自動ターゲット認識

自動ターゲット認識( ATR ) とは、センサーから取得したデータに基づいて、アルゴリズムまたはデバイスがターゲットやその他のオブジェクトを認識する機能です。

ターゲット認識は当初、受信信号の可聴表現を使用して行われ、訓練を受けたオペレーターがその音を解読してレーダーで照らされたターゲットを分類していました。これらの訓練を受けたオペレーターは成功を収めましたが、分類の精度と速度を高める自動化された方法が開発され、現在も開発が続いています。ATR は、地上車両や航空機などの人工物だけでなく、動物、人間、植物の乱雑さなどの生物学的ターゲットの識別にも使用できます。これは、戦場での物体の認識から、ドップラー気象レーダーでの鳥の大群による干渉の除去まで、あらゆることに役立ちます。

軍事用途としては、IFFトランスポンダーなどの単純な識別システムがあり、無人航空機や巡航ミサイルなどの他の用途にも使用されています。国内用途でもATRを使用することへの関心が高まっています。国境警備、地下鉄の線路上の物体や人物を識別する安全システム、自動運転車など、さまざまな用途にATRを使用する研究が行われています。

目標認識はレーダーとほぼ同じくらい長い間存在してきました。レーダー操作員は、反射信号によって受信された音声表現を通じて敵の爆撃機や戦闘機を識別しました ( 「第二次世界大戦におけるレーダー」を参照)。

ターゲット認識は長年、ベースバンド信号をオペレータに再生することによって行われてきました。この信号を聞くことで、訓練を受けたレーダーオペレータは、照射されたターゲットに関するさまざまな情報（車両の種類、ターゲットのサイズなど）を識別でき、潜在的には生物学的ターゲットを区別することさえできます。ただし、このアプローチには多くの制限があります。オペレータは、各ターゲットがどのように聞こえるかについて訓練を受ける必要があり、ターゲットが高速で移動している場合は聞こえなくなる可能性があり、人間の判断要素によりエラーの可能性が高くなります。ただし、信号を音声で表現するというこのアイデアは、ターゲットの自動分類の基礎を提供しました。これまでに開発されたいくつかの分類スキームは、音声認識などの他のオーディオアプリケーションで使用されているベースバンド信号の特徴を使用しています。

レーダーは、送信された信号が、この信号によって照らされたターゲットから戻ってくるまでの時間を計測することで、物体までの距離を決定します。この物体が静止していない場合、ドップラー効果と呼ばれる周波数シフトが発生します。物体全体の並進運動に加えて、物体が振動または回転することで追加の周波数シフトが発生する可能性があります。これが発生すると、ドップラーシフトされた信号は変調されます。信号の変調を引き起こすこの追加のドップラー効果は、マイクロドップラー効果として知られています。この変調には特定のパターンまたはシグネチャがあり、ATR 用のアルゴリズムを開発できます。マイクロドップラー効果は、ターゲットの動きに応じて時間の経過とともに変化し、時間と周波数が変化する信号を引き起こします。^[1]

この信号のフーリエ変換分析は、時間によって変化する成分を考慮できないため、十分ではありません。周波数と時間の関数を取得する最も簡単な方法は、短時間フーリエ変換(STFT) を使用することです。ただし、ガボール変換やウィグナー分布関数(WVD)などのより堅牢な方法を使用して、周波数領域と時間領域を同時に表現することができます。ただし、これらすべての方法では、周波数分解能と時間分解能の間にトレードオフがあります。^[2]

このスペクトル情報が抽出されると、システムが識別するターゲットに関する情報を含む既存のデータベースと比較され、照射されたターゲットが何であるかを判断できます。これは、受信信号をモデル化し、最大尤度(ML)、多数決(MV)、最大事後確率(MAP) などの統計的推定方法を使用して、ライブラリ内のどのターゲットが受信信号を使用して構築されたモデルに最も適合するかを判断することによって行われます。

音声認識で使用されるオーディオの特徴を利用して、オーディオにヒントを得た係数に基づいてターゲットを識別する自動ターゲット認識システムを構築する 研究が行われてきました。これらの係数には、

• 線形予測符号化（LPC）係数
• ケプストラム線形予測符号化（LPCC）係数
• メル周波数ケプストラム係数(MFCC)。

ベースバンド信号はこれらの係数を取得するために処理され、その後、統計プロセスを使用して、データベース内のどのターゲットが取得された係数に最も類似しているかが決定されます。どの機能とどの決定スキームを使用するかの選択は、システムとアプリケーションによって異なります。

ターゲットを分類するために使用される特徴は、音声にインスパイアされた係数に限定されません。ATR を実現するために、さまざまな特徴と検出アルゴリズムを使用できます。

ターゲットの検出を自動化するには、トレーニング データベースを作成する必要があります。これは通常、ターゲットがわかっているときに収集された実験データを使用して行われ、その後、ATR アルゴリズムで使用するために保存されます。

検出アルゴリズムの例をフローチャートに示します。この方法では、M ブロックのデータを使用し、それぞれから必要な特徴 (LPC 係数、MFCC など) を抽出し、ガウス混合モデル(GMM) を使用してモデル化します。収集されたデータを使用してモデルを取得した後、トレーニング データベースに含まれる各ターゲットに対して条件付き確率が形成されます。この例では、M ブロックのデータがあります。これにより、データベース内の各ターゲットに対して M 個の確率のコレクションが作成されます。これらの確率は、最大尤度決定を使用してターゲットが何であるかを判断するために使用されます。この方法は、車両の種類 (たとえば、車輪付き車両と無限軌道車両) を区別し、最大 3 人までの数の人物を高い確率で判断できることが示されています。^[3]

CNNベースのターゲット認識

畳み込みニューラルネットワーク（CNN）ベースのターゲット認識は、従来の方法よりも優れた性能を発揮します。^{[4] [5]}実際のシーンの赤外線画像でターゲット（戦車など）を認識するには、合成画像でトレーニングすると効果的であることが証明されています。これは、実際のターゲットの画像が不足しているためです。トレーニングセットの制限により、実際のシーンのテストセットを認識するには、合成画像がどれだけリアルであるかが非常に重要です。

CNNネットワーク全体の構造には、7つの畳み込み層、3つの最大プーリング層、および出力としてのソフトマックス層が含まれています。最大プーリング層は、2番目、4番目、5番目の畳み込み層の後に配置されています。出力の前にグローバル平均プーリングも適用されます。すべての畳み込み層は、リーキーReLU非線形活性化関数を使用します。^[6]

• 人工知能の応用
• 敵か味方かの識別
• 物体認識
• 人工知能の概要
• ロボット工学の概要
• パターン認識
• レーダーロックオン

• ドップラーレーダーで観測された移動目標エコーの音響実験データ解析
• インテリジェントなターゲット認識のためのマイクロドップラーレーダーシグネチャ 2020-05-04 にWayback Machineでアーカイブ