Reconnaissance automatique des cibles: Progrès des techniques de vision par ordinateur pour la reconnaissance de cibles

Par Fouad Sabry

Qu'est-ce que la reconnaissance automatique de cible

La capacité d'un algorithme ou d'un dispositif à reconnaître des cibles ou d'autres objets sur la base des données acquises à partir de capteurs est appelée reconnaissance automatique de cible, un abréviation de ces fonctionnalités.

Comment vous en bénéficierez

(I) Informations et validations sur les sujets suivants :

Chapitre 1 : Reconnaissance automatique de cibles

Chapitre 2 : Vision par ordinateur

Chapitre 3 : Radar

Chapitre 4 : Radar Doppler

Chapitre 5 : Radar à synthèse d'ouverture

Chapitre 6 : Radar d'imagerie

Chapitre 7 : Formation de faisceaux

Chapitre 8 : Radar à impulsions-Doppler

Chapitre 9 : Radar passif

Chapitre 10 : Radar inversé à synthèse d'ouverture

(II) Répondre aux principales questions du public sur la reconnaissance automatique de cible.

(III) Monde réel exemples d'utilisation de la reconnaissance automatique de cibles dans de nombreux domaines.

À qui s'adresse ce livre

Professionnels, étudiants de premier cycle et des cycles supérieurs, passionnés, amateurs et ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type de reconnaissance automatique de cible.

 

 

• Langue: Français
• Éditeur: Un Milliard De Personnes Informées [French]
• Date de sortie: 4 mai 2024

Aperçu du livre

Reconnaissance automatique des cibles

Progrès des techniques de vision par ordinateur pour la reconnaissance de cibles

Fouad Sabry est l'ancien responsable régional du développement commercial pour les applications chez Hewlett Packard pour l'Europe du Sud, le Moyen-Orient et l'Afrique. Fouad est titulaire d'un baccalauréat ès sciences des systèmes informatiques et du contrôle automatique, d'une double maîtrise, d'une maîtrise en administration des affaires et d'une maîtrise en gestion des technologies de l'information, de l'Université de Melbourne en Australie. Fouad a plus de 25 ans d'expérience dans les technologies de l'information et de la communication, travaillant dans des entreprises locales, régionales et internationales, telles que Vodafone et des machines professionnelles internationales. Actuellement, Fouad est un entrepreneur, auteur, futuriste, axé sur les technologies émergentes et les solutions industrielles, et fondateur de l'initiative One Billion Knowledge.

Un milliard de connaissances

Reconnaissance automatique des cibles

Progrès des techniques de vision par ordinateur pour la reconnaissance de cibles

Fouad Sabry

Copyright

Reconnaissance © automatique des cibles 2024 par Fouad Sabry. Tous droits réservés.

Aucune partie de ce livre ne peut être reproduite sous quelque forme que ce soit ou par quelque moyen électronique ou mécanique que ce soit, y compris les systèmes de stockage et de récupération d'informations, sans l'autorisation écrite de l'auteur. La seule exception est celle d'un critique, qui peut citer de courts extraits dans une critique.

Couverture dessinée par Fouad Sabry.

Bien que toutes les précautions aient été prises dans la préparation de ce livre, les auteurs et les éditeurs n'assument aucune responsabilité pour les erreurs ou omissions, ou pour les dommages résultant de l'utilisation des informations contenues dans le présent document.

Table des matières

Chapitre 1 : Reconnaissance automatique des cibles

Chapitre 2 : Vision par ordinateur

Chapitre 3 : Radar

Chapitre 3 : Radar Doppler

Chapitre 5 : Radar à synthèse d'ouverture

Chapitre 8 : Radar imageur

Chapitre 7 : Formation de faisceaux

Chapitre 8 : Radar Doppler à impulsions

Chapitre 9 : Radar passif

Chapitre 10 : Radar à synthèse d'ouverture inversée

Appendice

À propos de l'auteur

Chapitre 1 : Reconnaissance automatique des cibles

Le terme « reconnaissance automatique de cible » (ATR) fait référence à la capacité d'un algorithme ou d'un dispositif à identifier une cible ou un autre objet à partir des données du capteur.

Aux débuts du radar, les opérateurs devaient écouter les représentations audio des signaux reçus et utiliser leur formation pour déterminer quel type de cible était éclairée. Malgré les réalisations de ces experts humains, des méthodes automatisées ont été et sont en cours de développement pour améliorer la précision et la rapidité de la classification. Les animaux, les humains et la végétation encombrée ne sont que quelques-unes des cibles biologiques qui peuvent être identifiées grâce à la technologie ATR. Les domaines d'application vont de la reconnaissance d'objets sur le terrain à la réduction du bruit des oiseaux sur le radar météorologique Doppler.

Les utilisations militaires possibles incluent un identifiant facile à mettre en œuvre comme un transpondeur IFF, ainsi que des systèmes plus complexes comme les drones et les missiles de croisière. Les utilisations potentielles de l'ATR dans le domaine national attirent de plus en plus l'attention. Une variété d'applications, allant des véhicules automatisés aux systèmes de sécurité capables de détecter des objets ou des personnes sur une voie de métro, en passant par la sécurité des frontières, ont bénéficié des études ATR.

Presque aussi longtemps que le radar existe, les cibles ont été reconnues. Les opérateurs radar utiliseraient la représentation audible du signal réfléchi pour identifier les bombardiers et les chasseurs ennemis (voir Radar pendant la Seconde Guerre mondiale).

Pendant longtemps, les opérateurs écoutaient le signal en bande de base pour identifier les cibles. Les opérateurs radar formés peuvent utiliser ce signal pour déterminer le type de véhicule utilisé pour éclairer la cible, la taille de la cible et peut-être même la présence de cibles biologiques. Mais il existe de nombreuses restrictions à cette méthode. Il existe une forte probabilité d'erreur en raison de la composante de décision humaine, de la nécessité pour l'opérateur d'être formé à ce à quoi ressemblera chaque cible et de la possibilité que la cible ne soit plus audible si elle se déplace à grande vitesse. Ce concept de représentation auditive du signal, cependant, a jeté les bases d'une classification automatisée des cibles. Les caractéristiques du signal en bande de base qui ont été utilisées dans d'autres applications audio, telles que la reconnaissance vocale, ont été incorporées dans un certain nombre de schémas de classification qui ont été développés.

La portée d'un objet peut être calculée à l'aide d'un radar en chronométrant le temps qu'il faut pour que le signal revienne de la cible que le signal éclaire. L'effet Doppler décrit la modification de la fréquence provoquée par le mouvement d'un tel objet. Un décalage de fréquence peut être causé par la vibration ou la rotation d'un objet en plus du mouvement de translation de l'ensemble de l'objet. Le signal décalé par effet Doppler sera modulé si cela se produit. L'effet micro-Doppler fait référence à l'effet Doppler supplémentaire responsable de la modulation du signal. Afin de créer des algorithmes pour l'ATR, cette modulation peut avoir une signature reconnaissable. Lorsque la cible se déplace, l'effet micro-Doppler provoque un signal variant dans le temps et la fréquence.

Comme la transformée de Fourier ne prend pas en compte le temps, l'analyse de ce signal avec une transformée de Fourier est insuffisante. La transformée de Fourier en temps court est l'approche la plus simple pour obtenir une fonction fréquence-temps (STFT). Les domaines fréquentiel et temporel peuvent être représentés simultanément à l'aide de méthodes plus robustes telles que la transformée de Gabor ou la fonction de distribution de Wigner (WVD). Cependant, la résolution en fréquence et la résolution temporelle seront toujours compromises dans ces approches.

Une fois ces données spectrales extraites, elles peuvent être comparées à une base de données contenant des informations sur les cibles que le système identifiera afin de déterminer ce qu'est réellement la cible éclairée. Afin de déterminer quelle cible de la bibliothèque correspond le mieux au modèle construit à l'aide du signal reçu, une méthode d'estimation statistique telle que le maximum de vraisemblance (ML), le vote à la majorité (MV) ou le maximum a posteriori (MAP) est utilisée.

Les systèmes automatisés de reconnaissance de cibles qui utilisent les caractéristiques audio de la reconnaissance vocale pour déterminer l'identité d'une cible ont fait l'objet de recherches. Voici quelques exemples de ces coefficients :

Coefficients LPC, ou codes prédictifs linéaires

Coefficients de prédiction linéaire et de codage dans le spectre cepstral

Coefficients cevraux basés sur les fréquences mel (MFCC).

Ces coefficients sont dérivés d'un signal de bande de base traité, et une méthode statistique est ensuite utilisée pour déterminer quelle cible de la base de données est la plus similaire aux coefficients dérivés. Le système et le cas d'utilisation doivent être pris en compte lors du choix des fonctionnalités et du schéma de décision à mettre en œuvre.

Les caractéristiques de classification cible ne sont pas limitées aux coefficients motivés par la parole humaine. L'ATR peut être réalisé à l'aide de nombreux ensembles de fonctionnalités et de diverses méthodes de détection.

Le développement d'une base de données d'entraînement est nécessaire pour automatiser la détection des cibles. En règle générale, l'algorithme ATR est alimenté par des données expérimentales collectées après la détermination de la cible.

L'organigramme représente un type d'algorithme de détection. Cette technique prend M blocs de données, les modélise à l'aide d'un modèle de mélange gaussien, puis utilise les caractéristiques extraites (telles que les coefficients LPC ou MFCC) pour tirer des conclusions (GMM). Après avoir ajusté les données à un modèle, des probabilités conditionnelles sont calculées pour chaque cible de l'ensemble d'apprentissage. Ici, nous avons M blocs de données à examiner. Cela générera M probabilités individuelles, une pour chaque cible de base de données. À l'aide de ces probabilités, une détermination du maximum de vraisemblance est faite quant à ce qu'est réellement la cible. Il a été démontré que cette technique permet de déterminer de manière fiable la présence de jusqu'à trois personnes, ainsi que de distinguer les types de véhicules (véhicules à roues et véhicules à chenilles, par exemple).

Une approche basée sur CNN pour la reconnaissance des cibles

La reconnaissance de cibles à l'aide d'un réseau de neurones convolutifs (CNN) peut surpasser les approches plus traditionnelles. Après s'être entraîné sur des images de synthèse, il s'est avéré utile pour reconnaître des cibles (telles que des chars de combat) dans des images infrarouges de scènes réelles. Le réalisme des images de synthèse est très important lorsque vous essayez de reconnaître des scènes réelles de l'ensemble de test en raison des contraintes de l'ensemble d'apprentissage.

Sept couches de convolution, trois couches de mise en commun maximale et une couche Softmax constituent l'épine dorsale de l'architecture globale du réseau CNN. Après les deuxième, quatrième et cinquième couches de convolution se trouvent les couches de regroupement maximales. Avant le résultat final, une moyenne globale de mise en commun est appliquée. Leaky ReLU est utilisé comme fonction d'activation non linéaire dans toutes les couches de convolution.

{Fin du chapitre 1}

Chapitre 2 : Vision par ordinateur

L'étude de la façon dont les ordinateurs peuvent tirer des connaissances de haut niveau à partir d'images ou de vidéos numériques est au centre du domaine scientifique multidisciplinaire de la vision par ordinateur. D'un point de vue technologique, il étudie et tente d'automatiser les activités qui sont dans les capacités du système visuel humain.

Les tâches associées à la vision par ordinateur comprennent des techniques d'obtention, de traitement, d'analyse et de compréhension d'images numériques, ainsi que l'extraction de données de grande dimension de l'environnement physique afin de créer des informations numériques ou symboliques, telles que des jugements.

La vision par ordinateur est un sous-domaine de l'informatique qui étudie les fondements théoriques des systèmes artificiels conçus pour dériver des informations à partir d'images. Les données visuelles peuvent être présentées dans une variété de formats, y compris des séquences vidéo, des images obtenues à partir de plusieurs caméras, des données multidimensionnelles obtenues à partir d'un scanner 3D ou d'un équipement de numérisation médicale, etc. L'objectif du domaine technique connu sous le nom de vision par ordinateur est de mettre en œuvre les idées et les modèles qu'il a développés dans le processus de construction de systèmes de vision par ordinateur.

Les domaines de la reconstruction de scène, de la détection d'objets, de la détection d'événements, du suivi vidéo, de la reconnaissance d'objets, de l'estimation de poses 3D, de l'apprentissage, de l'indexation, de l'estimation de mouvement, de l'asservissement visuel, de la modélisation de scènes 3D et de la restauration d'images sont tous des sous-domaines de la vision par ordinateur. D'autres sous-domaines de la vision par ordinateur incluent la modélisation de scènes 3D.

La vision par ordinateur est une étude multidisciplinaire qui examine comment les ordinateurs peuvent être programmés pour extraire des connaissances de haut niveau à partir d'images ou de films numériques. Ce domaine se concentre sur la façon dont les ordinateurs peuvent apprendre à comprendre ce qui leur est montré. Du point de vue de l'ingénierie, l'objectif est de trouver des moyens d'automatiser des opérations qui peuvent déjà être effectuées par le système visuel humain. La vision par ordinateur est un domaine d'étude dans le domaine des technologies de l'information qui se concentre sur l'application des théories et des modèles existants au processus de construction de systèmes de vision par ordinateur.

À la fin des années 1960, les collèges à la pointe de l'intelligence artificielle ont été les premiers à expérimenter la vision par ordinateur. Son but était de fonctionner d'une manière similaire à celle du système visuel humain, dans le but ultime d'imprégner les robots d'un comportement intelligent. Dans les années 1990, plusieurs des zones d'étude qui avaient été étudiées auparavant sont devenues plus actives que les autres. L'étude des reconstructions projectives tridimensionnelles a permis de mieux comprendre comment calibrer une caméra. Il est devenu clair, avec l'introduction des techniques d'optimisation pour l'étalonnage des caméras, qu'un nombre important de concepts avaient déjà été étudiés par la discipline de la théorie de l'ajustement des faisceaux de la photogrammétrie. C'est ce qui est apparu à la suite de ce développement. Cela a abouti au développement de techniques permettant de faire des reconstructions tridimensionnelles éparses de scènes à l'aide de plusieurs photographies. Le problème de la correspondance stéréo dense et le développement d'autres approches stéréo à vues multiples ont connu un certain degré de mouvement vers l'avant. Simultanément, de nombreuses variantes de la coupe de graphe ont été utilisées afin de résoudre le problème de segmentation de l'image. Cette décennie est d'autant plus importante que c'est la première fois que des méthodes d'apprentissage statistique sont utilisées dans la pratique pour reconnaître les visages sur les photographies (voir Eigenface). Les domaines de l'infographie et de la vision par ordinateur sont devenus plus étroitement