Wehrwissenschaftliche Forschung Jahresbericht 2012

Forschungsaktivitäten 2012 22 23
Dipl.-Phys. Alwin Dimmeler
Fraunhofer-Institut für Optronik,
Systemtechnik und Bildauswertung,
Ettlingen
Dipl.-Phys. Hendrik Schilling
Fraunhofer-Institut für Optronik,
Systemtechnik und Bildauswertung,
Ettlingen
Dipl.-Math. techn. Wolfgang Groß
Fraunhofer-Institut für Optronik,
Systemtechnik und Bildauswertung,
Ettlingen
Dr. rer. nat. Wolfgang Middelmann
Fraunhofer-Institut für Optronik,
Systemtechnik und Bildauswertung,
Ettlingen
alwin.dimmeler@iosb.fraunhofer.de
hendrik.schilling@iosb.fraunhofer.de
wolfgang.gross@iosb.fraunhofer.de
wolfgang.middelmann@iosb.fraunhofer.de
Das EDA-Vorhaben DUCAS –
Detection in Urban scenario using Combined Airborne imaging Sensors
Militärische Operationen finden immer häufiger in urbanen
Gebieten statt. Vor jedem dieser Einsätze muss ein genaues
Lagebild erstellt und während der Operation aktualisiert
werden. Ziel von DUCAS ist, den potenziellen Nutzen von
kombinierter luftgestützter bildgebender Sensorik mit hoher
räumlicher und spektraler Auflösung bei militärischen
Anwendungen in urbanen Einsatzgebieten zu untersuchen.
Um den Nutzen kombinierter luftgestützer Sensorik in urbanen
Einsatzgebieten zu untersuchen, haben sieben Nationen
(Schweden, Belgien, Niederlande, Italien, Frankreich, Norwegen
und Deutschland) das EDA (European Defence Agency) – Vorhaben
DUCAS ins Leben gerufen. Die für die Aufgabenstellung
erforderlichen Daten wurden 2011 in einer gemeinsamen Feldmesskampagne
in Zeebrügge, Belgien, erfasst. Hierbei wurde
versucht, möglichst einsatzrelevante Szenarien zu simulieren,
wie z. B.:
– die Unterstützung herkömmlicher Truppen und Spezialeinheiten,
– die Detektion von IED (Improvised Explosive Device),
– die Detektion, Verfolgung und das Wiederauffinden von
Objekten.
Die luftgestützte Datenerfassung erfolgte mit Hyperspektralsensoren
und mit räumlich hochauflösenden Kameras, die
den Bereich vom Sichtbaren (VIS) und nahen Infrarot (NIR)
bis zum langwelligen Infrarot abdeckten. Zusätzlich wurden
Laserhöhendaten erfasst. Der Beitrag des Fraunhofer-Instituts
für Optronik, Systemtechnik und Bildauswertung IOSB bei
den Messungen war:
– der Betrieb eines Hyperspektralsensors (VIS-NIR)
in einem Motorsegler der Firma OHB System AG,
Abbildung 1,
– die Messung von Umweltdaten und spektraler
Oberflächeneigenschaften.
Zunächst wurden bei der Datenanalyse verschiedene Auswerteverfahren
auf die Datensätze einzelner Sensoren und
ausgewählter Szenarien angewandt. Bei den Verfahren handelt
es sich um die Anomaliedetektion, Klassifikation, Änderungsdetektion
und das „Spectral Matching“.
Ein Beispiel für die Anomaliedetektion in Hyperspektraldaten
(VIS-NIR) zeigt Abbildung 2. Ziel war es, Fahrzeuge, Personen
und Gegenstände zu detektieren. Die Anomaliedetektion
wurde hierbei mit einem vom Fraunhofer IOSB entwickelten
Algorithmus durchgeführt. Anhand statistischer Analysen
werden hierbei Pixel gesucht, die sich von ihrer Umgebung
signifikant unterscheiden. In diesem Beispiel wurden sowohl
Fahrzeuge (rote Kreise) und Personen (türkis), als auch eine
Mauer aus Sandsäcken (gelb) richtig erkannt. Generell ist die
Detektionswahrscheinlichkeit von Objekten, deren Fläche
kleiner als die räumliche Auflösung des Sensors ist, sehr gering.
Die meisten Anomalien sind zwar keine gesuchten Objekte,
stellen aber auch keine Fehldetektionen dar, da dies „echte
Anomalien“ sind, wie Lüftungsauslasse, Gebäudekanten oder
ähnliches. Wie dieses Beispiel zeigt, ist die Anomaliedetektion
deshalb allein nicht für Anwendungen in urbanen Gebieten
geeignet, kann jedoch einem Operator Hinweise auf interessante
Gebiete geben, die daraufhin mit anderen Methoden
analysiert werden können.
Ein anderes Auswerteverfahren stellt die Klassifikation dar.
Bei dieser soll das zu untersuchende Gebiet in verschiedene
Klassen, wie Gebäude, Wiese, Straße oder ähnliche, eingeteilt
werden. Durch die hohe spektrale Auflösung kann zusätzlich
auch zwischen unterschiedlichen Materialien unterschieden
werden. Die Klassifikation erfolgt anhand dieser Trainingsdaten.
Abbildung 3 zeigt eine manuell generierte Maske des
Messgebiets mit zwölf Klassen, Abbildung 4 die mittels Klassifikation
durch eine „Support Vector Machine“ erstellte, mit
einer sehr guten Übereinstimmung. Zusätzlich sind in Abbildung
4 die Schattenbereiche mit einer Schattenmaske ausgeblendet.
Nachdem nun die Ergebnisse für die einzelnen Sensoren
und Verfahren vorliegen, ist das nächste Ziel, Sensor- und
Algorithmen-Kombination(en) zu finden, welche eine potenziell
höhere Leistungsfähigkeit bei der Erfüllung der jeweiligen
Aufgabe besitzen als die „Einzelergebnisse“.
Abb. 1: Wing-Pod mit Hyperspektralsensor an Motorsegler
der OHB System AG
Abb. 2: Anomaliedetektion in Hyperspektraldaten
(VIS-NIR), Markierungen sind „echte Ziele“
Abb. 3: Manuell generierte Masken der Objektklassen
Abb. 4: Automatische Klassifizierung von Objektklassen
aus Hyperspektraldaten (VIS-NIR)