CN109409225B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109409225B CN109409225B CN201811109887.2A CN201811109887A CN109409225B CN 109409225 B CN109409225 B CN 109409225B CN 201811109887 A CN201811109887 A CN 201811109887A CN 109409225 B CN109409225 B CN 109409225B
- Authority
- CN
- China
- Prior art keywords
- time
- frequency
- unmanned aerial
- radar
- aerial vehicle
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种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,其中,该方法包括:采集多个无人机的雷达数据;通过傅里叶变换对雷达数据进行处理,以获取不同距离单元及不同时间的雷达回波,并通过高通滤波器对回波信号静态杂波进行抑制,以提取所处的不同距离单元的不同的多径回波信号;通过短时傅里叶变换对多径回波信号进行分析,以获取每个无人机在多径回波信号的时频图;从时频图中提取多径回波信号时频特征;以及将多径回波信号时频特征进行融合,以获取每个无人机的分类结果。该方法可以通过获取不同目标的数据进行学习训练,不需要改造硬件,进而准确区分鸟和无人机、不同类型的无人机的功能,准确率高。
Description
技术领域
本发明涉及雷达技术领域,特别涉及一种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。
背景技术
无人机是一种利用无线电设备进行控制操纵的不载人飞机。近年来,随着材料、通信等技术成熟发展,传感器、摄像头等零配件成本降低使得无人机市场规模保持快速的增长。此外无人机在农林、测绘、电力巡检、救灾以及安防等领域的作用日益显现。但是随着无人机的使用越来越多,数量的大幅增加,同时也引起了一些安全方面的担忧,比如无人机的“黑飞扰航”事件频发,屡屡威胁民航空中交通管理安全,给民航空中带来的安全隐患。此外小型无人机也可能被滥用行为来实施犯罪行为,甚至是恐怖袭击,因此准确地探测和分类无人机,判定其威胁等级、提供应对措施的有效依据等具有重要意义,相关需求广泛存在于反恐、民航监控等领域。
现有的基于图像的识别系统受到许多因素的影响,如雨天、大雾、光线等影响较大,使得识别过程运算量大、识别精度受限、判别结果误差大,限制了其应用范围。此外无人机作为一种受人控制的目标,其飞行路线的能够实现动态的规划,从而往往通过地形或建筑物隐藏,规避监控识别系统。
雷达是一种利用电磁波探测目标的电子设备。它是通过发射电磁波照射目标然后接收其回波,来获得目标的特征的电子系统。相比于基于图像的识别系统,雷达具备全天候全时段工作能力,具有探测精度高,实时性能好,受环境因素影响小等优势。
雷达在跟踪探测高空目标时,一般可以精确测量定位目标的位置、速度、方位等信息,但是当雷达测量低空目标时,往往会收到雷达信号多径效应的干扰,这时产生的误差就比较大,严重时还会导致目标测量探测丢失等情况。
现代雷达除了传统的获取目标的距离、距离变化率(径向速度)、方位、高度等信息外,普遍具有提取目标更多细节特征的能力。近些年来,人们又开始关注目标主体运动速度之外的其它部分运动信息,这些相对于主体的运动反映为微多普勒信息。微多普勒是由目标各部分相对主体运动引起的多普勒效应,可表征目标丰富的状态信息,主要是目标内部相对运动,如旋翼的转动等。通过提取微多普勒的特征,可以对目标个体的运动状态进行精细判读和识别。
当前,微多普勒提取技术已经得到广泛研究,如利用微多普勒信息判断直升机螺旋桨转动等。理论和实验表明,微多普勒信息的提取和判读,对于准确辨识目标内部相对运动、判断目标状态具有很好的效果。微多普勒信息的提取技术中最广泛使用的是短时傅里叶变换,短时傅里叶变换分析结果既反映了信号的频率内容,也反映了频率内容随时间变化的规律,代表着每一时刻目标运动状态对应的多普勒信息。
在相关技术中,基于光学成像得到图像或是传感器传输的监测数据,对周围环境要求较高,受气候、温度和光照条件影响较大,同时还存在着识别准确率不高的问题。此外利用雷达观测低空飞行或者城市建筑群中飞行的无人机目标常常会受到雷达信号多径效应的影响,导致对目标跟踪探测往往产生的比较大误差。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于雷达多径信号时频特征融合的无人机分类方法,该方法可以准确识别无人机的类别,从而对无人机进行准确分类,简单易实现。
本发明的另一个目的在于提出一种基于雷达多径信号时频特征融合的无人机分类装置。
为达到上述目的,本发明一方面实施例提出了一种基于雷达多径信号时频特征融合的无人机分类方法,包括以下步骤:采集多个无人机的雷达数据;通过傅里叶变换对所述雷达数据进行处理,以获取不同距离单元及不同时间的雷达回波,并通过高通滤波器对回波信号静态杂波进行抑制,以提取所处的不同距离单元的不同的多径回波信号;通过短时傅里叶变换对所述多径回波信号进行分析,以获取每个无人机在所述多径回波信号的时频图;从所述时频图中提取多径回波信号时频特征;将所述多径回波信号时频特征进行融合,以获取所述每个无人机的分类结果。
本发明实施例的基于雷达多径信号时频特征融合的无人机分类方法,利用雷达系统发射电磁波接收无人机的反射信号,然后根据多径信号所处的距离单元的不同,分离出不同的多径信号,接着对目标回波的微多普勒信息进行提取,最后对接收到的雷达多径信号时频特征进行融合分析,进而得到不同无人机的类别,另外,通过获取不同的目标的数据进行学习训练,不需要改造硬件,进而准确区分鸟和无人机、不同类型的无人机的功能。
另外,根据本发明上述实施例的基于雷达多径信号时频特征融合的无人机分类方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述通过短时傅里叶变换对所述多径回波信号进行分析,包括:运用所述短时傅里叶变换作为时频变换的工具对所述雷达数据的每组时域数据都进行时频分析,得到每组动作的时频图,所述工具表示为:
其中,x[n]是离散的时间信号,w[n]是短时傅里叶变换的窗函数,m是窗函数滑动的位置,ω是角频率,X为预处理数据。
进一步地,在本发明的一个实施例中,所述从所述时频图中提取多径回波信号时频特征,包括:固定每个截取时间的时间长度,以获取多段数据,其中,所述时间长度大于无人机转动周期;对于所述多段数据的每段数据,通过正则化处理的方法将幅度映射到dB域,并根据最大的幅度进行归一化得到预处理数据;对所述预处理数据进行主成份分析,以得到所述多径回波信号时频特征。其中,主成份分析公式为:
Cu=λu,
其中,C为协方差矩阵,λ为特征值,u为特征向量。
进一步地,在本发明的一个实施例中,所述获取所述每个无人机的分类结果,包括:将融合结果作为输入特征,输入支持向量机中进行分类识别以得到所述分类结果。
为达到上述目的,本发明另一方面实施例提出了一种基于雷达多径信号时频特征融合的无人机分类装置,包括:采集模块,用于采集多个无人机的雷达数据;处理模块,用于通过傅里叶变换对所述雷达数据进行处理,以获取不同距离单元及不同时间的雷达回波,并通过高通滤波器对回波信号静态杂波进行抑制,以提取所处的不同距离单元的不同的多径回波信号;分析模块,用于通过短时傅里叶变换对所述多径回波信号进行分析,以获取每个无人机在所述多径回波信号的时频图;提取模块,用于从所述时频图中提取多径回波信号时频特征;分类模块,用于将所述多径回波信号时频特征进行融合,以获取所述每个无人机的分类结果。
本发明实施例的基于雷达多径信号时频特征融合的无人机分类装置,利用雷达系统发射电磁波接收无人机的反射信号,然后根据多径信号所处的距离单元的不同,分离出不同的多径信号,接着对目标回波的微多普勒信息进行提取,最后对接收到的雷达多径信号时频特征进行融合分析,进而得到不同无人机的类别,该方法通过获取不同的目标的数据进行学习训练,不需要改造硬件,进而准确区分鸟和无人机、不同类型的无人机的功能。
另外,根据本发明上述实施例的基于雷达多径信号时频特征融合的无人机分类装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,分析模块包括:运用所述短时傅里叶变换作为时频变换的工具对所述雷达数据的每组时域数据都进行时频分析,得到每组动作的时频图,所述工具表示为:
其中,x[n]是离散的时间信号,w[n]是短时傅里叶变换的窗函数,m是窗函数滑动的位置,ω是角频率,X为预处理数据。
进一步地,在本发明的一个实施例中,所述提取模块包括:固定每个截取时间的时间长度,以获取多段数据,其中,所述时间长度大于无人机转动周期;对于所述多段数据的每段数据,通过正则化处理的方法将幅度映射到dB域,并根据最大的幅度进行归一化得到预处理数据;对所述预处理数据进行主成份分析,以得到所述多径回波信号时频特征。其中,主成份分析公式为:
Cu=λu,
其中,C为协方差矩阵,λ为特征值,u为特征向量。
进一步地,在本发明的一个实施例中,所述分类模块包括:将融合结果作为输入特征,输入支持向量机中进行分类识别以得到所述分类结果。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的基于雷达多径信号时频特征融合的无人机分类方法的流程图;
图2为根据本发明一个实施例的基于雷达多径信号时频特征融合的无人机分类方法的流程图;
图3为根据本发明一个实施例的基于雷达多径信号时频特征融合的无人机分类方法场景设置图;
图4为根据本发明一个实施例的基于雷达多径信号时频特征融合的无人机分类方法的静态杂波抑制前后对比图;
图5为根据本发明一个实施例的基于雷达多径信号时频特征融合的无人机分类方法的雷达传感器直达波信号三类无人机的时频分布图;
图6为根据本发明一个实施例的基于雷达多径信号时频特征融合的无人机分类方法的雷达传感器多径回波信号三类无人机的时频分布图;
图7为根据本发明一个实施例的基于雷达多径信号时频特征融合的无人机分类方法三类无人机的特征在特征空间分布图;
图8为根据本发明一个实施例的基于雷达多径信号时频特征融合的无人机分类方法的不同比例训练样本的识别结果图;
图9为根据本发明实施例的基于雷达多径信号时频特征融合的无人机分类装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的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,首先将参照附图描述根据本发明实施例提出的基于雷达多径信号时频特征融合的无人机分类方法。
图1是本发明实施例的基于雷达多径信号时频特征融合的无人机分类方法的流程图。
如图1所示,该基于雷达多径信号时频特征融合的无人机分类方法包括以下步骤:
在步骤S101中,采集多个无人机的雷达数据。
其中,在本发明的实施例中,可以选择X波段的调频连续波雷达传感器,以及三种典型的不同的无人机作为代表。
在步骤S102中,通过傅里叶变换对雷达数据进行处理,以获取不同距离单元及不同时间的雷达回波,并通过高通滤波器对回波信号静态杂波进行抑制,以提取所处的不同距离单元的不同多径回波信号。
在步骤S103中,通过短时傅里叶变换对多径回波信号进行分析,以获取每个无人机在多径回波信号的时频图。
进一步地,在本发明的一个实施例中,通过短时傅里叶变换对多径回波信号进行分析包括:运用短时傅里叶变换作为时频变换的工具对雷达数据的每组时域数据都进行时频分析,得到每组动作的时频图,工具表示为:
其中,x[n]是离散的时间信号,w[n]是短时傅里叶变换的窗函数,m是窗函数滑动的位置,ω是角频率,X为预处理数据。
需要说明的是,在目标的时频图中不仅包括有无人机主体运动的主多普勒信息,还可以包括运动过程中旋翼转动引起的微多普勒信息,其中,如图5-6所示,微多普勒信息在时频图中都能被清晰地观测,并将根据时频图的信息应用于后续工作中。
在步骤S104中,从时频图中提取多径回波信号时频特征。
进一步地,在本发明一个实施例中,从时频图中提取多径回波信号时频特征包括:固定每个截取时间的时间长度,以获取多段数据,其中,时间长度大于无人机转动周期;对于多段数据的每段数据,通过正则化处理的方法将幅度映射到 dB域,并根据最大的幅度进行归一化得到预处理数据;对预处理数据进行主成份分析,以得到多径回波信号时频特征。其中,主成份分析公式为:
Cu=λu,
其中,C为协方差矩阵,λ为特征值,u为特征向量。
需要说明的是,从步骤S103得到的时频图中提取特征,采用主成份分析作为特征进行提取分别对多径回波信号的时频图进行处理。
在步骤S105中,将多径回波信号时频特征进行融合,以获取每个无人机的分类结果。
进一步地,在本发明一个实施例中,获取每个无人机的分类结果包括:将融合结果作为输入特征,输入支持向量机中进行分类识别以得到分类结果。
可以理解的是,将步骤S104提取出的多径回波信号时频特征进行融合作为输入特征送到支持向量机中进行分类识别,其中,在本发明实施例中,训练样本和测试样本可以从总样本中随机选取的,从而一部分作为训练样本,其余的全部作为测试样本,并且做蒙特卡洛实验验证分类识别结果。
下面以具体实施例对本发明实施例的基于雷达多径信号时频特征融合的无人机分类方法进行详细描述。
图2是本发明一个实施例的基于雷达多径信号时频特征融合的无人机分类方法流程图。
如图2所示,本发明实施例的基于雷达多径信号时频特征融合的无人机分类方法包括以下步骤:
步骤一,按照图3设置雷达系统识别实验场景。本发明实施例中所使用的雷达可以为X波段调频连续波雷达,中心频率为9.8GHz,带宽为400MHz。调频连续波雷达的优点在于其精度高、能够同时测量距离和速度、便于携带,因此非常适合在本实验中采集数据。在本发明实施例选择三种不同类型的无人机做代表动作,无人机在雷达前方空中悬停。在本发明的实施例中,每类无人机位于雷达直达波和反射回波能够同时接收到的共同区域内的不同的高度与方位,每类无人机在不同的角度共采集80组实验数据,每次实验时间设置为3秒。
步骤二,运用傅里叶变换对雷达系统采集到的数据进行处理得到不同距离单元以及不同时间的雷达回波如图4中的 (a)所示,其中,静态杂波背景相对较强,回波信号并不明显,选取高通滤波器对回波信号静态杂波进行抑制以准确提取所处的不同距离单元的不同的多径回波信号如图4中的 (b)所示。
步骤三,运用短时傅里叶变换(STFT)作为时频变换的工具对步骤一中雷达采集到的每组时域数据都进行时频分析,得到每组动作的时频图。短时傅里叶变换 (STFT)作为时频变换的工具,具体可表示为;
其中,x[n]是离散的时间信号,w[n]是短时傅里叶变换的窗函数,m是窗函数滑动的位置,ω是角频率,X为预处理数据。因此,如图5-6所示,STFT 的结果实际上就是信号在时间和频率平面上的分布,即时频图。
步骤四,从步骤三得到的时频图中提取特征,把主成份分析作为特征进行提取。首先固定了每个截取时间的的长度并确保时间长度大于无人机转动周期,在这里选取时间长度为0.5s的数据。对于每段数据,首先通过正则化处理的方法将幅度映射到dB域,并根据最大的幅度进行归一化得到预处理数据X。对X做主成份分析:
Cu=λu
上面式中相当于求解X的协方差矩阵C的特征值λ和特征向量u。取前k 个最大的奇异值对应的u的特征向量[U1,…,Uk],然后计算出X在每个特征向量的投影即为k个主成份[f1,…,fk]作为特征向量。本发明实施例中,对于每个雷达多径信号的特征分别选取了前3个主特征构成特征向量。图7中的 (a)、(b)为分别为雷达传感器直达波信号和雷达传感器多径回波信号前3个特征的特征分布图。
步骤五,将步骤四提取出的特征向量作为输入送到分类器中进行训练和识别。在本发明的实施例中,为了验证多径时频特性融合方法,分类器采用贝叶斯分类器,k近邻分类器和SVM这三种分类器进行训练和识别。训练样本和测试样本可以从总样本中随机选取的,其中对于每一类无人机随机选取一部分作为训练样本,其余的全部作为测试样本,并且做100次蒙特卡洛实验验证分类识别结果。
kNN分类器是一种基于多数投票的分类算法。其基本原理是:计算测试样本与训练样本之间的距离,由k个(k为整数)最近距离的训练样本投票,选出得票最多的类型标签作为分类结果,一般情况下,k值根据应用场景选取,在本发明实施例中k选取为3。
由于支持向量机只能分两类目标,在本发明的实施例中有三类无人机需要识别,因此选用支持向量机决策树算法进行分类识别。基于二叉树的支持向量机多类分类算法是先将所有类别分成两个子类,再将子类进一步划分为两个次级子类,如此循环下去,直到所有的节点都只包含一个单独的类别为止。该方法将原来的多类问题同样分解成了一系列的两类分类问题,其中两个子类间的分类函数可以通过支持向量机方法训练获取。
由于本发明的实施例中每一类无人机的样本数据为480个,因此本发明的实施例采用交叉验证的方法进行测试。每次随机从每一类选择30%即144个样本作为训练样本训练分类器,剩下70%即336个测试样本测试分类器分类结果,100 次蒙特卡洛实验结果后的平均值如下表1和表2所示,其中,表1为三类无人机的仅利用雷达直达波信号识别混合矩阵,表2为三类无人机的雷达多径信号融合识别混合矩阵。
表1
表2
如表1和2中对比所示,直升机与其他两架无人机更容易区分,因为它的旋转叶片在固定的相位进行旋转,而其他两架无人机的旋转叶片旋转相位并不固定。由于充分利用了雷达多径信号,雷达多径信号的时频融合特征比仅仅利用雷达直达波信号时频特征的信息要多,有效的融合了无人机的雷达回波中的信号特性特征,因此提高了无人机的分类精度,降低了分类误差。为了进一步验证上面的结果,本发明实施例采用不同比例的样本进行测试,每一类选择分别从10%到50%的样本作为训练样本训练分类器,剩下的样本测试分类器分类结果,分类结果如图8所示。
从分类结果看,本发明实施例可以通过有效的融合雷达多径信号时频图中的特征,输入到分类器中进行分类识别,采用了三种不同的分类器得到的一致的分类结果证明了这种方法能够实现对不同类别无人机进行分类识别,效果显著,可以较好地区分出这三类无人机。
本发明实施例的基于雷达多径信号时频特征融合的无人机分类方法,利用雷达系统采集数据,然后分离出雷达不同的多径回波信号,提取时频域微多普勒特征,把多径信号的多普勒特征进行融合作为分类依据的无人机的类别识别方法,还能以相对于只利用原始雷达系统直达回波更高的准确率对这三类无人机进行分类,通过获取不同的目标的数据进行学习训练,不需要进行硬件部分改造,进而准确区分鸟和无人机、不同类型的无人机。
其次参照附图描述根据本发明实施例提出的基于雷达多径信号时频特征融合的无人机分类装置。
图9是本发明一个实施例的基于雷达多径信号时频特征融合的无人机分类装置的结构示意图。
如图9所示,基于雷达多径信号时频特征融合的无人机分类装置10包括以下模块:采集模块100、处理模块200、分析模块300、提取模块400和分类模块500。
其中,采集模块100用于采集多个无人机的雷达数据。处理模块200用于通过傅里叶变换对雷达数据进行处理,以获取不同距离单元及不同时间的雷达回波,并通过高通滤波器对回波信号静态杂波进行抑制,以提取所处的不同距离单元的不同的多径回波信号。分析模块300用于通过短时傅里叶变换对多径回波信号进行分析,以获取每个无人机在多径回波信号的时频图;提取模块400用于从时频图中提取多径回波信号时频特征。分类模块500用于将多径回波信号时频特征进行融合,以获取每个无人机的分类结果。本发明实施例基于雷达多径信号时频特征融合的无人机分类装置10可以通过获取不同目标的数据进行学习训练,不需要改造硬件,进而准确区分鸟和无人机、不同类型的无人机的功能,准确率高。
进一步地,在本发明的一个实施例中,分析模块300包括:运用短时傅里叶变换作为时频变换的工具对雷达数据的每组时域数据都进行时频分析,得到每组动作的时频图,工具表示为:
其中,x[n]是离散的时间信号,w[n]是短时傅里叶变换的窗函数,m是窗函数滑动的位置,ω是角频率,X为预处理数据。
进一步地,在本发明的一个实施例中,提取模块400包括:固定每个截取时间的时间长度,以获取多段数据,其中,时间长度大于无人机转动周期;对于多段数据的每段数据,通过正则化处理的方法将幅度映射到dB域,并根据最大的幅度进行归一化得到预处理数据;对预处理数据进行主成份分析,以得到多径回波信号时频特征。其中,主成份分析公式为:
Cu=λu,
其中,C为协方差矩阵,λ为特征值,u为特征向量。
进一步地,在本发明的一个实施例中,分类模块500包括:将融合结果作为输入特征,输入支持向量机中进行分类识别以得到分类结果。
需要说明的是,前述对基于雷达多径信号时频特征融合的无人机分类方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
本发明实施例的基于雷达多径信号时频特征融合的无人机分类装置,通过雷达系统采集数据,对雷达处于不同距离单元的多径回波信号进行时频分析和主成份分析进行无人机分类识别,雷达多径回波信号时频融合处理的方法能以相对于只利用原始雷达系统直达回波更高的准确率对这三类无人机进行分类。无人机分类装置通过获取不同的目标的数据进行学习训练,不需要改造硬件,进而准确区分鸟和无人机、不同类型的无人机的功能。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于雷达多径信号时频特征融合的无人机分类方法,其特征在于,包括以下步骤:
采集多个无人机的雷达数据;
通过傅里叶变换对所述雷达数据进行处理,以获取不同距离单元及不同时间的雷达回波,并通过高通滤波器对回波信号静态杂波进行抑制,以提取所处的不同距离单元的不同的多径回波信号;
通过短时傅里叶变换对所述多径回波信号进行分析,以获取每个无人机在所述多径回波信号的时频图;
从所述时频图中提取多径回波信号时频特征;以及
将所述多径回波信号时频特征进行融合,以获取所述每个无人机的分类结果。
3.根据权利要求1所述的基于雷达多径信号时频特征融合的无人机分类方法,其特征在于,所述从所述时频图中提取多径回波信号时频特征,包括:
固定每个截取时间的时间长度,以获取多段数据,其中,所述时间长度大于无人机转动周期;
对于所述多段数据的每段数据,通过正则化处理的方法将幅度映射到dB域,并根据最大的幅度进行归一化得到预处理数据;
对所述预处理数据进行主成份分析,以得到所述多径回波信号时频特征。
4.根据权利要求3所述的基于雷达多径信号时频特征融合的无人机分类方法,其特征在于,主成份分析公式为:
Cu=λu,
其中,C为协方差矩阵,λ为特征值,u为特征向量。
5.根据权利要求1所述的基于雷达多径信号时频特征融合的无人机分类方法,其特征在于,所述获取所述每个无人机的分类结果,包括:
将融合结果作为输入特征,输入支持向量机中进行分类识别以得到所述分类结果。
6.一种基于雷达多径信号时频特征融合的无人机分类装置,其特征在于包括:
采集模块,用于采集多个无人机的雷达数据;
处理模块,用于通过傅里叶变换对所述雷达数据进行处理,以获取不同距离单元及不同时间的雷达回波,并通过高通滤波器对回波信号静态杂波进行抑制,以提取所处的不同距离单元的不同的多径回波信号;
分析模块,用于通过短时傅里叶变换对所述多径回波信号进行分析,以获取每个无人机在所述多径回波信号的时频图;
提取模块,用于从所述时频图中提取多径回波信号时频特征;以及
分类模块,用于将所述多径回波信号时频特征进行融合,以获取所述每个无人机的分类结果。
8.根据权利要求6所述的基于雷达多径信号时频特征融合的无人机分类装置,其特征在于,所述提取模块包括:
固定每个截取时间的时间长度,以获取多段数据,其中,所述时间长度大于无人机转动周期;
对于所述多段数据的每段数据,通过正则化处理的方法将幅度映射到dB域,并根据最大的幅度进行归一化得到预处理数据;
对所述预处理数据进行主成份分析,以得到所述多径回波信号时频特征。
9.根据权利要求8所述的基于雷达多径信号时频特征融合的无人机分类装置,其特征在于,主成份分析公式为:
Cu=λu,
其中,C为协方差矩阵,λ为特征值,u为特征向量。
10.根据权利要求6所述的基于雷达多径信号时频特征融合的无人机分类装置,其特征在于,所述分类模块包括:
将融合结果作为输入特征,输入支持向量机中进行分类识别以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811109887.2A CN109409225B (zh) | 2018-09-21 | 2018-09-21 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811109887.2A CN109409225B (zh) | 2018-09-21 | 2018-09-21 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409225A CN109409225A (zh) | 2019-03-01 |
CN109409225B true CN109409225B (zh) | 2020-12-22 |
Family
ID=65465083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811109887.2A Active CN109409225B (zh) | 2018-09-21 | 2018-09-21 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409225B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109870683B (zh) * | 2019-03-06 | 2020-09-04 | 北京航空航天大学 | 基于雷达信号时频特征分析的铁轨异常扣件检测方法 |
CN109901130B (zh) * | 2019-03-15 | 2022-04-22 | 桂林电子科技大学 | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 |
CN110688957B (zh) * | 2019-09-27 | 2023-06-30 | 腾讯科技(深圳)有限公司 | 应用于人脸识别的活体检测方法、装置及存储介质 |
CN111222430A (zh) * | 2019-12-27 | 2020-06-02 | 湖南华诺星空电子技术有限公司 | 一种基于人工智能的无人机识别方法及系统 |
CN111812623B (zh) * | 2020-07-29 | 2021-03-16 | 中国科学院声学研究所 | 一种基于时频特征图的目标信号检测方法及检测系统 |
CN112162273B (zh) * | 2020-09-25 | 2022-08-05 | 电子科技大学 | 一种基于奇异矢量的多旋翼无人机物理参数提取方法 |
CN113281714A (zh) * | 2021-05-06 | 2021-08-20 | 中国民航大学 | 基于雷达微多普勒特征增强的鸟类目标探测方法 |
CN113687358B (zh) * | 2021-08-25 | 2024-06-21 | 深圳市万集科技有限公司 | 目标物体的识别方法、装置、电子设备及存储介质 |
CN115902804B (zh) * | 2022-11-07 | 2024-01-05 | 南京航空航天大学 | 一种无人机集群类型识别方法和系统 |
CN115808701B (zh) * | 2023-02-09 | 2023-05-26 | 南京航空航天大学 | 一种多机协同广域空间信道地图测绘装置及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108549076A (zh) * | 2018-03-12 | 2018-09-18 | 清华大学 | 一种基于速度节凑图的多种类无人机场景识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140266860A1 (en) * | 2013-03-14 | 2014-09-18 | Gaddi BLUMROSEN | Method and system for activity detection and classification |
CN107390193B (zh) * | 2017-06-23 | 2020-04-21 | 西安电子科技大学 | 基于多距离单元融合的调频连续波雷达飞机目标分类方法 |
-
2018
- 2018-09-21 CN CN201811109887.2A patent/CN109409225B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108549076A (zh) * | 2018-03-12 | 2018-09-18 | 清华大学 | 一种基于速度节凑图的多种类无人机场景识别方法 |
Non-Patent Citations (1)
Title |
---|
《一种多径环境下的雷达信号脉内调制分类方法》;江莉等;《系统仿真学报》;20160531;第28卷(第5期);正文1-3节及图2 * |
Also Published As
Publication number | Publication date |
---|---|
CN109409225A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409225B (zh) | 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 | |
Taha et al. | Machine learning-based drone detection and classification: State-of-the-art in research | |
Novak et al. | Effects of polarization and resolution on SAR ATR | |
US7567203B2 (en) | Classification system for radar and sonar applications | |
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 | |
Harman | Analysis of the radar return of micro-UAVs in flight | |
CN111142085B (zh) | 一种基于航迹特征提取的外辐射源雷达目标分类识别方法 | |
CN109117776B (zh) | 基于航迹信息的飞机与气象杂波分类识别方法 | |
CN111401168B (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
CN113156417B (zh) | 反无人机探测系统、方法和雷达设备 | |
Bennett et al. | Use of symmetrical peak extraction in drone micro-doppler classification for staring radar | |
EP1916541A1 (en) | Radar imaging system and method using second moment spatial variance | |
CN107561509A (zh) | 一种机载毫米波雷达电力线检测方法 | |
Akella et al. | DCNN based activity classification of ornithopter using radar micro-Doppler images | |
Gannon et al. | Measuring UAV propeller length using micro-Doppler signatures | |
Li et al. | Research on detection method of UAV based on micro-Doppler effect | |
Ren et al. | Estimating physical parameters from multi-rotor drone spectrograms | |
Zhu et al. | Radar HRRP group-target recognition based on combined methods in the backgroud of sea clutter | |
Van Eeden et al. | A comparative cepstral based analysis of simulated and measured S-band and X-band radar Doppler spectra of human motion | |
Matsuda et al. | Micro-doppler analysis under various aspect angles for small uav classification | |
Chen et al. | Detection and recognition of UA targets with multiple sensors | |
Ezuma | UAV detection and classification using radar, radio frequency and machine learning techniques | |
CN109375205B (zh) | 基于字典学习的多种类无人机场景识别方法及装置 | |
CN113344033B (zh) | 一种旋翼无人机与飞鸟目标分类中的判别特征提取方法 | |
Rawat et al. | Machine Learning based Non-Cooperative Target Recognition with Dynamic RCS Data |
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 |