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 PDFInfo
- 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
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
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:
进一步的,所述步骤二二中取对数逆傅里叶变换为:
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。
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:
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。
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。
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。
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。
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)
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)
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 |
-
2020
- 2020-03-09 CN CN202010159118.4A patent/CN111398909B/zh active Active
Patent Citations (5)
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)
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 |