TU Darmstadt / ULB / TUbiblio

Robust Signal Processing for Landmine Detection with Forward-Looking Radar

Pambudi, Afief Dias (2021)
Robust Signal Processing for Landmine Detection with Forward-Looking Radar.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00019672
Dissertation, Erstveröffentlichung, Verlagsversion

Kurzbeschreibung (Abstract)

Landmines and other unexploded ordnance are one of the greatest curses in modern times, the legacies of war continuing to pose threats to civilians many years after a conflict has ended. They limit freedom of movement and deny access to basic human needs, which hinder post-conflict reconstruction efforts and the implementation of the sustainable development goals of a country. Detection and clearance of landmines is a very risky operation, which requires high standards on technology and methodology.

This PhD thesis is dedicated to the problem of landmine detection using forward-looking ground penetrating radar in rough surface environments. Robust signal processing techniques are developed, which offer a guaranteed performance of landmine detection with the forward-looking radar. A multi-view imaging approach is used in which tomographic radar images are obtained from multiple viewpoints of the investigation area.

An approach based on a simple threshold and likelihood-ratio test is first examined for multi-view image fusion and detection. The imaging of a complex scene containing nine plastic and metallic targets is considered. The detection problem is defined as a test between a null (mines absent) and an alternative (mines present) hypothesis. A parametric family of distribution models is employed to obtain nominal distributions of the pixel intensity of the radar image under both hypotheses. The nominal distribution models are then used for fusion schemes based on the likelihood-ratio test detector.

In a robust approach, uncertainty distribution models under both hypotheses are considered. The detector is designed to be robust against the deviations of distributions. Two density bands are constructed within which the corresponding probability density functions of feasible distributions are assumed to lie. The detector is then designed such that it minimizes the maximum error probability for all possible density pairs within the two bands. The reason behind following a robust minimax approach is that accurate estimation of the distribution, given the varying nature of the interrogated environment, is highly challenging. The robust techniques overcome this issue since they do not need an accurate initial estimate and are guaranteed to perform well over a set of feasible distributions.

The design of the detector is further extended by accounting for the statistical dependency between multiple radar images from different viewpoints of the investigation area. Different copula density functions are investigated in terms of their effectiveness in incorporating dependence between multi-view images into the test statistics. It is shown that incorporating statistical dependence with a well-selected copula model improves the test performance of both non-robust and robust techniques, which affirms the benefit of the implementation.

Typ des Eintrags: Dissertation
Erschienen: 2021
Autor(en): Pambudi, Afief Dias
Art des Eintrags: Erstveröffentlichung
Titel: Robust Signal Processing for Landmine Detection with Forward-Looking Radar
Sprache: Englisch
Referenten: Zoubir, Prof. Dr. Abdelhak M. ; Ahmad, Asc. Prof. Fauzia
Publikationsjahr: 2021
Ort: Darmstadt
Kollation: xi, 97 Seiten
Datum der mündlichen Prüfung: 15 September 2021
DOI: 10.26083/tuprints-00019672
URL / URN: https://tuprints.ulb.tu-darmstadt.de/19672
Kurzbeschreibung (Abstract):

Landmines and other unexploded ordnance are one of the greatest curses in modern times, the legacies of war continuing to pose threats to civilians many years after a conflict has ended. They limit freedom of movement and deny access to basic human needs, which hinder post-conflict reconstruction efforts and the implementation of the sustainable development goals of a country. Detection and clearance of landmines is a very risky operation, which requires high standards on technology and methodology.

This PhD thesis is dedicated to the problem of landmine detection using forward-looking ground penetrating radar in rough surface environments. Robust signal processing techniques are developed, which offer a guaranteed performance of landmine detection with the forward-looking radar. A multi-view imaging approach is used in which tomographic radar images are obtained from multiple viewpoints of the investigation area.

An approach based on a simple threshold and likelihood-ratio test is first examined for multi-view image fusion and detection. The imaging of a complex scene containing nine plastic and metallic targets is considered. The detection problem is defined as a test between a null (mines absent) and an alternative (mines present) hypothesis. A parametric family of distribution models is employed to obtain nominal distributions of the pixel intensity of the radar image under both hypotheses. The nominal distribution models are then used for fusion schemes based on the likelihood-ratio test detector.

In a robust approach, uncertainty distribution models under both hypotheses are considered. The detector is designed to be robust against the deviations of distributions. Two density bands are constructed within which the corresponding probability density functions of feasible distributions are assumed to lie. The detector is then designed such that it minimizes the maximum error probability for all possible density pairs within the two bands. The reason behind following a robust minimax approach is that accurate estimation of the distribution, given the varying nature of the interrogated environment, is highly challenging. The robust techniques overcome this issue since they do not need an accurate initial estimate and are guaranteed to perform well over a set of feasible distributions.

The design of the detector is further extended by accounting for the statistical dependency between multiple radar images from different viewpoints of the investigation area. Different copula density functions are investigated in terms of their effectiveness in incorporating dependence between multi-view images into the test statistics. It is shown that incorporating statistical dependence with a well-selected copula model improves the test performance of both non-robust and robust techniques, which affirms the benefit of the implementation.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

Nicht explodierte Landminen und andere Blindgänger sind eines der größten Probleme der heutigen Zeit. Auch viele Jahre nach dem Ende eines bewaffneten Konfliktes stellen dessen Hinterlassenschaften eine Bedrohung für die Zivilbevölkerung dar. Sie schränken die Bewegungsfreiheit ein und stehen grundlegenden menschlichen Bedürfnissen im Wege, was den Wiederaufbau und die Umsetzung nachhaltiger Entwicklungsziele eines Landes behindert. Die Erkennung und Beseitigung von Landminen ist ein äußerst riskanter Vorgang, der hohe technologische und methodische Standards erfordert.

Diese Dissertation widmet sich dem Problem der Landminenerkennung mittels eines vorausschauenden bodendurchdringenden Radars in Gebieten mit rauen Böden. Es werden robuste Signalverarbeitungstechniken entwickelt, die Landminen mit Hilfe eines vorausschauenden Radars mit garantierter Leistung erkennen. Ein Multi-View-Imaging-Ansatz wird verwendet, bei dem tomographische Radarbilder des Untersuchungsgebiets aus mehreren Blickwinkeln aufgenommen werden.

Zunächst wird ein auf einem einfachen Schwellenwert und Wahrscheinlichkeitsquotienten-Test basierender Ansatz für Multi-View-Bildfusion und -erkennung untersucht. Die Abbildung einer komplexen Szene mit neun Zielen aus Kunststoff und Metall wird betrachtet. Das Erkennungsproblem wird definiert als Test zwischen einer Nullhypothese (keine Mine vorhanden) und einer Alternativhypothese (Mine vorhanden). Eine parametrische Familie von Verteilungsmodellen wird verwendet, um nominale Verteilungung der Pixelintensität des Radarbildes unter beiden Hypothesen zu erhalten. Die nominalen Verteilungsmodelle werden dann für Fusionsschemata basierend auf dem Wahrscheinlichsquotienten-Test (Detektor) verwendet.

In einem robusten Ansatz werden Unsicherheitsverteilungsmodelle unter beiden Hypothesen berücksichtigt. Der Detektor ist robust gegen Abweichungen bei den Verteilungen. Es werden zwei Dichtebänder konstruiert, für die angenommen wird, dass die entsprechenden Wahrscheinlichkeitsdichtefunktionen der zulässigen Verteilungen zwischen ihnen liegen. Der Detektor wird in der Folge so ausgelegt, dass er die maximale Fehlerwahrscheinlichkeit für alle möglichen Dichtepaare innerhalb der beiden Bänder minimiert. Der Grund für das Verfolgen eines robusten Minimax-Ansatzes ist, dass eine genaue Schätzung der Verteilung, in Anbetracht die Unterschiedlichkeit der zu untersuchenden Umgebung, eine große Herausforderung darstellt. Die robusten Techniken lösen dieses Problem, da sie keine genaue anfängliche Schätzung benötigen und eine gute Leistung über eine Reihe von zulässigen Verteilungen garantieren.

Das Design des Detektors wird erweitert, indem die statistische Abhängigkeit zwischen mehreren Radarbildern aus verschiedenen Blickwinkeln des Untersuchungsgebiets berücksichtigt wird. Verschiedene Copula-Dichtefunktionen werden hinsichtlich ihrer Wirksamkeit beim Einbeziehen der Abhängigkeit zwischen Multi-View-Bildern in die Teststatistik untersucht. Es wird gezeigt, dass die Einbeziehung der statistischen Abhängigkeit mit einem gut spezifizierten Copula-Modell die Testleistung sowohl von nicht-robusten als auch robusten Techniken verbessert, was den Nutzen der Implementierung bestätigt.

Deutsch
Status: Verlagsversion
URN: urn:nbn:de:tuda-tuprints-196722
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 600 Technik, Medizin, angewandte Wissenschaften > 600 Technik
600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau
Fachbereich(e)/-gebiet(e): 18 Fachbereich Elektrotechnik und Informationstechnik
18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Nachrichtentechnik
18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Nachrichtentechnik > Signalverarbeitung
Hinterlegungsdatum: 14 Okt 2021 12:20
Letzte Änderung: 15 Okt 2021 07:02
PPN:
Referenten: Zoubir, Prof. Dr. Abdelhak M. ; Ahmad, Asc. Prof. Fauzia
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 15 September 2021
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen