CN111398909B - 一种基于倒谱分析的杂波环境无人机检测方法 - Google Patents

一种基于倒谱分析的杂波环境无人机检测方法 Download PDF

Info

Publication number
CN111398909B
CN111398909B CN202010159118.4A CN202010159118A CN111398909B CN 111398909 B CN111398909 B CN 111398909B CN 202010159118 A CN202010159118 A CN 202010159118A CN 111398909 B CN111398909 B CN 111398909B
Authority
CN
China
Prior art keywords
clutter
cepstrum
unmanned aerial
aerial vehicle
detection
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
Application number
CN202010159118.4A
Other languages
English (en)
Other versions
CN111398909A (zh
Inventor
李杨
赵琦
张宁
张庆祥
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010159118.4A priority Critical patent/CN111398909B/zh
Publication of CN111398909A publication Critical patent/CN111398909A/zh
Application granted granted Critical
Publication of CN111398909B publication Critical patent/CN111398909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/292—Extracting wanted echo-signals
    • G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
    • G01S7/2927—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods by deriving and controlling a threshold value
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

一种基于倒谱分析的杂波环境无人机检测方法，涉及雷达目标检测技术领域，针对现有技术中在杂波环境中检测悬停无人机时准确率低的问题，包括步骤一：获取原始回波数据，然后对原始回波数据进行脉冲压缩得到脉压后数据s0(r，n)，其中r代表距离单元序号，n代表脉冲序号，对N个脉冲进行多普勒处理，得到RD谱s1(r，d)，d代表多普勒单元序号，在RD谱s1(r，d)上进行单元平均恒虚警检测，得到初步检测结果，即潜在目标的点迹，其所在距离单元为Rbin；步骤二：利用倒谱分析对初步检测结果进行筛选，识别其为杂波还是目标，然后剔除杂波。在检测阶段对杂波和目标进行区分，能够有效地在杂波环境中检测到悬停的无人机，准确率高。

Description

一种基于倒谱分析的杂波环境无人机检测方法
技术领域
本发明涉及雷达目标检测技术领域，具体为一种基于倒谱分析的杂波环境无人机检测方法。
背景技术
近年来随着控制芯片性能的提升和相关控制算法的成熟，小型多旋翼无人机日益成熟和普及，其广泛应用在生产生活的各个领域。然而无人机带来的隐患也不容忽视，“黑飞”的无人机威胁着民航、大型集会、国家安全和个人隐私。无人机属于低、小、慢目标，而城市中建筑密集、环境复杂，杂波、干扰很多，为检测带来困难，尤其是无人机悬停时，难以与固定杂波区分。检测阶段如果产生大量虚警，会严重增加系统负担，为后续的识别、跟踪带来困难。无人机高速旋转的旋翼对雷达回波进行调制，在频谱上于无人机主体两侧形成微多普勒特征。目前已经有许多文献研究无人机微多普勒特征结合雷达截面积、速度等特征进行无人机识别、分类的方法，很多方法采用高维度特征和基于机器学习的分类器。而针对检测阶段由杂波引起的大量虚警，需要一种计算简便、快速，不需要大量训练数据的检测点迹筛选方法，为后续的识别、跟踪节约资源。
发明内容
本发明的目的是：针对现有技术中在杂波环境中检测悬停无人机时准确率低的问题，提供一种基于倒谱分析的杂波环境无人机检测方法。
本发明为了解决上述技术问题采取的技术方案是：
一种基于倒谱分析的杂波环境无人机检测方法，包括以下步骤：
步骤一：获取原始回波数据，然后对原始回波数据进行脉冲压缩得到脉压后数据s0(r,n)，其中r代表距离单元序号，n代表脉冲序号，对N个脉冲进行多普勒处理，得到RD谱s1(r,d)，d代表多普勒单元序号，在RD谱s1(r,d)上进行单元平均恒虚警检测，得到初步检测结果，即潜在目标的点迹，其所在距离单元为Rbin；
步骤二：利用倒谱分析对初步检测结果进行筛选，识别其为杂波还是目标，然后剔除杂波。
进一步的，所述步骤二的具体步骤为：
步骤二一：对步骤一中初步检测结果，即潜在目标的点迹，进行倒谱分析，该点迹所在距离单元为Rbin，将步骤一中脉压后数据s0(r,n)中距离单元序号为Rbin的数据s0(Rbin,n) 赋值给x(n)，即令x(n)＝s0(Rbin,n)，其中n＝0,…,N-1；
步骤二二：首先对x(n)进行短时傅里叶变换，然后取对数并进行逆傅里叶变换，得到倒谱CEP(m,q)，其中，m＝0,…,Nm-1为时间序号，q＝0,…,N-1为倒时间序号；
步骤二三：计算倒谱CEP(m,q)的时间均值
Figure BDA0002405141810000021
步骤二四：对步骤二三处理后的倒谱进行幅度校正CLBCEP(q)＝q×MEANCEP(q)
步骤二五：计算步骤二四处理后的倒谱的均值
Figure BDA0002405141810000022
然后乘以系数α作为门限T＝αμ；
步骤二六：将步骤二四处理后的倒谱中每个不同的q值对应的CLBCEP(q)与步骤二五中门限T比较，判断有无峰值存在；若存在大于T的点，认为该检测结果为目标，保留；若无峰值存在，认为该检测点为杂波，剔除。
进一步的，所述步骤二二中短时傅里叶变换为：
Figure BDA0002405141810000023
其中，m∈[0,Nm-1],k∈[0,N-1]，w(n)是长度为N′的窗函数，R是STFT步长，
Figure BDA0002405141810000024
为STFT的时间单元数。
进一步的，所述步骤二二中取对数逆傅里叶变换为：
Figure BDA0002405141810000025
其中，m∈[0,Nm-1],q∈[0,N-1]。
进一步的，所述原始回波数据利用雷达检测无人机获得。
本发明的有益效果是：
(1)在RD谱上检测，有效地对目标回波相参积累，提高信噪比；
(2)对倒谱在时间维度求平均，减小噪声方差，减少噪声引起的虚警。
(3)对倒谱幅度值校正，使得不同倒时间的幅度值接近，可以在判断倒谱中是否存在峰值时，减少低倒时间噪声引起虚警，高倒时间目标漏警。
(4)所提出的倒谱特征的计算相对简单，利用快速傅里叶变换、查找表等技术，可以实时对大量点迹进行判断筛选；
(5)在检测阶段对杂波和目标进行区分，能够有效地在杂波环境中检测到悬停的无人机。
附图说明
图1为本发明的检测流程图；
图2为无人机旋翼微多普勒特征的时频谱图；
图3为步骤二二中得到的倒谱图；
图4为步骤二二到步骤二五处理结果的对比图。
具体实施方式
具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的一种基于倒谱分析的杂波环境无人机检测方法，包括以下步骤：
步骤一：获取原始回波数据，然后对原始回波数据进行脉冲压缩得到脉压后数据s0(r,n)，其中r代表距离单元，n代表脉冲数，对N个脉冲进行多普勒处理，得到RD 谱s1(r,d)，在RD谱s1(r,d)上进行单元平均恒虚警检测，得到初步检测结果，即潜在目标的点迹，其所在距离单元为Rbin；
步骤二：利用倒谱分析对初步检测结果，即潜在目标的点迹进行筛选，识别其为杂波还是目标，然后剔除杂波。
采用雷达检测无人机，得到原始回波数据，进行脉冲压缩后得到脉压后数据s0(r,n)，其中r代表距离单元序号，n代表脉冲序号，对N个脉冲进行多普勒处理，得到距离-多普勒(RD)谱s1(r,d)，d代表多普勒单元序号，在RD谱上用单元平均恒虚警检测(CA-CFAR) 方法得到初步检测的点迹。
多普勒处理能够实现相参积累，在RD谱上检测，目标信噪比相对一维距离像上的信噪比更高。
城市环境中有大量的建筑、树木以及其他干扰，其中建筑引起的杂波最为广泛，数量最多。无人机属于低小慢目标，还具有悬停能力，如果用传统的MTI技术滤除固定杂波，将大大降低雷达对无人机的探测能力。而不滤除杂波，则将产生大量的虚警点迹，对目标的识别、跟踪带来沉重负担。因此需要在检测阶段就对目标和杂波进行快速区分。
无人机高速旋转的桨叶会对回波产生微多普勒调制，在主体的多普勒偏移频率附近产生边频。对于包含两个桨叶的对称旋翼，设其转速为frot当短时傅里叶变换窗口内包含旋翼的多个旋转周期时，其时频谱在主体多普勒偏移两侧形成2frot为间隔的周期性谱线，如图 2所示。该特征可以用于快速区分无人机和杂波，对初步检测点迹进行筛选，剔除杂波。
对初步检测的点迹进行筛选，基于倒谱分析识别其为杂波还是目标，剔除杂波、抑制虚警。对每个检测点迹，其所在距离单元为Rbin，从原始的距离-脉冲数据s0(r,n)中分析x(n)＝s0(Rbin,n)其中n＝1,…,N。
比如，对雷达回波，脉冲压缩后，N＝256个脉冲为一个单位进行多普勒处理，计算RD 谱，CA-CFAR检测出k个检测目标点迹
Figure BDA0002405141810000041
对这些点取出脉压前信号
Figure BDA0002405141810000042
计算特征用于筛选这些点迹。
对x(n)，计算倒谱CEP(q,k)，如图3所示，先进行短时傅里叶变换，然后取对数并进行逆傅里叶变换：
Figure BDA0002405141810000043
Figure BDA0002405141810000044
其中w(n)是长度为N′的窗函数，当n＝0,…,N′-1时为非零值，其余时候为0，R是STFT步长，
Figure BDA0002405141810000045
为STFT的时间单元数。
短时傅里叶变换用滑动的窗口截取数据，计算FFT，得到时频谱；倒谱通过取对数，解时域卷积，分离反映转速的周期分量和调制分量，突出旋翼旋转特征。倒谱图如图3所示。
求倒谱的时间均值
Figure BDA0002405141810000046
噪声具有随机性，在倒谱上，同一倒时间不同时间噪声随机起伏，而反映旋翼旋转的倒时间峰值在不同时间具有持续性。在时间维度对倒谱求均值，可以减小噪声方差，突出峰值。
对倒谱进行幅度校正CLBCEP(q)＝q×MEANCEP(q)。
这里得到的结果CLBCEP(q)是幅度校正后的倒谱，q是倒时间是自变量，比如q＝1，2， 3，则CLBCEP(1)，CLBCEP(2)，CLBCEP(3)分别与T比较。只要其中有任意一个比T大，就认为存在峰值，该点迹是无人机目标。
对于高斯白噪声，倒谱幅度值CEP(q)∝1/q，对幅度值校正后，使不同倒时间的倒谱具有近似相同的均值，便于后续计算门限进行判决。
计算倒谱的均值
Figure BDA0002405141810000047
乘以系数α作为门限T＝αμ。
倒谱上的峰值对应频谱上的周期性成分，比如图4中倒谱上倒时间q＝10ms处的峰值对应图3时频谱中以100Hz为周期出现的峰值，表明旋翼转速frot＝50。计算不同倒时间的均值，根据均值设计门限，检测倒谱上的峰值。相比固定门限，根据均值设计门限可以自动适应噪声功率的变化，如图4所示。
求和并幅度校正后的倒谱CLBCEP(q)，对每个不同的q值对应的CLBCEP(q)与门限T比较，判断有无峰值存在；若存在大于T的点，认为该检测结果为目标，保留；若无峰值存在，认为该检测点为杂波，剔除。
需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。

Claims (4)

1.一种基于倒谱分析的杂波环境无人机检测方法，其特征在于包括以下步骤：
步骤一：获取原始回波数据，然后对原始回波数据进行脉冲压缩得到脉压后数据s0(r，n)，其中r代表距离单元序号，n代表脉冲序号，对N个脉冲进行多普勒处理，得到RD谱s1(r，d)，d代表多普勒单元序号，在RD谱s1(r，d)上进行单元平均恒虚警检测，得到初步检测结果，即潜在目标的点迹，其所在距离单元为Rbin；
步骤二：利用倒谱分析对初步检测结果进行筛选，识别其为杂波还是目标，然后剔除杂波；
所述步骤二的具体步骤为：
步骤二一：对步骤一中初步检测结果，即潜在目标的点迹，进行倒谱分析，该点迹所在距离单元为Rbin，将步骤一中脉压后数据s0(r，n)中距离单元序号为Rbin的数据s0(Rbin，n)赋值给x(n)，即令x(n)＝s0(Rbin，n)，其中n＝0，...，N-1；
步骤二二：首先对x(n)进行短时傅里叶变换，然后取对数并进行逆傅里叶变换，得到倒谱CEP(m，q)，其中，m＝0，...，Nm-1为时间序号，q＝0，...，N-1为倒时间序号；
步骤二三：计算倒谱CEP(m，q)的时间均值
Figure FDA0003332234220000011
步骤二四：对步骤二三处理后的倒谱进行幅度校正CLBCEP(q)＝q×MEANCEP(q)
步骤二五：计算步骤二四处理后的倒谱的均伯
Figure FDA0003332234220000012
然后乘以系数α作为门限T＝αμ；
步骤二六：将步骤二四处理后的倒谱中每个不同的q值对应的CLBCEP(q)与步骤二五中门限T比较，判断有无峰值存在；若存在大于T的点，认为该检测结果为目标，保留；若无峰值存在，认为该检测点为杂波，剔除。
2.根据权利要求1所述的一种基于倒谱分析的杂波环境无人机检测方法，其特征在于所述步骤二二中短时傅里叶变换为：
Figure FDA0003332234220000013
其中，m∈[0，Nm-1]，k∈[0，N-1]，w(n)是长度为N′的窗函数，R是STFT步长，
Figure FDA0003332234220000014
为STFT的时间单元数。
3.根据权利要求2所述的一种基于倒谱分析的杂波环境无人机检测方法，其特征在于所述步骤二二中取对数并逆傅里叶变换为：
Figure FDA0003332234220000021
其中，m∈[0，Nm-1]，q∈[0，N-1]。
4.根据权利要求1所述的一种基于倒谱分析的杂波环境无人机检测方法，其特征在于所述原始回波数据利用雷达检测无人机获得。
CN202010159118.4A 2020-03-09 2020-03-09 一种基于倒谱分析的杂波环境无人机检测方法 Active CN111398909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010159118.4A CN111398909B (zh) 2020-03-09 2020-03-09 一种基于倒谱分析的杂波环境无人机检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010159118.4A CN111398909B (zh) 2020-03-09 2020-03-09 一种基于倒谱分析的杂波环境无人机检测方法

Publications (2)

Publication Number Publication Date
CN111398909A CN111398909A (zh) 2020-07-10
CN111398909B true CN111398909B (zh) 2022-01-21

Family

ID=71434148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010159118.4A Active CN111398909B (zh) 2020-03-09 2020-03-09 一种基于倒谱分析的杂波环境无人机检测方法

Country Status (1)

Country Link
CN (1) CN111398909B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111856411B (zh) * 2020-07-28 2023-09-29 北京环境特性研究所 一种双门限目标检测方法及装置
CN113009446B (zh) * 2021-03-02 2022-05-03 中国科学院空天信息创新研究院 一种基于最佳解调算子的悬停低慢小目标检测方法及装置
CN113238210B (zh) * 2021-04-30 2023-04-07 西安电子科技大学 基于微多普勒效应的悬停无人机特征检测方法
CN113271161B (zh) * 2021-05-17 2022-06-03 湖南坤雷科技有限公司 一种电磁信号的筛选方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101388687A (zh) * 2008-03-11 2009-03-18 电子科技大学 一种芯片可实现的快速高效非合作低信噪比直扩信号检测方法
CN103064074A (zh) * 2012-12-23 2013-04-24 西安电子工程研究所 一种脉冲多普勒雷达在强杂波背景下的弱目标检测
CN103777189A (zh) * 2014-01-26 2014-05-07 电子科技大学 一种基于信息几何复自回归模型的雷达弱目标检测方法
CN108169727A (zh) * 2018-01-03 2018-06-15 电子科技大学 一种基于fpga的动目标雷达散射截面测量方法
CN110632569A (zh) * 2019-08-28 2019-12-31 中国人民解放军国防科技大学 一种利用双极化特征的雷达固定翼无人机与杂波识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101388687A (zh) * 2008-03-11 2009-03-18 电子科技大学 一种芯片可实现的快速高效非合作低信噪比直扩信号检测方法
CN103064074A (zh) * 2012-12-23 2013-04-24 西安电子工程研究所 一种脉冲多普勒雷达在强杂波背景下的弱目标检测
CN103777189A (zh) * 2014-01-26 2014-05-07 电子科技大学 一种基于信息几何复自回归模型的雷达弱目标检测方法
CN108169727A (zh) * 2018-01-03 2018-06-15 电子科技大学 一种基于fpga的动目标雷达散射截面测量方法
CN110632569A (zh) * 2019-08-28 2019-12-31 中国人民解放军国防科技大学 一种利用双极化特征的雷达固定翼无人机与杂波识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于自相关-倒谱联合分析的无人机旋翼转动频率估计方法;宋晨等;《电子与信息学报》;20190228;全文 *
基于频谱和倒谱分析的探地雷达地杂波抑制;高倩等;《中国民航大学学报》;20071031;全文 *

Also Published As

Publication number Publication date
CN111398909A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111398909B (zh) 一种基于倒谱分析的杂波环境无人机检测方法
CN102788969B (zh) 基于短时分数阶傅里叶变换的海面微动目标检测和特征提取方法
CN110133632B (zh) 一种基于cwd时频分析的复合调制信号识别方法
CN106093896B (zh) 一种快速检测和估计脉冲多普勒雷达脉冲抖动的方法
CN103412298B (zh) 一种自动获取船舶螺旋桨变速旋转时间区间方法
CN115657005A (zh) 一种基于多普勒雷达多信息融合的无人机识别方法
RU2293350C2 (ru) Устройство для обнаружения и классификации летящих и зависших вертолетов
CN108549076B (zh) 一种基于速度节奏图的多种类无人机场景识别方法
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
KR101813357B1 (ko) 수중 고정표적과 클러터 식별을 위한 가변 데이터 맵 및 가변 통계적 특징정보를 적용하는 클러터 제거 방법 및 장치
Zhang et al. Frequency line extraction on low SNR lofargram using principal component analysis
Javed et al. Automatic target classifier for a Ground Surveillance Radar using linear discriminant analysis and Logistic regression
CN114063067A (zh) 一种物体状态感应检测方法和系统
Larson Detection and classification of acoustic signals from fixed-wing aircraft
Wu et al. Sea-clutter region extraction based on image segmentation methods for over-the-horizon radar
CN113640767B (zh) 一种基于方差的低分辨雷达目标识别方法
JP3594000B2 (ja) レーダ装置及びその動作制御方法
CN114638262B (zh) 基于时频二维特征学习的雷达对海杂波智能抑制方法
CN114593815B (zh) 一种基于自噪声数据的线谱提取技术
CN105182301B (zh) 运动载体测速雷达的地杂波抑制方法
Zhang et al. A classification method for ground and low altitude moving targets based on multiple features
CN116224280B (zh) 雷达目标检测方法、装置、雷达设备及存储介质
CN111308465B (zh) 一种基于多普勒速度方位滤波识别空中生物的方法
CN114662527A (zh) 基于重频相关性特征提取的重频参数变化稳健分类方法
Porto Pattern recognition of undersea objects using neural networks

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