Identyfikacja obiektów w obrazach radarowych

System do rozpoznawania obiektów militarnych w obrazach radarowych typu SAR (Synthetic Aperture Radar)

Obrazy radarowe typu SAR
Techniki Synthetic Aperture Radar (SAR- można przetłumaczyć jako radar z syntezą powierzchni) są nowoczesnymi metodami cyfrowego przetwarzania sygnałów radarowych dającymi nowe możliwości w porównaniu z konwencjonalnymi metodami wykorzystywanymi w radiolokacji. W klasycznej radiolokacji jednym z głównych problemów jest uzyskanie obrazów o dużej rozdzielczości umożliwiających identyfikację obserwowanych obiektów. Jest to bardzo istotne zarówno w cywilnych jak i w wojskowych zastosowaniach radiolokacji. Radary typu SAR są to wysokiej rozdzielczości radary, które umożliwiają prowadzenie szczegółowej obserwacji terenu o obszarze do 336.700 ha. Idea uzyskiwania dużej rozdzielczości odległościowej opiera się na wykorzystaniu sygnału o dużym paśmie częstotliwościowym oraz specjalnych metod ich obróbki. Klasycznie było to realizowane w technice analogowej, obecnie wraz z rozwojem komputerów i wzrostu ich mocy obliczeniowej w technice cyfrowej. Technika SAR opiera się na wykorzystaniu informacji o prędkości ruchu względnego obserwowanego obiektu i platformy z radarem (wykorzystanie efektu Dopplera). W praktyce realizuje się to za pomocą filtracji dolnoprzepustowej i dopasowanej. Przy realizacji algorytmów cyfrowego przetwarzania sygnałów radiolokacyjnych dla potrzeb techniki SAR napotyka się liczne problemy. Jednym z typowych problemów jest duży strumień danych docierający do cyfrowych układów przetwarzania oraz związane z tym problemy dużego zapotrzebowania na moc obliczeniową i pamięć. Innym problemem jest konieczność określenia położenia względnego pomiędzy radarem a obiektem z dokładnością rzędu pojedynczych centymetrów. Stawia to wysokie wymagania przed algorytmami estymacji położenia platformy z radarem. Na całym świecie prowadzone są intensywne prace nad rozwojem technik SAR. W Polsce nie były one dotychczas stosowane i rozwijane.

Odniesienie do rozpoznawania obrazów
W systemie do rozpoznawania obiektów w obrazach radarowych wykorzystywane są pewne podejścia i pojęcia z dziedziny rozpoznawania obrazów.

Uczenie oparte na modelu:
System uczy sie rozpoznawać określony obiekt (w tym wypadku pojazd wojskowy) na podstawie modelu czyli przykładu zarejestrowanego obiektu, którego nazwę znamy

Pomiar podobieństwa z modelem:
Pomiar podobieństwa jest oparty na mierze Hausdorff'a, której opis znajduje się poniżej Miara Hausdorff'a

Podejście niebezpośrednie:
System nie operuje bezpośrenio na obrazach radarowych. Obrazy z radaru są przetwarzane na postać pośrednią: współrzędne pikseli i ich jasności. Pomiar podobieństwa wykonywany jest na postaciach pośrednich.

Lokalna analiza zawartości obrazu:
System nie porównuje wszystkich pikseli(współrzędnych) wewnątrz obrazu. Do porównywania wybrane są tylko niektóre współrzędne: te z odpowiednim poziomem jasności.

Zaproponowane podejście
Zaproponowane podejście opiera się na uogólnionej mierze Hausdorff'a. Miara ta określa stopień podobieństwa (braku podobieństwa) jednego zbioru punktów do drugiego poprzez badanie skupisk punktów w jednym zbiorze leżących blisko punktów w drugim zbiorze.

Pomysł jest oparty na dwóch parametrach, które określają czy dwa zbiory punktów są podobne:
  - maksymalna odległość, na jaką można rozdzielić punkty by nadal można było uważać je za leżące blisko siebie.
  - parametr mówiący o tym jakie punkty w jednym zbiorze są położone w odległości nie przekraczającej, którą określa pierwszy parametr.

Mając dwa zbiory danych A i B miara Hausdorff'a jest zdefiniowana jako:

H(A,B) = max(h(A,B),h(B,A)) gdzie h(A,B) = max(A) min(B) ||a-b||

Problem z podstawową miarą Hausdorff'a jest taki, że jest ona czuła na odległe punkty. Oznacza to, że jeśli system porównywałby dwa podobne obrazy z których jeden posiadałby szum w postaci odległego od skupiska punktu(patrz rys. powyżej), uznałby je za całkowicie różne. Aby wykluczyć tą niedogodność wprowadzono uogólnioną miarę Hausdorff'a, która bierze pod uwagę tylko k-te (po posortowaniu) odległości między punktami, odrzucając tym samym skrajne wartości. h(A,B) = k-th(A) min(B) ||a-b|| Jako k stosuje się również medianę, śrenią itp. w zależności od implementacji.

Napotkane trudności
Jako miara podobieństwa w systemie służy mira odległości, nie uwzględnia ona jasności obiektów. Problem stanowiło określenie wartości progowej jasności punktów branych pod uwagę w całym procesie rozpoznawania.

Rozwiąznia
Zastosowano podejscie polegajęce na wcześniejszym dobraniu odpowiedniej wartości progowej na zasadzie kilku testów porównujących trafność klasyfikacji od zastosowanej jasności.

Implementacja
Aplikacja zostanie stworzona w C++ za pomocą Borland C++ oraz biblioteki OpenCV.