Target count identification under multi-target and target detection near ground clutter using machine learning
- 주제(키워드) Convolutional Neural Networks , Constant False Alarm Rate , Range-Doppler Map , Clutter Suppression , Frequency-Modulated Continuous Waveform , Target Identification , Autoencoder
- 발행기관 서강대학교 일반대학원
- 지도교수 Youngwook Kim
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제URI http://www.dcollection.net/handler/sogang/000000082666
- UCI I804:11029-000000082666
- 본문언어 영어
- 저작권 논문은 저작권에 의해 보호받습니다.
초록(요약문)
본 논문에서는 FMCW 레이다의 Range-Doppler Map(RDM)을 이용하여 두 가지 주요한 도전 과제인 근접 다중 표적에 대한 개수 식별과 지형 클러터 인접 저속 표적 탐지를 해결하기 위해 머신러닝 기반 기법들을 제안한다. 첫째, 기존 Constant False Alarm Rate(CFAR) 방식이 분해능 이내의 군집 표적을 개별적으로 탐지하기 어렵고 환경 및 잡음에 따라 파라미터의 최적화가 필수적인 한계를 극복하고자, Denoising Autoencoder(DAE)로 RDM의 잡음을 제거한 뒤 Convolutional Neural Network(CNN)를 통해 단일 RDM에서 표적의 개수를 직접 식별하는 방안을 제안한다. 시뮬레이션 결과, FMCW 파형 데이터에서 99.8%의 정확도를 노이즈가 포함된 Pulse Doppler 레이다 파형에서 99.9%의 높은 표적 개수 식별 정확도를 달성하여 제안 기법의 우수성을 검증하였다. 둘째, 지형 클러터가 전 거리 영역 및 Zero-Doppler 영역 근처에 나타나 저속 드론과 같은 표적 신호까지 제거되는 기존 Zero-Doppler Rejection 및 Moving Target Indicator(MTI) 방식의 문제점을 해결하기 위해 시계열 RDM 데이터를 활용한 Anomaly Detection 기반의 Autoencoder를 제안한다. 이를 통해 클러터 및 노이즈가 존재하는 환경에서 저속 표적 탐지 가능성을 확인하였다. 비록 현재 약 77.4%의 탐지 정확도를 보였으나, 이는 기존 CFAR 방식으로는 탐지하기 어려웠던 지형 클러터 인접 저속 표적에 대한 새로운 탐지 가능성을 제시한다. 제안하는 두 방법은 각각 분해능 한계 근처의 다중 표적에 대한 개별 탐지 및 클러터 환경에서의 저속 표적 탐지 성능 향상을 목표로 하며, 향후 실측 데이터 확장을 통해 실제 장비에서도 탐지성능을 증가시킬 수 있을 것이라고 기대된다.
more초록(요약문)
This paper proposes machine learning-based techniques to address two major challenges in radar systems utilizing Frequency-Modulated Continuous Wave (FMCW) radar's Range- Doppler Map (RDM): identifying the number of closely spaced multiple targets and detecting low-velocity targets adjacent to ground clutter. First, to overcome the limitations of conventional Constant False Alarm Rate (CFAR) methods which struggle to individually detect closely spaced targets within resolution limits and require continuous parameter optimization depending on environmental noise we propose a method that uses a Convolutional Autoencoder (AE) to denoise the RDM, followed by a Convolutional Neural Network (CNN) to directly identify the number of targets from a single RDM. Simulation results demonstrated the superior performance of the proposed technique, achieving an accuracy of 99.8% with FMCW waveform data and 99.9% with noisy Pulse Doppler radar waveform data for target count identification. Second, to resolve the issue where conventional Zero-Doppler Rejection and Moving Target Indication (MTI) methods eliminate even low-velocity targets like drones due to ground clutter appearing across all range domains and near the Zero-Doppler region, we propose an Anomaly Detection-based Autoencoder utilizing time-series RDM data. This approach confirmed the feasibility of detecting low-velocity targets in environments with clutter and noise. Although the current detection accuracy is approximately 77.4%, this approach demonstrates a new possibility for detecting low-velocity targets adjacent to ground clutter, which are difficult to detect using traditional CFAR methods. These two proposed methods aim to enhance individual target detection for multiple closely spaced targets within resolution limits and improve low-velocity target detection performance in cluttered environments, respectively. It is anticipated that applying this method to real-world measurement data will significantly increase the detection performance in actual radar systems. Key words: Convolutional Neural Networks(CNN), Constant False Alarm Rate (CFAR), Range-Doppler Map(RDM), Clutter Suppression, Frequency-Modulated Continuous Wave (FMCW) radar, Target Identification, Autoencoder
more목차
1 Generation Range-Doppler Map and Target Identification Method 1
1.1 Modeling Simulation Target in Range-Doppler Map Using FMCW Radar 1
1.2 Target Identification Method using Range-Doppler Map 4
2 Target Count Identification Using CNN Under Multiple Target from One-shot
Range-Doppler Map Data 7
2.1 Introduction 7
2.2 Multiple Closely Spaced Targets Modeling using FMCW waveform 9
2.3 Multiple Closely Spaced Targets Modeling using Pulsed Waveform 14
2.4 Training Convolutional Neural Network for Target Count Identification 16
2.4.1 Proposed Network Structure for FMCW radar modeling 16
2.4.2 Network Optimization Using Bayesian Optimization 20
2.4.3 Denoising AE(Autoencoder) Structure 22
2.5 Test Result of Target Count Identification 25
2.5.1 Test Result using FMCW Dataset 25
2.5.2 Test Result using Pulsed Doppler Waveform Dataset 32
2.6 Conclusion 36
3 Detection of Clutter-Proximal Target Using Time-Series FMCW Radar 37
3.1 Introduction 37
3.2 Target Identification Method Adjacent to Ground Clutter 38
3.3 Conclusion 47
