CN111007871A - 无人机动态特征识别方法、介质、设备及装置 - Google Patents
无人机动态特征识别方法、介质、设备及装置 Download PDFInfo
- Publication number
- CN111007871A CN111007871A CN201911203163.9A CN201911203163A CN111007871A CN 111007871 A CN111007871 A CN 111007871A CN 201911203163 A CN201911203163 A CN 201911203163A CN 111007871 A CN111007871 A CN 111007871A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- dynamic
- feature
- characteristic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 239000011358 absorbing material Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种无人机动态特征识别方法、介质、设备及装置，其中方法包括：获取无人机处于不同飞行状态下的第一微多普勒信号；提取第一微多普勒信号的动态特征；根据特征属性增强算法对第一微多普勒信号和动态特征进行扩充，以得到扩充后的无人机信号特征域；根据扩充后的无人机信号特征域进行无人机检测识别模型的训练，以得到无人机检测识别模型；获取待检测无人机的第二微多普勒信号，并通过无人机检测识别模型对第二微多普勒信号进行检测，以获取待检测无人机的动态特征；能够对无人机飞行过程中的动态特征进行有效识别，提高检测结果的可靠性，进而保障航空安全性。
Description
技术领域
本发明涉及无人机识别技术领域，特别涉及一种无人机动态特征识别方法、一种计算机可读存储介质、一种计算机设备以及一种无人机动态特征识别装置。
背景技术
近年来，随着无人机飞控技术的日臻完善和无线图传技术的提升，无人机的应用扩展到超视距范围，并在快递、医疗紧急救急、协助交通管理、巡检、农业、物流、安防等多个邻域得到广泛应用。而随之而来的是大量小型无人机的不规范使用给民航运输业的安全造成严重的影响，撞击事故、隐私泄露等非法飞行事件层出不穷。
相关技术中，在对无人机进行检测的过程中，多采用静态数据检测。然而，由于无人机等目标外形复杂，且当今隐身飞行器大部分已用非金属材料构成或由吸波材料涂覆；另外，无人机飞行时存在机身及部件的刚体、非刚体运动，以及背景环境对飞行姿态的影响；使得静态数据检测方式不能真实地反映无人机的动态特性，进而导致通过静态数据检测方式得出的检测结果可靠性较低。
发明内容
本发明旨在至少在一定程度上解决上述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无人机动态特征识别方法，能够对无人机飞行过程中的动态特征进行有效识别，提高检测结果的可靠性，进而保障航空安全性。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种无人机动态特征识别装置。
为达到上述目的，本发明第一方面实施例提出了一种无人机动态特征识别方法，包括以下步骤：获取无人机处于不同飞行状态下的第一微多普勒信号；提取所述第一微多普勒信号的动态特征；根据特征属性增强算法对所述第一微多普勒信号和所述动态特征进行扩充，以得到扩充后的无人机信号特征域；根据扩充后的无人机信号特征域进行无人机检测识别模型的训练，以得到无人机检测识别模型；获取待检测无人机的第二微多普勒信号，并通过所述无人机检测识别模型对所述第二微多普勒信号进行检测，以获取所述待检测无人机的动态特征。
根据本发明实施例的无人机动态特征识别方法，首先，获取无人机处于不同飞行状态下的第一微多普勒信号，接着，提取该第一微多普勒信号的动态特征，并根据特征属性增强算法对第一微多普勒信号和动态特征进行扩充，以对无人机的少量特征进行扩充，得到扩充后的无人机信号特征域；然后，根据扩充后的无人机信号特征域进行无人机检测识别模型的训练，以得到无人机检测识别模型；接着，获取待检测无人机的第二微多普勒信号，并将该第二微多普勒信号输入到无人机检测识别模型，以通过无人机检测识别模型对第二微多普勒信号进行检测，以获取该待检测无人机的动态特征；从而实现对无人机飞行过程中的动态特征进行有效识别，提高检测结果的可靠性，进而保障航空安全性。
另外，根据本发明上述实施例提出的无人机动态特征识别方法还可以具有如下附加的技术特征：
可选地，所述动态特征包括纹理特征和时频特征，其中，提取所述第一微多普勒信号的动态特征，包括：根据主成分分析法对所述第一微多普勒信号进行降维处理，并对降维后的第一微多普勒信号进行离散小波变换，以提取所述第一微多普勒信号对应的时频特征；获取所述第一微多普勒信号对应的时频图像，并提取所述时频图像的纹理特征，以及根据灰度共生矩阵对所述纹理特征进行分类，以生成多个类别的纹理特征。
可选地，所述多个类别的纹理特征包括角二阶矩、熵、对比度和反差分矩阵。
可选地，根据特征属性增强算法对所述第一微多普勒信号和所述动态特征进行扩充，包括：将所述第一微多普勒信号和所述动态特征输入到特征生成模型中，并通过SMOTE算法对所述第一微多普勒信号和所述动态特征进行近邻间插值，以得到新的人工样本特征。
可选地，所述第一微多普勒信号对应的无人机包括多个类型，其中，在将所述第一微多普勒信号和所述动态特征输入到特征生成模型中之前，还包括：判断每个类别无人机所对应的第一微多普勒信号和动态特征的数量是否大于预设的数量阈值，以便在该类别无人机所对应的第一微多普勒信号和动态特征的数量小于预设的数量阈值时，将其他类别无人机所对应的第一微多普勒信号和动态特征一并输入到特征生成模型中。
可选地，还包括：获取新的人工样本特征对应的第一特征向量、该新的人工样本特征多个近邻同类别第一微多普勒信号或动态特征对应的第二特征向量、该新的人工样本特征多个近邻不同类别第一微多普勒信号或动态特征对应的第三特征向量；计算所述第一特征向量与所述第二特征向量之间的第一欧式距离，并计算所述第一特征向量与所述第三特征向量之间的第二欧式距离，以及判断所述第一欧式距离是否大于所述第二欧式距离；如果是，则人为该新的人工样本特征为有效人工样本特征。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有无人机动态特征识别程序，该无人机动态特征识别程序被处理器执行时实现如上述的无人机动态特征识别方法。
根据本发明实施例的计算机可读存储介质，通过存储无人机动态特征识别程序，以使得处理器在执行该无人机动态特征识别程序时，实现如上述的无人机动态特征识别方法，从而实现对无人机飞行过程中的动态特征进行有效识别，提高检测结果的可靠性，进而保障航空安全性。
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的无人机动态特征识别方法。
根据本发明实施例的计算机设备，通过存储器对无人机动态特征识别程序进行存储，以使得处理器在执行该无人机动态特征识别程序时，实现如上述的无人机动态特征识别方法，从而实现对无人机飞行过程中的动态特征进行有效识别，提高检测结果的可靠性，进而保障航空安全性。
为达到上述目的，本发明第四方面实施例提出了一种无人机动态特征识别装置，包括：第一获取模块，所述第一获取模块用于获取无人机处于不同飞行状态下的第一微多普勒信号；提取模块，所述提取模块用于提取所述第一微多普勒信号的动态特征；特征扩充模块，所述特征扩充模块用于根据特征属性增强算法对所述第一微多普勒信号和所述动态特征进行扩充，以得到扩充后的无人机信号特征域；训练模块，所述训练模块用于根据扩充后的无人机信号特征域进行无人机检测识别模型的训练，以得到无人机检测识别模型；第二获取模块，所述第二获取模块用于获取待检测无人机的第二微多普勒信号；检测识别模块，所述检测识别模块用于通过所述无人机检测识别模型对所述第二微多普勒信号进行检测，以获取所述待检测无人机的动态特征。
根据本发明实施例的无人机动态特征识别装置，设置第一获取模块用于获取无人机处于不同飞行状态下的第一微多普勒信号；提取模块用于提取所述第一微多普勒信号的动态特征，以便后续根据该动态特征对无人机进行动态分析；特征扩充模块用于根据特征属性增强算法对所述第一微多普勒信号和所述动态特征进行扩充，以对无人机的少量特征进行扩充，得到扩充后的无人机信号特征域；训练模块用于根据扩充后的无人机信号特征域进行无人机检测识别模型的训练，以得到无人机检测识别模型；第二获取模块用于获取待检测无人机的第二微多普勒信号；检测识别模块用于通过所述无人机检测识别模型对所述第二微多普勒信号进行检测，以获取所述待检测无人机的动态特征；从而实现对无人机飞行过程中的动态特征进行有效识别，提高检测结果的可靠性，进而保障航空安全性。
附图说明
图1为根据本发明实施例的无人机动态特征识别方法的流程示意图；
图2为根据本发明实施例的无人机不同飞行状态示意图；
图3为根据本发明实施例的时频特征提取过程示意图；
图4为根据本发明实施例的小波特征三维可视化图；
图5为根据本发明实施例的微多普勒信号特征纹理分布图；
图6为根据本发明实施例的特征属性增强算法扩充特征域以及无人机检测识别模型训练的流程示意图；
图7为根据本发明实施例的人工样本特征向量有效性判断流程示意图；
图8为根据本发明实施例的特征属性增强算法进行扩充后的特征分布示意图；
图9为根据本发明实施例的无人机动态特征识别装置的方框示意图。
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。
相关技术中，在对无人机进行检测的过程中，多采用静态数据检测，其结果无法真实地反映无人机的动态特征，导致检测结果可靠性低，根据本发明实施例的无人机动态特征识别方法，首先，获取无人机处于不同飞行状态下的第一微多普勒信号，接着，提取该第一微多普勒信号的动态特征，并根据特征属性增强算法对第一微多普勒信号和动态特征进行扩充，以对无人机的少量特征进行扩充，得到扩充后的无人机信号特征域；然后，根据扩充后的无人机信号特征域进行无人机检测识别模型的训练，以得到无人机检测识别模型；接着，获取待检测无人机的第二微多普勒信号，并将该第二微多普勒信号输入到无人机检测识别模型，以通过无人机检测识别模型对第二微多普勒信号进行检测，以获取该待检测无人机的动态特征；从而实现对无人机飞行过程中的动态特征进行有效识别，提高检测结果的可靠性，进而保障航空安全性。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
请参阅图1，图1为根据本发明实施例提出的无人机动态特征识别方法的流程示意图，如图1所示，该无人机动态特征识别方法包括以下步骤：
S101，获取无人机处于不同飞行状态下的第一微多普勒信号。
也就是说，对无人机处于不同飞行状态时所对应的第一微多普勒信号进行获取。
作为一种示例，根据无人机相对雷达的径向距离、旋转角速度确定无人机的飞行状态，从而获取无人机处于不同飞行状态下的第一微多普勒信号；如图2所示，图2为无人机处于不同飞行状态下的示意图。
S102，提取第一微多普勒信号的动态特征。
其中，动态特征的提取方式可以有多种。
作为一种示例，动态特征为根据主成分分析法对微多普勒信号进行降维，并进行离散小波变换的时频特征。
作为另一种示例，动态特征为将微多普勒信号作为时频图像进行处理提取的纹理特征。
作为又一种示例，动态特征包括纹理特征和时频特征，其中，提取第一微多普勒信号的动态特征，包括：
根据主成分分析法对第一微多普勒信号进行降维处理，并对降维后的第一微多普勒信号进行离散小波变换，以提取第一微多普勒信号对应的时频特征；
具体地，以图3为例，图3为时频特征提取过程示意图；如图3所示，首先，第一微多普勒信号是视频信号，是时间维度上傅里叶谱的集合，并且具有周期性，对其部分傅里叶谱进行PCA降维后可以得到在时间维度上的信号特征；接着，对降维后的信号特征进行小波变换，并对小波变换后得到的逼近系数数组求第一个节点系数的范数，即矩阵元素平方和开放，可得到8个节点8个特征值，如图4所示，图4为小波特征三维可视化图。
获取第一微多普勒信号对应的时频图像，并提取时频图像的纹理特征，以及根据灰度共生矩阵对纹理特征进行分类，以生成多个类别的纹理特征。
具体地，以图5为例，图5为微多普勒信号特征纹理分布，在将无人机微多普勒信号作为时频图像进行处理时，可以提取该时频图像所对应的纹理特征，并在提取到该纹理特征之后，可以进一步地通过灰度共生矩阵对图像的分布规律进行统计，以区分出角二阶矩、熵、对比度、反差分矩阵等多个不同类别的纹理特征。
S103，根据特征属性增强算法对第一微多普勒信号和动态特征进行扩充，以得到扩充后的无人机信号特征域。
也就是说，基于无人机动态特征有限的前提下，通过特征属性增强算法对第一微多普勒信号和动态特征进行扩充，从而增加特征样本的数量，以得到扩充后的无人机信号特征域。
作为一种示例，根据特征属性增强算法对第一微多普勒信号和动态特征进行扩充，包括：将第一微多普勒信号和动态特征输入到特征生成模型中，并通过SMOTE算法对第一微多普勒信号和动态特征进行近邻间插值，以得到新的人工样本特征。
在一些实施例中，第一微多普勒信号所对应的无人机包括多个类型(例如，多个型号的无人机)，而为了在某个类型的无人机对应的特征样本(第一微多普勒信号和/或动态特征)的数量过少时，保证模型的正常训练，将第一微多普勒信号和动态特征输入到特征生成模型中之前，还包括：判断每个类别无人机所对应的第一微多普勒信号和动态特征的数量是否大于预设的数量阈值，以便在该类别无人机所对应的第一微多普勒信号和动态特征的数量小于预设的数量阈值时，将其他类别无人机所对应的第一微多普勒信号和动态特征一并输入到特征生成模型中。
也就是说，如果当前类别的无人机所对应的第一微多普勒信号和动态特征的数量过少时，则将与之不同类别的无人机所对应的第一微多普勒信号和动态特征的数量与其对应的第一微多普勒信号和动态特征的数量一并输入到特征生成模型当中，以增加该类别无人机的特征样本数量。
S104，根据扩充后的无人机信号特征域进行无人机检测识别模型的训练，以得到无人机检测识别模型。
S105，获取待检测无人机的第二微多普勒信号，并通过无人机检测识别模型对第二微多普勒信号进行检测，以获取待检测无人机的动态特征。
也就是说，根据扩充后的无人机信号特征域进行无人机检测识别模型的训练，从而可以训练得到无人机检测识别模型，在模型训练完毕之后，进行无人机检测的过程中，首先获取待检测无人机的第二微多普勒信号，并通过训练好的无人机检测识别模型对第二微多普勒信号进行检测，以识别出该待检测无人机的动态特征。
其中，无人机检测识别模型的训练方式可以有多种。
作为一种示例，如图6所示，图6为根据本发明实施例的特征属性增强算法扩充特征域以及无人机检测识别模型训练的流程示意图，将扩充后的无人机信号特征域中的特征样本和第一微多普勒信号分别输入相应的支持向量机的分类器进行训练，可得到分类概率与分类权重；具体地，惩罚参数可以设置为1.0，核函数可以选择径向基核函数；接着，利用AdaBoost算法增加特征向量的权重，根据对权重的判断选择合适的特征更新特征向量库及分类器，如公式
和公式
所示，其中ε为错误率，α为分类器的权重。如果分类概率大于前一个分类概率，则权重被更新为
反之更新为
不断根据两个分类器的识别结果更新分类器的权重，直到训练错误率为0或者达到指定的训练次数为止；以此完成无人机检测识别模型的训练。
在一些实施例中，为了保证新的人工样本特征的有效性，如图7所示，本发明实施例提出的无人机动态特征识别算法还包括：
S201，获取新的人工样本特征对应的第一特征向量、该新的人工样本特征多个近邻同类别第一微多普勒信号或动态特征对应的第二特征向量、该新的人工样本特征多个近邻不同类别第一微多普勒信号或动态特征对应的第三特征向量。
S202，计算第一特征向量与第二特征向量之间的第一欧式距离，并计算第一特征向量与第三特征向量之间的第二欧式距离，以及判断第一欧式距离是否大于第二欧式距离。
S203，如果是，则人为该新的人工样本特征为有效人工样本特征。
作为一种示例，第一微多普勒信号对应的无人机包括两种类型：无人机1和无人机2，在对无人机1的特征样本进行扩充之后，得到新的人工样本特征，首先，计算该新的人工样本特征所对应的由多个特征值组成的第一特征向量、与该新的人工样本特征同属于类型无人机1的k个最近邻样本特征的第二特征向量、属于类别无人机2且与该新的人工样本特征最近邻的k个样本特征的第三特征向量；接着，计算第一特征向量与第二特征向量之间的第一欧式距离，并计算第一特征向量与第三特征向量之间的第二欧式距离；然后，对两个欧式距离进行比较，如果第一欧式距离大于第二欧式距离，则将该新的人工样本特征的初始权重设置为0.5，如果第一欧式距离小于第二欧式距离，则将该新的人工样本特征的初始权重设置为0，如图8所示，图8为根据特征属性增强算法进行扩充后的特征分布示意图。
综上所述，根据本发明实施例的无人机动态特征识别方法，首先，获取无人机处于不同飞行状态下的第一微多普勒信号，接着，提取该第一微多普勒信号的动态特征，并根据特征属性增强算法对第一微多普勒信号和动态特征进行扩充，以对无人机的少量特征进行扩充，得到扩充后的无人机信号特征域；然后，根据扩充后的无人机信号特征域进行无人机检测识别模型的训练，以得到无人机检测识别模型；接着，获取待检测无人机的第二微多普勒信号，并将该第二微多普勒信号输入到无人机检测识别模型，以通过无人机检测识别模型对第二微多普勒信号进行检测，以获取该待检测无人机的动态特征；从而实现对无人机飞行过程中的动态特征进行有效识别，提高检测结果的可靠性，进而保障航空安全性。
为了实现上述实施例，本发明实施例提出了一种计算机可读存储介质，其上存储有无人机动态特征识别程序，该无人机动态特征识别程序被处理器执行时实现如上述的无人机动态特征识别方法。
根据本发明实施例的计算机可读存储介质，通过存储无人机动态特征识别程序，以使得处理器在执行该无人机动态特征识别程序时，实现如上述的无人机动态特征识别方法，从而实现对无人机飞行过程中的动态特征进行有效识别，提高检测结果的可靠性，进而保障航空安全性。
为了实现上述实施例，本发明实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的无人机动态特征识别方法。
根据本发明实施例的计算机设备，通过存储器对无人机动态特征识别程序进行存储，以使得处理器在执行该无人机动态特征识别程序时，实现如上述的无人机动态特征识别方法，从而实现对无人机飞行过程中的动态特征进行有效识别，提高检测结果的可靠性，进而保障航空安全性。
为了实现上述实施例，本发明实施例还提出了一种无人机动态特征识别装置，如图9所示，该无人机动态特征识别装置包括：第一获取模块10、提取模块20、特征扩充模块30、训练模块40、第二获取模块50和检测识别模块60。
其中，第一获取模块10用于获取无人机处于不同飞行状态下的第一微多普勒信号.
提取模块20用于提取第一微多普勒信号的动态特征。
特征扩充模块30用于根据特征属性增强算法对第一微多普勒信号和动态特征进行扩充，以得到扩充后的无人机信号特征域。
训练模块40用于根据扩充后的无人机信号特征域进行无人机检测识别模型的训练，以得到无人机检测识别模型。
第二获取模块50用于获取待检测无人机的第二微多普勒信号。
检测识别模块60用于通过无人机检测识别模型对第二微多普勒信号进行检测，以获取待检测无人机的动态特征。
需要说明的是，上述关于图1中无人机动态特征识别方法的描述同样适用于该无人机动态特征识别装置，在此不做赘述。
综上所述，根据本发明实施例的无人机动态特征识别装置，设置第一获取模块用于获取无人机处于不同飞行状态下的第一微多普勒信号；提取模块用于提取所述第一微多普勒信号的动态特征，以便后续根据该动态特征对无人机进行动态分析；特征扩充模块用于根据特征属性增强算法对所述第一微多普勒信号和所述动态特征进行扩充，以对无人机的少量特征进行扩充，得到扩充后的无人机信号特征域；训练模块用于根据扩充后的无人机信号特征域进行无人机检测识别模型的训练，以得到无人机检测识别模型；第二获取模块用于获取待检测无人机的第二微多普勒信号；检测识别模块用于通过所述无人机检测识别模型对所述第二微多普勒信号进行检测，以获取所述待检测无人机的动态特征；从而实现对无人机飞行过程中的动态特征进行有效识别，提高检测结果的可靠性，进而保障航空安全性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
在本发明的描述中，需要理解的是，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一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
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应理解为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 (9)
1.一种无人机动态特征识别方法，其特征在于，包括以下步骤：
获取无人机处于不同飞行状态下的第一微多普勒信号；
提取所述第一微多普勒信号的动态特征；
根据特征属性增强算法对所述第一微多普勒信号和所述动态特征进行扩充，以得到扩充后的无人机信号特征域；
根据扩充后的无人机信号特征域进行无人机检测识别模型的训练，以得到无人机检测识别模型；
获取待检测无人机的第二微多普勒信号，并通过所述无人机检测识别模型对所述第二微多普勒信号进行检测，以获取所述待检测无人机的动态特征。
2.如权利要求1所述的无人机动态特征识别方法，其特征在于，所述动态特征包括纹理特征和时频特征，其中，提取所述第一微多普勒信号的动态特征，包括：
根据主成分分析法对所述第一微多普勒信号进行降维处理，并对降维后的第一微多普勒信号进行离散小波变换，以提取所述第一微多普勒信号对应的时频特征；
获取所述第一微多普勒信号对应的时频图像，并提取所述时频图像的纹理特征，以及根据灰度共生矩阵对所述纹理特征进行分类，以生成多个类别的纹理特征。
3.如权利要求2所述的无人机动态特征识别方法，其特征在于，所述多个类别的纹理特征包括角二阶矩、熵、对比度和反差分矩阵。
4.如权利要求1所述的无人机动态特征识别方法，其特征在于，根据特征属性增强算法对所述第一微多普勒信号和所述动态特征进行扩充，包括：
将所述第一微多普勒信号和所述动态特征输入到特征生成模型中，并通过SMOTE算法对所述第一微多普勒信号和所述动态特征进行近邻间插值，以得到新的人工样本特征。
5.如权利要求4所述的无人机动态特征识别方法，其特征在于，所述第一微多普勒信号对应的无人机包括多个类型，其中，在将所述第一微多普勒信号和所述动态特征输入到特征生成模型中之前，还包括：
判断每个类别无人机所对应的第一微多普勒信号和动态特征的数量是否大于预设的数量阈值，以便在该类别无人机所对应的第一微多普勒信号和动态特征的数量小于预设的数量阈值时，将其他类别无人机所对应的第一微多普勒信号和动态特征一并输入到特征生成模型中。
6.如权利要求5所述的无人机动态特征识别方法，其特征在于，还包括：
获取新的人工样本特征对应的第一特征向量、该新的人工样本特征多个近邻同类别第一微多普勒信号或动态特征对应的第二特征向量、该新的人工样本特征多个近邻不同类别第一微多普勒信号或动态特征对应的第三特征向量；
计算所述第一特征向量与所述第二特征向量之间的第一欧式距离，并计算所述第一特征向量与所述第三特征向量之间的第二欧式距离，以及判断所述第一欧式距离是否大于所述第二欧式距离；
如果是，则人为该新的人工样本特征为有效人工样本特征。
7.一种计算机可读存储介质，其特征在于，其上存储有无人机动态特征识别程序，该无人机动态特征识别程序被处理器执行时实现如权利要求1-6中任一项所述的无人机动态特征识别方法。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-6中任一项所述的无人机动态特征识别方法。
9.一种无人机动态特征识别装置，其特征在于，包括：
第一获取模块，所述第一获取模块用于获取无人机处于不同飞行状态下的第一微多普勒信号；
提取模块，所述提取模块用于提取所述第一微多普勒信号的动态特征；
特征扩充模块，所述特征扩充模块用于根据特征属性增强算法对所述第一微多普勒信号和所述动态特征进行扩充，以得到扩充后的无人机信号特征域；
训练模块，所述训练模块用于根据扩充后的无人机信号特征域进行无人机检测识别模型的训练，以得到无人机检测识别模型；
第二获取模块，所述第二获取模块用于获取待检测无人机的第二微多普勒信号；
检测识别模块，所述检测识别模块用于通过所述无人机检测识别模型对所述第二微多普勒信号进行检测，以获取所述待检测无人机的动态特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911203163.9A CN111007871B (zh) | 2019-11-29 | 2019-11-29 | 无人机动态特征识别方法、介质、设备及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911203163.9A CN111007871B (zh) | 2019-11-29 | 2019-11-29 | 无人机动态特征识别方法、介质、设备及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111007871A true CN111007871A (zh) | 2020-04-14 |
| CN111007871B CN111007871B (zh) | 2022-04-29 |
Family
ID=70113381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911203163.9A Active CN111007871B (zh) | 2019-11-29 | 2019-11-29 | 无人机动态特征识别方法、介质、设备及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111007871B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112152731A (zh) * | 2020-09-08 | 2020-12-29 | 重庆邮电大学 | 一种基于分形维数的无人机探测与识别方法 |
| CN112560923A (zh) * | 2020-12-10 | 2021-03-26 | 中科融通物联科技无锡有限公司 | 无人机机型识别方法 |
| CN113191185A (zh) * | 2021-03-10 | 2021-07-30 | 中国民航大学 | 一种利用Dense2Net的雷达探测无人机目标分类方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100121574A1 (en) * | 2006-09-05 | 2010-05-13 | Honeywell International Inc. | Method for collision avoidance of unmanned aerial vehicle with other aircraft |
| CN103349557A (zh) * | 2008-03-31 | 2013-10-16 | 株式会社日立医疗器械 | 超声波诊断装置 |
| CN103413134A (zh) * | 2013-07-11 | 2013-11-27 | 四川大学 | 基于稀疏分解的地面移动目标微动信号特征提取 |
| CN104992191A (zh) * | 2015-07-23 | 2015-10-21 | 厦门大学 | 基于深度学习的特征和最大置信路径的图像分类方法 |
| CN106093935A (zh) * | 2016-08-26 | 2016-11-09 | 西安电子科技大学 | 俯仰宽波束雷达地面和低空目标分类方法 |
| CN107167801A (zh) * | 2017-05-12 | 2017-09-15 | 成都电科智达科技有限公司 | 一种基于旋翼微多普勒特征的多旋翼无人机识别方法 |
| CN107358252A (zh) * | 2017-06-09 | 2017-11-17 | 清华大学 | 一种无人机分类方法及装置 |
| 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 |
| CN108197581A (zh) * | 2018-01-10 | 2018-06-22 | 厦门大学 | 一种基于改进AC-WGANs的无人机信号识别检测算法 |
| CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
| CN108872984A (zh) * | 2018-03-15 | 2018-11-23 | 清华大学 | 基于多基地雷达微多普勒和卷积神经网络的人体识别方法 |
| CN109975780A (zh) * | 2019-04-17 | 2019-07-05 | 西安电子工程研究所 | 基于脉冲多普勒雷达时域回波的直升机型号识别算法 |
| CN110146853A (zh) * | 2019-06-03 | 2019-08-20 | 浙江大学 | 一种飞行器旋翼微动特征提取方法 |
-
2019
- 2019-11-29 CN CN201911203163.9A patent/CN111007871B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100121574A1 (en) * | 2006-09-05 | 2010-05-13 | Honeywell International Inc. | Method for collision avoidance of unmanned aerial vehicle with other aircraft |
| CN103349557A (zh) * | 2008-03-31 | 2013-10-16 | 株式会社日立医疗器械 | 超声波诊断装置 |
| CN103413134A (zh) * | 2013-07-11 | 2013-11-27 | 四川大学 | 基于稀疏分解的地面移动目标微动信号特征提取 |
| CN104992191A (zh) * | 2015-07-23 | 2015-10-21 | 厦门大学 | 基于深度学习的特征和最大置信路径的图像分类方法 |
| CN106093935A (zh) * | 2016-08-26 | 2016-11-09 | 西安电子科技大学 | 俯仰宽波束雷达地面和低空目标分类方法 |
| CN107167801A (zh) * | 2017-05-12 | 2017-09-15 | 成都电科智达科技有限公司 | 一种基于旋翼微多普勒特征的多旋翼无人机识别方法 |
| CN107358252A (zh) * | 2017-06-09 | 2017-11-17 | 清华大学 | 一种无人机分类方法及装置 |
| 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 |
| CN108197581A (zh) * | 2018-01-10 | 2018-06-22 | 厦门大学 | 一种基于改进AC-WGANs的无人机信号识别检测算法 |
| CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
| CN108872984A (zh) * | 2018-03-15 | 2018-11-23 | 清华大学 | 基于多基地雷达微多普勒和卷积神经网络的人体识别方法 |
| CN109975780A (zh) * | 2019-04-17 | 2019-07-05 | 西安电子工程研究所 | 基于脉冲多普勒雷达时域回波的直升机型号识别算法 |
| CN110146853A (zh) * | 2019-06-03 | 2019-08-20 | 浙江大学 | 一种飞行器旋翼微动特征提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| BEOM-SEOK OH: "A UAV classification system based on FMCW radar micro-Doppler signature analysis", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
| 陈唯实 等: "多传感器融合的无人机探测技术应用综述", 《现代雷达》 * |
| 马娇 等: "多旋翼无人机微多普勒特性分析与特征提取", 《中国科学院大学学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112152731A (zh) * | 2020-09-08 | 2020-12-29 | 重庆邮电大学 | 一种基于分形维数的无人机探测与识别方法 |
| CN112152731B (zh) * | 2020-09-08 | 2023-01-20 | 重庆邮电大学 | 一种基于分形维数的无人机探测与识别方法 |
| CN112560923A (zh) * | 2020-12-10 | 2021-03-26 | 中科融通物联科技无锡有限公司 | 无人机机型识别方法 |
| CN113191185A (zh) * | 2021-03-10 | 2021-07-30 | 中国民航大学 | 一种利用Dense2Net的雷达探测无人机目标分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111007871B (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
| CN111007871B (zh) | 无人机动态特征识别方法、介质、设备及装置 | |
| Unlu et al. | Using shape descriptors for UAV detection | |
| CN110826379B (zh) | 一种基于特征复用与YOLOv3的目标检测方法 | |
| CN113412505A (zh) | 用于对通过探测和测距传感器获得的点云进行有序表示和特征提取的系统和方法 | |
| CN103218831A (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
| CN110018453A (zh) | 基于飞机航迹特征的智能机型识别方法 | |
| CN103886335B (zh) | 基于模糊粒子群和散射熵的极化sar图像分类方法 | |
| Wu et al. | Typical target detection in satellite images based on convolutional neural networks | |
| CN115131580B (zh) | 基于注意力机制的空间目标小样本识别方法 | |
| CN105205807B (zh) | 基于稀疏自动编码机的遥感图像变化检测方法 | |
| CN116109950A (zh) | 一种低空域反无人机视觉检测、识别与跟踪方法 | |
| CN113723425A (zh) | 一种飞机型号识别方法、装置、存储介质及设备 | |
| CN107273914B (zh) | 基于信源自适应动态选择的高效融合识别方法 | |
| CN112348750A (zh) | 基于阈值融合和邻域投票的sar图像变化检测方法 | |
| CN116664854A (zh) | 目标检测方法、装置、电子设备及机器可读存储介质 | |
| xi Wang et al. | Detection of MMW radar target based on doppler characteristics and deep learning | |
| CN109558771B (zh) | 海上船舶的行为状态识别方法、装置、设备及存储介质 | |
| Noor et al. | A hybrid deep learning model for UAVs detection in day and night dual visions | |
| CN115272882A (zh) | 一种基于遥感影像的离散建筑物检测方法及系统 | |
| CN112734788B (zh) | 高分辨sar飞机目标轮廓提取方法、系统、存储介质及设备 | |
| Yuankui et al. | Automatic target recognition of ISAR images based on Hausdorff distance | |
| Henan et al. | Research on aircraft object recognition model based on neural networks | |
| CN108510517B (zh) | 一种自适应的视觉背景提取方法及装置 | |
| Guo et al. | An Object Detection Algorithm for UAV Reconnaissance Image Based on Deep Convolution Network |
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 |