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

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

一种旋翼无人机与飞鸟目标分类中的判别特征提取方法

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S_ij(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,...,N_i，N_i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S_ij(t)进行短时傅里叶变换，得到目标的时频谱F_ij(t,ω)：

F_ij(t,ω)＝[D_ij(t₁,ω),D_ij(t₂,ω),...,D_ij(t_Q,ω)]

其中

t_s＝t₁,t₂…t_Q

其中，D_ij(t_s,ω)表示信号在t_s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F_ij(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G_ij表示为：

G_ij＝|F_ij(t,w)|

若信号长度为P，谱图G_ij的维数表示为M×Q，

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G_ij中的元素按列方式组成一个大小为M×Q维的列矢量x_ij：

x_ij＝[G_ij,11,G_ij,21,...,G_ij,Ni1,...,G_ij,MQ]^T

其中，T表示转置，G_ij,11表示G_ij中的第1行第1列的元素，G_ij,21表示G_ij中的第2行第1列的元素，G_ij,Ni1表示G_ij中的第N_i行第1列的元素，G_ij,MQ表示G_ij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：

其中，总体谱图均值为

第i类目标的谱图均值为

S4、求取协方差矩阵前r个最大非零特征值λ₁,λ₂,...,λ_r对应的特征向量u₁,u₂,...,u_r构成加权主分量子空间W_p＝[λ₁u₁,λ₂u₂,...,λ_ru_r]，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x_ij、总体谱图均值μ和第i类的谱图均值μ_i投影到加权主分量子空间得到

和

根据所有训练样本的谱图加权主分量投影矢量

计算类内散度矩阵S_w和类间散度矩阵S_b：

对

矩阵进行奇异值分解，对于5类问题，取4个非零特征值η₁、η₂、η₃、η₄对应的特征向量v₁、v₂、v₃、v₄组成加权线性判别子空间W_l＝[η₁v₁,η₂v₂,...,η₄v₄]；

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x_t向W_opt投影：

其中，y_t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S_ij(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,...,N_i，N_i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S_ij(t)进行短时傅里叶变换，得到目标的时频谱F_ij(t,ω)：

F_ij(t,ω)＝[D_ij(t₁,ω),D_ij(t₂,ω),...,D_ij(t_Q,ω)]

其中

t_s＝t₁,t₂…t_Q

其中，D_ij(t_s,ω)表示信号在t_s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G_ij表示为：

G_ij＝|F_ij(t,ω)|

设信号长度为P，谱图G_ij的维数表示为M×Q，

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G_ij中的元素按列方式组成一个大小为M×Q维的列矢量x_ij：

其中，T表示转置，G_ij,11表示G_ij中的第1行第1列的元素，G_ij,21表示G_ij中的第2行第1列的元素，

表示G_ij中的第N_i行第1列的元素，G_ij,MQ表示G_ij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：

其中，总体谱图均值为

第i类目标的谱图均值为

S4、求取协方差矩阵前r个最大非零特征值λ₁,λ₂,...,λ_r对应的特征向量u₁,u₂,...,u_r构成加权主分量子空间W_p＝[λ₁u₁,λ₂u₂,...,λ_ru_r]，将微多普勒谱图对应的列矢量x_ij、总体谱图均值μ和第i类的谱图均值μ_i投影到加权主分量子空间得到

和

根据所有训练样本的谱图加权主分量投影矢量

计算类内散度矩阵S_w和类间散度矩阵S_b：

对

矩阵进行奇异值分解，对于5类问题，取4个非零特征值η₁、η₂、η₃、η₄对应的特征向量v₁、v₂、v₃、v₄组成加权线性判别子空间W_l＝[η₁v₁,η₂v₂,...,η₄v₄]；

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x_t向W_opt投影：

其中，y_t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。