JP5660978B2 - Target classifier - Google Patents
Target classifier Download PDFInfo
- Publication number
- JP5660978B2 JP5660978B2 JP2011127413A JP2011127413A JP5660978B2 JP 5660978 B2 JP5660978 B2 JP 5660978B2 JP 2011127413 A JP2011127413 A JP 2011127413A JP 2011127413 A JP2011127413 A JP 2011127413A JP 5660978 B2 JP5660978 B2 JP 5660978B2
- Authority
- JP
- Japan
- Prior art keywords
- dictionary
- clutter
- signal data
- target
- estimation accuracy
- Prior art date
- Legal status (The legal status 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 status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Description
本発明は、種類未知の目標からの反射信号データを対象に、目標種別を判定する目標類識別装置に関する。 The present invention relates to a target class identification device that determines a target type for reflected signal data from an unknown target.
従来行われてきた目標類識別方法としては、事前に得られている各機種の教師信号データから特徴量辞書を生成し、目標信号データと辞書との照合により、目標種類を判定する。教師信号データは、シミュレーション信号データ（諸元既知）もしくは実信号データ（一部の諸元未知）のいずれかとする。 As a conventional target class identification method, a feature dictionary is generated from teacher signal data of each model obtained in advance, and the target type is determined by comparing the target signal data with the dictionary. The teacher signal data is either simulation signal data (specifications are known) or actual signal data (some specifications are unknown).
下記非特許文献１に記載の手法では、目標の存在領域のクラッタ別の辞書を用意し、種類判別対象である目標信号データのクラッタ推定値に基づいて照合対象となる辞書を選択し、機種判定を行っている。
In the method described in Non-Patent
従来の目標類識別装置は以上のように構成されていたので、多様なクラッタパターンに対応するためには、クラッタの性質やレベルに応じたクラッタのグループ化が必要となるが、クラッタの連続性の有無や分布範囲によっては、グループ化が難しく、結果として膨大な数の辞書が必要となる。その場合、実運用時のデータ蓄積量の限界や、照合時の辞書選択等の問題が発生し得る。 Conventional target classifiers have been configured as described above, and in order to support various clutter patterns, clutter grouping according to the nature and level of the clutter is necessary. Depending on the presence or absence and distribution range, grouping is difficult, and a huge number of dictionaries are required as a result. In that case, problems such as a limit of the amount of data stored during actual operation and dictionary selection during collation may occur.
また、クラッタのグループ化がある程度可能であったとしても、目標信号データのクラッタ推定値の精度によっては、辞書の選択が困難な状況も発生し得るという課題があった。 Further, even if clutter grouping is possible to some extent, there is a problem that it may be difficult to select a dictionary depending on the accuracy of the clutter estimation value of the target signal data.
本発明は、前記のような課題を解決するためになされたものであり、目標信号データのクラッタ推定精度に左右されずに、所望の類別性能を維持する目標類識別装置を提供することを目的とする。 The present invention has been made to solve the above-described problems, and an object of the present invention is to provide a target class identification device that maintains desired classification performance without being affected by clutter estimation accuracy of target signal data. And
本発明の目標類識別装置は、レーダ観測で得られる反射信号データから目標の種類を判定する構成であって、様々なクラッタ条件で得られた目標の教師信号データを格納する教師信号データファイルと、教師信号データファイルに格納された異クラッタ条件の教師信号データの組み合わせの相関係数を算出し、当該相関係数を用いてクラッタ推定精度別の辞書データを生成するクラッタ推定精度別辞書生成部と、クラッタ推定精度別辞書生成部により生成された辞書データを格納する辞書データファイルと、種類判定対象である目標信号データを格納する目標信号データファイルと、目標信号データファイルに格納された目標信号データのクラッタ推定精度に応じて辞書データファイルに格納されたクラッタ推定精度別の辞書データから照合対象となる辞書データを選択するクラッタ推定精度別辞書選択部と、クラッタ推定精度別辞書選択部により選択された照合対象辞書データに基づいて目標信号データファイルに格納された目標信号データの種類を判定する種類判定部と、種類判定部による種類判定対象の種類判定結果を格納する種類判定結果ファイルとを備えたものである。
また、本発明の目標類識別装置は、レーダ観測で得られる反射信号データから目標の種類を判定する構成であって、様々なクラッタ条件で得られた目標の教師信号データを格納する教師信号データファイルと、教師信号データファイルに格納された異クラッタ条件の教師信号データの特徴量を評価し、当該評価結果を用いてクラッタ推定精度別の辞書データを生成するクラッタ推定精度別辞書生成部と、クラッタ推定精度別辞書生成部により生成された辞書データを格納する辞書データファイルと、種類判定対象である目標信号データを格納する目標信号データファイルと、目標信号データファイルに格納された目標信号データのクラッタ推定精度に応じて辞書データファイルに格納されたクラッタ推定精度別の辞書データから照合対象となる辞書データを選択するクラッタ推定精度別辞書選択部と、クラッタ推定精度別辞書選択部により選択された照合対象辞書データに基づいて目標信号データファイルに格納された目標信号データの種類を判定する種類判定部と、種類判定部による種類判定対象の種類判定結果を格納する種類判定結果ファイルとを備えたものである。
The target class identification device of the present invention is configured to determine the type of target from reflected signal data obtained by radar observation, and includes a teacher signal data file for storing target teacher signal data obtained under various clutter conditions, , Calculating a correlation coefficient of a combination of teacher signal data under different clutter conditions stored in a teacher signal data file, and generating dictionary data according to clutter estimation accuracy using the correlation coefficient A dictionary data file for storing dictionary data generated by the clutter estimation accuracy-specific dictionary generation unit, a target signal data file for storing target signal data that is a type determination target, and a target signal stored in the target signal data file collation from the stored clutter estimation accuracy by the dictionary in the dictionary data file in accordance with the clutter estimation accuracy of the data Determination and clutter estimation accuracy by the dictionary selection unit, the type of the target signal data stored in the target signal data file on the basis of the collation target dictionary data selected by the clutter estimation accuracy by dictionary selection unit that selects the dictionary data to be elephants And a type determination result file for storing the type determination result of the type determination target by the type determination unit.
In addition, the target class identification device of the present invention is configured to determine the type of target from the reflected signal data obtained by radar observation, and stores teacher signal data of the target obtained under various clutter conditions. Clutter estimation accuracy-specific dictionary generation unit that evaluates the feature amount of teacher signal data under different clutter conditions stored in the file and the teacher signal data file, and generates dictionary data according to clutter estimation accuracy using the evaluation result; A dictionary data file that stores dictionary data generated by the clutter estimation accuracy-specific dictionary generation unit, a target signal data file that stores target signal data that is a type determination target, and target signal data stored in the target signal data file Based on the clutter estimation accuracy, the dictionary data for each clutter estimation accuracy stored in the dictionary data file is subject to collation. Type determination for determining the type of target signal data stored in the target signal data file based on the dictionary data selection unit selected by the clutter estimation accuracy for selecting dictionary data, and the collation target dictionary data selected by the dictionary selection unit for clutter estimation accuracy And a type determination result file for storing the type determination result of the type determination target by the type determination unit .
本発明によれば、クラッタ推定精度別辞書生成部が異クラッタ条件の教師信号データの組み合わせの相関係数を算出、または異クラッタ条件の教師信号データの特徴量を評価し、当該相関係数または当該評価結果を用いてクラッタ推定精度別の辞書データを生成し、クラッタ推定精度別辞書選択部が目標信号データのクラッタ推定精度に応じてクラッタ推定精度別の辞書データから照合対象となる辞書データを選択することにより、目標信号データのクラッタ推定精度に左右されずに、所望の類別性能を維持できる効果がある。 According to the present invention, the dictionary generation unit according to clutter estimation accuracy calculates a correlation coefficient of a combination of teacher signal data under different clutter conditions, or evaluates a feature amount of teacher signal data under different clutter conditions, and the correlation coefficient or generating a different dictionary data clutter estimation accuracy by using the evaluation result, the dictionary data being a target for verification from clutter estimation accuracy by the dictionary data according clutter estimation accuracy by the dictionary selection unit to clutter estimation accuracy of the target signal data By selecting, there is an effect that the desired classification performance can be maintained without being influenced by the clutter estimation accuracy of the target signal data.
実施の形態１．
図１はこの発明の実施の形態１による目標類識別装置の構成を示すブロック図である。図１において、目標類識別装置は、教師信号データファイル１１〜１Ｎと、クラッタ推定精度別辞書生成部２と、辞書データファイル３と、目標信号データファイル４と、クラッタ推定精度別辞書選択部５と、種類判定部６と、種類判定結果ファイル７とを備えている。
FIG. 1 is a block diagram showing the configuration of a target class identification device according to
なお、図１には示されていないが、目標信号データファイル４の入力側には、信号処理装置が接続されている。
Although not shown in FIG. 1, a signal processing device is connected to the input side of the target
信号処理装置は、目標からの反射信号から目標信号データＴを算出し、目標信号データファイル４に格納する。教師信号データファイル１１〜１Ｎは、事前に観測され、計算機等に蓄積されている種類既知の目標信号データ、もしくは計算機シミュレーションで生成された各目標の信号データ群からなる教師信号データ群Ｌ１〜ＬＮを格納する。種類判定結果ファイル７は、目標信号データＴに対する種類判定結果Ｒを格納するものとする。なお、教師信号データ群Ｌ１〜ＬＮは、クラッタ値がそれぞれクラッタ１〜Ｎと異なる。
The signal processing device calculates target signal data T from the reflected signal from the target and stores it in the target
クラッタ推定精度別辞書生成部２は、教師信号データファイル１１〜１Ｎからの教師信号データ群Ｌ１〜ＬＮを入力情報とし、教師信号データ群Ｌ１〜ＬＮに対してクラッタ推定精度に応じて、異なる辞書を生成し、生成したクラッタ推定精度別辞書群を辞書データＤとし、辞書データファイル３に格納する。
The
クラッタ推定精度別辞書選択部５は、辞書データファイル３に格納された辞書データＤに対し、目標信号データファイル４に格納された目標信号データＴのクラッタ推定精度に基づいて辞書の選択を行い、選択された辞書を照合対象辞書データＳＤとする。
The
種類判定部６は、クラッタ推定精度別辞書選択部５から出力される照合対象辞書データＳＤにより、目標信号データファイル４に格納された目標信号データＴの種類判定を行い、種類判定結果Ｒ（全体の出力情報）を生成し、種類判定結果ファイル７に格納する。
The
図１の例では、目標類識別装置がコンピュータで構成されている場合を想定している。
この場合、クラッタ推定精度別辞書生成部２、クラッタ推定精度別辞書選択部５、および種類判定部６の処理内容が記述されているプログラムを当該コンピュータのメモリに格納し、また、教師信号データファイル１１〜１Ｎ、辞書データファイル３、目標信号データファイル４、および種類判定結果ファイル７を当該コンピュータの外部記憶装置に記憶し、当該コンピュータのＣＰＵがメモリに格納されているプログラムを実行すると共に、ＣＰＵおよび外部記憶装置間で各種データを入出力することにより、教師信号データファイル１１〜１Ｎ、クラッタ推定精度別辞書生成部２、辞書データファイル３、目標信号データファイル４、クラッタ推定精度別辞書選択部５、種類判定部６、および種類判定結果ファイル７の機能を実現するようにする。
In the example of FIG. 1, it is assumed that the target class identification device is configured by a computer.
In this case, a program in which the processing contents of the clutter estimation accuracy-specific
次に動作について説明する。
図２はクラッタ推定精度別辞書生成部の処理を示すフローチャートである。図２において、まず、クラッタ推定精度別辞書生成部２は、クラッタ値が異なる同機種の教師信号データ群ＬｉとＬｊ（ｉとｊは１〜Ｎの異なる整数）を合わせて辞書生成対象信号データ群とし、これらを対象として、辞書を生成する（ＳＴ１）。辞書の生成方法としては、辞書生成対象信号データ群の中から任意の信号データを相関算出対象信号データとして抽出し（ＳＴ２）、残りの全辞書生成対象信号データとの組み合わせごとに相関係数を算出する（ＳＴ３）。
Next, the operation will be described.
FIG. 2 is a flowchart showing the processing of the dictionary generation unit by clutter estimation accuracy. In FIG. 2, first, the clutter estimation accuracy specific
相関係数の算出は、たとえばレンジプロフィール等のレーダからの距離（レンジ）を横軸、目標から反射した信号の強さ（振幅値）を縦軸とした信号データであれば、辞書生成対象信号データを距離方向にずらして重ね合わせながら、辞書生成対象信号データとの相関係数を算出し、最も相関係数が高い位置での値を求める。図３にレンジプロフィールの一例を示す。各組み合わせで算出された相関係数の総和および平均から相関算出対象信号データの相関評価値を求め（ＳＴ４）、この処理を全辞書生成対象信号データが相関算出対象信号データとなるよう繰り返す（ＳＴ５）。 For example, if the correlation coefficient is signal data with the horizontal axis representing the distance (range) from the radar such as a range profile and the vertical axis representing the intensity (amplitude value) of the signal reflected from the target, the dictionary generation target signal While superimposing the data shifted in the distance direction, a correlation coefficient with the dictionary generation target signal data is calculated, and a value at a position with the highest correlation coefficient is obtained. FIG. 3 shows an example of the range profile. The correlation evaluation value of the correlation calculation target signal data is obtained from the sum and average of the correlation coefficients calculated in each combination (ST4), and this process is repeated so that all dictionary generation target signal data becomes the correlation calculation target signal data (ST5). ).
最終的に、全体の相関係数が最も高くなる相関算出対象信号データを選択して、該当機種の該当するクラッタの組み合わせでの辞書信号データとする（ＳＴ６）。これらの処理を、全機種の全クラッタの組み合わせに対して行い、生成された全辞書信号データを辞書データＤとする（ＳＴ７，ＳＴ８）。 Finally, the correlation calculation target signal data having the highest overall correlation coefficient is selected and used as dictionary signal data in the combination of the corresponding clutter of the corresponding model (ST6). These processes are performed for all combinations of clutter of all models, and the generated all dictionary signal data is set as dictionary data D (ST7, ST8).
なお、辞書データＤには、単一のクラッタ値ｉの同機種の教師データ群Ｌｉのみで生成した辞書信号データも含まれる。 The dictionary data D also includes dictionary signal data generated only from the same model teacher data group Li having a single clutter value i.
続いて、クラッタ推定精度別辞書選択部５では、目標信号データＴの観測エリア、観測日時等の観測諸元や、グランドトゥルース情報等に基づき、目標存在領域のクラッタパラメータを、過去の類似事例のクラッタマップ等から獲得し（候補が複数ある場合は複数獲得）、同様に、辞書データＤの各クラッタ組み合わせ別辞書信号データのクラッタパラメータを獲得して、目標存在領域のクラッタパラメータと各辞書信号データのクラッタパラメータの類似度を算出し、類似度からクラッタ推定精度ＣＥを求める。ここでクラッタパラメータの具体例としては、背景領域の凹凸の度合い等が、確率的分布で近似可能とした場合に、確率的分布式を表す行列の各要素が各クラッタパラメータとなる。
Subsequently, in the clutter estimation accuracy specific
Ｎ要素のクラッタパラメータからなる場合、クラッタパラメータ空間はＮ次元となり、例えば、辞書信号データと目標信号データのクラッタパラメータ間のユークリッド距離の逆数を類似度とする。なお、辞書信号データは、単独のクラッタ値の辞書生成対象信号データから選択されている場合を除くと、通常は複数のクラッタ値の組み合わせからなる辞書生成対象信号データの中から選択されているため、同一要素を示すクラッタパラメータ値は複数存在する。そこで、それらの最小値と最大値からなる範囲をクラッタパラメータ辞書範囲とし、目標存在領域のクラッタパラメータ値がクラッタパラメータ辞書範囲内に入る場合は、類似度高判定（たとえば最大値である１に設定）とする。また、各クラッタパラメータ辞書範囲の広さを辞書選択信頼度ＳＳとする。辞書範囲が広い方が、辞書選択信頼度は高くなる。最後に、各辞書信号データと目標存在領域のクラッタパラメータの類似度を、各辞書信号データの推定精度とする。 When the clutter parameter space includes N elements, the clutter parameter space is N-dimensional. For example, the reciprocal of the Euclidean distance between the clutter parameters of the dictionary signal data and the target signal data is used as the similarity. Note that the dictionary signal data is normally selected from dictionary generation target signal data composed of a combination of a plurality of clutter values, except when selected from dictionary generation target signal data having a single clutter value. There are a plurality of clutter parameter values indicating the same element. Therefore, when the range consisting of the minimum value and the maximum value is set as the clutter parameter dictionary range, and the clutter parameter value of the target existing area falls within the clutter parameter dictionary range, the similarity is determined to be high (for example, set to 1 which is the maximum value). ). Further, the width of each clutter parameter dictionary range is defined as a dictionary selection reliability SS. The wider the dictionary range, the higher the dictionary selection reliability. Finally, the similarity between each dictionary signal data and the clutter parameter of the target existence area is set as the estimation accuracy of each dictionary signal data.
照合先辞書信号データの選択方法としては、まず、クラッタ推定精度が最も高い辞書信号データを選択候補とする。事前に設定したしきい値（推定精度しきい値１）以上の推定精度を持つ辞書信号データが存在する場合は、そのまま選択候補の辞書信号データを照合先辞書信号データとして選択する。しきい値以上の辞書信号データが存在しない場合は、推定精度低とみなし、推定精度が事前に設定したしきい値（推定精度しきい値２）以上の辞書信号データの中で、最も辞書選択信頼度が高い辞書信号データを照合先辞書信号データとして選択する。全機種に対し照合先辞書信号データの選択を行い、選択された照合先辞書信号データ群を照合対象辞書データＳＤとする。 As a method of selecting collation destination dictionary signal data, first, dictionary signal data having the highest clutter estimation accuracy is selected as a selection candidate. If there is dictionary signal data having an estimation accuracy equal to or higher than a preset threshold (estimation accuracy threshold 1), the selection candidate dictionary signal data is directly selected as collation destination dictionary signal data. If there is no dictionary signal data above the threshold, the estimation accuracy is regarded as low, and the dictionary selection is the most among the dictionary signal data whose estimation accuracy is equal to or higher than a preset threshold (estimation accuracy threshold 2). Dictionary signal data with high reliability is selected as collation destination dictionary signal data. Collation destination dictionary signal data is selected for all models, and the selected collation destination dictionary signal data group is set as collation target dictionary data SD.
最後に、種類判定部６では、目標信号データＴと各機種の照合対象辞書データＳＤとの照合により種類判定を行う。照合方法としては、たとえばレンジプロフィール等の距離方向を横軸、振幅値を縦軸とした信号データであれば、目標信号データを距離方向にずらして重ね合わせながら、照合先辞書信号データとの相関係数を算出し、最も相関係数が高い位置での相関係数を求め、該当機種の辞書との相関係数とする。全機種の辞書との相関係数のうち、最も高い相関係数をとる機種を選択する。
Finally, the
さらに、選択された機種の相関係数が、事前に設定された種類判定しきい値Ｓｒ以上であれば、該当機種と判定し、該当機種名を種類判定結果Ｒとして出力するとともに、種類判定結果Ｒを種類判定結果ファイル７に格納する。なお、相関係数が最大の機種が複数存在する場合は、それらすべての機種名を種類判定結果Ｒとし、また、最大の相関係数をとる機種の相関係数がしきい値Ｓｒ以下であれば、該当機種なしを種類判定結果Ｒとする。
Furthermore, if the correlation coefficient of the selected model is greater than or equal to the preset type determination threshold value Sr, it is determined as the corresponding model, the corresponding model name is output as the type determination result R, and the type determination result R is stored in the type
なお、種類判定しきい値Ｓｒは、たとえば事前に得られている種類既知の目標信号データの該当する辞書との相関係数の分布状況に基づき設定する。 Note that the type determination threshold value Sr is set based on, for example, the distribution state of the correlation coefficient with the corresponding dictionary of known target signal data obtained in advance.
以上のように、実施の形態１によれば、クラッタ推定精度別辞書生成部２において、クラッタ推定精度別に類識別のための辞書を用意し、クラッタ推定精度別辞書選択部５でクラッタ推定精度に合わせた辞書を選択することにより、目標信号データのクラッタ推定精度に左右されずに、所望の類別性能を維持できる。
As described above, according to the first embodiment, the clutter estimation accuracy-specific
実施の形態２．
なお、前記実施の形態１では、クラッタ推定精度別辞書生成部２において、辞書生成対象の信号データ群間の相関係数から辞書となる信号データを選択したが、クラッタ推定精度別の、類識別に用いる特徴量の評価結果に基づいて特徴量を選択して、辞書の生成を行ってもよい。
In the first embodiment, the clutter estimation accuracy specific
図２はこの発明の実施の形態２による目標類識別装置の構成を示すブロック図である。図２において、目標類識別装置は、図１の実施の形態１同様、教師信号データファイル１１〜１Ｎと、クラッタ推定精度別辞書生成部２と、辞書データファイル３と、目標信号データファイル４と、クラッタ推定精度別辞書選択部５と、種類判定部６と、種類判定結果ファイル７とを備えている。
FIG. 2 is a block diagram showing the configuration of the target class identification device according to
さらに、クラッタ推定精度別辞書生成部２は、特徴量評価部２１と、特徴量選択部２２と、辞書生成部２３とを備えている。
Furthermore, the clutter estimation accuracy specific
次に動作について説明する。
クラッタ推定精度別辞書生成部２を構成する特徴量評価部２１では、クラッタ値が異なる同機種の教師信号データ群ＬｉとＬｊ（ｉとｊは１〜Ｎの異なる整数）を用いて、特徴量の評価を行い、特徴量評価結果ＦＥとする。
Next, the operation will be described.
The feature
特徴量の評価方法としては、クラッタ値が異なる同機種の教師信号データ群ＬｉとＬｊ（ｉとｊは１〜Ｎの異なる整数）が混在するデータ群を該当機種の評価対象データとして、全２機種間の組み合わせで、各特徴量の類別における重要度を評価し、特徴量評価結果ＦＥとする。 As a method for evaluating feature quantities, a data group in which teacher signal data groups Li and Lj (i and j are different integers of 1 to N) of the same model having different clutter values are mixed as evaluation target data of the corresponding model. The importance of each feature amount in the classification is evaluated by combining the models, and the feature amount evaluation result FE is obtained.
特徴量評価の第一の方法としては、評価対象データの２機種間の組み合わせでの特徴量値の出現頻度分布を解析し、異クラッタ同機種間での分布の重複が起きている特徴量を重要度高とし、それ以外は重要度低とする。図５および図６に出現頻度分布図の一例を示す。図５が分離の重複度高の例、図６が分離の重複度低の例である。横軸が特徴量値、縦軸が出現頻度を表す。‘＊’の点がクラッタ１のデータ、‘○’の点がクラッタ２のデータを表す。重要度の定義方法としては、たとえば、異クラッタ同機種間での、各クラッタにおいて、最大頻度をとる特徴量値を中心に、全データの８割のデータが存在する特徴量値範囲を決定し、異クラッタ間での特徴量値範囲の重複範囲を求め、それらの重複範囲に存在する各クラッタのデータを重複データとし、全評価対象データに対する重複データ数の割合で定義する。
The first method of feature quantity evaluation is to analyze the appearance frequency distribution of feature quantity values in the combination of two models of the evaluation target data, and to find the feature quantities that have overlapping distribution between different clutter models. The importance level is high, and other levels are low. FIG. 5 and FIG. 6 show examples of appearance frequency distribution diagrams. FIG. 5 shows an example of high separation redundancy, and FIG. 6 shows an example of low separation redundancy. The horizontal axis represents the feature value, and the vertical axis represents the appearance frequency. A dot “*” represents data of
特徴量評価の第二の方法としては、評価対象データを教師データとした教師付き学習を行い、学習で得られた結果に基づき、各特徴量の類別への重要度を評価する。具体的には、たとえば学習結果として、類別平面の垂線ベクトル（ベクトルの次元は学習に適用した特徴量数と同数で、１対１の対応関係にある）が得られた場合に、垂線ベクトルは類別平面を定義するベクトルであることから、垂線ベクトルの各要素の絶対値を、各特徴量の類別への貢献の度合いを表す値として、各特徴量の重要度とする。教師付き学習手法としては、類別クラス間の境界を表す類別平面を決定する手法の一つであるサポートベクターマシン等を適用する。図７は、サポートベクターマシンで算出される類別平面と、類別平面を定義する垂線ベクトルを２次元平面で示した図である。斜線で塗られた丸がクラス１のデータ、白丸がクラス２のデータ、点線が類別平面（２次元上なので線）、矢印が類別平面を定義する法線ベクトルを表す。
As a second method of feature amount evaluation, supervised learning using evaluation target data as teacher data is performed, and the importance of each feature amount to classification is evaluated based on the result obtained by learning. Specifically, for example, as a learning result, when a vertical vector on the classification plane (the vector dimension is the same as the number of feature quantities applied to learning and has a one-to-one correspondence), the vertical vector is Since it is a vector that defines a classification plane, the absolute value of each element of the perpendicular vector is used as a value representing the degree of contribution of each feature quantity to the classification, and is set as the importance of each feature quantity. As a supervised learning method, a support vector machine or the like, which is one of methods for determining a classification plane representing a boundary between classification classes, is applied. FIG. 7 is a diagram illustrating a classification plane calculated by the support vector machine and a perpendicular vector defining the classification plane in a two-dimensional plane. The hatched circle represents
次に特徴量選択部２２では、特徴量評価結果ＦＥに基づき、該当機種間の該当するクラッタの組み合わせで適用する特徴量を選択し、選択された特徴量の情報を特徴量選択情報ｆｓｅｌとする。特徴量の選択方法としては、たとえば、各特徴量の重要度が、事前に設定されているしきい値以上の場合に選択対象とする。
Next, the feature
さらに、辞書生成部２３では、特徴量選択情報ｆｓｅｌを用いて、該当機種間の該当するクラッタの組み合わせの評価対象データを対象に、辞書の生成を行い、辞書データＤとする。
Further, the
特徴量選択情報に基づく辞書の生成方法としては、選択された特徴量のみを用いて学習を行い、得られた学習結果を辞書とする。ここでいう辞書とは、類別のための類別平面等が該当する。 As a method for generating a dictionary based on feature quantity selection information, learning is performed using only selected feature quantities, and the obtained learning results are used as a dictionary. The dictionary here corresponds to a classification plane for classification.
以上のように、実施の形態２によれば、特徴量評価部２１において、クラッタ値が異なる教師データが混在する状態で特徴量の評価を行うことにより、教師信号データと目標信号データ間でクラッタ差がある場合でも、クラッタの変動の影響を受けにくい特徴量の選択が行われ、異クラッタ環境で適用可能な辞書が生成可能になる。
As described above, according to the second embodiment, the feature
逆に、教師信号データと目標信号データ間のクラッタ差が小さい場合は、クラッタ環境がある程度特定される条件下で、適用可能な特徴量を選択して、辞書を生成することにより、より良好な類別性能を実現可能になる。 Conversely, when the clutter difference between the teacher signal data and the target signal data is small, it is better to select an applicable feature amount and generate a dictionary under conditions where the clutter environment is specified to some extent. Classification performance can be realized.
実施の形態３．
なお、前記実施の形態１、２（図１、図４）では、クラッタ推定精度別辞書選択部５において、過去の類似事例から抽出した目標存在領域のクラッタ予想値を目標信号のクラッタ推定値としたが、背景領域の被覆分類により目標信号データのクラッタを推定してもよい。
Embodiment 3 FIG.
In the first and second embodiments (FIGS. 1 and 4), the clutter estimation accuracy
図８はこの発明の実施の形態３による目標類識別装置の構成を示すブロック図である。図３において、目標類識別装置は、図１の実施の形態１同様、教師信号データファイル１１〜１Ｎと、クラッタ推定精度別辞書生成部２と、辞書データファイル３と、目標信号データファイル４と、クラッタ推定精度別辞書選択部５と、種類判定部６と、種類判定結果ファイル７とを備えている。
FIG. 8 is a block diagram showing a configuration of a target class identification device according to Embodiment 3 of the present invention. 3, the target class identification device includes teacher signal data files 1 1 to 1 N , a
さらに、クラッタ推定精度別辞書選択部５は、クラッタ推定部５１と、クラッタ推定精度評価部５２と、辞書データ選択部５３とを備えている。
Further, the clutter estimation accuracy specific
次に動作について説明する。
クラッタ推定精度別辞書選択部５を構成するクラッタ推定部５１では、目標信号データの背景領域に対する被覆分類により、クラッタの推定を行う。
Next, the operation will be described.
A
土地被覆分類は、観測エリアのレーダ画像を用いて、土地の利用状況を分類する技術であり（カテゴリーとしては、人工構造物、森林、耕地、裸地、湿地、水域等がある）、対象領域のレーダ観測で得られる反射信号データから、対象領域に存在する物質の物性／形状等に依存する統計量を推定し、推定された統計量に基づき、画像の分類を行う。この実施の形態３では、分類までは行わずに、統計量の推定までを行う。この統計量がクラッタパラメータに相当する。 Land cover classification is a technology that classifies land use status using radar images in the observation area (categories include artificial structures, forests, arable land, bare land, wetlands, water areas, etc.) and target areas. Statistics that depend on the physical properties / shapes of substances existing in the target region are estimated from the reflection signal data obtained by the radar observation, and images are classified based on the estimated statistic. In the third embodiment, statistics are estimated without performing classification. This statistic corresponds to the clutter parameter.
クラッタの推定方法としては、背景領域（地上）からの反射信号データ(平均化処理等の前処理は実施済み)を解析し、背景領域のクラッタパラメータ（多偏波観測における、各偏波の平均電力、偏波間の相関 等）を、レーダから送信される観測信号を入力、対象領域からの反射信号を出力とし、入出力間の変換式を表す共分散行列の各要素として、パラメータ推定等により算出する。 The clutter estimation method is to analyze the reflected signal data from the background area (ground) (preprocessing such as averaging processing has been performed), and the background area clutter parameters (average of each polarization in multi-polarization observation) Power, correlation between polarized waves, etc.), using observation signals transmitted from the radar as input and reflected signals from the target area as outputs, and using parameters estimation as each element of the covariance matrix that represents the conversion formula between input and output calculate.
次に、クラッタ推定精度評価部５２では、目標信号データのクラッタ推定値と辞書信号データのクラッタパラメータ値（異クラッタからなる辞書の場合は、同一パラメータに対し複数の値が存在）に基づき、目標信号データに対するクラッタ推定精度を判定する。
Next, the clutter estimation
クラッタ推定精度の判定は、辞書信号データと目標信号データのクラッタパラメータの類似度等を求め、クラッタ推定精度とする。類似度の算出方法は、前記実施の形態１のクラッタ推定精度別辞書選択部５の処理と同様、Ｎ要素のクラッタパラメータからなる場合、クラッタパラメータ空間はＮ次元となり、例えば、辞書信号データと目標信号データのクラッタパラメータ間のユークリッド距離の逆数を類似度とする。
For the determination of the clutter estimation accuracy, the degree of similarity between the clutter parameters of the dictionary signal data and the target signal data is obtained to obtain the clutter estimation accuracy. Similar to the processing of the
さらに、辞書データ選択部５３では、目標信号データと各辞書信号データ間のクラッタ推定精度に基づき、種類判定のための辞書を辞書信号データから選択する。種類判定のための辞書の選択方法としては、目標信号データに対し、最もクラッタ推定精度が良好な辞書を選択する。
Further, the dictionary
以上のように、実施の形態３によれば、クラッタ推定部５１で、背景領域の被覆分類により目標信号データのクラッタを推定することにより、目標信号データに即したクラッタ推定が可能になり、さらに、クラッタ推定精度評価部５２において、目標信号データのクラッタ推定値とクラッタ別辞書のクラッタ値との比較からクラッタ推定精度を決定することにより、より詳細な精度判定が可能になる。
As described above, according to the third embodiment, the
なお、この発明は、前記各実施の形態１〜３に限定されるものではなく、各実施の形態１〜３の可能な組み合わせをすべて含むことは云うまでもない。 In addition, this invention is not limited to each said Embodiment 1-3, It cannot be overemphasized that all the possible combinations of each Embodiment 1-3 are included.
１１〜１Ｎ 教師信号データファイル、２ クラッタ推定精度別辞書生成部、３ 辞書データファイル、４ 目標信号データファイル、５ クラッタ推定精度別辞書選択部、６ 種類判定部、７ 種類判定結果ファイル、２１ 特徴量評価部、２２ 特徴量選択部、２３ 辞書生成部、５１ クラッタ推定部、５２ クラッタ推定精度評価部、５３ 辞書データ選択部。 1 1 to 1 N teacher signal data file, 2 dictionary generation unit by clutter estimation accuracy, 3 dictionary data file, 4 target signal data file, 5 dictionary selection unit by clutter estimation accuracy, 6 type determination unit, 7 type determination result file, 21 feature quantity evaluation unit, 22 feature quantity selection unit, 23 dictionary generation unit, 51 clutter estimation unit, 52 clutter estimation accuracy evaluation unit, 53 dictionary data selection unit.
Claims (4)
様々なクラッタ条件で得られた目標の教師信号データを格納する教師信号データファイルと、
前記教師信号データファイルに格納された異クラッタ条件の教師信号データの組み合わせの相関係数を算出し、当該相関係数を用いてクラッタ推定精度別の辞書データを生成するクラッタ推定精度別辞書生成部と、
前記クラッタ推定精度別辞書生成部により生成された辞書データを格納する辞書データファイルと、
種類判定対象である目標信号データを格納する目標信号データファイルと、
前記目標信号データファイルに格納された目標信号データのクラッタ推定精度に応じて前記辞書データファイルに格納されたクラッタ推定精度別の辞書データから照合対象となる辞書データを選択するクラッタ推定精度別辞書選択部と、
前記クラッタ推定精度別辞書選択部により選択された照合対象辞書データに基づいて前記目標信号データファイルに格納された目標信号データの種類を判定する種類判定部と、
前記種類判定部による種類判定対象の種類判定結果を格納する種類判定結果ファイルと
を備えた目標類識別装置。 In the target class identification device that determines the type of target from the reflected signal data obtained by radar observation,
A teacher signal data file that stores target teacher signal data obtained under various clutter conditions,
A dictionary generation unit for each clutter estimation accuracy that calculates a correlation coefficient of a combination of teacher signal data under different clutter conditions stored in the teacher signal data file and generates dictionary data for each clutter estimation accuracy using the correlation coefficient When,
A dictionary data file for storing dictionary data generated by the clutter estimation accuracy specific dictionary generation unit;
A target signal data file for storing target signal data which is a type determination target;
A dictionary selection by clutter estimation accuracy for selecting dictionary data to be collated from dictionary data by clutter estimation accuracy stored in the dictionary data file according to clutter estimation accuracy of the target signal data stored in the target signal data file And
A type determination unit that determines the type of target signal data stored in the target signal data file based on the collation target dictionary data selected by the dictionary selection unit according to the clutter estimation accuracy;
A target class identification device comprising: a type determination result file for storing a type determination result of a type determination target by the type determination unit.
様々なクラッタ条件で得られた目標の教師信号データを格納する教師信号データファイルと、A teacher signal data file that stores target teacher signal data obtained under various clutter conditions,
前記教師信号データファイルに格納された異クラッタ条件の教師信号データの特徴量を評価し、当該評価結果を用いてクラッタ推定精度別の辞書データを生成するクラッタ推定精度別辞書生成部と、 A clutter estimation accuracy-specific dictionary generation unit that evaluates feature quantities of teacher signal data under different clutter conditions stored in the teacher signal data file and generates dictionary data according to clutter estimation accuracy using the evaluation result;
前記クラッタ推定精度別辞書生成部により生成された辞書データを格納する辞書データファイルと、 A dictionary data file for storing dictionary data generated by the clutter estimation accuracy specific dictionary generation unit;
種類判定対象である目標信号データを格納する目標信号データファイルと、 A target signal data file for storing target signal data which is a type determination target;
前記目標信号データファイルに格納された目標信号データのクラッタ推定精度に応じて前記辞書データファイルに格納されたクラッタ推定精度別の辞書データから照合対象となる辞書データを選択するクラッタ推定精度別辞書選択部と、 A dictionary selection by clutter estimation accuracy for selecting dictionary data to be collated from dictionary data by clutter estimation accuracy stored in the dictionary data file according to clutter estimation accuracy of the target signal data stored in the target signal data file And
前記クラッタ推定精度別辞書選択部により選択された照合対象辞書データに基づいて前記目標信号データファイルに格納された目標信号データの種類を判定する種類判定部と、 A type determination unit that determines the type of target signal data stored in the target signal data file based on the collation target dictionary data selected by the dictionary selection unit according to the clutter estimation accuracy;
前記種類判定部による種類判定対象の種類判定結果を格納する種類判定結果ファイルと A type determination result file for storing the type determination result of the type determination target by the type determination unit;
を備えた目標類識別装置。A target class identification device.
前記教師信号データファイルに格納された異クラッタ条件の教師信号データの特徴量について重要度を評価する特徴量評価部と、
前記特徴量評価部による特徴量の評価結果に基づいて特徴量を選択する特徴量選択部と、
前記特徴量選択部により選択された特徴量を用いてクラッタ推定精度別の辞書データを生成する辞書生成部とを備えたことを特徴とする請求項２記載の目標類識別装置。 The dictionary generation unit according to the clutter estimation accuracy,
A feature amount evaluation unit that evaluates the importance of the feature amount of the teacher signal data under different clutter conditions stored in the teacher signal data file;
A feature amount selection unit that selects a feature amount based on the evaluation result of the feature amount by the feature amount evaluation unit;
The target class identification device according to claim 2, further comprising: a dictionary generation unit that generates dictionary data according to clutter estimation accuracy using the feature amount selected by the feature amount selection unit.
前記目標信号データファイルに格納された目標信号データのクラッタを背景領域の被覆分類で推定するクラッタ推定部と、
前記クラッタ推定部により推定された目標信号データのクラッタ推定値と前記辞書データファイルに格納されたクラッタ推定精度別の辞書データのクラッタ値との比較により、目標信号データに対するクラッタ推定精度を判定するクラッタ推定精度評価部と、
前記クラッタ推定精度評価部により判定された目標信号データに対するクラッタ推定精度に応じて前記辞書データファイルに格納されたクラッタ推定精度別の辞書データから照合対象となる辞書データを選択する辞書データ選択部とを備えたことを特徴とする請求項１から請求項３のうちのいずれか１項記載の目標類識別装置。 The dictionary selection unit according to the clutter estimation accuracy,
A clutter estimation unit for estimating clutter of the target signal data stored in the target signal data file by covering classification of a background region;
A clutter for determining the clutter estimation accuracy for the target signal data by comparing the clutter estimation value of the target signal data estimated by the clutter estimation unit with the clutter value of the dictionary data for each clutter estimation accuracy stored in the dictionary data file. An estimation accuracy evaluation unit;
A dictionary data selection unit that selects dictionary data to be collated from dictionary data according to clutter estimation accuracy stored in the dictionary data file according to the clutter estimation accuracy for the target signal data determined by the clutter estimation accuracy evaluation unit; The target class identification device according to any one of claims 1 to 3, further comprising:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011127413A JP5660978B2 (en) | 2011-06-07 | 2011-06-07 | Target classifier |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011127413A JP5660978B2 (en) | 2011-06-07 | 2011-06-07 | Target classifier |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2012255656A JP2012255656A (en) | 2012-12-27 |
| JP5660978B2 true JP5660978B2 (en) | 2015-01-28 |
Family
ID=47527355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2011127413A Expired - Fee Related JP5660978B2 (en) | 2011-06-07 | 2011-06-07 | Target classifier |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5660978B2 (en) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08320930A (en) * | 1995-05-24 | 1996-12-03 | Toshiba Corp | Texture analyzing processor |
| JP2005315837A (en) * | 2004-03-31 | 2005-11-10 | Mitsubishi Electric Corp | Target-identifying device |
| JP4772341B2 (en) * | 2005-02-25 | 2011-09-14 | 三菱電機株式会社 | Target identification device |
| JP2011214892A (en) * | 2010-03-31 | 2011-10-27 | Mitsubishi Electric Corp | Target classification device |
-
2011
- 2011-06-07 JP JP2011127413A patent/JP5660978B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2012255656A (en) | 2012-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9519660B2 (en) | Information processing apparatus, clustering method, and recording medium storing clustering program | |
| KR101432429B1 (en) | Malware analysis system and the methods using the visual data generation | |
| Oxholm et al. | The scale of geometric texture | |
| CN102663681B (en) | Gray scale image segmentation method based on sequencing K-mean algorithm | |
| Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
| CN109840542A (en) | Adaptive dimension Decision-Tree Method based on polarization characteristic | |
| CN111008989A (en) | Airborne multi-spectral LIDAR three-dimensional segmentation method based on multi-valued voxel | |
| Li et al. | Selection of robust features for the cover source mismatch problem in 3D steganalysis | |
| Azadbakht et al. | Improved urban scene classification using full-waveform LiDAR | |
| CN106683109B (en) | SAR image segmentation method based on semantic facility random field models | |
| Zeybek | Inlier point preservation in outlier points removed from the ALS point cloud | |
| Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
| JP5660978B2 (en) | Target classifier | |
| JP5294923B2 (en) | Artifact detection device, artifact detection method, and artifact detection program | |
| Daudt et al. | Learning to understand earth observation images with weak and unreliable ground truth | |
| Ng | Camera response function signature for digital forensics-part II: signature extraction | |
| Gominski et al. | Benchmarking individual tree mapping with sub-meter imagery | |
| Gupta et al. | A novel unsupervised thresholding technique for landsat image change detection | |
| Guimarães et al. | Hierarchical image segmentation relying on a likelihood ratio test | |
| Hu et al. | Superpixel generation for SAR images based on DBSCAN clustering and probabilistic patch-based similarity | |
| Gheissari et al. | A comparative study of model selection criteria for computer vision applications | |
| CN112348816B (en) | Brain magnetic resonance image segmentation method, storage medium, and electronic device | |
| Guo et al. | Convex optimization method for quantifying image quality induced saliency variation | |
| US20230230348A1 (en) | Method and system performing pattern clustering | |
| US20240054402A1 (en) | Attribution and Generation of Saliency Visualizations for Machine-Learning Models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20131126 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140423 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140507 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140618 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20141104 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20141202 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5660978 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |