CN114006675A

CN114006675A - 一种反无人机光电侦查方法、系统、可读存储介质

Info

Publication number: CN114006675A
Application number: CN202111636133.4A
Authority: CN
Inventors: 何周平; 柴若愚; 李书生; 苏洋
Original assignee: Chengdu Xingyu Rongke Power Electronics Co ltd
Current assignee: Chengdu Xingyu Rongke Power Electronics Co ltd
Priority date: 2021-12-30
Filing date: 2021-12-30
Publication date: 2022-02-01
Anticipated expiration: 2041-12-30
Also published as: CN114006675B

Abstract

本发明公开了一种反无人机光电侦查方法、系统、可读存储介质，通过雷达监视系统判定监控范围内是否有飞行物出现，生成：疑似无人机预警信号；接收疑似无人机预警信号，并生成：无人机确认指令；将无人机确认指令同步发送，并进行声音辨认和热辐射辨认，并生成声音确认信号或热辐射确认信号；声音辨认和热辐射辨认根据时间先后进行辅助确认，并进行对比验证，若验证为“是”，则生成：无人机告警信号；并向无人机所在位置发送干扰微波；本发明通过雷达监视系统初步判定是否有飞行物进入禁飞区，然后发出预警信号，在通过声音辨认方法和热辐射辨认方法同时对该飞行物进行辨认，并通过交替式验证的方式判断飞行物是否为无人机，再发送干扰微波。

Description

一种反无人机光电侦查方法、系统、可读存储介质

技术领域

本发明涉及反无人机领域，具体涉及一种反无人机光电侦查方法、系统、可读存储介质。

背景技术

现阶段，无人机市场异常火爆，同时无人机也作为消费级的产品被普通民众使用，但是因为部分无人机使用者安全意识较弱，仍然在部分禁飞区使用无人机，例如：机场、军事禁区、涉密区等。

现阶段采用较多的方式是电磁干扰劝返，但是采用的电磁干扰功率要求较大，如果长期开启会导致耗能提升，甚至影响禁飞区的正常工作，因此需要对无人机进行有效的识别，在识别到有无人机进入禁飞区，才开始干扰器。

但是存在识别正确率过低的问题，为了避免出现遗漏，一般是将识别阈值调低，因此可能出现有其他飞行物（例如：飞鸟、气球等）进入禁飞区仍然打开干扰器的情况。

发明内容

本发明所要解决的技术问题是现阶段对无人机的识别准确度较低，目的在于提供一种反无人机光电侦查方法、系统、可读存储介质，通过设置多重识别验证流程，解决了识别准确率较低的问题。

本发明通过下述技术方案实现：

一种反无人机光电侦查方法，包括：

通过雷达监视系统判定监控范围内是否有飞行物出现，若判定有飞行物出现，则生成：疑似无人机预警信号；

接收疑似无人机预警信号，并生成：无人机确认指令；

将无人机确认指令同步发送，并进行声音辨认和热辐射辨认，并生成声音确认信号或热辐射确认信号；

若先接收到声音确认信号，则以声音确认信号为基础信号，辅助热辐射辨认并生成热辐射确认信号，然后再进行对比验证，若验证为“是”，则生成：无人机告警信号；若先接收到热辐射确认信号，则以热辐射确认信号为基准信号，辅助声音辨认并生成声音确认信号，然后再进行对比验证，若验证为“是”，则生成：无人机告警信号；

接收无人机告警信号，并向无人机所在位置发送干扰微波。

具体地，所述声音辨认方法包括：

确定飞行物的方位，并对所属方位的声音进行采集；

将采集后的声音信息输入卷积神经网络模型进行辨认；

若卷积神经网络模型输出信号为“是”，输出声音确认信号。

所述热辐射辨认方法包括：

确定飞行物的方位，并对所属方位的热辐射进行采集；

将采集后的热辐射数据输入热辐射数据库进行辨认，并进行相似度判断；

若相似度大于设定值，则输出热辐射确认信号。

所述卷积神经网络模型的建立方法包括：

根据无人机的类型，按照设定的规则分类建立多个声音数据库；

依次对多个声音数据库内的无人机飞行声音进行采样，然后分别对采样样本进行预加重，生成多个中间样本；

对多个中间样本进行分帧，相邻的两个分帧片段之间部分重叠；

对分帧后的中间样本进行加窗，生成多个声音样本；

获取声音样本的MFCC特征参数；获取声音样本的GFCC特征参数；并将MFCC特征参数和GFCC特征参数线性叠加，获取多个声音特征频谱数据；

将多个声音特征频谱数据输入卷积神经网络进行训练，获得多个声音辨认卷积神经网络模型，其与多个声音数据库一一对应；

所述声音辨认方法包括：

将采集后的声音分别输入至卷积神经网络模型，并遍历多个声音辨认卷积神经网络模型，直至某一个卷积神经网络模型输出“是”，则输出声音确认信号。

具体地，采样频率为：

式中：

为采样频率；

为无人机飞行声音的最高频率；

加窗函数为：

式中，L为采样窗口长度；m为0~L-1之间的任意值；

声音样本的MFCC特征参数的获得方法为：

利用梅尔频率倒谱系数获得声音样本的13维特征参数；

声音样本的GFCC特征参数的获得方法为：

利用Gammatone滤波器对声音信号进行处理，然后利用梅尔频率倒谱系数获得声音样本的13维特征参数。

进一步，所述热辐射数据库的建立方法包括：

根据无人机的类型，按照设定的规则分类建立多个热辐射数据库，数据库内的数据包括：无人机类型、无人机颜色、天气环境、机身温度、电池盖温度、无人机表面发射率；

获得各类无人机在各个飞行位置的无人机的自身辐射强度；

获得各个天气环境下的无人机的反射辐射强度；

将获得的自身辐射强度和反射辐射强度分别存放至对应的热辐射数据库；

其中，声音数据库与热辐射数据库一一对应；

所述辨认方法包括：

确定热辐射采集时的天气环境；

在多个辐射数据库中均筛选出相应天气环境下的辐射强度；

将获得的热辐射数据与多个热辐射数据库中的辐射强度数据遍历对比，若热辐射数据与辐射强度数据的差值在设定范围内，则判定为“是”，则输出热辐射确认信号。

具体地，无人机的辐射强度计算方法为：

计算无人机的自身辐射强度；

式中，

为第一辐射常数；

为第二辐射常数；

为目标无人机温度；

为目标表面发射率；

为采集点处红外探测器响应波段；

为采集点处红外探测器采集波长；

计算无人机反射红外强度；

式中：

为太阳辐射强度；

为地面辐射强度。

具体地，若先接收到声音确认信号，则获得所述声音确认信号对应的声音数据库，停止在热辐射数据库中的遍历，直接在对应的热辐射数据库内进行验证；

若先接收到热辐射确认信号，则获得所述热辐射确认信号对应的热辐射数据库，停止在声音辨认卷积神经网络模型中的遍历，直接将声音样本输入至对应的声音数据库的声音辨认卷积神经网络模型。

优选地，所述干扰微波发送装置包括多个采用相干功率合成的阵列单元，所述干扰微波的发送方法包括：

通过无人机数据库确定无人机的种类，并获得无人机GPS/BDS的接收损伤阈值

、无人机的接收天线面积

；

通过雷达监视系统确定无人机与发射源之间的距离

；

获得高功率微波发射功率：

调节微波阵列朝向，并确定阵列单元的工作数量：

式中，

为阵列单元发射功率；

为相干合成效率；

为无人机接受天线在高功率微波辐射方向上的增益。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现上述一种反无人机光电侦查方法的步骤。

一种反无人机光电侦查系统，包括：至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够：执行上述一种反无人机光电侦查方法的步骤。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明通过雷达监视系统初步判定是否有飞行物进入禁飞区，然后发出预警信号，在通过声音辨认方法和热辐射辨认方法同时对该飞行物进行辨认，并通过交替式验证的方式判断飞行物是否为无人机，再发送干扰微波；

本发明通过2层辨认方法，可以有效的避免出现误判的情况，同时又通过设定为交替式验证，可以使得本方法有效的提升验证速度。

附图说明

附图示出了本发明的示例性实施方式，并与其说明一起用于解释本发明的原理，其中包括了这些附图以提供对本发明的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分，并不构成对本发明实施例的限定。

图1是根据本发明所述的一种反无人机光电侦查方法流程示意图。

图2是根据本发明所述的实施例一和实施例四中第一种情况的流程示意图。

图3是根据本发明所述的实施例一和实施例四中第二种情况的流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图和实施方式对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本发明的限定。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分。

在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明。

实施例一

传统的无人机识别技术一般是采用雷达监视系统进行识别，可能存在识别效率过低、识别准确度过低的问题，如果需要增加准备率，则需要提升雷达监视设备的性能，则会出现价格昂贵的问题，因此本实施例提供一种反无人机光电侦查方法，其雷达监视系统只需要具有基本的飞行物识别功能即能实现无人机识别的目的，如图1所示，该一种反无人机光电侦查方法包括：

第一步，通过雷达监视系统判定监控范围内是否有飞行物出现，若判定有飞行物出现，则生成：疑似无人机预警信号；本实施例中采用常规的雷达监视系统，通过对禁飞区进行扫描，判断是否有飞行物进入，当判定到有飞行物进入时，则发出疑似信号。

第二步，接收疑似无人机预警信号，并生成：无人机确认指令；禁飞区有飞行物进行后，预警，并向无人机识别系统发出无人机确认指令，用于驱动无人机识别系统进行飞行物确认，确认其是否为无人机。

第三步，将无人机确认指令同步发送，并进行声音辨认和热辐射辨认，并生成声音确认信号或热辐射确认信号；本实施例中的无人机识别系统包括两个系统，分别进行声音辨认和热辐射辨认，并且两个系统同步接受确认指令，进行无人机辨认。

第四步，因为无人机识别系统采用不同的方式进行辨认，一为声音一为热辐射，因此获得相应的确认信号也具有先后顺序，因此包括两种情况：

如图2所示，第一种：声音辨认先完成，则先接收到声音确认信号；

接收到声音确认信号后，此时热辐射辨认仍然在进行中，导致出现这种情况，则可能是声音数据与热辐射数据的清晰度等各种差异，导致辨认速率不一致，因此为了提升辨认效率，本实施例中以声音确认信号为基础信号，大致确认声音确认信号的基本范围，再使热辐射辨认在对应的范围内进行，则达到辅助热辐射辨认的目的，待热辐射辨认完成后，生成热辐射确认信号。

然后再进行对比验证，若声音确认信号表示该飞行物为无人机，且热辐射确认信号也表示该飞行物为无人机，则验证为“是”，生成：无人机告警信号；

如图3所示，第二种，热辐射辨认先完成，则先接收到热辐射确认信号；

类似的，接收到热辐射确认信号后，此时声音辨认仍然在进行中以热辐射确认信号为基准信号，辅助声音辨认并生成声音确认信号，然后再进行对比验证，若验证为“是”，则生成：无人机告警信号；

第四步，接收无人机告警信号，并向无人机所在位置发送干扰微波。

实施例二

本实施例提供声音辨认的方法，步骤包括：

A1、确定飞行物的方位，并对所属方位的声音进行采集，本实施例中采用远距离声音采集器，并通过云台等可控制其采集朝向的安装座将其固定，根据雷达监视系统确定方位后，控制远距离声音采集器的采集方向对准飞行物所在位置。

A2、将采集后的声音信息输入卷积神经网络模型进行辨认，卷积神经网络模型的建立方法包括：

a1、根据无人机的类型，按照设定的规则分类建立多个声音数据库，本实施例中设定的规则分类为：根据无人机的尺寸进行分类，可以分为小型无人机、中型无人机、大型无人机、超大型无人机等，也可以根据无人机的具体尺寸进行分类，分类数量可以根据需求进行调整。

a2、依次对多个声音数据库内的无人机飞行声音进行采样，采样频率为：

式中：

为采样频率；

为无人机飞行声音的最高频率；

然后分别对采样样本进行预加重，生成多个中间样本；无人机的声音信息在空气中传播时会受到不同程度的衰减，并且高频部分受到衰减的程度会大于低频部分，所以为了弥补高频声音信息的损失，防止声音信息部分的丢失，要对其进行预加重，本实施例中加重系数选用0.95。

a3、对多个中间样本进行分帧，相邻的两个分帧片段之间部分重叠；由于无人机声音样本很长无法直接提取特征，所以为了方便进行分析和提取特征，并进入到卷积神经网络，所以要对声音样本进行分帧，使其变为一个个的小片段，每个小片段之间会有重叠部分，约占整个片段的1/6～1/3，本次实验选择分帧长度15ms，帧移5ms。

a4、对分帧后的中间样本进行加窗，生成多个声音样本；其是为了防止中间样本分帧后两端出现不连续性，本实施例中选用汉明窗进行加窗，加窗函数为：

式中，L为采样窗口长度；m为0~L-1之间的任意值；

a5、获取声音样本的MFCC特征参数；先对无人机的声音进行预处理，得到关于声音的帧信号，再进行快速傅立叶变换变换，使其变换到频域；在频域内将信号经过26个非线性的Mel滤波器组，然后对滤波后的信号取对数，进行倒谱分析；最后经过离散余弦变换得到关于声音的13维特征参数。

获取声音样本的GFCC特征参数；GFCC与MFCC相比使用的是Gammatone滤波器，对噪声有较好的抗干扰性，可以增大识别系统的鲁棒性，先对无人机的声音进行预处理，得到关于声音的帧信号，再进行快速傅立叶变换变换，使其变换到频域；在频域内将信号经过26个Gammatone滤波器对声音信号进行处理，然后对滤波后的信号取对数，进行倒谱分析；最后经过离散余弦变换得到关于声音的13维特征参数。

并将MFCC特征参数和GFCC特征参数线性叠加，MFCC特征参数为13维，GFCC特征参数为13维，经过线性叠加后特征参数为26维。

获取多个声音特征频谱数据；

a6、将多个声音特征频谱数据输入卷积神经网络进行训练，获得多个声音辨认卷积神经网络模型，其与多个声音数据库一一对应；

卷积神经网络采用现阶段常规的技术，并将多个声音特征频谱数据输入多个卷积神经网络进行训练，最终得到小型无人机数据库、中型无人机数据库、大型无人机数据库、超大型无人机数据库等对应的小型声音辨认卷积神经网络模型、中型声音辨认卷积神经网络模型、大型声音辨认卷积神经网络模型、超大型声音辨认卷积神经网络模型等。

A3、若卷积神经网络模型输出信号为“是”，输出声音确认信号，即将采集后的声音分别输入至卷积神经网络模型，并遍历多个声音辨认卷积神经网络模型，直至某一个卷积神经网络模型输出“是”，则输出声音确认信号。

实施例三

本实施例提供热辐射辨认方法包括：

B1、确定飞行物的方位，并对所属方位的热辐射进行采集；本实施例中采用红外探测器，并通过云台等可控制其探测朝向的安装座将其固定，根据雷达监视系统确定方位后，控制红外探测器的探测向对准飞行物所在位置。

B2、将采集后的热辐射数据输入热辐射数据库进行辨认，热辐射数据库的建立方法包括：

b1、根据无人机的类型，按照设定的规则分类建立多个热辐射数据库，数据库内的数据包括：无人机类型、无人机颜色、天气环境、机身温度、电池盖温度、无人机表面发射率；

本实施例中设定的规则分类为：根据无人机的尺寸进行分类，可以分为小型无人机、中型无人机、大型无人机、超大型无人机等，也可以根据无人机的具体尺寸进行分类，分类数量可以根据需求进行调整。

最终保证无人机按照设定的规则分类后，声音数据库与热辐射数据库一一对应。

b2、获得各类无人机在各个飞行位置的无人机的自身辐射强度；

计算无人机的自身辐射强度的公式为；

式中，

为第一辐射常数；

为第二辐射常数；

为目标无人机温度；

为目标表面发射率；

为采集点处红外探测器响应波段；

为采集点处红外探测器采集波长；

同时，可以对无人机的机身辐射强度、电池仓辐射强度等进行分别计算。

b3、获得各个天气环境下的无人机的反射辐射强度；

计算无人机反射红外强度的公式为；

式中：

为太阳辐射强度；

为地面辐射强度。

因为不同的材质、不同的颜色其对辐射的反射率均不相同，因此需要根据不同的无人机进行其反射辐射强度的计算。

同时，不同的天气状况、无人机所处的位置不同，均可以影响无人机的自身辐射强度和反射辐射强度，因此需要获取和计算不同天气状况下的热辐射强度。

例如，天气炎热会导致无人机的发热量上升，导致其自身辐射强度增加；同时阴天与晴天，太阳辐射强度和地面辐射强度也会影响反射辐射强度。

B3、将获得的自身辐射强度和反射辐射强度分别存放至对应的热辐射数据库，最终得到小型无人机数据库、中型无人机数据库、大型无人机数据库、超大型无人机数据库等多个含有自身辐射强度和反射辐射强度的数据库。

B4、进行并进行相似度判断，若相似度大于设定值，则输出热辐射确认信号，其具体的辨认方法为：

bb1、确定热辐射采集时的天气环境；

bb2、在多个辐射数据库中均筛选出相应天气环境下的辐射强度，包括自身辐射强度和反射辐射强度等。

bb3、将探测获得的热辐射数据与多个热辐射数据库中的辐射强度数据遍历对比，若热辐射数据与辐射强度数据的差值在设定范围内（根据需要的准确度进行确认，一般误差范围越大准确度越低），则判定为“是”无人机，则输出热辐射确认信号。

实施例四

在实施例二和实施例三中，均需要遍历多个数据库，直至对比出飞行物是否为无人机的结果，其会出现效率较低的情况。

因此，本实施例利用声音辨认和热辐射辨认交叉辅助，达到提升辨认效率的目的。

结合实施例二和实施例三，对实施例一中的第四步进行说明。

如图2所示，第一种，先接收到声音确认信号，则获得声音确认信号对应的声音数据库（下述为第一数据库），此时停止在热辐射数据库中的遍历，直接在对应的热辐射数据库内进行验证，验证方法为：

如果，热辐射辨认已对第一数据库进行了遍历，则直接输出“否”，即热辐射辨认结果为：飞行物不为无人机。

如果，热辐射辨认未对第一数据库进行遍历，则直接在第一数据库中进行遍历，可能输出结果有“是”（即飞行物为无人机）和“否”。

当，热辐射辨认输出结果为“是”，则生成：无人机告警信号，否则仅发出提示信号，可以由人工进行辨认，确认其是否为无人机。

如图3所示，第二种，若先接收到热辐射确认信号，则获得热辐射确认信号对应的热辐射数据库（下述为第二数据库），此时停止在声音辨认卷积神经网络模型中的遍历，直接将声音样本输入至对应的声音数据库的声音辨认卷积神经网络模型（下述为第二模型）。

如果，此声音样本已经完成了第二模型内的辨认，则直接输出“否”。

如果，此声音样本未在第二模型内进行辨认，则直接将该声音样本输入第二模型，可能输出结果有“是”和“否”。

当，声音辨认输出结果为“是”，则生成：无人机告警信号，否则仅发出提示信号，可以由人工进行辨认，确认其是否为无人机。

实施例五

本实施例提供一种干扰微波发送装置，其包括多个采用相干功率合成的阵列单元，通过功率合成的方式,可以让单个器件的功率量级降至兆瓦级至数十兆瓦级。如此,大大降低了高功率微波器件的技术难度。

本实施例中将微波发送装置通过云台等可控制朝向的安装座将其固定，根据雷达监视系统确定方位后，控制微波发送装置的微波发送方向对准无人机所在位置。

干扰微波的发送方法包括：

C1、通过无人机数据库确定无人机的种类，并获得无人机GPS/BDS的接收损伤阈值

、无人机的接收天线面积

；此需要提前进行市面上的无人机进行数据录入。

C2、通过雷达监视系统确定无人机与发射源之间的距离

；

C3、获得高功率微波发射功率：

C4、调节微波阵列朝向，并确定阵列单元的工作数量：

式中，

为阵列单元发射功率；

为相干合成效率；

为无人机接受天线在高功率微波辐射方向上的增益。

微波阵列合成技术是指采用小功率或者中高功率器件结合定向天线进行功率合成,包含中高功率合成、固态化阵列合成等方式。其中,中高功率微波阵列合成是指采用中高功率微波管结合中高等增益定向天线作为辐射单元,进行小规模阵列化的空间功率合成,该技术体制优点是可以实现较高的微波辐射功率、较高的脉冲重复频率和较宽的脉冲宽度,阵列大小可调。

实施例六

一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时，实现上述一种反无人机光电侦查方法的步骤。

不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令数据结构,程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术,CD-ROM、DVD或其他光学存储﹑磁带盒﹑磁带﹑磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器和大容量存储设备可以统称为存储器。

实施例七

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够：执行上述一种反无人机光电侦查方法的步骤。

存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的执行程序等。

存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件、或其他易失性固态存储器件。

在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本发明，而并非是对本发明的范围进行限定。对于所属领域的技术人员而言，在上述发明的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本发明的范围内。