Detection and recognition of surface-laid mines

I denna rapport sammanfattas resultaten av det signalbehandlingsarbete som bedrivits inom projektet Multi-optisk minspaning (MOMS). Ett antal metoder för och aspekter av bl a dataregistrering, anomalidetektion, egenskapsextraktion, datafusion och igenkänning av minor beskrivs och diskuteras. Ett antal särskilt intressanta metoder har testats och utvärderats på sensordata från olika scener, för att möjliggöra analys av respektive metods för- och nackdelar under olika förutsättningar. Slutsatser från experimenten presenteras och diskuteras, med särskild tonvikt på aspekter som rör signalbehandling i ett sensorsystemperspektiv. Ett flertal olika elektrooptiska sensorer, såväl passiva som aktiva, har beaktats inom MOMS. I rapporten presenteras en metod för sensoroptimering som ger verktyg för att utforma en förhållandevis enkel elektrooptisk sensor som ändå är adekvat för uppgiften. Detta kan åstadkommas med hjälp av en informationsteoretisk dataanalys i vilken spektralband definieras utifrån mängden information de innehåller. För att data från flera sensorer ska kunna samutnyttjas måste data transformeras till ett gemensamt koordinatsystem. Kvaliteten på positionsbestämningen avgör på vilken nivå man kan fusionera data; ideal registrering möjliggör fusion ner på pixel- eller signalnivå. I ett distribuerat sensorsystem där, säg, data insamlade med en flygande plattform ska kombineras med data från en markbunden sensor, blir sannolikt pixelfusion av dessa data mycket svår att uppnå utan fusion måste då ske på en högre nivå, t ex beslutsnivå. Från ett signalbehandlingsperspektiv är det önskvärt att sensorerna sitter väldigt nära varandra, helst t o m med en gemensam optik eller detektor så att registreringen kan göras så noggrant som möjligt. Bland de undersökta signalanalysmetoderna framstår anomalidetektion som en nyckelkomponent i ett systemkoncept. Denna metod syftar till att detektera sådant som avviker från det normala i scenen (bakgrunden) och ger därför en första indikation på var ev. minor kan finnas. Dessutom kan denna metod potentiellt användas för detektion av andra objekt än minor, t.ex. IEDer. De detekterade anomalierna analyseras sedan genom att olika antaganden om målobjekten utnyttjas, bl a beträffande deras storlek. Detta leder till att minlika objekt kan detekteras. Om man dessutom har tillgång till detaljerad information om vissa måltyper, t ex i form av CAD-modeller eller bilder, erhållen innan eller insamlad under uppdraget, kan de detekterade objekten gå vidare till ett igenkänningssteg. Där undersöks de detekterade objektens likhet med ett antal måltyper.