Object classification on noise reduced and data augmented micro-doppler radar spectrograms
Özet
The classification of targets is one of the most challenging tasks in radar signal processing.
Classifying a target can help radar operators figure out the nature of the target, such as its source
and activity. However, it is very difficult to find the labeled data necessary to develop radar
target classification models. Generating a radar dataset is an expensive and time-consuming
process.
To address these issues, we propose a noise reduction method that can be applied to micro-
Doppler radar datasets. This method is carried out by averaging the spectrograms of each class
in the RadEch micro-Doppler radar datasets and subtracting pixel by pixel from each sample.
RadEch dataset has also been augmented with traditional and learning-based data augmentation
methods. The learning-based data augmentation method was carried out by using Generative
Adversarial Networks.
Raw spectrograms, augmented spectrograms and noise reduced spectrograms have been
classified using 5-layer CNN, VGG-16, and VGG-19. Classification results are compared with
state-of-art studies. Comparison results shows that classification on noise reduced spectrograms
performs better than current state-of-art methods.
Nesnelerin sınıflandırılması, radar sinyal işlemedeki en zorlu görevlerden biridir. Bir hedefi
sınıflandırmak, radar operatörlerinin, nesnenin kaynağı ve etkinliği gibi hedefin doğasını
anlamalarına yardımcı olabilir. Ancak radar nesne sınıflandırma modelleri geliştirmek için
gerekli olan etiketli verileri bulmak çok zordur. Bir radar veri seti oluşturmak pahalı ve zaman
alıcı bir süreçtir.
Bu sorunları ele almak için mikro-Doppler radar veri setlerine uygulanabilecek bir gürültü
azaltma yöntemi bu tez kapsamında önerilmiştir. Bu yöntem, RadEch micro-Doppler radar veri
setlerindeki her sınıfın spektrogramlarının ortalaması alınarak ve bu ortalama spektrogramın,
sınıflarda bulunan her örnekten piksel piksel çıkarılması ile gerçekleştirilir. RadEch veri kümesi
ayrıca geleneksel ve öğrenme tabanlı veri geliştirme yöntemleriyle de zenginleştirilmiştir.
Öğrenmeye dayalı veri artırma yöntemi, Çekişmeli Üretici Ağlar kullanılarak
gerçekleştirilmiştir.
Ham spektrogramlar, geliştirilmiş spektrogramlar ve gürültüsü azaltılmış spektrogramlar beş
katmanlı evrişimsel sinir ağı, VGG-16 ve VGG-19 kullanılarak sınıflandırılmıştır.
Sınıflandırma sonuçları, literatürde yapılmış alan son çalışmalarla karşılaştırılmıştır.
Karşılaştırma sonuçları, gürültüsü azaltılmış spektrogramlar üzerinde yapılan sınıflandırma
başarısının, mevcut en son yöntemlerden daha iyi bir performansa sahip olduğunu göstermiştir.