Detection of military objects in LADAR images

Abstract

This report describes different techniques for preprocessing, segmentation, and detection of vehicle sized objects in LADAR images. Five preprocessing strategies are presented; 1) Median filtering, 2) Two 1-D median filters in cascade, 3) Spoke median filter, 4) Donut filter, 5) Outlier detection and removal. The spoke median and donut filters were virtually worthless. The other filters worked equally well. The outlier detector removed outlers while perserving edges and small structures (and image noise). Concerning segmentation algorithms, we have implemented and tested four groups of region based algorithms and one group of edge based algorithms. Output from the segmentation is input to an object definition algorithm. Two strategies are proposed; one conventional agglomerative clustering approach, and one graph based approach. In essence, they both give the same results. Clusters with height, width, and length within predefined intervals are assumed to be possible objects. All algorithms are tested on real data of various vehicles in different scenes. It is difficult to draw any general conclusions. However, it seems that the region based algorithms perform better than the edge based ones. Among the region based strategies, those based on morphology or filtering operations perform well in most cases.

Denne rapporten beskriver ulike teknikker for preprosessering, segmentering og deteksjon av kjøretøyliknende objekter i LADAR-bilder. Fem ulike preprosesseringsstrategier er presentert; 1) medianfiltrering, 2) to 1-D medianfiltre i kaskade, 3) spokemedianfilter, 4) smultringfilter, 5) outlierdeteksjon med påfølgende fjerning av outliere. Spokemedianfilteret og smultringfilteret var i praksis ubrukelige. De resterende filtrene hadde praktisk talt samme yteevne. Når det gjelder segmenteringsalgoritmer har vi implementert og testet fire grupper av regionbaserte algoritmer og en gruppe med kantbaserte algoritmer. Output fra segmenteringen er input til en objektdefineringsalgoritme. To ulike strategier er foreslått; en agglomerativ clusteringsalgoritme og en basert på grafer. Essensielt gir de identiske resultater. Clustre med høyde, bredde og lengde innenfor predefinerte intervall er antatt å være mulige objekter. Alle algoritmene er testet på reelle data av ulike kjøretøy i ulike scener. Det er vanskelig å trekke noen generelle konklusjoner. Imidlertid ser det ut som at de regionbaserte algoritmene har en større yteevne enn de kantbaserte. Blant de regionbaserte algoritmene er det de som er basert på morfologi og filteringer som i de fleste situsjonene fungerer best.