Search

Autonomous moving platforms carrying radar systems can synthesise long antenna apertures and generate Synthetic Aperture Radar (SAR) images. SAR images provide strategic information for military and civilian applications and they can be acquired day and night under a wide range of weather conditions. Because the interpretation of SAR images is a common challenge, Automatic Target Recognition (ATR) algorithms can help assist with decision-making when the operator is in the loop or when the platforms are fully autonomous. One of the main limitations of developing SAR ATR algorithms is the lack of suitable and publicly available data. Optical images classification, instead, has recently attracted significantly more research interest because of the number of potential applications and the profusion of data. As a result, robust feature-based and deep learning classification methods have been developed for optical imaging that could be applied to the SAR domain. In this thesis, a new Inverse SAR (ISAR) dataset consisting of test and training images acquired under a range of geometrical conditions is presented. In addition, a method is proposed to generate extra synthetic images, by simulating realistic SAR noise on the original images, and increase the training efficiency of classification algorithms that require a wealth of data, such as deep neural networks. A Gaussian Mixture Model (GMM) segmentation approach is adapted to segment single-polarised SAR images of targets. Features proposed to characterise optical images are transferred to the SAR domain to carry out target classification after segmentation and their respective performanceis compared. A new pose-informed deep learning network architecture, that takes into account the effects of target orientation on target appearance in a SAR image, is proposed. The results presented in this thesis show that the use of this architecture provides a significant performance improvement for almost all datasets used in this work over a baseline network. Understanding the decision-making process of deep networks is another key challenge of deep learning. To address this issue, a new set of analytical tools is proposed that enables the identification, amongst other things, of the location of the algorithm focus points that lead to high level classification performance.; Une plateforme autonome en mouvement dotée d'un système radar peut générer des images Radar à Synthèse d'Ouverture (RSO ou SAR). Ces images fournissent des informations stratégiques pour des applications civiles et militaires. Elles peuvent être acquises de jour commede nuit dans des conditions météorologiques variées. Des algorithmes visant à la Reconnaissance Automatique de Cible (RAC ou ATR) sont alors utiles pour assister voire automatiser la prise dedécision. En effet, l’interprétation de ces images peut être complexe, y compris pour un opérateur expérimenté. La classification d'images du domaine visible génère un intérêt important des chercheurs, en partie grâce à la profusion des données. Par conséquent, des méthodes robustes de classification par descripteurs et deep learning ont été développées pour les images visibles. A l’inverse, une problématique essentielle rencontrée lors du développement d'algorithmes pour la RAC RSO est la rareté des données accessibles au public. Une difficulté supplémentaire est la variabilité des phénomènes physiques lors de l’acquisition radar. Les méthodes de classification des images optiques pourraient être adaptées pour les images RSO. Une nouvelle base de données d'images RSO Inverse (RSOI ou ISAR) est proposée dans cette thèse. Elle contient des images d'entraînement et de test obtenues dans des configurations variées. Une technique visant à générer des images artificielles supplémentaires est aussi développée. L’objectif est d’améliorer l’efficacité de l’apprentissage des algorithmes de classification nécessitant de nombreuses images d'entraînement, tels que les réseaux de neurones. Cette technique consiste à simuler un bruit SAR réaliste sur les images initiales. Une segmentation basée sur des Modèles de Mélange de Gaussiennes (MMG ou GMM) est adaptée à des images RSO à polarisation simple. Des descripteurs conçus pour caractériser des images optiques sont utilisés dans le domaine RSO afin de classifier des cibles après segmentation et leurs performances respectives sont comparées. Une nouvelle architecture de réseau de neurones, appelée pose-informed, est développée. Elle prend en compte les effets de l’orientation de la cible sur son apparence dans les images RSO. Les résultats présentés montrent que cette architecture permet une amélioration significative de la classification par rapport à une architecture standard. Au-delà des performances, un enjeu cléréside dans l’explicativité des méthodes issues du deep learning. Un ensemble d’outils analytiques sont présentés afin faciliter la compréhension du processus de décision du réseau de neurones. Ils permettent, entre autres, l’identification des zones vues comme essentielles à la classification par le réseau de neurones.

Autonomous moving platforms carrying radar systems can synthesise long antenna apertures and generate Synthetic Aperture Radar (SAR) images. SAR images provide strategic information for military and civilian applications and they can be acquired day and night under a wide range of weather conditions. Because the interpretation of SAR images is a common challenge, Automatic Target Recognition (ATR) algorithms can help assist with decision-making when the operator is in the loop or when the platforms are fully autonomous. One of the main limitations of developing SAR ATR algorithms is the lack of suitable and publicly available data. Optical images classification, instead, has recently attracted significantly more research interest because of the number of potential applications and the profusion of data. As a result, robust feature-based and deep learning classification methods have been developed for optical imaging that could be applied to the SAR domain. In this thesis, a new Inverse SAR (ISAR) dataset consisting of test and training images acquired under a range of geometrical conditions is presented. In addition, a method is proposed to generate extra synthetic images, by simulating realistic SAR noise on the original images, and increase the training efficiency of classification algorithms that require a wealth of data, such as deep neural networks. A Gaussian Mixture Model (GMM) segmentation approach is adapted to segment single-polarised SAR images of targets. Features proposed to characterise optical images are transferred to the SAR domain to carry out target classification after segmentation and their respective performanceis compared. A new pose-informed deep learning network architecture, that takes into account the effects of target orientation on target appearance in a SAR image, is proposed. The results presented in this thesis show that the use of this architecture provides a significant performance improvement for almost all datasets used in this work over a baseline network. Understanding the decision-making process of deep networks is another key challenge of deep learning. To address this issue, a new set of analytical tools is proposed that enables the identification, amongst other things, of the location of the algorithm focus points that lead to high level classification performance., Une plateforme autonome en mouvement dotée d'un système radar peut générer des images Radar à Synthèse d'Ouverture (RSO ou SAR). Ces images fournissent des informations stratégiques pour des applications civiles et militaires. Elles peuvent être acquises de jour commede nuit dans des conditions météorologiques variées. Des algorithmes visant à la Reconnaissance Automatique de Cible (RAC ou ATR) sont alors utiles pour assister voire automatiser la prise dedécision. En effet, l’interprétation de ces images peut être complexe, y compris pour un opérateur expérimenté. La classification d'images du domaine visible génère un intérêt important des chercheurs, en partie grâce à la profusion des données. Par conséquent, des méthodes robustes de classification par descripteurs et deep learning ont été développées pour les images visibles. A l’inverse, une problématique essentielle rencontrée lors du développement d'algorithmes pour la RAC RSO est la rareté des données accessibles au public. Une difficulté supplémentaire est la variabilité des phénomènes physiques lors de l’acquisition radar. Les méthodes de classification des images optiques pourraient être adaptées pour les images RSO. Une nouvelle base de données d'images RSO Inverse (RSOI ou ISAR) est proposée dans cette thèse. Elle contient des images d'entraînement et de test obtenues dans des configurations variées. Une technique visant à générer des images artificielles supplémentaires est aussi développée. L’objectif est d’améliorer l’efficacité de l’apprentissage des algorithmes de classification nécessitant de nombreuses images d'entraînement, tels que les réseaux de neurones. Cette technique consiste à simuler un bruit SAR réaliste sur les images initiales. Une segmentation basée sur des Modèles de Mélange de Gaussiennes (MMG ou GMM) est adaptée à des images RSO à polarisation simple. Des descripteurs conçus pour caractériser des images optiques sont utilisés dans le domaine RSO afin de classifier des cibles après segmentation et leurs performances respectives sont comparées. Une nouvelle architecture de réseau de neurones, appelée pose-informed, est développée. Elle prend en compte les effets de l’orientation de la cible sur son apparence dans les images RSO. Les résultats présentés montrent que cette architecture permet une amélioration significative de la classification par rapport à une architecture standard. Au-delà des performances, un enjeu cléréside dans l’explicativité des méthodes issues du deep learning. Un ensemble d’outils analytiques sont présentés afin faciliter la compréhension du processus de décision du réseau de neurones. Ils permettent, entre autres, l’identification des zones vues comme essentielles à la classification par le réseau de neurones.

Modern radar and sonar systems rely on active sensing to accomplish a variety of tasks, including detection and classification of targets, accurate localization and tracking, autonomous navigation and collision avoidance. Bats have relied on active sensing for over 50 million years and their echolocation system provides remarkable perceptual and navigational performance. The aim of this study is to investigate the mechanisms bats use to process echo acoustic signals and investigate if there are lessons that can be learned and ultimately applied to radar systems. The basic principles of the bat auditory system processing are studied and applied to radio frequencies. A baseband derivative of the Spectrogram Correlation and Transformation (SCAT) model of the bat auditory system, called Baseband SCAT (BSCT), has been developed. The BSCT receiver is designed for processing radio-frequency signals and to allow an analytical treatment of the expected performance. The response of the BSCT to two closely spaced targets is studied and it is shown that the problem of measuring the relative distance between two targets is converted to a problem of measuring the range to a single target. Nearly double improvement in the resolution between two close scatterers is achieved with respect to the matched filter. The robustness of the algorithm has been demonstrated through laboratory measurements using ultrasound and radio frequencies., Съвременните радарни и сонарни системи разчитат на активно наблюдение, за да изпълняват различни задачи, в това число откриване и класификация на цели, точна локализация и проследяване, автономна навигация и избягване на сблъсъци. Прилепите, за да оцелеят в продължение на над 50 милиона години, са развили ехолокационна система, осигуряваща възприятия и навигация, които са непостижими за съществуващите синтетични системи. Целта на дисертационния труд е да се изследват механизмите за обработка на звуковите ехосигнали в слуховата система на прилепите и да се установят предимствата и недостатъците за радарни и сонарни приложения. Основните принципи на обработка на ултразвуковите ехосигнали в слуховата система на прилепите са изследвани и приложени към радиочестотни сигнали. За целта е разработен модел, аналогичен на SCAT (модел разработен и използван от биолози), но който работи с основна лента (Baseband SCAT или BSCT) и е проектиран за работа с радиочестотни сигнали и за аналитично моделиране на очакваните характеристики. Анализирана е реакцията на BSCT за два близко разположени обекта и е показано, че задачата за измерване на относителното разстояние между два обекта се превръща в задача за измерване на разстоянието до единичен обект. Постига се почти двойно подобряване на разрешаващата способност на два обекта спрямо тази на съгласувания филтър. Демонстрирана е устойчивостта на алгоритъма посредством лабораторни измервания на двойки сфери, плочи и пръти с ултразвук и радиовъ

Embedded below the radome of a missile, existing RF-seekers use a mechanical rotating antenna to steer the radiating beam in the direction of a target. Latest research is looking at replacing the mechanical antenna components of the RF-seeker with a novel 3D conformal antenna array that can steer the beam electronically. 3D antennas may offer significant advantages, such as faster beam steering and better coverage but, at the same time, introduce new challenges resulting from a much more complex radiation pattern than that of 2D antennas. Thanks to the mechanical system removal, the new RF-seeker has a wider available space for the design of a new 3D conformal antenna. To take best benefits of this space, different array shapes are studied, hence the impact of the position, orientation and conformation of the elements is assessed on the antenna performance in terms of directivity, ellipticity and polarisation. To facilitate this study of 3D conformal arrays, a Matlab program has been developed to compute the polarisation pattern of a given array in all directions. One of the task of the RF-seeker consists in estimating the position of a given target to correct the missile trajectory accordingly. Thus, the impact of the array shape on the error between the measured direction of arrival of the target echo and its true value is addressed. The Cramer-Rao lower bound is used to evaluate the theoretical minimum error. The model assumes that each element receives independently and allows therefore to analyse the potential of active 3D conformal arrays. Finally, the phase monopulse estimator is studied for 3Dconformal arrays whose quadrants do not have the same characteristics. A new estimator more adapted to non-identical quadrants is also proposed.; Embarqué sous le radôme du missile, les autodirecteurs existants utilisent une rotation mécanique du plan d’antenne pour balayer le faisceau en direction d’une cible. Les recherches actuelles examinent le remplacement des composantes mécaniques de rotation de l’antenne par un nouveau réseau d’antennes 3D conformes à balayage électronique. Les antennes 3D conformes pourraient offrir des avantages significatifs, tels qu’un balayage plus rapide et une meilleure couverture angulaire mais qui pourraient aussi offrir de nouveaux challenges résultant d’un diagramme de rayonnement plus complexes en 3D qu’en 2D. Le nouvel autodirecteur s’affranchit du système mécanique de rotation ce qui libère de l’espace pour le design d’une nouvelle antenne 3D conforme. Pour tirer le meilleur parti de cet espace, différentes formes de réseaux sont étudiées, ainsi l’impact de la position, de l’orientation et de la conformation des éléments est établi sur les performances de l’antenne, en termes de directivité, ellipticité et de polarisation. Pour faciliter cette étude de réseaux 3D conformes, un programme Matlab a été développé, il permet de générer rapidement le diagramme de rayonnement en polarisation d’un réseau donné dans toutes les directions. L’une des tâches de l’autodirecteur consiste à estimer la position d’une cible donnée afin de corriger la trajectoire du missile. Ainsi, l’impact de la forme du réseau sur l’erreur entre la direction d’arrivée mesurée de l’écho de la cible et sa vraie valeur est analysé. La borne inférieure de Cramer-Rao est utilisée pour calculer l’erreur minimum théorique. Ce modèle suppose que chaque élément est alimenté séparément et permet ainsi d’évaluer le potentiel des réseaux 3D conformes actifs.Finalement, l’estimateur du monopulse en phase est étudié pour des réseaux 3D conformes dont les quadrants n’auraient pas les mêmes caractéristiques. Un nouvel estimateur, plus adapté à des quadrants non identiques, est aussi proposé.

Embedded below the radome of a missile, existing RF-seekers use a mechanical rotating antenna to steer the radiating beam in the direction of a target. Latest research is looking at replacing the mechanical antenna components of the RF-seeker with a novel 3D conformal antenna array that can steer the beam electronically. 3D antennas may offer significant advantages, such as faster beam steering and better coverage but, at the same time, introduce new challenges resulting from a much more complex radiation pattern than that of 2D antennas. Thanks to the mechanical system removal, the new RF-seeker has a wider available space for the design of a new 3D conformal antenna. To take best benefits of this space, different array shapes are studied, hence the impact of the position, orientation and conformation of the elements is assessed on the antenna performance in terms of directivity, ellipticity and polarisation. To facilitate this study of 3D conformal arrays, a Matlab program has been developed to compute the polarisation pattern of a given array in all directions. One of the task of the RF-seeker consists in estimating the position of a given target to correct the missile trajectory accordingly. Thus, the impact of the array shape on the error between the measured direction of arrival of the target echo and its true value is addressed. The Cramer-Rao lower bound is used to evaluate the theoretical minimum error. The model assumes that each element receives independently and allows therefore to analyse the potential of active 3D conformal arrays. Finally, the phase monopulse estimator is studied for 3Dconformal arrays whose quadrants do not have the same characteristics. A new estimator more adapted to non-identical quadrants is also proposed.; Embarqué sous le radôme du missile, les autodirecteurs existants utilisent une rotation mécanique du plan d’antenne pour balayer le faisceau en direction d’une cible. Les recherches actuelles examinent le remplacement des composantes mécaniques de rotation de l’antenne par un nouveau réseau d’antennes 3D conformes à balayage électronique. Les antennes 3D conformes pourraient offrir des avantages significatifs, tels qu’un balayage plus rapide et une meilleure couverture angulaire mais qui pourraient aussi offrir de nouveaux challenges résultant d’un diagramme de rayonnement plus complexes en 3D qu’en 2D. Le nouvel autodirecteur s’affranchit du système mécanique de rotation ce qui libère de l’espace pour le design d’une nouvelle antenne 3D conforme. Pour tirer le meilleur parti de cet espace, différentes formes de réseaux sont étudiées, ainsi l’impact de la position, de l’orientation et de la conformation des éléments est établi sur les performances de l’antenne, en termes de directivité, ellipticité et de polarisation. Pour faciliter cette étude de réseaux 3D conformes, un programme Matlab a été développé, il permet de générer rapidement le diagramme de rayonnement en polarisation d’un réseau donné dans toutes les directions. L’une des tâches de l’autodirecteur consiste à estimer la position d’une cible donnée afin de corriger la trajectoire du missile. Ainsi, l’impact de la forme du réseau sur l’erreur entre la direction d’arrivée mesurée de l’écho de la cible et sa vraie valeur est analysé. La borne inférieure de Cramer-Rao est utilisée pour calculer l’erreur minimum théorique. Ce modèle suppose que chaque élément est alimenté séparément et permet ainsi d’évaluer le potentiel des réseaux 3D conformes actifs.Finalement, l’estimateur du monopulse en phase est étudié pour des réseaux 3D conformes dont les quadrants n’auraient pas les mêmes caractéristiques. Un nouvel estimateur, plus adapté à des quadrants non identiques, est aussi proposé.