一种基于多普勒雷达多信息融合的无人机识别方法与流程

1.本发明涉及无人机探测技术领域，具体涉及一种基于多普勒雷达多信息融合的无人机识别方法。


背景技术：

2.低空监视雷达系统是多普勒体系雷达系统，具备探测、识别、处置一体的自动化防御系统，对地面目标以及包括无人机、直升机在内的低空目标进行全天候监视。距离/多普勒处理是通过观测回波频率的脉冲到脉冲间的变化完成，即通过二维fft计算提取出非模糊的距离和多普勒速度信息。通过高精度的位置、速度信息探测单人、多人、单车、飞机多类型目标，监视跟踪目标的活动，可以掌握、显示目标的位置及运动航迹。
3.目标识别通常是通过雷达探测信息，包括目标回波强度、目标运动速度等信息，引导光电，从而得到目标光电视频信息相结合进行综合判断，识别目标类型，监视跟踪目标的活动。传统的基于光电图像的方法进行目标识别，系统模型复杂，计算能力需求大，延时大，且不能同时探测多区域目标。


技术实现要素：

4.本发明的目的在于提供一种基于多普勒雷达多信息融合的无人机识别方法。
5.本发明所解决的技术问题为：
6.传统的基于光电图像的方法进行目标识别，系统模型复杂，计算能力需求大，延时大，且不能同时探测多区域目标。
7.本发明的目的可以通过以下技术方案实现：
8.一种基于多普勒雷达多信息融合的无人机识别方法，包括以下步骤:
9.s1、接收雷达前端处理的原始回波数据，并对原始回波数据进行二维fft计算，得到距离-速度二维多普勒谱。
10.s2、对距离-速度二维多普勒谱进行帧间积累形成杂波图，基于杂波图进行cfar检测输出目标原始ep点迹信息。
11.s3、对原始ep点迹信息进行目标点航迹提取，得到目标的信息集合。信息集合包括历史关联的n帧ep点迹、凝聚点迹和航迹信息。
12.s4、建立目标知识库，并对目标知识库进行模型训练。
13.s5、对信息集合进行归一化处理，并输入到训练好的模型中进行识别，得到目标类型。
14.作为本发明进一步的方案：步骤s1包括：
15.s11、雷达前端接收机中频输入混频后通过第一维fft处理运算输出的i/q数据。
16.s12、对第一维fft输出的i/q数据进行脉冲间fft计算，观测回波频率的脉冲到脉冲间的变化，提取出非模糊的多普勒信息，得到距离-速度二维多普勒谱。距离-速度二维多普勒谱是包含距离维、频率维的二维r-d功率谱。
17.作为本发明进一步的方案：第一维fft处理运算是通过距离匹配滤波器观测回波频率，抑制量程外的差频信号导出频率域的距离信息，提取出非模糊的距离信息。
18.作为本发明进一步的方案：步骤s2包括：
19.s21、初始化杂波图，将每个波束的距离-速度二维多普勒谱进行两维量化，距离量化单位为δr，频率量化单位为δf，统计n个重复周期每个量化图单元的回波信号的均值方差，杂波图包含nr
×
ns个库单元。
20.s22、以杂波图作为cfar检测的参考背景图，利用检测单元附近单元功率作为参考得到检测阈值，通过比较检测单元回波功率与检测阈值判断是否为目标单元，进而输出目标ep点迹信息。
21.s23、根据每个量化图单元是否为目标来对杂波图单元进行不同程度的更新。
22.作为本发明进一步的方案：ep点迹信息包括：目标的时间戳、目标的距离维索引、目标的速度维索引和目标的幅度值。其中，
23.目标的时间戳为雷达检测到目标的时间。
24.目标的距离维索引为雷达检测到的目标单元的距离库单元的索引值。
25.目标的速度维索引为雷达检测到的目标单元的速度维单元的索引值。
26.目标的幅度值为雷达检测到的目标单元对应速度维的功率值。
27.作为本发明进一步的方案：目标点航迹提取过程包括：
28.点迹凝聚，首先对ep点迹信息进行单波束中距离、速度凝聚，再进行多波束间相关、方位凝聚，最后进行点迹滤波和输出凝聚点迹信息。其中，目标凝聚点迹信息为相关ep点迹信息的质心加权值。
29.对凝聚点迹进行航迹关联及滤波，形成带有唯一批号的航迹目标，输出该批目标的信息集合。
30.作为本发明进一步的方案：步骤s4包括：
31.s41、形成目标知识库，对信息集合进行归一化处理后加入到目标知识库。
32.s42、对目标知识库进行模型训练，将建立完成的目标知识库进行分组输入到模型进行训练求解支持向量机超平面函数，得到模型的参数。
33.作为本发明进一步的方案：步骤s5包括：
34.s51、对信息集合进行归一化处理。
35.s52、将归一化的信息集合输入到训练好的模型中，根据新观察的特征数据来输出该目标最可能的类别进行目标识别，输出目标类型。
36.本发明至少以下的一种有益效果：
37.1、本发明通过保留目标单元在二维多普勒谱中同一距离库索引的各频率索引对应的幅值信息，作为目标的谱特征传递给下一处理流程，为后续的目标跟踪和识别能力提供了基础；
38.2、本发明杂波图更新中的遗忘因子k和指数因子α的取值范围是经权衡杂波和真实目标的建图性能之后得到的一个取值范围，使杂波图的正常建立和更新，来保障cfar的目标检测性能；
39.3、对同一距离库的多频率目标进行重新查找，进行同一距离库中输出目标处理，限制同一目标的ep点迹输出个数，避免类似无人机旋翼谱导致全频道输出，剔除冗余特征
量值，为后续处理流程节约资源；
40.4、本发明中点航迹凝聚和提取进一步对目标特征进行剔除和提取，为后续目标识别提供更多有效信息，提高了目标识别准确率；
41.5、本发明通过结合雷达处理过程中的多级特征信息进行融合，以简化的检测模型和低的检测延时提高目标提取的完整性，可以获得99％以上的目标识别准确率，通过识别结果回溯增强无人机小目标的探测性能，具有更强的实用性。
附图说明
42.下面结合附图对本发明作进一步的说明。
43.图1是本发明基于多普勒雷达多信息融合的无人机识别方法的流程示意图；
44.图2是本发明基于多普勒雷达多信息融合的无人机识别方法的逻辑图；
45.图3是二维多普勒谱中无人机目标的128点fft二维谱图；
46.图4是二维多普勒谱中无人机目标的256点fft二维谱图；
47.图5是本发明的基于杂波图的cfar检测流程图；
48.图6是本发明的杂波图更新示意图；
49.图7是本发明的基于10帧特征向量的目标检测跟踪识别的结果图。
具体实施方式
50.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
51.请参阅图1-2所示，本发明为一种基于多普勒雷达多信息融合的无人机识别方法，包括如下步骤s1-s5。
52.s1、接收雷达前端处理的原始回波数据，并对原始回波数据进行二维fft计算，得到距离-速度二维多普勒谱。
53.s2、对距离-速度二维多普勒谱进行帧间积累形成杂波图，基于杂波图进行cfar检测输出目标原始ep点迹信息。
54.s3、对原始ep点迹信息进行目标点航迹提取，得到目标的信息集合。信息集合包括历史关联的n帧ep点迹、凝聚点迹和航迹信息。
55.s4、建立目标知识库，并对目标知识库进行模型训练。
56.s5、对信息集合进行归一化处理，并输入到训练好的模型中进行识别，得到目标类型。
57.具体的，在本发明中，步骤s1中，所述雷达前端处理的原始回波数据是接收机中频输入混频后通过第一维fft处理器运算输出的i/q数据；
58.所述第一维fft是通过距离匹配滤波器观测回波频率，抑制量程外的差频信号导出频率域的距离信息，提取出非模糊的距离信息；
59.所述加窗为使用精心设计的加权窗函数以抑制fft的副瓣泄漏提高多普勒速度分辨力，采用迭代搜寻算法设计优化窗函数，提供从30db～65db的副瓣抑制性能的窗函数可
选择；
60.所述第二维fft是对第一维fft输出的i/q数据进行脉冲间fft计算，观测回波频率的脉冲到脉冲间的变化，提取出非模糊的多普勒信息；
61.所述距离-速度二维多普勒谱是包含距离维、频率维的二维r-d功率谱；
62.在一个功率谱计算中，雷达对nr个连续脉冲进行fft处理，在每个脉冲上的检测距离的范围量化为ns个距离库，即每个多普勒速度均对应有ns个距离库，每个距离库均对应有nr个多普勒速度；
[0063][0064]
式中r为距离库索引，f为多普勒速度库索引，x(m，l)为第m组脉冲第l个距离库的原始回波i/q数据。
[0065]
本发明的一个实施例中，雷达覆盖的方位范围为0
°
～90
°
，共有64个方位；雷达在每个方位上检测距离的范围为0km～24km，距离库长12m，距离库数ns为2000，nr为128。
[0066]
步骤s2中，所述帧间积累形成杂波图进行cfar检测，包括以下步骤：
[0067]
s21，初始化杂波图，将每个波束的r-d功率谱进行两维量化，距离量化单位为δr，频率量化单位为δf，统计n个重复周期每个量化图单元的回波信号的均值方差，所述杂波图包含nr
×
ns个库单元；
[0068]
aven(f,r)＝ave
n-1
(f,r)
×
(1-k) spec(f,r)
×k[0069][0070]
其中aven(f,r)为某一波束第n帧频率向f、距离向r的幅度均值，varn(f,r)为幅度方差，k∈(0,1)为遗忘因子，spec(f,r)为当前帧回波幅度。
[0071]
雷达开机后，为快速建立杂波图，在扫描前30帧杂波图更新中的遗忘因子设置为0.5。
[0072]
s22，以杂波图作为cfar检测的参考背景图，利用检测单元附近单元功率作为参考得到检测阈值，通过比较检测单元回波功率与检测阈值判断是否为目标单元，输出目标ep点迹信息；与传统距离向cfar相比增加了多普勒速度维的参考单元选择，各方向保护单元和参考单元个数可改；
[0073]
对于检测单元d，(x1...xn)和(y1...yn)为杂波图中待检测单元两侧的参考单元。并且参考窗口内包含的单元个数为2n，待检测单元两侧设置2m个保护单元。x和y为两个参考窗口内单元的局部估计，通过对待检测单元d和自适应门限s＝cfar(x,y)比较(cfar函数可以为平均，最大，最小，排序等函数)，即可对目标进行自动的检测。
[0074]
所述ep点迹信息包括：目标的时间戳、目标的距离维索引、目标的速度维索引、目标的幅度值；
[0075]
所述目标的时间戳：雷达检测到目标的时间；
[0076]
所述目标的距离维索引：雷达检测到的目标单元的距离库单元的索引值；
[0077]
所述目标的速度维索引：雷达检测到的目标单元的速度维单元的索引值；
[0078]
所述目标的幅度值：雷达检测到的目标单元对应速度维的功率值；
[0079]
s23，根据每个量化图单元是否为目标来对杂波图单元进行不同程度的更新，杂波
图更新中为避免建图剧烈波动引起目标的漏检和虚警，杂波图建立过程分为目标建图和杂波建图；
[0080]
本发明的一个实施例中，雷达扫描30帧建图完成后转换为杂波图更新，当前检测单元存在目标时，当前单元回波数据以较小的幅度参与杂波更新避免杂波图幅度快速增加。
[0081]
aven(f,r)＝ave
n-1
(f,r)
×
delta
[0082]
delta＝powf(spec(f,r)/ave(f,r),α)
[0083]
式中delta为更新系数，α∈(0,1)为指数因子，可设置为0.125。
[0084]
当前检测单元不是目标时，根据单元回波数据幅度大小更新杂波图均值和方差。
[0085]
aven(f,r)＝ave
n-1
(f,r)
×
delta
[0086][0087]
式中k∈(0,1)为更新遗忘因子，设置为0.025，α∈(0,1)为指数因子，可设置为0.875。
[0088]
步骤s3中，所述目标点航迹提取，包括以下步骤：
[0089]
s31，点迹凝聚，首先对ep点迹信息进行单波束中距离、速度凝聚，之后进行多波束间相关、方位凝聚，最后进行点迹滤波和输出凝聚点迹信息；
[0090]
所述目标凝聚点迹信息包括：目标的时间戳、目标的距离维索引、目标的速度维索引、目标的方位索引、目标的幅度值；
[0091]
所述目标凝聚点迹信息，均为相关ep点迹信息的质心加权值；
[0092]
s32，对凝聚点迹进行航迹关联及滤波，形成带有唯一批号的航迹目标，输出该批目标的信息集合，包括历史关联的n帧ep点迹、凝聚点迹和航迹信息；
[0093]
所述目标航迹信息包括：目标的时间戳、目标的距离、目标的速度、目标的方位、目标的航向；
[0094]
所述目标的信息集合，为一条航迹中关联的历史n帧的ep点迹、凝聚点迹和航迹信息集合，是通过经验提取出具有目标一系列特征的信息集合；
[0095]
其中训练数据集合t＝{(x1,y1),(x2,y2),...(xm,ym)}，m为集合实例数，xi＝(t1,v1,x1,y1,a1；t2,v2,x2,y2,a2；...；tn,vn,xn,yn,an)，t,v,x,y,a分别为时间、速度、距离、方位、幅值信息向量；n为航迹历史相关帧数，y＝{ 1,-1}，1表示无人机，-1表示其他(杂波或人车)。
[0096]
本发明的一个实施例中，选择历史10帧特征向量作为模型输入数据。
[0097]
步骤s4中，所述形成知识库进行模型训练，包括以下步骤：
[0098]
s41，形成知识库，对信息集合进行归一化处理加入到目标知识库；
[0099]
所述归一化处理包括：目标的距离、速度、方位、幅度等值的归一化，最典型的归一化方法为当前值与相关属性最大值的比值；
[0100]
s42，对知识库进行模型训练，将建立完成的知识库进行分组输入到模型进行训练求解支持向量机超平面函数，得到模型的参数；
[0101]
其中，分离超平面：
[0102]w*
·
x b
*
＝0
[0103]
其中，w*是权重向量，b*是截距项。
[0104]
步骤s5中，所述多信息融合进行目标识别，包括以下步骤：
[0105]
s51，对信息集合进行归一化处理；
[0106]
s52，将归一化的信息集合输入到训练好的检测模型，根据新的观察的特征数据来输出该实例最可能的类别进行目标识别，输出目标类型；
[0107]
决策函数：f(x)＝sign(w
*
·
x b
*
)。
[0108]
本发明通过引入n帧点航迹多级特征向量，使用svm(支持向量机)和bdt(二叉决策树)来训练和探测，反复测量所提出算法的分类决策率，发现无人机的检测性能分别超过99％和96％，最终选择svm为实际使用模型。
[0109]
请结合图3-7，采用本发明的基于多普勒雷达多信息融合的无人机识别方法的识别结果，其中试验数据为实时获取的低空监视雷达前端a/d采样后的i/q回波数据，每个波束中包含128个脉冲重复周期，距离上分为2000个距离库单元；本发明通过保留目标单元在二维多普勒谱中同一距离库索引的各频率索引对应的幅值信息，作为目标的谱特征传递给下一处理流程，为后续的目标跟踪和识别能力提供了基础；对同一距离库的多频率目标进行重新查找，进行同一距离库中输出目标处理，限制同一目标的ep点迹输出个数，避免类似无人机旋翼谱导致全频道输出，剔除冗余特征量值，为后续处理流程节约资源；本发明中点航迹凝聚和提取进一步对目标特征进行剔除和提取，为后续目标识别提供更多有效信息，提高了目标识别准确率；对特征向量进行归一化处理，为后续的识别模型处理提供可靠的数据基础；如图7所示通过结合雷达处理过程中的多级特征信息进行融合，以简化的检测模型和低的检测延时提高目标提取的完整性，可以获得99％以上的目标识别准确率，通过识别结果回溯增强无人机小目标的探测性能，具有更强的实用性。
[0110]
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。