ДИПЛОМСКИ РАД На тему: Детекција појаве циља у окружењу извиђачких радара

Transcript

1 Електротехнички факултет у Београду Катедра за аутоматику ДИПЛОМСКИ РАД На тему: Детекција појаве циља у окружењу извиђачких радара Студент: Ментор: Вељко Поповић проф. Жељко Ђуровић У Београду, августа 2007.

2 Садржај 1. Увод Опис проблема Преглед постојећих метода Преглед рада Теоријски увод у алгоритме за детекцију сигнала Разматрање сврхе алгоритма Поставка алгоритма Дефинисање алгоритма Закључак поглавља Радарски сигнали и системи, природа радарских сигнала и информација садржана у њима Доплеров ефекат Особине радарских сигнала Принцип рада импулсног Доплеровог радара Ехо сигнал амбијента и његове особине Закључак поглавља Предлог софтверске реализације и резултати детекције Анализа примењених параметара алгоритма Предлог софтверске реализације у форми дијаграма тока Анализа резултата Закључак рада Литература 63. 2

3 1. Увод Радари су најстарији радиолокацијски систем. Идеје су постављене већ почетком 20 ог века године је дата прва демонстрација система који је на основу радио еха детектовао бродовље на удаљености од 3 километра од обале. Касније је домет повећан на 10 километара. Овај примитивни систем је био у могућности само да детектује бродовље. Оператер је био обавештаван помоћу звонцета. Човек који је осмислио систем звао се Christian Huelsmeyer. У свом раду августа Тесла је предложио употребу радара за осматрање и испод мора у циљу тражења подморница, а информација о рефлектованим сигналима би се приказивала на флоуресцентној подлози. Тесла је уочио да се радари могу користити и за прибављање других информација као што је одређивање брзине кретања, начина и смера кретања, врсте или величине циља. После интезивног развоја радиолокацијских система, поготово током Другог светског рата, појавом брзе и јефтине рачунарске опреме, радари поново постају веома атрактивни за инжењере и истраживаче широм света. Већ сада постоје системи који обједињују више сензора на једном месту као што су инфрацрвени сензори, термовизори, радарски сензори различитих врста који прикупљене информације чине поузданијим и веродостојнијим. Радарске системе, како у војно безбедносној употреби тако и у разним цивилним наменама, потребно је модернизовати и ослободити обавезе присуства оператера који би тумачио податке које добија. 1.1 Опис проблема Зависно од врсте и намене радара, постоји више начина на који се сигнал може презентовати оператеру. Најчешћи је, свакако, тамно зелени дисплеј на чијој се површини оцртава сигнал који је примљен. Други начин је да се сигнал доведе на слушалице које носи оператер, а да оператер на основу звука који чује у слушалицама препознаје податке који су потребни. У овом раду ће се разматрати управо такав систем. Предмет рада је аудио сигнал, који је по природи Доплеров ехо сигнал, који оператер чује у слушалицама. У последњих десет, петнаест година се тежи да се дисплеј пројектује на мониторе рачунара разних врста. Да би се извршила коректна класификација циља, потребно је прво издвојити циљ из околног шума. Наиме, радари су карактеристични по томе што обасјавају извесан део простора електро магнетним таласима. Они се рефлектују о било какву површину, земљу, дрво, воду, лишће. Иако доплерски радари, о којима ће бити више речи касније, не реагују на објекте чија је радијална брзина у односу на радар нулта, сваки сигнал који долази на радар у себи садржи и податке о кретању вегетације, воде, или других рефлексионих покретних површина. Долази се до закључка да 3

4 издвојити циљ из позадине није тривијалан проблем. Са друге стране, постоји потреба да се циљ уочи довољно рано и да се обезбеди довољно података за други степеник : класификацију. Оно што је зачуђујуће је, да добро обучен оператер веома поуздано врши и детекцију и класификацију циља. Пошто оператер доноси одлуку о постојању/непостојању циља на основу сигнала из говорног опсега, може се помислити да бисмо могли да извршимо детекцију појаве циља у зони радарског осматрања на основу неких од постојећих алгоритама за издвајање говора из шума. Овај рад се управо тиме и бави. Користи се Rabiner ов алгоритам [1] који је прављен за детекцију говора. Алгоритам је у потпуности развијан за људски говор и тестиран на људски говор. Уз веома ситне измене, тај алгоритам је примењен на радарски сигнал. Резултати и детаљи биће презентовани касније. На основу резултата треба формирати предлог софтверског решења у форми дијаграма тока које би требало да ради у реалном времену. Дакле потребно је, на основу Rabiner овог алгоритма, детектовати тренутак појаве циља у окружењу импулсног Доплеровог извиђачког радара. 1.2 Преглед постојећих метода У литератури се може наћи неколико приступа аутоматској детекцији радарских циљева. Између осталих, ту су алгоритми засновани на статистичкој теорији у телекомуникацијама који се ослањају на процес тестирања хипотеза, даље, алгоритми засновани на спектру примљеног сигнала који се ослањају на промене спектра примљеног сигнала у односу на емитовани, алгоритми засновани на спектрограму тј. на временски зависном спектру сигнала. У последње време, са развојем нових математичких алата, веома су популарна истраживања која своје алгоритме заснивају на fuzzy логици и неуралним мрежама. Међутим, једна од најрапрострањенијих и најстаријих техника детекције тренутно у свету је тзв. CFAR (Constant False Alarm Rate) детектор који се налази у готово 90% старијих радара. Због своје хардверске реализације, ова техника је у народу познатија и као CFAR процесор. Овај метод се заснива на непрестаном снимању терена, статистичком мапирању терена, предикцијом следеће вредности мапе резолуционе ћелије, на основу кога се поставља праг детекције. Веома је згодно што је ова техника адаптивна, има карактер предиктора, уз претпоставку да се окружење мења значајно спорије од циљева који су од интереса и да нема дискретних рефлектора зрачења велике рефлексионе површине. Проблем са овом техником је неопходност познавања статистике позадине. На жалост, оптималност овог алгоритма је обезбеђена само у случају кад шум има тачно одређену статистику што најчешће није случај. 4

5 1.3 Преглед рада Овај рад се бави покушајем да се искористи алгоритам који се користи у говорној техници, за детекцију циља у зони радарског осматрања (резолуционој ћелији). У поглављу два, дат је теоријски увод у алгоритме за детекцију сигнала. Ту је детаљно изложен коришћени алгоритам на основу кога је направљен MatLab програм којим је вршена анализа резултата. Поглавље три се бави радарским сигналима, поделом радара по начину на који је информација ускладиштена у рефлектованом сигналу, природи информације која се крије у радарском сигналу, особинама радарских сигнала као и тумачењима и закључцима који се могу извести из секвенце радарског сигнала. Поглавље четири представља приказ примене алгоритма на радарске системе, детаље који су везани за употребу алгоритма у радарским системима, резултате детекције применом описаног алгоритма. Пето поглавље, представља закључак. Ту се може наћи сиже свега што је написано, коментар разултата, правац у ком ће бити усмерена даља истраживања као и коментар који се тиче употребљивости алгоритма у реалном систему. На крају је приложена литература која је коришћена за израду рада. 5

6 2. Теоријски увод у алгоритме за детекцију сигнала Алгоритми за детекцију сигнала имају за циљ да из произвољног окружења издвоје користан сигнал из шума, корисну секвенцу меморишу и предају је даље на обраду. Генерално, алгоритми се разликују по сложености што утиче на њихову употребљивост на датом хардверу, али и ефикасности тј. вероватноће нетачне детекције (вероватноће лажног аларма). Ако постоји статистички опис позадине из које се издваја користан сигнал и статистички опис сигнала, онда је и решење знатно поузданије и предвидљивије: може се поставити тест хипотеза на основу кога ће се одлучивати која од две хипотезе је вероватнија. Хипотезе које су у игри су 1) има циља и 2) нема циља. Овако постављен тест може да пружи и неодређеност са којом је утврдио да је у питању једна или друга хипотеза. Међутим, у великом броју случајева, шум у који је утопљен сигнал нити има стационарну природу, нити стационарну статистичку расподелу. Наравно, и сам сигнал који је користан нема стационарну природу, па се ни не може описати одређеном статистиком. Да би се избегао проблем који би настао ако би се говорник или окружење променило, у употреби су технике естимације статистике случајних сигнала који представљају окружење. Једно од решења које се интуитивно намеће је детекција на основу енергије сигнала. Наиме, за очекивати је да ће користан сигнал имати значајно вишу енергију од шума. То јесте тачно, али не потпуно. Издвајање на основу енергије корисног сигнала је могуће само у случајевима великог енергетског односа сигнал/шум. Оног тренутка кад се тај однос смањи до неке границе, рездвајање сигнала од шума је могуће, али често неуспешно или некомплетно. Комплетност издвојене секвенце је поготово битно у говорним системима, где се жели идентификовати изговорена реч. Тада је потребно детектовати реч од почетка како би се свако изговорено слово на правилан начин идентификовало. 2.1 Разматрање сврхе алгоритма Овај поднаслов има за циљ да размотри природу сигнала на које се Rabiner ов алгоритам примењује. Треба одговорити да ли је, барем теоретски, могуће применити овај алгоритам за сигнале који се добијају на радарским системима. Пре свега, говорни сигнал није једноставан. Као што је већ речено, то је временски нестационаран континуалан корелисан сигнал. Глас настаје побудом вокалног тракта. Постоје три могуће врсте побуде: 1. ваздушна струја из плућа је модулисана вибрацијама гласних жица. Резултат је квази периодична пулсна побуда вокалног тракта, 6

7 2. ваздушна струја из плућа постаје турбулентна услед проласка ваздуха кроз препреке које чине гласне жице. Резултат је побуда, по карактеристикама слична белом шуму, 3. ваздушна струја наилази на затворене гласне жице. Притисак иза жица се увећава све док није довољно висок да их отвори. Долази до рапидног протока ваздуха и пролазне побуде вокалног тракта. Коначно уобличавање дешава се на при судару струје са зубима, језиком и уснама. Да би изучавање настанка и могуће вештачке синтезе говора било једноставније, из анализа је уследио модел говорног система. По редукованом моделу, који је демонстриран у [1] модел говора се састоји из шест блокова. Сваки блок је подсистем за себе. Један од њих је временски нестационаран, али на кратком временском интервалу, типично 10 до 20 милисекунди, сматра се да су сви параметри модела константни. На слици 2.1 је приказан модел о којем се говори. PITCH PERIOD KONTROLA AMPLITUDE GENERATOR POVORKE IMPULSA IMPULSNI MODEL GLOTISA G(z) PARAMETRI MODELA KONTROLA AMPLITUDE MODEL VOKALNOG TRAKTA V(z) RADIACIONI MODEL R(z) GENERATOR SLUCAJNOG SUMA Слика 2.1 Модел говорног система човека Овај модел у некој мери еквивалентира процес настајања говорног сигнала код човека. Импулсни модел глотиса представља понашање глотиса током времена. Контрола амплитуде и подизање њеног нивоа је под контролом човека. Генератор поворке импулса и импулсни модел глотиса заједно представљају систем који је активан приликом изговарања звучних гласова. Доњи део модела представља део система који је активан током изговарања безвучних гласова. Модел вокалног тракта описује понашање вокалног тракта приликом производње гласова. Ако се погоди резонантна учестаност вокалног тракта, долази до осцилација на фреквенцијама форманата, па се, као последица тога, на излазу јављају самогласници. Резонантну учестаност вокалног тракта карактеришу полови модела вокалног тракта. На крају, ту је радиациони модел који представља везу између брзине ваздушне масе на излазу из вокалног тракта и на излазу из усана. Детаљи око моделовања говора могу се наћи у [1]. 7

8 Из до сада приложене материје може се закључити да је говор, у ствари, последица проласка побудне ваздушне струје кроз читав низ блокова који имају неку функцију преноса. Проблем нестационарности параметара модела не утиче на општост закључка из простог разлога што се параметри мењају, типично, на сваких 10 до 20 милисекунди (фреквенција Hz), а периода одабирања је значајно мања од тога. Напомене ради, сматра се да је су амплитуде компоненти говорног сигнала на више од 4 khz занемарљиво мале и да се, стога, често каже да је говорни сигнал ограничен на 4 khz. Тада минимална периода одабирања са којом не би дошло до оштећења информација била 8 khz што је много више од горе наведених Hz. Шта је са радарским сигналом? Какве он особине поседује и да ли ће моћи да се примени алгоритам за детекцију почетка говора на радарске системе? Детаљније ће се природа овог сигнала разматрати у поглављу 3, сада су потребна само основна разматрања. Доплеров радар ради на следећем принципу: постоји предајна и пријемна антена (најчешће је у питању само једна антена на којој се временски мултиплексирају пријем и предаја). Предајна антена емитује сигнал познате учестаности. Тај сигнал се одбија и враћа до пријемне антене. Када се емитовани сигнал одбије о неки објекат долази до промене фазног става ако је тај објекат покретан. Свака промена фазног става везана је и за промену учестаности, па се, ако је присутан покретни циљ, на пријемној антени јавља сигнал који је на фреквенцији која је виша (ако се циљ приближава) или нижа (ако се циљ одаљава) за Доплерову фреквенцију. Доплерова фреквенција је повезана са радијалном брзином циља у односу на радар, па се може и одредити и вредност брзине кретања циља. На жалост, нема никакве функције преноса, у питању је чиста модулација. Међутим, карактеристике радарских ехо сигнала су по свему сличне говорном сигналу: и он је временски нестационаран корелисан (састоји се од једне синусоиде у идеалном случају). Стога се долази до следећег закључка: можда је могуће извршити детекцију појаве циља алгоритмом за детекцију почетка говора, али није могуће извршити и класификацију. Разлог лежи у томе што је радарски сигнал само модулисан, за разлику од говорног сигнала код кога су природни параметри говорника (учестаност форманата и pitch периода) исфилтрирани, па их је можда тешко уочити у самом сигналу, али у одређеним случајевима (изговарање вокала) сигурно егзистирају. 2.2 Поставка алгоритма Као што је већ напоменуто, говор је временски нестационаран сигнал. Долази до значајних промена у амплитуди и фреквенцијском садржају сигнала. С тога је пожељно наћи погодан начин за репрезентовање говорног сигнала. Претпоставка која лежи испод сваке анализе говорног сигнала је да се он релативно споро мења са временом. Зато су се развиле кратко временске технике (КВ технике, надаље). Оне 8

9 имају за циљ да говорни сигнал третирају секвенце говора као независне секвенце звука са фиксним параметрима у оквиру интервала посматрања аналитичког фрејма. Те технике су обично дате у форми 2.1. m= Q = T[ x( m)] w( n m) 2.1 n Једначином 2.1. је обухваћено готово све што је потребно: T представља неку трансформацију сигнала, произвољну, било линеарну, било нелинеарну. Трансформисани сигнал се прозорује произвољном прозорском функцијом w (n). На тај начин се избегава нагли прелаз између два суседна фрејма. Једначина 2.1 одговара шеми са слике 2.2. x(n) T [ ] FILTAR PROPUSNIK NISKIH UCESTANOSTI Слика 2.2 Шема која одговара једначини 2.1 Тако се енергија може из разити у КВ запису на следећи начин: 2 E n = x( m) w( n m)] m= [ 2.2 a 2 2 E n = x ( m)[ w( n m)] m= 2.2 б E ( m) h( n m); h( n) 2 n = x = m= 2 w ( n) 2.2 в Избор дужине прозорске функције h(n) директно утиче на изглед КВ енергије. Ако би прозорска функција била превише дугачка, филтар нископропусник са слике 2.2 би био веома узан, па би се пропуштале само ниже фреквенције. Због тога би резултујући сигнал био веома споре динамике, по динамици ближи једносмерној компоненти што је дужина прозора већа. То није пожељно јер желимо да промене одражавају природу правог сигнала. Дакле, са једне стране потребан нам је прозор довољно дугачак да се промене енергије између два фрејма одвијају глатко, а са друге стране довољно кратак како би КВ енергија одражавала динамику сигнала 9

10 довољно брзо током процеса усредњавања. Ово су опречни захтеви и мора се наћи компромис. Друго питање на које треба одговорити је који прозор користити? Одговор на ово питање је потражено у експерименту. Наиме, потребно је да речи које су прекинуте тишином буду изоловане. Билe су посматране три прозорске функције: Hamming ова, Blackman ова и Hann ова. Посматран је звучни запис са говором одрасле женске особе. На слици 2.3 је дат временски дијаграм тог сигнала. Слика 2.3 Временски дијаграм говорног сигнала Реч је о секвенцијалном понављању пара слогова БУБУ три пута са већом паузом, неколико пута са мањом и на крају је тај пар слогова изговорен мало продужено. На крају и почетку секвенце се јављају звукови који су последица манипулације говорника микрофоном. Без претераног детаљисања, са дијаграма се може закључити да постоји пет сегмената говора, три краћа и два нешто дужа. Приметне су и мање паузе које представљају међуглас. Када се алгоритам пусти долази се до прилично сличних резултата. По препоруци из [1] примењен је Hamming ов прозор. Питање на које треба пружити одговор је и питање дужине прозора. Потрбно је наћи компромис између горе наведена два захтева који су опречни. У [1] је дат предлог како треба размишљати приликом одабира дужине прозорске функције. 10

11 Нека је дата правоугаона прозорска функција. И нека је дата периода одабирања F s. Фреквенцијска карактеристика правоугаоног прозора је дата једначином 2.3 где је T периода одабирања сигнала, а N дужина прозора. ( ) sin( ΩNT / 2) sin( ΩT / 2) jωt jωt ( N 1) / 2 H e = e 2.3 Прва нула фреквенцијске карактерисике се јавља на аналогној учестаности која је једнака F = Fs / N ; F s = 1 T 2.4 Ова вредност се узима за граничну фреквенцију нископропусног филтра којим се еквивалентира прозор. Hamming ов прозор има два пута шири пропусни опсег од правоугаоног. Рецимо да желимо да дужина прозора буде задовољавајућа, па је за говорни сигнал препоручена вредност између 100 и 200. Са друге стране, пошто желимо да КВ прорачуни одражавају динамику сигнала, аналитички фрејмови треба да буду дупло мањи од дужине прозора. Одлучио сам се да дужина прозора буде 200 одбирака, а да, сходно препоруци, дужина аналитичког фрејма буде 100 одбирака. Дакле у једној секунди сигнал ће бити прозорован 50 пута, а усредњавање ће бити обављано 100 пута јер је узета периода одабирања за говорни сигнал од 10 khz. Друга интерпретација која ће бити од интереса је број проласка кроз нулу. Ова интерпретација је веома интересантна јер може грубо проценити фреквенцију сигнала. Рецимо, ако постоји синусоида фреквенције 1 Hz, она ће проћи кроз нулу два пута током једне секунде. За потребе алгоритма, у [1] је предложена следећа формула за прерачунавање мере проласка кроз нулу: m= Z = sgn[ x( m)] sgn[ x( m 1)] w( n m) 2.5 n где су: 1 x( n) 0 sgn[ x ( n)] = 1 x( n) < n N 1 w( n) = 2N 0 inace

12 Модел говорног систма говори да су звучни гласови смештени у зони испод 3kHz, али безвучни гласови су сконцентриасни на нешто вишим фреквнцијама. Може се закључити да се звучни и безвучни гласови разликују по фреквенцијама. Није то потпуно тачно, преклапање постоји, али се може рећи да је ова интерпретација прилично корисна за разликовање гласова иако се не може формирати строга разлика. На основу ове две битне репрезентације говорног сигнала, биће формиран алгоритам. Са једне стране, ту су звучни гласови који имају солидну амплитуду, а са друге стране безвучи гласови који су нешто сиромашнији по питању амплитуде, али су прилично богати високим фреквенцијама. 2.3 Дефинисање алгоритма Да би алгоритам иоле успешно радио, претпоставља се да може да дође до информација о шуму који га окружује. Зато се претпоставља тишина у првих десет аналитичких фрејмова. Алгоритам на основу првих 10 аналитичких фрејмова естимира параметре позадинског шума. Претпоставља се да је шум Гаусовски респодељен што је сасвим веродостојно ако се прорачун параметара ради довољно често током периода тишине. Прво је потребно прерачунати учестаност проласка кроз нулу. Добија се десет вредности, за сваки аналитички фрејм по једна, прерачуна се средња вредност IZC ' и стандардна девијација σ мерења. На основу ове карактеризације, поставља гранична вредност за учестаност проласка кроз нулу ( једначина 2.8 ): IZCT = min( 25 / dm, IZC' 2σ ) 2.8 Вредност dm представља дужину аналитичког фрејма у милисекундама и у случају говора, та вредност је 10. Потом је потребно прерачунати енергију током интервала. Добија се такође десет вредности. Узимају се максималне IMX и минимална вредност IMN енергије током тог интервала. Прерачунавају се параметри K 1 и K 2 на основу једначина 2.9 и K 1 = 0.03 ( IMX IMN) + IMN 2.9 K 2 = 4 IMN

13 Вредности енергетских граница ITU и ITL се прерачунавају као у 2.11 и ITL = min( K 1, K 2 ) 2.11 ITU = 5 ITL 2.12 Слика 2.4 Графички приказ алгоритма Сада се претражује наредни део снимљене секвенце како би се нашао аналитички фрејм чија је енергија већа од вредности ITU (тачка А на дијаграму, слика 2.4). Оног тренутка кад се пронађе тај фрејм, алгоритам се враћа фрејм по фрејм назад како би се нашао фрејм који је испод вредности ITL (тачка B на дијаграму). Овакав поступак је неопходан ако желимо избећи случајне преласке преко ITL. Може се десити да енергија превазиђе ову вредност, али да већ у неком од наредних пар фрејмова падне испод ITL. Зато се прво пронађе фрејм који је на граници са конзервативнијом вредношћу ITU, а иде се у назад како би се нашла тачка проласка кроз ITL. Када се нађе ITL, преброји се 25 фрејмова уназад колико има вредности учестаности проласка кроз нулу који су већи од задате вредности IZCT. Ако их има мање од три, алгоритам ITL проглашава почетком говорне секвенце. Ако их има више од три, претражује се уназад до тренутка у ком се јавља вредност учестаности проласка кроз нулу која је мања од границе IZCT (тачка C на дијаграму). Ако се и после 25 13

14 фрејмова не постигне граница IZCT, тада се 25 и фрејм проглашава за почетак говорне секвенце. Дакле максимално дозвољено трагање за вредношћу мањом од IZCT је 250 милисекунди у случају говора. Када се детектује премашај конзервативне вредности енергије ITU, чека се на пад испод ITL (тачка D на дијаграму), па се од тог тренутка ради бројање фрејмова који имају учестаност проласка кроз нулу која је већа од задате, све исто као код почетка само се ради унапред. Оваква методологија заиста обезбеђује солидну детекцију. Наравно, неопходно је процесирање сигнала након детекције. 2.4 Закључак поглавља Дакле, након анализе природе говорног сигнала и упоређивања са природом радарског сигнала дошло се до закључка да је могуће користити овај алгоритам за потребе детекције радарског циља у окружењу, али да не постоје теоретске основе за идентификацију циљева на основу неког од познатих алгоритама који су предложени у [1] за препознавање говорника. Доплеров ехо радарски сигнал је, по природи, временски нестационаран, али и корелисан, а сам по себи је само модулисан сигнал предајног сигнала који представља побуду окружења, за разлику од говорног сигнала који је филтриран сигнал побуде. Резултати детекције циљева у зони радарског осматрања биће приказани у четвртом погљављу. 14

15 3. Радарски сигнали и системи, природа радарских сигнала и информација садржана у њима Радар је радиолокацијски систем који спада у групу активних сензора. Радарски системи, али и генеално, радиолокацијски системи, се заснивају на феномену дифракције електромагнетних таласа у присуству објекта у простору у којем се распростире талас. Основна намена радара је откривање присуства циљева и других објеката у ваздушном простору, копну или на мору и одређивање основних параметара тих објеката: брзине кретања, даљине, угаоног положаја и величине. Осим осматрачке намене, праве се и радарски системи који имају намену да прате само један циљ и да обавештава остатак система о његовом положају и такви радари се називају нишански радари. Радари се интезивно користе и у метереологији, цивилном ваздухопловству, за обезбеђивање граница и других објеката од интереса итд. Радари се по систему функционисања деле на радаре са континуалним таласом и пулсне радаре. Пулсни радари се деле на оне са кохерентном и некохрентном структуром. Термин радар је настао као скраћеница од RAdio Detection And RAnging што значио радио детекција и мерење даљине. Извиђачки радар који је коришћен за потребе овог рада је извиђачки радар за оматрање тла домаће производње, домета око 1,5 километара за пешаке, 3 километара за теретна возила. Радар којим се бави овај рад, је пулсни Доплеров радар са кохерентном структуром. Кохерентна структура подразумева да су фазни ставови унутар електричних кола чврсто везани и посебним колима се увек одржавају константним. На излазу овог радарског система, емитује се звучни сигнал који се чује у оператеровим слушалицама. Овај радар спада у категорију радара за осматрање копна и служи за детекцију људства, возила различитих величина и мањих нисколетећих летилица. Данас постоји неколицина радара за осматрање копна који се разликују по домету, снази, домету, минималној брзини видљивог циља, тј. брзини циља испод које радар није у стању да препозна циљ. Домети радара се крећу од неколико километара, па до 18 km за пешаке (за тежа возила и до 30) немачког система RATAC S. Радар функционише тако што подручје које осматра обасја електроматнетним зрачењем у предајном импулсу, а у пријемном импулсу се рефлектовани сигнал покупи. Тај сигнал се обрађује одређеним техникама и на основу тих података се добијају потребне инфомације. 15

16 3.1 Доплеров ефекат Пошто се у овом раду комплетна прича врти око Доплеровог радара, ред је да се том феномену посвети посебна пажња. Доплеров ефекат је феномен промене учестаности таласног процеса при релативном кретању извора таласног процеса и пријемника. Приликом креатања пријемника ка извору, детектоваће се виша фреквенција од емитоване, а приликом кретања од извора, детектоваће се нижа фреквенција од емитоване. Разлика у фреквенцијама представља основу за мерење брзине кретања циља. Основно ограничење овог принципа рада је што ће се Доплеров ефекат јављати само приликом кратања циља (дакле, ако је циљ непокретан, радар га не види ) у радијалном смеру. То значи да се циљ може кретати и око радара, на константној даљини, а да га радар, такође, неће детектовати. Дакле, Доплеров радар је у стању да измери само радијалну компоненту брзине циља у односу на радар. Кренимо од непокретог циља. Нека је циљ на даљини R од радара и нека је из радара емитован сигнал амплитуде A, кружне учестаности ω 0 и почетне фазе ϕ 0 описан у 3.1. s t) = Acos( ω t + ) 3.1 1( 0 ϕ0 Ако се занемари слабљење преноса сигнала, тада се ехо сигнал на месту пријема може описати релацијом R s 2 ( t) = Acos ω 0 t + ϕ0 + ϕ1 3.2 c где је ϕ 1 фазни померај услед рефлексије од циља, а c брзина светлости. Приметно је да нема промене кружне учестаности, већ је основни сигнал само закашњен за време за које је потребно таласу да оде до циља и да се врати. Фазно померање услед рефлексије је природна ствар и такође не мења учестаност сигнала. Ако, међутим, у једначини 3.2 даљину R прогласимо за променљиву времена и то линеарну (циљ се креће константном радијалном брзином v r ка радару), на пример, долази до ефеката који су описани једначинама 3.4 и 3.5. R dr( t) R( t) = R0 ± t = R ± vr t 3.3 dt = 0 Тада пријемни сигнал има следећи облик: 16

17 2R0 2vr s2 ( t) = a cos ω 0t ω0 m ω0 t + ϕ0 + ϕ1 3.4 c c што се може записати у форми 3.5: 2vr 2R0 ' ' s2 ( t) = a cos ω 0 m ω0 t + ϕ0 + ϕ1 ω0 = a cos( ω0t + ϕ0 ) 3.5 c c Дакле, фреквенцију ехо импулса у коме се циљ креће у радијалном правцу у односу на радар можемо описати једначином 3.6 f ' 0 2vr = f 0 m f 0 = f 0 m f d 3.6 c Вредност f 0 је основна учестаност, а вредност која је обележена са f d је Доплерова учестаност и једнака је: f d 2vr 2vr = f 0 = 3.7 c λ Релативистички феномени су занемарени, што је оправдано јер је v r << c. Очигледно је да радар може служити и као брзински сензор. Тада би радијална брзина објекта била изведена из 3.7 јер су сви остали параметри познати. Код импулсног радара је мерење брзине у општем случају вишезначно. Код овог типа радара, информација о Доплеровој фреквенцији је садржана у фазној разлици узастопних ехо сигнала. Циљ у периоди понављања импулса пређе пут Δ R = v r T i, па је фазна разлика два узастопна ехо сигнала дата једначином 3.8: 2 π ΔΦ = π (2ΔR) = 4 v r T i 3.8 λ λ Овај податак се назива Доплеров фазни померај. Ако је циљ непокретан, нема промене растојања од радара, дакле, нема фазног помераја. Обзиром да се фаза може мерити само опсегу 0 2π, у општем случају важи 3.9: ΔΦ = ΔΦ izm + 2 kπ, k = 0,1,2, где је ΔΦ izm измерени фазни померај суседних импулса. Пошто важи да је 17

18 f 1 dφ = 2π dt 3.10 за усвојени модел кретања може се писати: f d 1 ΔΦ 1 ΔΦ izm 1 = = + k = f dizm + kfi, k 2π T 2π T T i i izm = 1,2, Из претходних једначина следи да мерени фазни померај не сме бити већи од 2 π, тј. проистиче ограничење максималне мерене брзине коју радар може једнозначно да одреди: ΔΦ = 4π v rti < 2π 3.12 λ Одакле следи да је производ радијалне брзине и периоде импулса мањи од половине таласне дужине носиоца: λ v rt i < Генерално, на основу Доплеровог ефекта се може измерити брзина кретања, а на основу мерења брзине се може издвојити покретни циљ. Међутим, због мноштва сметњи које не спадају у категорију циљ, а који се крећу, није могуће извршити поуздану детекцију само на основу Доплеровог ефекта. Доплеров ефекат даје свој допринос у синалу на излазу радара и када се креће возило, пешак или неки други циљ од интереса, али и када се крећу гране дрвећа које се налазе у зони радарског осматрања, па чак и када се креће неко више растиње или кад дува ветар. 3.2 Особине радарских сигнала Да би се радила било каква карактеризација, потребно је најпре погледати какве су то особине радарских сигнала. У претходном делу где је било мало више приче о говорном сигналу, видели смо да, у говору, постоји извесна разлика између звучних и безвучних гласова и да се та разлика огледа у постојању виших фреквенцијских компоненти у периоду изговрања него код звучних. И код радарских система постоји слична ствар. Ехо сигнал добијен од пешака има нижи фреквенцијски садржај од ехо сигнала који је добијен одбијањем сигнала од возило. Међутим, због свега што је малопре речено о природи Доплеровог сигнала, не може се извршити класификација само на основу брзине јер се возило може кретати веома малом радијалном брзином у односу на радар. Класификација се мора радити на 18

19 друге начине, а неке од њих су предочене у [4]. Свакако је од интереса погледати како ти сигнали изгледају и које су њихове особине. Разматраће се четири групе сигнала: цивилно лице које хода, цивилно лице које трчи, путничко возило и теретно возило. Да би се дошло до статистичких података, може се урадити усредњавање добијеног сигнала. Наиме, треба дати сигнал изделити на више мањих, урадити Fourrier ову трансформацију над добијеним кратким сигналима, а потом усредњити спектре. Оваква операција може бити од користи, али може и да одведе до ситнијих заблуда, али о томе касније. Подскупови једне дугачке секвенце имају по 512 одбирака. После издвајања подскупова, сваки одбирак краће секвенце је помножен Kaiser овом прозорском функцијом са вредношћу параметра 5 ради ублажавања промена сигнала. На следећим сликама су приказани спектри сигнала који су од интереса. Напомене ради, сви објекти се крећу ка радару, путничко и теретно возило се крећу приближно брзином од 30 km/h. Путничко возило је Renault 4, а теретно возило је FAP са радаром Жирафа на њему. На следећим сликама (3.1 до 3.4) је приказан усредњени спектар. Шта се може закључити из приказаних слика? Види са да постоји разлика у Доплеровим учестаностима због различитих брзина кретања. Друго, види се и да постоји разлика у ширини спектра око централне Доплерове фреквенције. То се дешава из два разлога. Први, и основни, је чињеница да ниједан од циљева није хомоген у смислу брзине. То значи да се не крећу сви делови неког циља истом брзином. Пешак се креће једном брзином (мислећи на његов труп), али удови се крећу другом, и да ствар буде још забавнија, крећу се у различитим смеровима у односу на радар. Повећавањем своје динамике, пешак на известан начин шири спектар око централне Доплерове фреквенције. Аутомобил се, креће једном брзином, у овом случају 30 km/h, али постоје и други делови возила који вибрирају неким брзинама. То је посебно изражено код спектра теретног возила или возила гусеничара који овде нису предмет разматрања. Веома је интересантно и запажање да се неке спектралне компоненте код возила јављају због вишеструке рефлексије између делова возила и тла. Други разлог је усредњавање. Овим методом могу се добити неке статистичке информације, али се оне не смеју се узети као једини показатељи. Примера ради, колико год се возач аутомобила трудио да одржи правац кретања сталним, ако се возило креће по неравном терену, постојаће мала скретања. То ће довести до промене радијалне брзине у односу на радар, па ће се приликом усредњавања ехо сигнал размазати у неком делу спектра. Зато је потребно прегледати и случајно одабране секвенце радарског сигнала саме за себе, и из неколико њих извести закључак који ће довести до бољег разумевања физике проблема. У ту сврху, на сликама 3.5 до 3.8 приказани су спектри произвољно изабране поворке 512 узастопних одбирака. Приметне су разлике у односу на слике поготово кад је у питању возило. 19

20 Слика 3.1 Усредњени спектар пешака који хода Слика 3.2 Усредњени спектар пешака који трчи 20

21 Слика 3.3 Усредњени спектар путничког возила Слика 3.4 Усредњени спектар теретног возила 21

22 Слика 3.5 Спектар усамљене секвенце пешака који хода Слика 3.6 Спектар усамљене секвенце пешака који трчи 22

23 Слика 3.7 Спектар усамљене секвенце путничког возила Слика 3.8 Спектар усамљене секвенце теретног возила 23

24 Са претходних слика види се да је спектар ехо сигнала који долази са аутомобила прилично добро концентрисан око једне вредности за разлику од усредњене варијанте. Исто тако и код теретног возила, само што је код теретног возила спектар сконцетрисан око три усамљена пика. То нам говори много тога: ако се у разматрање узме ширина спектра око централне Доплерове учестаности, могуће је говорити о некој класификацији. Област око централне Доплерове учестаности је много шира код пешака него код возила. Закључак је да је размазивање спектра око Доплерове учестаности последица усредњавања, а не праве природе сигнала који се добија. Вишеструкост пикова код теретног возила се заиста може окарактерисати кретањем његових делова различитим брзинама. 3.3 Принцип рада импулсног Доплеровог радара Сада је можда згодно говорити о још једном феномену који се јавља у радарској техници. Тај појам се односи на термин резолуциона ћелија. Ствар је у томе што се код импулсних радара информација добија тако што се пријемни канал отвори у неком тренутку. Да би циљ био детектован, мора се његов ехо сигнал вратити у време отворености канала за пријем. Наравно, постоји вероватноћа да се ехо сигнал не врати у пријемној ћелији која одговара његовој предајној ћелији, па ће доћи до грешке. На слици 3.9 приказан систем рада пулсног радарског система. Слика 3.9 Представа пријема сигнала Потребно је да пријемни канал буде отворен T R како би се ухватио рефлектовани импулс. Ако се претпостави да је циљ на даљини R, јасно је да је време када се ехо сигнал очекује на антени једнак: c T R 2R = 3.14 Међутим, ако ехо сигнал не стигне у време отвореног пријемног канала већ у време предаје, сигнал једноставно неће бити прихваћен. Међутим, може се десити да се 24

25 сигнал врати у пријемном делу који му не припада. Тада долази до вишезначности по даљини (слика 3.10). Слика 3.10 Графички приказ вишезначности Да би се избегла вишезначност, једноставно се не емитује довољно велика снага да би се ехо сигнал уопште вратио. Чињеница да је потребно посматрати на више даљина, решава се променљивом периодом импулса. Термин резолуциона ћелија се управо односи на ове феномене. Друга димензија ћелије је одређена ширином главног снопа антене (слика 3.11). Слика 3.11 Дијаграграм зрачења антене Тако је резолуциона ћелија изгледа као на слици

26 Слика 3.12 Резолуциона ћелија Битна ствар везана за резолуциону ћелију је да радар не види циљеве изван резолуционе ћелије што је и разумљиво, обзиром на све претходно наведено. Због тога се термин детекција појаве циља у радарском окружењу редукује на резолуционе ћелије. Заправо, цела прича која се водила до сада је била везана за једну фиксну резолуциону ћелију. Дакле посао који се у овом раду мора обавити је детекција циља који улази у резолуциону ћелију као и тренутка када се то догоди. Чисто примера ради, погледајмо, упоредо, две ситуације: возило које је далеко од радара и возило које је значајно ближе радару. Сасвим је очекивано да се возило које је ближе радару буде видљивијe. То демонстрирају и слике 3.13а и 3.13б. Слика 3.13а представља спектар возила које је даље од радара, а слика 3.13б, представља спектар возила које је ближе. Слика 3.13а Спектар ехо сигнала удаљеног аутомобила Слика 3.13б Спектар ехо сигнала ближег аутомобила 26

27 На слици 3.14 је упоредно приказан спектар амбијента, и спектар удаљеног аутомобила. Слика 3.14а Спектар ехо сигнала амбијента Слика 3.14б Спектар ехо сигнала удаљеног возила 27

28 Види се да је ниво ехо сигнала аутомобила чак и нижи од нивоа ехо сигнала амбијента. Стога ће бити веома изазовно детектовати тренутак уласка возила у резолуциону ћелију. Наравно, аутомобил је сниман у реалном окружењу тј. са све амбијентом, тако да се може рећи да се аутомобил не види од амбијента. Амбијент је сниман сам за себе, па су и показатељи амбијента на два дијаграма различити. Олакшавајућа околност је да је спектар амбијента прилично широк и приближно константне амплитуде дуж целог спектра, што значи да претпоставка која је наведена унутар разматраног алгоритма, да је шум по природи бели Гаусов шум, на месту и у случају радарских сигнала. Из тога следи да ће шум унутар алгоритма бити веома добро естимиран што гарантује сасвим солидну поставку граничних вредности унутар алгоритма. Резултати детекције ће бити приказани у следећем поглављу. 3.4 Ехо сигнал амбијента и његове особине На крају овог дела рада, било би згодно мало се осврнути на ехо сигнал амбијента и његове особине. Већ је речено да на ехо сигнал много тога утиче, па чак и дување ветра. Неке од ових појава немогуће је предвидети. Зато се користе разне технике или аутоматске адаптације на околину и естимације нивоа сигнала који потиче од амбијенталне рефлексије (као што је CFAR процесор, описан у ранијем тексту), или се сними једном терен, пређе се једном преко свих резолуционих ћелија памтећи ниво сметње, или се препушта оператеру да са конзоле са које прати ситуацију одабере један од услова који одговарају стању на терену. Битно је знати какве су особине сметњи. Сметње у радарској техници које су последица нежељених рефлексија од околних објеката који нису предмет радарског осматрања називају се клатери, од енглеске речи clutter што у буквалном преводу означава неред, гужву. Да би се лакше анализирали, клатери су подељени у две групе: у површинске који су последица одсјаја од паразитне рефлекторе на површини тла или мора. Ту спадају зашумљене површине, грађени објекти, разнолико растиње. У другу групу спадају запремински клатери. То су сметње које су последице разних метереолошких појава тј. честица које се јављају за време њихове манифестације, јата птица итд. У клатере, такође, спадају и рефлексије које потичу од несавршености дијаграма зрачења антене. Нећу се много задржавати на особинама клатера, навешће се само битне ставке. Треба напоменути да амплитуду клатера одрећују средња вредност предајне снаге радара, добитак антене у смеру озраченог дела тла, инкрементални коефицјент рефлексије, површина тла која је обасјана и даљина обасјаног објекта од радара. Однос сигнал/клатер не зависи од снаге радара. И треба напоменути да је овај однос обрнуто сразмеран даљини и то са првим степеном. Детаље погледати у [5] и [6]. Обзиром да су секвенце снимане у реалном окружењу, јасно је да постоје сметње које су последице амбијента. Растиње које маскира ноге пешака доводи до повећаног утицаја клатера на квалитет детекције. Што је растиње више, маскирање је 28

29 озбиљније, па самим ти је вероватноћа детекције. Обзиром да је растиње на терену релативно ниско у односу на висину пешака, утицај клатера је мањи. Међутим, због неравнина терена постоје рефлексије, а кретање вегетације узрокује осцилације ехо сигнала на око 150 Hz ако радарски систем ради у X опсегу. На слици 3.15 дат је временски дијаграм енергије клатера по аналитичким фрејмовима, а на слици 3.14а и његов спектар. Слика 3.15 Енергија амбијента по аналитичким фрејмовима у зависности од времена Може се уочити да енерергија клатера може достизати приличне вредности. Енергија по аналитичком фрејму је рачуната као сума енергија сваког појединачног одбирка унутар аналитичког фрејма. Добра страна амбијенталног ехо сигнала у овом случају је чињеница да је спектар прилично раван што је добро јер је у оквиру алгоритма претпостављено да је шум Гаусов. 29

30 3.5 Закључак поглавља У поглављу су приказане основе Доплеровог ефекат, сигнатура радарских ехо сигнатура циљева у статистичком и појединачном случају. Закључено је да су особине ехо сигнала довољне да се може формирати разлика између сигнатуре амбијента и сигнатуре циљева. Сигнатуре су разматране у спектралном домену како би се утицај Доплеровог ефекта боље уочио. Разматране су основе радарских система који се заснивају на импулсно Доплеровом систему. Примећена је, на подацима који су прикупљени са терена, значајна разлика између циљева који су близу и који су далеко, да је ефекат резолуционе ћелије приметан и да је сигнал амбијента доминантан у ситуацији кад је возило далеко од сензора. Дошло се до закључка да ће бити веома изазован посао детектовати тренутак уласка циља у резолуциону ћелију, као и да је ехо сигнал који долази од амбијента веома личи на бели Гаусов шум. На крају су размотрене неке особине клатера. 30

31 4. Предлог софтверске реализације и резултати детекције Овај део представља заокруживање целине. Циљ свег овог рада је био детекција тренутка уласка циља у зону радарског осматрања (резолуциону ћелију) и овде се приказују резултати, наводе конкретне вредности неких параметара и, на крају се предлаже софтверско решење у форми дијаграма тока које би требало успешно да се бави детекцијом, а која, би, по захтеву који је постављен, морала радити у реалном времену у што је могуће већој мери. Због прегледности рада, вратићу се још једном на алгоритам предложен у другом поглављу, на коришћене формуле, начин на који се постављају границе. На крају ће бити предложена техника обраде података која гарантује добре резултате. 4.1 Анализа примењених параметара алгоритма Напомена је да се, технички, ништа није променило у односу на алгоритам који је предложио Rabiner за детекцију говора. Променила се само периода одабирања која сад износи 4 khz, а самим тим и параметри прозорске функције и дужине аналитичког фрејма. Прозоровање се ради на дужини од 80 одбирака, а аналитички фрејм је дужине 40 одбирака тј. 10 ms. Поступак је исти: десет аналитичких фрејмова за естимацију параметара тишине, затим постављање прагова на основу естимираних параметара тишине. Постављају се три прага за две интерпретације сигнала: један за учестаност проласка кроз нулу који је назван IZCT и два за енергију сигнала, један конзервативан који је назван ITU и један који је веома близак нивоу тишине који је назван ITL. Прво се естимирају параметри тишине (у случају радарског сигнала, естимирају се параметри ехо сигнала амбијента). Потом се тражи фрејм који је својом енергијом превазишао ITU. Енергија фрејма се рачуна као сума енергија сваког појединачног одбирка унутар тог фрејма. Формуле које се, конкретно, користе у овој реализацији за прорачун енергије и учестаност проласка кроз нулу дате су у једначинама 4.1 и 4.2 респективно E = x ( m) 4.1 n m= 0 40 Z = sgn[ x( m)] sgn[ x( m 1)] 4.2 n m= 0 31

32 Прозоровање је у овим једначинама изостављено јер се сигнал прво прозоровао по секвнцама од 80, а онда се делио на пола и рачунала се енергија и учестаност проласка кроз нулу. Границе су постављане на начин на који је то описано у поглављу 2. Тада би се алгоритам пустио да тражи уназад како би пронашао фрејм који се налази испод ITL. Када се пронађе такав фрејм, прегледа се још 25 фрејмова уназад да се провери да ли је број фрејмова који имају учесталији број проласка кроз нулу већи од IZCT. Ако их има мање од три, за почетак уласка циља у зону радарског осматрања се проглашава фрејм у ком је пронађен пролазак кроз ITL. Ако не, иде се уназад претражујући по фрејмовима онај који се први спушта испод IZCT. Пронађен фрејм се проглашава за почетак. Ако таквих нема, последњи фрејм који се претражује се проглашава за тренутак уласка у зону осматрања. Сада је потребно пустити алгоритам да нађе енергју која је нижа од ITL, одкле се понавља поступак који је наведен, само уместо рада уназад, ради се унапред. Претраживање по учестаностима проласка кроз нулу доноси делове секвенци које су невидљиве са енергетског становишта јер је амплитудски ниво сигнала у нивоу шума или чак нижи. Новина коју пружа овај алгоритам је и адаптација. Прво ограничење на које се налетело је ограничење по питању примене у софтверу реалног времена. Аутори су претпостављалида постоји снимљена цела секвенца и да је на почетку тишина. Три питања намећу сама по себи: 1. Како знати кад је снимљена цела секвенца? 2. Шта ако на почетку није тишина (тј. ако постоји циљ у резолуционој ћелији)? Одговор на прво питање је: никако. То једноставно не можемо знати. То је циљ: треба наћи почетак и крај. Одговор на друго питање има двојак одговор.ако је на почетку био сигнал релативно ниског нивоа, неће бити проблем. Међутим, ако је на почетку постојао циљ чији ехо има високу амплитуду, неће доћи до детекције. Наиме, граничне вредности (једначине ) се постављају на основу тишине, а нижа граница би требала да буде нешто мало изнад нивоа енергије тишине. Тада би се десило да енергија фрејмова сигнала буде виша од доње границе, али да никако не може да достигне горњу границу. Таква ситуација је представљена на слици 4.1 на којој се виде обе границе и сигнал који се налази негде између. Аутори су постављали границе тако да се то не деси, али за говорни сигнал и са претпоставком да се параметри тишине естимирају на основу тишине заиста. 32

33 Слика 4.1 Проблем постављања енергетских граница 4.2 Предлог софтверске реализације у форми дијаграма тока Коначан циљ је направити систем који успешно детектује циљеве у окружењу радара. Оригинална идеја је била да се оригинални сигнал растури на низ мањих и да се над њима врши анализа као да је радар тог тренутка укључен. Међутим из разлога који су презентовани у претходном делу, резултати су били страховито погрешни. Пример је дат на слици 4.2. Плавом бојом је обележена временска серија аутомобила који долази и одлази, а црвеном детекција возила. Ако је вредност детекције једнака јединици, дошло је до детекције. Чак је и визуелно уочљиво да је детекција нетачна. Разлози се своде на одговоре на питање 2 из претходног поглавља. Међутим, постоје неки делови који су коректно детектовани. Зато се прибегло другачијем решењу како би се постигла пуна адаптивност програма који ради детекцију. Програм је подељен у две фазе: осматрање и праћење. Прва фаза представља ослушкивање простора без циљева. Ради се у секвенцама од по 560 одбирака (140 милисекунди), без међусобног преклапања. У оквиру те једне секвенце, за првих 400 одбирака (10 аналитичких пакета како је и захтевано) се претпостави да је тишина, а за остало да је сигнал за који се проверава да ли спада у користан сигнал. Ако не дође до детекције, а детекцијом се сматра ако је детектована дужина присуства циља унутар дужине осматрања већа од половине дужине осматрања, секвенца се брише и узима се нова. Ако дође до детекције, секвенца се памти, обележава се као почетак. 33

34 Памте се и параметри тишине и на основу њих се постављају границе које важе док програм прати циљ. Програм прелази у стање праћења. Тада почиње да се врши анализа фрејм по фрејм. Узима се фрејм по фрејм и спроводи Rabiner ов алгоритам у потпуности. На крају, по детектовању напуштања резолуционе ћелије од стране циља, програм поново прелази у стање осматрања и понавља се процедура. На већ поменутом тест узорку са слике 4.2 резултат је одличан, а приказан је на слици 4.3. Слика 4.2 Детекција по пакетима Слика 4.3 Програм са два стања 34

35 START VISE OD 3 POCETAK = 1 DA NE NADJI MANJI OD IZCT TRAZI ITU NE NADJENO ITU NADJEN? DA DA NE NE PREGLEDANO VISE OD 25 TRAZI ITL NE DA ITL NADJEN? IZCT FREJM DA PREBROJ VECE OD IZCT POCETAK=1? NE DA POCETAK=0 STOP Слика 4.4 Дијаграм тока Rabiner овог алгоритма 35

36 START UZMI ODBIRKE NE DETEKCIJA DA RABINEROV ALGORITAM PRIKAZ REZULTAT Слика 4.5 Дијаграм тока програма Дијаграм тока програма са два стања дат је на сликама 4.4 и 4.5. Слика 4.4 представља Rabiner ов алгоритам, а слика 4.5 представља дијаграм тока самог програма. 36

37 4.3 Анализа резултата Резултати су приказани на секвенцама које су снимљене на терену. За сваку од секвенци се зна ком одзиву припадају. Дакле, постоје секвенце за које се унапред зна да су у питању секвенце у којима се налази одређени циљ. Алгоритам је тестиран на три секвенце: ехо сигналу чистог амбијента, ехо сигналу пешака у доласку који хода и на ехо сигналу долазећег и одлазећег путничког возила. Последња секвенца је вештачки креирана од две секвенце: секвенце доласка и секвенце одласка возила. Пре изношења резултата, треба изнети пар запажања. Прво запажање се односи на учестаност проласка кроз нулу. Иако су оба сигнала, и говорни и радарски, слични по карактеристикама, корелисани, временски нестационарни сигнали, испоставило се да учестаност проласка кроз нулу није добар показатељ постојања циља. На слици 4.6, 4.7 и 4.8 су приказане оцене проласка кроз нулу на секвенцама од интереса. Слика 4.6 Оцена броја пролазака кроз нулу по аналитичком фрејму ехо сигнала чистог амбијента 37