CN108549076B - 一种基于速度节奏图的多种类无人机场景识别方法 - Google Patents
一种基于速度节奏图的多种类无人机场景识别方法 Download PDFInfo
- Publication number
- CN108549076B CN108549076B CN201810199770.1A CN201810199770A CN108549076B CN 108549076 B CN108549076 B CN 108549076B CN 201810199770 A CN201810199770 A CN 201810199770A CN 108549076 B CN108549076 B CN 108549076B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- rhythm
- types
- frequency spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于速度节凑图的多种类无人机场景识别方法,属于雷达目标识别技术领域。该方法包括利用时频分析计算目标的微多普勒信号,利用傅里叶变换计算目标的速度节奏图,并定义了节凑频谱信号作为特征信号,利用K‑means分类实现目标识别。该方法针对多无人机目标的识别检测,具有较高的正确率以及较小的计算复杂度。
Description
技术领域
本发明涉及一种基于速度节奏图的多种类无人机场景识别方法,属于雷达目标识别技术领域。
背景技术
雷达发射电磁波到目标表面并接收回波,目标与雷达之间的距离会体现在回波的延时上,如果物体是移动的,则接收信号的频率会发生与相对运动速度有关的偏移,即产生多普勒效应。如果除了主运动外,目标或者目标上的某些部件还伴随有微运动,则微运动会在雷达回波信号上引起额外的频率调制,使得多普勒频率产生边频,即为微多普勒效应。
近年来,无人机被广泛应用于农业监控、灾后搜救等许多领域,发挥了很大的作用。但是,利用无人机进行非法监控、干扰机场的正常运行等滥用现象也越来越严重。因此,能够准确及时的检测出无人机就显得尤为关键。
由于无人机的螺旋桨叶片是典型的微动部件,可以产生独特的微多普勒特征,近年来,微多普勒特征被广泛的应用于无人机的检测。但是,绝大多数的研究都是在场景中只有一个无人机的前提下进行的。当检测区域有多个无人机同时出现时,由于多个无人机各自的微多普勒特征的相互叠加,现有大部分研究都无法得出正确的检测结果。但是,在实际的情况下,往往并不是只有一个无人机出现,当多个无人机同时出现时,就有可能由于不能得出正确的检测结果而导致严重的后果。因此,能过迅速正确的检测出出现的全部无人机就显得尤为关键。下面重点介绍两个与本发明相关的无人机目标检测方法的贡献和不足。如文献1:S.Vishwakarma and S.S Ram.Detection of multiple movers based onsingle channel source separation of their micro-Dopplers[J].IEEE Transactionson Aerospace and Electronic Systems,2016,公开了了一种利用字典学习的方法实现多目标的检测,该方法的特点在于在数据训练时,对单一目标的进行训练,训练出适用于单一目标的字典,然后将训练好的字典串联在一起,利用正交匹配追踪(OMP)算法得到待识别信号的稀疏表示,并根据不同字典的负责范围实现稀疏洗漱的分离,通过阈值检测的方式,实现目标的检测。但本方法的主要缺点是在训练字典,以及利用OMP方法进行稀疏表示时,需要进行大量的计算,计算复杂度较高,时间开销较大,无法实现实时处理。文献 2:B.K.Kim,H.S.Kang,and S.O.Park.Drone classification using convolutional neuralnetworks with merged Doppler images[J].IEEE Geoscience and Remote SensingLetters,2017,14(1):38-42中公开了利用无人机的速度节奏图(CVD)实现无人机检测的方法。该方法利用无人机的速度节奏图特征弥补微多普勒特征的不足,实现无人机的正确分类识别。该方法的主要缺点在于无法进行多目标的识别检测,同时利用卷积神经网络作为分类器,计算复杂度较高,时间开销较大,无法实现实时处理。
发明内容
本发明的目的是提出一种基于速度节奏图的多种类无人机场景识别方法,针对目前无法实时准确的检测多无人机目标的问题,对单类无人机的速度节奏图,利用、K-means分类器,实现多无人机目标的识别。
本发明提出的基于速度节奏图的多种类无人机场景识别方法,包括以下步骤:
(1)采集已知种类无人机的一个回波信号,并对该回波信号进行短时傅里叶变换,得到无人机的微多普勒信号STFT(t,ω):
其中,s为接收到的无人机的回波信号,h为短时傅里叶变换的窗函数,t为时间,ω为多普勒频率,j为虚数符号,τ为积分变量;
(2)在时间维度上对上述步骤(1)的微多普勒信号进行傅里叶变换,得到无人机的速度节奏图CVD(f,ω):
其中,f为多普勒信号的频率;
(3)在多普勒维度上对上述步骤(2)的无人机速度节奏图求和,得到无人机的节奏频谱特征信号CFS(f):
CFS(f)=sum(CVD(f,ω));
(4)重复步骤(1)-步骤(3),得到已知种类无人机的多个节奏频谱特征信号CFS(f),计算得到已知种类无人机的节奏频谱特征信号CFS(f)的均值ECFS(f),并将此均值作为 K-means分类器中该已知种类无人机的的中心点;
(5)设无人机的种类有N种,遍历无人机的所有N个种类,重复步骤(1)-步骤(4),得到所有N种无人机的节奏频谱特征信号CFS(f)的均值ECFS(f),分别将均值作为K-means 分类器中相应无人机的中心点;
(6)当N个种类中的两个以上种类的无人机同时出现在检测区域内时,根据上述步骤(5)得到共2N-1-N个场景的无人机节奏频谱特征信号的均值,并将该2N-1-N个均值作为K-means分类器中相应场景的无人机的中心点;
(7)采集待识别无人机的回波信号,重复步骤(1)-步骤(3),得到待识别无人机回波信号的节奏频谱特征信号,将该待识别无人机的节奏频谱特征信号输入上述步骤(6) 的K-means分类器,K-means分类器输出一个中心点,与该中心点相对应的无人机场景即为待识别的无人机场景。
本发明提出的基于速度节奏图的多种类无人机场景识别方法,其优点是:
本发明和现有的利用微多普勒以及速度节奏图进行目标的识别方法不同,本发明利用目标的节奏频率特征来进行目标的识别分类,并且能够实现多目标的识别,同时,由于本发明方法所涉及到的计算复杂度较低,运算成本小,可实现实时处理。本发明方法相比于文献[1]中的方法,可以实现多无人机目标的识别分类,并且具有较小的计算复杂度,时间开销小;本发明方法相比于文献[2]中的方法能够实现多目标的识别,且计算复杂度低,时间开销小。
附图说明
图1为本发明方法的流程框图。
具体实施方式
本发明提出的基于速度节奏图的多种类无人机场景识别方法,其流程框图如图1所示,包括以下步骤:
(1)采集已知种类无人机的一个回波信号,并对该回波信号进行短时傅里叶变换,得到无人机的微多普勒信号STFT(t,ω):
其中,s为接收到的无人机的回波信号,h为短时傅里叶变换的窗函数,t为时间,ω为多普勒频率,j为虚数符号,τ为积分变量;
(2)在时间维度上对上述步骤(1)的微多普勒信号进行傅里叶变换,得到无人机的速度节奏图CVD(f,ω):
其中,f为多普勒信号的频率;
(3)在多普勒维度上对上述步骤(2)的无人机速度节奏图求和,得到无人机的节奏频谱特征信号CFS(f):
CFS(f)=sum(CVD(f,ω)),
对速度节奏图CVD在多普勒维度上求和得到的节奏频谱特征信号,可以从整体上反应出无人机的微动部件的频率变化趋势,同时,求和操作可以从整体上消弱无人机回波信号中噪声的影响。从另一方面而言,这也是信号特征提取的一种方法,对于二维的速度节奏图CVD的压缩,提取出一维特征,这是本方法与其他现有方法对CVD进行特征提取的最大不同,其他关于CVD的方法,在进行特征提取时,会提取出二维CVD谱图中的强点的相关信息,忽略掉其他较弱点的信息,这就丢掉了信号的变化趋势信息。
(4)重复步骤(1)-步骤(3),得到已知种类无人机的多个节奏频谱特征信号CFS(f),计算得到已知种类无人机的节奏频谱特征信号CFS(f)的均值ECFS(f),并将此均值作为 K-means分类器中该已知种类无人机的中心点;K-means分类器是一种模式识别中的聚类算法,为本技术领域的公知公用技术。
本步骤的主要目的是得到同种类无人机的训练数据的CFS信号的均值,以消除极端值的影响,得到更为通用的CFS特征信号。
(5)设无人机的种类有N种,遍历无人机的所有N个种类,重复步骤(1)-步骤(4),得到所有N种无人机的节奏频谱特征信号CFS(f)的均值ECFS(f),分别将均值作为K-means 分类器中相应无人机的中心点;
(6)当N个种类中的两个以上种类的无人机同时出现在检测区域内时,根据上述步骤(5)得到2N-1-N个场景的无人机节奏频谱特征信号的均值,并将2N-1-N个均值作为 K-means分类器中相应场景的无人机的中心点;
例如,当N=3时,由步骤五可以得到三种无人机的节奏频谱特征信号的均值(假设分别为:ECFS(f)1、ECFS(f)2、ECFS(f)3),利用ECFS(f)12=ECFS(f)1+ECFS(f)2表示无人机1和无人机2同时出现的情形所对应的K-means分类器的中心点,同理利用 ECFS(f)13=ECFS(f)1+ECFS(f)3表示无人机1和无人机3同时出现的情形所对应的 K-means分类器的中心点,ECFS(f)23=ECFS(f)2+ECFS(f)3表示无人机2和无人机3同时出现的情形所对应的K-means分类器的中心点,ECFS(f)123=ECFS(f)1+ECFS(f)2+ ECFS(f)3表示无人机1、无人机2和无人机3同时出现的情形所对应的K-means分类器的中心点,此时K-means分类器中的无人机中心点共有7个。
(7)采集待识别无人机的回波信号,重复步骤(1)-步骤(3),得到待识别无人机回波信号的节奏频谱特征信号,将该待识别无人机的节奏频谱特征信号输入上述步骤(6) 的K-means分类器,K-means分类器输出一个中心点,与该中心点相对应的无人机场景即为待识别的无人机场景。
Claims (1)
1.一种基于速度节奏图的多种类无人机场景识别方法,其特征在于该方法包括以下步骤:
(1)采集已知种类无人机的一个回波信号,并对该回波信号进行短时傅里叶变换,得到无人机的微多普勒信号STFT(t,ω):
其中,s为接收到的无人机的回波信号,h为短时傅里叶变换的窗函数,t为时间,ω为多普勒频率,j为虚数符号,τ为积分变量;
(2)在时间维度上对上述步骤(1)的微多普勒信号进行傅里叶变换,得到无人机的速度节奏图CVD(f,ω):
其中,f为多普勒信号的频率;
(3)在多普勒维度上对上述步骤(2)的无人机速度节奏图求和,得到无人机的节奏频谱特征信号CFS(f):
CFS(f)=sum(CVD(f,ω));
(4)重复步骤(1)-步骤(3),得到已知种类无人机的多个节奏频谱特征信号CFS(f),计算得到已知种类无人机的节奏频谱特征信号CFS(f)的均值ECFS(f),并将此均值作为K-means分类器中该已知种类无人机的中心点;
(5)设无人机的种类有N种,遍历无人机的所有N个种类,重复步骤(1)-步骤(4),得到所有N种无人机的节奏频谱特征信号CFS(f)的均值ECFS(f),分别将均值作为K-means分类器中相应无人机的中心点;
(6)当N个种类中的两个以上种类的无人机同时出现在检测区域内时,利用上述步骤(5)中得到的N种无人机的ECFS(f)特征,根据无人机场景的无人机种类的不同进行多无人机种类同时出现场景特征的构建,由此,得到共2N-1-N个场景的无人机节奏频谱特征信号的均值,并将该2N-1-N个均值作为K-means分类器中相应场景的无人机的中心点;
(7)采集待识别无人机的回波信号,重复步骤(1)-步骤(3),得到待识别无人机回波信号的节奏频谱特征信号,将该待识别无人机的节奏频谱特征信号输入上述步骤(6)的K-means分类器,K-means分类器输出一个中心点,与该中心点相对应的无人机场景即为待识别的无人机场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810199770.1A CN108549076B (zh) | 2018-03-12 | 2018-03-12 | 一种基于速度节奏图的多种类无人机场景识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810199770.1A CN108549076B (zh) | 2018-03-12 | 2018-03-12 | 一种基于速度节奏图的多种类无人机场景识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108549076A CN108549076A (zh) | 2018-09-18 |
CN108549076B true CN108549076B (zh) | 2021-11-02 |
Family
ID=63516188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810199770.1A Active CN108549076B (zh) | 2018-03-12 | 2018-03-12 | 一种基于速度节奏图的多种类无人机场景识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108549076B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409225B (zh) * | 2018-09-21 | 2020-12-22 | 清华大学 | 基于雷达多径信号时频特征融合的无人机分类方法及装置 |
CN109375205B (zh) * | 2018-09-28 | 2020-11-03 | 清华大学 | 基于字典学习的多种类无人机场景识别方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008403A (zh) * | 2014-05-16 | 2014-08-27 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种svm(矢量机)模式的多目标识别判定方法 |
CN107358252A (zh) * | 2017-06-09 | 2017-11-17 | 清华大学 | 一种无人机分类方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6229475B1 (en) * | 1987-04-27 | 2001-05-08 | Raytheon Company | Pulse doppler radar system with improved cluster target resolution capability |
US7817082B2 (en) * | 2007-03-11 | 2010-10-19 | Vawd Applied Science And Technology Corporation | Multi frequency spectral imaging radar system and method of target classification |
JP5570786B2 (ja) * | 2009-11-09 | 2014-08-13 | 古野電気株式会社 | 信号処理装置、レーダ装置及び信号処理プログラム |
KR20140019501A (ko) * | 2012-08-06 | 2014-02-17 | 현대자동차주식회사 | 장애물 인식을 위한 분류기의 생성방법 |
CN103020989B (zh) * | 2012-12-05 | 2016-06-08 | 河海大学 | 一种基于在线场景特征聚类的多视角目标跟踪方法 |
CN103049764A (zh) * | 2012-12-13 | 2013-04-17 | 中国科学院上海微系统与信息技术研究所 | 一种低空飞行器目标识别方法 |
CN103324830A (zh) * | 2013-05-23 | 2013-09-25 | 西北工业大学 | 一种多无人机编队划分方法 |
CN106096604A (zh) * | 2016-06-02 | 2016-11-09 | 西安电子科技大学昆山创新研究院 | 基于无人平台的多波段融合探测方法 |
CN106295684B (zh) * | 2016-08-02 | 2019-11-29 | 清华大学 | 一种基于微多普勒特征的动态连续/非连续手势识别方法 |
CN107748862A (zh) * | 2017-09-21 | 2018-03-02 | 清华大学 | 一种基于双频雷达信号时频分布的无人机分类方法及装置 |
-
2018
- 2018-03-12 CN CN201810199770.1A patent/CN108549076B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008403A (zh) * | 2014-05-16 | 2014-08-27 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种svm(矢量机)模式的多目标识别判定方法 |
CN107358252A (zh) * | 2017-06-09 | 2017-11-17 | 清华大学 | 一种无人机分类方法及装置 |
Non-Patent Citations (2)
Title |
---|
Drone Classification Using Convolutional Neural Networks With Merged Doppler Images;Byung Kwan Kim 等;《Geoscience and Remote Sensing Letter》;20170131;第38-40页 * |
S. Björklund等.Evaluation of a Micro-Doppler Classification Method on mm-Wave Data.《in Proc. IEEE Radar Conf》.2012,第1-2页. * |
Also Published As
Publication number | Publication date |
---|---|
CN108549076A (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106899968B (zh) | 一种基于WiFi信道状态信息的主动非接触身份认证方法 | |
CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
CN111175718B (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
Guo et al. | Recognition of radar emitter signals based on SVD and AF main ridge slice | |
CN101509972B (zh) | 基于高分辨目标距离像修正相关矩阵的宽带雷达检测方法 | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
Eryildirim et al. | Pulse Doppler radar target recognition using a two-stage SVM procedure | |
Regev et al. | Classification of single and multi propelled miniature drones using multilayer perceptron artificial neural network | |
CN111401168B (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
CN108549076B (zh) | 一种基于速度节奏图的多种类无人机场景识别方法 | |
KR101234192B1 (ko) | 바이스태틱 레이더의 송수신 각도 추출 장치 | |
KR102116604B1 (ko) | 레이더를 이용한 제스처 인식 장치 및 방법 | |
CN112137620A (zh) | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 | |
CN103116740A (zh) | 一种水下目标识别方法及其装置 | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
KR101871571B1 (ko) | 항공기 식별 장치 및 방법 | |
CN104239895A (zh) | 基于特征降维的sar目标鉴别方法 | |
CN109375205B (zh) | 基于字典学习的多种类无人机场景识别方法及装置 | |
Nguyen et al. | A parallel neural network-based scheme for radar emitter recognition | |
CN110658506A (zh) | 一种基于角度聚类和多普勒分析的微多普勒杂波滤除方法 | |
CN113406589B (zh) | 一种基于simo多普勒雷达的多目标动作识别方法 | |
Javed et al. | Automatic target classifier for a Ground Surveillance Radar using linear discriminant analysis and Logistic regression | |
CN110488279B (zh) | 一种基于雷达的行人与树木区分方法与装置 | |
Kwon et al. | Radar application of deep neural networks for recognizing micro-Doppler radar signals by human walking and background noise | |
Ambrosanio et al. | Kolgomorov Smirnov test based approach for SAR automatic target recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |