Ghost target classification using scene models in radar
(2021) In Master's Theses in Matematical Scieces FMSM01 20211Mathematical Statistics
- Abstract
- In surveillance contexts, radars can be used to monitor an area, detecting and tracking moving objects inside it. Monitored areas in urban environments often contain many surfaces that reflect radar waves, which can have the undesired consequence of a single object producing multiple tracks due to multipath propagation effects. This thesis considers a method of identifying if a track is produced by a real object, or if it stems from multipath effects. The proposed method works by creating a machine-learning-based classifier and modelling the monitored scene over time. Tracks are assigned features based on their characteristics and the state of the scene model in regards to their position. These features are then used as inputs to the... (More)
- In surveillance contexts, radars can be used to monitor an area, detecting and tracking moving objects inside it. Monitored areas in urban environments often contain many surfaces that reflect radar waves, which can have the undesired consequence of a single object producing multiple tracks due to multipath propagation effects. This thesis considers a method of identifying if a track is produced by a real object, or if it stems from multipath effects. The proposed method works by creating a machine-learning-based classifier and modelling the monitored scene over time. Tracks are assigned features based on their characteristics and the state of the scene model in regards to their position. These features are then used as inputs to the classifier model to produce the classification. We propose four machine learning-based classifier models, with two different sets of structures and features used. The classifier models are compared to a naive classifier model for reference.
The proposed models all outperform the naive classifier, although some of them are biased. As for the usefulness of the scene model, the results are mixed but show promise. We believe that the scene model can improve classification performance further with more and better data. (Less) - Popular Abstract (Swedish)
- Spökmål har försvårat radarövervakning sedan dess begynnelse, och i stadsmiljö är problemet ännu större. Med hjälp av maskininlärning verkar en lösning vara inom räckhåll.
Radar har länge använts för att övervaka stora områden, exempelvis flygplatser eller länders luftrum. Inom övervakningsindustrin har man på senare år även börjat erbjuda mindre radarenheter med kortare räckvidd, då deras styrkor kompletterar svagheterna hos kameraövervakning. Radarövervakning har dock ett naturligt problem, signalerna från ett mål kan reflekteras flera gånger innan de återvänder till radarn. Detta leder till att ett enstaka mål ibland ger upphov till flertalet falska detektioner, så kallade spökmål.
Spökmål kan t.ex. uppstå när en person går... (More) - Spökmål har försvårat radarövervakning sedan dess begynnelse, och i stadsmiljö är problemet ännu större. Med hjälp av maskininlärning verkar en lösning vara inom räckhåll.
Radar har länge använts för att övervaka stora områden, exempelvis flygplatser eller länders luftrum. Inom övervakningsindustrin har man på senare år även börjat erbjuda mindre radarenheter med kortare räckvidd, då deras styrkor kompletterar svagheterna hos kameraövervakning. Radarövervakning har dock ett naturligt problem, signalerna från ett mål kan reflekteras flera gånger innan de återvänder till radarn. Detta leder till att ett enstaka mål ibland ger upphov till flertalet falska detektioner, så kallade spökmål.
Spökmål kan t.ex. uppstå när en person går bredvid en husvägg eller en parkerad bil, och är i allmänhet svåra att skilja från den riktiga signalen. Spökmålen kan se ut som att de befinner sig bakom väggar och i förbjudna områden, som t.ex. innanför stängslet på ett kärnkraftverk. I värsta fall leder detta till falsk-larm och kostsamma utryckningar i onödan. Problemet är såklart extra stort i stadsmiljöer, där det finns en uppsjö av ytor för signalerna att studsa mellan. Om det fanns ett sätt att filtrera bort alla spökmål skulle användare slippa hantera sådana falsklarm, och även inomhusmiljöer skulle kunna övervakas automatiskt med radarsensorer.
Det här examensarbetet har tagit fram ett antal algoritmer för att klassificera spökmål, som alla är baserade på maskininlärningsmetoder. Resultaten visar att dessa lyckas med att filtrera bort de flesta spökmål, men det finns en betydande risk att de även råkar filtrera bort riktiga mål. För att försöka förbättra klassifikationen har vi i examensarbetet också undersökt möjligheten att iterativt bygga en modell av det övervakade området. Modellen skapar en karta över orörliga objekt, såsom husväggar, i övervakningsområdet, och samlar även aggregerad information om exempelvis var de starkaste målen brukar befinna sig. Detta visade sig inte hjälpa nämnvärt i de testfall som behandlades i arbetet, men borde däremot ge effekt på längre inspelningar i mer verklighetstrogna miljöer. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9059237
- author
- Wadmark, David LU and Sedin, Anton
- supervisor
- organization
- course
- FMSM01 20211
- year
- 2021
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- radar surveillance, multipath, machine learning, classification
- publication/series
- Master's Theses in Matematical Scieces
- report number
- LUTFMS-3420-2021
- ISSN
- 1404-6342
- other publication id
- 2021:E41
- language
- English
- id
- 9059237
- date added to LUP
- 2021-07-02 16:27:30
- date last changed
- 2021-07-06 16:35:13
@misc{9059237,
abstract = {{In surveillance contexts, radars can be used to monitor an area, detecting and tracking moving objects inside it. Monitored areas in urban environments often contain many surfaces that reflect radar waves, which can have the undesired consequence of a single object producing multiple tracks due to multipath propagation effects. This thesis considers a method of identifying if a track is produced by a real object, or if it stems from multipath effects. The proposed method works by creating a machine-learning-based classifier and modelling the monitored scene over time. Tracks are assigned features based on their characteristics and the state of the scene model in regards to their position. These features are then used as inputs to the classifier model to produce the classification. We propose four machine learning-based classifier models, with two different sets of structures and features used. The classifier models are compared to a naive classifier model for reference.
The proposed models all outperform the naive classifier, although some of them are biased. As for the usefulness of the scene model, the results are mixed but show promise. We believe that the scene model can improve classification performance further with more and better data.}},
author = {{Wadmark, David and Sedin, Anton}},
issn = {{1404-6342}},
language = {{eng}},
note = {{Student Paper}},
series = {{Master's Theses in Matematical Scieces}},
title = {{Ghost target classification using scene models in radar}},
year = {{2021}},
}