8.5 GHz FMCW radarı kullanarak araç, insan ve dron üzerinden oluşturulan menzil doppler haritalarının uzamsal boyutlarda sınıflandırılması

Abstract

Bu tezde, menzil doppler haritalarına bağlı olarak insan, dron ve araç özelinde nesne sınıflandırma teknikleri araştırılmıştır. Kullanılan makine öğrenmesi ve derin öğrenme modelleri mimarileri, ardışık menzil doppler görüntülerinin uzamsal ve zamansal özellikleri dikkate alınarak belirlenir. Kamuya açık olan RDRD veri seti, önerilen model mimarisini eğitmek ve değerlendirmek için kullanılmıştır. Veri seti, bir 8.5 GHz frekans modüleli sürekli dalga radarı kullanılarak toplanmış; insan, araç ve dron gibi farklı hedef türlerine ait menzil doppler görüntülerini içermektedir. Belirli bir yol boyunca seyahat eden araç, dron ve insan için belirli sinyal işleme adımlarından geçirilerek elde edilen bu görüntüler, her sınıf için ardışık şekilde bir araya getirilerek bir görüntü yığını oluşturulmuştur. Söz konusu veri seti içindeki görüntülerin işlenmesi için, makine öğrenme ve derin öğrenme yöntemlerini içeren birkaç görüntü sınıflandırma tekniği vardır. Bu kapsamda, makine öğrenmesi tabanlı Rastgele Orman (RF) ve Aşırı Gradyan Artırmalı Öğrenme (XGB) algoritmalarının yanı sıra, derin öğrenmeye dayalı 2 Boyutlu Evrişimli Sinir Ağı (2D CNN) ve Görsel Dönüştürücü (ViT) mimarileri de karşılaştırmalı olarak değerlendirilmiştir. Bu mimariler özelinde, bahsedilen üç ayrı hedef için RF mimarisi test veri setinde %91,45, XGB yöntemi %92,54, özelleştirilmiş 2D CNN modeli %94,34 ve ViT mimarisi test veri seti üzerinde %93,19 oranında sınıflandırma doğruluğu sağlamıştır. In this thesis, object classification techniques for human, drone and vehicle based on range doppler maps are investigated. The machine learning and deep learning model architectures used were determined by considering the spatial and temporal characteristics of consecutive range doppler images. The publicly available RDRD dataset is used to train and evaluate the proposed model architecture. The dataset contains range doppler images of different types of targets, such as humans, vehicles and drones, collected using an 8.5 GHz frequency modulated continuous wave radar. These images, which are obtained by performing certain signal processing steps for vehicles, drones and humans traveling along a given path, are stacked together consecutively for each class to form an image stack. There are several image classification techniques for processing these images, including machine learning and deep learning methods. In this context, machine learning based Random Forest and XGBoost algorithms as well as deep learning based 2D Convolutional Neural Network and Visual Transformer architectures are comparatively evaluated. Specific to these architectures, Random Forest architecture provided 91,45%, XGBoost obtained 92,54%, custom developed 2D Convolutional Neural Network resulted 94,34% and Visual Transformer architecture achieved 93,19% classification accuracy on the test dataset.