CN113344033B - 一种旋翼无人机与飞鸟目标分类中的判别特征提取方法 - Google Patents
一种旋翼无人机与飞鸟目标分类中的判别特征提取方法 Download PDFInfo
- Publication number
- CN113344033B CN113344033B CN202110533139.2A CN202110533139A CN113344033B CN 113344033 B CN113344033 B CN 113344033B CN 202110533139 A CN202110533139 A CN 202110533139A CN 113344033 B CN113344033 B CN 113344033B
- Authority
- CN
- China
- Prior art keywords
- target
- principal component
- unmanned aerial
- classification
- aerial vehicle
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于目标识别技术领域,具体的说是涉及一种旋翼无人机与飞鸟目标分类中的判别特征提取方法。本发明首先对旋翼无人机与飞鸟的雷达回波数据进行短时傅里叶变换,获得目标的微多普勒谱图数据,然后从微多普勒谱图中提取目标的加权主分量线性判别特征,实现旋翼无人机与飞鸟目标的分类。本发明直接对微多普勒谱图提取加权主分量线性判别特征,避免了直接参数提取不准确而引起的分类性能下降的问题;另外,加权主分量线性判别特征具有噪声不敏感的特点,在低信噪比情况下仍能达到较高的正确分类率,解决了无人机与飞鸟等微小慢目标不易识别的难题。
Description
技术领域
本发明属于目标识别技术领域,具体的说是涉及一种旋翼无人机与飞鸟目标分类中的判别特征提取方法。
背景技术
近年来,由于成本低廉、操作简单、体型较小等优点,无人机被广泛应用于军事侦察设备探测、农业播种施肥、林业防火监测等方面,有着良好的发展前景。但与此同时,无人机私自飞入航空领域扰乱机场秩序、恐怖分子利用无人机进行恐怖袭击等行为对人民安全和国家经济造成了危害。因此,准确判断无人机机型对国家空防安全有着重要的意义。
轻小型无人机与飞鸟都属于典型的“低、慢、小”目标。当使用雷达对大范围的低空区域进行全天候的监测时,由于鸟类的散射截面、飞行速度和飞行高度等特征信息与无人机相似,雷达难以正确区分无人机与飞鸟目标,容易导致虚警。传统的无人机与飞鸟目标分类方法主要是从雷达回波中提取微多普勒频率,并在此基础上估计目标的物理参数,作为分类的特征。例如通过估计旋翼无人机的旋翼数、叶片数、叶片长度、旋翼转速和飞鸟目标的扑翼频率、扑翼幅度和半翼展等参数达到分类的目的。实践中这类方法容易受噪声的影响,在较低信噪比的情况下,无法准确的进行特征参数的估计,导致无人机与飞鸟目标的分类性能下降。
发明内容
针对上述问题,本发明提出一种微多普勒谱图加权主分量线性判别特征提取方法,通过对无人机与飞鸟目标的雷达回波数据进行时频分析得到微多普勒谱图,进而提取谱图的加权主分量线性判别特征实现对无人机与飞鸟目标的分类识别。加权主分量线性判别特征包含了目标的微多普勒参数特征,不用直接提取物理参数,避免了直接参数提取不准确导致分类性能下降的问题。另外,本方法提取的分类特征不易受噪声干扰,适用于低信噪比环境下旋翼无人机与飞鸟目标的分类识别。
本发明的技术方案是:
一种旋翼无人机与飞鸟目标分类中的判别特征提取方法,包括以下步骤:
S1、设连续波雷达回波Sij(t)为第i类目标的第j个训练样本,i=1、2、3、4时分别表示单旋翼、四旋翼、六旋翼和八旋翼无人机的雷达回波信号,i=5时表示飞鸟目标的雷达回波信号;j=1,2,...,Ni,Ni表示第i类目标的训练样本数,总样本数
S2、对雷达回波信号Sij(t)进行短时傅里叶变换,得到目标的时频谱Fij(t,ω):
Fij(t,ω)=[Dij(t1,ω),Dij(t2,ω),...,Dij(tQ,ω)]
其中
ts=t1,t2…tQ
其中,Dij(ts,ω)表示信号在ts时刻的离散时间傅里叶变换,w(·)为窗函数,M为窗函数的长度,L为窗函数的滑动点数,ω为角频率。由Fij(t,ω)可知,短时傅里叶变换结果是一个行矢量方向为时间分量,列矢量方向为频率分量的二维矩阵,运动目标的微多普勒特征包含在时频谱的幅度中,则目标的微多普勒谱图矩阵Gij表示为:
Gij=|Fij(t,w)|
S3、提取目标微多普勒谱图的加权主分量线性判别特征:
将目标的微多普勒谱图Gij中的元素按列方式组成一个大小为M×Q维的列矢量xij:
xij=[Gij,11,Gij,21,...,Gij,Ni1,...,Gij,MQ]T
其中,T表示转置,Gij,11表示Gij中的第1行第1列的元素,Gij,21表示Gij中的第2行第1列的元素,Gij,Ni1表示Gij中的第Ni行第1列的元素,Gij,MQ表示Gij中的第M行第Q列的元素,由所有训练样本的微多普勒谱图对应的列矢量构成矩阵X:
计算X的协方差矩阵Φ:
S4、求取协方差矩阵前r个最大非零特征值λ1,λ2,...,λr对应的特征向量u1,u2,...,ur构成加权主分量子空间Wp=[λ1u1,λ2u2,...,λrur],r的大小一般由贡献率决定,将微多普勒谱图对应的列矢量xij、总体谱图均值μ和第i类的谱图均值μi投影到加权主分量子空间得到和
S5、将加权主分量子空间和加权线性判别子空间进行融合,得到加权主分量线性判别子空间矩阵:
将任意数据样本对应的谱图列矢量xt向Wopt投影:
其中,yt为获得的任意数据样本对应的加权主分量线性判别特征矢量。
本发明的有益效果是:本发明直接对微多普勒谱图提取加权主分量线性判别特征,避免了直接参数提取不准确而引起的分类性能下降的问题;另外,加权主分量线性判别特征具有噪声不敏感的特点,在低信噪比情况下仍能达到较高的正确分类率,解决了无人机与飞鸟等微小慢目标不易识别的难题。
具体实施方式
下面结合仿真实验说明本发明的实用性。
仿真实验设计了单旋翼、四旋翼、六旋翼、八旋翼无人机与飞鸟目标。仿真雷达参数包括:载波频率为34.6GHz;脉冲重复频率为125000Hz;目标与雷达间的距离100m;雷达的俯仰角为10°,方位角为45°。飞机参数:初始条件下,无人机距离雷达的距离为100m,无人机的运动速度为0,各旋翼的叶片数目为2,叶片叶尖到旋转中心的距离为0.3m,叶片末端到旋转中心的距离为0,各旋翼旋转中心到无人机轴中心的距离为0.4m,旋转部件转速为30r/s,观测时间为15s。飞鸟参数:飞鸟与雷达之间的初始距离为100m,飞鸟的扑翼频率为12Hz,半翼展为0.3m,最大张角为75°,向前平飞速度为10m/s,观测时间也为15s。
将目标的雷达回波按0.1s进行分段,段与段之间的重叠为50%,分段后的信号进行短时傅氏变换得到每类299个微多普勒谱图集合。首先对每类数据中的谱图采用隔一取一方法进行划分,取5类目标奇数序号的谱图共750个作为训练集,剩下的745个谱图作为测试集,然后将训练集和测试集投影到加权主分量线性判别子空间得到各自的加权主分量线性判别特征矩阵,最后依据最近邻分类准则进行分类决策。
在信噪比-15dB条件下,采用主分量特征提取方法、线性判别特征提取方法和本发明方法对4类旋翼无人机与1类飞鸟目标进行分类,分类结果如表1所示:
表1三种方法对4类旋翼无人机与1类飞鸟目标的正确分类率(%)
由上表结果可知,在低信噪比的情况下,本发明方法的正确分类率均高于常规主分量特征提取方法和线性判别特征提取方法,且每类目标的识别率都达到了90%以上,这说明本发明方法不易受噪声影响,具有较高的正确分类率,解决了无人机与飞鸟等微小慢目标不易识别的难题。
Claims (1)
1.一种旋翼无人机与飞鸟目标分类中的判别特征提取方法,其特征在于,包括以下步骤:
S1、设连续波雷达回波Sij(t)为第i类目标的第j个训练样本,i=1、2、3、4时分别表示单旋翼、四旋翼、六旋翼和八旋翼无人机的雷达回波信号,i=5时表示飞鸟目标的雷达回波信号;j=1,2,...,Ni,Ni表示第i类目标的训练样本数,总样本数
S2、对雷达回波信号Sij(t)进行短时傅里叶变换,得到目标的时频谱Fij(t,ω):
Fij(t,ω)=[Dij(t1,ω),Dij(t2,ω),...,Dij(tQ,ω)]
其中
ts=t1,t2…tQ
其中,Dij(ts,ω)表示信号在ts时刻的离散时间傅里叶变换,w(·)为窗函数,M为窗函数的长度,L为窗函数的滑动点数,ω为角频率,运动目标的微多普勒特征包含在时频谱的幅度中,则目标的微多普勒谱图矩阵Gij表示为:
Gij=|Fij(t,ω)|
S3、提取目标微多普勒谱图的加权主分量线性判别特征:
将目标的微多普勒谱图Gij中的元素按列方式组成一个大小为M×Q维的列矢量xij:
其中,T表示转置,Gij,11表示Gij中的第1行第1列的元素,Gij,21表示Gij中的第2行第1列的元素,表示Gij中的第Ni行第1列的元素,Gij,MQ表示Gij中的第M行第Q列的元素,由所有训练样本的微多普勒谱图对应的列矢量构成矩阵X:
计算X的协方差矩阵Φ:
S4、求取协方差矩阵前r个最大非零特征值λ1,λ2,...,λr对应的特征向量u1,u2,...,ur构成加权主分量子空间Wp=[λ1u1,λ2u2,...,λrur],将微多普勒谱图对应的列矢量xij、总体谱图均值μ和第i类的谱图均值μi投影到加权主分量子空间得到和
S5、将加权主分量子空间和加权线性判别子空间进行融合,得到加权主分量线性判别子空间矩阵:
将任意数据样本对应的谱图列矢量xt向Wopt投影:
其中,yt为获得的任意数据样本对应的加权主分量线性判别特征矢量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110533139.2A CN113344033B (zh) | 2021-05-17 | 2021-05-17 | 一种旋翼无人机与飞鸟目标分类中的判别特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110533139.2A CN113344033B (zh) | 2021-05-17 | 2021-05-17 | 一种旋翼无人机与飞鸟目标分类中的判别特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344033A CN113344033A (zh) | 2021-09-03 |
CN113344033B true CN113344033B (zh) | 2022-05-17 |
Family
ID=77470362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110533139.2A Active CN113344033B (zh) | 2021-05-17 | 2021-05-17 | 一种旋翼无人机与飞鸟目标分类中的判别特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344033B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5262785A (en) * | 1992-04-30 | 1993-11-16 | General Electric Co. | Small target doppler detection system |
US7079072B1 (en) * | 1987-01-23 | 2006-07-18 | Raytheon Company | Helicopter recognition radar processor |
CN104865569A (zh) * | 2015-05-29 | 2015-08-26 | 武汉大学 | 一种基于单频网外辐射源雷达的飞机目标识别方法 |
CN106844886A (zh) * | 2016-12-29 | 2017-06-13 | 西安电子科技大学 | 基于主分量分析的目标波达方向获取方法 |
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 |
CN110007286A (zh) * | 2019-04-22 | 2019-07-12 | 电子科技大学 | 一种线性判别学习真假目标一维距离像特征提取方法 |
CN111273285A (zh) * | 2020-03-06 | 2020-06-12 | 电子科技大学 | 一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3553551B1 (en) * | 2018-04-10 | 2022-06-01 | Aptiv Technologies Limited | Method for the recognition of an object |
CN109633629B (zh) * | 2018-10-26 | 2020-11-03 | 上海无线电设备研究所 | 太赫兹频段单旋翼无人机目标特性微多普勒特征提取方法 |
CN110133600B (zh) * | 2019-06-17 | 2022-11-04 | 电子科技大学 | 一种直升机旋翼物理参数提取方法 |
CN112162273B (zh) * | 2020-09-25 | 2022-08-05 | 电子科技大学 | 一种基于奇异矢量的多旋翼无人机物理参数提取方法 |
-
2021
- 2021-05-17 CN CN202110533139.2A patent/CN113344033B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7079072B1 (en) * | 1987-01-23 | 2006-07-18 | Raytheon Company | Helicopter recognition radar processor |
US5262785A (en) * | 1992-04-30 | 1993-11-16 | General Electric Co. | Small target doppler detection system |
CN104865569A (zh) * | 2015-05-29 | 2015-08-26 | 武汉大学 | 一种基于单频网外辐射源雷达的飞机目标识别方法 |
CN106844886A (zh) * | 2016-12-29 | 2017-06-13 | 西安电子科技大学 | 基于主分量分析的目标波达方向获取方法 |
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 |
CN110007286A (zh) * | 2019-04-22 | 2019-07-12 | 电子科技大学 | 一种线性判别学习真假目标一维距离像特征提取方法 |
CN111273285A (zh) * | 2020-03-06 | 2020-06-12 | 电子科技大学 | 一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法 |
Non-Patent Citations (4)
Title |
---|
Multi-rotors UAV Motion Recognition based on Micro-Doppler Feature Extraction;Jing Wen 等;《2019 IEEE International Conference on Signal, Information and Data Processing (ICSIDP)》;20200831;1-4 * |
基于加权核函数的雷达目标一维距离像识别;周代英 等;《仪器仪表学报》;20081130(第(2008)11期);2394-2398 * |
多旋翼无人机微多普勒信号处理算法研究;陈震;《中国优秀博硕士学位论文全文数据库(硕士)》;20210515(第(2021)05期);C031-153 * |
飞鸟与无人机目标雷达探测与识别技术进展与展望;陈小龙 等;《雷达学报》;20200531;第9卷(第5期);803-827 * |
Also Published As
Publication number | Publication date |
---|---|
CN113344033A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Wit et al. | Radar micro-Doppler feature extraction using the singular value decomposition | |
CN109409225B (zh) | 基于雷达多径信号时频特征融合的无人机分类方法及装置 | |
Harmanny et al. | Radar micro-Doppler feature extraction using the spectrogram and the cepstrogram | |
CN110133600B (zh) | 一种直升机旋翼物理参数提取方法 | |
CN109975780B (zh) | 基于脉冲多普勒雷达时域回波的直升机型号识别算法 | |
US20070024494A1 (en) | Classification system for radar and sonar applications | |
Harmanny et al. | Radar micro-Doppler mini-UAV classification using spectrograms and cepstrograms | |
Regev et al. | Classification of single and multi propelled miniature drones using multilayer perceptron artificial neural network | |
CN111273285B (zh) | 一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法 | |
Bennett et al. | Use of symmetrical peak extraction in drone micro-doppler classification for staring radar | |
CN112162273A (zh) | 一种基于奇异矢量的多旋翼无人机物理参数提取方法 | |
Gannon et al. | Measuring UAV propeller length using micro-Doppler signatures | |
Li et al. | Research on detection method of UAV based on micro-Doppler effect | |
Zhang et al. | Enhanced micro-Doppler feature analysis for drone detection | |
CN113269203B (zh) | 一种用于多旋翼无人机识别的子空间特征提取方法 | |
Li et al. | Target classification with low-resolution surveillance radars based on multifractal features | |
CN113344033B (zh) | 一种旋翼无人机与飞鸟目标分类中的判别特征提取方法 | |
Ren et al. | Estimating physical parameters from multi-rotor drone spectrograms | |
Dao et al. | Analysis of Trajectory Features for Small UAVs Recognition | |
Li et al. | Classification of aircraft targets with surveillance radars based on fuzzy fractal features | |
CN111796247B (zh) | 一种基于微多普勒效应的群组无人机回波仿真方法 | |
Hofele | A new algorithm for automatic radar target classification using feature extraction having special regard to drones | |
EP4030186A1 (en) | Apparatus and method for identifying vehicles in radar signals | |
Hofele | Automatic radar target classification a new method having special regard to drones | |
Chen et al. | Detection and recognition of UA targets with multiple sensors |
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 |