TU Darmstadt / ULB / TUprints

Advances in Detection and Classification for Through-the-Wall Radar Imaging

Debes, Christian (2010)
Advances in Detection and Classification for Through-the-Wall Radar Imaging.
Technische Universität Darmstadt
Ph.D. Thesis, Primary publication

[img]
Preview
PDF
Debes_PhDThesis.pdf
Copyright Information: CC BY-NC-ND 2.5 Generic - Creative Commons, Attribution, NonCommercial, NoDerivs .

Download (4MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Advances in Detection and Classification for Through-the-Wall Radar Imaging
Language: English
Referees: Zoubir, Prof. Dr.- Abdelhak ; Amin, Prof. Dr. Moeness
Date: 30 August 2010
Place of Publication: Darmstadt
Date of oral examination: 20 August 2010
Abstract:

In this PhD thesis the problem of detection and classification of stationary targets in Through-the-Wall Radar Imaging is considered. A multiple-view framework is used in which a 3D scene of interest is imaged from a set of vantage points. By doing so, clutter and noise is strongly suppressed and target detectability increased. In target detection, centralized as well as decentralized frameworks for simultaneous image fusion and detection are examined. The practical case when no prior knowledge on image statistics is available and all inference must be drawn from the data at hand is specifically considered. An adaptive detection scheme is proposed which iteratively adapts in a non-stationary environment. Optimal configurations for this scheme are derived based on morphological operations which allow for automatic and reliable target detection. In a decentralized framework, local decisions are transmitted to a fusion center to compile a global decision. In these scenarios, the concept of confidence information of local decisions is crucial to obtain acceptable detection results. Confidence information is classically based on prior knowledge on either the image statistics or local detector performance which generally are unknown in practice. A novel adaptive fusion scheme based on the bootstrap is proposed to automatically extract confidence information of local decisions given the acquired data at hand. In target classification a general framework consisting of segmentation, feature extraction and target discrimination is proposed. The adaption of all these techniques to the application of Through-the-Wall Radar Imaging is investigated, whereby the focus is set on the feature extraction step. A combination of statistical and geometrical features based on superquadrics is proposed. It is shown that most features depend on system and scene parameters such as system resolution and target distance. Compensation methods to allow for resolution-independent feature extraction are consequently derived. All proposed methods are evaluated using simulated as well as real data measurements obtained from three-dimensional imaging measurements using wideband sum-and-delay beamforming.

Alternative Abstract:
Alternative AbstractLanguage

In dieser Doktorarbeit wird das Problem der Detektion und Klassifikation stationärer Ziele betrachtet. Die Anwendung konzentriert sich auf radarbildgebende Verfahren durch lichtundurchlässige Materialien, wie etwa Wände. Es wird eine Konstellation betrachtet, bei der eine dreidimensionale Szene aus verschiedenen Blickwinkeln abgebildet wird. Hierdurch können unerwünschte Reflektionen und Rauschen unterdrückt und die Zieldetektierbarkeit verbessert werden. Im Bereich der Zieldetektion werden zentralisierte und dezentralisierte Ansätze zur gleichzeitigen Bildfusion und Detektion betrachtet. Insbesondere wird der für die Praxis relevante Fall analysiert, in dem kein Wissen über die Bildstatistiken vorhanden ist und Rückschlüsse nur aus den erfassten Daten gezogen werden können. Zur Problemlösung wird ein adaptiver Detektor eingeführt, der sich nichtstationären Statistiken anpasst. Optimale Konfigurationen dieses Detektors werden basierend auf morphologischen Operatoren hergeleitet. Hierdurch wird eine systematisierte und zuverlässige Zieldetektion erreicht. In dezentralisierten Ansätzen werden lokale Entscheidungen zu einem Fusionszentrum übertragen, das daraufhin eine globale Entscheidung trifft. In diesen Szenarien ist das Konzept der Konfidenzinformation lokaler Entscheidungen von fundamentaler Bedeutung, um akzeptable Detektionsergebnisse zu erhalten. Konfidenzinformationen basieren klassischerweise auf vorhandenem Wissen über Bildstatistiken oder Eigenschaften der lokalen Detektoren, die häufig jedoch unbekannt sind. Ein neuartiges, adaptives Fusionsverfahren wird zur Lösung vorgeschlagen. Es verwendet das Bootstrap-Verfahren um systematisch Konfidenzinformationen der lokalen Detektoren zu schätzen. Im Bereich der Zielklassifikation wird ein allgemeines Rahmenwerk, bestehend aus Segmentierung, Merkmalserfassung und Entscheidung vorgestellt. Die einzelnen Schritte dieser Struktur werden an die Anwendung radarbildgebender Verfahren durch lichtundurchlässige Materialien angepasst. Der Fokus liegt hierbei auf der Vorstellung statistischer und geometrischer Merkmalssätze, basierend auf Superquadrics. Es wird demonstriert, dass die meisten Merkmalssätze abhängig von System- oder Szenenparametern, wie etwa der Systemauflösung oder der Distanz zum Ziel sind. Kompensationsmethoden, die eine auflösungsunabhängige Merkmalserfassung ermöglichen werden als Konsequenz hieraus hergeleitet. Alle vorgestellten Verfahren werden sowohl mit simulierten, als auch mit experimentellen Daten evaluiert. Letztere stammen von einem dreidimensionalen Radarbildgebungssystem unter Verwendung breitbandiger Strahlformung.

German
Uncontrolled Keywords: Radar Imaging, Detection, Classification
Alternative keywords:
Alternative keywordsLanguage
Radar Imaging, Detection, ClassificationEnglish
URN: urn:nbn:de:tuda-tuprints-22690
Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 18 Department of Electrical Engineering and Information Technology
Date Deposited: 13 Sep 2010 14:01
Last Modified: 08 Jul 2020 23:47
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/2269
PPN: 226781976
Export:
Actions (login required)
View Item View Item