Semiautomated IMINT Processing Baseline System——翻译
题目
半自动的IMINT（图像情报）处理基准系统
摘要
SAIP ACTD（半自动图像情报处理高级概念技术展示项目）的目的是，通过战略上的传感器采集，使图像成为指挥官掌控整个战场的主要源头。该采集系统，旨在提高图像分析在当前和未来各种成像平台上采集到的海量图像的效率。该系统可以帮助分析人员，提高其检测和识别孤立目标、最小化虚警、识别部队结构（比如，机动营）等方面的能力。
关键词：ATR，图像分析，图像采集，IMINT，图像处理
正文
1 项目描述
SAIP ACTD项目，是国防部发起的，旨在大幅度加强图像分析能力，尤其是针对来自于高海拔续航（High Altitude Endurance，HAE）无人飞行设备（UAVs）的图像；该项目能让图像准确并完备地分析宽广地区（wide area），也能加速找到点目标的速度。
图1.1
SAIP是通过分析和展示SAR图像来给出战场的基本情况的。SAIP系统的目标是，给图像分析人员分析图像的必要的工具，并在数据收集的可接受的操作时间范围内向指挥官和情报人员报告。这种快速反应机制，使得该系统对于搜索MOB（导弹战斗秩序）和GOB（地面战斗秩序），包括监视具有军事价值的目标上，特别有价值。
最初，SAIP被设计为一种具有部署能力的，旨在提高图像分析人员快速分析大量搜索图片的能力的系统。如今，SAIP聚焦于自动化以及用户交互技术上，这会加快混合的、基于IMINT信息product的散播，从而使图像分析人员能够更加高效地实现广域搜索（WAS）分析以及目标识别，并在危机和战争中直接支持决策制定。SAIP在以下几种战时操作中辅助图像分析人员：
- Indications and Warning (I&W)（标志和警告）
- Intelligence Preparation of the Battlefield (IPB)（战地情报准备）
- Sensor Cross-cueing of other surveillance and collection assets
-Near-real-time targeting by component forces
- Target development
- Situation Assessment
- Battle Damage Assessment (BDA)
在和平时期，SAIP将为假想战区（theater area）中目标的提供情报信息，并在指挥官准备、执行任务时给出定制的支持——评估战斗单位的战备，指挥操作训练（？）。通过快速筛选增加的图像，SAIP在和平期间将用于帮助IA。
在战时，SAIP将产出大量的情报来帮助指挥人员，主要支持Theater，JTF，或者Component Command objectives以及OPLANS（可操作的计划）任务。
2 系统功能
SAIP的功能性的元素展示于图2.1。每个箭头指代一个独立的功能元素，并指出了SAIP的基准系统（97年1月）以及增强系统/嵌入式系统（97年11月）。下文中，按照顺时针顺序，对每个功能性的箭头进行了讨论，从ATR（自动目标识别）开始。
图2.1
ATR是SAIP的关键元素之一，在基准系统中，采用的是基于模板的SAR ATR。随着SAIP不断成熟，基于模型的ATR技术也将融合其他方法（？）。通过高清图像（HDI）技术和基于模板的ATR，SAIP的针对孤立目标的cueing IAs的性能目标得以实现。在某种意义上，SAIP ATR算法也提供的一种非常有益的目标过滤能力，所以用户可能会在充足的目标模型不能应付全ATR功能的时候使用它。
一些基于模型的ATR技术，通过先进的模板索引技术以及来自空军的交互式自动雷达空对地目标获取计划技术转移，被整合进SAIP系统。这些技术将增强ATR并降低SAIP的虚警率。
为了支持某些SAIP功能，针对大型监测图像的实时图像配准是必要的。基准系统集成了一个SAR影像到影像（image-to-image）的配准系统，以支持目标级别的变化检测。增强系统将提供一个SAR图像-地图（image-to-map）配准系统，以支持地势分析，目标监测，以及部队结构分析。这些能力也将因为与EO处理整合而在增强系统中扩大。
区域划界，给ATR提供了虚警的缓和，以达到SAIP的性能目标。基准系统中的地势分析能指出目标弱化的区域（比如，在湖中的坦克通常不容易被发现）。更一般的是，地势分析会计算给定地点给定运载工具种类的可能性。
OLCD（对象级变化检测）是SAIP的虚警缓和过程中很有价值的一方面。比如，IA（情报分析人员）第一次分析一幅图像，结果暗示可能指出由ATR检测到的对象其实并不是目标（比如，沿着公路的电线杆）。后序的对同一片地区的检测，会配准到第一次检测的结果，由此，可以抑制IA造成的最初的检测的丢弃。IA可以利用这个特性来排除IA不想利用/开发的区域。
群集分析/聚类分析，通过聚类目标模式识别部队构成（比如，连），给IA提供了一种部队级别的识别能力。增强SAIP系统中的部队结构分析（FSA）会将已知的部队结构用于之后战场上部队结构和移动的判断。
人机接口（HCI），通过运用分析和注解的交互式工具，给IA提供了用于采集图像的界面工具。SAIP的HCI是有军方图像分析人员的参与下开发的。IA们批评通过交互性的实验和技术回顾设计HCI，而这种情况也将贯穿SAIP项目。表2.1展示了现有采集系统和采集功能，以及SAIP软件对图像分析人员的好处并提供加速的采集图像的吞吐量。而且，针对采集图像的分析和报告，该系统还将提供一系列、持续增加的半自动功能。
表2.1
HCI一个重要的点就是给IA们提供了用于采集目标检测的交互工具。一个由空军开发的交互式目标识别系统，将允许IA们把采集到的图像与现有的目标模型的数据库进行对比。进一步，IA们将交互地改变目标模型的姿势以匹配检测的数据，通过高亮显示检测目标指定目标模型的区域，以及提供额外的相关的目标的模型，并针对之后的IA分析按照概率匹配排列出来。
3 SAIP时间表以及主要里程碑
图3.1展示了SAIP项目中的“关键事件”，并提供了一个时间阶段的工程和操作方面里程碑的时间表。
目前，带有“基准”图像采集能力的SAIP系统部署在加利福尼亚的Edwards空军基地，在那里，SAIP用于支持Task Force XXI Army的训练。这项训练以及之后的数据筛选和评估，将给予工程师们一份第一手的视角，看清该算法是如何在从实验室的实验和分析预测到使用的、真实的军事场景中发展的。训练中收集的数据，将用于分析系统在该发展循环中达到目标的程度。
研究人员尤其感兴趣的是，在实时面对操作吞吐量时，检测概率（Pd）和虚警概率（Fa）的目标能达到多少。SAIP系统已经能够识别出10种不同种类的地面目标，该能力将会在Task Force XXI训练中展示。在训练中，虽然已知有10种地面目标，但它们的位置或组团情况是怎样并不清楚。研究人员期望SAIP能够指出，目标的组成情况并通过模板对别识别出目标然后给出名字。
同样，对于系统对图像分析人员的帮助程度，尤其在实时采集和传播SAR图像方面，会有一个review的。Army ETRAC系统的图像分析人员将会被邀请，以非正式地参与SAIP系统的观察，进而提供在下一步工程师开发进程方面的军方的观点。
在1997年3月Task Force XXI 训练结束之后，开发人员的注意力将转向针对基准系统的增加更多功能，比如包含EO图像的处理，实现目标点的变化检测，使用SAR图像对运载设备自动计数，以及针对随机的地面部队的检测增加新的部队结构逻辑。TFX训练中的经验教训将用于针对基准系统做一些策略上的改变，其中数据指出的改进点是至关重要的。
1997年9月，新的功能将在位于Northrop Grumman的实验室进行展示。之后，加利福尼亚Palmdale进行场地实验，以收集数据，测试增强阶段的性能。场地实验计划开始于1997年11月，持续到1998年中期。
这期间，SAIP系统将处理Global Hawk数据。由于Global Hawk雷达采集图像速度较快（大约每两秒一幅），才是SAIP需要的操作环境。除非研究人员事先得到了一些帮助，在规定的响应时间内采集SAR图像将会是基本不可能的。同时，增强的系统将能识别20个目标，而不是基准系统的十个。
这些实验，将为SAIP在亚特兰大指挥部的正式的军方采用铺平道路，也是成功的ACTD的完备所要求的。在1998年后半期以及1999年早期，SAIP的技术将为操作训练准备好，以使这些工程开发活动能被测量好。
