Le cadre de cette thèse est centré sur l'étude d'un radar ultra large bande (ULB) en mode impulsionnel, pour la " vision " à travers les murs (VAM), qui présente de nombreuses applications tant dans le domaine militaire (lors des assauts, des prises d'otages, ...) que dans le secteur de la sécurité civile (recherche de personnes dans des décombres, dans un incendie, ...). Pour ces utilisations, l'image réelle de la scène observée n'est pas nécessaire, seules certaines informations pertinentes suffisent : nombre de personnes, position, vitesse de déplacement, etc. C'est dans ce contexte que nous avons développé un dispositif expérimental de détection et des techniques de localisation de cibles derrière un mur. Le radar développé est constitué d'un émetteur impulsionnel couvrant la gamme de fréquence de 3 GHz à 6 GHz, et de trois récepteurs indépendants, associés à des algorithmes de localisation et de reconstruction d'image.Le premier algorithme repose sur une technique de trilatération. Une fois, le modèle théorique présenté, plusieurs méthodes de résolution sont étudiées pour l'estimation de la mesure de la distance de propagation du signal. La méthode de Brent-Dekker a été retenue pour sa rapidité de convergence et son faible nombre d'itérations. Bien que cette technique soit précise, elle ne permet pas d'obtenir une image de la scène, mais juste de localiser les cibles, sans apporter des informations sur ses dimensions. C'est pourquoi une seconde approche, basée sur une " formation de faisceau ", a été étudiée, afin d'obtenir une représentation 2D de la scène. Nous avons choisi de développer une méthode de rétroprojection non cohérente, technique la plus simple qui ne nécessite pas de contrainte forte sur la phase du signal ni sur le positionnement des antennes. Différentes variantes de rétroprojection ont été proposées : la rétroprojection avec cross corrélation, la rétroprojection cross corrélation améliorée et la rétroprojection bicross corrélée. Ces trois méthodes reposent sur une fusion d'informations capturées par l'antenne réceptrice avec celles obtenues sur des antennes dites de référence. Cette fusion a permis d'améliorer progressivement le rendu des images.Pour conclure ses travaux, une perspective est ébauchée afin de minimiser le taux de fausse détection, elle s'appuie sur la collaboration de la technique de trilatération avec la technique de rétroprojection bicross corrélée. Cette collaboration permet de mettre en correspondance les détections estimées par la technique de trilatération et celles utilisant la rétroprojection bicross corrélée. Les cibles non appariées sont alors supprimées selon des critères spécifiques à chacune des deux approches.

Le cadre de cette thèse est centré sur l'étude d'un radar ultra large bande (ULB) en mode impulsionnel, pour la « vision » à travers les murs (VAM), qui présente de nombreuses applications tant dans le domaine militaire (lors des assauts, des prises d’otages, …) que dans le secteur de la sécurité civile (recherche de personnes dans des décombres, dans un incendie, ...). Pour ces utilisations, l’image réelle de la scène observée n’est pas nécessaire, seules certaines informations pertinentes suffisent : nombre de personnes, position, vitesse de déplacement, etc. C'est dans ce contexte que nous avons développé un dispositif expérimental de détection et des techniques de localisation de cibles derrière un mur. Le radar développé est constitué d’un émetteur impulsionnel couvrant la gamme de fréquence de 3 GHz à 6 GHz, et de trois récepteurs indépendants, associés à des algorithmes de localisation et de reconstruction d'image.Le premier algorithme repose sur une technique de trilatération. Une fois, le modèle théorique présenté, plusieurs méthodes de résolution sont étudiées pour l'estimation de la mesure de la distance de propagation du signal. La méthode de Brent-Dekker a été retenue pour sa rapidité de convergence et son faible nombre d’itérations. Bien que cette technique soit précise, elle ne permet pas d’obtenir une image de la scène, mais juste de localiser les cibles, sans apporter des informations sur ses dimensions. C’est pourquoi une seconde approche, basée sur une « formation de faisceau », a été étudiée, afin d'obtenir une représentation 2D de la scène. Nous avons choisi de développer une méthode de rétroprojection non cohérente, technique la plus simple qui ne nécessite pas de contrainte forte sur la phase du signal ni sur le positionnement des antennes. Différentes variantes de rétroprojection ont été proposées : la rétroprojection avec cross corrélation, la rétroprojection cross corrélation améliorée et la rétroprojection bicross corrélée. Ces trois méthodes reposent sur une fusion d'informations capturées par l'antenne réceptrice avec celles obtenues sur des antennes dites de référence. Cette fusion a permis d'améliorer progressivement le rendu des images.Pour conclure ses travaux, une perspective est ébauchée afin de minimiser le taux de fausse détection, elle s'appuie sur la collaboration de la technique de trilatération avec la technique de rétroprojection bicross corrélée. Cette collaboration permet de mettre en correspondance les détections estimées par la technique de trilatération et celles utilisant la rétroprojection bicross corrélée. Les cibles non appariées sont alors supprimées selon des critères spécifiques à chacune des deux approches. / The content of this thesis is focused on the study of an UWB pulse radar for through the wall vision which has many applications in the military domain (assaults, hostage rescue,…) and in the civil security domain (people search in the rubble, in a fire).For these uses, the real observed scene image is not necessary, only some relevant information is enough: number of persons, position, velocity of movement, etc. It’s in this context where we have developed an experimental detection device and some through the wall targets localization techniques. The developed radar consists of a pulse transmitter covering the frequency range from 3GHz to 6GHz, and three independent receivers, combined with some localization algorithms and image reconstruction.The first algorithm is based on a technique of trilateration. Once the theoretical model is presented, many resolutions methods are studied for estimation of the signal propagation distance measurement. The Brent-Dekker method has been chosen for its fast convergence and low number of iterations. Although the trilateration technique is accurate, it does not allow obtaining a scene image, but just locate the targets, without providing their dimensions. Therefore a second approach, based on a “beam forming”, has been studied, in order to obtain a 2D scene representation. We have chosen to develop a non-coherent backprojection method, it is the most simple technique which does not require a strong constraint on the signal phase nor on the antenna positions. Different backprojection methods have been proposed: the backprojection with cross correlation, the improved backprojection with cross correlation and bi-cross correlated backprojection. These three methods are based on a fusion of captured information by the receiving antennas and with the obtained information on the “referenced” antennas. This fusion allows improving the image quality progressively.To conclude this work, a perspective is initiated in order to minimize the false detection rate, it is based on the cooperation of the trilateration technique and bi-cross correlated backprojection. This cooperation allows matching the estimated detection by the trilateration technique and the bi-cross correlated backprojection technique. The mismatched targets are removed according to some specific criterias to each approach.

Nous nous intéressons dans cette thèse à la vision à travers les murs (VTM) par radar ULB, avec comme objectif la mise au point d’une chaîne de traitement de l’information (CTI) complète pouvant être utilisée par différents types de radar imageur VTM. Pour ce faire, nous souhaitons prendre en compte le moins possible d’information a priori, ni sur les cibles, ni sur leur contexte environnemental. De plus, la CTI doit répondre à des critères d’adaptabilité et de modularité pour pouvoir traiter les informations issues de deux types de radar, notamment, le pulsé et le FMCW, développés dans deux projets dans lesquels s’inscrivent les travaux de cette thèse. L’imagerie radar est un point important dans ce contexte, nous l’abordons par la combinaison des algorithmes de rétroprojection et trilatération, et montrons l’amélioration apportée avec l’utilisation d’un détecteur TFAC prenant en compte la forme des signatures des cibles. La mise au point de la CTI est notre principale contribution. Le flux d’images radar obtenu est scindé en deux parties. La première séquence dynamique contient les cibles mobiles qui sont ensuite suivies par une approche multihypothèse. La seconde séquence statique contient les cibles stationnaires ainsi que les murs intérieurs qui sont détectés par une méthode s’appuyant sur la transformée de Radon. Nous avons produit un simulateur VTM fonctionnant dans le domaine temporel et fréquentiel pour mettre au point les algorithmes de la CTI et tester leur robustesse. Plusieurs scénarios de simulation ainsi que de mesures expérimentales, montrent que la CTI construite est pertinente et robuste. Elle est ainsi validée pour les deux systèmes radar. / This report is focused on Through-the-wall surveillance (TTS) using UWB radar, with the objective of developing a complete information processing pipeline (IPP) which can be used by different types of imaging radar. To do this, we want to take into account any a priori information, nor on the target, or their environmental context. In addition, the IPP must meet criteria of adaptability and modularity to process information from two types of radar, including pulsed and FMCW developed in two projects that are part of the work of this thesis. Radar imaging is an important point in this context ; we approach it by combining backprojection and trilateration algorithms and show the improvement with the use of a CFAR detector taking into account the shape of the targets signatures.The development of the IPP is our main contribution. The flow of radar images obtained is divided into two parts. The first dynamic sequence contains moving targets are tracked by a multiple hypothesis approach. The second static sequence contains stationary targets and interior walls that are highlighted by Radon transformbases approach. We developed a simulator operating in time and frequency domain to design the algorithms of the IPP and test their robustness. Several simulated scenarios and experimental measurements show that our IPP is relevant and robust. It is thus validated for both radar systems.

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.