自動目標辨識

自動目標辨識(英語:Automatic target recognition,縮寫ATR)是基於感測器取得的資料辨識目標或對象的演算法或裝置。

目標辨識最早是通過接收可聽訊號來完成,經訓練的操作者將根據雷達照射目標所產生的聲音而分類目標。雖然訓練有素的操作員很成功,但自動化的方法也已開發,並繼續向更高的分類精度和速度發展。自動目標辨識可用於辨識人造物體,例如地面、飛行器以及生物目標(例如動物、人類和植物雜波)。這對於辨識和濾除戰場上的大群類在都卜勒天氣雷達上引起的干擾等是有用的。

軍事應用則包括簡單的辨識系統,例如IFF轉發器英語Identification friend or foe,以及無人航空載具巡弋飛彈等其他應用。在民用領域使用自動目標辨識也有著越來越多的嘗試。例如使用自動目標辨識確保邊界安全,使用安全系統辨識地鐵軌道等上的物體或人體等。

概念

編輯

歷史

編輯

目標辨識自有雷達以來就已存在。雷達操作員通過接收到的反射訊號產生的音訊辨識敵方的轟炸機和戰鬥機(見第二次世界大戰中的雷達英語Radar in World War II)。

向操作員播放基頻訊號來完成目標辨識已存在多年。通過收聽訊號,經過訓練的雷達操作員可以辨識被照射目標的各種資訊,諸如載具的類型、目標的大小,乃至潛在區分生物目標。但這種方法也有許多限制,操作員必須被訓練每個目標的特徵,如果目標以高速行進則可能無法聽到,並且人類決策可能增加錯誤判斷的概率。但可聽訊號表示為自動歸類目標提供了基礎。已經開發的數種方法已使用在其他領域(例如語音辨識)。

概述

編輯

微都卜勒效應

編輯

雷達通過定時發射訊號並根據該訊號所照射目標的反射所花費的時間確定與物體的距離。在該物體非靜止時,它引起都卜勒效應的頻率偏移。除了整個物體的平移運動外,物體的振動或旋轉也引起頻率的額外偏移。當這種情況發生時,都卜勒頻移訊號將被調製。這種引起訊號調製的額外都卜勒效應稱為微都卜勒效應。這種調製可以具有特定模式或特徵,從而能為自動目標辨識開發演算法。微都卜勒效應將隨時間推移而改變,這取決於目標的運動、引發時間和頻率變化的訊號。[1]

時頻分析

編輯

該訊號的傅立葉變換分析是不夠的,因為傅立葉變換不能解釋時變分量。取得頻率和時間函式的最簡單方法是使用短時距傅立葉變換(STFT)。但是,諸如加伯轉換維格納準概率分佈(WVD)等更魯棒的方法可以用於提供頻率和時域的同時表示。然而,所有這些方法都要折衷考慮頻率解析度與時間解析度。[2]

檢測

編輯

一旦已取得光譜資訊,它可以與包含系統將辨識目標的有關資訊的現有資料庫進行比較,並且據此做出有關被照射目標為何的決定。這通過對接收到的訊號建模,然後使用統計估計方法確定庫中的哪個目標最適合使用接收到的訊號構建的模型來完成決定,統計估計諸如最大似然估計(ML)、多數決原則(MV)和最大後驗概率(MAP)。

方法

編輯

提取特徵

編輯

語音辨識中使用音訊特徵、基於音訊啟發係數構建自動辨識目標的系統已被完成。這些係數包括

處理基頻訊號可以取得這些係數,然後用統計處理方法決定資料庫中的哪個目標與所取得的係數最相近。使用哪些特徵和決策方案取決於系統和應用。

用於分類目標的特徵不限於語音啟發的係數。可以使用廣泛的特徵和檢測演算法來完成自動目標辨識。

檢測演算法

編輯

為完成自動化檢測的目標,需要建立一個訓練資料庫。這通常使用在目標已知時收集的實驗資料完成,然後儲存供ATR演算法使用。

 
使用倒譜特徵和GMM的自動目標辨識

上述流程圖展示了檢測演算法的範例。該方法使用M個資料塊,從每個(即LPC係數,MFCC)提取期望的特徵,然後使用高斯混合模型(GMM)對它們建模。在使用收集的資料獲得模型之後,針對包含在訓練資料庫中的每個目標形成條件概率。在該範例中,存在M個資料塊。這將導致資料庫中每個目標的M個概率的集合。這些概率用於使用一個最大似然估計確定目標。該方法已經顯示出能夠區分車輛類型(例如輪式或軌道車輛),and even decide how many people are present up to three people with a high probability of success.[3]

參見

編輯

參考資料

編輯
  1. ^ Chen, V. Micro-Doppler Effect in Radar. Norwood, MA: Artec House. February 2011: 18–21. ISBN 9781608070589. 
  2. ^ Chen, V. Micro-Doppler Effect in Radar. Norwood, MA: Artec House. February 2011: 21–28. ISBN 9781608070589. 
  3. ^ Bilik, I.; Tabrikian, J. GMM-Based target classification for ground surveillance doppler radar. IEEE Transactions on Aerospace and Electronic Systems. January 2006, 42 (1): 267–277. 

外部連結

編輯