Автоматическое распознавание целей
Автоматическое распознавание целей (АРЦ) — это способность алгоритма или устройства идентифицировать цели или другие объекты на основе данных, полученных от датчиков.
Изначально распознавание целей осуществлялось с помощью звукового представления принимаемого сигнала, когда обученный оператор расшифровывал звук, чтобы классифицировать цель, освещаемую радаром. Несмотря на успехи таких операторов, были разработаны и продолжают разрабатываться автоматизированные методы, обеспечивающие более высокую точность и скорость классификации. АРЦ может использоваться для идентификации как искусственных объектов, таких как наземная и воздушная техника, так и биологических целей, например, животных, людей и растительности. Это может быть полезно для самых разных задач: от распознавания объекта на поле боя до фильтрации помех, вызванных большими стаями птиц, в доплеровских метеорологических радарах.
Возможные военные применения включают простые системы идентификации, такие как приёмоответчик радиолокационной системы опознавания «свой-чужой», а также использование в беспилотных летательных аппаратах и крылатых ракетах. Растёт интерес к применению АРЦ и в гражданских сферах. Проводятся исследования по использованию АРЦ для обеспечения пограничной безопасности, в системах безопасности для идентификации объектов или людей на железнодорожных путях, в автоматизированных транспортных средствах и многих других областях.
Концепция
[править | править код]История
[править | править код]Распознавание целей существует практически столько же, сколько и радар. Операторы радаров идентифицировали вражеские бомбардировщики и истребители по звуковому представлению, получаемому отражённым сигналом (см. Радиолокационные станции времён Второй Мировой войны[англ.]).
Долгое время распознавание целей осуществлялось путём воспроизведения оператору сигнала (то есть, ушами) в основной полосе частот[англ.]. Прослушивая этот сигнал, обученные операторы радаров могли определить различную информацию об освещённой радаром цели, такую как тип транспортного средства, его размер и даже, возможно, отличить биологические цели. Однако у этого подхода есть множество ограничений. Оператор должен быть обучен тому, как звучит каждая цель. Если цель движется с высокой скоростью, она может перестать быть слышимой, а человеческий фактор при принятии решений повышает вероятность ошибки. Тем не менее, эта идея звукового представления сигнала послужила основой для автоматизированной классификации целей. Несколько разработанных схем классификации используют характеристики сигнала в основной полосе частот[англ.], которые применяются и в других аудиоприложениях, например, в распознавании речи.
Обзор
[править | править код]Микро-доплеровский эффект
[править | править код]Радар определяет расстояние до объекта, измеряя время, за которое переданный сигнал возвращается от цели, освещённой этим сигналом. Если объект не находится в покое, возникает сдвиг частоты, известный как эффект Доплера. Помимо поступательного движения всего объекта, дополнительный сдвиг частоты может быть вызван вибрацией или вращением объекта. В этом случае доплеровский сигнал становится модулированным. Этот дополнительный эффект Доплера, вызывающий модуляцию сигнала, известен как микро-доплеровский эффект. Такая модуляция может иметь определённый характер или «подпись», что позволяет разрабатывать алгоритмы для автоматического распознавания целей. Микро-доплеровский эффект меняется со временем в зависимости от движения цели, создавая сигнал, изменяющийся во времени и по частоте[1][2].
Частотно-временной анализ
[править | править код]Фурье-анализ такого сигнала недостаточен, поскольку преобразование Фурье не может учесть изменяющуюся во времени составляющую. Простейший метод получения функции частоты и времени — это использование оконного преобразования Фурье (англ. short-time Fourier transform, STFT, буквально — кратковременное преобразование Фурье). Однако для одновременного представления частотной и временно́й областей могут быть использованы более надежные методы, такие как преобразование Габора[англ.] или функция распределения Вигнера. Во всех этих методах, однако, будет компромисс между частотным и временны́м разрешением[3].
Распознавание
[править | править код]После извлечения спектральной информации её можно сравнить с существующей базой данных, содержащей сведения о целях, которые система будет идентифицировать, и принять решение о том, что представляет собой освещённая цель. Это достигается путём моделирования полученного сигнала с последующим применением статистического метода оценки, такого как метод максимального правдоподобия (МП), голосование большинством голосов[англ.] (БГ) или оценка апостериорного максимума (ОАМ), для принятия решения о том, какая цель из библиотеки наилучшим образом соответствует модели.
Подход
[править | править код]Извлечение признаков
[править | править код]Были проведены исследования, в которых использовались акустические признаки, применяемые в распознавании речи, для создания систем автоматического распознавания целей, способных идентифицировать объекты на основе этих коэффициентов, вдохновлённых акустикой. К таким коэффициентам относятся:
- Коэффициенты линейного предсказания (ЛПК)
- Кепстральные коэффициенты (КК)
- Мел-частотные кепстральные коэффициенты (МЧКК).
Основная полоса частот[англ.] сигнала обрабатывается для получения этих коэффициентов, после чего статистический процесс используется для определения того, какая цель в базе данных наиболее похожа на полученные коэффициенты. Выбор используемых признаков и схемы принятия решений зависит от системы и области применения.
Признаки, используемые для классификации цели, не ограничиваются коэффициентами, вдохновлёнными речью. Для реализации автоматического распознавания целей может использоваться широкий спектр признаков и алгоритмов обнаружения.
Алгоритмы обнаружения
[править | править код]Для автоматического обнаружения целей необходимо создать обучающую базу данных. Обычно это делается с использованием экспериментальных данных, собранных при известном объекте, которые затем сохраняются для использования алгоритмом АРЦ.
Пример алгоритма обнаружения представлен на блок-схеме. Этот метод использует M блоков данных, извлекает из каждого желаемые признаки (например, коэффициенты ЛПК, МЧКК) и затем моделирует их с помощью гауссовской смеси[англ.] (МГС). После получения модели на основе собранных данных для каждой цели из обучающей базы данных формируется условная вероятность. В данном примере M блоков данных приведут к получению набора из M вероятностей для каждой цели в базе данных. Эти вероятности используются для определения цели с помощью решения методом максимального правдоподобия. Было показано, что этот метод способен различать типы транспортных средств, (например, колёсные и гусеничные) и даже с высокой вероятностью определять количество присутствующих людей (до трёх человек)[4]
Распознавание целей на основе СНС
Распознавание целей с помощью свёрточных нейронных сетей (СНС) может превосходить традиционные методы[5][6]. СНС оказались полезными для распознавания целей (например, боевых танков) на инфракрасных изображениях реальных сцен после обучения на синтетических изображениях, поскольку реальные изображения таких целей встречаются редко. Точность синтетических изображений важна для распознавания целей в условиях оперативных миссий.
Синтетическая апертурная радиолокация
[править | править код]В мире технологий автоматического распознавания целей с использованием синтетической апертурной радиолокации произошел значительный прорыв. Исследователи разработали новый ансамблевый классификатор, который сочетает в себе преимущества различных методов, включая Residual Neural Networks (ResNet), Support Vector Machines и шаблонное сопоставление. Этот подход позволяет значительно повысить точность классификации и устойчивость к различным условиям эксплуатации.
Основная идея заключается в интеграции нескольких методов, что позволяет использовать их сильные стороны и компенсировать слабости. Например, ResNet, известный своей эффективной экстракцией признаков, заменяет традиционные сверточные нейронные сети, что позволяет достичь более высоких результатов[7].
Приложения
[править | править код]В 2025 году сухопутные войска Индии запатентовала автоматическую систему классификации целей на основе искусственного интеллекта, которая использует датчики и алгоритмы для автоматического обнаружения и категоризации целей на радаре. Она быстро и точно сравнивает данные в реальном времени, такие как изображения или радиолокационные сигналы, с базой записанной информации. Её можно использовать для одиночных целей, включая наведение ракет[8][9].
В ноябре 2022 г. макетный образец ОЭС-Н (Мобильная оптико-электронная система автоматического обнаружения, распознавания, целеуказания и уничтожения воздушных целей) опробован силами ВДВ в р. Крым, где показал свою эффективность в задачах обнаружения БПЛА, а с сентября 2023 г. заступил на боевое дежурство для защиты здания Министерства обороны в г. Москва[10].
См. также
[править | править код]Примечания
[править | править код]- ↑ Chen, 2011, с. 18–21.
- ↑ Фам Фыонг Кыонг (Стажёр, Московский технологический университет). НЕЙРОСЕТЕВАЯ СХЕМА РАСПОЗНАВАНИЯ ВОЗДУШНЫХ ЦЕЛЕЙ ПО РАДИОЛОКАЦИОННЫМ ДАЛЬНОСТНЫМ ПОРТРЕТАМ (18 апреля 2016). Дата обращения: 21 марта 2026.
- ↑ Chen, 2011, с. 21–28.
- ↑ Bilik, Tabrikian, 2006, с. 267–277.
- ↑ Yoon, Song, Kim, 2013, с. 21–32.
- ↑ Venkataraman, Fan, Yu, Zhang, Liu, Havlicek, 2011, с. 124.
- ↑ Надежный ансамблевый классификатор для продвинутой классификации целей радаров в сложных условиях (1 апреля 2025). Дата обращения: 21 марта 2026.
- ↑ Anish Kumar. Indian Army’s AI Innovation Boosts Target Detection, Secures Patent (англ.). Asianet Newsable (11 сентября 2025). Дата обращения: 11 октября 2025.
- ↑ Sudarsanan Mani. Indian Army secures patent for AI-based Automatic Target Classifying System (англ.). CNBCTV18 (11 сентября 2025). Дата обращения: 11 октября 2025.
- ↑ Научно-производственный комплекс «Альфа-М». Мобильная оптико-электронная система автоматического обнаружения, распознавания, целеуказания и уничтожения воздушных целей. Дата обращения: 21 марта 2026.
- ↑ Виталий Чугунов, Александр Доронин. Боевое применение ИИ-систем Израилем в секторе Газа: этические проблемы. РСМД (5 июня 2024). Дата обращения: 21 марта 2026.
- ↑ Cryptopolitan. Глава ООН выразил обеспокоенность по поводу определения целей в секторе Газа с помощью искусственного интеллекта (5 апреля 2024). Дата обращения: 21 марта 2026.
Литература
[править | править код]- Chen V. Micro-Doppler Effect in Radar. — Norwood, MA: Artec House, 2011. — ISBN 9781608070589.
- Bilik I., Tabrikian J. GMM-Based target classification for ground surveillance doppler radar // IEEE Transactions on Aerospace and Electronic Systems. — 2006. — Январь (т. 42, вып. 1). — doi:10.1109/TAES.2006.1603422. — Bibcode:2006ITAES..42..267B.
- Seok Pil Yoon, Taek Lyul Song, Tae Han Kim. Automatic target recognition and tracking in forward-looking infrared image sequences with a complex background // International Journal of Control, Automation and Systems. — 2013. — Т. 11, вып. 1. — ISSN 2005-4092. — doi:10.1007/s12555-011-0226-z.
- Vijay Venkataraman, Guoliang Fan, Liangjiang Yu, Xin Zhang, Weiguang Liu, Joseph P. Havlicek. Automated target tracking and recognition using coupled view and identity manifolds for shape representation // EURASIP Journal on Advances in Signal Processing. — 2011. — Т. 2011, вып. 1. — ISSN 1687-6180. — doi:10.1186/1687-6180-2011-124. — Bibcode:2011EJASP2011..124V.
