Måligenkänning i data från fotonräknande lasersystem. Genomgång av litteratur och förslag på fortsatt arbete

Den här rapporten utgör underlag för vägval avseende forskning inom signalbehandling för fotonräknande lasersystem. Rapporten identifierar, belyser och ger förslag inom ett antal delområden som bedöms särskilt viktiga för att uppnå goda resultat avseende detektion och igenkänning av mål. Fotonräknande lasersystem ger med rätt vald optik möjlighet till pixelstorlekar på 5- 10 cm på 2 km avstånd, vilket är en förutsättning i tillämpningar som måligenkänning på långa avstånd. Det som kan försvåra måligenkänning är de relativt små detektorerna (typiskt 128×32 pixlar) jämfört med passiva EO-kameror samt påverkan av turbulens när man mäter långa sträckor nära marken. För att få en sammantagen noggrannhet i data motsvarande 5-10 cm på flera kilometers avstånd krävs en mycket noggrann positionering av sensorplattformen, vilket i sin tur kräver både ett externt positioneringssystem och noggrann sammanläggning av 3D-data (s.k. registrering). Rapporten redovisar en översikt av nya metoder för automatisk detektion och igenkänning av delvis skylda mål. För att klara detta krävs nya ansatser för detektion samt maskininlärning. Slutsatserna är att för FOI ska kunna utveckla och utvärdera robusta algoritmer för måldetektion och -igenkänning för data från fotonräknande system krävs utveckling inom fem olika områden: 1. Sensorfusion med SLAM-ramverk (Simultaneous Localization And Mapping) för att ge en god skattning av sensorns position och orientering. 2. Registrering av sensordata för att så noggrant som möjligt matcha delar av insamlade data mot varandra och transformera dem för att uppnå maximal noggrannhet. 3. Utveckling av algoritmer för måldetektion som snabbt kan välja ut de delar av sensordata som kan innehålla mål. 4. Utveckling av algoritmer för måligenkänning som baseras på lokala egenskaper och maskininlärning. Då finns möjlighet att känna igen mål från data som är fragmenterat på grund av att målen är delvis dolda eller där upplösningen är begränsad av turbulens. 5. Scenariosimuleringar där man kan simulera mål i skyl och under turbulenspåverkan. Data används som komplement till riktig mätdata för utveckling, inlärning och test av algoritmer. Vi föreslår att det arbete som idag pågår under punkterna 1 och 2 fortsätter. För punkt 3 finns arbete gjort i andra projekt som kan nyttiggöras och vidareutvecklas i detta projekt. För punkt 4 föreslår vi att man undersöka maskininlärning med djupa nätverk (eng. Deep Learning) tillsammans med en examensarbetare. För punkt 5 förslår vi att vi undersöker detta vidare inom projektet.