一种低空小目标的雷达自动识别方法及装置与流程

1.本发明涉及雷达信号特征提取与目标识别分类技术领域，尤其涉及一种低空小目标的雷达自动识别方法及装置。


背景技术：

2.低空小目标是指轻小型无人机、飞鸟、飘浮的气球、塑料袋等，它们对军民用机场、各种军事设施具有不同程度的威胁，识别出空中的目标到底是哪一种类型已成为一个非常紧迫的任务。
3.空中目标的发现主要依靠雷达，因其具有全天候、全天时的工作能力，侦测距离远；作为当前目标探测的主要手段，获得自主识别分类能力具有无可替代的重要性。然而目前的雷达输出目标的点迹与航迹后，并不能进一步识别出目标是否具备军事威胁，特别是轻小型无人机属于典型的“低、慢、小”目标，且rcs信息、运动特征信息等与飞鸟、其他低空飘浮物目标相似，又容易受到人、车、树、房屋等杂波干扰，根据雷达数据区分低空小目标是一个持久的难题。
4.中国专利cn201610896005.6通过手工提取运动特征来区分雷达检测目标的飞鸟和轻小型无人机，然而手工提取特征将导致泛化能力不够好、识别率不高；中国专利cn202011419393.1的方案，要求对目标进行图像识别，计算复杂，成本昂贵；中国专利cn201810851549.x识别无人机则需要借助频谱探测、光电探测等多种手段；章鹏飞、李刚、霍超颖等人的《基于双雷达微动特征融合的无人机分类识别》以及bk kim、hs kang、so park的《drone classification using convolutional neural networks with merged doppler images》，通过微多普勒效应来识别无人机和飞鸟，但是很多时候微多普勒参数难以估计。此外，这些文献全部都没有考虑在实际应用中会存在的小飘浮物类低空小目标。


技术实现要素：

5.本发明的目的在于克服现有技术中存在的不足，提供一种低空小目标的雷达自动识别方法及装置，该方法首先进行雷达数据预处理；然后利用深度神经网络提取处理后数据的特征，接着分别使用有监督学习与无监督学习执行二分类与异常检测；最后根据二分类与异常检测结果判断是无人机、飞鸟或者其他低空飘浮物。该方法解决了低空飘浮物的识别问题，适用范围极广，泛化能力强，运算量少，成本更低，且识别准确率更高。
6.为了达到上述技术效果，本发明采用了如下技术方案：
7.一种低空小目标的雷达自动识别方法，其特征在于，包括如下步骤：
8.a)雷达数据预处理；
9.b)利用深度神经网络提取处理后数据的特征；
10.c)使用有监督学习与无监督学习执行二分类与异常检测；
11.d)根据二分类与异常检测结果识别输入数据是无人机、飞鸟或者其他低空飘浮物。
12.进一步的技术方案，所述雷达数据为目标航迹与雷达散射截面信息构成的高维时间序列数据，所述预处理包括数据内插与外推、数据清洗、数据分段。
13.进一步的技术方案，所述数据分段具体为设定子时间序列长度，对于超过该长度的时间序列，使用固定大小的滑动时间窗口将其切分为若干子时间序列。
14.进一步的技术方案，步骤b)具体为将子时间序列输入训练好的神经网络，得到自动提取的特征，其中神经网络的训练方法为：收集无人机与飞鸟的历史雷达数据，经过步骤a)处理后作为训练集，训练出所述深度神经网络的参数值，所述深度神经网络为自编码神经网络。
15.进一步的技术方案，步骤c)具体包括以下步骤：
16.c1).将步骤b输出的特征送入训练好的有监督学习模型进行二分类，输出属于无人机或飞鸟的概率；
17.c2).由于已经使用深度神经网络提取了特征，c1所述的有监督学习模型为传统的二分类模型或深度学习模型；
18.c3).将步骤b输出的特征送入训练好的无监督学习模型进行异常检测，判断是否为异常样本。
19.进一步的技术方案，所述有监督学习模型的训练方法为收集无人机与飞鸟的历史雷达数据，经过步骤a与步骤b的处理，将得到的特征打上标签，再把带标签的特征数据作为训练集，有监督的训练二分类模型。
20.进一步的技术方案，所述无监督学习模型的训练方法为收集无人机与飞鸟的历史雷达数据，经过所述步骤a与步骤b的处理，将得到的特征数据作为训练集，无监督的训练异常检测模型。
21.进一步的技术方案，步骤d包括以下步骤：
22.d1).当步骤c所述的异常检测判断输入样本为正常样本时，最终类别识别结果按步骤c所述的二分类结果输出；
23.d2).当步骤c所述的异常检测判断输入样本为异常样本时，若步骤c所述的二分类输出概率接近0.5，那么最终类别识别结果为其他低空飘浮物，否则最终类别识别结果按步骤c所述的二分类结果输出。
24.本发明还提供一种低空小目标的雷达自动识别装置，该装置由雷达、存储器、处理器及通信总线组成，所述通信总线分别连接所述雷达、存储器与处理器；所述雷达用于侦测低空小目标，并将所述雷达数据通过通信总线送入所述存储器和处理器；所述存储器存储有计算机程序，所述计算机程序促使所述处理器执行所述低空小目标的雷达自动识别方法。
25.与现有技术相比，本发明具有如下有益效果：本发明基于无人机与飞鸟的历史雷达数据，解决了无人机、飞鸟以及实际应用中可能出现的其他低空飘浮物的识别问题，而由于低空漂浮物数据难以收集甚至无法收集，目前的相关专利文献都仅仅考虑无人机与飞鸟的二分识别，无法识别出其他低空漂浮物；本发明适用范围广，可以用于任何能得到目标航迹与雷达散射截面信息的雷达；本发明将雷达数据进行滑动时间窗口分段，增加了训练数据量；本发明使用深度神经网络自动提取特征，相比人工设计的特征，表达能力与泛化能力更强，识别结果也更为准确；本发明无需进行非常耗时的图像识别，计算力消耗更低且运算
更快；本发明也不需要光电探测等手段辅助，应用时不增加任何额外的硬件成本；本发明提升了雷达对低空小目标的识别能力，使得雷达系统更加智能化。
附图说明
26.图1是本发明低空小目标的雷达自动识别方法流程图；
27.图2给出了几个目标在某雷达上的航迹图；
28.图3是本发明低空小目标的雷达自动识别装置结构图；
29.图4是本发明实施例中一种深度神经网络的结构图；
30.图5是本发明实施例的实际识别效果图。
具体实施方式
31.下面结合附图和具体的实施方式对本发明作进一步详细的描述。
32.图1中示出了本发明低空小目标的雷达自动识别方法流程图，包括：
33.a)雷达数据预处理；
34.b)利用深度神经网络提取处理后数据的特征；
35.c)使用有监督学习与无监督学习执行二分类与异常检测；
36.a)根据二分类与异常检测结果识别输入数据是无人机、飞鸟或者其他低空飘浮物。
37.所述雷达数据，包括目标航迹与雷达散射截面信息构成的高维时间序列数据。图2给出了几个目标在某雷达上的航迹图，航迹信息包含目标的距离、方位、俯仰、速度，一条航迹和相应的雷达散射截面信息构成一条时间序列。在本实施例中，时间序列的正常间隔即雷达周期是3秒，维数为5，各维度分别为空间位置坐标、速度、雷达散射截面信息。
38.所述的预处理，包括数据内插与外推、数据清洗、数据分段步骤。
39.在本实施例中，当时间序列内相邻两个点的时间间隔为两个雷达周期以上时，采用线性插值法，添加插值点；当时间序列尾端相邻两个点的时间间隔为零时，采用线性外推法，拟合外推出时间序列各维度下一个雷达周期的值。通过内插与外推，使得时间序列的间隔为3秒。
40.在本实施例中，执行数据清洗，按顺序检查时间序列各点的一致性；即统计时间序列上到当前被检查点为止的各维度均值与标准差，如果当前被检查点各维度上的值都位于均值加减三倍标准差区间以外，则时间序列由此点断开。对于历史雷达数据，数据清洗步骤还将删除长度小于6的时间序列，避免杂波与噪声的干扰；在实际识别时，则是删除长度小于6、连续三个雷达周期还没有出现下一个点的航迹段。
41.所述预处理中的数据分段步骤，是指设定子时间序列长度，对于超过该长度的时间序列，使用固定大小的滑动时间窗口将其切分为若干子时间序列。
42.在本实施例中，子时间序列长度设定为6，滑动时间窗口的大小为6，步长为2，即重叠采样子时间序列；雷达数据时间序列上单个点的意义不大，因此通过采样子时间序列的方式进行分析；同时一条长度为n的时间序列，通过重叠采样可以得到[(n 1
‑
6)/2] 1条子时间序列，极大的增强了数据。
[0043]
在本实施例中，实际识别时，若目标航迹累积了6个点，且没有被前述数据清洗删
除，则将对应的时间序列作为输入数据继续进行预处理；若该航迹又累积了2个点，且没有被删除，则将第3到第8个点对应的时间序列作为第二个输入数据进行处理；以此类推。
[0044]
所述的利用深度神经网络提取处理后数据的特征，是指将子时间序列输入训练好的神经网络，得到自动提取的特征。
[0045]
所述深度神经网络，可以是编码
‑
解码结构，如自编码神经网络。
[0046]
在本实施例中，自编码器选择5个隐藏层的去噪自编码器，中间隐藏层编码的特征维数为17。图3给出了相应的网络结构图。
[0047]
所述深度神经网络的训练，是指收集无人机与飞鸟的历史雷达数据，经过步骤a处理后作为训练集，训练出深度神经网络的参数值。
[0048]
在本实施例中，无人机历史雷达数据73条，鸟类580条，经过步骤a处理，得到训练集，其中无人机样本5832条，飞鸟样本12416条。采用逐层贪婪训练，得到参数初始值，再用bp算法优化。全部训练完成后，抛弃解码器，只保留编码器部分，用于提取特征。
[0049]
所述的使用有监督学习与无监督学习执行二分类与异常检测，包括：
[0050]
c1).将步骤b输出的特征送入训练好的有监督学习模型进行二分类，输出属于无人机或飞鸟的概率；
[0051]
c2).由于已经使用深度神经网络提取了特征，c.1)所述的有监督学习模型可以是传统的二分类模型，也可以是卷积神经网络等深度学习模型；
[0052]
c3).将步骤b输出的特征送入训练好的无监督学习模型，如单分类支持向量机模型，进行异常检测，判断是否为异常样本。
[0053]
在本实施例中，有监督学习的二分类模型选择逻辑回归模型，输出的是目标属于无人机的概率。如果输出概率大于等于0.5，则分类为无人机；否则分类为飞鸟。
[0054]
在本实施例中，有监督学习的异常检测模型选择单分类支持向量机模型。
[0055]
所述有监督学习模型的训练，是指收集无人机与飞鸟的历史雷达数据，经过步骤a与步骤b的处理，将得到的特征打上标签，再把带标签的特征数据作为训练集，有监督的训练二分类模型。
[0056]
在本实施例中，5832条无人机样本与12416条飞鸟样本，经过步骤b后得到5832条无人机特征样本与12416条飞鸟特征样本，将无人机特征样本打上标签1，飞鸟特征样本打上标签0，输入逻辑回归中计算出参数值。
[0057]
所述无监督学习模型的训练，是指收集无人机与飞鸟的历史雷达数据，经过步骤a与步骤b的处理，将得到的特征数据作为训练集，无监督的训练异常检测模型。
[0058]
在本实施例中，经过步骤a与步骤b处理得到的5832条无人机特征样本与12416条飞鸟特征样本，都是正常样本；将它们送入单分类支持向量机，选择rbf核函数，训练出分界面。
[0059]
所述根据二分类与异常检测结果识别输入数据是无人机、飞鸟或者其他低空飘浮物，包括：
[0060]
d1).当步骤c所述的异常检测判断输入样本为正常样本时，最终类别识别结果按步骤c所述的二分类结果输出；
[0061]
d2).当步骤c所述的异常检测判断输入样本为异常样本时，若步骤c所述的二分类输出概率接近0.5，那么最终类别识别结果为其他低空飘浮物，否则最终类别识别结果按步
骤c所述的二分类结果输出。
[0062]
在本实施例中，单分类支持向量机判断输入数据是正常数据时，如果逻辑回归输出概率大于等于0.5，则输入数据识别为无人机，如果逻辑回归输出概率小于0.5，则输入数据识别为飞鸟；单分类支持向量机判断输入数据是异常数据时，如果逻辑回归输出概率介于0.45到0.55之间，则输入数据识别为其他低空飘浮物，如果逻辑回归输出概率大于0.55，则输入数据识别为无人机，如果逻辑回归输出概率小于0.45，则输入数据识别为飞鸟。
[0063]
需要说明的是，雷达周期、时间序列总维数、子时间序列长度、滑动时间窗口大小与步长、深度神经网络结构、有监督二分类模型、无监督异常检测模型、判断为其他飘浮物的阈值范围均可根据实际情况决定，而不限于本实施例所列举的具体值。
[0064]
本实施例还提供了低空小目标的雷达自动识别装置，如图4所示，由雷达、存储器、处理器及通信总线组成，所述通信总线连接所述雷达、存储器与处理器；所述雷达侦测低空小目标，并将所述雷达数据通过通信总线送入所述存储器和处理器；所述存储器存储有计算机程序，所述计算机程序促使所述处理器执行所述低空小目标的雷达自动识别方法。
[0065]
图5给出了本实施例的实际识别时的效果图。
[0066]
尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本技术公开的原则范围和精神之内。