Reconocimiento automático de objetivos

El reconocimiento de objetivos existe prácticamente desde los inicios del radar . Los operadores de radar identificaban a los bombarderos y cazas enemigos mediante la representación sonora recibida de la señal reflejada (véase El radar en la Segunda Guerra Mundial ).

Durante años, el reconocimiento de objetivos se realizó reproduciendo la señal de banda base para el operador. Al escuchar esta señal, los operadores de radar capacitados pueden identificar diversa información sobre el objetivo iluminado, como el tipo de vehículo, el tamaño del objetivo e incluso distinguir objetivos biológicos. Sin embargo, este método presenta muchas limitaciones. El operador debe estar capacitado para reconocer el sonido de cada objetivo; si el objetivo se desplaza a alta velocidad, puede que ya no sea audible, y la intervención humana aumenta la probabilidad de error. No obstante, esta idea de representar la señal de forma audible sentó las bases para la clasificación automatizada de objetivos. Varios esquemas de clasificación desarrollados utilizan características de la señal de banda base empleadas en otras aplicaciones de audio, como el reconocimiento de voz .

Se han realizado estudios que utilizan características de audio empleadas en el reconocimiento de voz para construir sistemas automatizados de reconocimiento de objetivos que identificarán objetivos basándose en estos coeficientes inspirados en el audio. Estos coeficientes incluyen:

• Coeficientes de codificación predictiva lineal (LPC)
• Coeficientes de codificación predictiva lineal cepstral (LPCC)
• Coeficientes cepstrales de frecuencia Mel (MFCC).

La señal de banda base se procesa para obtener estos coeficientes; luego, se utiliza un proceso estadístico para determinar qué objetivo de la base de datos es el más similar a los coeficientes obtenidos. La elección de las características y el esquema de decisión a utilizar depende del sistema y la aplicación.

Las características utilizadas para clasificar un objetivo no se limitan a los coeficientes inspirados en el habla. Se puede utilizar una amplia gama de características y algoritmos de detección para lograr el reconocimiento automático de voz (ATR).

Para automatizar la detección de objetivos, es necesario crear una base de datos de entrenamiento. Esto se suele hacer utilizando datos experimentales recopilados cuando se conoce el objetivo, y posteriormente se almacena para su uso por el algoritmo ATR.

En el diagrama de flujo se muestra un ejemplo de algoritmo de detección. Este método utiliza M bloques de datos, extrae las características deseadas de cada uno (por ejemplo, coeficientes LPC, MFCC) y luego las modela mediante un modelo de mezcla gaussiana (GMM). Una vez obtenido el modelo con los datos recopilados, se calcula la probabilidad condicional para cada objetivo de la base de datos de entrenamiento. En este ejemplo, hay M bloques de datos, lo que da como resultado un conjunto de M probabilidades para cada objetivo de la base de datos. Estas probabilidades se utilizan para determinar qué es el objetivo mediante una decisión de máxima verosimilitud . Se ha demostrado que este método puede distinguir entre tipos de vehículos (vehículos con ruedas frente a vehículos de orugas, por ejemplo) e incluso determinar cuántas personas hay presentes, hasta tres, con una alta probabilidad de éxito. ^{[ 3 ]}

Reconocimiento de objetivos basado en CNN

El reconocimiento de objetivos basado en redes neuronales convolucionales (CNN) supera a los métodos convencionales. ^{[ 4 ] [ 5 ]} Las CNN han demostrado ser útiles para reconocer objetivos (por ejemplo, tanques de batalla) en imágenes infrarrojas de escenas reales tras el entrenamiento con imágenes sintéticas, dado que las imágenes reales de dichos objetivos son escasas. La precisión de las imágenes sintéticas es crucial para el reconocimiento de objetivos en condiciones operativas.