No description available.

In this thesis, improvement of Cell Averaging Constant False Alarm Rate (CA CFAR) radar processors is studied. A new improvement method is proposed that will reduce probability of false alarm while keeping probability of detection at good values. This method makes use of Doppler spreading patterns that appear after Doppler processing. Therefore this method is called Doppler Pattern Matching (DPM). Performance of the algorithm has been investigated by Monte Carlo simulations. In order to evaluate the performance, improvement factor is calculated which is the ratio of the probability of false alarm of original detector to the false alarm of improved detector. It is observed that improvement factor changes depending on the simulation scenario. Almost in every case, good improvement factor can be obtained. Moreover, in most of the cases, there has been no reduction in probability of detection after DPM is applied to CA CFAR detector.

Conventional fixed threshold detectors set a fixed threshold based on the overall statistical characteristics of the spatially uniform clutter over all ranges to give a specific probability of false alarm and detection. However, in radar applications clutter statistics are not known a priori. Constant False Alarm Rate (CFAR) techniques provide an adaptive threshold to estimate the clutter statistics and to distinguish targets from clutter. In Cell Averaging CFAR (CA-CFAR) the threshold is controlled by averaging the fixed size CFAR cells surrounding the cell under test. In this thesis, radar detection of targets in sea clutter modelled by compound Kdistribution is examined from a statistical detection viewpoint by Monte Carlo simulations. The performance of CA-CFAR processors is analysed under varying conditions of sea clutter spatial correlation and spikiness for several cases of false alarm probability, the length of cell size used in the CFAR processor and the number of pulses integrated prior to CA-CFAR processor. v The detection performance of CA-CFAR is compared with the performance of fixed threshold detection. The performance evaluations are quantified by CFAR loss. CFAR loss is defined as the increase in average signal to clutter ratio compared to that of fixed threshold, required to achieve a given probability of detection and probability of false alarm. Curves for CFAR loss to the spikiness and spatial correlation of clutter, number of pulses integrated and the length of cell size are presented.

Det här examensarbetet utvärderar om det är möjligt att använda en eller flera GPUs för att under realtidsförhållanden utföra radarsignalbehandling i ett pulsdopplerradarsystem. En kedja med radarsignalbehandlingsalgoritmer som används för att utföra detektion har implementerats med CUDA och sedan prestandaanalyserats med fokus på låg exekveringstid. Två CFAR-detektionsalgoritmer, CA- och OS-CFAR, har inkluderats i analysen. För CFAR-algoritmerna har flera alternativ formulerats och implementerats för att utvärdera hur de bäst kan anpassas för att exekvera på en GPU. Prestandaanalysen av de implementerade algoritmerna visar att det är möjligt för det tänkta systemet att använda grafikkort för att utföra radarsignalbehandlingen i realtid. Implementationslösningar har presenterats både för CA- och OS-CFAR som uppfyller tidskraven för systemet, i vissa fall med god marginal. Lägst exekveringstider erhölls när vissa kompromisser gjordes med algoritmernas flexibilitet. För CA-CFAR erhölls lägst exekveringstider när ett Summed Area Table användes för tröskelvärdesberäkningen. För OS-CFAR uppmättes de lägsta exekveringstiderna när en rankjämförelse gjordes istället för en full sortering. Prestandaanalysen visar även att det på ett effektivt sätt går att skala upp implementationen för att utnyttja fler än en GPU.

Dans ce travail de thèse, nous présentons nos travaux qui portent sur l’identification des cibles en général par un radar Ultra-Large Bande (ULB) et en particulier l’identification des cibles dont la surface équivalente radar est faible telles que les piétons et les cyclistes. Ce travail se décompose en deux parties principales, la détection et la reconnaissance. Dans la première approche du processus de détection, nous avons proposé et étudié un détecteur de radar ULB robuste qui fonctionne avec des données radar 1-D (A-scan) à une dimension. Il exploite la combinaison des statistiques d’ordres supérieurs et du détecteur de seuil automatique connu sous le nom de CA-CFAR pour Cell-Averaging Constant False Alarm Rate. Cette combinaison est effectuée en appliquant d’abord le HOS sur le signal reçu afin de supprimer une grande partie du bruit. Puis, après avoir éliminé le bruit du signal radar reçu, nous implémentons le détecteur de seuil automatique CA-CFAR. Ainsi, cette combinaison permet de disposer d’un détecteur de radar ULB à seuil automatique robuste. Afin d’améliorer le taux de détection et aller plus loin dans le traitement, nous avons évalué l’approche des données radar 2-D (B-Scan) à deux dimensions. Dans un premier temps, nous avons proposé une nouvelle méthode de suppression du bruit, qui fonctionne sur des données B-Scan. Il s’agit d’une combinaison de WSD et de HOS. Pour évaluer les performances de cette méthode, nous avons fait une étude comparative avec d’autres techniques de suppression du bruit telles que l’analyse en composantes principales, la décomposition en valeurs singulières, la WSD, et la HOS. Les rapports signal à bruit -SNR- des résultats finaux montrent que les performances de la combinaison WSD et HOS sont meilleures que celles des autres méthodes rencontrées dans la littérature. A la phase de reconnaissance, nous avons exploité les données des deux approches à 1-D et à 2-D obtenues à partir du procédé de détection. Dans la première approche à 1-D, les techniques SVM et le DBN sont utilisées et évaluées pour identifier la cible en se basant sur la signature radar. Les résultats obtenus montrent que la technique SVM donne de bonnes performances pour le système proposé où le taux de reconnaissance global moyen atteint 96,24%, soit respectivement 96,23%, 95,25% et 97,23% pour le cycliste, le piéton et la voiture. Dans la seconde approche à 1-D, les performances de différents types d’architectures DBN composées de différentes couches ont été évaluées et comparées. Nous avons constaté que l’architecture du réseau DBN avec quatre couches cachées est meilleure et la précision totale moyenne peut atteindre 97,80%. Ce résultat montre que les performances obtenues avec le DBN sont meilleures que celles obtenues avec le SVM (96,24%) pour ce système de reconnaissance de cible utilisant un radar ULB. Dans l’approche bidimensionnelle, le réseau de neurones convolutifs a été utilisé et évalué. Nous avons proposé trois architectures de CNN. La première est le modèle modifié d’Alexnet, la seconde est une architecture avec les couches de convolution arborescentes et une couche entièrement connectée, et la troisième est une architecture avec les cinq couches de convolution et deux couches entièrement connectées. Après comparaison et évaluation des performances de ces trois architectures proposées nous avons constaté que la troisième architecture offre de bonnes performances par rapport aux autres propositions avec une précision totale moyenne qui peut atteindre 99,59%. Enfin, nous avons effectué une étude comparative des performances obtenues avec le CNN, DBN et SVM. Les résultats montrent que CNN a les meilleures performances en termes de précision par rapport à DBN et SVM. Cela signifie que l’utilisation de CNN dans les données radar bidimensionnels permet de classer correctement les cibles radar ULB notamment pour les cibles à faible SER et SNR telles que les cyclistes ou les piétons. / In this thesis work, we focused on the study and development of a system identification using UWB-Ultra-Wide-Band short range radar to detect the objects and particularly the vulnerable road users (VRUs) that have low RCS-Radar Cross Section- such as cyclist and pedestrian. This work is composed of two stages i.e. detection and recognition. In the first approach of detection stage, we have proposed and studied a robust UWB radar detector that works on one dimension 1-D radar data ( A-scan). It relies on a combination of Higher Order Statistics (HOS) and the well-known CA-CFAR (Cell-Averaging Constant False Alarm Rate) detector. This combination is performed by firstly applying the HOS to the received radar signal in order to suppress the noise. After eliminating the noise of the received radar signal, we apply the CA-CFAR detector. By doing this combination, we finally have an UWB radar detector which is robust against the noise and works with the adaptive threshold. In order to enhance the detection performance, we have evaluated the approach of using two dimensions 2-D (B-Scan) radar data. In this 2-D radar approach, we proposed a new method of noise suppression, which works on this B-Scan data. The proposed method is a combination of WSD (Wavelet Shrinkage Denoising) and HOS. To evaluate the performance of this method, we performed a comparative study with the other noise removal methods in literature including Principal Component Analysis (PCA), Singular Value Decomposition (SVD), WSD and HOS. The Signal-to-Noise Ratio (SNR) of the final result has been computed to compare the effectiveness of individual noise removal techniques. It is observed that a combination of WSD and HOS has better capability to remove the noise compared to that of the other applied techniques in the literature; especially it is found that it allows to distinguish efficiency the pedestrian and cyclist over the noise and clutters whereas other techniques are not showing significant result. In the recognition phase, we have exploited the data from the two approaches 1-D and 2-D, obtained from the detection method. In the first 1-D approach, Support Vector Machines (SVM) and Deep Belief Networks (DBN) have been used and evaluated to identify the target based on the radar signature. The results show that the SVM gives good performances for the proposed system where the total recognition accuracy rate could achieve up to 96,24%. In the second approach of this 1-D radar data, the performance of several DBN architectures compose of different layers have been evaluated and compared. We realised that the DBN architecture with four hidden layers performs better than those of with two or three hidden layers. The results show also that this architecture achieves up to 97.80% of accuracy. This result also proves that the performance of DBN is better than that of SVM (96.24%) in the case of UWB radar target recognition system using 1-D radar signature. In the 2-D approach, the Convolutional Neural Network (CNN) has been exploited and evaluated. In this work, we have proposed and investigated three CNN architectures. The first architecture is the modified of Alexnet model, the second is an architecture with three convolutional layers and one fully connected layer, and the third is an architecture with five convolutional layers and two fully connected layers. The performance of these proposed architectures have been evaluated and compared. We found that the third architecture has a good performance where it achieves up to 99.59% of accuracy. Finally, we compared the performances obtained using CNN, DBN and SVM. The results show that CNN gives a better result in terms of accuracy compared to that of DBN and SVM. It allows to classify correctly the UWB radar targets like cyclist and pedestrian.