ISAR(Inverse Synthetic Aperture Radar) 영상은 표적에 대한 RCS(Radar Cross Section)를 2차원 공간에 표현하며, 표적구분에 이용될 수 있다. 2차원 IFFT(Inverse fast Fourier Transform)를 이용하여 쉽고 빠르게 ISAR 영상을 만들 수 있다. 하지만 IFFT를 이용하여 만든 ISAR 영상은 측정된 주파수 대역 폭과 각도 영역이 작아질 경우 해상도가 떨어지게 된다. 이를 해결하기 위해 AR(Auto Regressive), MUSIC(Multiple SIgnal Classification), Modified MUSIC과 같은 고해상도 스펙트럼 예측 기법을 이용하여 주파수 대역 폭과 각도 영역이 작아도 높은 해상도의 ISAR 영상을 만들 수 있다. 본 논문에서는 IFFT, AR, MUSIC, Modified MUSIC 기법을 적용하여 만든 ISAR 영상을 이용하여 표적 구분에 이용하고, 표적 구분에 적절한 ISAR 영상을 얻기 위한 고해상도 기법을 연구한다. 그리고 표적 구분 결과를 보여준다.
ISAR(Inverse Synthetic Aperture Radar) 영상은 표적에 대한 RCS(Radar Cross Section)를 2차원 공간에 표현하며, 표적구분에 이용될 수 있다. 2차원 IFFT(Inverse fast Fourier Transform)를 이용하여 쉽고 빠르게 ISAR 영상을 만들 수 있다. 하지만 IFFT를 이용하여 만든 ISAR 영상은 측정된 주파수 대역 폭과 각도 영역이 작아질 경우 해상도가 떨어지게 된다. 이를 해결하기 위해 AR(Auto Regressive), MUSIC(Multiple SIgnal Classification), Modified MUSIC과 같은 고해상도 스펙트럼 예측 기법을 이용하여 주파수 대역 폭과 각도 영역이 작아도 높은 해상도의 ISAR 영상을 만들 수 있다. 본 논문에서는 IFFT, AR, MUSIC, Modified MUSIC 기법을 적용하여 만든 ISAR 영상을 이용하여 표적 구분에 이용하고, 표적 구분에 적절한 ISAR 영상을 얻기 위한 고해상도 기법을 연구한다. 그리고 표적 구분 결과를 보여준다.
ISAR(Inverse Synthetic Aperture Radar) images represent the 2-D(two-dimensional) spatial distribution of RCS (Radar Cross Section) of an object, and they can be applied to the problem of target identification. A traditional approach to ISAR imaging is to use a 2-D IFFT(Inverse Fast Fourier Transform...
ISAR(Inverse Synthetic Aperture Radar) images represent the 2-D(two-dimensional) spatial distribution of RCS (Radar Cross Section) of an object, and they can be applied to the problem of target identification. A traditional approach to ISAR imaging is to use a 2-D IFFT(Inverse Fast Fourier Transform). However, the 2-D IFFT results in low resolution ISAR images especially when the measured frequency bandwidth and angular region are limited. In order to improve the resolution capability of the Fourier transform, various high-resolution spectral estimation approaches have been applied to obtain ISAR images, such as AR(Auto Regressive), MUSIC(Multiple Signal Classification) or Modified MUSIC algorithms. In this study, these high-resolution spectral estimators as well as 2-D IFFT approach are combined with a recently developed ISAR image classification algorithm, and their performances are carefully analyzed and compared in the framework of radar target recognition.
ISAR(Inverse Synthetic Aperture Radar) images represent the 2-D(two-dimensional) spatial distribution of RCS (Radar Cross Section) of an object, and they can be applied to the problem of target identification. A traditional approach to ISAR imaging is to use a 2-D IFFT(Inverse Fast Fourier Transform). However, the 2-D IFFT results in low resolution ISAR images especially when the measured frequency bandwidth and angular region are limited. In order to improve the resolution capability of the Fourier transform, various high-resolution spectral estimation approaches have been applied to obtain ISAR images, such as AR(Auto Regressive), MUSIC(Multiple Signal Classification) or Modified MUSIC algorithms. In this study, these high-resolution spectral estimators as well as 2-D IFFT approach are combined with a recently developed ISAR image classification algorithm, and their performances are carefully analyzed and compared in the framework of radar target recognition.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
기술되어 있으므로, 본 논문에서는 ISAR 영상 생성 및 구분 실험의 결과만을 분석한다.
적절한 특성 벡터를 구분에 이용하는 것이 계산 시간도 줄이고 구분 성능을 향상시킨다1 다이내믹 레인지는 영상에서 최대 화소값과 최소 화소값의 차이다. 본 논문에서는 IFFT를 이용한 ISAR 영상에 대한 극 사상 과젱4”기과 PCA(Principal Component Analysis)闸기를 통하여 추출한 특성 벡터가 고해상도 스펙트럼을 이용한 ISAR 영상의 표적 구분에 적절한지 평가한다. 각각의 고해상도 기법으로 얻어진 ISAR 영상의 해상도와 다이내믹 레인지가 구분 성능에 미치는 영향을 알아보고 구분 성능의 향상을 위한 최적의 부배열의 크기를 실험적으로 찾는다.
그래서 ISAR 영상은 RCS(Radar Cross Section) 데이터를 이용한 표적의 RCS 증상 분석(diagnostic analysis)四1 및 구분미에 이용된다. 본 논문은 ISAR 영상을 이용하여 표적 구분을 위한 ISAR 영상 생성 기법 및 신호 처리 기법을 다룬다.
가설 설정
즉, IFFT를 이용한 ISAR 영상은 주파수 대역 폭과 각도 영역이 작을 경우에는 낮은 해상도를 보여준다. 그에 비해 그림 6(b)의 Modified MUSIC 기법을 적용한 ISAR 영상은 주파수 대역 폭과 각도 영역이 작더라도 IFFT에 비해 상대적으로 산란점을 세밀하게 표현하고 있으며, 그림 6(c) 의 MUSIC 기법의 ISAR 영상은 Modified MUSIC 기법의 ISAR 영상과 비슷한 해상도를 보인다. 그리고 그림 6(b)의 AR 기법을 이용한 ISAR 영상은 여전히 잡음처럼 사이드 로브의 영향이 나타나고 있다.
제안 방법
데이터를 이용하였다. RCS 데이터에 30 dB의 AWGN을 첨가하여 새롭게 얻은 데이터를 내삽과정을 거치고 IFFT, AR, MUSIC, Modified MUSIC 기법을 적용하여 각각의 기법에 대한 ISAR 영상을 만들었다. 이때 내삽 개수는 30개이다.
본 논문에서는 IFFT를 이용한 ISAR 영상에 대한 극 사상 과젱4”기과 PCA(Principal Component Analysis)闸기를 통하여 추출한 특성 벡터가 고해상도 스펙트럼을 이용한 ISAR 영상의 표적 구분에 적절한지 평가한다. 각각의 고해상도 기법으로 얻어진 ISAR 영상의 해상도와 다이내믹 레인지가 구분 성능에 미치는 영향을 알아보고 구분 성능의 향상을 위한 최적의 부배열의 크기를 실험적으로 찾는다.
거친 후 IFFT, AR, MUSIC, Modified MUSIC 기법을 적용하여 각각의 기법에 대한 ISAR 영상을 만들었다. 이때 내삽의 개수는 60개이다.
극사상 영상을 얻기 위해 반지름 방향으로 50개, 각도 방향으로 50개의 특성 벡터를 얻었고, PCA를 이용한 특성 벡터의 수는 20개로 하였다回個. 따라서 훈련 데이터의 수는 (50+50+20)x108=12, 960개로 원래의 ISAR 영상의 데이터 수가 (100x100x108)= 1.
송신단과 수신단 모두 수직 편파를 사용하였다. 수신 신호에 30 dB의 AW-GN을 독립적으로 10번 첨가하여 10회의 Monte-Carlo 실험을 하였다. 잡음을 첨가한 데이터를 내삽한
하지만 고해상도 기법을 이용한 ISAR 영상들은 주파수 대역 폭과 관찰 각도 이외에도 부배열(subarray) 의 크기에 따라 ISAR 영상의 해상도가 변하게 된다. 위의 네 가지 기법으로 얻어진 ISAR 영상을 표적 구분에 이용하고 표적 구분 성능을 평가한다.
MUSIC 기법은 공분산 행렬(covariance matrix)의 신호와 잡음의 고유 벡터(eigen vector)가 서로 직교하는 성질을 기반으로 한다咧㈣. 이때, 순방향 역방향 평균(forward backward averaging)을 이용하여 공분산 행렬을 예측하였다.
2 %에 불과하다. 테스트 영상은 ISAR 영상을 0x2 X 사이에서 임의의 각도로 회전시키고 1 ~1 而 사이의 크기를 갖도록 변화를 주었다.
표적 구분을 위한 6개의 비 행 기(F4, F14, F16, F22, F117, Mig29) 모형을 이용하여 구분 실험을 하였다. 이들의 RCS 데이터는 0。~180。의 ISAR 영상을 얻기 위해 포항공대 단축거리 무반향실에서 X-band (8.
해상도가 구분 성능에 어떠한 영향을 주는지 알아보기 위하여, IFFT를 적용한 ISAR 영상을 이용하여 얻은 구분 성능을 기준으로 하여 AR, MUSIC, Modified MUSIC의 ISAR 영상을 부배열 크기 변화에 따른 구분 성능을 평가하였다.
후 IFFT, AR, MUSIC, Modified MUSIC 기법을 적용하여 100x100의 화소를 가지는 ISAR 영상을 만들었다. 각각의 표적에 대한 ISAR 영상의 수는 181개이고, 전체 ISAR 영상의 수는 181x6=1, 086개가 된다.
대상 데이터
10。(-5。~5。)의 각도 영역을 갖는 신호에 대한 RCS 데이터를 이용하였다. RCS 데이터에 30 dB의 AWGN을 첨가하여 새롭게 얻은 데이터를 내삽과정을 거치고 IFFT, AR, MUSIC, Modified MUSIC 기법을 적용하여 각각의 기법에 대한 ISAR 영상을 만들었다.
각각의 표적에 대한 ISAR 영상의 수는 181개이고, 전체 ISAR 영상의 수는 181x6=1, 086개가 된다. 1, 086개의 ISAR 영상 중에서 각 표적의 훈련 데이터는 각도를 1俨씩 증가시켜 18x6=108개의 ISAR 영상으로 데이터 베이스를 구성하였다. 그리고 나머지 978개의 ISAR 영상을 테스트 데이터로 구성하여 구분 실험을 하였다.
1, 086개의 ISAR 영상 중에서 각 표적의 훈련 데이터는 각도를 1俨씩 증가시켜 18x6=108개의 ISAR 영상으로 데이터 베이스를 구성하였다. 그리고 나머지 978개의 ISAR 영상을 테스트 데이터로 구성하여 구분 실험을 하였다. 구분 성능은 전테 테스트 데이터 중에서 정확히 인식된 수의 비율로 정의한다.
3 ~ 12.3 GHz)의 주파수 대 역 폭을 갖고 30。의 각도 영역(angular region)을 가지는 신호를 표적에 조사하여 RCS 데이터를 획득하였다. 송신단과 수신단 모두 수직 편파를 사용하였다.
이론/모형
본 논문에서 사용한 표적 구분 신호 처리 기법은 극 사상법을 이용하였다. 극사상법에 대한 내용은 논
성능/효과
5 dB)>IFFT(32 dB)>AR(ll dB)로 MUSIC 기 법의 ISAR 영상의 다이내믹 레인지의 크기가 가장 크게 나타났다. MUSIC 기법과 Modified MUSIC 기법을 적용한 ISAR 영상의 경우에 실험 1에 비해 다이내믹 레인지의 크기가 약 5.5 dB 정도 증가하였다. 그리고, 실험 2의 경우에는 MUSIC과 Modified MUSIC 기법을 이용한 영상의 다이내믹 레인지가 가장 높게 나타나며, IFFT 기법의 영상의 다이내믹 레인지의 크기는 다소 작은 크기를 보이며, AR 기법의 영상은 매우 작은 크기를 보인다.
그리고 그림 6(b)의 AR 기법을 이용한 ISAR 영상은 여전히 잡음처럼 사이드 로브의 영향이 나타나고 있다. 각각의 기법을 적용한 ISAR 영상의 다이내믹 레인지 의 크기를 보면 MUSIC(36 dB) a Modified MU-SIC(35.5 dB)>IFFT(32 dB)>AR(ll dB)로 MUSIC 기 법의 ISAR 영상의 다이내믹 레인지의 크기가 가장 크게 나타났다. MUSIC 기법과 Modified MUSIC 기법을 적용한 ISAR 영상의 경우에 실험 1에 비해 다이내믹 레인지의 크기가 약 5.
각각의 기법을 적용한 ISAR 영상의 다이내믹 레인지의 크기를 보면 IFFT(40 dB)>MUSIC(30.5 dB) % Modified MUSIC(29.5 dB)>AR(11.5 dB)로 나타난다. 다이내믹 레인지는 구분 확률을 결정짓는 중요한 변수가 된다.
결론적으로 고해상도 스펙트럼 기법을 이용하고 부 배열의 크기를 전체 내삽 개수의 1/4로 선택함으로써 주파수 대역 폭과 각도 영역이 작더라도 주파수 대역 폭과 각도 영역이 큰 경우에 비해 성능의 저하를 최소화 할 수 있다.
고해상도 기법을 이용한 ISAR 영상을 표적 구분에 적용하면 해상도뿐만 아니라 부배 열의 크기에 따른 다이내믹 레인지(dynamic range)의 변화도 구분성능에 큰 영향을 미치는 것으로 나타났다. 적절한 특성 벡터를 구분에 이용하는 것이 계산 시간도 줄이고 구분 성능을 향상시킨다1 다이내믹 레인지는 영상에서 최대 화소값과 최소 화소값의 차이다.
5~4 % 정도 높은 구분 성능을 보인다. 그러나 부 배열의 크기가 8 이상이 되면 MUSIC 과 Modified MUSIC 기법이 IFFT 기법에 비해 9~12 % 정도 높은 성능을 보이게 된다. 그리고 그림 9(b)에서 Modified MUSIC 기법이 IFFT 기법보다 큰 표준 편차를 보이지만 성능차가 9~12 %인 것을 감안하면 그 차이는 매우 작다.
5 dB 정도 증가하였다. 그리고, 실험 2의 경우에는 MUSIC과 Modified MUSIC 기법을 이용한 영상의 다이내믹 레인지가 가장 높게 나타나며, IFFT 기법의 영상의 다이내믹 레인지의 크기는 다소 작은 크기를 보이며, AR 기법의 영상은 매우 작은 크기를 보인다.
그림 8(a)는 부 배열의 크기에 따른 올바르게 구분한 확률이며, 그림 8(b)는 그에 따른 표준편차를 보여준다. 그림에서 보듯이 실험의 결과는 부배열의 크기가 7일 경우에는 MUSIC 기법이 IFFT, Modified MUSIC 기법보다 약 2.5~4 % 정도 높은 구분 성능을 보인다. 그러나 부 배열의 크기가 8 이상이 되면 MUSIC 과 Modified MUSIC 기법이 IFFT 기법에 비해 9~12 % 정도 높은 성능을 보이게 된다.
그림 4(a)는 부 배열의 크기에 따른 구분 확률을 보이며, 그림 4(b)는 그에 따른 표준편차를 보여준다. 이 경우에는 IFFT 기법이 가장 높은 구분 확률을 보이며, MUSIC, Modified MUSIC 기법에 비해 약 3 % 정도 구분 확률이 높게 나타났다. 이는 주파수 대역 폭과 각도 영역이 넓을 경우에는 고해상도 기법을 ISAR 영상을 얻기 위해 사용할 필요가 없다는 것을 보여준다.
참고문헌 (12)
Dean L. Mensa, High Resolution Radar Cross-Section Imaging, Norwood, MA: Artech House, 1991
A. Zyweck, R. E. Bogner, 'High-resolution radar imagery of the mirage III aircraft', IEEE Transactions on Antennas and Propagation, vol. 42, pp. 1356-1360, Sep. 1994
S. Musman, D. Kerr, and C. Bachmann, 'Automatic recognition of ISAR ship images', IEEE Transactions on Aerospace and Electronic Systems, vol. 32, pp. 1392-1404, Oct. 1996
Petre Stoica, Randolph L. Moses, Introduction to Spectral Analysis, Prentice-Hall, 1997
K. -T. Kim, D. -K. Seo, and H. -T. Kim, 'Efficient Classification of ISAR images', IEEE Transactions on Antennas and Propagation, vol. 53, pp. 1611- 1621, May 2005
R. O. Duda, P. E. Hart, and D. G. Stork, Pattern Classification, 2nd Ed., John Wiley & Sons, Inc., 2001
S. Theodoridis, K. Koutroumbas, Pattern Recognition, Academic Press, 1999
K. -T. Kim, S. -W. Kim, and H. -T. Kim, 'Two-dimensional ISAR imaging using full polarization and super-resolution processing techniques', IEE Proceedings Radar, Sonar, and Navigation, vol. 145, pp. 240-246, Aug. 1998
K. -T. Kim, D. -K. Seo, and H. -T. Kim, 'Efficient radar target recognition using the MUSIC algorithm and invariant features', IEEE Transactions on Antennas and Propagation, vol. 50, pp. 325-337, Mar. 2002
J. W. Odendaal, E. Barnard, and C. W. I Pistorius, 'Two-dimensional superresolution radar imaging using the MUSIC algorithm', IEEE Transactions on Antennas and Propagation, vol. 42, pp. 1386- 1391, Oct. 1994
Yingbo Hua, 'Estimating two-dimensional frequencies by matrix enhancement and matrix pencil', IEEE Transactions on Signal Processing, vol. 40, pp. 2267-2280, Sep. 1992
※ AI-Helper는 부적절한 답변을 할 수 있습니다.