Les activités de transport de passagers et de marchandises augmentent sans cesse dans le monde et en particulier dans l'Union Européenne, entre autres au bord des péages. Afin d'améliorer la fluidité et réduire les risques d'encombrements, une des solutions consiste à rendre les péages plus performants. L'objectif de cette thèse est d'améliorer la performance des systèmes d'identification de véhicules et de contribuer à la conception d'un système de classification des types de véhicules par ondes électromagnétiques pour application au télépéage. Ce système permet un paiement automatique sans arrêt des véhicules. La première partie de la thèse est consacrée à l'étude de deux systèmes d'identification de véhicules : RFID UHF et DSRC. Notre recherche s'est focalisée sur l'augmentation de la distance de communication ainsi que sur la réduction de la taille et du prix du système grâce à 5 nouvelles antennes à bas coûts, très directives et faciles à industrialiser. La deuxième partie est consacrée à l'étude d'un système de classification à distance des différents types de véhicules, basé sur les ondes diffusées par les véhicules. Il détecte la présence d'un véhicule et mesure la distance entre ce véhicule et le système avec une bonne précision. Ce système est basé sur la technique de radar Ultra-Large-Bande. Le signal émis est une impulsion monocyle de très courte durée. Dans cette partie, nous proposons et testons trois méthodes de classification de véhicules dans un environnement proche du milieu routier.

L’objectif de cette thèse est la classification automatique des cibles (ATC) en utilisant les signaux rétrodiffusés par un radar ultra large bande (UWB). La classification des cibles est réalisée en comparant les signatures des cibles et les signatures stockées dans une base de données. Premièrement, une étude sur la théorie de diffusion nous a permis de comprendre le sens physique des paramètres extraits et de les exprimer mathématiquement. Deuxièmement, des méthodes d’extraction de paramètres sont appliquées afin de déterminer les signatures des cibles. Un bon choix des paramètres est important afin de distinguer les différentes cibles. Différentes méthodes d’extraction de paramètres sont comparées notamment : méthode de Prony, Racine-classification des signaux multiples (Root-MUSIC), l’estimation des paramètres des signaux par des techniques d’invariances rotationnels (ESPRIT), et la méthode Matrix Pencil (MPM). Troisièmement, une méthode efficace de classification supervisée est nécessaire afin de classer les cibles inconnues par l’utilisation de leurs signatures extraites. Différentes méthodes de classification sont comparées notamment : Classification par la distance de Mahalanobis (MDC), Naïve Bayes (NB), k-plus proches voisins (k-NN), Machines à Vecteurs de Support (SVM). Une bonne technique de classification doit avoir une bonne précision en présence de signaux bruités et quelques soit l’angle d’émission. Les différents algorithmes ont été validés en utilisant les simulations des données rétrodiffusées par des objets canoniques et des cibles de géométries complexes modélisées par des fils minces et parfaitement conducteurs. Une méthode de classification automatique de cibles basée sur l’utilisation de la méthode Matrix Pencil dans le domaine fréquentiel (MPMFD) pour l’extraction des paramètres et la classification par la distance de Mahalanobis est proposée. Les résultats de simulation montrent que les paramètres extraits par MPMFD présentent une solution plausible pour la classification automatique des cibles. En outre, nous avons prouvé que la méthode proposée a une bonne tolérance aux bruits lors de la classification des cibles. Enfin, les différents algorithmes sont validés sur des données expérimentales et cibles réelles. / The objective of this thesis is the Automatic Target Classification (ATC) based on radar backscattered Ultra WideBand (UWB) signals. The classification of the targets is realized by making comparison between the deduced target properties and the different target features which are already recorded in a database. First, the study of scattering theory allows us to understand the physical meaning of the extracted features and describe them mathematically. Second, feature extraction methods are applied in order to extract signatures of the targets. A good choice of features is important to distinguish different targets. Different methods of feature extraction are compared including wavelet transform and high resolution techniques such as: Prony’s method, Root-Multiple SIgnal Classification (Root-MUSIC), Estimation of Signal Parameters via Rotational Invariance Techniques (ESPRIT) and Matrix Pencil Method (MPM). Third, an efficient method of supervised classification is necessary to classify unknown targets by using the extracted features. Different methods of classification are compared: Mahalanobis Distance Classifier (MDC), Naïve Bayes (NB), k-Nearest Neighbors (k-NN) and Support Vector Machine (SVM). A useful classifier design technique should have a high rate of accuracy in the presence of noisy data coming from different aspect angles. The different algorithms are demonstrated using simulated backscattered data from canonical objects and complex target geometries modeled by perfectly conducting thin wires. A method of ATC based on the use of Matrix Pencil Method in Frequency Domain (MPMFD) for feature extraction and MDC for classification is proposed. Simulation results illustrate that features extracted with MPMFD present a plausible solution to automatic target classification. In addition, we prove that the proposed method has better ability to tolerate noise effects in radar target classification. Finally, the different algorithms are validated on experimental data and real targets.

Les activités de transport de passagers et de marchandises augmentent sans cesse dans le monde et en particulier dans l'Union Européenne, entre autres au bord des péages. Afin d'améliorer la fluidité et réduire les risques d‘encombrements, une des solutions consiste à rendre les péages plus performants. L'objectif de cette thèse est d'améliorer la performance des systèmes d'identification de véhicules et de contribuer à la conception d'un système de classification des types de véhicules par ondes électromagnétiques pour application au télépéage. Ce système permet un paiement automatique sans arrêt des véhicules. La première partie de la thèse est consacrée à l'étude de deux systèmes d'identification de véhicules : RFID UHF et DSRC. Notre recherche s'est focalisée sur l'augmentation de la distance de communication ainsi que sur la réduction de la taille et du prix du système grâce à 5 nouvelles antennes à bas coûts, très directives et faciles à industrialiser. La deuxième partie est consacrée à l'étude d'un système de classification à distance des différents types de véhicules, basé sur les ondes diffusées par les véhicules. Il détecte la présence d'un véhicule et mesure la distance entre ce véhicule et le système avec une bonne précision. Ce système est basé sur la technique de radar Ultra-Large-Bande. Le signal émis est une impulsion monocyle de très courte durée. Dans cette partie, nous proposons et testons trois méthodes de classification de véhicules dans un environnement proche du milieu routier. / The activities of passenger and goods transport are constantly increasing worldwide and especially in the European Union, including the edge of tolls. To improve the fluidity and reduce the risk of congestion, one of the solutions is automatic toll payments. The objective of this thesis is to enhance the performance of vehicle identification systems and to contribute to develop a design of a classification vehicles system by using electromagnetic waves for free-flow electronic toll collection system application. This system allows an automatic payment without stopping vehicles. The first part of this thesis deals with the study of two vehicle identification systems: UHF RFID and DSRC. Five new antennas were realized with the purpose to increase the communication range as well as to reduce the size and cost of the system. They are high gain and easy to be industrialized. The second part of this thesis is devoted to the study of a classification of different types of vehicles from the scattered waves captured by the system. Three methods of vehicle classification are proposed and tested in the road environment. Such system detects the presence of vehicle and measures the distance between vehicle and itself with a good accuracy. The principle of the system is based on Ultra-Wideband radar technology in which transmitting signal with a very short duration pulse is used.

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.