Targetherkenning

Targetherkenning is het proces waarbij een specifiek doelobject wordt geïdentificeerd of geclassificeerd in sensor- of beeldgegevens. Het omvat doorgaans zowel detectie als herkenning of identificatie van het type, identiteit of toestand van het doel. De term wordt in verschillende disciplines gebruikt, waaronder computer vision, radar- en sonarbeeldvorming, medische beeldvorming en autonome systemen.

In computer vision is targetherkenning gericht op het lokaliseren van objecten in afbeeldingen of videostreams en het toewijzen van labels. Bij defensieve toepassingen verwijst het vaak naar herkenning van vijandelijke of neutrale doelen in radar- of SAR-beelden, terwijl in robotica en autonome voertuigen het gericht is op het herkennen van relevante objecten zoals voetgangers of voertuigen.

Methoden variëren van traditioneel feature-gebaseerde benaderingen tot moderne diepe neurale netwerken. Vroegere technieken gebruikte descriptors en classificatie-algoritmen; hedendaagse systemen maken gebruik van convolutionele netwerken, end-to-end modellen en objectdetectoren zoals YOLO of RetinaNet. In radar- en sonartoepassingen komen naast beeldgebase algoritmes ook signaalverwerkingstechnieken en doppler-analyse voor, vaak gecombineerd met machine learning en sensorfusie.

Evaluatie van targetherkenning gebeurt met maten zoals nauwkeurigheid, precisie, recall, F1 en voor objectdetectie mean average precision. In radar- en SAR-toepassingen spelen ook detectie-ratio en false alarm rate een belangrijke rol. Belangrijke uitdagingen zijn variabele belichting en signaalkwaliteit, occlusie, variatie in kijkhoeken, domain shift tussen training en toepassing, en de benodigde snelheid voor real-time verwerking.

Targetherkenning blijft een snel evoluerend vakgebied met toepassingen in beveiliging, voertuigveiligheid, industrie en medische beeldvorming, waarbij integratie van sensorfusie en learning-based methoden vaak de prestaties vergroot.