距離点クラスタリング法との統合 - 数値計算による性能評価 - 140GHz帯ミリ波レーダのためのRPM法による高速・高精度立体画像化

4.4 数値計算による性能評価

4.4.1 距離点クラスタリング法との統合

同処理の後に，

3

章の距離点クラスタリング法を適用した場合の結果を示す．ドップラを用いた

RPM

処理の後に，3章の処理手順

Step4

から

Step8

を実施した．但し同クラスタリングにおいて速度クラスタ情報を用いず，実空間のみでクラスタリングを実施した．これにより，閾値処理で失われた距離点を正しいクラスタに所属させることによる推定点数の増加を目指す．図

4.7

に推定像，図

4.8

に胸部と大腿

第

4

章手法

B：ドップラ情報を用いた距離点クラスタリングによる高速・高精度

化法

図

4.4:

ドップラを用いた

RPM

の推定像

䢯䢳䢷䢲䢯䢳䢲䢲䢯䢷䢲䢲䢷䢲䢳䢲䢲䢳䢷䢲

䣺䢱䢻䢴䢲

䢻䢶䢲䢻䢸䢲䢻䢺䢲䢳䢲䢲䢲䢳䢲䢴䢲䢳䢲䢶䢲䢳䢲䢸䢲䢳䢲䢺䢲

䣻䢱

RPM(w Doppler)

䠉

True

䢯䢳䢷䢲䢯䢳䢲䢲䢯䢷䢲䢲䢷䢲䢳䢲䢲䢳䢷䢲

䣺䢱䢻䢴䢲

䢻䢶䢲䢻䢸䢲䢻䢺䢲䢳䢲䢲䢲䢳䢲䢴䢲䢳䢲䢶䢲䢳䢲䢸䢲䢳䢲䢺䢲

䣻䢱

RPM(w Doppler)

䠉

True

図

4.5:

ドップラを用いた

RPM

の推定像断面図

(上: z = 560λ

胸部)(下:

z = 330λ

大腿部

)

第

4

章手法

B：ドップラ情報を用いた距離点クラスタリングによる高速・高精度

化法

0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 00

00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 0

0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 00

00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 0

00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 0 0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000 0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000 0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000 0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000 0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000 0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000 0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000 0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000 0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000 0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000 0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000 0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000

䣧䣴䣴䣱䣴䢢䢱

䢳䢲^䢯䢳䢳䢲^䢲䢳䢲^䢳䢳䢲^䢴

䣅䣷䣯䣷䣮䣣䣶䣫䣸䣧䢢䣆䣫䣵䣶䣴䣫䣤䣷䣶䣫䣱䣰

䢲䢲䢰䢳䢲䢰䢴䢲䢰䢵䢲䢰䢶䢲䢰䢷䢲䢰䢸䢲䢰䢹䢲䢰䢺䢲䢰䢻

䢳䣹䢢䣔䣒䢯䣅䣮䣷䣵䣶䣧䣴䣫䣰䣩䢢䣔䣒䣏䣹䢱䣱䢢䣔䣒䢯䣅䣮䣷䣵䣶䣧䣴䣫䣰䣩䢢䣔䣒䣏

--- Original RPM Proposed

図

4.6:

手法

B

の誤差の累積確率分布

部の断面図を示す．但し，距離点クラスタリングと

RPM

の繰返しは

2

回行った．

推定点数は

587

に増加しているが，推定像からもその増加確認できる．一方，距離点クラスタリングを導入しない場合と比較すると，散乱境界から大きく離れた点が存在している．また，誤差が

10λ

以内に含まれる距離点の割合は

70.2%

と，減少している．同一レンジの他の目標に推定点が移動している点が存在している．以上より，クラスタリングを複数回繰り返す際には実空間だけではなく速度情報も使用することで，画像化精度向上に繋がると考える．画像再構成のための時間は

Xeon

E3-1220 3.10GHz

において

175

秒であり，高速化を維持しながら推定点数を増加さ

せることに成功している．

次に，

Step4

から

Step8

の繰り返しを実空間のクラスタと速度クラスタの積集合

により実施した場合の結果を示す．これにより，クラスタ内の点数は減少し，さらなる高速化と高精度化が行えると考える．図

4.9

に同推定像，図

4.10

に同断面図を示す．実空間のみのクラスタリングでは多くの点が別の目標の位置に移動していることが確認できるが，速度情報を用いると同現象が抑制されている事が確認できる．これは，より多くの情報を用いてクラスタリングしたため，

RPM

による写像時に別目標由来の

SubRP

が含まれる可能性が減少したためだと考えられる．画像再構成のための時間は

Xeon E3-1220 3.10GHz

において

168

秒であり，更なる高速

第

4

章手法

B：ドップラ情報を用いた距離点クラスタリングによる高速・高精度

化法

図

4.7:

ドップラを用いた

RPM

の推定像

(2

回

RPM

・実空間クラスタリング

)

䢯䢳䢷䢲䢯䢳䢲䢲䢯䢷䢲䢲䢷䢲䢳䢲䢲䢳䢷䢲

䣺䢱䢻䢴䢲

䢻䢶䢲䢻䢸䢲䢻䢺䢲䢳䢲䢲䢲䢳䢲䢴䢲䢳䢲䢶䢲䢳䢲䢸䢲䢳䢲䢺䢲

䣻䢱

RPM(w Doppler, Clustering)

䠉

True

䢯䢳䢷䢲䢯䢳䢲䢲䢯䢷䢲䢲䢷䢲䢳䢲䢲䢳䢷䢲

䣺䢱䢻䢴䢲

䢻䢶䢲䢻䢸䢲䢻䢺䢲䢳䢲䢲䢲䢳䢲䢴䢲䢳䢲䢶䢲䢳䢲䢸䢲䢳䢲䢺䢲

䣻䢱

RPM(w Doppler, Clustering)

䠉

True

図

4.8:

ドップラを用いた距離点クラスタリング

RPM

の推定像断面図

(上: z = 560λ

胸部

)(

下

: z = 330λ

大腿部

)

第

4

章手法

B：ドップラ情報を用いた距離点クラスタリングによる高速・高精度

化法

図

4.9:

ドップラを用いた

RPM

の推定像

(2

回

RPM

・実空間・速度クラスタリング

)

表

4.1:

手法

B

の統計評価

雑音なし

S/N=40dB S/N=30dB

RPM/RP

点数比

66.2% 62.0% 65.3%

誤差が

10λ

以内の割合

74.2% 72.8% 72.1%

誤差の平均値

7.66λ 9.68λ 9.71λ

化・高精度化が確認できる．

ドキュメント内 140GHz帯ミリ波レーダのためのRPM法による高速・高精度立体画像化 (ページ 37-41)