Forutsetninger og metoder for klassifikasjon av skip i ISAR-bilder

Abstract

Syntetisk Aperture Radar (SAR) og Invers Syntetisk Aperture Radar (ISAR) er teknikker for høyoppløselig avbildning. Denne rapporten ser på mulighetene for å utvikle og ta i bruk et system for automatisk klassifikasjon av skip i SAR- og ISAR-bilder. Rapporten gir først en grunnleggende innføring i SAR- og ISAR-avbildning av skip. SAR-avbildning benyttes mot stasjonære mål, og er aktuelt mot skip som ligger til kai eller for anker i stille sjø. ISAR benyttes mot mål i bevegelse. Skipets bevegelser bestemmer i stor grad bildeplan, oppløsning og mulighetene for å få fokuserte bilder. Disse sammenhengene blir beskrevet. Bildene som kommer ut av en ISAR-prosessor vi ikke har kontroll med er ikke nødvendigvis optimale. Rapporten skisserer noen metoder som kan benyttes for å tilpasse bildedannelsen til forholdene, og dermed få bilder som er bedre egnet for klassifikasjon. For at et klassifikasjonssystem skal kunne tas videre fra forskningsstadiet til operativ bruk, må det oppfylle visse krav til bl.a. detaljert klassifikasjon, maksimal feilrate og robusthet. Videre må det være praktisk mulig å bygge opp en tilstrekkelig omfattende fartøysdatabase. Vi har undersøkt hvilken informasjon som kan trekkes ut av SAR- og ISAR-data, og i hvilken grad den gir mulighet for diskriminering mellom fartøysklasser. Egenskaper relatert til fartøyenes dimensjoner og form har et visst potensial, men er relativt lite robust overfor målets orientering og bevegelser. Egenskaper relatert til tilbakespredningen har trolig større potensial og robusthet. Hvis klassifikasjonssystemet baseres på dimensjoner og form, kan skipsdatabasen bestå av 3D-modeller som enkelt kan bygges med utgangspunkt i fotografier. Klassifikasjon basert på fordelingen av tilbakespredning forutsetter en signaturdatabase. Det vil i så fall kreve omfattende datainnsamling, noe som er en utfordring å få gjennomført i praksis. Rapporten skisserer flere mulige systemer for klassifikasjon av skip med SAR og ISAR. For ISAR ville man trolig oppnådd høyest ytelse ved å benytte et bredt utvalg av egenskaper som inkluderte både dimensjoner, silhuett og fordeling av tilbakespredning. I første omgang er en enklere metode basert på sammenligning av målets silhuett med silhuetter fra 3D-modeller blitt implementert og testet. Resultatene for to datasett er gitt i rapporten. Et fartøy på 33.5m blir klassifisert med relativt høy treffprosent, mens en båt på 10.5m i all hovedsak blir klassifisert som ukjent mål. Treningsdataene omfatter 16 fartøysklasser. Disse resultatene indikerer at metoden har et potensial for klassifikasjon av skip når formen til fartøyet kommer tydelig frem på ISAR-bildene. Det er imidlertid usikkert hvilken ytelse den ville hatt i en mer realistisk situasjon med et stort antall klasser og mer varierende kvalitet på bildene. Det trengs flere eksperimenter med reelle data for å vurdere potensialet til metodene vi har utviklet og bestemme retning for den videre utviklingen.

Synthetic Aperture Radar (SAR) and Inverse Synthetic Aperture Radar (ISAR) are techniques for high-resolution imaging. This report considers the possibilities of developing and bringing into operation a system for automatic classification of ships in SAR and ISAR images. The report first gives a basic introduction to SAR and ISAR imaging. SAR imaging is used against stationary targets. It is relevant for imaging of ships in harbor. ISAR is used against moving targets. The motion of the ship largely determines the image projection plane, resolution and the possibilities of focused images. These relations are described in the report. Images from an ISAR processor that we have no insight into are not necessarily optimal. We outline some methods that can be used for adapting the image formation process to the conditions, and thus obtaining images suitable for target classification. For a classification system to be taken from the experimental stage and further into operation, it has to meet certain requirements. That may include requirements for the level of detailed classification, maximum error rate and robustness. In addition, building a sufficient ship database must be achievable. We have examined what information SAR and ISAR data can reveal about the targets, and to what extent this information can be used for discriminating between ship classes. Features related to the ships’ dimensions and shapes have some potential, but they have relatively low robustness to the effects of different target orientations and motions. Features related to the backscattering may have higher potential and robustness. If the classification system is based on dimensions and shape, a ship database containing simple 3D models is sufficient. The models can be built from photographs. Classification based on the distribution of backscattering requires a database of radar signatures. In that case extensive data collection is needed, which is a practical challenge. The report outlines several possible systems for ship classification using SAR and ISAR. For ISAR the highest performance would probably be achieved by exploiting a wide range of features, including the dimensions, silhouette and the distribution of backscattering. As a starting point a simpler method has been implemented and tested. The method is based on the comparison of target silhouettes with a training set of silhouettes produced from 3D models. Experimental results for two data sets are given in the report. For a vessel with a length of 33.5m, a relatively high level of correct classification is achieved. A small boat is mainly classified as unknown target. The training set includes 16 classes. These results indicate that the method has a potential for ship classification if the shape of the vessel is clearly visible in the ISAR images. The performance in a more realistic scenario with a large number of classes and varying image quality is however unknown. More experiments with real data are necessary in order to assess the potential of the current methods and plot the course of future development.