Radar classification of buried objects by combining feature extraction methods and artificial intelligence

[Version en français plus en bas]

Contacts:

Jean-Yves Dauvignac (Jean-Yves.Dauvignac@univ-cotedazur.fr)
Nicolas Fortino (Nicolas.fortino@univ-cotedazur.fr)

Automatic target classification is a promising area of research that relies on the use of radar data by artificial intelligence algorithms. Ultra-Wide Band (UWB) radar systems are pertinent to these applications as their bandwidth provides spectral diversity that can be exploited by various target feature extraction methods [1]. This capability is combined with excellent resolution and penetration depth performance, which is particularly interesting in a surface penetrating radar configuration [2]. Among the various target identification techniques, the singularity expansion method (SEM), introduced by C.E. Baum [3], allows the extraction of the characteristic complex natural resonances of an object from its scattered field, independently of the observation angle, when illuminated by a broadband incident wave. This characterization can then be exploited by artificial intelligence algorithms to automatically discriminate and classify objects on the basis of these parameters which subsequently constitute their electromagnetic signature.

The development of radar systems and the related data processing techniques are major activities of the LEAT’s “Microwave Imaging and Antenna Systems” (ISA) team. Over the past few years, the team has carried out work on the characterization and modeling of the radiation patterns from UWB antennas, particularly in the near field or near an interface [4], on surface penetration radar metrology [5], and more recently on the classification of objects from SEM methods using Convolutional Neural Networks (CNN) [6]. These works have made it possible to accurately model the antenna radiation patterns and the scattered field by objects using a limited number of parameters that can be exploited by appropriate signal processing. In the case of object classification, these studies have shown promising capabilities for discriminating objects of sizes not included in the database [6]. On top of these generalization capabilities and simplification of the training phase, the robustness to noise [7] is improved by a unique format and selection of characteristic parameters [8]. These performances are also associated with significant computational time reduction inherent in these compression methods.

The objective of this PhD thesis is to extend these promising results to a more operational context:

  • One of the first problems will therefore be the development of protocols for measuring the scattered field of objects over very wide frequency bands to provide experimental data and thus, apply the new treatments developed in the laboratory to measured data. The implementation of this protocol requires appropriate choices (measuring instruments, antennas, probes) and raises the questions of the sensor effect in the characterization process or the coupling with the antenna support. Taking into account the antenna(s) response(s) will be one of the research areas to be further developed during these treatments. The use of this measurement protocol with a database of selected objects will make it possible to validate the proposed approach.
  • A second challenge will be to consider the measurement environment, and in particular, that of the object to be classified. In addition to considering the antenna response, the impact of clutter on poles estimations must be investigated. Different scenarios altering target identification will be considered. The presence of an interface, but also the coupling with other objects, and their impact on the classification accuracy will be studied according to their type and proximity to the target. Studying the application of SEM to buried objects will extend the applications of the method to surface-penetrating radar, for which UWB systems are well suited.

These two areas of research will be able to rely on the laboratory’s experimental resources (3D near-field measurement bench) as well as electromagnetic simulation resources (CST or HFSS software) for the modeling of complete radar scenes. Tracking new deep learning algorithms for managing complex data will also be an integrated part of this thesis work.

Classification radar d’objets enfouis combinant méthodes de caractérisation et intelligence artificielle

La classification automatique de cible est un axe de recherche prometteur qui s’appuie sur l’exploitation de données radar par des algorithmes d’intelligence artificielle. L’utilisation de systèmes radar Ultra Large Bande (ULB) pour ces applications est pertinent car leur bande passante offre une diversité spectrale qui peut être exploitée par diverses méthodes d’extraction de caractéristiques de cibles [1]. Cette particularité s’ajoute à d’excellentes performances en termes de résolution et de profondeur de pénétration qui s’avèrent particulièrement intéressantes en configuration de radar à pénétration de surface [2]. Parmi les diverses techniques d’identification de cibles, la méthode d’expansion en singularités (SEM) initiée par C.E. Baum [3] permet l’extraction des pôles complexes de résonance caractéristiques d’un objet à partir de son champ diffracté lorsqu’il est éclairé par une onde incidente large bande, et ce indépendamment de son angle d’observation. Cette caractérisation peut ensuite être exploitée par des algorithmes d’intelligence artificielle afin de discriminer et classifier automatiquement ces objets à partir de ces paramètres qui constituent dès lors leur signature électromagnétique.

Le développement de systèmes radar et les traitements de données associés sont les activités majeures de l’équipe « Imagerie microonde et Systèmes d’Antennes » (ISA) du LEAT. Durant ces dernières années, l’équipe a mené des travaux sur la caractérisation et la modélisation du rayonnement d’antennes ULB notamment en champs proche ou à proximité d’une interface [4], sur la métrologie radar à pénétration de surface [5], et plus récemment sur la classification d’objets à partir de méthodes SEM à l’aide de réseaux de neurones convolutionnels (CNN) [6]. Ces travaux ont permis de modéliser précisément le rayonnement d’antenne et le champ diffracté par des objets à l’aide d’un nombre limité de paramètres qui peuvent ensuite être exploités lors de traitements. Dans le cas de la classification d’objets notamment, ces études ont mis en lumière de prometteuses capacités de discrimination d’objets de tailles non inclues dans les bases de données [6]. A ces capacités de généralisation et de simplification de la phase d’apprentissage s’ajoute une robustesse au bruit [7] améliorée par un format et une sélection de paramètres caractéristiques originaux [8]. Ces performances sont également associées à d’importants gains de temps de calcul inhérents à ces méthodes de compression.

L’objectif de cette thèse est de s’inscrire dans cet axe de recherche en développant ces résultats prometteurs à un contexte plus opérationnel :

–  Une des premières problématiques sera donc le développement de protocoles de mesure du champ diffracté d’objets sur de très larges bande de fréquences afin de fournir des données expérimentales et ainsi pouvoir appliquer ces nouveaux traitements à des données mesurées. La mise en place de ce protocole nécessite des choix techniques pertinents (outil de mesure, type d’antennes, sondes) et soulève un certain nombre de verrous comme l’influence du capteur dans le processus de caractérisation de l’objet de même que son couplage avec son support. La prise en compte de la réponse d’antenne(s) sera notamment un des axes de recherche à approfondir lors de ces traitements.  Cette phase cruciale nécessite d’être bien définie avant de pouvoir appliquer ce protocole de mesure à une base de données d’objets. La sélection de ces derniers devra alors être faite selon des critères d’accessibilité et de représentativité afin de valider l’approche proposée puis la généraliser.

– Une seconde problématique s’intéressera à la prise en compte de l’environnement de mesure sur site, et notamment celui de l’objet à classifier. En plus de la prise en compte de la réponse d’antenne précédemment évoquée, le phénomène de clutter et son impact sur l’estimation des pôles caractéristiques de l’objet sera à étudier. Différents scénarios pouvant altérer son identification et donc sa classification pourront être envisagés :  la présence d’une interface selon son type et sa proximité avec l’objet, le couplage avec d’autres objets (identiques ou non). Enfin, l’étude de l’application de la SEM à des objets enfouis, qui adresse la problématique de la variation des pôles caractéristiques d’un objet selon le milieu dans lequel il se trouve, permettra d’élargir les applications de la méthode aux radars à pénétration de surface pour lesquels les systèmes ULB sont prédisposés.

Ces deux axes de recherche pourront s’appuyer sur les moyens expérimentaux du laboratoire (banc champ proche de mesure 3D, chambre anéchoïque) ainsi que les moyens de simulation électromagnétique (logiciels CST ou HFSS) pour la modélisation de scène Radar complètes. La veille technologique sur les nouveaux algorithmes de deep learning permettant notamment la gestion de données complexes fera également partie intégrante de ce travail de thèse.

References

[1] Junxia Li, Qin Zhang, and Guimei Zheng, “Research on ultra wide band radar target recognition method”, 2020, Journal of Physics : Conference Series. 1651 012194

[2] Chantasen, N., Boonpoonga, A., Burintramart, S., Athikulwongse, K., and Akkaraekthalin, P. “Automatic detection and classification of buried objects using ground-penetrating radar for counter-improvised explosive devices” Radio Science, 2018, 53, 210–227. https://doi.org/10.1002/2017RS006402

[3] C. E. Baum, “The singularity expansion method,” in Transient Electromagnetic Field, L. B. Felsen, d. New York: Springer-Verlag, 1976, pp. 129–179.

[4] A. Roussafi, N. Fortino, J.-Y. Dauvignac, “Compact modeling of UWB antenna 3D Near Field radiation using Spherical Vector Wave Expansion and Cauchy methods”, Antennas and Wireless Propagation Letters, IEEE (IEEE AWPL), accepted, May 2016

[5] M. Yedlin, Jean-Yves Dauvignac, Nicolas Fortino, Christian Pichot, R. Cova, D. Henley, K. Hall “Progress on Ultra-wideband Multi-Antenna Radar Imaging for MIGA” inter-Disciplinary Underground Science and Technology (i-DUST 2016), 01/06/2016, Avignon, FR, pp.SESSION G – P26, hal-01325830

[6] Y. Y. Zaky, N. Fortino, B. Miramond, J-Y. Dauvignac Submitted: “Generalization Ability of Deep Learning Algorithms Trained using SEM Data for Objects Classification.” URL: https : / / www . techrxiv .org/articles/preprint/Generalization_Ability_of_Deep_Learning_Algorithms_Trained_using_SEM_Data_for_Objects_Classification/14706390/1.

[7] Y. Y. Zaky, N. Fortino, B. Miramond, J-Y. Dauvignac. “Comparison of SEM methods for poles estimation from scattered field by canonical objects”. In: IEEE Radar Conference (RadarConf20), pp. 1–6. DOI: 10.1109/RadarConf2043947.2020.9266410.

[8] Y. Y. Zaky, N. Fortino, B. Miramond, J-Y. Dauvignac. “Objects classification based on UWB scattered field and SEM data using machine learning algorithms”. In: 2021 18th European Radar Conference (EuRAD).

Leave a Reply

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *