Multisensormålsökare. Klassificering av markmål med datafusion - 3

Nuvarande status ges inom klassificerings- och datafusionsarbetet i projektet Multisensormålsökardemonstrator. En multisensormålsökares förmåga att känna igen utpekade stridsfordon har studerats. En nyutvecklad databas innehåller olika målscenarior med sex olika stridsfordon utplacerade på ett gräsfält. Målen har observerats från 300 m höjd, från 8 km fram till 500 m. Tre testfall behandlar olika uppsättningar målavstånd, aspektvinklar och artikulationer. Stridsfordonen i IR-scenerna har segmenterats genom adaptiv tröskling, varefter olika särdrag har extraherats, t.ex. area/omkrets2, med tonvikt på avståndsoberoende egenskaper. Med s.k. Lineär diskriminantanalys kombineras särdragen till nya särdrag som bäst bevarar klass-separabiliteten. I radar har absolutbeloppet på hela avståndsprofilen valts som särdrag. Med metoden Singular Value Decomposition har i ett testfall representativa särdragsprofiler extraherats ur optimala grupperingar av avståndsprofiler tagna med 0,025 graders steg i elevationsvinkel. De valda särdragen utgör träningsdata till klassificeringsalgoritmerna. För att hålla studien rimligt kort har endast en klassificeringsmetod testats, nämligen den baserad på artificiella neuronnät och resilient backpropagation (RPROP). Resultaten visar att man kan klassificera ett mål rätt med högre sannolikhet med en kombination av IR och radar, givet kännedom om osäkerhet i sensordata. Igenkänningen degraderas för artikulerade mål där eldröret pekar ut från målets framriktning. I synnerhet för radarn gäller att träningsmängden för objekt ligger tillräckligt tätt vid höga elevationsvinklar (korta målavstånd). Fältmätningar med FOI:s radar Arken har i stort verifierat klottermodellen som använts, utarbetad av Georgia Institute of Technology (GIT).