-
-
Einrichtung zur Erkennung und Verfolgung eines Zieles Die Erfindung
befaßt sich mit einer Einrichtung zur Erkennung und Verfolgung eines Zieles, welche
einen auf elektrische Strahlung ansprechenden Sensor aufweist.
-
Einrichtunger der vorgenannten Art sind aus einem umfangreichen Stand
der Technik bekannt (siehe z. B. DE-AS 26 02 838, DE-AS 25 47 798, DE-AS 24 41 640).
Die dort beschriebene Bilddatenverarbeitung kann ganz allgemein auf ein Meßwertverarbeitungsproblem
zurückgeführt werden, wobei die Zielverfolgung ein Spezieller Fall einer solchen
Meßwertverarbeitung ist. Im wesentlichen basiert die Zielverfolgung auf der Unterscheidung
von zwei Prozessen, nämlich Ziel und Gelände, so daß die der Zielverfolgung dienenden
Einrichtungen aus drei Teilen bestehen, der Meßwertaufbereitung zur Datenreduktion,
der Klassifikation der Meßwerte in die Klassen Ziel und Gelände und der Ermittlung
der Zielortkoordinaten aus den klassifizierten Meßwerten.
-
Die bisher bekannten Einrichtungen erfüllen entweder nicht die in
sie gesetzten Erwartungen, weil sie die notwendige Unterscheidung zwischen Ziel
und Gelände nicht mit ausreichender Genauigkeit oder nicht in ausreichender Geschwindigkeit
liefern, oder aber sie sind zu aufwendig, so daß sie nicht mehr realisierbar sind
bzw. in Einrichtungen,
wie Flugkörpern o.ä., wegen ihres Gewichts
und Platzbedarfs nicht einsetzbar sind.
-
Aufgabe der Erfindung ist es, eine Einrichtung der eingangs genannten
Art anzugeben, mit deren Hilfe eine automatische optimale Klassifikation zwischen
Ziel und Gelände durchgeführt werden kann und die sich insbesondere durch einfache
Realisierung auszeichnet.
-
Diese Aufgabe ist dadurch gelöst, a) daß die vom Sensor gelieferten
Meßwerte in einer Meßwerterfassung erfaßt und auf zwei Helligkeitsdichten für Ziel
und Gelände reduziert werden, b) daß einem Klassifikator daraus diese als Eingangsgrößen
zuführbar sind, wobei der Klassifikator anhand des Bayes-Theorems die Klassifikation
in Ziel und Gelände vornimmt und die Neßwerterfassung über eine Schaltfunktion steuert,
c) daß das a-posteriori-Signal des KlassifRators sowohl einem Zielkoordinatenbestimmer
zugeführt wird, der die Zielkoordinaten anhand einer Schwerpunktsbildung, welche
auf die Anwesenheitswahrscheinlichkeit der Zielpunkte angewendet wird, ermittelt,
d) sowie auch einem Verzögerungsglied, das aus dema-posteriori-Signal ein auf die
a-priori-lnformation zurückwirkendes Signal herstellt e) und daß ein Filter die
Zielkoordinaten über der Zeit filtert und dem Verzögerungsglied ein Differenzsignal
zwischen vorausgesagtem Zielschwerpunkt und gemessenem Schwerpunkt zuführt.
-
Die Einrichtung zeichnet sich besonders dadurch aus, daß als Meßwert
bzw. als Merkmal für die Zielverfolgung nur noch die Helligkeit in einem Punkt dient,
d.h. Lagebeziehungen von'Meßpunkten untereinander bleiben unberücksichtigt, so daß
jeder Meßpunkt unabhängig von seinen Nachbarn verarbeitet werden kann. Dies führt
zu einer sehr starken Vereinfachung des Klassifikators, so daß man ohne großen Aufwand
die
Verarbeitung auf alle meßpunkte ausdehnen kann, mithin auch die Hintergrundinformation,
welche den größten Teil der Meßwerte ausmacht, mit einbezogen werden kann. Hierzu
muß lediglich die Voraussetzung gemacht werden, daß der Hintergrund ortsfest ist
und auch so in die Meßmatrix abgebildet wird, d.h..daß die Lage des Sensors in bezug
auf eine Festreferenz bekannt oder stabilisiert ist, da sonst die a-priori-Information,
daß der Hintergrund.ortsfest ist, nicht ausgenutzt werden kann.
-
Die der Einrichtung innewohnende Rekursion führt zu einem gewünschten
Lerneffekt derart, daß die Schätzung der Position des Zieles mit wachsender Anzahl
von Meßwerten gegen den wahren Wert konvergiert. Die Erprobung der Erfindung hat
gezeigt, daß mit Hilfe der Baves-Regel eine im statistischen Sinne optimale Klassifikation
durchgeführt werden kann.
-
Die Erfindung ist anhand der einzigen Figur näher erläutert.
-
Vor deren genaueren Erläuterung sollen zunächst einige allgemeine
Ausführungen zur Bildverarbeitung gemacht werden.
-
Wie bekannt, sind die einzigen Informationen, die man von einem auf
elektromagnetische Strahlung ansprechenden Sensor erhält, die Helligkeiten,u.U.
auch die Farbe, die z.B. in einem Rechteck von 256 x 256 Bildpunkten gemessen werden
und deren Ort in der eßmatrix.
-
Zusätzlich weiß man jedoch, und dies ist für die weitere Verarbeitung
notwendig, daß das Gelände ortsfest, das Ziel kompakt und meist fluid ist, d.h.
die Meßwerte des Zieles haben keine definierte Lagebeziehung zueinander, und außerdem
gehorcht das Ziel einem Bewegungsmodell. Damit kann die Zielverfolgung in zwei Abschnitte
gegliedert werden, und zwar das Messen der Informationen und das Verarbeiten der
Informatiollen, wobei zusätzliche Informationen, die nicht
meßbar
aber aus der Physik ableitbar sind und im entscheidenden Maße von der zu lösenden
Aufgabe bestimmt werden, eine wesentliche Rolle bei der Verarbeitung spielen.
-
Wie nun die Figur zeigt, besteht die Einrichtung im wesentlichen aus
einer Meßwertaufbereitung 10, in welche die von einem nicht dargestellten Sensor
gelieferten Meßwerte erfaßt und reduziert werden, aus einem Klassifikator 11, der
anhand des Bayes-Theorems mit maximaler Wahrscheinlichkeit die Meßwerte aufgrund
seiner a-priori-Kenntnisse richtig klassifiziert und der über eine Schaltfunktion
U die Neßwertaufbereitung 10 steuert, und in den die Eingangsgrößen f1, f2 des Klassifikators
11 von der Meßwertaufbereitung 10 gelangen, einem Zielkoordinatenbestimmer 12, mit
dem die Zielkoordinaten bestimmt werden und der sein Eingangssignal q vom Klassifikator
11 erhält, wobei das Signal q auch einem Verzögerungsglied 13 zugeführt wird, in
dem aus den vorher berechneten a-posteriori-Wahrscheinlichkeiten des Elassifikators
11 neue a-priori-Wahrscheinlichkeiten errechnet werden und dem Klassifikator 11
als Signal v zugeführt werden. Weiter ist vorhanden ein Filter 1los, mit dem die
Position des Zieles genau geschätzt werden kann und an dessen Ausgang die Position
des Zieles in x- und y-Koordinaten abnehmbar ist. Außerdem gibt das Filter ein Signal
Ai, Aj ab, welches dem Verzögerungsglied 13 zugeführt wird.
-
Insgesamt kann gesagt werden, daß die a-priori- und a-posteriori-Information
v bzw. q und die Eingangsgrößen des Klassifikators fl, f2 als Zustandsgrößen aufgefaßt
werden können, so daß es notwendig ist, bei der Initialisierung der Einrichtung
gewisse Anfangswerte für diese Zustandsgröße zu haben oder zu schätzen. Der Klassifikator
11 selbst ist so optimiert, daß er mit maximaler Wahrscheinlichkeit Meßwerte aufgrund
seiner a-priori-Kenntnisse richtig klassifiziert. Hierzu wird das bekannte Bayes-Theorem
herangezogen.
-
Aus der Literatur (siehe Günther Meyer Brötz, Jürgen Schürmann "Methoden
der automatischen Zeitchenerkennung" R. Oldenburg-Verlag, München-Wien 1970) ist
bekannt, daß das Bayes-Theorem eine optimale Entscheidung liefert bezüglich einer
Kostenfunktion, wobei das mittlere Kostenrisiko ein Minimum wird und alle möglichen
Fehlentscheidungen mit den gleichen Kosten belegt werden. Für die Erfindung wird
das Bayes-Theorem dahingehend benutzt, daß aus den zwei konkurrierenden Prozessen
Ziel und Gelände die Entscheidung getroffen werden soll, ob ein gemessener Bildpunkt
zum Ziel oder Gelände gehört.
-
Diese Regel kann man wie folgt formulieren.
-
Wenn pjfj>pjfj # j # j gilt, wurde der Prozess J gemessen.
-
Es werden die folgenden Definitionen getroffen.
-
pj = "a-priori" Wahrscheinlichkeit für das Auftreten des Prozesses
j fj = die Wahrscheinlichkeitsdichte von x, daß x die gemessene Helligkeit des Prozesses
j ist x: Meßwert der normierten Helligkeit (Intensität) in einem Punkt mit 0 # x
1 j: Laufindex für die möglichen Prozesse i # j # n 3: Nummer des Prozesses,auf
den nach der Klassifikationsregel entschieden wird 1 # J # n n: Anzahl der möglichen
Prozesse(hier: n=2:Ziel/Gelände Aufgrund der Gleichung kann man auch ea-posteriori"-lwahrscheinlichkeiten
für die Meßbarkeit eines Prozesses i angeben. Diese Wahrscheinlichkeit wird w. genannt
und es gilt: wj ~ pj . fj 1 1 i wi = = C Pilz
Zusätzlich gilt für
Wahrscheinlichkeiten
und damit für die Realisierung im Klassifikator 11
Die Entscheidungsgleichung lautet für zwei Prozesse n = 2: J = 1 für w1> w2 2
= 2 für w2 > w1 Unbekannt ist, wie Pi und w. ermittelt werden und welche Bedeutung
sie haben. Dies wird im folgenden erläutert.
-
Bei der Zielverfolgung kann der Prozess Gelände noch einmal aufgeteilt
werden in Vordergrund und Hintergrund. Ein Objekt kann hinter einem Vordergrund
anwesend sein, ohne daß es sichtbar ist. Für diese versteckte Anwesenheit kann man
auch eine Wahrscheinlichkeit angeben, die sogenannte Anwesenheitswahrscheinlichkeit.
Diese birgt wertvolle Information, da man auch bei verdecktem Objekt, Koordinaten
für seine Position angeben kann. Der Vordergrund kann allerdings nur erkannt werden,
wenn das Objekt hinter ihm verschwindet, d.h. der Vordergrund wird erst mit der
Anwesenheit des Objektes sichtbar bzw. aufgeklärt. In diesem Fall wird trotz hoher
"a-priori"-Sichtbarkeitswahrscheinlichkeit (Meßbarkeitswahrscheinlichkeit P1) nur
eine geringe "a-posteriori"-Sichtbarkeitswahrscheinlichkeit w1 errechnet. Das rührt
daher, daß die Helligkeit x nicht zur Objektdichte f1, sondern zur Geländedichte
f2 gehört.
-
Da ein Objekt nicht aus der Szene verschwinden kann, so daß es nicht
mehr anwesend ist, kann man eine gewisse Wahrscheinlichkeit für die Anwesenheit
des Vordergrundes
angeben. Für die mathematische Herleitung dieser
Zusammenhänge werden für die Bezeichnung der einzelnen Wahrscheinlichkeiten die
folgenden Vereinbarungen getroffen, auf die auch im folgenden immer wieder Bezug
genommen wird.
-
pO a-priori Sichtbarkeitswahrscheinlichkeit für Vordergrtind Pl a-priori
" für Objekt P2 a-priori " für Gelände (Vorder- u.Hintergrun wO a-posteriori Sichtbarkeitswahrscheinlichkeit
für Vordergrund w1 a-posteriori " für Objekt w2 a-posteriori " für Gelände v0 a-priori
Anwesenheitswahrscheinlichkeit für Vordergrund v1 a-priori " für Objekt v2 a-priori
8 für Gelände q0 a-posteriori Anwesenheitswahrscheinlichkeit für Vordergrund q1
a-posteriori " für Objekt q2 a-posteriori II für Gelände Es werden nicht alle oben
definierten Größen benötigt, sie sind jedoch der Vollständigkeit halber aufgeführt.
-
Man kann die folgenden Gleichungen für die Wahrscheinlichkeiten zur
Realisierung im Klassifikator 11 herleiten.
-
Pl = V1 (1-v0) p2 = 1-p1 w1 = p1f1/(p1f1 + p2f2) q0 = v0.f2/p1f1
+ P2f2) q1 = w1 + v1.q0 Im folgenden wird gezeigt, daß f1 und f2 gemessen werden
können und v0, v1 bis auf die Anfangswerte durch Rekursion aus q0 und q1 gewonnen
werden können.
-
Unter der voraussetzung, daß vO, v11 f1 und f2 bekannt sind, können
alle möglichen Wahrscheinlichkeiten angegeben werden.
-
Wie in den vorangegangenen Abschnitten erläutert, müssen für die Klassifikation
von Meßwerten als Objekt- oder Geländepunkt die Dichten f1 (Objekt-Ziel) und f2
(Gelände) gemessen werden. Das kann auf verschiedene Arten geschehen: Die Verteilungsdichten
werden ortsabhängig, die Verteilungsdichten werden ortsunabhängig bestimmt.
-
Die Verteilungen selbst, als Funktion des Ortes oder nicht, können
parametrisch oder durch Auszählen (Histogramm) ermittelt werden.
-
Drei Gesichtspunkte spielen eine Rolle zur Bestimmung der Dichten.
-
- Die Reduktion der Daten, - die möglichst exakte Wiedergabe (Beschreibung),
- die einfache rechentechnische (Hardware) Darstellung.
-
f2, die Helligkeitsdichte des Geländes, wird zweckmäßigerweise als
ortsabhängige Verteilungsfunktion bestimmt, da das Gelände im allgemeinen ortsfest
ist und die Ortsabhängigkeit also sehr wesentliche Informationen enthält.
-
Anders ist dies bei f1, der Helligkeitsdichte des Zieles.
-
Sie wird, da sich das Ziel meist bewegt und in der Gestalt ändert,
durch eine ortsunabhängige Verteilungsfunktion beschrieben, z.B. als Histogramm.
-
Für die Meßwerterfassung 10 können die Helligkeitsdichten nur berechnet
werden, wenn eine Struktur angenommen wird.
-
Für die Dichte f2 (Gelande) kann eine Gaußverteilung angenommen werden.
Die unbekannten Parameter >i und & müssen
dabei geschätzt
bzw. gelernt werden.
-
Die Bestimmungsgleichungen für r, o lauten:
r(k+1) = s(X+1) = x = aktuelles Bild r = Referenzbild s = Streubild k = Zeit , <1
Lernfaktoren Auch für f1 läßt sich eine Schätzgleichung definieren.
-
Dies ist notwendig, da sich f1 ändern kann.
-
f.(k+1) = f.(k) + γ.(f.(k)-f.(k)).u-1 u = 1, wenn der Meßwert
mit dieser Koordinate im Zeitschritt k als Geländepunkt klassifiziert wurde u =
0, wenn der Meßwert mit dieser Koordinate im Zeitschritt k als Zielpunkt klassifiziert
wurde.
-
γ < 1 Lernfaktor Damit sind alle für obige Gleichung notwendigen
Elemente berechnet.
-
Die Bestimmung der .Zielkoordinaten im Zielkoordinatenbestimmer wird
wie folgt vorgenommen.
-
q setzt sich wie schon gesagt aus verschiedenen Wahrscheinlichkeiten
zusammen und eine Wahrscheinlichkeit, es ist die Anwesenheitswahrscheinlichkeit,
wird für die Berechnung der Zielkoordinaten benutzt. Für die Berechnung der Zielkoordinaten
gibt es prinzipiell mehrere Möglichkeiten, hier wurde als Zielpunkt der Schwerpunkt
der Anwesenheitswahrscheinlichkeit gewählt.
-
Um den Zielort zu beschreiben, kann man die Koordinaten des Zielschwerpunktes
verwenden. Diese erhält man, ausgehend von den Koordinaten der als Objekt klassifizierten
Punkte, durch Bildung der Momente 0. und 1. Ordnung. Dazu bildet man zunächst ein
Zielbild Z(i,j) aus der Anwesenheitswahrscheinlichkeit q1 mit q5 als wählbarem Schwellwert
| #0 für q1(i,j) # qs Geländepunkt |
| Z(i,j) = 1 für q1(i,j) > q5 Objektpunkt |
Nun lassen sich Zeilen- und Spaltensu:nmen von Objektpunkten in der folgenden Weise
angeben:
i , j : Höhe, Breite des Zielfensters Die Momente 0. und 1. Ordnung in i-und j-Richtung
sind dann:
Der Objektschwerpunkt ergibt sich zu: M1i Si M 0i M1j Sj = M0j Mit dem Filter 14
werden nicht nur die Zielkoordinaten geglättet, sondern es wird auch, mit Hilfe
eines Bewegungsmodells, der zukünftige Ort der Anwesenheit des Zieles vorausgesagt,
da dies nicht mit dem Bayes-Theorem möglich ist,
für die Berechnung
der "a-priori"-Wahrscheinlichkeit aus der "a-posteriori"-Wahrscheinlichkeit aber
notwendig wird.
-
Die Errechnung von neuen "a-priori"-Wahrscheinlichkeiten aus den vorher.
berechneten la-posteriorit Wahrscheinlichkeiten erfolgt im Verzögerungsglied 13.
Da adaptive (lernende) Verfahren rekursiv arbeiten, muß de "a-posteriori"- -Information
wieder auf die "a-priori"-Information des nächsten Zeitschrittes zuriickwirken.
Daraus ergibt sich zunächst die einfache Beziehung: v0(i,j,k+1) = q0(i,j,k) k: Zeit
i, j: Ortskoordinaten Die Gleichung ist aber nicht ohne gewisse Vorsichtsmaßnahmen
anwendbar, denn sie setzt voraus, daß der Prozess ortsfest ist.
-
Für den Vordergrund und damit für f2 und q0 besteht keine Schwierigkeit,
denn der Vordergrund ist ortsfest und ändert sich nicht in seiner Form.
-
Anders verhält es sich mit dem Ziel, das sich sowohl bewegt, als auch
in seiner Fcrm und Größe verändern kann.
-
Damit muß sowohl die Position als auch die Gestaltsänderung vorausgesagt
werden. Zur Lösung dieses Problems gibt es mehrere tlöglichkeiten. Setzt man voraus,
daß mit einem Kalmanfilter die Position des Ziels genau geschätzt werden kann und
daß die Gestaltsänderung langsam vor sich geht, dann kann v1(i,j,k+1) = q1(i-#i,j-#j,k)
gesetzt werden, wobei #i und #j die Differenz zwischen vorausgesagtem Zielschwerpunkt
S und gemessenem Schwerpunkt S ist, ~ ^ ~ 5. = i i #j = Sj-Sj
Aus
vorstehendem ergibt sich, daß der wesentlichste Vorteil der Verwendung des Bayes-Theorems
darin besteht, daß die Klassifikation für jeden Bildpunkt unabhängig von allen übrigen
Bildpunkten geschieht. Alle Meßwerte können in sequentieller Folge, wie sie der
Sensor liefert, sofort klassifiziert werden, ohne daß die Messung eines vollständigen
Bildes abgewartet werden muß.
-
Da man die vollständige Information des Bildes auswertet, und damit
nicht nur die Wahrscheinlichkeiten für das Ziel, sondern auch von dem Gelände kennt,
sind Störungen im Gelände bekannt und fiihren damit viel weniger zu Fehlklassifizierungen.
Die Realisierung bereitet für einen Bildpunkttakt von =5 MHz keine Schwierigkeiten.
-
L e e r s e i t e