CN116774208A - 一种多源异构数据融合的无人机侦测预警方法 - Google Patents

Abstract

本发明提供了一种多源异构数据融合的无人机侦测预警方法，包括：采集无人机数据信息，对采集的无人机数据信息进行判断，判断其是否属于单源数据，若属于，则进行单源数据处理，若不属于，则对其进行多源数据处理，判断处理过后的数据与飞行计划是否匹配，若匹配，则为白名单无人机，若不匹配，则为未经批准擅自飞行的无人机，根据单源数据及多源数据处理得到的数据信息进行无人机轨迹逆向预测，实现未经批准擅自飞行的无人机飞手定位。本发明提供的多源异构数据融合的无人机侦测预警方法，能够基于多源异构数据融合技术，实现无人机探测和飞手定位功能。

Description

一种多源异构数据融合的无人机侦测预警方法

技术领域

本发明涉及无人机技术领域，特别是涉及一种多源异构数据融合的无人机侦测预警方法。

背景技术

随着技术的发展，无人机的应用越来越广泛，但是现有的反无人技术一般是对无人机无线电信号的探测和识别，以及基于各类电磁对抗技术对无人机反制，市面常见的技术有雷达、无线电、光学、协议破解等，但是由于不同技术适用场景不同，在多种设备组网进行联合侦测与反制时，会导致设备互相干扰、侦测结果不一致等问题，因此，设计一种多源异构数据融合的无人机侦测预警方法是十分有必要的。

发明内容

本发明的目的是提供一种多源异构数据融合的无人机侦测预警方法，能够基于多源异构数据融合技术，实现无人机探测和飞手定位功能。

为实现上述目的，本发明提供了如下方案：

一种多源异构数据融合的无人机侦测预警方法，包括如下步骤：

步骤1：采集无人机数据信息；

步骤2：对采集的无人机数据信息进行判断，判断其是否属于单源数据，若属于，则进行单源数据处理，若不属于，则对其进行多源数据处理；

步骤3：判断处理过后的数据与飞行计划是否匹配，若匹配，则为白名单无人机，若不匹配，则为未经批准擅自飞行的无人机；

步骤4：根据单源数据及多源数据处理得到的数据信息进行无人机轨迹逆向预测，实现未经批准擅自飞行的无人机飞手定位。

可选的，步骤1中，采集无人机数据信息，具体为：

通过小程序采集区域内的无人机信息、无人机持有者信息、飞行计划以及报警信息，通过雷达进行采集雷达监测无人机轨迹信息，通过光电设备采集无人机图片信息，通过无线电设备采集无线电监测无人机轨迹信息及无人机型号，通过网络获取热点区域信息及实时天气信息。

可选的，步骤2中，对采集的无人机数据信息进行判断，判断其是否属于单源数据，若属于，则进行单源数据处理，具体为：

对采集的无人机数据信息进行判断，若属于单源数据，则进行单源数据处理，其中，若属于报警信息，则通知监控中心出警处理，若属于无人机图片信息，则通过图像识别网络进行识别，若属于雷达监测无人机轨迹信息或无线电监测无人机轨迹信息，则依次对其进行去噪处理、缺失值处理及轨迹平滑处理。

可选的，步骤2中，对采集的无人机数据信息进行判断，判断其是否属于单源数据，若不属于，则对其进行多源数据处理，具体为：

对采集的无人机数据信息进行判断，若不属于单源数据，则判断其是否包含无人机图片信息，若包含，则获取实时天气信息，根据实时天气信息调整图像识别网络的置信度，依次对无人机图片信息进行虚警分析、型号分析、威胁性分析及特征提取；

若采集的数据包含报警信息，则通过图像识别网络根据报警信息的图片信息进行图片识别，根据报警信息的位置信息进行位置对比；

若采集的数据包含雷达监测无人机轨迹信息及无线电监测无人机轨迹信息，则依次对其进行去噪处理、缺失值处理及轨迹平滑处理，处理完毕后，通过集合卡尔曼滤波方法对处理过后的信息进行数据融合，并进行特征提取。

可选的，所述图像识别网络为改进的Faster-RCNN网络，其中，改进的Faster-RCNN网络通过soft-nms算法对锚框置信度进行优化，每次选取置信度最高的锚框，并引入一个高斯函数，抑制周围锚框的置信度。

可选的，通过集合卡尔曼滤波方法对处理过后的信息进行数据融合，具体为：

构建参数集合，定义观测向d∈R^m，m为观测数据的种类个数，生成矩阵D，为：

D(t_i)＝(d¹(t_i),d²(t_i),...,d^Ne(t_i))

式中，Ne是集合中所有样本实现的总个数，D的每一列为d^j(t_i)为：

d(t_i)为时刻t_i的观测值构成的向量，ε^j为均值为0误差扰动，对于不同时刻，误差扰动不同，对d^j(t_i)进行更新，得到：

为传感器k在时刻t_i的误差扰动，其中，误差扰动构成集合E_k为：

其协方差矩阵表示为：

更新步骤控制方程，将更新后的状态向量表示为：

式中，C_Y为样本集合矩阵，C_D为观测矩阵D的协方差矩阵，y′_j为状态向量预测值，为更新后的状态向量，D′_j(t_i)为：

D′_j(t_i)＝d^j(t_i)-Hy′_j(t_i)

预测步骤控制方程，定义时刻t_n集合卡尔曼滤波状态向量为：

利用时刻t_n-k，状态向量计算时刻t_n，状态向量/>的预测值/>为：

重复上述步骤，不断对预测值进行修正，得到融合后的数据。

可选的，步骤4中，根据单源数据及多源数据处理得到的数据信息进行无人机轨迹逆向预测，实现未经批准擅自飞行的无人机飞手定位，具体为：

建立无人机起飞点预测模型，根据单源数据及多源数据处理得到的数据信息进行无人机轨迹逆向预测，实现未经批准擅自飞行的无人机飞手定位。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的多源异构数据融合的无人机侦测预警方法，该方法包括采集无人机数据信息，对采集的无人机数据信息进行判断，判断其是否属于单源数据，若属于，则进行单源数据处理，若不属于，则对其进行多源数据处理，判断处理过后的数据与飞行计划是否匹配，若匹配，则为白名单无人机，若不匹配，则为未经批准擅自飞行的无人机，根据单源数据及多源数据处理得到的数据信息进行无人机轨迹逆向预测，实现未经批准擅自飞行的无人机飞手定位；该方法能够基于多源异构数据融合技术，实现无人机探测和飞手定位功能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例多源异构数据融合的无人机侦测预警方法流程示意图；

图2为无人机飞行轨迹融合示意图；

图3为网络结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种多源异构数据融合的无人机侦测预警方法，能够基于多源异构数据融合技术，实现无人机探测和飞手定位功能。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明实施例提供的多源异构数据融合的无人机侦测预警方法，包括如下步骤：

步骤1：采集无人机数据信息；

步骤2：对采集的无人机数据信息进行判断，判断其是否属于单源数据，若属于，则进行单源数据处理，若不属于，则对其进行多源数据处理；

步骤3：判断处理过后的数据与飞行计划是否匹配，若匹配，则为白名单无人机，若不匹配，则为未经批准擅自飞行的无人机；

步骤4：根据单源数据及多源数据处理得到的数据信息进行无人机轨迹逆向预测，实现未经批准擅自飞行的无人机飞手定位。

步骤1中，采集无人机数据信息，具体为：

通过小程序采集区域内的无人机信息、飞行计划、无人机持有者信息以及报警信息，其中，通过注册信息登记功能，收集区域内的无人机信息、无人机持有者信息，通过事件报警功能，实现对未经批准擅自飞行的无人机事件的即时随手拍和事件上传，收集区域内的无人机报警信息；

其中，飞行计划是由小程序获取，飞行计划包括无人机型号、计划开始飞行时间、计划结束飞行时间、飞行轨迹；

通过雷达进行采集雷达监测无人机轨迹信息，通过光电设备采集无人机图片信息，通过无线电设备采集无线电监测无人机轨迹信息及无人机型号，通过网络获取热点区域信息及实时天气信息。

步骤2中，对采集的无人机数据信息进行判断，判断其是否属于单源数据，若属于，则进行单源数据处理，具体为：

对采集的无人机数据信息进行判断，若属于单源数据，则进行单源数据处理，其中，若属于报警信息，则通知监控中心出警处理，若属于无人机图片信息，则通过图像识别网络进行识别，若属于雷达监测无人机轨迹信息或无线电监测无人机轨迹信息，则依次对其进行去噪处理、缺失值处理及轨迹平滑处理。

步骤2中，对采集的无人机数据信息进行判断，判断其是否属于单源数据，若不属于，则对其进行多源数据处理，具体为：

对采集的无人机数据信息进行判断，若不属于单源数据，则判断其是否包含无人机图片信息，若包含，则获取实时天气信息，根据实时天气信息调整图像识别网络的置信度，依次对无人机图片信息进行虚警分析、型号分析、威胁性分析及特征提取；

若采集的数据包含报警信息，则通过图像识别网络根据报警信息的图片信息进行图片识别，根据报警信息的位置信息进行位置对比；

若采集的数据包含雷达监测无人机轨迹信息及无线电监测无人机轨迹信息，则依次对其进行去噪处理、缺失值处理及轨迹平滑处理，处理完毕后，通过集合卡尔曼滤波方法对处理过后的信息进行数据融合，并进行特征提取。

所述图像识别网络为改进的Faster-RCNN网络，网络结构图如图3所示，其中，改进的Faster-RCNN网络通过soft-nms算法对锚框置信度进行优化，实现对目标边界框预测的优化，提高预测的准确率并减少漏检情况发生，soft-nms算法每次选取置信度最高的锚框，并引入一个高斯函数，抑制周围锚框的置信度，高斯函数的公式为：

式中，M为当前得分最高框，为待处理框，b_i为第i个检测框，s_i为第i个检测框得分，σ为超参数，默认取0.55。

由于天气因素对图像成像效果影响大，因此结合天气数据，调整无人机识别置信度，提高识别准确率。置信度调整按照天气将图像分类，根据识别准确率目标值，计算满足识别正确的最低置信度。同时融合基于无线电设备的协议破解技术识别无人机型号，优化无人机识别和型号识别的最终识别结果。

如图2所示，通过集合卡尔曼滤波方法对处理过后的信息进行数据融合，具体为：

构建参数集合，定义观测向d∈R^m，m为观测数据的种类个数，生成矩阵D，为：

D(t_i)＝(d¹(t_i),d²(t_i),...,d^Ne(t_i))

式中，Ne是集合中所有样本实现的总个数，D的每一列为d^j(t_i)为：

d(t_i)为时刻t_i的观测值构成的向量，ε^j为均值为0误差扰动，对于不同时刻，误差扰动不同，对d^j(t_i)进行更新，得到：

为传感器k在时刻t_i的误差扰动，其中，误差扰动构成集合E_k为：

其协方差矩阵表示为：

更新步骤控制方程，将更新后的状态向量表示为：

式中，C_Y为样本集合矩阵，C_D为观测矩阵D的协方差矩阵，y′_j为状态向量预测值，为更新后的状态向量，D_j′(t_i)为：

D_j′(t_i)＝d^j(t_i)-Hy′_j(t_i)

预测步骤控制方程，定义时刻t_n集合卡尔曼滤波状态向量为：

利用时刻t_n-k，状态向量计算时刻t_n，状态向量/>的预测值/>为：

重复上述步骤，不断对预测值进行修正，得到融合后的数据。

此处为正向预测，预测的是未来的轨迹，与后续逆向预测不同，逆向预测为历史预测，通过轨迹的逆向预测判断无人机起飞点，即飞手的位置。

步骤4中，根据单源数据及多源数据处理得到的数据信息进行无人机轨迹逆向预测，实现未经批准擅自飞行的无人机飞手定位，具体为：

建立无人机起飞点预测模型，根据单源数据及多源数据处理得到的数据信息进行无人机轨迹逆向预测，实现未经批准擅自飞行的无人机飞手定位；

无人机起飞点预测模型为综合的复杂模型，通过BILSTM预测历史轨迹，是一条延长线，同时结合“未经批准擅自飞行的无人机”，热门飞行区域，飞行时长、飞行速度，在轨迹延长线上判断可能的起飞点。

本发明的一个实施例为：基于无人机飞行轨迹，区域内无人机实时事件数据和热门飞行区域数据，预测无人机起飞点，并通过对接属地公安指挥中心110报警平台，实现无人机“未经批准擅自飞行的无人机”飞手的排查与定位。

目前未经批准擅自飞行的无人机预警主要是建设基于无线电探测、雷达探测、光电探测的系统，建设成本高，覆盖范围有限；热心群众发现“未经批准擅自飞行的无人机”后，通过110电话报警，缺少现场信息以及准确的位置信息。而通过“无人机治理”小程序的事件报警功能，将随手拍摄的未经批准擅自飞行的无人机的视频与图像，上传到平台后进行AI识别，识别后与后台无人机申请飞行备案系统比对，对于真正的事件快速甄别，并将报警地点精确的地理位置信息传给110报警中心，供报警中心进行处置；

建立无人机低空飞行不同机型、不同姿态、不同高度图像库，训练无人机机型识别神经网络模型，对于无人机型号识别结果，并且采用改进的Faster-RCNN网路，检测并识别无人。同时结合天气信息，调整识别置信度阈值，对于识别结果置信度低于阈值，不采信识别结果。最终融合协议破解的无人机型号识别结果，提高无人机型号识别准确率。

基于雷达、无线电设备的轨迹数据融合无人机飞行轨迹，结合基于光电设备的无人机图像识别结果(无人机数量，型号、方向)，最终融合成无人机轨迹。

基于无人机飞行轨迹、型号、参数、举报数据、热门飞行区域数据，构建无人机起飞点预测模型，实现基于多源数据的无人机起飞点预测。

本发明提供的多源异构数据融合的无人机侦测预警方法，该方法包括采集无人机数据信息，对采集的无人机数据信息进行判断，判断其是否属于单源数据，若属于，则进行单源数据处理，若不属于，则对其进行多源数据处理，判断处理过后的数据与飞行计划是否匹配，若匹配，则为白名单无人机，若不匹配，则为未经批准擅自飞行的无人机，根据单源数据及多源数据处理得到的数据信息进行无人机轨迹逆向预测，实现未经批准擅自飞行的无人机飞手定位；该方法能够基于多源异构数据融合技术，实现无人机探测和飞手定位功能。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种多源异构数据融合的无人机侦测预警方法，其特征在于，包括如下步骤：

步骤1：采集无人机数据信息；

步骤2：对采集的无人机数据信息进行判断，判断其是否属于单源数据，若属于，则进行单源数据处理，若不属于，则对其进行多源数据处理；

步骤3：判断处理过后的数据与飞行计划是否匹配，若匹配，则为白名单无人机，若不匹配，则为未经批准擅自飞行的无人机；

步骤4：根据单源数据及多源数据处理得到的数据信息进行无人机轨迹逆向预测，实现未经批准擅自飞行的无人机飞手定位。

2.根据权利要求1所述的多源异构数据融合的无人机侦测预警方法，其特征在于，步骤1中，采集无人机数据信息，具体为：

通过小程序采集区域内的无人机信息、无人机持有者信息、飞行计划以及报警信息，通过雷达进行采集雷达监测无人机轨迹信息，通过光电设备采集无人机图片信息，通过无线电设备采集无线电监测无人机轨迹信息及无人机型号，通过网络获取热点区域信息及实时天气信息。

3.根据权利要求2所述的多源异构数据融合的无人机侦测预警方法，其特征在于，步骤2中，对采集的无人机数据信息进行判断，判断其是否属于单源数据，若属于，则进行单源数据处理，具体为：

对采集的无人机数据信息进行判断，若属于单源数据，则进行单源数据处理，其中，若属于报警信息，则通知监控中心出警处理，若属于无人机图片信息，则通过图像识别网络进行识别，若属于雷达监测无人机轨迹信息或无线电监测无人机轨迹信息，则依次对其进行去噪处理、缺失值处理及轨迹平滑处理。

4.根据权利要求3所述的多源异构数据融合的无人机侦测预警方法，其特征在于，步骤2中，对采集的无人机数据信息进行判断，判断其是否属于单源数据，若不属于，则对其进行多源数据处理，具体为：

对采集的无人机数据信息进行判断，若不属于单源数据，则判断其是否包含无人机图片信息，若包含，则获取实时天气信息，根据实时天气信息调整图像识别网络的置信度，依次对无人机图片信息进行虚警分析、型号分析、威胁性分析及特征提取；

若采集的数据包含报警信息，则通过图像识别网络根据报警信息的图片信息进行图片识别，根据报警信息的位置信息进行位置对比；

若采集的数据包含雷达监测无人机轨迹信息及无线电监测无人机轨迹信息，则依次对其进行去噪处理、缺失值处理及轨迹平滑处理，处理完毕后，通过集合卡尔曼滤波方法对处理过后的信息进行数据融合，并进行特征提取。

5.根据权利要求4所述的多源异构数据融合的无人机侦测预警方法，其特征在于，所述图像识别网络为改进的Faster-RCNN网络，其中，改进的Faster-RCNN网络通过soft-nms算法对锚框置信度进行优化，每次选取置信度最高的锚框，并引入一个高斯函数，抑制周围锚框的置信度。

6.根据权利要求5所述的多源异构数据融合的无人机侦测预警方法，其特征在于，通过集合卡尔曼滤波方法对处理过后的信息进行数据融合，具体为：

构建参数集合，定义观测向d∈R^m，m为观测数据的种类个数，生成矩阵D，为：

D(t_i)＝(d¹(t_i),d²(t_i),...,d^Ne(t_i))

式中，Ne是集合中所有样本实现的总个数，D的每一列为d^j(t_i)为：

d(t_i)为时刻t_i的观测值构成的向量，ε^j为均值为0误差扰动，对于不同时刻，误差扰动不同，对d^j(t_i)进行更新，得到：

为传感器k在时刻t_i的误差扰动，其中，误差扰动构成集合E_k为：

其协方差矩阵表示为：

更新步骤控制方程，将更新后的状态向量表示为：

式中，C_Y为样本集合矩阵，C_D为观测矩阵D的协方差矩阵，y′_j为状态向量预测值，为更新后的状态向量，D_j′(t_i)为：

D_j′(t_i)＝d^j(t_i)-Hy′_j(t_i)

预测步骤控制方程，定义时刻t_n集合卡尔曼滤波状态向量为：

利用时刻t_n-k，状态向量计算时刻t_n，状态向量/>的预测值/>为：

重复上述步骤，不断对预测值进行修正，得到融合后的数据。

7.根据权利要求6所述的多源异构数据融合的无人机侦测预警方法，其特征在于，步骤4中，根据单源数据及多源数据处理得到的数据信息进行无人机轨迹逆向预测，实现未经批准擅自飞行的无人机飞手定位，具体为：

建立无人机起飞点预测模型，根据单源数据及多源数据处理得到的数据信息进行无人机轨迹逆向预测，实现未经批准擅自飞行的无人机飞手定位。