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