Automatyczne rozpoznawanie celów (ATR, od ang. automatic target recognition) – zdolność algorytmu lub urządzenia do automatycznego rozpoznawania i klasyfikowania celów albo innych obiektów na podstawie danych uzyskiwanych z czujników.
W systemach radarowych rozpoznawanie celu było początkowo wykonywane przez operatora na podstawie dźwiękowej reprezentacji odebranego sygnału. Wyszkolony operator interpretował charakter odbitego sygnału i na tej podstawie klasyfikował obserwowany obiekt. Rozwój metod automatycznych umożliwił wykonywanie takiej klasyfikacji przez algorytmy. Systemy ATR stosuje się m.in. do rozróżniania ludzi, zwierząt, pojazdów kołowych i gąsienicowych oraz ech niepożądanych.
ATR znajduje zastosowanie w systemach wojskowych, w tym w bezzałogowych statkach powietrznych (BSP) oraz układach naprowadzania pocisków. Opracowywano m.in. systemy automatycznego rozpoznawania celów dla BSP wykorzystujące sztuczne sieci neuronowe oraz systemy przeznaczone dla aktywnych głowic naprowadzających pocisków.
Poza zastosowaniami wojskowymi ATR jest rozwijane również na potrzeby systemów cywilnych, m.in. automatycznej identyfikacji przeszkód na infrastrukturze kolejowej oraz rozpoznawania obiektów na obrazach uzyskiwanych za pomocą radaru z syntetyczną aperturą (SAR).
Zasada działania
Historia
mały|Ekrany radaru lotniczego AI Mark IV z około 1942 roku. Operator określał położenie celu na podstawie zobrazowania odebranego sygnału; widoczne są również zakłócenia i echo od powierzchni ziemi.
Rozpoznawanie celów rozwijało się równolegle z radiolokacją. Operatorzy radarów klasyfikowali wykryte obiekty na podstawie właściwości odbieranych sygnałów, w tym ich reprezentacji dźwiękowej. Metodę tę stosowano również do odróżniania różnych typów ruchomych celów naziemnych.
Przez wiele lat operatorowi odtwarzano . Wyszkolona osoba mogła na podstawie jego charakteru uzyskać informacje o rodzaju i sposobie ruchu celu. Metoda miała jednak ograniczenia: wymagała odpowiedniego szkolenia, zależała od zdolności percepcyjnych operatora, a klasyfikacja była podatna na błędy. Cechy wykorzystywane przez ludzi podczas odsłuchu sygnału stały się później jedną z podstaw automatycznej klasyfikacji. W systemach ATR zaczęto wykorzystywać parametry znane m.in. z rozpoznawania mowy.
Efekt mikrodopplerowski
Radar określa odległość do obiektu, mierząc czas pomiędzy wysłaniem sygnału a odebraniem jego odbicia. Jeżeli obiekt porusza się względem radaru, częstotliwość odbitego sygnału ulega zmianie wskutek efektu Dopplera. Oprócz ruchu postępowego całego obiektu dodatkowe przesunięcia częstotliwości mogą być powodowane przez ruch jego części, np. drgania, obrót wirnika, ruch kończyn lub obrót kół.
Takie ruchy powodują dodatkową modulację sygnału dopplerowskiego, określaną jako efekt mikrodopplerowski (ang. micro-Doppler effect). Powstająca w ten sposób charakterystyczna sygnatura może być wykorzystywana przez algorytmy ATR do rozpoznawania rodzaju celu. Ponieważ ruch elementów celu zmienia się w czasie, sygnał mikrodopplerowski ma charakter czasowo-częstotliwościowy.
Analiza czasowo-częstotliwościowa
mały|upright=1.3|Porównanie rozdzielczości czasowej i częstotliwościowej krótkookresowej transformaty Fouriera (STFT) i transformaty falkowej.
Sama transformacja Fouriera nie umożliwia pełnego odwzorowania zmian właściwości sygnału zachodzących w czasie. Jedną z podstawowych metod analizy takich sygnałów jest (STFT), w której sygnał dzielony jest na krótkie fragmenty analizowane oddzielnie.
Do analizy mogą być również wykorzystywane bardziej zaawansowane metody, takie jak oraz . W metodach analizy czasowo-częstotliwościowej występuje kompromis pomiędzy rozdzielczością czasową i częstotliwościową.
Klasyfikacja
Po wyodrębnieniu informacji widmowej otrzymane cechy mogą być porównywane z danymi zapisanymi w bazie wzorców celów. Na tej podstawie system określa klasę, do której z największym prawdopodobieństwem należy obserwowany obiekt.
Odebrany sygnał może zostać opisany za pomocą modelu, a następnie poddany estymacji statystycznej. Do podejmowania decyzji klasyfikacyjnej stosowane są m.in. metoda największej wiarygodności (ML), głosowanie większościowe (MV) oraz (MAP).
Metody
Ekstrakcja cech
W badaniach nad automatycznym rozpoznawaniem celów radarowych wykorzystywano cechy wywodzące się z metod stosowanych w rozpoznawaniu mowy. Do takich parametrów należą m.in.: współczynniki (LPC), współczynniki cepstralnej liniowej predykcji (LPCC), (MFCC).
jest przetwarzany w celu wyznaczenia odpowiednich współczynników, a następnie algorytm statystyczny określa, który z wzorców zapisanych w bazie danych jest najbardziej podobny do analizowanego sygnału. Dobór cech i metody klasyfikacji zależy od rodzaju systemu i jego zastosowania.
Cechy stosowane w ATR nie ograniczają się do parametrów zaczerpniętych z analizy mowy. W zależności od rodzaju czujnika mogą obejmować również cechy obrazu, kształtu, widma oraz charakterystyki ruchu celu.
Algorytmy klasyfikacji
Do automatycznej detekcji i klasyfikacji celów potrzebna jest zazwyczaj baza danych treningowych. Tworzy się ją z danych zarejestrowanych dla obiektów o znanej klasie, a następnie wykorzystuje podczas uczenia i działania algorytmu ATR.
mały|Schemat systemu ATR wykorzystującego cechy cepstralne i model mieszaniny Gaussa
Przykładowy algorytm wykorzystuje M bloków danych. Z każdego bloku wyodrębniane są wybrane cechy, np. współczynniki LPC lub MFCC, które następnie modelowane są za pomocą (GMM). Dla każdego rodzaju celu obecnego w bazie treningowej obliczane jest prawdopodobieństwo warunkowe. Dla M bloków otrzymuje się zestaw M wartości prawdopodobieństwa dla każdego celu, na podstawie których podejmowana jest decyzja klasyfikacyjna.
W badaniach wykorzystujących radary obserwacji naziemnej metoda GMM pozwalała rozróżniać m.in. pojazdy kołowe i gąsienicowe, ludzi oraz zwierzęta. Badano także możliwość określania liczby osób znajdujących się w obserwowanej grupie.
Rozpoznawanie na podstawie obrazów mały|upright=1.3|Celownik termiczny AN/VSG-2 czołgu M60 oraz przykładowe zobrazowania uzyskiwane przez jego przetwornik podczerwieni.Automatyczne rozpoznawanie celów może wykorzystywać obrazy uzyskiwane w różnych zakresach promieniowania elektromagnetycznego, w tym w paśmie widzialnym i podczerwieni. W systemach elektrooptycznych algorytmy mogą wykonywać detekcję obiektów, ekstrakcję ich cech, klasyfikację oraz śledzenie. Współczesne rozwiązania wykorzystują m.in. konwolucyjne sieci neuronowe i inne metody uczenia głębokiego.
W zastosowaniach wykorzystujących światło widzialne dane wejściowe mogą pochodzić m.in. z kamer RGB. Podobne techniki rozpoznawania i śledzenia obiektów wykorzystuje się również w cywilnych systemach autonomicznych, w których obraz z kamer służy do rozpoznawania przeszkód, punktów orientacyjnych i innych obiektów otoczenia.
Automatyczne rozpoznawanie i śledzenie celów rozwijano również dla obrazów w podczerwieni. W sekwencjach obrazów z systemów FLIR stosowano m.in. segmentację obrazu, klasyfikatory bayesowskie i algorytmy śledzenia celów w warunkach występowania złożonego tła. Badano także modele wykorzystujące reprezentację kształtu celu i jego zmian w zależności od kierunku obserwacji.
Współczesne metody rozpoznawania celów wykorzystują również konwolucyjne sieci neuronowe (CNN). W badaniach nad rozpoznawaniem obiektów wojskowych na obrazach w podczerwieni wykazano możliwość trenowania takich sieci przy użyciu realistycznych obrazów syntetycznych, gdy liczba rzeczywistych obrazów treningowych jest ograniczona. Skuteczność rozpoznawania zależy przy tym od stopnia podobieństwa danych syntetycznych do obrazów uzyskiwanych w rzeczywistych warunkach.
Rozpoznawanie na obrazach SAR
mały|Obraz uzyskany za pomocą trybu radaru z syntetyczną aperturą radaru AN/APG-81. Obrazy SAR mogą stanowić dane wejściowe systemów automatycznego rozpoznawania celów.
Odrębny obszar badań nad ATR stanowi automatyczne rozpoznawanie celów na obrazach uzyskiwanych przez radar z syntetyczną aperturą (SAR), określane jako SAR-ATR. W typowej architekturze takiego systemu wyróżnia się trzy zasadnicze etapy: detekcję, dyskryminację oraz klasyfikację. Na etapie detekcji wyszukiwane są obszary obrazu mogące zawierać cele, podczas dyskryminacji odrzucane są fałszywe alarmy i obiekty tła, natomiast klasyfikator przypisuje pozostałe obiekty do określonych klas celów.
W systemach SAR-ATR stosowano m.in. metody oparte na dopasowywaniu wzorców, ręcznie wyznaczanych cechach i modelach celu, a następnie również metody uczenia maszynowego i uczenia głębokiego. W rozwiązaniach wykorzystujących głębokie uczenie szczególne znaczenie mają konwolucyjne sieci neuronowe, które mogą jednocześnie uczyć się reprezentacji cech obrazu i klasyfikatora.
Do problemów utrudniających automatyczne rozpoznawanie na obrazach SAR należą ograniczona liczba oznaczonych danych treningowych, nierównomierna liczebność poszczególnych klas oraz silna zależność wyglądu celu od warunków obrazowania i jego kąta względem radaru. Nawet niewielka zmiana azymutu obserwacji może powodować zmianę rozmieszczenia centrów rozpraszania widocznych na obrazie radarowym. Z tego powodu w badaniach stosuje się m.in. , dane syntetyczne uzyskiwane z symulacji elektromagnetycznych, uczenie transferowe oraz .
Rozpoznawanie sonarowe i hydroakustyczne Automatyczne rozpoznawanie celów stosuje się również w sonarach i systemach hydroakustycznych. W zależności od rodzaju systemu klasyfikacja może wykorzystywać sygnały uzyskiwane przez sonar aktywny lub pasywny, a także obrazy tworzone przez sonary boczne i sonary z syntetyczną aperturą. Rozpoznawanie może dotyczyć m.in. obiektów podwodnych, jednostek pływających oraz min morskich.
W sonarowym ATR stosowane są metody klasycznego przetwarzania sygnałów, uczenia maszynowego oraz uczenia głębokiego. W przypadku metod opartych na głębokich sieciach neuronowych dane wejściowe mogą mieć postać bezpośrednio zarejestrowanych sygnałów akustycznych, ich reprezentacji czasowo-częstotliwościowych albo obrazów sonarowych. Rozwój metod uczenia maszynowego w tej dziedzinie utrudnia m.in. ograniczona dostępność publicznych zbiorów danych sonarowych.
Zastosowania
Zastosowania cywilne
ATR znajduje również zastosowania niezwiązane bezpośrednio z techniką wojskową. Jednym z badanych zastosowań jest automatyczne wykrywanie i rozpoznawanie ludzi oraz innych obiektów znajdujących się na torach kolejowych. W eksperymentalnym systemie wykorzystującym radar ultraszerokopasmowy charakterystyki celów określano na podstawie ich złożonych rezonansów naturalnych, a następnie porównywano za pomocą miary odległości. W badaniach obejmujących dane symulacyjne i eksperymentalne wykazano możliwość rozróżniania różnych rodzajów obiektów znajdujących się na torach, w tym ludzi.
Metody ATR badano także w odniesieniu do nieruchomych obiektów cywilnych obrazowanych przez radar SAR umieszczony na bezzałogowym statku powietrznym. W jednym z badań jako trzy klasy obiektów przyjęto linie elektroenergetyczne, fragmenty zabudowy miejskiej lub wiejskiej oraz grupy pojazdów, wykorzystując do ich klasyfikacji cechy obrazu radarowego i sztuczną sieć neuronową.
Zastosowania wojskowe
W 2025 roku armia indyjska uzyskała patent na opracowany wewnętrznie system Automatic Target Classifying System based on Artificial Intelligence. System wykorzystujący sztuczną inteligencję, czujniki i algorytmy został zaprojektowany do automatycznej identyfikacji i klasyfikacji celów wykrywanych przez radar bez udziału operatora.
System porównuje dane uzyskiwane w czasie rzeczywistym, takie jak obrazy lub sygnały radarowe, z informacjami zapisanymi w bazie danych. Według opisów systemu rozwiązanie może być stosowane m.in. w układach naprowadzania pocisków.
Zobacz też
Identyfikacja swój-obcy Rozpoznawanie obrazów Rozpoznawanie wzorców Detekcja obiektów
Przypisy
Linki zewnętrzne