Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2023 - zeszyt 12

Augmented Doppler Filter Bank for Enhancing Targets Detection Based on Machine Learning

Bank rozszerzonych filtrów Dopplera umożliwiający lepsze wykrywanie celów w oparciu o uczenie maszynowe

10.15199/48.2023.12.27

nr katalogowy: 146726
10.15199/48.2023.12.27

Streszczenie

Radar Target Detection (RTD) is a critical aspect of modern radar systems that have widespread use in both civil and military fields. However, detecting targets in clutter and unfavorable conditions is challenging with conventional signal processing approaches such as Constant False Alarm Rate (CFAR). The harsh and complex environments in radar measurements make the target detection problem even more challenging when using traditional methods. Therefore, developing a reliable and robust RTD technique is crucial. This paper proposes an approach that incorporates Machine Learning (ML) with conventional methods to detect, separate, and classify real targets from noisy backgrounds in a real radar dataset by employing Fuzzy C-means (FCM) clustering to segment the Range Doppler Map (RDM) image into targets and background, then a feature extraction technique based on gray-level co-occurrence matrix (GLCM) and classify the targets using a support vector machine (SVM). The approach is based on an augmented Doppler Filter Bank (DFB) with RDM images and has been tested on a Frequency Modulated Continuous Wave (FMCW) radar mounted on an Unmanned Aerial Vehicle (UAV) for detecting ground targets. A flight was conducted in a challenging environment to evaluate the proposed system's performance. The experimental results demonstrate that the proposed approach outperforms existing methods in terms of classification accuracy. The proposed approach is also computationally efficient and can be easily implemented in realtime systems and has great potential in improving RTD performance in various applications.

Abstract

Radarowe wykrywanie celów (RTD) to krytyczny aspekt nowoczesnych systemów radarowych, które są szeroko stosowane zarówno w zastosowaniach cywilnych, jak i wojskowych. Jednak wykrywanie celów w bałaganie i niesprzyjających warunkach jest trudne przy konwencjonalnych metodach przetwarzania sygnału, takich jak stała częstość fałszywych alarmów (CFAR). Trudne i złożone środowiska w pomiarach radarowych sprawiają, że problem wykrywania celu staje się jeszcze większym wyzwaniem przy użyciu tradycyjnych metod. Dlatego kluczowe znaczenie ma opracowanie niezawodnej i solidnej techniki BRT. W tym artykule zaproponowano podejście, które łączy uczenie maszynowe (ML) z konwencjonalnymi metodami wykrywania, oddzielania i klasyfikowania rzeczywistych celów z hałaśliwego tła w prawdziwym zbiorze danych radarowych poprzez zastosowanie klastrowania rozmytych średnich C (FCM) w celu segmentacji mapy Range Doppler (RDM) ) na cele i tło, a następnie technikę ekstrakcji cech opartą na macierzy współwystępowania na poziomie szarości (GLCM) i klasyfikować cele za pomocą maszyny wektorów nośnych (SVM). Podejście to opiera się na rozszerzonym banku filtrów dopplerowskich (DFB) z obrazami RDM i zostało przetestowane na radarze fali ciągłej z modulacją częstotliwości (FMCW) zamontowanym na bezzałogowym statku powietrznym (UAV) w celu wykrywania celów naziemnych. Przeprowadzono lot w trudnym środowisku, aby ocenić wydajność proponowanego systemu. Wyniki eksperymentów pokazują, że proponowane podejście przewyższa istniejące metody pod względem dokładności klasyfikacji. Proponowane podejście jest również wydajne obliczeniowo i może być łatwo zaimplementowane w systemach czasu rzeczywistego oraz ma ogromny potencjał w zakresie poprawy wydajności RTD w różnych zastosowaniach

Słowa kluczowe

Keywords

Bibliografia

[1] T. Long, Z. Liang and Q. Liu, “Advanced technology of highresolution radar: Target detection, tracking, imaging, and recognition,” Science China. Inf. Sci, vol. i62 (4), no. i40301 pp. 1–26,2019.
[2] F. Gini, ‘‘Grand challenges in radar signal processing,’’ Frontiers Signal Process., vol. 1, pp. 1–6, 2021.
[3] E. Mason, B. Yonel and B. Yazici, ‘‘Deep learning for radar,’’ in Proc. IEEE Radar Conf. (RadarConf), Seattle, WA, USA, pp. i1703–1708, 2017.
[4] L. Wang, J. Tang and Q. Liao, “A study on radar target detection based on deep neural networks,” IEEE Sensors Letters, vol. 3, no. 3, pp. 1–4, 2019.
[5] P. Lang, X. Fu, M. Martorella, J. Dong, R. Qin et al., ‘‘A comprehensive survey of machine learning applied to radar signal processing,’’ arXiv :2009.13702, 2020.
[6] J. R. Machado-Fern´andez, N. Mojena-Hern´andez, and J. d. l. C.Bacallao-Vidal, “Evaluation of cfar detectors performance,” Iteckne,vol. 14, no. 2, pp. 170–178, 2017.
[7] Q. Qi and W. Hu, “One efficient target detection based on neural network under homogeneous and non-homogeneous background,” Inter-national Conference on Communication Technology Proceedings, ICCT, Chengdu, China, vol. 2017, pp. 1503–1507, 2018.
[8] H. Khalid, S. Pollin, M. Rykunov, A. Bourdoux and H. Sahli, “Convolutional Long Short-Term Memory Networks for Doppler-Radar based Target Classification,” In Proceedings of the 2019 IEEE Radar Conference, Boston, MA, USA, pp. 22– 26, 2019.
[9] J. Akhtar and K. E. Olsen, “Go-cfar trained neural network target detectors,” in 2019 IEEE Radar Conference (RadarConf), Boston, MA, USA, pp. 1–5, 2019.
[10] C. E. Thornton, M. A. Kozy, R. M. Buehrer, A. F. Martone and K. D. Sherbondy, ‘‘Deep reinforcement learning control for radar detection and tracking in congested spectral environments,’’ IEEE Trans. Cognit. Commun. Netw., vol. 6, no. 4, pp. 1335–1349, 2020.
[11]
[14] X. X. Zhu, D. Tuia, L. Mou, G.-S. Xia, L. Zhang, F. Xu and F. Fraundorfer, ‘‘Deep learning in remote sensing: A comprehensive review and list of resources,’’ IEEE Geosci. Remote Sens. Mag., vol. 5, no. 4, pp. 8–36, 2017.
[12] L. Zhang, L. Zhang and B. Du, ‘‘Deep learning for remote sensing data:A technical tutorial on the state of the art,’’ IEEE Geosci. Remote Sens.Mag., vol. 4, no. 2, pp. 22–40, 2016.
[13] L. Wang, J. Tang and Q. Liao, "A Study on Radar Target Detection Based on Deep Neuranbl Networks," in IEEE Sensors Letters, vol. 3, no. 3, pp. 1-4, 2019.
[14] H. Deng, Z. Geng and B. Himed, “Radar Target Detection Using Target Features and Artificial Intelligence,” 2018 Int. Conf. on Radar (RADAR), Brisbane, QLD, pp. 1-4, 2018.
[15] F. Yavuz and M. Kalfa, “Radar Target Detection via Deep Learning,” 2020 28 th IEEE Conf. on Signal Processing and Communications Applications (SIU), Gaziantep, Turkey, pp. 1- 4, 2020.
[16] J. Akhtar and K.Olsen “A Neural Network Target Detector with Partial CA-CFAR Supervised Training,” International Conference on Radar (RADAR), Brisbane, QLD, Australia, pp. 1-6, 2018.
[17] M. Mostafa, S. Zahran, A. Moussa, N. El-Sheimy and A. Sesay, “Radar and visual odometry integrated system aided navigation for UAVS in GNSS denied environment,”. Sensors, vol. 18(9), no. 2776, 2018.
[18] S. Zahran, M.Mostafa, A. Moussa and N. El-Sheimy, “Augmented Radar Odometry by Nested Optimal Filter Aided Navigation for UAVS in GNSS Denied Environment,”in 2021 International Telecommunications Conference, ITC-Egypt , Alexandria, Egypt, pp. 1-5, 2021.
[19] Ruspini, E.H.; Bezdek, J.C.; Keller, J.M. i“Fuzzy Clustering: A Historical Perspectiven”, IEEE Comput. Intell. Mag., 14, pp.45- 55, 2019.
[20] Liu, Q.; Liu, J; Li, M.; Zhou, Y. i“Approximation algorithms for fuzzy C-means problem based on seeding method, ”. Theor. Comput. Sci. 885, pp.146-158, 2021.
[21] Laleh Armi, Shervan Fekri-Ershad, “Texture image analysis and texture classification methods-A review”, arXiv preprint arXiv:1904.06554, 2019.
[22] Humeau-Heurtier, “A.Texture Feature Extraction Methods: A Survey”, IEEE Access, 7, pp 8975-9000, 2019.
[23] S Lee, Y. Yoon, J. Lee and S. Kim, “Human-vehicle classification using feature-based SVM in 77-GHz automotive FMCW radar”, IET Radar Sonar & Navigation., vol. 11, no. 10, pp. 1589-1596, 2017.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2023-12 , nr katalogowy 146726 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2023-12 licencja: Osobista Produkt cyfrowy Nowość	70.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2023-12

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma