Implementation and evaluation of a method for detection of ground targets in aerial EO/IR imagery

Ett sätt att öka robustheten och effektiviteten hos obemannade flygande spaningsfarkoster är att introducera en förmåga till autonom datainsamling. För att efterlikna en sensoroperatörs sökmönster, där sökning över ett brett synfält kombineras med inzooming och detaljerad granskning av intressanta regioner, måste systemet kunna generera målindikationer i realtid. Snabba detektionsalgoritmer är också användbara för att invisa bildtolkar som bearbetar stora mängder flygspaningsdata, liksom i målsökartillämpningar. En detektionsalgoritms beräkningseffektivitet beror på dess strukturella utformning, kostnaden för särdragsextraktion samt särdragens diskrimineringsförmåga. På senare tid har ett flertal forskare föreslagit en sekvens (eller kaskad) av allt mer komplexa klassificerare som en metod att uppnå hög bearbetningstakt vid låga falsklarms- och missannolikheter. Den grundläggande principen (tillämpad rekursivt) är att en stor del av bakgrunden kan förkastas av en mycket enkel klassificerare innan en mer komplex klassificerare appliceras på återstående delar av bilden. Träningen av varje enskilt kaskadsteg kan integreras med särdragsval på så sätt att de mest diskriminerande särdragen i en mycket stor uppsättning sekventiellt adderas tills uppställda prestandakrav uppnås. I denna studie används en klass beräkningsmässigt mycket effektiva särdrag liknande Haar-wavelets. Klassificeraren tränas med en variant av LogitBoost som tillåter olika kostnader för falsklarm och missar. De experimentella resultaten är uppmuntrande och indikerar att det vid sökning efter militära markfordon är möjligt att uppnå hög bearbetningstakt samtidigt med låga falsklarms- och missannolikheter.