Nicht explodierte Landminen und andere Blindgänger sind eines der größten Probleme der heutigen Zeit. Auch viele Jahre nach dem Ende eines bewaffneten Konfliktes stellen dessen Hinterlassenschaften eine Bedrohung für die Zivilbevölkerung dar. Sie schränken die Bewegungsfreiheit ein und stehen grundlegenden menschlichen Bedürfnissen im Wege, was den Wiederaufbau und die Umsetzung nachhaltiger Entwicklungsziele eines Landes behindert. Die Erkennung und Beseitigung von Landminen ist ein äußerst riskanter Vorgang, der hohe technologische und methodische Standards erfordert.

Diese Dissertation widmet sich dem Problem der Landminenerkennung mittels eines vorausschauenden bodendurchdringenden Radars in Gebieten mit rauen Böden. Es werden robuste Signalverarbeitungstechniken entwickelt, die Landminen mit Hilfe eines vorausschauenden Radars mit garantierter Leistung erkennen. Ein Multi-View-Imaging-Ansatz wird verwendet, bei dem tomographische Radarbilder des Untersuchungsgebiets aus mehreren Blickwinkeln aufgenommen werden.

Zunächst wird ein auf einem einfachen Schwellenwert und Wahrscheinlichkeitsquotienten-Test basierender Ansatz für Multi-View-Bildfusion und -erkennung untersucht. Die Abbildung einer komplexen Szene mit neun Zielen aus Kunststoff und Metall wird betrachtet. Das Erkennungsproblem wird definiert als Test zwischen einer Nullhypothese (keine Mine vorhanden) und einer Alternativhypothese (Mine vorhanden). Eine parametrische Familie von Verteilungsmodellen wird verwendet, um nominale Verteilungung der Pixelintensität des Radarbildes unter beiden Hypothesen zu erhalten. Die nominalen Verteilungsmodelle werden dann für Fusionsschemata basierend auf dem Wahrscheinlichsquotienten-Test (Detektor) verwendet.

In einem robusten Ansatz werden Unsicherheitsverteilungsmodelle unter beiden Hypothesen berücksichtigt. Der Detektor ist robust gegen Abweichungen bei den Verteilungen. Es werden zwei Dichtebänder konstruiert, für die angenommen wird, dass die entsprechenden Wahrscheinlichkeitsdichtefunktionen der zulässigen Verteilungen zwischen ihnen liegen. Der Detektor wird in der Folge so ausgelegt, dass er die maximale Fehlerwahrscheinlichkeit für alle möglichen Dichtepaare innerhalb der beiden Bänder minimiert. Der Grund für das Verfolgen eines robusten Minimax-Ansatzes ist, dass eine genaue Schätzung der Verteilung, in Anbetracht die Unterschiedlichkeit der zu untersuchenden Umgebung, eine große Herausforderung darstellt. Die robusten Techniken lösen dieses Problem, da sie keine genaue anfängliche Schätzung benötigen und eine gute Leistung über eine Reihe von zulässigen Verteilungen garantieren.

Das Design des Detektors wird erweitert, indem die statistische Abhängigkeit zwischen mehreren Radarbildern aus verschiedenen Blickwinkeln des Untersuchungsgebiets berücksichtigt wird. Verschiedene Copula-Dichtefunktionen werden hinsichtlich ihrer Wirksamkeit beim Einbeziehen der Abhängigkeit zwischen Multi-View-Bildern in die Teststatistik untersucht. Es wird gezeigt, dass die Einbeziehung der statistischen Abhängigkeit mit einem gut spezifizierten Copula-Modell die Testleistung sowohl von nicht-robusten als auch robusten Techniken verbessert, was den Nutzen der Implementierung bestätigt.