CN109446896A - 基于图像处理的无人机信号识别检测算法 - Google Patents

基于图像处理的无人机信号识别检测算法 Download PDF

Info

Publication number
CN109446896A
CN109446896A CN201811091126.9A CN201811091126A CN109446896A CN 109446896 A CN109446896 A CN 109446896A CN 201811091126 A CN201811091126 A CN 201811091126A CN 109446896 A CN109446896 A CN 109446896A
Authority
CN
China
Prior art keywords
unmanned plane
plane signal
signal
image
carried out
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.)
Granted
Application number
CN201811091126.9A
Other languages
English (en)
Other versions
CN109446896B (zh
Inventor
刘兴
张�浩
朱秀娟
陶涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao National Number Mdt Infotech Ltd
Original Assignee
Qingdao National Number Mdt Infotech Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao National Number Mdt Infotech Ltd filed Critical Qingdao National Number Mdt Infotech Ltd
Priority to CN201811091126.9A priority Critical patent/CN109446896B/zh
Publication of CN109446896A publication Critical patent/CN109446896A/zh
Application granted granted Critical
Publication of CN109446896B publication Critical patent/CN109446896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12Classification; Matching
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02Preprocessing
    • G06F2218/04Denoising

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)
  • Image Analysis (AREA)

Abstract

本发明提供基于图像处理的无人机信号识别检测算法,包括以下步骤:采集周围环境噪声以及多帧无线电信号,将采集到的无线电信号进行去噪处理,得到其三维频谱图;对去噪后的无线电信号进行均值滤波,得到均值滤波频谱图,对其进行直线检测,若检测到无人机信号,则通过无人机信号像素点横坐标确定无人机信号所对应的频段;截取无线电信号三维频谱图中无人机信号所对应部分,然后对所截取图像进行形态学处理,获取无人机信号对应区域重心,从而得到无人机信号强度值。本发明通过采集无人机无线链路特征进行检测,相比传统利用无人机目标反射面的有源雷达、基于无人机目标图像特征的光电系统等,硬件设备更为简单,无线链路信号谱更易于检测与识别。

Description

基于图像处理的无人机信号识别检测算法
技术领域
本发明属于无人机技术领域,具体涉及基于图像处理的无人机信号识别检测算法。
背景技术
科技进步促使无人机价格下降,无人机用户随之增多,全球无人机市场将在接下来十年平均每年成长40亿美元,达到930亿美元的规模,由此引发的安全问题也越来越不容忽视。2017年,全国范围内发生了多起无人机“黑飞”事件,国际上也发生了无人机入侵军事驻地的事件。无人机进入机场附近敏感区域、严重威胁航班起降安全,各地方机场都发布了禁飞令。在政策监管的同时,众多企业也在通过技术手段减少无人机“黑飞”带来的负面影响。
对无人机信号实现精确识别与检测,是监测和打击“黑飞”无人机的前提。无人机采用跳频通信系统,可以考虑把传统的跳频信号检测方法应用于无人机信号的检测中。现有的跳频信号检测技术主要包括基于功率谱对消法、多跳自相关法以及多窗口重叠谱图法等,这些方法为非盲检测算法,需要一定的先验知识,在实际应用中使用局限太大。近年来,越来越多的基于图像处理的跳频信号盲检测算法逐渐被提出。目前基于图像处理类的跳频信号检测算法只针对于一般的跳频信号,并没有专门针对无人机信号的检测算法。
发明内容
本发明的目的是提供基于图像处理的无人机信号识别检测算法,通过采集无人机无线链路特征进行检测,提高无人机信号识别率。
本发明提供了如下的技术方案:
基于图像处理的无人机信号识别检测算法,包括以下步骤:
S1:采集周围环境噪声以及多帧无线电信号,将采集到的无线电信号进行去噪处理,得到其三维频谱图;
S2:对去噪后的无线电信号进行均值滤波,得到均值滤波频谱图,对其进行直线检测,若检测到无人机信号,则通过无人机信号像素点横坐标确定无人机信号所对应的频段;
S3:截取无线电信号三维频谱图中无人机信号所对应部分,然后对所截取图像进行形态学处理,获取无人机信号对应区域重心,从而得到无人机信号强度值。
优选的,所述步骤S2中的直线检测算法包括以下步骤:
S21:根据计算采集到的多帧数据平均值,得到其均值滤波频谱图;
S22:采用霍夫变换检测频谱图中是否含有代表无人机方波信号的直线,设定合理阈值排除噪声信号,从而准确检测出无人机信号;
S23:根据得到的无人机信号像素点横坐标,可以计算出无人机信号对应频段。
优选的,所述步骤S3包括以下步骤:
S31:若步骤S2结果为检测到无人机信号,则截取无人机信号所对应频段三维频谱图,然后对所截取图像进行二值化、开操作形态学处理,得到其连通区域;
S32:根据连通区域属性设定判别条件,舍弃面积过小的连通区域,提取保留下的连通区域重心,得到无人机信号对应区域重心,根据重心坐标,得到无人机信号强度值。
优选的,所述步骤S31包括以下步骤:
S311:对图像进行二值化:通过选取适当的阈值,将图像上的像素点的灰度值设置为0或255,使整个图像呈现出黑白的效果;
S312:对二值图像进行开操作,即先腐蚀运算再膨胀运算;
S313:对经过开操作的图像进行连通区域提取,得到其连通区域。
本发明的有益效果是:本发明利用无人机信号在图像方面的显著特征,使无人机信号变得易于检测与识别;本发明提出了基于图像处理的无人机信号检测识别算法,将信号处理与图像处理相结合,根据无人机信号区别与其他无线电信号的显著特征,从而提高无人机信号识别率:实测的识别结果表明,在进行图像处理时,采用合适阈值,无人机信号的识别率可达到95%以上。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的算法流程图;
图2是无线电信号三维频谱图;
图3是无线电信号均值滤波频谱图;
图4是公式(1)图形表示图;
图5是无人机信号霍夫直线检测结果示意图;
图6是无人机信号频谱图二值化、开操作结果示意图;
图7是4邻接连通区域提取示意图;
图8是8邻接连通区域提取示意图;
图9是无人机信号频谱图连通区域重心检测结果示意图。
具体实施方式
以2.4G频段无人机无线电信号为例,根据算法步骤流程,对无人机的无线电信号进行检测识别。
图1为本发明的算法流程图,本发明基于图像处理的无人机信号检测算法,通过无人机信号在图像方面的显著特征达到识别无人机信号的目的。
根据图1所示流程,本发明主要包含以下三个步骤:
S1:首先,采集周围环境噪声以及多帧无线电信号,将采集到的无线电信号进行去噪处理,得到其三维频谱图,图2为无线电信号三维频谱图,其中包含无人机信号;
S2:对去噪后的无线电信号进行均值滤波,得到均值滤波频谱图,对其进行直线检测,若检测到无人机信号,则可通过无人机信号像素点横坐标确定无人机信号所对应的频段;
S3:根据步骤S2中得到的无人机信号横坐标,截取图1中无人机信号所对应部分,然后对其进行形态学处理,获取无人机信号对应区域重心,从而得到无人机信号强度值。
具体的,步骤S2中的直线检测算法为:
S21:计算采集到的多帧数据平均值,得到均值滤波频谱图,图3为无线电信号均值滤波频谱图,其中包含无人机信号;
S22:采用霍夫变换(Hough transform)检测图3中是否含有代表无人机方波信号的直线,设定合理阈值排除噪声信号,从而准确检测出无人机信号;
步骤S22具体为:首先,对于处理一般图像,需要对图像进行边缘检测和二值化处理,霍夫变换的输入是黑白二值图像。
一条直线在图像中是一系列离散点的集合,通过一个直线的离散极坐标公式,可以表达出直线的离散点几何等式如下:
x*cos(theta)+y*sin(theta)=r(1)
其中角度theta指r与X轴之间的夹角,r为到直线几何垂直距离。任何在直线上点,x,y都可以表达,其中r,theta是常量,该公式图形表示如图3所示;
然而图像处理领域,图像的像素坐标P(x,y)是已知的,而r,theta则是我们要寻找的变量。如果我们能根据像素坐标P(x,y)值绘制每个(r,theta)值的话,那么就从图像笛卡尔坐标系统转换到极坐标霍夫空间系统,这种从点到曲线的变换称为直线的霍夫变换。变换通过量化霍夫参数空间为有限个值间隔等分或者累加格子。当霍夫变换算法开始,每个像素坐标点P(x,y)被转换到(r,theta)的曲线点上面,累加到对应的格子数据点,当一个波峰出现时候,说明有直线存在。
图5为对图3所示均值滤波频谱图进行霍夫直线检测后结果,经过设置直线斜率、两直线距离等阈值,可以准确检测到无人机信号;
S23:根据得到的无人机信号像素点横坐标,可以计算出无人机信号对应频段。
具体的,步骤S3的具体操作步骤为:
S31:截取图1中无人机信号所对应频段三维频谱图,然后对所截取图像进行二值化、开操作等形态学处理,得到其连通区域;
步骤S31具体为:
首先,对图像进行二值化:通过选取适当的阈值,将图像上的像素点的灰度值设置为0或255(黑为0,白为255),使整个图像呈现出黑白的效果。一般先将图像灰度化,再将灰度图像二值化,然后进行其他处理。
其次,对二值图像进行开操作:在图像处理领域,数学形态学有2个基本的运算,即腐蚀和膨胀。膨胀在数学形态学中的作用是把图像周围的背景点合并到物体中;腐蚀在数学形态学运算中的作用是消除物体边界点,它可以把小于结构元素的物体去除,选取不同大小的结构元素可以去掉不同大小的物体。
膨胀的运算符为A用B来膨胀,写作定义为:
腐蚀的运算符为Θ,A用B来腐蚀,写作AΘB,定义为:
开运算就是先腐蚀再膨胀。用结构元B对图像A进行开操作表示为A°B,用集合运算定义如下:
最后,进行连通区域提取:在图像中,最小的单位是像素,每个像素周围有8个邻接像素。常见的邻接关系有两种:4邻接和8邻接,4邻接的一共有4个点,即上下左右,如图7所示;8邻接的一共有8个点,包括了对角线,如图8所示。本算法选取8邻接关系。
如果像素A与B邻接,那么我们称A与B连通。从视觉上来看,彼此连通的点形成了一个区域,而不连通的点形成了不同的区域,这样一个所有彼此连通的点构成的集合,我们称为一个连通区域。
图6为截取无人机信号三维频谱图并对其进行二值化、开操作等数学形态学处理结果示意图;
S32:根据连通区域属性设定判别条件,舍弃面积过小的连通区域,提取保留下的连通区域重心,得到无人机信号对应区域重心,根据重心坐标,得到无人机信号强度值,图9为对连通区域重心进行提取的结果,虚线框中标示的为连通区域。
本发明通过采集无人机无线链路特征进行检测,相比传统利用无人机目标反射面的有源雷达、基于无人机目标图像特征的光电系统等,硬件设备更为简单,无线链路信号谱更易于检测与识别。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (4)

1.基于图像处理的无人机信号识别检测算法,其特征在于,包括以下步骤:
S1:采集周围环境噪声以及多帧无线电信号,将采集到的无线电信号进行去噪处理,得到其三维频谱图;
S2:对去噪后的无线电信号进行均值滤波,得到均值滤波频谱图,对其进行直线检测,若检测到无人机信号,则通过无人机信号像素点横坐标确定无人机信号所对应的频段;
S3:截取无线电信号三维频谱图中无人机信号所对应部分,然后对所截取图像进行形态学处理,获取无人机信号对应区域重心,从而得到无人机信号强度值。
2.根据权利要求1所述的基于图像处理的无人机信号识别检测算法,其特征在于,所述步骤S2中的直线检测算法包括以下步骤:
S21:根据计算采集到的多帧数据平均值,得到其均值滤波频谱图;
S22:采用霍夫变换检测频谱图中是否含有代表无人机方波信号的直线,设定合理阈值排除噪声信号,从而准确检测出无人机信号;
S23:根据得到的无人机信号像素点横坐标,可以计算出无人机信号对应频段。
3.根据权利要求1所述的基于图像处理的无人机信号识别检测算法,其特征在于,所述步骤S3包括以下步骤:
S31:若步骤S2结果为检测到无人机信号,则截取无人机信号所对应频段三维频谱图,然后对所截取图像进行二值化、开操作形态学处理,得到其连通区域;
S32:根据连通区域属性设定判别条件,舍弃面积过小的连通区域,提取保留下的连通区域重心,得到无人机信号对应区域重心,根据重心坐标,得到无人机信号强度值。
4.根据权利要求3所述的基于图像处理的无人机信号识别检测算法,其特征在于,所述步骤S31包括以下步骤:
S311:对图像进行二值化:通过选取适当的阈值,将图像上的像素点的灰度值设置为0或255,使整个图像呈现出黑白的效果;
S312:对二值图像进行开操作,即先腐蚀运算再膨胀运算;
S313:对经过开操作的图像进行连通区域提取,得到其连通区域。
CN201811091126.9A 2018-09-19 2018-09-19 基于图像处理的无人机信号识别检测算法 Active CN109446896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811091126.9A CN109446896B (zh) 2018-09-19 2018-09-19 基于图像处理的无人机信号识别检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811091126.9A CN109446896B (zh) 2018-09-19 2018-09-19 基于图像处理的无人机信号识别检测算法

Publications (2)

Publication Number Publication Date
CN109446896A true CN109446896A (zh) 2019-03-08
CN109446896B CN109446896B (zh) 2021-08-17

Family

ID=65530489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811091126.9A Active CN109446896B (zh) 2018-09-19 2018-09-19 基于图像处理的无人机信号识别检测算法

Country Status (1)

Country Link
CN (1) CN109446896B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652183A (zh) * 2020-06-19 2020-09-11 桂林电子科技大学 基于图传信号多特征融合的无人机检测与识别方法
CN111722179A (zh) * 2020-06-29 2020-09-29 河南天安润信信息技术有限公司 一种多点布设的无人机信号测向方法
CN114759951A (zh) * 2022-06-15 2022-07-15 成都中星世通电子科技有限公司 跳频信号实时盲检测方法、参数估计方法、系统及终端

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160132748A1 (en) * 2014-11-07 2016-05-12 The Boeing Company Hyperspectral Resolution Using Three-Color Camera
CN107204107A (zh) * 2017-04-21 2017-09-26 杭州昊舜视讯科技有限公司 一种通过无人机实时传输频谱的方法和系统
CN107993648A (zh) * 2017-11-27 2018-05-04 北京邮电大学 一种无人机识别方法、装置及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160132748A1 (en) * 2014-11-07 2016-05-12 The Boeing Company Hyperspectral Resolution Using Three-Color Camera
CN107204107A (zh) * 2017-04-21 2017-09-26 杭州昊舜视讯科技有限公司 一种通过无人机实时传输频谱的方法和系统
CN107993648A (zh) * 2017-11-27 2018-05-04 北京邮电大学 一种无人机识别方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHAO ZHOU,ET AL: "《Detection and Tracking of a UAV via Hough Transform》", 《2016 CIE INTERNATIONAL CONFERENCE ON RADAR》 *
吴小松,等: "《民用无人机反制技术研究》", 《监测检测》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652183A (zh) * 2020-06-19 2020-09-11 桂林电子科技大学 基于图传信号多特征融合的无人机检测与识别方法
CN111652183B (zh) * 2020-06-19 2022-03-29 桂林电子科技大学 基于图传信号多特征融合的无人机检测与识别方法
CN111722179A (zh) * 2020-06-29 2020-09-29 河南天安润信信息技术有限公司 一种多点布设的无人机信号测向方法
CN114759951A (zh) * 2022-06-15 2022-07-15 成都中星世通电子科技有限公司 跳频信号实时盲检测方法、参数估计方法、系统及终端
CN114759951B (zh) * 2022-06-15 2022-09-02 成都中星世通电子科技有限公司 跳频信号实时盲检测方法、参数估计方法、系统及终端

Also Published As

Publication number Publication date
CN109446896B (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN109685066B (zh) 一种基于深度卷积神经网络的矿井目标检测与识别方法
CN102855622B (zh) 一种基于显著性分析的红外遥感图像海面船只检测方法
WO2018028103A1 (zh) 一种基于人眼视觉特性的电力线路无人机巡检方法
CN109446896A (zh) 基于图像处理的无人机信号识别检测算法
Chen et al. Automatic power line extraction from high resolution remote sensing imagery based on an improved radon transform
CN110189375B (zh) 一种基于单目视觉测量的图像目标识别方法
CN105373135A (zh) 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统
CN106022288A (zh) 基于sar图像的海洋溢油信息识别与提取方法
CN110147778B (zh) 稀土矿开采识别方法、装置、设备及存储介质
CN106845346A (zh) 一种用于机场跑道异物检测的图像检测方法
CN115311241B (zh) 一种基于图像融合和特征增强的煤矿井下行人检测方法
CN109325935A (zh) 一种基于无人机图像的输电线路检测方法
CN105303526A (zh) 一种基于海岸线数据及频谱分析的舰船目标检测方法
CN102298698A (zh) 基于角点与边缘信息融合的遥感图像飞机检测方法
CN104112132A (zh) 一种枪械编号自动识别方法
CN110580705B (zh) 一种基于双域图信号滤波检测建筑物边缘点的方法
CN105139034B (zh) 一种结合光谱滤除的船舶检测方法
CN106327522A (zh) 基于多方向形态学滤波复杂云背景下红外小目标检测方法
CN102819841A (zh) 用于目标图像分割的全局阈值分割方法
CN104268877A (zh) 一种红外图像海天线自适应检测方法
CN103971370A (zh) 一种针对遥感大图像的海洋溢油智能检测方法
CN103745216A (zh) 一种基于空域特性的雷达图像杂波抑制方法
CN113034569A (zh) 一种基于点云数据的船舶超限预警方法及系统
Liang et al. Research on airport runway FOD detection algorithm based on texture segmentation
CN115063698A (zh) 斜坡地表变形裂缝自动识别与信息提取方法及系统

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