DE19515666A1

DE19515666A1 - Radar-based object detection and classification method

Info

Publication number: DE19515666A1
Application number: DE19515666A
Authority: DE
Inventors: Martin Fritzsche
Original assignee: Daimler Benz AG
Current assignee: Mercedes Benz Group AG
Priority date: 1995-04-28
Filing date: 1995-04-28
Publication date: 1996-10-31

Abstract

The method involves associating a parametric adaptive time function with an object class, setting the parameters of this function from echoed radar signals of known objects during a training period, and maintaining those parameters during a classification phase. The set time function is used during the classification phase as a reference for received echoed radar signals. The adaptive time function is pref. realised as a superimposition of a number of adaptive Wavelet-time functions of shorter periods. The setting of the parameters is pref. performed by use of a neuronal network.

Description

Die Erfindung betrifft ein Auswerteverfahren zur Detektion und Klassifizierung vergrabener Objekte mittels eines Ra darverfahrens.The invention relates to an evaluation method for detection and classification of buried objects using an Ra procedure.

Neben magnetischen Sensoren zum Aufspüren vergrabener Me tallteile sind insbesondere zum Aufspüren von Leitungen und Kanälen unter der Erdoberfläche auch Radarverfahren (Georadar) im Einsatz. Die Radarechosignale werden im Re gelfall visuell dargestellt. Die Verarbeitung der Echosi gnale ist aufwendig und die Auswertung ist lediglich für erfahrene Personen und einfache Objekte zuverlässig. In addition to magnetic sensors to detect buried me tall parts are particularly useful for detecting lines and channels under the surface of the earth also radar methods (Georadar) in use. The radar echo signals are in the Re gelfall visualized. The processing of the Echosi gnale is complex and the evaluation is only for experienced people and simple objects reliable.

Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein Verfahren der eingangs genannten Art anzugeben, welches bei automatischer Klassifizierung zuverlässige Detektions- und Klassifikationsmeldungen ergibt und welches auf einfa che Weise neue Objektklassen in die Detektion und Klassi fizierung aufnehmen kann.The present invention is based on the object Procedure of the type mentioned at the beginning to specify which reliable detection with automatic classification and classification reports and which on simpl way new object classes in the detection and classi can take up.

Die Erfindung ist im Patentanspruch 1 beschrieben. Die Un teransprüche enthalten vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung.The invention is described in claim 1. The Un Claims contain advantageous refinements and Developments of the invention.

Die parametrisch adaptive Zeitfunktion ist durch die Be schränkung auf die Optimierung weniger Funktionsparameter in der Trainingsphase besonders geeignet zur einfachen und schnellen Aufnahme einer neuen Objektklasse in den Klassi fikator und bietet eine einfach und effektiv zu handha bende Referenz bei der Auswertung der Radarechosignale. Eine bevorzugte Ausführungsform des Verfahrens basiert auf der Verwendung adaptiver Wavelet-Funktionen, welche bei der Trainingsphase eine Einschränkung der zu optimierenden Parameter erlauben und daher besonders geeignet zur einfa chen und schnellen Aufnahme einer neuen Objektklasse in den Klassifikator sind und eine einfach und effektiv zu handhabende Referenz bei der Auswertung der Radarsignale bieten. Die Optimierung der Wavelet-Parameter wir mit Hilfe eines neuronalen Netzes vorgenommen. Aus den so er haltenen Wavelets wird durch Überlagerung ein Super-Wa velet gebildet, welches dann zur Klassifikation verwendet wird.The parametric adaptive time function is defined by the Be restriction to the optimization of fewer function parameters particularly suitable for simple and rapid inclusion of a new object class in the classi fikator and offers an easy and effective to handle bend reference when evaluating the radar echo signals. A preferred embodiment of the method is based on the use of adaptive wavelet functions, which with the training phase a restriction of the ones to be optimized Allow parameters and therefore particularly suitable for simple fast and quick inclusion of a new object class in are the classifier and one simple and effective too Handling reference when evaluating the radar signals Offer. We optimize the wavelet parameters Made with the help of a neural network. From the so he held wavelets becomes a super wa by overlay velet formed, which is then used for classification becomes.

Bevorzugt wird in der Trainingsphase die Einstellung der Parameter der Zeitfunktion mittels eines neuronalen Netz werks vorgenommen. In the training phase, preference is given to setting the Parameters of the time function using a neural network made at the factory.

Für die Lernphase können verschiedene parametrisch adap tive Funktionen, insbesondere mit unterschiedlichen Grund funktionen der Wavelets und/oder unterschiedlicher Anzahl überlagerter Wavelets zur Verfügung gestellt werden, um eine bessere Anpassung an die Rückstrahleigenschaften der Objekte einer Objektklasse zu erzielen. In der Lernphase werden Radarechosignale von bekannten Objektsituationen als Eingangssignal z. B. des neuronalen Netzwerks einge speist, um die für die Entdeckung und richtige Klassifi zierung optimale Einstellung der Funktionsparameter und evtl. auch Auswahl der Funktion zu ermitteln. Verschiedene Objekte können in getrennte Objektklassen und/oder gemein same Objektklassen eingruppiert sein. Ein Objekt kann u. U. auch in verschiedenen Objektklassen auftreten, z. B. bei je nach Orientierung stark unterschiedlichen Reflexionseigenschaften. Im Regelfall wird die Optimierung in der Lernphase für jede Objektklasse eine andere Funk tion und/oder einen anderen Parametersatz liefern.Various parametric adap tive functions, especially with different reasons functions of the wavelets and / or different numbers overlaid wavelets are provided to a better adaptation to the reflective properties of the To achieve objects of an object class. In the learning phase become radar echo signals from known object situations as an input signal z. B. the neural network feeds to those for discovery and correct classifi optimum setting of the function parameters and possibly also to determine the selection of the function. Various Objects can be in separate object classes and / or common same object classes. An object can U. also occur in different object classes, e.g. B. at each very different according to orientation Reflective properties. As a rule, the optimization a different radio for each object class in the learning phase tion and / or another parameter set.

Die bevorzugt als Referenzfunktion eingesetzte Überlage rung von mehreren Wavelet-Funktionen ist als Super-Wavelet an sich bekannt, z. B. aus "Neural network adaptive wa velets for signal representation and classification" von Szu/Kadambe in Optical Engineering, Sept. 92, Vol. 31 No. 9, S. 1907-1916. Zu dieser Literaturstelle, die hiermit einschließlich der darin angegebenen Referenzen als Quelle bekannter Informationen über Wavelet-Funktionen und deren Verarbeitung mit neuronalen Netzwerken mit eingeschlossen wird, sind Beispiele für adaptive Wavelet-Grundfunktionen (mother wavelet) gegeben, die als Parameter die Lage des Zentrums der Funktionen auf einer Zeitachse, die Dehnung oder Stauchung in Zeitrichtung und einen Amplitudenfaktor aufweisen. Durch Superposition mehrerer solcher Grundfunk tionen ist ein Super-Wavelet als adaptive Zeitfunktion ge geben. Beispiele für Signalverarbeitungsmöglichkeiten in der Trainingsphase und in der Klassifizierungsphase, die auch bei der vorliegenden Erfindung anwendbar sind, sind im Detail erläutert. Die Erfindung ist aber nicht auf die dort angegebenen Wavelet-Funktionen beschränkt.The overlay preferably used as a reference function tion of several wavelet functions is called a super-wavelet known per se, e.g. B. from "Neural network adaptive wa velets for signal representation and classification "by Szu / Kadambe in Optical Engineering, Sept. 92, Vol. 31 No. 9, pp. 1907-1916. About this reference, which is hereby including the references given therein as a source Known information about wavelet functions and their Processing with neural networks included are examples of adaptive wavelet basic functions (mother wavelet) given the position of the Center of functions on a timeline, the stretch or compression in the time direction and an amplitude factor exhibit. By superposition of several such basic radio a super-wavelet as an adaptive time function give. Examples of signal processing options in the training phase and in the classification phase, the are also applicable to the present invention explained in detail. However, the invention is not based on the Wavelet functions specified there limited.

Die Wavelet-Funktionen sind im Zeit- und Frequenzbereich konzentrierte Funktionen, im Unterschied z. B. zu periodi schen Funktionen. Konzentration der Funktion bedeutet, daß ein Hauptteil der Energie der Funktion, z. B. 90 Prozent in einem kleinen zusammenhängenden Bereich um ein Funktions maximum konzentriert ist.The wavelet functions are in the time and frequency domain concentrated functions, in contrast z. B. too periodi functions. Concentration of function means that a major part of the energy of the function, e.g. B. 90 percent in a small contiguous area around a functional maximum concentrated.

Die Erfindung macht sich die Erkenntnis zunutze, daß die an sich bekannten Super-Wavelets mit neuronalen Netzwerken besonders günstig bei einem Georadar-Verfahren zur Detek tion und Klassifikation von Objekten unter der Erdoberflä che einsetzbar sind. Bevorzugte Anwendungen sind insbeson dere Tiefbau, Umwelttechnik, Altlastensanierung oder Kampfmittelräumung (demining).The invention makes use of the knowledge that the known super-wavelets with neural networks particularly favorable with a georadar method for detection tion and classification of objects under the surface of the earth che can be used. Preferred applications are in particular other civil engineering, environmental technology, remediation or Explosive ordnance clearance (demining).

In Fig. 1 ist der Amplitudenverlauf eines Radarechosignals über der Zeit t in einer Zielsituation mit einem bekannten Objekt gezeichnet. Das Echosignal wurde dabei bereits ei ner üblichen Vorverarbeitung unterworfen, die insbesondere eine laufzeitabhängige Verstärkung einschließt. Der be trachtete Zeitbereich, dem ein Entfernungsbereich und da mit eine Detektionstiefe zugeordnet werden kann, sei in 512 Abtastintervalle unterteilt. In Fig. 2 ist zum Ver gleich der Amplitudenverlauf für eine Nicht-Ziel-Situation skizziert.In Fig. 1 of the amplitude characteristic is a radar echo signal over the time t in a target situation with a known object drawn. The echo signal has already been subjected to customary preprocessing, which in particular includes runtime-dependent amplification. The time range considered, to which a distance range and since a depth of detection can be assigned, is subdivided into 512 sampling intervals. In Fig. 2, the amplitude curve for a non-target situation is outlined for comparison.

Fig. 3 zeigt ein aus einem Trainingsset von Echosignalen aus einer Mehrzahl von Zielsituationen und Nicht-Ziel-Si tuationen mittels eines neuronalen Netzwerks optimiertes adaptives Super-Wavelet als eine Zeitfunktion mit einer vorgebbaren Anzahl von Stützstellen als Referenz für die Klassifikationsphase. Der Referenzfunktion ist eine Über lagerung von z. B. 8 adaptiven Wavelets, die durch jeweils 3 Parameter definiert sind: Position in Zeitrichtung, ein Frequenzparameter (Skalenfaktor) sowie eine Amplitude. Die einzelnen Wavelets sind beispielsweise die aus der genann ten Literatur bekannten Gaborfunktionen. Die Verknüpfung dieser Zeitfunktion mit den Amplitudenverläufen von Echo signalen kann beispielsweise durch Bildung eines Innenpro duktes von Referenzfunktion und Echosignal erfolgen. Durch Beschränkung auf jeden N-ten Abtastwert (z. B. N=4) des Echosignals und eine entsprechende geringe Anzahl der Stütz stellen der Referenzfunktion kann der Verar beitungsaufwand in Trainings- und Klassifizierungsphase reduziert werden. Das erhaltene Innenprodukt wird mit Hilfe einer Sigmoidfunktion auf einen Wertebereich zwi schen 0 und 1 abgebildet und kann einem Vergleich mit ei nem vorgebbaren Schwellwert unterzogen werden. Eine andere vorteilhafte Möglichkeit der Verknüpfung kann vorsehen, eine Kreuzkorrelationsfunktion (KKF) zwischen Referenz funktion und Amplitudenverlauf von Echosignalen zu bilden, bei welcher dann das Funktionsmaximum der KKF dem Schwellwertvergleich zu unterziehen wäre. Eine Ausdünnung von Stütz stellen und/oder Abtastwerten wie beschrieben ist bei der Bildung der KKF möglich. Fig. 3 shows a from a training set of echo signals from a plurality of target situations and non-target-Si situations optimized by means of a neural network adaptive Super wavelet as a function of time with a predefined number of support points as a reference for the classification phase. The reference function is an overlay of z. B. 8 adaptive wavelets, each defined by 3 parameters: position in the time direction, a frequency parameter (scale factor) and an amplitude. The individual wavelets are, for example, the gabor functions known from the literature mentioned. This time function can be linked to the amplitude profiles of echo signals, for example, by forming an inner product of the reference function and the echo signal. By restricting it to every Nth sample value (e.g. N = 4) of the echo signal and a correspondingly small number of support points of the reference function, the processing effort in the training and classification phase can be reduced. The inner product obtained is mapped to a value range between 0 and 1 with the aid of a sigmoid function and can be subjected to a comparison with a predeterminable threshold value. Another advantageous possibility of linking can provide a cross-correlation function (KKF) between the reference function and the amplitude profile of echo signals, in which case the maximum function of the KKF would have to be subjected to the threshold value comparison. A thinning of support points and / or samples as described is possible when forming the KKF.

Durch einen solchen Schwellwertvergleich kann eine Unter scheidung zwischen Zielsituation und Nicht-Ziel-Situation oder bei Vorgabe mehrerer Objektklassen zusätzlich zwi schen unterschiedlichen Objekten getroffen werden. Die objektklassenbezogenen Ausgangswerte eines Klassifikators können aber auch ohne ja-nein-Entscheidung als Wahrscheinlichkeitsaussagen für das Vorliegen unterschied licher Objekte weiterverarbeitet oder angezeigt werden.Such a threshold comparison enables a sub distinction between target situation and non-target situation or additionally between two object classes different objects. The Object class-related initial values of a classifier can also as without a yes-no decision Probability statements for the existence differed objects are processed or displayed.

Fig. 4 zeigt Ausgangswerte A eines Klassifikators für je weils eine Gruppe von Zielsituationen und Nicht-Ziel-Si tuationen aus der Trainingsphase für eine Objektklasse. Durch die gute Einstellung der Parameter der adaptiven Zeitfunktionen liegen alle Ausgangswerte bei oder nahe an den Idealwerten A=1 bzw. A=0. Fig. 4 shows output values A of a classifier for each a group of target situations and non-target situations from the training phase for an object class. Due to the good setting of the parameters of the adaptive time functions, all output values are at or close to the ideal values A = 1 or A = 0.

Claims

1. A method for the detection and classification of buried objects by means of a radar method, characterized in that a parametrically ad aptive time function is specified for an object class , that objects are set during a training phase using radar echo signals of known objects and then retained for a classification phase and that in the classification phase the time function set in this way is used as a reference for radar echo signals.

2. The method according to claim 1, characterized in that for the adaptive time function, a superposition of several adaptive wavelet time functions of shorter duration selected becomes.

3. The method according to claim 1 or claim 2, characterized ge indicates that the parameters are set using a neural network is made.

4. The method according to any one of claims 1 to 3, characterized characterized in that the adaptive time function and Am Plititude-time profiles of the radar echo signals as vectors can be linked to an internal product.

5. The method according to any one of claims 1 to 3, characterized characterized that each have a cross-correlation function of adaptive time function and amplitude-time profiles is formed by radar echo signals.

6. The method according to claim 4 or 5, characterized in net that the inner product or the main maximum of the cross correlation function with an adjustable threshold is compared.

7. The method according to claim 6, characterized in that the threshold is set in the training phase.

8. The method according to any one of claims 1 to 7, characterized characterized in that several object classes are specified, for the parameters separately in the training phase a time function set and in the classification phase the radar echo signals with the time function in Relationship.