CN113866756A - 一种基于mimo雷达的小型无人机目标跟踪方法 - Google Patents

Abstract

本发明具体涉及一种基于MIMO雷达的小型无人机目标跟踪方法，包括：获取目标雷达各个天线阵列的差拍信号；对差拍信号进行range‑FFT处理，以将差拍信号距离维度的时域信号转换到频域上；对range‑FFT处理后的差拍信号进行RFT处理，以校正差拍信号中远距离目标运动带来的距离走动，并实现目标能量单帧相参积累；对RFT处理后的差拍信号进行二维CFAR处理，以实现无人机目标的目标检测并得到目标检测结果；对目标检测结果进行angle‑FFT处理，以提取多帧目标结果；基于多帧目标结果结合粒子滤波算法实现对应无人机目标的持续跟踪。本发明中基于MIMO雷达实现小型无人机目标跟踪的方法，能够保证小型无人机目标检测和跟踪的准确性和效果。

Description

一种基于MIMO雷达的小型无人机目标跟踪方法

技术领域

本发明涉及目标检测技术领域，具体涉及一种基于MIMO雷达的小型无人机目标跟踪方法。

背景技术

小型(旋翼)无人机已被广泛应用于教育科研、航拍、军事、农业、交通等领域，在我们生活中起着至关重要的作用。但是，由于在无人机行业未制定统一的标准和缺乏监管控制措施，无人机违规飞行事件屡屡发生，不仅违反空中交通管制，而且危害国家安全、人民生命财产安全，扰乱社会治安。因此，面对此类无人机目标带来的安全隐患，迫切需要研制出有效的无人机跟踪监视方法，制定出无人机监管控制措施，确保低空空域安全。

现有的无人机目标检测方法主要包括声音感知技术、光学视频检测与跟踪技术、无源雷达探测与定位技术以及有源雷达检测技术。其中，公开号为CN112577481A的中国专利就公开了《一种旋翼无人机地面目标定位方法》，其将经过目标检测算法输出的图像位置信息与无人机的姿态角、高度等信息结合起来，通过坐标转换关系计算出导航坐标系下目标与无人机之间的相对位置信息，结合无人机GPS经纬度信息，计算出目标的绝对位置信息；设计无人机的控制律，实现系统平台的目标定位。

上述现有方案中的旋翼无人机地面目标定位方法实际上是利用光学视频检测与跟踪技术实现小型无人机目标的跟踪。光学视频检测与跟踪技术利用摄像头来获取无人机目标的图像信息，但摄像头视线盲区无法避免，且容易受到黑夜和云雾雨等天气的影响。同时，声音感知技术的音频的获取半径相对较小，难以保证检测与跟踪的效果；而无源雷达探测与定位技术的外辐射源有效辐射功率较低，照射到目标后形成的回波就变得很微弱，且易受干扰和杂波的影响，从而降低检测系统的性能。

申请人发现，有源雷达检测技术利用自身发射装置产生一定频段的电磁波去照射无人机目标并接收目标反射回波信号的方式，使其具有灵敏度高、分辨率好、可进行远距离目标探测、可在所有天气条件下提供环境感知且抗干扰能力强等优势，能够应用于小型无人机目标跟踪。但是，小型无人机属于“低小弱”目标，大多飞行在低空空域，RCS(雷达散射截面)小，雷达接收回波信号弱，无人机目标容易被淹没在杂波中，导致对无人机的检测和跟踪变得困难，普通的有源雷达难以保证无人机目标跟踪的准确性。

然而，申请人发现MIMO雷达对目标回波信号具有去相关性，使得回波平均接收能量趋于恒定，能够对目标RCS进行平滑并改善目标的RCS起伏，进而提高抑制杂波干扰的能力和目标检测跟踪性能，能够保证小型无人机目标检测和跟踪的准确性和效果。因此，如何设计一种基于MIMO雷达实现小型无人机目标跟踪的方法是亟需解决的技术问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种基于MIMO雷达实现小型无人机目标跟踪的方法，从而保证小型无人机目标检测和跟踪的准确性和效果。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于MIMO雷达的小型无人机目标跟踪方法，包括以下步骤：

S1：获取用于检测对应无人机目标的目标雷达各个天线阵列的差拍信号；

S2：对所述差拍信号进行range-FFT处理，以将所述差拍信号距离维度的时域信号转换到频域上；

S3：对range-FFT处理后的所述差拍信号进行RFT处理，以校正所述差拍信号中远距离目标运动带来的距离走动，并实现目标能量单帧相参积累；

S4：对RFT处理后的所述差拍信号进行二维CFAR处理，以实现无人机目标的目标检测，并得到对应的目标检测结果；

S5：对所述目标检测结果进行angle-FFT处理，以提取包含无人机目标的距离信息、速度信息和角度信息的多帧目标结果；

S6：基于所述多帧目标结果结合粒子滤波算法实现对应无人机目标的持续跟踪。

优选的，步骤S1中，目标雷达为两个间隔为2λ的发射天线和四个间隔为λ/2的接收天线组成的MIMO雷达系统；并且，目标雷达的发射角与接收角相等，使得能够形成八个间隔为λ/2的虚拟天线阵列，其中λ表示目标雷达的波长。

优选的，所述差拍信号通过如下公式表示：

式中：S_b表示差拍信号；c表示光速；N表示chirp个数；T_c表示chirp周期；k表示调频斜率；v表示无人机目标相对于目标雷达的速度；R表示无人机目标与目标雷达之间的距离；f₀表示载波频率；n表示接收天线个数；d表示天线阵列间距；θ表示无人机目标相对于目标雷达的方位角。

优选的，步骤S3中，RFT处理的公式如下：

式中：ε表示相对于f(t,r+vt)的已知常数；

无人机目标运动带来的距离走动直线方程如下：

r_s＝r+vt,t∈[-T/2,T/2]；

式中：r表示斜距；v表示在t＝0时刻的径向速度；T表示相干积分时间。

优选的，RFT处理时，在复信号域中，联合利用幅度和相位信息实现连续相干积分，并引入一对多普勒补偿函数H_v(t)和H_θ(t)作为傅里叶积分分量，以抵消不同脉冲之间的相位波动，产生最终的相干峰值，以校正无人机目标运动带来的距离走动。

优选的，一对多普勒补偿函数H_v(t)和H_θ(t)分别表示为：

式中：v表示在t＝0时刻的径向速度；λ表示波长；θ表示极角，表示在t-r_s平面上距离走动线到t轴的逆时针夹角；c表示光速；j表示复数的虚部；g表示阵列间隔引入的波程差。

优选的，步骤S4中，二维CFAR处理包括参考单元、保护单元和检测单元。参考单元用于估计噪声功率，保护单元用于使得平均干扰功率估计值更精确，检测单元用于判决目标的距离-多普勒维数据。

优选的，二维CFAR处理时的二维CFAR门限因子T表示为：

式中：P_fa表示预设的虚警概率；2N_refer表示参考单元的长度。

优选的，当二维CFAR门限因子T与输出Z的乘积小于检测单元的值时，则检测到目标峰值；当二维CFAR门限因子T与输出Z的乘积大于检测单元的值时，则不存在目标峰值。

优选的，步骤S6中，粒子滤波算法中粒子权重表示为：

式中：i表示第i个粒子；k表示k时刻；R表示测量噪声协方差矩阵；

表示k时刻第i个粒子观测值的预测；Z_g(k)表示k时刻的观测值。

本发明中的无人机目标跟踪方法与现有技术相比，具有如下有益效果：

在本发明中，基于MIMO雷达实现小型无人机目标跟踪的方式，利用了MIMO雷达对目标回波信号具有去相关性，使得回波平均接收能量趋于恒定，能够对目标RCS进行平滑并改善目标的RCS起伏，进而提高抑制杂波干扰的能力和目标检测跟踪性能，从而保证小型无人机目标检测和跟踪的准确性和效果。同时，本发明通过RFT处理信号的方式，沿无人机目标距离和速度方向进行联合搜索，并通过多普勒滤波器组实现连续长时间相干积分补偿不同采样脉冲之间的相位波动，补偿跨距离单元走动，实现目标能量单帧相参积累，进而在不改变目标雷达硬件系统的情况下，显著提高了对小型无人机目标检测和跟踪的性能。此外，本发明在RFT处理之前对信号做了range-FFT处理，在RFT处理之后对信号做了二维CFAR处理和angle-FFT处理，使得能够简易而直观的提取信号频率相关的信息，进而能够保证整体信号的信噪比，使得抗干扰能力更强，能够保证远距离运动目标检测的效果。二维CFAR处理是在距离-多普勒维数据所组成的距离-多普勒矩阵中的每个检测单元做出判决，进而实现目标检测，能够在恒定的虚警概率的约束下，最大化提升目标的检测概率。而angle-FFT处理提取包含无人机目标的距离信息、速度信息和角度信息的多帧目标结果的方式，能够有效的获取小型无人机目标的距离、速度和角度，进而保证小型无人机目标检测和跟踪的准确性和效果。最后，基于粒子滤波算法能够有效的实现无人机目标的持续跟踪。粒子滤波在处理噪声方面有着其他滤波器无法比拟的优点，即任何线性或非线性的系统模型、高斯或非高斯的噪声模型，粒子滤波都能有效地应用和处理。

附图说明

为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为小型无人机目标跟踪方法的逻辑框图；

图2为小型无人机目标跟踪方法的原理图；

图3为进行RFT处理的原理图；

图4为粒子滤波算法的流程图。

具体实施方式

下面通过具体实施方式进一步详细的说明：

实施例：

本实施例中公开了一种基于MIMO雷达的小型无人机目标跟踪方法

如图1和图2所示，基于MIMO雷达的小型无人机目标跟踪方法，包括：

S1：获取用于检测对应无人机目标的目标雷达各个天线阵列的差拍信号；

S2：对差拍信号进行range-FFT(距离维快速傅里叶变换)处理，以将差拍信号距离维度的时域信号转换到频域上；

S3：对range-FFT处理后的差拍信号进行RFT(Radon-Fourier变换)处理，以校正差拍信号中远距离目标运动带来的距离走动，并实现目标能量单帧相参积累；

S4：对RFT处理后的差拍信号进行二维CFAR(Constant False-Alarm Rate，恒虚警率)处理，以实现无人机目标的目标检测，并得到对应的目标检测结果；

S5：对目标检测结果进行angle-FFT处理，以提取包含无人机目标的距离信息、速度信息和角度信息的多帧目标结果；

S6：基于多帧目标结果结合粒子滤波算法实现对应无人机目标的持续跟踪。

在本发明中，基于MIMO雷达实现小型无人机目标跟踪的方式，利用了MIMO雷达对目标回波信号具有去相关性，使得回波平均接收能量趋于恒定，能够对目标RCS进行平滑并改善目标的RCS起伏，进而提高抑制杂波干扰的能力和目标检测跟踪性能，从而保证小型无人机目标检测和跟踪的准确性和效果。同时，本发明通过RFT处理信号的方式，沿无人机目标距离和速度方向进行联合搜索，并通过多普勒滤波器组实现连续长时间相干积分补偿不同采样脉冲之间的相位波动，补偿跨距离单元走动，实现目标能量单帧相参积累，进而在不改变目标雷达硬件系统的情况下，显著提高了对小型无人机目标检测和跟踪的性能。此外，本发明在RFT处理之前对信号做了range-FFT处理，在RFT处理之后对信号做了二维CFAR处理和angle-FFT处理，使得能够简易而直观的提取信号频率相关的信息，进而能够保证整体信号的信噪比，使得抗干扰能力更强，能够保证远距离运动目标检测的效果。二维CFAR处理是在距离-多普勒维数据所组成的距离-多普勒矩阵中的每个检测单元做出判决，进而实现目标检测，能够在恒定的虚警概率的约束下，最大化提升目标的检测概率。而angle-FFT处理提取包含无人机目标的距离信息、速度信息和角度信息的多帧目标结果的方式，能够有效的获取小型无人机目标的距离、速度和角度，进而保证小型无人机目标检测和跟踪的准确性和效果。最后，基于粒子滤波算法能够有效的实现无人机目标的持续跟踪。粒子滤波在处理噪声方面有着其他滤波器无法比拟的优点，即任何线性或非线性的系统模型、高斯或非高斯的噪声模型，粒子滤波都能有效地应用和处理。

具体实施过程中，步骤S1中，目标雷达为两个间隔为2λ的发射天线和四个间隔为λ/2的接收天线组成的MIMO(Multiple-Input-Multiple-Output，多输入多输出)雷达系统；并且，目标雷达的发射角与接收角相等，使得能够形成八个间隔为λ/2的虚拟天线阵列，其中λ表示目标雷达的波长。

MIMO雷达配置模式为交错模式，通过选择

和

得到虚拟阵列：

式中：x_T,m表示第m个发射天线的位置；x_R,n表示第n个接收天线的位置；λ表示目标雷达的波长；M表示发射天线个数；N表示接收天线个数。

虚拟阵列是一个间隔为λ/2的均匀数组，间隔选择λ/2以避免空间混叠。

在本发明中，MIMO雷达两个发射天线发射相互正交的调频连续波，四个接收天线利用波形正交性提取每个发射天线的信号合成八孔径的虚拟天线阵列，能够提高对小型无人机目标探测的角度分辨率，显著提高弱目标检测性能，从而能够提升对小型无人机目标的跟踪效果。

具体实施过程中，差拍信号通过如下公式表示：

式中：S_b表示差拍信号；c表示光速；N表示chirp个数；T_c表示chirp周期；k表示调频斜率；v表示无人机目标相对于目标雷达的速度；R表示无人机目标与目标雷达之间的距离；f₀表示载波频率；n表示接收天线个数；d表示天线阵列间距；θ表示无人机目标相对于目标雷达的方位角。

MIMO雷达发射机以周期性方式发送线性调频信号chirp，发射信号表示为：

雷达接收机接收的目标回波是发射信号的时延，接收信号表示为：

式中：

表示第N+1个周期往返时间。

发射信号与接收信号经混频器输出得到对应的差拍信号。

在本发明中，MIMO雷达天线阵列的差拍信号包含目标的距离、速度和角度信息，通过后续算法，可以获取小型无人机目标的距离、速度和角度，进而保证小型无人机目标检测和跟踪的准确性和效果。

具体实施过程中，RFT处理的公式如下：

式中：ε表示相对于f(t,r+vt)的已知常数；

无人机目标运动带来的距离走动直线方程如下：

r_s＝r+vt,t∈[-T/2,T/2]；

式中：r表示斜距；v表示在t＝0时刻的径向速度；T表示相干积分时间。

结合图3所示，RFT处理时，在复信号域中，联合利用幅度和相位信息实现连续相干积分，并引入一对多普勒补偿函数H_v(t)和H_θ(t)作为傅里叶积分分量，以抵消不同脉冲之间的相位波动，产生最终的相干峰值，以校正无人机目标运动带来的距离走动。

具体的，一对多普勒补偿函数H_v(t)和H_θ(t)分别表示为：

式中：v表示在t＝0时刻的径向速度；λ表示波长；θ表示极角，表示在t-r_s平面上距离走动线到t轴的逆时针夹角；c表示光速；j表示复数的虚部；g表示阵列间隔引入的波程差。

在本发明中，通过RFT处理信号的方式，沿无人机目标距离和速度方向进行联合搜索，并通过多普勒滤波器组实现连续长时间相干积分补偿不同采样脉冲之间的相位波动，补偿跨距离单元走动，实现目标能量单帧相参积累，进而在不改变目标雷达硬件系统的情况下，显著提高了对小型无人机目标检测和跟踪的性能。

具体实施过程中，二维CFAR处理包括参考单元、保护单元和检测单元。参考单元用于估计噪声功率；保护单元用于使得平均干扰功率估计值更精确，在待检测单元周围设置保护单元，这些保护单元在进行平均干扰功率估计时不代入运算；检测单元用于判决目标的距离-多普勒维数据。

具体的，二维CFAR处理时的二维CFAR门限因子T表示为：

式中：P_fa表示预设的虚警概率；2N_refer表示参考单元的长度。

二维CFAR检测首先需要准确地估计系统噪声水平以及确定好参考窗，这种情况下，未知的噪声水平估计依赖于二维参考窗内的所有随机变量的算术平均值：

式中：X_m,n表示检测单元附近的二维参考窗内的随机变量；m表示在距离维上的索引，n表示多普勒维上的索引。

如果二维参考窗内所有的X_m,n采样都是独立同分布的，那么得到的算术平均值的估计就会是最佳的结果；但是如果待检测的目标占据了二维参考窗内的参考单元，则估计结果将会失效；所以需要在检测单元附近设计一个二维的保护单元，这些保护单元在估计算术平均值时将被排除。

具体的，当二维CFAR门限因子T与输出Z的乘积小于检测单元的值时，则检测到目标峰值；当二维CFAR门限因子T与输出Z的乘积大于检测单元的值时，则不存在目标峰值。

具体实施过程中，粒子滤波算法流程图如图4所示。

粒子滤波算法中粒子权重表示为：

式中：i表示第i个粒子；k表示k时刻；R表示测量噪声协方差矩阵；

表示k时刻第i个粒子观测值的预测；Z_g(k)表示k时刻的观测值。

权重计算是粒子滤波算法的核心，根据权重大小能实现“优质”粒子的大量复制，对“劣质”粒子实现淘汰制。另外，经过权重计算，也是重新指导粒子空间分布的依据，权重最终影响滤波结果。

计算权重步骤：

首先将表示目标k-1时刻的状态Xⁱ(k)的每一个粒子代入状态方程X(k)＝f(X(k-1),W(k))，得到一步预测值

其中i＝1,2,…,N；

由于粒子集合的因素，因此得到的

也是一个集合，将该集合中的每一个值代入观测方程Z(k)＝h(X(k),V(k))计算观测值的预测

当前时刻，也就是k时刻，测量系统能够唯一地采集到一个观测值Z_g(k)，则k时刻粒子集合的观测预测与测量值之间的偏差的绝对值：

再根据高斯分布的标准型

可得权重计算公式。

在本发明中，粒子滤波算法是一种基于蒙特卡洛仿真的近似贝叶斯滤波算法，其核心思想是用一些离散随机采样点来近似系统随机变量的概率密度函数，以样本均值代替积分运算获得状态的最小方差估计，从而能够有效的实现无人机目标的持续跟踪。

需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。同时，实施例中公知的具体结构及特性等常识在此未作过多描述。最后，本发明要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

1.一种基于MIMO雷达的小型无人机目标跟踪方法，其特征在于，包括以下步骤：

S1：获取用于检测对应无人机目标的目标雷达各个天线阵列的差拍信号；

S2：对所述差拍信号进行range-FFT处理，以将所述差拍信号距离维度的时域信号转换到频域上；

S3：对range-FFT处理后的所述差拍信号进行RFT处理，以校正所述差拍信号中远距离目标运动带来的距离走动，并实现目标能量单帧相参积累；

S4：对RFT处理后的所述差拍信号进行二维CFAR处理，以实现无人机目标的目标检测，并得到对应的目标检测结果；

S5：对所述目标检测结果进行angle-FFT处理，以提取包含无人机目标的距离信息、速度信息和角度信息的多帧目标结果；

S6：基于所述多帧目标结果结合粒子滤波算法实现对应无人机目标的持续跟踪。

2.如权利要求1所述的基于MIMO雷达的小型无人机目标跟踪方法，其特征在于：步骤S1中，目标雷达为两个间隔为2λ的发射天线和四个间隔为λ/2的接收天线组成的MIMO雷达系统；并且，目标雷达的发射角与接收角相等，使得能够形成八个间隔为λ/2的虚拟天线阵列，其中λ表示目标雷达的波长。

3.如权利要求2所述的基于MIMO雷达的小型无人机目标跟踪方法，其特征在于：所述差拍信号通过如下公式表示：

式中：S_b表示差拍信号；c表示光速；N表示chirp个数；T_c表示chirp周期；k表示调频斜率；v表示无人机目标相对于目标雷达的速度；R表示无人机目标与目标雷达之间的距离；f₀表示载波频率；n表示接收天线个数；d表示天线阵列间距；θ表示无人机目标相对于目标雷达的方位角。

4.如权利要求1所述的基于MIMO雷达的小型无人机目标跟踪方法，其特征在于：步骤S3中，RFT处理的公式如下：

式中：ε表示相对于f(t,r+vt)的已知常数；

无人机目标运动带来的距离走动直线方程如下：

r_s＝r+vt,t∈[-T/2,T/2]；

式中：r表示斜距；v表示在t＝0时刻的径向速度；T表示相干积分时间。

5.如权利要求4所述的基于MIMO雷达的小型无人机目标跟踪方法，其特征在于：RFT处理时，在复信号域中，联合利用幅度和相位信息实现连续相干积分，并引入一对多普勒补偿函数H_v(t)和H_θ(t)作为傅里叶积分分量，以抵消不同脉冲之间的相位波动，产生最终的相干峰值，以校正无人机目标运动带来的距离走动。

6.如权利要求5所述的基于MIMO雷达的小型无人机目标跟踪方法，其特征在于：一对多普勒补偿函数H_v(t)和H_θ(t)分别表示为：

式中：v表示在t＝0时刻的径向速度；λ表示波长；θ表示极角，表示在t-r_s平面上距离走动线到t轴的逆时针夹角；c表示光速；j表示复数的虚部；g表示阵列间隔引入的波程差。

7.如权利要求1所述的基于MIMO雷达的小型无人机目标跟踪方法，其特征在于：步骤S4中，二维CFAR处理包括参考单元、保护单元和检测单元；参考单元用于估计噪声功率，保护单元用于使得平均干扰功率估计值更精确，检测单元用于判决目标的距离-多普勒维数据。

8.如权利要求7所述的基于MIMO雷达的小型无人机目标跟踪方法，其特征在于，二维CFAR处理时的二维CFAR门限因子T表示为：

式中：P_fa表示预设的虚警概率；2N_refer表示参考单元的长度。

9.如权利要求8所述的基于MIMO雷达的小型无人机目标跟踪方法，其特征在于：当二维CFAR门限因子T与输出Z的乘积小于检测单元的值时，则检测到目标峰值；当二维CFAR门限因子T与输出Z的乘积大于检测单元的值时，则不存在目标峰值。

10.如权利要求1所述的基于MIMO雷达的小型无人机目标跟踪方法，其特征在于，步骤S6中，粒子滤波算法中粒子权重表示为：

式中：i表示第i个粒子；k表示k时刻；R表示测量噪声协方差矩阵；

表示k时刻第i个粒子观测值的预测；Z_g(k)表示k时刻的观测值。

Images