CN113359847B - 基于无线电遥感技术的无人机反制方法、系统和存储介质 - Google Patents
基于无线电遥感技术的无人机反制方法、系统和存储介质 Download PDFInfo
- Publication number
- CN113359847B CN113359847B CN202110761881.9A CN202110761881A CN113359847B CN 113359847 B CN113359847 B CN 113359847B CN 202110761881 A CN202110761881 A CN 202110761881A CN 113359847 B CN113359847 B CN 113359847B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- remote sensing
- flying object
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005516 engineering process Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 208000034699 Vitreous floaters Diseases 0.000 claims description 25
- 230000033001 locomotion Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000007667 floating Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims 1
- 238000010606 normalization Methods 0.000 description 4
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical group C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 240000008791 Antiaris toxicaria Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于无线电遥感技术的无人机反制方法、系统和存储介质，所述方法包括：通过无线电遥感技术实时探测预设空域内的数据信息；如果探测到不明飞行物体，则监测该不明飞行物体在预设时间段的飞行轨迹；采集所述预设时间段的环境参数信息，所述环境参数信息至少包括风力信息、风向信息；通过神经网络机器学习模块判断所述不明飞行物体的飞行轨迹是否受到上述环境参数信息的制约；如果不受制约，则判定所述不明飞行物体为无人机，并对所述无人机采取反制措施。本发明能够基于无线遥感技术实现对无人机的自动化识别，进而便于执行对无人机的反制措施。
Description
技术领域
本发明涉及无人机技术领域，尤其涉及一种基于无线电遥感技术的无人机反制方法、系统和存储介质。
背景技术
目前，随着无人机技术逐渐成熟，制造成本和进入门槛降低，消费级无人机市场已经爆发，而民用无人机市场处于爆发前夜。国家对民用无人机还没有形成权威的技术质量标准，这无形中拉低了国内民用无人机竞争门槛和性能保障。随着民用无人机市场的高速发展，城市低空防御系统需求越来越紧迫。
无人机虽然在高空拍摄、空中挂载等使用上给使用者带来方便，同时也给群众和执法人员带来很大的麻烦和安全隐患。为此各国已经对相应的无人机飞行规则进行了限制，并成立了相关管理部门，但这并未有效的防范无人机对社会安全的侵害。
针对上述问题，需要对无人机进行反制，以便进一步排除非法飞行的无人机。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于无线电遥感技术的无人机反制方法、系统和存储介质，实现在禁飞区对非法无人机的有效反制。
本发明第一方面提出了一种基于无线电遥感技术的无人机反制方法，所述方法包括：
通过无线电遥感技术实时探测预设空域内的数据信息；
如果探测到不明飞行物体，则监测该不明飞行物体在预设时间段的飞行轨迹；
采集所述预设时间段的环境参数信息，所述环境参数信息至少包括风力信息、风向信息；
通过神经网络机器学习模块判断所述不明飞行物体的飞行轨迹是否受到上述环境参数信息的制约，如果受到制约，则判定所述不明飞行物体为漂浮物，则不予反制处理；
如果不受制约，则判定所述不明飞行物体为无人机，并对所述无人机采取反制措施。
本方案中，通过神经网络机器学习模块判断所述不明飞行物体的飞行轨迹是否受到上述环境参数信息的制约，具体包括：
根据预设时间段内的环境参数信息在神经网络模拟器中形成模拟场景；
模拟漂浮物所述模拟场景下的运动轨迹；
将所述运动轨迹与上述飞行轨迹进行对比分析，得到第一相似度；
判断所述第一相似度是否大于第一预设阈值；
如果所述第一相似度大于等于第一预设阈值，则判定该不明飞行物体为漂浮物，如果所述第一相似度小于第一预设阀值，则判定该不明飞行物体为无人机。
本方案中，在将所述运动轨迹与上述飞行轨迹进行对比分析之后，所述方法还包括：
如果所述第一相似度小于第一预设阀值，监测不明飞行物体的高度；
将不明飞行物体的高度与预设高度阈值进行比对，如果超过预设高度阈值，则否定为无人机；
如果未超过预设高度阈值，则继续通过远距离红外测温仪探测不明飞行物体的温度；
如果所述温度在预设温度区间，则判定所述不明飞行物体为鸟类，反之，则判定所述不明飞行物体为疑似无人机。
本方案中，在判定所述不明飞行物体为疑似无人机之后，所述方法还包括：
对无线电遥感技术实时探测预设空域的数据信息进行分析处理，得到所述预设空域对应的遥感图像；
根据遥感跟踪算法跟踪目标物体，所述目标物体包括漂浮物、鸟类和疑似无人机，并在遥感图像中标记出漂浮物、鸟类和疑似无人机图标。
本方案中，根据遥感跟踪算法跟踪目标物体，具体包括：
获取连续多帧遥感图像，并提取多帧遥感图像特征目标；
利用高斯分布建立图像运动模型，根据灰度投影法提取目标特征，匹配运动图像帧间的特征点，得到多帧图像的轮廓跟踪目标；
基于得到的轮廓跟踪目标，根据公式
求解目标函数权重
，根据目标函数权重
，在视觉传达下对多帧图像实施特征目标跟踪；其中，
表示图像的轮廓标记，
表示图像帧标记，M表示某帧图像中的轮廓线数量，
表示图像轮廓线，
表示跟踪标记，
表示图像轮廓线
分配跟踪标记
的概率。
本方案中，在得到所述预设空域对应的遥感图像之后，所述方法还包括：
在遥感图像上的疑似无人机区域，通过图像轮廓提取算法提取疑似无人机区域轮廓；
通过大数据平台收集当前的全部无人机类型；
将所述疑似无人机区域轮廓遍历全部无人机类型，并进行一一对比，计算得到所述疑似无人机区域轮廓与各个无人机类型的第二相似度；
判断所述疑似无人机区域轮廓与各个无人机类型的第二相似度是否存在大于等于第二预设阈值，如果存在，则提取出对应的无人机类型，并核准该疑似无人机为无人机，然后根据对应的无人机类型确定出适配的无线电通信频率；
根据所述无线电通信频率模拟出针对该无人机的干扰信号，实现对该无人机的反制。
本方案中，在遥感图像中标记出漂浮物、鸟类和疑似无人机图标之后，所述方法还包括：
接收更新的遥感图像；
将更新的遥感图像与原来的遥感图像进行对比；
在更新的遥感图像中判断是否出现新的未标记的不明飞行物体，如果出现，则启动不明飞行物体的判别流程。
本发明第二方面还提出一种基于无线电遥感技术的无人机反制系统，包括存储器和处理器，所述存储器中包括基于无线电遥感技术的无人机反制方法程序，所述基于无线电遥感技术的无人机反制方法程序被所述处理器执行时实现如下步骤：通过无线电遥感技术实时探测预设空域内的数据信息；
如果探测到不明飞行物体，则监测该不明飞行物体在预设时间段的飞行轨迹；
采集所述预设时间段的环境参数信息，所述环境参数信息至少包括风力信息、风向信息；
通过神经网络机器学习模块判断所述不明飞行物体的飞行轨迹是否受到上述环境参数信息的制约，如果受到制约，则判定所述不明飞行物体为漂浮物，则不予反制处理；
如果不受制约，则判定所述不明飞行物体为无人机，并对所述无人机采取反制措施。
本方案中，通过神经网络机器学习模块判断所述不明飞行物体的飞行轨迹是否受到上述环境参数信息的制约，具体包括：
根据预设时间段内的环境参数信息在神经网络模拟器中形成模拟场景；
模拟漂浮物所述模拟场景下的运动轨迹；
将所述运动轨迹与上述飞行轨迹进行对比分析，得到第一相似度；
判断所述第一相似度是否大于第一预设阈值；
如果所述第一相似度大于等于第一预设阈值，则判定该不明飞行物体为漂浮物，如果所述第一相似度小于第一预设阀值，则判定该不明飞行物体为无人机。
本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于无线电遥感技术的无人机反制方法程序，所述基于无线电遥感技术的无人机反制方法程序被处理器执行时，实现如上述的一种基于无线电遥感技术的无人机反制方法的步骤。
本发明提供一种基于无线电遥感技术的无人机反制方法、系统和存储介质，通过无线遥感技术实现对禁飞区内无人机的自动化识别，进而便于执行对无人机的反制措施。
本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1示出了本发明一种基于无线电遥感技术的无人机反制方法的流程图；
图2示出了本发明一种基于无线电遥感技术的无人机反制系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于无线电频谱识别的无人机侦测方法的流程图。
如图1所示，本发明第一方面提出一种基于无线电遥感技术的无人机反制方法，所述方法包括：
S102，通过无线电遥感技术实时探测预设空域内的数据信息；
S104，如果探测到不明飞行物体，则监测该不明飞行物体在预设时间段的飞行轨迹；
S106，采集所述预设时间段的环境参数信息，所述环境参数信息至少包括风力信息、风向信息；
S108，通过神经网络机器学习模块判断所述不明飞行物体的飞行轨迹是否受到上述环境参数信息的制约，如果受到制约，则判定所述不明飞行物体为漂浮物，则不予反制处理；
S110，如果不受制约，则判定所述不明飞行物体为无人机，并对所述无人机采取反制措施。
需要说明的是，本发明的无线电遥感技术为远距离的探测技术。运用遥感器在远离目标和非接触目标物体条件下，对物体的电磁波的辐射或反射特性的探测，获取其反射、辐射或散射的电磁波信息（如电场、磁场、电磁波等信息），然后对该电磁波信息进行提取、判定、加工处理，以分析得到预设空域是否有飞行物体，以及飞行物体的状态。
需要说明的是，所述漂浮物是指容易收到风力或浮力影响的物体，例如轻薄的塑料袋、氢气球等。可以理解，如果监测到不明飞行物体随着风向漂浮，则可以认定该不明飞行物体为漂浮物。
根据本发明的实施例，对所述无人机采取反制措施，具体包括：
采用激光手段或无线电干扰手段对所述无人机进行反制；
所述激光手段：通过发射激光对准低小慢的无人机，直接烧毁无人机，所述低小慢的无人机是指飞行高度较低，尺寸较小、飞行速度较慢的无人机；
所述无线电干扰手段：利用发射覆盖宽带的噪声信号干扰飞控信号的整个工作频段以及GPS导航信号，到底使无人机驱离禁飞区域或者迫使无人机降落。
可以理解，对于低小慢的无人机可以采用激光准确锁定目标，且由于无人机尺寸较小，烧毁后的无人机不易有过多的残留物落在地面，进而减少对地面的二次伤害。另外，由于无人机大多使用跳频通信技术进行飞行控制，并且接收GPS信号进行导航，因此可以利用发射覆盖宽带的噪声信号干扰飞控信号的整个工作频段以及GPS导航信号，到底使无人机驱离禁飞区域或者迫使无人机降落。
根据本发明的实施例，通过神经网络机器学习模块判断所述不明飞行物体的飞行轨迹是否受到上述环境参数信息的制约，具体包括：
根据预设时间段内的环境参数信息在神经网络模拟器中形成模拟场景；
模拟漂浮物所述模拟场景下的运动轨迹；
将所述运动轨迹与上述飞行轨迹进行对比分析，得到第一相似度；
判断所述第一相似度是否大于第一预设阈值；
如果所述第一相似度大于等于第一预设阈值，则判定该不明飞行物体为漂浮物，如果所述第一相似度小于第一预设阀值，则判定该不明飞行物体为无人机。
根据本发明的实施例，所述漂浮物包括塑料袋、气球、纸张；
分别模拟多种漂浮物在所述模拟场景下的运动轨迹；
并将所述飞行轨迹分别与各种漂浮物的运动轨迹进行对比分析，并得到对应的相似度值；
如果有一个或一个以上相似度值大于等于第一预设阈值，则判定该不明飞行物体为漂浮物，如果所有相似度值小于第一预设阀值，则判定不明飞行物体为无人机。
根据本发明的实施例，在将所述运动轨迹与上述飞行轨迹进行对比分析之后，所述方法还包括：
如果所述第一相似度小于第一预设阀值，监测不明飞行物体的高度；
将不明飞行物体的高度与预设高度阈值进行比对，如果超过预设高度阈值，则否定为无人机；
如果未超过预设高度阈值，则继续通过远距离红外测温仪探测不明飞行物体的温度；
如果所述温度在预设温度区间，则判定所述不明飞行物体为鸟类，反之，则判定所述不明飞行物体为疑似无人机。
需要说明的是，一般无人机受控于地面控制器的无线电信号影响，无法飞到较高的高度，因此，本发明在监测到不明飞行物体后，可以通过超声波、雷达等方式测量所述不明飞行物体的高度，并通过设定高度阈值，一旦超出该高度阈值，则排除无人机的可能，此时不明飞行物体可能是更高飞行的飞机或热气球等。如果不明飞行物体未超过预设高度阈值，则需要进一步排除鸟类的干扰，由于鸟类的体温一般维持在36度至42度之间，所以本发明可以进一步通过远距离红外测温仪探测不明飞行物体的温度，如果探测得到的温度在鸟类的体温区间，则判定该不明飞行物体为鸟类，否者，可以判定所述不明飞行物体为疑似无人机，后续可以通过其它手段进一步核实疑似无人机的身份。
根据本发明的实施例，在判定所述不明飞行物体为疑似无人机之后，所述方法还包括：
对无线电遥感技术实时探测预设空域的数据信息进行分析处理，得到所述预设空域对应的遥感图像；
根据遥感跟踪算法跟踪目标物体，所述目标物体包括漂浮物、鸟类和疑似无人机，并在遥感图像中标记出漂浮物、鸟类和疑似无人机图标。
根据本发明的实施例，根据遥感跟踪算法跟踪目标物体，具体包括：
获取连续多帧遥感图像，并提取多帧遥感图像特征目标；
根据本发明的具体实施例，提取多帧遥感图像特征目标，具体包括如下步骤：
假设输入校正后的灰度图像为
，多帧遥感图像的两个特征：灰度细节塔
和细节金字塔
用多尺度描述，对多帧遥感图像进行多帧处理用尺度差分法代替卷积过程，其公式为：
；其中
是特征对比度测量值，
是影响遥感图像的目标范围大小，
是影响遥感图像的抑制区域大小；
在提取多帧遥感图像灰度和细节特征的目标特征时，需要设定
和
代表
插值和
尺度的目标范围，得出公式为：
设定
作为第
帧遥感图像中
像素的灰度值，
作为
帧遥感图像之间的平移估计，
作为k+m帧遥感图像之间的平移估计，按照平移估计值合理运算出
帧遥感图像的特征目标，其表达式为：
在此基础上，利用归一化函数
，定义一组加权因子
、
以及
，并充分结合特征显著性图像和加权因子，统一实现多个显著性图像的尺度，能够获得公式：
其中，
表示张量和运算符号，
代表灰度特征显著图的归一化函数，
代表细节特征显著图的归一化函数，
代表运动特征显著图的归一化函数，最终提取到多帧图像特征值为
；利用
结果提取出具有目标特征的多帧遥感图像，通过上述步骤，完成多帧遥感图像特征目标的提取。
利用高斯分布建立图像运动模型，根据灰度投影法提取目标特征，匹配运动图像帧间的特征点，得到多帧图像的轮廓跟踪目标；
根据本发明的具体实施例，在对视觉传达下多帧图像特征目标跟踪的过程中，根据所获特征目标及多帧图像背景高斯分布的参数模型，实时匹配多帧图像的特征点，获得多帧遥感图像的轮廓轨迹跟踪目标；具体流程如下：
设定图像帧内各个像素的灰度值符合均值
与标准差
的分布，且每一个像素的高斯分布具有独立性；对多帧图像内每个像素构建高斯背景模型，其表达式如下：
上述模型中，p是多帧图像背景中的每个像素，
的是像素灰度值的预期值，
是像素灰度值分布的方差，
是运动图像中没有用于初始学习的前景帧的帧数；
代表运动图像内的像素p；
由高斯背景模型对视觉传达下运动图像的像素分布参数进行实时更新，更新的公式为：
其中，
和
作为t域像素点p灰度值的均值和方差，
作为更新率；预设图像中运动对象模型的速度是一个变量，运动区域外矩形框左上角和右下角坐标系中运动模型的速度也是一个变量，提供一个
滤波器，在
滤波器内，状态方程的公式为：
上述式中，
是K帧图像中K+1帧图像位置的一步预测和估计值；
是K帧图像的位置滤波和估计值；T是图像帧之间的时间间隔。在
滤波器内，状态滤波器的方程式为：
上述式中，
，并且，
、
以及
是滤波器的结构参数；通过上述
滤波器，能够有效地滤除运动图像帧中处于运动状态的对象。
基于得到的轮廓跟踪目标，根据公式
求解目标函数权重
，根据目标函数权重
，在视觉传达下对多帧图像实施特征目标跟踪；其中，
表示图像的轮廓标记，
表示图像帧标记，M表示某帧图像中的轮廓线数量，
表示图像轮廓线，
表示跟踪标记，
表示图像轮廓线
分配跟踪标记
的概率。
可以理解，上述目标函数权重
是根据相应的图像轮廓线的面积与所有前视轮廓的总面积之比来确定的。根据权值结果，在视觉传达下对多帧图像实施特征目标跟踪，由此实现多帧图像特征目标跟踪。
可以理解，本发明为了提取多帧遥感图像的目标特征，首先需要对多帧遥感图像的灰度和细节特征进行小波分析，然后利用灰度投影法提取多帧遥感图像的目标特征，用图像目标前景和图像目标背景的分类问题代替多帧的特征跟踪问题，分离图像目标前景和图像目标背景范围的系数，根据图像特征分布方差的比值函数判断目标前景和目标背景范围。
根据本发明的实施例，在得到所述预设空域对应的遥感图像之后，所述方法还包括：
在遥感图像上的疑似无人机区域，通过图像轮廓提取算法提取疑似无人机区域轮廓；
通过大数据平台收集当前的全部无人机类型；
将所述疑似无人机区域轮廓遍历全部无人机类型，并进行一一对比，计算得到所述疑似无人机区域轮廓与各个无人机类型的第二相似度；
判断所述疑似无人机区域轮廓与各个无人机类型的第二相似度是否存在大于等于第二预设阈值，如果存在，则提取出对应的无人机类型，并核准该疑似无人机为无人机，然后根据对应的无人机类型确定出适配的无线电通信频率；
根据所述无线电通信频率模拟出针对该无人机的干扰信号，实现对该无人机的反制。
根据本发明的实施例，在遥感图像中标记出漂浮物、鸟类和疑似无人机图标之后，所述方法还包括：
接收更新的遥感图像；
将更新的遥感图像与原来的遥感图像进行对比；
在更新的遥感图像中判断是否出现新的未标记的不明飞行物体，如果出现，则启动不明飞行物体的判别流程。
可以理解，所述判别流程将重复以上关于不明飞行物体的具体判别流程。在此不再赘述。
根据本发明的实施例，通过图像轮廓提取算法提取疑似无人机区域轮廓，具体包括：
首先对遥感图像进行去雾处理，得到无雾的遥感图像；
可以理解，由于受到大气中雾霾细小颗粒、水蒸气等杂质影响，遥感器直接拍摄得到的瓦片图像会出现模糊、不清晰的现象，如果直接训练模型和测试不容易取得理想的结果，因此为了避免这种不良影响，首先要对采集的遥感图像进行预处理，例如去雾处理。
对无雾的遥感图像运用Gabor小波算法对其进行特征提取；该步骤可以将遥感图像中的因为角度或者光照等原因造成数据被污染的情况，经过Gabor小波处理后的遥感图像在一定程度上更加清晰和完整。
将FLBP算法与经过Gabor小波处理的遥感图像结合，该算法是通过相似度函数获取标准的轮廓，当该遥感图像目标轮廓存在不连续的情况，那么该目标区域的相似度则低于0.5，则此处的FLBP值为0，反之则为1；后将该特征提取后的信息存放到矩阵当中，用来判别边缘的连续状况；
明确区域轮廓出现较大差异之后，选择该处区域任意端点视为8领域中心像素，后将该处的中心点及其领域8个像素的灰度值转化为二进制编码，算出该中心点FLBP的数值。对比其他区域的FLBP的值，若FLBP值出现最明显的差别的时候，那么这个端点则视为最新的标记端点，连接上一端点完成轮廓的部分连接；
重复以上步骤，将该遥感图像的目标轮廓完整的连接，直至遍历的端点出现重复，则意味着整幅遥感图像的目标轮廓均被提取出来。
根据本发明的实施例，模糊局部二值模式(fuzzy local binary pattern，FLBP)算法公式为：
其中，
表示与中心像素点距离都是M像素并且固定半径为R的区域内；局部二值编码
定义为：
其中
是是结合模糊数学之后领域像素对中心像素的隶属度；
其中
表示的是中心像素的像素值，
表示的是某一位置的像素值，
和
则代表该区域内像素最大值与最小值。
需要说明的是，Gabor小波的原理与人类视觉系统中细胞对外界的刺激应对十分相似，Gabor小波对某一遥感图像的边缘十分敏感，在运用Gabor小波对图片进行特征提取的时候可以提供很好的方向选择和尺度选择性，而且Gabor小波对光照的变化不敏感，所以它对光照也具有不错的适应性，将模糊局部二值模式FLBP与Gabor小波进行结合，在运用Gabor小波算法的情况之下，对于特征提取的遥感图像再运用模糊局部二值法对其分析，得到更加清晰且连贯的轮廓。
图2示出了本发明一种基于无线电遥感技术的无人机反制系统的框图。
如图2所示，本发明第二方面还提出一种基于无线电遥感技术的无人机反制系统2，包括存储器21和处理器22，所述存储器21中包括基于无线电遥感技术的无人机反制方法程序，所述基于无线电遥感技术的无人机反制方法程序被所述处理器22执行时实现如下步骤：通过无线电遥感技术实时探测预设空域内的数据信息；
如果探测到不明飞行物体，则监测该不明飞行物体在预设时间段的飞行轨迹；
采集所述预设时间段的环境参数信息，所述环境参数信息至少包括风力信息、风向信息；
通过神经网络机器学习模块判断所述不明飞行物体的飞行轨迹是否受到上述环境参数信息的制约，如果受到制约，则判定所述不明飞行物体为漂浮物，则不予反制处理；
如果不受制约，则判定所述不明飞行物体为无人机，并对所述无人机采取反制措施。
根据本发明的实施例，通过神经网络机器学习模块判断所述不明飞行物体的飞行轨迹是否受到上述环境参数信息的制约，具体包括：
根据预设时间段内的环境参数信息在神经网络模拟器中形成模拟场景；
模拟漂浮物所述模拟场景下的运动轨迹；
将所述运动轨迹与上述飞行轨迹进行对比分析，得到第一相似度；
判断所述第一相似度是否大于第一预设阈值；
如果所述第一相似度大于等于第一预设阈值，则判定该不明飞行物体为漂浮物，如果所述第一相似度小于第一预设阀值，则判定该不明飞行物体为无人机。
本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于无线电遥感技术的无人机反制方法程序，所述基于无线电遥感技术的无人机反制方法程序被处理器执行时，实现如上述的一种基于无线电遥感技术的无人机反制方法的步骤。
本发明提供一种基于无线电遥感技术的无人机反制方法、系统和存储介质，通过无线遥感技术实现对禁飞区内无人机的自动化识别，进而便于执行对无人机的反制措施。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种基于无线电遥感技术的无人机反制方法，其特征在于，所述方法包括：
通过无线电遥感技术实时探测预设空域内的数据信息；
如果探测到不明飞行物体，则监测该不明飞行物体在预设时间段的飞行轨迹；
采集所述预设时间段的环境参数信息，所述环境参数信息至少包括风力信息和风向信息；
通过神经网络机器学习模块判断所述不明飞行物体的飞行轨迹是否受到上述环境参数信息的制约；
如果不受制约，则判定所述不明飞行物体为无人机，并对所述无人机采取反制措施；
所述通过神经网络机器学习模块判断所述不明飞行物体的飞行轨迹是否受到上述环境参数信息的制约，具体包括：
根据预设时间段内的环境参数信息在神经网络模拟器中形成模拟场景；
模拟漂浮物所述模拟场景下的运动轨迹；
将所述运动轨迹与上述飞行轨迹进行对比分析，得到第一相似度；
判断所述第一相似度是否大于第一预设阈值；
如果所述第一相似度大于等于第一预设阈值，则判定该不明飞行物体为漂浮物，如果所述第一相似度小于第一预设阈值，则判定该不明飞行物体为无人机；
在将所述运动轨迹与上述飞行轨迹进行对比分析之后，还包括：
如果所述第一相似度小于第一预设阈值，监测不明飞行物体的高度；
将不明飞行物体的高度与预设高度阈值进行比对，如果超过预设高度阈值，则否定为无人机；
如果未超过预设高度阈值，则继续通过远距离红外测温仪探测不明飞行物体的温度；
如果所述温度在预设温度区间，则判定所述不明飞行物体为鸟类，反之，则判定所述不明飞行物体为疑似无人机；
在判定所述不明飞行物体为疑似无人机之后，还包括：
对无线电遥感技术实时探测预设空域的数据信息进行分析处理，得到所述预设空域对应的遥感图像；
根据遥感跟踪算法跟踪目标物体，所述目标物体包括漂浮物、鸟类和疑似无人机，并在遥感图像中标记出漂浮物、鸟类和疑似无人机图标；
在得到所述预设空域对应的遥感图像之后，还包括：
在遥感图像上的疑似无人机区域，通过图像轮廓提取算法提取疑似无人机区域轮廓；
通过大数据平台收集当前的全部无人机类型；
将所述疑似无人机区域轮廓遍历全部无人机类型，并进行一一对比，计算得到所述疑似无人机区域轮廓与各个无人机类型的第二相似度；
判断所述疑似无人机区域轮廓与各个无人机类型的第二相似度是否存在大于等于第二预设阈值，如果存在，则提取出对应的无人机类型，并核准该疑似无人机为无人机，然后根据对应的无人机类型确定出适配的无线电通信频率；
根据所述无线电通信频率模拟出针对该无人机的干扰信号，实现对该无人机的反制。
2.根据权利要求1所述的一种基于无线电遥感技术的无人机反制方法，其特征在于，根据遥感跟踪算法跟踪目标物体，具体包括：
获取连续多帧遥感图像，并提取多帧遥感图像特征目标；
利用高斯分布建立图像运动模型，根据灰度投影法提取目标特征，匹配运动图像帧间的特征点，得到多帧图像的轮廓跟踪目标；
基于得到的轮廓跟踪目标，根据公式
求解目标函数权重ci，根据目标函数权重ci，在视觉传达下对多帧图像实施特征目标跟踪；其中，F表示图像的轮廓标记，i表示图像帧标记，M表示某帧图像中的轮廓线数量，
表示图像轮廓线，ωi表示跟踪标记，
表示图像轮廓线
分配跟踪标记ωi的概率；所述目标函数权重ci根据相应图像轮廓线的面积与所有前视轮廓的总面积之比获得。
3.根据权利要求1所述的一种基于无线电遥感技术的无人机反制方法，其特征在于，在遥感图像中标记出漂浮物、鸟类和疑似无人机图标之后，所述方法还包括：
接收更新的遥感图像；
将更新的遥感图像与原来的遥感图像进行对比；
在更新的遥感图像中判断是否出现新的未标记的不明飞行物体，如果出现，则启动不明飞行物体的判别流程。
4.一种基于无线电遥感技术的无人机反制系统，其特征在于，包括存储器和处理器，所述存储器中包括基于无线电遥感技术的无人机反制方法程序，所述基于无线电遥感技术的无人机反制方法程序被所述处理器执行时实现如下步骤：
通过无线电遥感技术实时探测预设空域内的数据信息；
如果探测到不明飞行物体，则监测该不明飞行物体在预设时间段的飞行轨迹；
采集所述预设时间段的环境参数信息，所述环境参数信息至少包括风力信息和风向信息；
通过神经网络机器学习模块判断所述不明飞行物体的飞行轨迹是否受到上述环境参数信息的制约；
如果不受制约，则判定所述不明飞行物体为无人机，并对所述无人机采取反制措施；
所述通过神经网络机器学习模块判断所述不明飞行物体的飞行轨迹是否受到上述环境参数信息的制约，具体包括：
根据预设时间段内的环境参数信息在神经网络模拟器中形成模拟场景；
模拟漂浮物所述模拟场景下的运动轨迹；
将所述运动轨迹与上述飞行轨迹进行对比分析，得到第一相似度；
判断所述第一相似度是否大于第一预设阈值；
如果所述第一相似度大于等于第一预设阈值，则判定该不明飞行物体为漂浮物，如果所述第一相似度小于第一预设阈值，则判定该不明飞行物体为无人机；
在将所述运动轨迹与上述飞行轨迹进行对比分析之后，还包括：
如果所述第一相似度小于第一预设阈值，监测不明飞行物体的高度；
将不明飞行物体的高度与预设高度阈值进行比对，如果超过预设高度阈值，则否定为无人机；
如果未超过预设高度阈值，则继续通过远距离红外测温仪探测不明飞行物体的温度；
如果所述温度在预设温度区间，则判定所述不明飞行物体为鸟类，反之，则判定所述不明飞行物体为疑似无人机；
在判定所述不明飞行物体为疑似无人机之后，还包括：
对无线电遥感技术实时探测预设空域的数据信息进行分析处理，得到所述预设空域对应的遥感图像；
根据遥感跟踪算法跟踪目标物体，所述目标物体包括漂浮物、鸟类和疑似无人机，并在遥感图像中标记出漂浮物、鸟类和疑似无人机图标；
在得到所述预设空域对应的遥感图像之后，还包括：
在遥感图像上的疑似无人机区域，通过图像轮廓提取算法提取疑似无人机区域轮廓；
通过大数据平台收集当前的全部无人机类型；
将所述疑似无人机区域轮廓遍历全部无人机类型，并进行一一对比，计算得到所述疑似无人机区域轮廓与各个无人机类型的第二相似度；
判断所述疑似无人机区域轮廓与各个无人机类型的第二相似度是否存在大于等于第二预设阈值，如果存在，则提取出对应的无人机类型，并核准该疑似无人机为无人机，然后根据对应的无人机类型确定出适配的无线电通信频率；
根据所述无线电通信频率模拟出针对该无人机的干扰信号，实现对该无人机的反制。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种基于无线电遥感技术的无人机反制方法程序，所述基于无线电遥感技术的无人机反制方法程序被处理器执行时，实现如权利要求1至3中任一项所述的一种基于无线电遥感技术的无人机反制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110761881.9A CN113359847B (zh) | 2021-07-06 | 2021-07-06 | 基于无线电遥感技术的无人机反制方法、系统和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110761881.9A CN113359847B (zh) | 2021-07-06 | 2021-07-06 | 基于无线电遥感技术的无人机反制方法、系统和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113359847A CN113359847A (zh) | 2021-09-07 |
| CN113359847B true CN113359847B (zh) | 2022-03-11 |
Family
ID=77538395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110761881.9A Active CN113359847B (zh) | 2021-07-06 | 2021-07-06 | 基于无线电遥感技术的无人机反制方法、系统和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113359847B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI814544B (zh) * | 2022-08-18 | 2023-09-01 | 中華電信股份有限公司 | 基於無人機的飛行點位來產生飛行最佳軌跡的電子裝置及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105468018A (zh) * | 2015-11-26 | 2016-04-06 | 北京航天科颐技术有限公司 | 一种无人机目标特性模拟系统 |
| CN107016690A (zh) * | 2017-03-06 | 2017-08-04 | 浙江大学 | 基于视觉的无人机入侵检测与识别系统及方法 |
| CN109116861A (zh) * | 2017-06-23 | 2019-01-01 | 无锡飞天侠科技有限公司 | 一种无人机地面控制系统 |
| CN112763976A (zh) * | 2021-04-07 | 2021-05-07 | 理工全盛(北京)科技有限公司 | 一种黑飞无人机飞手定位系统及方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL178221A0 (en) * | 2006-09-20 | 2008-01-20 | Elta Systems Ltd | Active protection method and system |
| CN106774422A (zh) * | 2017-02-28 | 2017-05-31 | 成都紫瑞青云航空宇航技术有限公司 | 一种无人机识别方法及系统 |
| CN108319287A (zh) * | 2018-03-16 | 2018-07-24 | 广东容祺智能科技有限公司 | 一种无人机智能躲避飞行物的系统及其方法 |
| US11472550B2 (en) * | 2018-10-03 | 2022-10-18 | Sarcos Corp. | Close proximity countermeasures for neutralizing target aerial vehicles |
| US11465741B2 (en) * | 2018-10-03 | 2022-10-11 | Sarcos Corp. | Deployable aerial countermeasures for neutralizing and capturing target aerial vehicles |
| US11440656B2 (en) * | 2018-10-03 | 2022-09-13 | Sarcos Corp. | Countermeasure deployment system facilitating neutralization of target aerial vehicles |
| CN110597264B (zh) * | 2019-09-25 | 2022-08-02 | 中国人民解放军陆军工程大学 | 无人机反制系统 |
| CN112702139A (zh) * | 2020-12-21 | 2021-04-23 | 中交遥感天域科技江苏有限公司 | 一种无人机侦测管控系统 |
-
2021
- 2021-07-06 CN CN202110761881.9A patent/CN113359847B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105468018A (zh) * | 2015-11-26 | 2016-04-06 | 北京航天科颐技术有限公司 | 一种无人机目标特性模拟系统 |
| CN107016690A (zh) * | 2017-03-06 | 2017-08-04 | 浙江大学 | 基于视觉的无人机入侵检测与识别系统及方法 |
| CN109116861A (zh) * | 2017-06-23 | 2019-01-01 | 无锡飞天侠科技有限公司 | 一种无人机地面控制系统 |
| CN112763976A (zh) * | 2021-04-07 | 2021-05-07 | 理工全盛(北京)科技有限公司 | 一种黑飞无人机飞手定位系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 低慢小无人机目标探测技术综述;蒋镕圻 等;《飞航导弹》;20200910(第09期);第100-105页 * |
| 天空背景下弱小目标检测与跟踪方法研究;黎航;《中国硕士学位论文全文数据库工程科技Ⅱ辑》;20200615;第C032-25页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113359847A (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110244322B (zh) | 基于多源传感器的路面施工机器人环境感知系统及方法 | |
| US10984532B2 (en) | Joint deep learning for land cover and land use classification | |
| EP3614308B1 (en) | Joint deep learning for land cover and land use classification | |
| CN112037266B (zh) | 一种下落物体的识别方法、装置、终端设备及存储介质 | |
| Modava et al. | Hierarchical coastline detection in SAR images based on spectral‐textural features and global–local information | |
| Hassaan et al. | Precision forestry: trees counting in urban areas using visible imagery based on an unmanned aerial vehicle | |
| CN112445241A (zh) | 一种基于无人机遥感技术的地表植被识别方法、系统及可读存储介质 | |
| CN116311078A (zh) | 一种林火分析及监测方法、系统 | |
| CN110660065A (zh) | 一种红外故障检测识别算法 | |
| CN109784479A (zh) | 基于神经网络的闸杆防砸方法、系统、设备及存储介质 | |
| CN109859202A (zh) | 一种基于usv水面光学目标跟踪的深度学习检测方法 | |
| CN113359847B (zh) | 基于无线电遥感技术的无人机反制方法、系统和存储介质 | |
| CN113112510A (zh) | 一种语义分割的森林火灾检测方法、控制器及存储介质 | |
| Der et al. | Probe-based automatic target recognition in infrared imagery | |
| CN117808689A (zh) | 基于毫米波雷达与摄像头融合的深度补全方法 | |
| CN110969642B (zh) | 视频过滤方法、装置、电子设备及存储介质 | |
| CN116246139A (zh) | 一种无人艇航行环境基于多传感器融合的目标识别方法 | |
| CN108563986B (zh) | 基于远距离拍摄图像的震区电线杆姿态判断方法和系统 | |
| Haiyang et al. | Earthquake-collapsed building extraction from LiDAR and aerophotograph based on OBIA | |
| CN114120150A (zh) | 一种基于无人机成像技术的道路目标检测方法 | |
| CN114332644A (zh) | 一种基于视频卫星数据的大视场交通密度获取方法 | |
| CN112215902B (zh) | 仿鹰眼中脑回路返回抑制机制的无人靶机目标检测方法 | |
| CN110287957B (zh) | 一种低慢小目标的定位方法及定位装置 | |
| KR102259981B1 (ko) | 영상 분석 기반 가시거리 측정 및 경보 시스템 및 방법 | |
| CN116385866B (zh) | 基于sar图像的铁路沿线彩钢房变化检测方法和装置 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: UAV reaction method, system and storage medium based on radio remote sensing technology Effective date of registration: 20220507 Granted publication date: 20220311 Pledgee: Jiangsu SINOSURE technology microfinance Co.,Ltd. Pledgor: CHINA COMMUNICATIONS REMOTE SENSING TIANYU TECHNOLOGY JIANGSU Co.,Ltd. Registration number: Y2022320000210 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20220311 Pledgee: Jiangsu SINOSURE technology microfinance Co.,Ltd. Pledgor: CHINA COMMUNICATIONS REMOTE SENSING TIANYU TECHNOLOGY JIANGSU Co.,Ltd. Registration number: Y2022320000210 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |