CN112462341B - 一种基于多脉冲积累的小型旋翼无人机目标检测方法 - Google Patents

Abstract

本发明涉及一种基于多脉冲积累的小型旋翼无人机目标检测方法，首先将雷达接收数据分为N帧，每帧M个脉冲；然后引入广义Radon‑Fourier变换消除小型旋翼无人机目标运动引起的距离单元徙动，实现单帧数据目标能量相参积累，并利用CFAR滤除底噪，得到目标点迹信息；最后结合建立的状态转移方程，通过检测前跟踪方法实现小型旋翼无人机目标点迹累积并抑制杂波，从而实现小型旋翼无人机目标检测和跟踪；本发明能够解决雷达回波信号微弱、杂波背景复杂等问题；通过增加无人机目标的输出SNR，降低成本、提高灵活性和增强可移植性，并能提高雷达系统对于小型旋翼无人机目标的检测能力。

Description

一种基于多脉冲积累的小型旋翼无人机目标检测方法

技术领域

本发明涉及无人机检测技术领域，具体涉及一种基于多脉冲积累的小型旋翼无人机目标检测方法。

背景技术

随着无人机技术的发展，无人机越来越普及，且由于现代工艺技术的发展，无人机向小型化、微型化发展。

在实际生活中，微型无人机越来越普及，微型无人机由于体积小、操作简单、飞行高度低、地物遮挡多，导致以往探测手段很难发现。

目前亟需掌握有效的发现探测方法，用以解决无人机的监管控制问题，确保低空空域安全。

小型旋翼无人机目标探测与发现方法主要包括五种，如下：

方法一：声音感知技术，利用旋翼无人机独特的声音实现目标检测，但这类技术需要提前建立包含各类无人机的声音库，容易受背景噪声干扰，且作用距离有限，大多不足1千米；

方法二：无源探测与定位技术，利用外辐射源(数字电视信号、同步卫星通信信号和移动通信信号等)或者目标本身发射的信号实现目标检测和定位，其本身不发射电磁信号。但由于外辐射源信号功率相对较小，经过目标反射后的回波就更加微弱，极易受地物等杂波的影响，导致检测系统性能急剧恶化。同时，收发时钟同步、多径效应以及接收信号强度的波动等严重影响无源定位系统的性能，限制了无源雷达系统的应用；

方法三：光学视频检测与跟踪技术，主要利用高清摄像头和图像处理技术实现无人机目标检测和识别，但是极易受云雾雨等天气影响，且探测距离同样有限；

方法四：雷达目标检测技术，有源雷达主动发射电磁信号并接收目标反射回波，可以实现高性能、高可靠性、全天候、远距离目标探测，且抗干扰能力强。同时，还可以利用雷达组网技术实现低空大空域监视，提供完整、正确、通用、连续、及时的低空空情，满足对低空目标的监视要求。

但是，小型旋翼无人机目标属于典型的“低小慢”目标，其大多飞行在低空超低空空域，杂波背景复杂，同时此类目标RCS小、制作材料中金属含量低，导致雷达接收回波信号非常微弱，输出SNR低，无人机目标极易被杂波和噪声淹没。提高无人机目标回波信号输出SNR是改善雷达目标检测性能的一种有效方法，传统的增加SNR方法主要包括增加雷达发射机发射功率、降低雷达接收机噪声系数和优选雷达发射载频等。然而这些方法往往需要改善硬件条件或者改变系统参数，系统研制成本高且不灵活。

发明内容

本发明提供了一种基于多脉冲积累的小型旋翼无人机目标检测方法，解决了雷达回波信号微弱、杂波背景复杂等问题，能够增加无人机目标的输出SNR，降低成本、提高灵活性和增强可移植性，并能提高雷达系统对于小型旋翼无人机目标的检测能力。

本发明一种基于多脉冲积累的小型旋翼无人机目标检测方法，包括：

A.单帧数据相参积累：获取小型旋翼无人机与雷达之间的瞬时斜距和雷达的接收信号，将雷达的接收信号分为N帧数据，每帧数据共有M个脉冲，雷达接收到第i帧数据，得到第i帧的接收信号，建立小型旋翼无人机目标回波信号模型，根据小型旋翼无人机目标回波模型、所述瞬时斜距和所述第i帧的接收信号，利用广义Radon-Fourier变换方法消除单元徙动，实现小型旋翼无人机的单帧数据相参积累，并获得第i帧数据的相参积累结果，M为自然数，N为自然数，1≤i≤N；

B.多帧数据点迹累积：利用CFAR方法，即恒虚警检测方法滤除相参积累后单帧数据的底噪，对滤除底噪且大于零的单帧数据进行值函数积累，得到积累值函数和当前状态的最优路径；通过状态转移方程预测步长并结合动态规划算法实现航迹提取；通过目标检测方法和当前状态的最优路径进行航迹回溯，从而得到小型旋翼无人机的目标航迹。

本发明采用先进的雷达信号处理方法来增加无人机目标输出SNR，具有成本低、灵活性强和可移植性强等优点，利用长时间多脉冲积累技术累积目标能量，增加输出SNR，并且可以联合距离、速度和加速度分离杂波和目标，从而提高雷达系统对于小型旋翼无人机目标的检测能力。

进一步的，步骤A中，小型旋翼无人机与雷达之间的瞬时斜距如下：

当t_m＝0时，对所述瞬时斜距进行泰勒展开：

其中，R(t_m)表示雷达与小型旋翼无人机的瞬时斜距，t_m表示慢时间变量，x₀表示小型旋翼无人机在x轴的距离，y₀表示小型旋翼无人机在y轴的距离，V表示小型旋翼无人机目标速度，C_n表示n阶加速度，

表示t_m的n+1次方，h表示小型旋翼无人机在z轴的距离，R₀表示初始斜距，v＝R′(0)表示径向速度，

表示n阶径向加速度，L表示瞬时斜距R(t_m)的最高阶次。

进一步的，在步骤A中，假设雷达发射线性调频信号，经过下变频和匹配滤波过后，雷达的接收信号可以近似表示为：

其中，

表示距离快时间，σ(t_m)为目标回波信号强度，sinc(·)表示辛格函数，B表示带宽，c＝3×10⁸m/s表示光速，j表示虚数，λ表示雷达发射信号波长，t_m表示慢时间变量，R(t_m)表示雷达与小型旋翼无人机的瞬时斜距。。

进一步的，在步骤A中，小型旋翼无人机目标回波信号模型的建立如下：

将雷达的接收信号分为N帧数据，每帧数据共有M个脉冲，雷达接收到第i帧数据，得到第i帧的接收信号表示如下：

其中，

表示距离变量，A_i表示信号幅度，对于单帧数据A_i可视为常数，R₀表示初始斜距，v＝R′(0)表示径向速度，L表示瞬时斜距R(t_m)的最高阶次，

表示n阶径向加速度，

表示第i帧信号的初始斜距，v_i表示第i帧信号的径向速度，

表示第i帧信号n阶径向的加速度，t_m表示慢时间变量，σ(t_m)表示目标回波信号强度，B表示带宽，c＝3×10⁸m/s表示光速，

表示t_m的n+1次方，λ表示雷达发射信号波长。

进一步的，在步骤A中，第i帧数据的相参积累结果表示如下：

其中，C_i(r′,v′,a′₁,…,a′_L)表示第i帧数据M个脉冲相参积累的结果，r′表示距离的搜索变量，v′表示速度的搜索变量，a′_n表示第n阶径向加速度的搜索变量，x_i(·)表示第i帧数据沿距离时间进行傅里叶变换后的接收信号，L表示瞬时斜距R(t_m)的最高阶次，t_m表示慢时间变量，

表示t_m的n+1次方，λ表示雷达发射信号波长。

进一步的，在步骤B中，包括：

B1.当1≤i≤N时，利用CFAR方法检测得到检测矩阵T_i，T_i中检测到目标设置为1，否则设置为0，通过步骤A中的第i帧数据的相参积累结果和检测矩阵T_i得到滤除底噪后的数据C′_i(r′,v′,a′₁,…,a′_L)，并建立状态转移方程、定义值函数、定义雷达接收到目标的观测矩阵和定义目标航迹，N为自然数；

B2.当2≤i≤N时，对第i帧数据中满足C′_i(r′,v′,a′₁,…,a′_L)>0的所有单元进行值函数积累，并得出积累值函数和当前状态的最优路径，通过步骤B1中的状态转移方程预测动态规划的最大步长，对第i-1帧数据中未被使用到的点迹进行航迹确认，得到未被使用到的点迹的航迹，N为自然数；

B3.设置门限V_T，找出满足积累值函数大于门限的状态得出目标检测方法，通过目标检测方法和当前状态的最优路径进行航迹回溯，从而得到小型旋翼无人机的目标航迹。

进一步的，在步骤B1中，所述状态转移方程具体为：

Y_i+1＝AY_i+Q

所述定义的值函数具体为：

F(Y₁)＝Z₁

所述定义的目标航迹具体为：

Ψ₁(Y₁)＝(0)

其中，Y_i+1表示第i+1帧状态向量预测结果，Y_i为距离、速度和n阶径向加速度所组成的L+2维状态向量，A为L+2阶状态转移矩阵，

T表示相参积累时间即单帧数据的持续时间，Q为L+2阶噪声对角矩阵，

σ表示噪声标准差，Z₁表示初始观测向量，Y₁表示初始状态向量，L表示瞬时斜距R(t_m)的最高阶次，t_m表示慢时间变量。

进一步的，在步骤B2中，所述积累值函数具体为：

所述当前状态Y_i的最优路径具体为：

所述最大步长具体为：

其中，Y_i为距离、速度和n阶径向加速度所组成的L+2维状态向量，Y_i-1表示第i-1帧的状态向量，Z_i＝C′_i(r′,v′,a′₁,,…,a′_L)表示观测向量，I(Y_i)为Y_i-1中最有可能转移到Y_i的状态范围，由状态转移方程进行预测，F(Y_i-1)表示第i-1帧数据的值函数，

表示第i-1帧数据到第i帧数据的最大步长向量，Δr_i表示距离最大步长，Δv_i表示速度最大步长，

表示n阶径向加速度最大步长，A表示状态转移矩阵，L表示瞬时斜距R(t_m)的最高阶次，t_m表示慢时间变量

进一步的，在步骤B2中，当2≤i≤N时，未被使用到的点迹的航迹具体为：

F[Y_i＝AY_i-1]＝F(Y_i-1)

其中，A表示状态转移矩阵，F(Y_i-1)和F(Y_i)分别表示第i-1帧和第i帧数据的值函数；

此时，第i-1帧中的点迹Y_i-1即为第i帧Y_i＝AY_i-1的航迹，Y_i＝AY_i-1表示由第i-1帧状态向量预测得到的第i帧状态向量。

进一步的，在步骤B3中，所述目标检测方法为：

其中，V_T表示设定的门限值，

表示目标检测结果，Y_N表示第N帧数据状态向量，F(Y_N)表示第N帧数据的值函数。

本发明一种基于多脉冲积累的小型旋翼无人机目标检测方法，通过长时间多脉冲积累信号提高雷达回波信号的输出SNR，改善了雷达目标检测性能，提高了雷达系统对于小型旋翼无人机目标的检测能力，降低成本、增强灵活性和可移植性，同时解决了雷达回波信号微弱和杂波背景复杂等问题，利用广义Radon-Fourier变换方法消除距离单元徙动与多普勒频率单元徙动，提高目标检测的准确性，本发明通过提高雷达对于小型旋翼无人机目标的检测性能满足小型旋翼无人机目标监视需求。

附图说明

图1为本发明多帧数据点迹累积实现的流程图。

具体实施方式

以下结合实施例的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。在不脱离本发明上述技术思想情况下，根据本领域普通技术知识和惯用方法做出的各种替换或变更，均应包括在本发明的范围内。

如图1所示本发明的多帧数据点迹累积实现的流程图，包括：

A.雷达发射线性调频信号，经过下变频与脉冲压缩后进行单帧数据相参积累，获得第i帧数据的相参积累结果C_i；

B.利用CFAR方法，得到检测矩阵T_i，通过检测矩阵T_i把第i帧数据的相参积累结果C_i的底噪滤除得到滤除底噪后的数据C′_i，建立状态转移方程；

C.将滤除底噪后的数据C′_i>0的所有单元进行值函数累积，并得出积累值函数和当前状态的最优路径，通过步骤B中的状态转移方程预测动态规划的最大步长，对第i-1帧数据中未被使用到的点迹进行航迹确认，得到未被使用到的点迹的航迹，N为自然数；

D.判决：设置门限V_T，找出满足积累值函数大于门限的状态得出目标检测方法，通过目标检测方法和当前状态的最优路径进行航迹回溯，从而得到小型旋翼无人机的目标航迹。

本发明是一种相参积累与非相参积累相结合的多脉冲积累小型旋翼无人机目标检测方法，解决了雷达回波信号微弱、杂波背景复杂等问题，提高了雷达对于小型旋翼无人机目标的检测性能，长时间多脉冲积累信号提高雷达回波信号的输出SNR，改善了雷达目标检测性能，提高了雷达系统对于小型旋翼无人机目标的检测能力，降低成本、增强灵活性和可移植性。

Claims (10)

1.一种基于多脉冲积累的小型旋翼无人机目标检测方法，其特征在于，包括：

A.单帧数据相参积累：获取小型旋翼无人机与雷达之间的瞬时斜距和雷达的接收信号，将雷达的接收信号分为N帧数据，每帧数据共有M个脉冲，雷达接收到第i帧数据，得到第i帧的接收信号，建立小型旋翼无人机目标回波信号模型，根据小型旋翼无人机目标回波模型、所述瞬时斜距和所述第i帧的接收信号，利用广义Radon-Fourier变换方法消除单元徙动，实现小型旋翼无人机的单帧数据相参积累，并获得第i帧数据的相参积累结果，M为自然数，N为自然数，1≤i≤N；

B.多帧数据点迹累积：利用CFAR方法，即恒虚警检测方法得到检测矩阵T_i，通过检测矩阵T_i把第i帧数据的相参积累结果的底噪滤除，对滤除底噪后且大于零的单帧数据进行值函数积累，得到积累值函数和当前状态的最优路径；通过状态转移方程预测步长并结合动态规划算法实现航迹提取；通过目标检测方法和当前状态的最优路径进行航迹回溯，从而得到小型旋翼无人机的目标航迹。

2.如权利要求1所述的一种基于多脉冲积累的小型旋翼无人机目标检测方法，其特征在于，在步骤A中，小型旋翼无人机与雷达之间的瞬时斜距如下：

当t_m＝0时，对所述瞬时斜距进行泰勒展开：

其中，R(t_m)表示雷达与小型旋翼无人机的瞬时斜距，t_m表示慢时间变量，x₀表示小型旋翼无人机在x轴的距离，y₀表示小型旋翼无人机在y轴的距离，V表示小型旋翼无人机目标速度，C_n表示n阶加速度，

表示t_m的n+1次方，h表示小型旋翼无人机在z轴的距离，R₀表示初始斜距，v＝R′(0)表示径向速度，

表示n阶径向加速度，L表示瞬时斜距R(t_m)的最高阶次。

3.如权利要求1所述的一种基于多脉冲积累的小型旋翼无人机目标检测方法，其特征在于，在步骤A中，假设雷达发射线性调频信号，经过下变频和匹配滤波过后，雷达的接收信号可以近似表示为：

其中，

表示距离快时间，σ(t_m)为目标回波信号强度，sinc(·)表示辛格函数，B表示带宽，c＝3×10⁸m/s表示光速，j表示虚数，λ表示雷达发射信号波长；t_m表示慢时间变量；R(t_m)表示雷达与小型旋翼无人机的瞬时斜距。

4.如权利要求1所述的一种基于多脉冲积累的小型旋翼无人机目标检测方法，其特征在于，在步骤A中，小型旋翼无人机目标回波信号模型的建立如下：

将雷达的接收信号分为N帧数据，每帧数据共有M个脉冲，雷达接收到第i帧数据，得到第i帧的接收信号表示如下：

其中，

表示距离变量，A_i表示信号幅度，对于单帧数据A_i视为常数，R₀表示初始斜距，v＝R′(0)表示径向速度，L表示瞬时斜距R(t_m)的最高阶次，

表示n阶径向加速度，

表示第i帧信号的初始斜距，v_i表示第i帧信号的径向速度，

表示第i帧信号n阶径向的加速度，t_m表示慢时间变量，σ(t_m)表示目标回波信号强度，B表示带宽，c＝3×10⁸m/s表示光速，

表示t_m的n+1次方，λ表示雷达发射信号波长。

5.如权利要求1所述的一种基于多脉冲积累的小型旋翼无人机目标检测方法，其特征在于，在步骤A中，第i帧数据的相参积累结果表示如下：

其中，C_i(r′，v′，a′₁，...，a′_L)表示第i帧数据M个脉冲相参积累的结果，r′表示距离的搜索变量，v′表示速度的搜索变量，a′_n表示第n阶径向加速度的搜索变量，x_i(·)表示第i帧数据沿距离时间进行傅里叶变换后的接收信号，L表示瞬时斜距R(t_m)的最高阶次，t_m表示慢时间变量，

表示t_m的n+1次方，λ表示雷达发射信号波长。

6.如权利要求1所述的一种基于多脉冲积累的小型旋翼无人机目标检测方法，其特征在于，在步骤B中，包括：

B1.当1≤i≤N时，利用CFAR方法检测得到检测矩阵T_i，T_i中检测到目标设置为1，否则设置为0，通过步骤A中的第i帧数据的相参积累结果和检测矩阵T_i得到滤除底噪后的数据C′_i(r′，v′，a′₁，...，a′_L)，并建立状态转移方程、定义值函数、定义雷达接收到目标的观测矩阵和定义目标航迹，N为自然数；

B2.当2≤i≤N时，对第i帧数据中满足C′_i(r′，v′，a′₁，...，a′_L)＞0的所有单元进行值函数积累，并得出积累值函数和当前状态的最优路径，通过步骤B1中的状态转移方程预测动态规划的最大步长，对第i-1帧数据中未被使用到的点迹进行航迹确认，得到未被使用到的点迹的航迹，N为自然数；

B3.设置门限V_T，找出满足积累值函数大于门限的状态得出目标检测方法，通过目标检测方法和当前状态的最优路径进行航迹回溯，从而得到小型旋翼无人机的目标航迹。

7.如权利要求6所述的一种基于多脉冲积累的小型旋翼无人机目标检测方法，其特征在于，在步骤B1中，所述状态转移方程具体为：

Y_i+1＝AY_i+Q

所述定义的值函数具体为：

F(Y₁)＝Z₁

所述定义的目标航迹具体为：

Ψ₁(Y₁)＝(0)

其中，Y_i+1表示第i+1帧状态向量预测结果，Y_i为距离、速度和n阶径向加速度所组成的L+2维状态向量，A为L+2阶状态转移矩阵，

T表示相参积累时间即单帧数据的持续时间，Q为L+2阶噪声对角矩阵，

σ表示噪声标准差，Z₁表示初始观测向量，Y₁表示初始状态向量，L表示瞬时斜距R(t_m)的最高阶次，t_m表示慢时间变量。

8.如权利要求6所述的一种基于多脉冲积累的小型旋翼无人机目标检测方法，其特征在于，在步骤B2中，所述积累值函数具体为：

所述当前状态Y_i的最优路径具体为：

所述最大步长具体为：

Y_i ^step＝AY_i-1-Y_i-1

其中，Y_i为距离、速度和n阶径向加速度所组成的L+2维状态向量，Y_i-1表示第i-1帧的状态向量，Z_i＝C′_i(r′，v′，a′₁，...，a′_L)表示观测向量，I(Y_i)为Y_i-1中最有可能转移到Y_i的状态范围，由状态转移方程进行预测，F(Y_i-1)表示第i-1帧数据的值函数，

表示第i-1帧数据到第i帧数据的最大步长向量，Δr_i表示距离最大步长，Δv_i表示速度最大步长，

表示n阶径向加速度最大步长，A表示状态转移矩阵，L表示瞬时斜距R(t_m)的最高阶次，t_m表示慢时间变量。

9.如权利要求6所述的一种基于多脉冲积累的小型旋翼无人机目标检测方法，其特征在于，在步骤B2中，当2≤i≤N时，未被使用到的点迹的航迹具体为：

F[Y_i＝AY_i-1]＝F(Y_i-1)

其中，A表示状态转移矩阵，F(Y_i-1)和F(Y_i)分别表示第i-1帧和第i帧数据的值函数；

此时，第i-1帧中的点迹Y_i-1即为第i帧Y_i＝AY_i-1的航迹，Y_i＝AY_i-1表示由第i-1帧状态向量预测得到的第i帧状态向量。

10.如权利要求6所述的一种基于多脉冲积累的小型旋翼无人机目标检测方法，其特征在于，在步骤B3中，所述目标检测方法为：

其中，V_T表示设定的门限值，

表示目标检测结果，Y_N表示第N帧数据状态向量，F(Y_N)表示第N帧数据的值函数。

Images