A new spectral estimation-based feature extraction method for vehicle classification in distributed sensor networks

Abstract

Ground vehicle detection and classification with distributed sensor networks is of growing interest for border security. Different sensing modalities including electro-optical, seismic, and acoustic were evaluated individually and in combination to develop a more efficient system. Despite previous works that mostly studied frequency-domain features and acoustic sensors, in this work we analyzed the classification performance for both frequency and time-domain features and seismic and acoustic modalities. Despite their infrequent use, we show that when fused with frequency-domain features, time-domain features improve the classification performance and reduce the false positive rate, especially for seismic signals. We investigated the performance of seismic sensors and showed that the classification performance varies with the type of road due to the distinct spectral characteristics of the medium. Our proposed classifier fuses time and frequency-domain features and acoustic and seismic modalities to achieve the highest classification rate of 98.6% using a relatively small number of features.

An improved version of multi-view k-nearest neighbors (MVKNN) for multiple view learning

“…Another way is to use a view generation algorithm [19] to find various feature subsets from available features that will correspond to views. Parkinson's Disease Dataset: 4 Since parkinson disease (PD) affect speech in the early stages of the disease, speech characteristics have been successfully used in the assessment of PD. This dataset contains speech characteristics, which were collected from 188 patients and 64 healthy persons with three repetitions of vowels by using a microphone.…”

“…Classification is one of the most significant supervised machine learning (ML) techniques that has been widely used in many fields, such as health [1], energy [2], computer networks [3], transportation [4], and agriculture [5].…”

Use of Seismic Signals' Time Parameters for Moving Objects Recognition by Remote Seismic Devices

“…Розробка і виготовлення таких СП має велике значення як для цілей охорони цивільних і військових об'єктів, так і для розвідувально-сигналізаційних цілей. В даний час найбільш перспективними СП для виявлення та розпізнавання рухомих об'єктів вважаються СП, які використовують спектральні та спектрально-часові методи обробки сейсмосигналу [3][4][5][6][7][8]. Це, в основному, пов'язано з їх високою (більш 0,92) вірогідністю коректного розпізнавання об'єктів.…”

“…З урахуванням зазначеної вище залежності спектрів сейсмосигналів в місці їх реєстрації від змінних параметрів джерела сигналу і каналу передачі інформації (приповерхневий шар землі), що призводить до похибки класифікації, спектральні характеристики сигналів і їх особливості не використовувались у якості класифікаційних ознак для виявлення людини та транспортних засобів. Треба також відзначити, що використання для цілей класифікації рухомих об'єктів спектральних, частотно-часових та статистичних методів обробки сейсмосигналу [3][4][5][6][7][8]18] зна-чно ускладнює обробку сигналів і збільшує інформаційно-енергетичні витрати. А це вкрай небажано для автономних, віддалених СП.…”

Seismic Signal Analysis Based on Variational Mode Decomposition and Hilbert Transform for Ground Intrusion Activity Classification

“…It mainly includes the following cases: classification of different types of targets [ 7 , 8 , 9 , 10 , 11 ], such as human, animal, vehicle, excavation, etc. Classification of different vehicles [ 12 , 13 , 14 ], including light vehicles, heavy vehicles, wheeled vehicles, and tracked vehicles. Classification of human attributes [ 15 , 16 , 17 ], such as gender, height, weight, etc.…”