This paper contains three general topics for analysis of radar target tracking and classification. Two topics are related to radar target classification and the other topic is the analysis of tracking performance for dual-mode homing guidance with target-orientation measurements.
First, we propose a new target classification scheme exploiting the temporal dependency and spatial structure of radar cross section (RCS) measurements in low-frequency, passive or long-range surveillance radar systems. We employ target RCS modeling integrated into a hidden Markov model (HMM) with state-duration modeling. Assuming that the radar system ensures a sufficient sampling time, it is possible to utilize the spatial characteristic of airborne targets since there is consistency between successively sampled RCS measurements. Additionally, to exploit whole temporal characteristic of the sequence of RCS measurements that has been rarely considered in the literature, we adopt the HMM and target RCS modeling. To completely accomplish this task, we accurately develop target RCS models and establish the relationship between the target-sensor orientations, which are the hidden states of the HMM, and corresponding RCS measurements. The proposed target classification scheme which only uses the sequence of RCS measurements is demonstrated with simulation results and an analysis for various signal-to-noise ratios (SNRs) and target-fluctuation models.
Second, we present three-dimensional (3-D) target tracking based on fused radar and infrared (IR) sensor data with the inclusion of the target orientation in the measurement vector. We provide noise statistic of IR-sensor measurements including target orientation measured from IR image. The track-to-track fusion with extended Kalman filter (EKF) is used to combine radar with IR sensor data. In conventional tracking approaches, there is a fundamental limitation in that it is difficult to accurately estimate the current acceleration of the target even with nearly perfect measurements of range and angle relative to the target. The correlation between target orientation and velocity can be used to overcome this limitation. In this paper, we evaluate tracking performance to show how much improvement is obtainable through the inclusion of the target orientation in the measurement data for a realistic 3-D scenario.
Finally, we introduce a radar target classification technique based on the relevance vector machine (RVM) using high resolution range profiles (HRRPs). Although the radar target classification problem based on the support vector machines (SVMs) applied to the hyper-dimensional feature spaces has received much attention recently, RVM-based approaches have never been appeared in the open literature so far. An RVM typically utilizes significantly fewer basis functions than a comparable SVM and therefore can carry out classification with much faster learning time, while offering many additional advantages. Our simulation results confirm that the RVM is a valid and effective alternative to the SVM, and is more suitable for radar target classification.
본 논문은 레이더 표적 분류 및 추적에 관한 논문으로 저해상도 측정치와 고해상도 측정값을 이용한 표적 분류 방법과 고해상도 레이더와 적외선 영상을 동시에 사용하는 이중 모드 탐색기의 추적 성능 향상을 위한 연구를 포함한다. 첫째, 표적의 RCS만 측정할 수 있는 저해상도 레이더 측정치가 얻어지는 상황 (장거리 레이더, 패시브 레이더, 스텔스 표적 탐지 레이더 등)에서 측정치의 공간적 특성과 시간적 특성을 동시에 이용하여 은닉 마르코프 모형 기반의 표적 분류를 수행하였다. 연속적으로 측정되는 표적의 RCS의 시간적 특성을 사용하기 위하여 이산화된 은닉 상태를 연속적인 표적과 레이더의 상대적인 각도로 결정하였다. 또한, 측정치의 공간적 특성을 사용하기 위하여 은닉 상태와 은닉 상태에 해당하는 RCS 측정치 사이의 관계를 RCS 모델을 통해 세웠다. 제안한 방법의 성능 분석을 위하여 네가지 측정치 시나리오와 알려진 표적의 속도에 오차가 있는 경우에 대해 시뮬레이션을 수행하였다. 그 결과 신호 대 잡음비에 따른 은닉 마르코프 모형 기반의 레이더 표적 분류가 8 개의 항공기의 분류 성능을 분석 하였고, 알려진 표적의 속도에 오차가 있을 경우에도 강인한 성능을 냄을 확인할 수 있었다.
둘째, 레이더와 적외선 센서를 탑재한 이중 모드 탐색기의 추적 성능을 표적 자세 측정이 가능할 경우에 대해 분석하였다. 기존의 표적 추적과 자세 정보를 이용하지 않는 데이터 융합 기법과 비교하여, 표적의 자세 정보 (pitch, yaw)가 탐색기의 표적 추적 성능을 개선하는 정도를 시뮬레이션을 통해 얻었다. 현재 탐색기는 측정치로 표적까지의 거리, 표적까지의 거리의 변화율, 표적과 탐색기의 상대 각도, 표적의 속도 등을 이용한다. 자세 정보를 측정할 수 있다는 가정을 바탕으로 자세 측정치의 확률적 특성을 분석하고 표적의 자세 측정치를 추가로 이중 모드 탐색기의 데이터 융합 기법에 넣어 추적 성능을 분석하였다. 기존의 다른 측정치가 표적의 위치에 의해 결정되는 반면 자세 측정치는 표적의 속도에 의존적으로 결정됨으로 성능 개선이 있을 것임을 직관적으로 예측할 수 있다. 시뮬레이션 환경은 이중 모드 탐색기로 국한되어 있으며, pitch 각도와 yaw 각도가 서로 독립적으로 추정된 방위각과 고각에 영향을 주는 것을 확인할 수 있었으며, 자세 측정치가 기존의 추적 성능을 얼마나 개선하는지 보였다.
셋째, 고해상도 레이더의 고해상도 거리 측면도 (high resolution range profile) 측정치를 이용한 표적 분류에 기계 학습 알고리즘의 일종인 Relevance Vector Machine (RVM) 기법 기반의 연구를 수행하였다. 기존의 Support vector machine (SVM) 에 기반하여 표적의 고해상도 거리 측면도를 측정치로 레이더의 표적 분류를 시도한 연구들은 SVM 기법을 실시간 레이더 표적 분류에 적합하도록 발전시킬 수 있는 방법에 집중하였다. 제안한 RVM 기반의 레이더 표적 분류는 SVM 기반의 기존 방법에 비해 고차원의 측정치를 훨씬 더 적은 기저 (basis) 벡터만으로 빠르게 분류하는 장점이 존재한다. 또한, 고해상도 거리 측면도 만의 특별한 사전 정보를 이용하여 더욱 성능 개선을 하는 방법에 대해 제안하였다. 제안한 RVM 기법의 적용과 고해상도 거리 측면도의 사전 정보를 이용한 방법에 대하여 신호 대 잡음 비, 학습 샘플의 수, 학습 시간, 테스트 시간 등의 관계를 시뮬레이션을 통해 분석하였다. 시뮬레이션 결과를 통해 RVM 기법이 SVM 기법과 거의 동일한 성능을 나타냄에도 불구하고 kernel 함수의 개수가 크게 적기 때문에 테스트 시간이 적게 걸림을 확인하였고, 사전 정보를 바탕으로한 가상 샘플은 표적 분류 성능을 크게 개선함을 확인할 수 있었다. 따라서, 실시간 표적 분류가 필수적인 레이더의 상황에 RVM 기반의 방법이 더욱 적합하고, 사전 정보를 이용한 가상 샘플을 생성하는 것은 레이더 표적 분류에 필수적이다.
