Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
KIRIMOTO LABORATORYThe University of Electro-Communications
Range Point Migration(RPM)法
研究背景UWB(Ultra Wideband) レーダ
高い距離分解能(数cm~数mm程度)を有する⇒室内センサ・非破壊計測に有望
・境界抽出に特化・距離点(素子と距離)分布から
目標散乱点分布へ写像→高速・高精度目標境界推定が可能
Synthetic Aperture Radar(SAR)→受信信号を位相補償し,積分処理
問題点:・精度・分解能が不十分・多大な計算時間が必要
従来技術(SAR)での推定像
提案技術(RPM)での推定像
S. Kidera et al., IEEE Trans. GRS, Apr., 2010. 1
KIRIMOTO LABORATORYThe University of Electro-Communications
目標領域外挿の必要性
複数楕円体目標に対するRPM推定像結果
2
4
6
8
10
z/λ
12
14
-2 0 2 4 6 8x/λ
-2 0 2 4 6 8
y/λ
TrueEstimated
-3 -1.5 0 1.5 3 4.5 6 7.5
x/λ
-3
-1.5
0
1.5
3
4.5
6
7.5
9
y/λ
TrueEstimated
z
目標形状・位置によっては,画像再現領域が不十分
問題点
2
従来RPM・・・単一偏波データのみ利用
KIRIMOTO LABORATORYThe University of Electro-Communications
目標領域外挿の必要性
複数楕円体目標に対するRPM推定像結果
2
4
6
8
10
z/λ
12
14
-2 0 2 4 6 8x/λ
-2 0 2 4 6 8
y/λ
TrueEstimated
-3 -1.5 0 1.5 3 4.5 6 7.5
x/λ
-3
-1.5
0
1.5
3
4.5
6
7.5
9
y/λ
TrueEstimated
z
目標形状・位置によっては,画像再現領域が不十分
問題点
2
従来RPM・・・単一偏波データのみ利用
多偏波データ解析により目標領域を拡大
KIRIMOTO LABORATORYThe University of Electro-Communications
研究目的
山口芳雄, レーダポーラリメトリの基礎と応用, 電子情報通信学会(2007).
多偏波合成開口レーダ(Polarimetric SAR)→ 赤:二回散乱が卓越
緑:体積散乱が卓越青:表面散乱が卓越
複数偏波を利用したセンシング
各偏波における散乱特性:散乱中心付近の目標形状に依存
偏波特性
散乱電力分解結果
3
KIRIMOTO LABORATORYThe University of Electro-Communications
研究目的
本研究の目的
多偏波合成開口レーダ(Polarimetric SAR)→ 赤:二回散乱が卓越
緑:体積散乱が卓越青:表面散乱が卓越
複数偏波を利用したセンシング
各偏波における散乱特性:散乱中心付近の目標形状に依存
偏波特性
散乱電力分解結果
楕円体に対する偏波散乱解析及び楕円体形状推定法
山口芳雄, レーダポーラリメトリの基礎と応用, 電子情報通信学会(2007). 3
KIRIMOTO LABORATORYThe University of Electro-Communications
システムモデル
•明瞭な境界面を持つ目標
•無指向性素子を仮定
•送信信号:モノサイクルパルス(中心波長 )
• 方向及び 方向の直線偏波を仮定
• 送受信で偏波を変え,全偏波組合せのデータを利用
4
-0.5
0
0.5
-0.5
0
0.50
0.5
1
1.5
Antenna
⁄ Target
0⁄
⁄
0
0
-2
2
-22
2
4
6
KIRIMOTO LABORATORYThe University of Electro-Communications
楕円体に対する偏波散乱解析
-0.5
0
0.5
-0.5
0
0.50
0.5
1
1.5
⁄
0⁄
⁄
0
0
-2
2
-22
2
4
6
0,0,0
楕円体の各軸半径( , , )及び軸回転角度( )を変更して
全偏波データ取得↓
有用な特徴量抽出① Stokesパラメータ② 時系列データ
↓学習マシンによる識別
: 軸方向半径 : 軸方向半径: 軸方向半径 : 軸回転角度
5
受信データ生成: FDTD法
KIRIMOTO LABORATORYThe University of Electro-Communications
0 0.5 1-0.1
-0.05
0
0.05
0.1
, , 解析
① Stokesパラメータによる偏波散乱解析
偏光状態を数値で表現する成分Stokesパラメータ
楕円偏波を表すパラメータ
2Re ∗
2Im ∗
1cos 2 cos 2sin 2 cos 2
sin 2
, : , 成分の振幅
, , :軸, 軸, 軸半径
: 0.5: 1 : 1.5 : 2 : 2.5 : 3 ( 0.5 , 0.5 ): 1 : 1.5 : 2 : 2.5 : 3 ( 0.5 , 0.5 )
60 0.5 1
0.75
0.76
0.77
0.78
0.79
0.8
0.81
KIRIMOTO LABORATORYThe University of Electro-Communications
0.45 0.5 0.55 0.60.7
0.72
0.74
0.76
0.78
0.45 0.5 0.55 0.60.02
0.04
0.06
0.08
0.1
0.12
, , 解析
① Stokesパラメータによる偏波散乱解析
偏光状態を数値で表現する成分Stokesパラメータ
楕円偏波を表すパラメータ
2Re ∗
2Im ∗
1cos 2 cos 2sin 2 cos 2
sin 2
, : , 成分の振幅
, , : 軸, 軸, 軸半径: 軸回転角度
3 , 0.5 , 1: 0° : 10° ∶ 20° ∶ 30° ∶ 40°∶ 10°∶ 20°∶ 30° ∶ 40°
7
0° 10°
20°
30°
40°
10°
20°
30°
40°
40°
30°
20°
10°
40°
30°
20°
10° 0°
KIRIMOTO LABORATORYThe University of Electro-Communications
⁄4.8 5 5.2 5.4 5.6
-0.2
-0.1
0
0.1
0.2
0.3
,
② 時系列データによる偏波散乱解析
受信信号波形の時間的変化を解析
時系列データ
目標を楕円体と仮定
, :送信 ,受信 方向直線偏波のWienerフィルタ出力
多偏波データと楕円体形状の関係性に着目
< , ・ , : 楕円の軸半径に関連>
1 , 0.5: 0.5 : 1: 1.5 : 2: 2.5 : 3
: 軸方向半径 : 軸方向半径 : 軸方向半径
8
1
0.51
1.522.53
KIRIMOTO LABORATORYThe University of Electro-Communications
5 5.5 6 6.5 7-0.02
-0.01
0
0.01
0.02
⁄
② 時系列データによる偏波散乱解析
目標を楕円体と仮定
, :送信 ,受信 方向直線偏波のWienerフィルタ出力,
3 , 2 , 0.5:0° :20° :40°
多偏波データと楕円体形状の関係性に着目
< , ・ , : 楕円の軸半径に関連>
< , : 楕円の回転角に関連>
, , : 軸, 軸, 軸方向半径 : 軸回転角度
9
1
受信信号波形の時間的変化を解析
時系列データ
40°
0°
20°
KIRIMOTO LABORATORYThe University of Electro-Communications
5 5.5 6 6.5 7-0.02
-0.01
0
0.01
0.02
② 時系列データによる偏波散乱解析
目標を楕円体と仮定
, :送信 ,受信 方向直線偏波のWienerフィルタ出力
多偏波データと楕円体形状の関係性に着目
< , ・ , : 楕円の軸半径に関連>
< , : 楕円の回転角に関連>
, , : 軸, 軸, 軸方向半径 : 軸回転角度
9
1
受信信号波形の時間的変化を解析
時系列データ
3 , 2 , 0.5:0° :20° :40°:- 20° :- 40°
⁄
,
40°20°
0°−20°
−40°
KIRIMOTO LABORATORYThe University of Electro-Communications
5 5.5 6 6.5 7-0.02
-0.01
0
0.01
0.02
② 時系列データによる偏波散乱解析
目標を楕円体と仮定
, :送信 ,受信 方向直線偏波のWienerフィルタ出力
多偏波データと楕円体形状の関係性に着目
< , ・ , : 楕円の軸半径に関連>
< , : 楕円の回転角に関連>
, , : 軸, 軸, 軸方向半径 : 軸回転角度
9
1
受信信号波形の時間的変化を解析
時系列データ
3 , 2 , 0.5:0° :20° :40°:- 20° :- 40°
⁄
,
40°20°
0°−20°
−40°
偏波情報:目標の局所情報だけでなく,大局的な情報も含む
偏波情報を利用した楕円体形状推定法を提案
データベース生成・学習
KIRIMOTO LABORATORYThe University of Electro-Communications
特徴量導出
① Stokesパラメータ特徴量導出
① Stokesパラメータ
① Stokesパラメータの処理手順
10
ニューラルネットワーク学習ニューラルネットワーク学習
未学習データを入力し
楕円体目標形状を推定
未学習データを入力し
楕円体目標形状を推定
Wienerフィルタ適用Wienerフィルタ適用
多様な楕円目標に対して全偏波データ取得
′ , , , , :Wienerフィルタ通過後の
解析信号∙ :到来時間から一定時間内 の時間平均∗:複素共役
2Re ∗
2Im ∗
1cos 2 cos 2sin 2 cos 2
sin 2
NN入力データ: , , の導出
∗ ′ , ′ ,∗,
∗,
∗ ′ , ′ ,∗,
∗,
KIRIMOTO LABORATORYThe University of Electro-Communications
② 時系列データの処理手順
4.5 5 5.5 6-0.2
00.2
4.5 5 5.5 6-0.2
00.2
,
,
,
⁄
, , , , , ,∆
NN入力データ:時系列データ , の導出
, , , :Wienerフィルタ出力 , :素子位置
:目標までの到来距離 ∆ :サンプル幅
∆
∆
∆⁄
⁄ 11
特徴量導出
② 時系列データ特徴量導出
② 時系列データ
ニューラルネットワーク学習ニューラルネットワーク学習
未学習データを入力し
楕円体目標形状を推定
未学習データを入力し
楕円体目標形状を推定
Wienerフィルタ適用Wienerフィルタ適用
多様な楕円目標に対して全偏波データ取得
KIRIMOTO LABORATORYThe University of Electro-Communications
数値計算モデル
12
受信信号:FDTD法で生成
素子位置:, , 0,0,0
0.5 , 1 , 1.5 , 2 , 2.5 , 30.5 , 1 , 1.5 , 2 , 2.5 , 30.5 , 1 , 1.5 , 2 , 2.5 , 30°, 10°, 20°, 30°, 40°
教師データ 1944 個
楕円目標:
1最近接距離5 で固定
KIRIMOTO LABORATORYThe University of Electro-Communications
Stokesパラメータによる楕円体形状推定結果
中間層数:3層 各ニューロン数:30,20,10個 学習・識別:誤差逆伝搬法
未学習データに対する推定結果
13
真値 ⁄ , ⁄ , ⁄ , ° 推定値 ⁄ , ⁄ , ⁄ , °1.70, 1.00 , 2.50 ,30.0 2.15 , 0.92, 2.17, 48.8
1.50, 2.20 , 3.00 ,20.0 1.72, 2.14, 1.75,−54.3
1.00, 2.00 , 2.70 ,40.0 0.63 , 1.28, 2.24,−88.8
2.00, 1.50 , 1.00 ,−35.0 2.19, 1.36, 1.86, 6.4
1.40, 2.80 , 2.00 ,10.0 1.35, 2.07, 2.33,−13.0
2.30, 1.50 , 1.10 ,20.0 2.24, 1.02, 1.88,−3.4
2.80, 2.50 , 0.50 ,25.0 2.13, 2.31, 1.26, 81.13.00, 1.70 , 0.90 ,30.0 2.11, 2, 0.95,−14.22.50, 1.30 , 2.00 ,13.0 2.73, 0.53, 1.75, 9.3
1.00, 2.00 , 2.40 ,−15.0 0.93, 2.17, 1.76,−4.92.80, 1.70 , 1.10 ,35.0 2.27, 2.08, 0.93,−9.2
RMS誤差
X軸半径 0.43Y軸半径 0.45Z軸半径 0.63回転角度 54.3°
KIRIMOTO LABORATORYThe University of Electro-Communications
時系列データによる楕円体形状推定結果
14
中間層数:3層 各ニューロン数:30,20,10個 学習・識別:誤差逆伝搬法
真値 ⁄ , ⁄ , ⁄ , ° 推定値 ⁄ , ⁄ , ⁄ , °1.70, 1.00 , 2.50 ,30.0 1.72, 0.97, 2.51, 28.01.50, 2.20 , 3.00 ,20.0 1.51, 2.18, 3, 21.7
1.00, 2.00 , 2.70 ,40.0 1.01, 2.01, 2.69, 43.22.00, 1.50 , 1.00 ,−35.0 2.02, 1.48, 0.97,−36.91.40, 2.80 , 2.00 ,10.0 1.4, 2.82, 2.01, 9.6
2.30, 1.50 , 1.10 ,20.0 2.38, 1.47, 1.09, 19.1
2.80, 2.50 , 0.50 ,25.0 2.64, 2.67, 0.53, 20.73.00, 1.70 , 0.90 ,30.0 3.22, 1.78, 0.85, 28.22.50, 1.30 , 2.00 ,13.0 2.53, 1.32, 2.04, 14.0
1.00, 2.00 , 2.40 ,−15.0 1.02, 2.01, 2.39,−14.9
2.80, 1.70 , 1.10 ,35.0 2.81, 1.74, 1.16, 36.6
未学習データに対する推定結果
RMS誤差
X軸半径 0.09Y軸半径 0.06Z軸半径 0.03回転角度 2.1°
KIRIMOTO LABORATORYThe University of Electro-Communications
結論
特徴・各偏波のStokesパラメータ及び時系列データを解析
数値計算による特性評価・FDTD法による偏波散乱データ生成と特徴量の解析・時系列データにより高精度な楕円体形状推定が可能
今後の課題・本手法とRPM法の融合による画像領域拡大手法を検討
偏波情報解析に基づく楕円体形状推定法を提案
15