Object Indentification for GPR Data Processing
CN108959355B (zh) 一种船只分类方法、装置及电子设备
CN113673355A (zh) 一种海浪波谱仪回波波形分类方法
Thoreau et al. SaRNet: A dataset for deep learning assisted search and rescue with satellite imagery
RU2595181C2 (ru) Способ выбора изображений для идентификации оружия по следу бойка
Petillot et al. Target recognition in synthetic aperture sonar and high resolution side scan sonar using AUVs
Abramov et al. Object recognition based on invariant moments
JP2023074829A (ja) 物体識別モデル作成システム、物体識別モデル作成方法および物体識別モデル作成プログラム
RU2620727C2 (ru) Способ распознавания космических аппаратов по редуцированным радиолокационным изображениям
Sathyendra et al. Effects of using enhanced input range profiles for 1-d automated maritime vessel classification
Beugeling et al. Detection of objects and their shadows from acoustic images of the sea floor