Исследование возможностей автоматической классификации подвижных объектов по дифракционным сигналам

Актуальность темы

.

Радиотехнические системы различных типов, позволяющие осуществлять детектирование движущихся объектов различных типов, достаточно распространены [9, 15, 20, 21, 28, 34, 38, 39, 96, 97, 108, 118]. Кроме этого в литературе (по большей части зарубежной) описываются различные разновидности систем автоматической классификации объектов: радарные измерители высотного профиля цели [120], индуктивные циклические датчики [106], видеокамеры [117], лазерные сенсоры и радарные сенсоры [94], системы, использующие радиоизображения и радиоголографию [40, 44, 79, 88, 93]. Следует отметить, что возможная область применения систем автоматической классификации подвижных объектов довольно широка: автоматический контроль пересечения условной границы (например, в охранных системах или при сборе пошлины за проезд), автоматический контроль скорости автомобилей, обеспечение безопасного пересечения узких туннелей, сбор различной статистической информации, применение в военных целях (например, для проведения разведки и получения сведений о противнике) и.т.д.

Широкое применение в описанных системах нашли специальные алгоритмы автоматической классификации. Эти алгоритмы предназначены для разбиения множества объектов на заданное или заранее неизвестное число однородных классов. При этом результат работы алгоритма оценивается на основании некоторого математического критерия качества классификации.

Особый интерес представляет применение алгоритмов автоматической классификации в радиолокационных системах [98−100, 108, 113, 114, 115, 119]. В каждой такой системе обычно приходится решать задачу классификации и распознавания обнаруженных целей. Исследование критериев оценки качества классификации с целью выбора алгоритма АК и пространства признаков, в конечном итоге может привести к повышению эффективности той системы, в рамках которой применяются методы автоматической классификации.

В диссертационной работе исследуются возможности автоматической классификации подвижных объектов, находящихся на поверхности земли, по их дифракционным сигналам. Для получения информации используется двухпозиционная радарная система с прямым рассеянием [1, 28, 36, 37, 41, 46, 53, 57, 58, 69, 86, 87, 89, 96, 97, 108]. Большое внимание в работе уделяется разработке и модернизации алгоритмов классификации, позволяющих получить высокую вероятность правильной классификации и, следовательно, свести к минимуму ошибки. В качестве объектов для классификации используется автомобильная техника. При этом автомобили отличаются размерами и формой кузова. Тема диссертации представляется актуальной в связи с важностью задачи автоматической классификации подвижных объектов в целом, а также с отсутствием в отечественной литературе четких алгоритмов проведения такой классификации на базе радиотехнических систем с прямым рассеянием.

Цель работы.

Целью данной диссертационной работы является исследование возможностей автоматической классификации подвижных объектов по их дифракционным сигналам, а также тестирование предложенных методов классификации в реальных условиях.

Задачи исследования.

1. Создание базы данных, содержащей информацию по нескольким классам автомобилей, данные из которой можно использовать для классификации новых автомобилей.

2. Разработка алгоритмов для проведения классификации неизвестного автомобиля, попавшего в поле облучения радара, на основе сравнения полученных данных с данными из базы данных.

3. Разработка метода приближенного определения скорости автомобилей при помощи радара с прямым рассеянием для дальнейшего использования в алгоритме классификации.

4. Проведение тестовых испытаний в реальных условиях и сбор большого количества статистической информации для дальнейшего использования в базе данных, а также для проверки точности предложенных алгоритмов.

Научная новизна.

Научная новизна диссертационной работы заключается в следующем:

1. Автоматическая классификация подвижных объектов проводится на базе радара с прямым рассеянием (двухпозиционного). Предложенная система обладает рядом преимуществ как по сравнению с радаром с обратным рассеянием (однопозиционным), так и по сравнению с другими системами автоматической классификации.

2. В процессе работы были предложены несколько методов для определения скорости автомобиля с помощью радара с прямым рассеянием на основе обработки сигнала, поступившего в приемник. Из этих методов был выбран наилучший, а погрешность определения скорости составляла не более 15%.

3. Для проведения классификации используется специальный математический метод — метод анализа главных компонент. Идея метода заключается в уменьшении количества переменных, описывающих какую-либо зависимость, при сохранении основных особенностей поведения модели. Применение анализа главных компонент при решении задачи автоматической классификации позволяет сильно упростить процесс обработки информации, обеспечивая при этом достаточно высокую точность. 4. Для проведения автоматической классификации автомобилей был разработан алгоритм, позволяющий решать следующие задачи:

• Определение принадлежности автомобиля к заданному конкретному типу.

• Определение принадлежности автомобиля к одному из заранее определенных классов в базе данных.

Основные положения, выносимые на защиту.

1. Алгоритм определения скорости автомобилей с помощью радиотехнической системы с прямым рассеянием.

2. Модификация метода анализа главных компонент, использующаяся для проведения процесса классификации автомобилей и способы повышения точности метода.

3. Схема процесса формирования базы данных, содержащей необходимую информацию по объектам.

4. Алгоритм классификации, позволяющий решить задачу принадлежности автомобиля к заданному конкретному типу.

5. Алгоритм классификации, позволяющий решить задачу принадлежности автомобиля к одному из классов в базе данных.

6. Результаты, полученные при проверке алгоритмов классификации в реальных условиях.

Практическая значимость работы.

Практическая значимость диссертационной работы заключается в следующем:

1. Было проведено исследование возможности автоматической классификации подвижных объектов на базе радиотехнических систем с прямым рассеянием.

2. Алгоритм измерения скорости автомобилей при помощи двухпозиционного радара может найти применение в реальных условиях.

3. В процессе работы была получена большая база данных, содержащая статистическую информацию по различным видам автомобильной техники, прошедшую специальную математическую обработку. Эта информация может быть использована в дальнейшем при решении различных задач классификации.

4. Алгоритмы автоматической классификации объектов, предложенные в работе, могут применяться для решения различных практических задач.

Апробация работы.

Основные материалы по разделам диссертационной работы докладывались на следующих конференциях: всероссийской научно-практической конференции «Охрана, безопасность и связь» Воронежский Институт МВД (г. Воронеж, 2005) — XII — ой международной научно-технической конференции «Радиолокация, навигация и связь» (г. Воронеж, 2006) — международной научно-практической конференции «Современные проблемы борьбы с преступностью» Воронежский Институт МВД (г. Воронеж, 2006) — научной сессии ВГУ (г. Воронеж, 2006) — V Международной научно-технической конференции «Физика и технические приложения волновых процессов» (г. Самара, 2006). Основные теоретические и практические результаты работы реализованы в виде алгоритмов, программ и моделей и использовались при разработке программного обеспечения в группе компаний Голден Телеком на предприятиях ЗАО «Коминком.

Черноземье" и Воронежском филиале ООО «СЦС Совинтел» (акт внедрения от 10 октября 2006 г.) — ООО научно-производственное предприятие «НФЛ» (акт внедрения от 15 сентября 2006 г.). Содержащиеся в работе научные результаты и комплексы программ были использованы в учебном процессе на кафедре РТС Воронежского института МВД России (акт внедрения от 9 октября 2006 г.).

Публикации.

Основные результаты автора диссертации опубликованы в 11 печатных работах [121−131].

Структура и объем работы.

Диссертация состоит из введения, четырех глав и заключения, изложенных на 156 страницах машинописного текста (основной текст занимает 125 страниц), 63 иллюстраций на 63 листах, 2 таблиц на 2 листах, списка литературы из 131 наименования на 13 листах и приложения на 18 листах.

Результаты исследования, приведенные в предыдущей главе, позволяют оценить скорость любого автомобиля в поле радара. Предлагается следующий порядок приведения графика для неизвестного автомобиля к одному масштабу по скорости:

1) Прежде всего, следует оценить скорость автомобиля, используя связь скорости с числом пересечений нулевого уровня.

2) Затем нужно определить длину автомобиля из соотношения для ширины главного лепестка, 5f= v/l.

3) График в частотной области приводится к масштабу с одинаковой скоростью с использованием того же соотношения.

В данной работе каждый новый график приводился к тому же самому известному масштабу по скорости перед классификацией.

4.3 Основные этапы создания базы данных.

Изначально было выделено два основных направления применения для систем классификации: классификация по особенностям (позволяющая определить, к примеру, является ли неизвестный автомобиль Honda Civic или Renault Traffic) и классификация по классам автомобилей (городской автомобиль, семейный автомобиль, минивен или фургон) [127]. Далее представлены методы, позволяющие создать базы данных, удовлетворяющие обоим условиям. Помимо этого показано, как эти базы используются для классификации автомобилей. Несмотря на то, что два указанных выше требования принципиально отличаются, был разработан один метод, позволяющий выполнить оба условия.

На рис. 4.2 показана общая процедура, используемая для создания базы данных, причем каждая секция диаграммы объяснена ниже.

4.3.1 Подготовка данных в частотной области.

Было рассмотрено по двадцать два графика для каждого из четырех классов автомобилей, перечисленных ранее, данные для всех автомобилей были приведены к общей скорости с использованием соотношения для ширины главного лепестка, 8/=уИ. Средняя скорость автомобилей при проведении испытаний составляла примерно 9 м/с. Это значение было выбрано как общая скорость, к которой должны быть приведены все данные перед проведением классификации. Ширина главного лепестка для каждого из классов автомобилей была получена следующим образом: Длина минивена = 4,3 м Ширина лепестка = 9/4,3 = 2,1 Гц Длина фургона = 4,8 м Ширина лепестка = 9/4,8 = 1,9 Гц Длина семейного автомобиля = 4,1 м Ширина лепестка = 9/4,1 = 2,2 Гц Длина городского автомобиля = 3,7 м Ширина лепестка = 9/3,7 = 2,4 Гц.

На рис. 4.3−4.6 отображены нормированные данные в частной области для четырех классов автомобилей. Каждая из линий на рисунке соответствует графику в частотной области для автомобиля, пересекшего г < «>

Рис. 4.2: Процесс создания базы данных.

4 6.

Частота, Гц.

Рис. 4.3: Данные в частотной области для класса фургонов.

4 6.

Частота, Гц.

Рис. 4.4: Данные в частотной области для класса минивенов 4 V.

Ж.:.:

Ж', ¦

Ш'.

У’г.

III /.

ЩЩ/.

Ж№ ш ч?' / о.

4 6.

Частота, Гц 8.

Рис. 4.5: Данные в частотной области для класса семейных автомобилей.

Частота, Гц.

Рис. 4.6: Данные в частотной области для класса городских автомобилей поле радара. Ширина главного лепестка для каждого класса согласно представленным выше выкладкам была приведена к соответствующей ширине, относящейся к скорости в 9 м/с. После приведения к общей скорости, основные характеристики на графиках становятся постоянными внутри отдельного класса, но отличаются для разных классов. К примеру, графики для класса фургонов имеют более волнистую форму по сравнению с классом минивенов. Кривые, описывающие семейные автомобили, имеют большой провал после основного максимума.

Приведенные утверждения иллюстрируют ключевую проблему, возникающую при попытке использовать данные в частотной области для классификации автомобилей. Различие между графиками достаточно велико. Достаточно сложно качественно определить, какие характеристики получены в частотной области, для того чтобы отнести новую кривую, например, к классу фургонов или минивенов.

4.3.2 Применение метода анализа главных компонент.

В основе метода, используемого для проведения автоматической классификации, лежат математические основания теории распознавания образов [4, 13, 22, 23, 40, 44, 61, 76, 79, 82, 88, 109]. Общая идея заключается в использовании определенного характеристического признака в некотором математическом пространстве, позволяющего достаточно полно описать отдельный класс объектов. Метод анализа главных компонент дает возможность уменьшить размерность набора данных, описывающих какую-либо зависимость, при сохранении основных особенностей поведения модели [30, 70, 110, 128]. Такое уменьшение достигается за счет перехода к новому набору некоррелированных переменных (главным компонентам), которые упорядочены таким образом, что основные особенности поведения исходных данных сохраняются в нескольких новых переменных.

Рассмотрим математические основания метода. Расчеты проводятся при использовании декомпозиции по главному значению (ДГЗ). Пусть у нас есть матрица, А размером тхп (в данной диссертационной работе это будет неизменная матрица т наблюдений за п переменными). Тогда эту матрицу можно представить в следующем виде: А = ?У?УГ, где V — ортогональная матрица размером тхп- 51 — диагональная матрица с положительными или нулевыми элементамиV — ортогональная матрица размером пхп. Такое разложение матрицы, А называется декомпозицией по главному значению [14].

В нашем случае матрица, А имеет размер тхп, где тчисло графиков в частотной области, использующихся в базе данных, а пчисло используемых частотных компонент, соответствующих первым 10 Гц, содержащим полезную доплеровскую информацию. В результате применения ДГЗ получаются две полезные матрицы? и V, причем? называется матрицей остатков и содержит собственные числа ковариационной матрицы данных в частотной области, а V называется матрицей главных компонент (ГК) и содержит в своих столбцах главные компоненты данных в частотной области. Перед использованием алгоритма ДГЗ, данные в частотной области были приведены, за счет удаления средних компонент из каждого столбца. Умножение матрицы ГК на матрицу с приведенными исходными данными дает в результате матрицу меток, значение которой будет объяснено позже.

Нет смысла использовать полную матрицу главных компонент в алгоритме классификации, а достаточно задействовать лишь несколько ее элементов. Тем не менее, не существует универсального математического метода для определения нужного количества главных компонент. Один из простых методов, предложенный Джоллифе [110], заключается в том, чтобы выбрать определенный процент всех нужных элементов исходных данных, которые были бы отображены в избранных главных компонентах, к примеру, 80% или 90%. Тогда необходимое количество ГК — это то наименьшее значение, для которого этот процент превышен. В связи с простотой отображения, построения графиков и обработки данных в двух измерениях (на плоскости) и, в меньшей степени, в трех (в трехмерном пространстве), количество ГК, используемых в нашем случае, всегда остается равным двум или трем.

При использовании алгоритма главных компонент (АГК) в Matlab [30], на выходе получается пхп матрица, столбцы которой являются ГК (здесь празмерность исходных данных). Перевод данных в пространство главных компонент осуществляется за счет умножения матрицы исходных данных на матрицу ГК. В результате такого умножения получается матрица меток, имеющая тот же размер, что и исходный набор данных, при этом ее столбцы связаны непосредственно с главными компонентами набора данных.

4.4 Формирование различных баз данных и классификация.

Как было сказано ранее, одно из требований к системе — возможность классификации автомобилей по их особенностям. Чтобы удовлетворить этому требованию, была создана база данных с результатами измерений для одиночного автомобиля, соответствующая одному ряду из диаграммы на рис. 4.2.

4.4.1 Создание базы данных для одиночного автомобиля.

Частотные данные для минивена Vauxhall Combo, показанные на рис. 4.4, использовались для создания примера базы данных. К этим данным был применен метод анализа главных компонент и полученный результат отражен на рис. 4.7. На оси X отображены метки, соответствующие первой главной компоненте (ГК1), а на оси Y — второй (ГК2). Отдельные точки являются метками каждого частотного графика из исходного набора данных в пространстве первых двух главных компонент. Рисунок показывает, что данные попадают в область, которая хорошо определяется эллипсом, окружающим точки. Таким образом, новый график тоже может быть классифицирован либо как Vauxhall Combo, либо нет, в зависимости от того, попадет он внутрь эллипса или останется за пределами последнего. Учитывая это, последующие базы данных также создавались для других автомобилей с возможностью принятия решения: соответствует ли новый график автомобилю в базе данных или нет.

На рис. 4.8 показаны аналогичные результаты для фургона Renault Traffic.

4.4.2 Создание базы данных для двух классов автомобилей.

Приведенное выше второе требование к системе классификации заключалось в определении принадлежности неизвестного автомобиля к одному из нескольких классов. При разработке множественной базы автомобилей вновь использовался метод анализа главных компонент. Первоначально, был проведен АГК для класса городских автомобилей и фургонов. Данные в частотной области, использованные в методе, показаны на рис. 4.9. Здесь синим показаны данные для класса фургонов, а краснымдля класса городских автомобилей.

Результат применения метода АГК показан на рис. 4.10. На оси X отображены метки, соответствующие первой главной компоненте (ГК1), а на оси Y — второй (ГК2). Отдельные точки являются метками каждого частотного графика из исходного набора данных в пространстве первых двух.

10 to о.

Гн.

— 10.

— 20.

— 30 ¦¦ Л ¦ ¦ ¦ ¦ ¦ ¦ ¦ * ¦

V * ¦ 4 ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ *.

— 40 -30 -20.

— 10 0.

ГК1.

10 20 30 40.

Рис. 4.7: База данных для одиночного автомобиля Vauxhall Combo.

Рис. 4.8: База данных для одиночного автомобиля Renault Traffic.

4 6.

Частота, Гц.

Рис. 4.9: Объединенные данные для класса городских автомобилей и фургонов.

30 20 10 0 й -10 -20 -30 -40 -50.

— 50 -40 -30 -20 -10 0 10 20.

ГК1.

Рис. 4.10: Метки ГК1 и ГК2 при использовании алгоритма АГК .*. г. ±-я г! главных компонент. Результат получился хорошим, поскольку метки для разных классов попали в хорошо разделенные области.

На рис. 4.11 показан процент вариаций исходных данных, задаваемый семью первыми ГК. ГК упорядочены таким образом, что в первых из них заложена большая часть вариаций исходных данных. Причем, как видно из рисунка, первые две компоненты содержат -80% всех вариаций. В этом случае использования первых двух ГК достаточно для различия между двумя классами автомобилей в базе данных.

Важно понять, как ГК соотносятся с исходными данными. Таблица 2 отображает значения первых двух ГК, рассчитанных с использованием данных, приведенных на рис. 4.9. Следует отметить, что это всего лишь набор представляющих интерес коэффициентов, а не точные значения. В правой колонке для каждой из ГК знак '+' или соответствует коэффициентам, модуль которых больше половины максимального коэффициента для соответствующей ГК. Знаки '(+)' или '(-)' характеризуют коэффициенты, модули которых лежат между четвертью и половиной максимального модуля интересующей ГК. Другими значениями коэффициентов мы пренебрегли, оставив пустое место в таблице. Левая колонка для каждой из ГК в таблице отображает значение на соответствующей частоте.

При сравнении данных по главным компонентам из таблицы 2 с исходными данными, приведенными на рис. 4.9, можно обнаружить основные закономерности поведения ГК и то, как они соотносятся с расположением меток на рис. 4.10. Первая ГК, например, принимает положительные значения на частоте 2,5 Гц и далее в интервале частот от 4 до 5 Гц. На рис. 4.9 в этих частотных областях хорошо заметно разделение между двумя классами автомобилей, что и соответствует положительным значениям ГК. Вторая ГК принимает положительные значения в интервалах частот от 1,5 до 2 Гц и от 3 до 3,3 Гц, а также на высоких частотах. В этих.

Рис. 4.11: Вариации, сохраняемые при помощи ГК.

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе проводилось исследование возможностей автоматической классификации подвижных объектов на базе бистатической радарной системы с прямым рассеянием. В качестве таких объектов использовались автомобили. Полученные результаты позволяют утверждать, что поставленные цели и задачи исследования были достигнуты.

Первым существенным результатом работы является алгоритм для оценки скорости автомобиля с помощью радара с прямым рассеянием. Первоначально была попытка оценки скорости, используя сравнение формы сигнала, полученного теоретически, с формой сигнала, полученного при испытаниях. И хотя этот метод не сработал, часть идей и принципов можно было использовать впоследствии для успешной оценки скорости автомобиля. Далее для этой цели использовался оцифрованный по градиенту сигнал во временной области. Грубый первоначальный этап модели был необходим для подсчета количества пересечений сигналом нулевого уровня в секунду. Эта грубость в дальнейшем компенсировалась тщательным отбором диапазона данных, включенных в подсчет нулевых пересечений, что дало возможность повысить точность оценки скорости. Результат алгоритма отражен в полученном линейном соотношении между числом нулевых пересечений в секунду и скоростью автомобиля. При этом погрешность измерений составляла не более 15%. Следует также подчеркнуть, что полученный алгоритм полезен в первую очередь как инструмент, позволяющий в дальнейшем проводить классификацию автомобилей.

В дальнейшем можно провести дополнительную модернизацию алгоритма оценки скорости, за счет более тщательного отбора данных, используемых при подсчете нулевых пересечений. Учет направления движения автомобиля может также дать выигрыш в точности.

Для проведения классификации автомобилей была сформирована база данных и разработан алгоритм, удовлетворяющей двум требованиям: осуществлять классификацию отдельной модели (например, неизвестный автомобиль определялся как Renault Traffic) и осуществлять классификацию по принадлежности к одному из основных классов (например, неизвестный автомобиль определялся как принадлежащий к классу городских автомобилей).

Метод классификации, удовлетворяющий первому требованию, успешно работает при наличии существенной разницы между различными автомобилями, но в то же время дает не такие хорошие результаты при сравнении автомобилей одного класса, имеющих незначительные отличия. Метод классификации, удовлетворяющий второму требованию, работает очень хорошо. Тесты показали способность системы определять класс автомобилей как тот, к которому они ближе всего из присутствующих в базе. Это было проиллюстрировано в процессе испытаний классификацией набора автобусов как фургонов.

Существует возможность для модернизации в дальнейшем обоих методов классификации. Одно из направлений — использование более точной оценки скорости. Это позволит точнее нормировать (масштабировать) данные в частотной области и, в результате получать лучшую классификацию.

Метод классификации, использованный в алгоритмах, относительно прост по своей идее — определить попал ли новый график внутрь классифицирующего эллипса в первом случае, и определить усредненную точку, к которой новая точка находится ближе всего во втором случае. В работе исследовалась возможность классификации автомобилей с помощью бистатического радара, поэтому говорить о практической применимости алгоритмов пока преждевременно. Тем не менее, определенные наработки могут быть использованы для создания системы автоматической классификации, работающей в реальных условиях.

Система и алгоритмы классификации, удовлетворяющие первому требованию, могут быть расширены, чтобы иметь возможность классифицировать большее количество автомобилей. Для каждого нового автомобиля (или класса) можно сформировать отдельную базу данных, позволяющую проводить классификацию без использования других баз. Добавление нового автомобиля в базу, созданную чтобы удовлетворить второму требованию, более проблематично, поскольку данные должны быть тщательно отобраны для получения разделения по группам точек в пространстве главных компонент. Если разделение по группам не будет получено при добавлении большего числа автомобилей в базу, необходимо будет использовать большее число компонент, чтобы добиться правильной классификации.

В будущем с целью увеличения точности классификации при формировании базы можно использовать разделение информации для автомобилей, пришедших в область радара слева и автомобилей пришедших справа.

Также в качестве положительного результата данной работы можно отметить создание большой базы с данными, полученными в процессе эксперимента. Это дает возможность ответить на интересный вопрос о влиянии на систему внешних условий.

Тесты, проводимые в течение нескольких дней, отличались достаточно сильно. Рассматривалось два случая взаимного расположения антенн (перпендикулярно и под углом к проезжей части) для определения чувствительности системы к воздействию окружения. Результат был получен положительный — система показала способность к корректной работе при изменении ее положения и переносе на разные стороны дороги.