基于運(yùn)動(dòng)模型的低空非合作無人機(jī)目標(biāo)識(shí)別

陳唯實(shí)， 劉佳， 陳小龍， 李敬

(1. 中國民航科學(xué)技術(shù)研究院, 北京 100028； 2. 北京航空航天大學(xué)交通科學(xué)與工程學(xué)院, 北京 100083； 3. 海軍航空大學(xué), 煙臺(tái) 264001)

隨著無人機(jī)(UAV)產(chǎn)業(yè)的迅猛發(fā)展，近年來，中國多個(gè)機(jī)場接連出現(xiàn)無人機(jī)擾航事件[1]。非法放飛無人機(jī)所帶來的安全隱患給機(jī)場、邊境、重要敏感區(qū)域的低空保護(hù)敲響了警鐘，引發(fā)公眾高度關(guān)注。根據(jù)目標(biāo)與探測設(shè)備之間是否通信進(jìn)行分類，以無人機(jī)為代表的“低慢小”目標(biāo)通常可分為合作和非合作兩類。針對合作無人機(jī)，其飛行信息可實(shí)時(shí)接入無人機(jī)云管理系統(tǒng)，監(jiān)管部門將對誤入相應(yīng)區(qū)域的無人機(jī)進(jìn)行查詢和記錄[2]。合作式監(jiān)管技術(shù)目前已能覆蓋95%以上的消費(fèi)級(jí)無人機(jī)，而剩余不足5%的非合作無人機(jī)是低空防范的重點(diǎn)和難點(diǎn)。

目前，典型的非合作無人機(jī)目標(biāo)探測技術(shù)包括光電、無線電偵測、聲學(xué)、雷達(dá)等，每種技術(shù)手段各具優(yōu)勢和短板[3-9]。其中，無線電偵測技術(shù)可有效偵測到無人機(jī)操作者，對于不發(fā)射無線電信號(hào)的“靜默”無人機(jī)，不能有效發(fā)現(xiàn)；光電探測雖在目標(biāo)識(shí)別方面存在優(yōu)勢，但易受環(huán)境光線干擾，且探測距離有限；音頻探測技術(shù)易受噪聲、雜波的影響，對于大型無人機(jī)效果較好，但在背景噪聲較強(qiáng)的環(huán)境中難以探測到中小型無人機(jī)。總的來說，雷達(dá)作為目標(biāo)探測和監(jiān)視的主要手段，在空中和海面目標(biāo)監(jiān)視預(yù)警等國防和公共安全領(lǐng)域應(yīng)用廣泛，雖然傳統(tǒng)雷達(dá)對于“低慢小”目標(biāo)存在探測效能不足的問題，但雷達(dá)仍是對空目標(biāo)探測的重要手段[10]。

在低空環(huán)境中，飛鳥是除無人機(jī)目標(biāo)外主要的“低慢小”目標(biāo)，在無人機(jī)目標(biāo)探測過程中，需要對無人機(jī)和飛鳥目標(biāo)進(jìn)行分類識(shí)別，進(jìn)而將飛鳥目標(biāo)作為雜波剔除。一般情況下，雷達(dá)作為單一探測手段，僅能獲取目標(biāo)的幅度、位置、速度等信息，難以對目標(biāo)進(jìn)行有效分類和識(shí)別。目前，典型的無人機(jī)探測系統(tǒng)采用光電技術(shù)作為雷達(dá)系統(tǒng)的補(bǔ)充，在雷達(dá)發(fā)現(xiàn)無人機(jī)目標(biāo)后加以識(shí)別確認(rèn)[11]；但此類系統(tǒng)成本較高，且由于光電設(shè)備視場有限，加之其在探測不同距離的目標(biāo)時(shí)需要調(diào)整焦距，使雷達(dá)和光電設(shè)備在聯(lián)動(dòng)配合的同步性方面存在困難。另有大量研究者通過提取目標(biāo)的微多普勒特征識(shí)別無人機(jī)目標(biāo)[12-16]，但此類研究目前還只適用于雷達(dá)回波較強(qiáng)的金屬旋翼無人機(jī)，對于回波微弱的輕小型無人機(jī)(如大疆精靈系列)識(shí)別尚鮮有相關(guān)報(bào)道。

針對以上問題，本文利用常規(guī)機(jī)械掃描雷達(dá)獲取的目標(biāo)回波信息，充分分析無人機(jī)與飛鳥目標(biāo)運(yùn)動(dòng)方式的差異，提出了一種基于運(yùn)動(dòng)模型的低空非合作無人機(jī)與飛鳥目標(biāo)識(shí)別方法。該方法同時(shí)基于多種運(yùn)動(dòng)模型進(jìn)行無人機(jī)和飛鳥目標(biāo)跟蹤，并估計(jì)各種運(yùn)動(dòng)模型的出現(xiàn)概率，以各種運(yùn)動(dòng)模型在連續(xù)時(shí)間內(nèi)出現(xiàn)概率的方差均值來度量目標(biāo)運(yùn)動(dòng)模型的轉(zhuǎn)換頻率，進(jìn)而區(qū)分出飛鳥和無人機(jī)目標(biāo)。

1 模型的建立與分析

低空飛鳥目標(biāo)的散射截面、飛行速度、飛行高度等特征信息與輕小型無人機(jī)接近，現(xiàn)有的低空監(jiān)視雷達(dá)難以區(qū)分，在探測輕小型無人機(jī)時(shí)易導(dǎo)致虛警。本文提出了一種基于運(yùn)動(dòng)模型的輕小型無人機(jī)與飛鳥目標(biāo)識(shí)別方法，能夠剔除飛鳥等干擾目標(biāo)，提升雷達(dá)跟蹤效果。本節(jié)首先給出方法的基本流程，進(jìn)而詳述運(yùn)動(dòng)模型的建立與特征提取方法。

1.1 方法流程設(shè)計(jì)

本文方法通過多模型目標(biāo)跟蹤、多模型概率提取、目標(biāo)運(yùn)動(dòng)模式判斷、目標(biāo)運(yùn)動(dòng)特征提取等4個(gè)步驟，最終提取出目標(biāo)運(yùn)動(dòng)模型轉(zhuǎn)換頻率等目標(biāo)特征，用以區(qū)分輕小型無人機(jī)目標(biāo)與飛鳥目標(biāo)，方法流程如圖1所示。已有的目標(biāo)跟蹤方法通過建立目標(biāo)運(yùn)動(dòng)模型預(yù)估目標(biāo)的狀態(tài)信息，并利用量測信息對目標(biāo)狀態(tài)進(jìn)行修正，其目的在于提高跟蹤精度，逼近目標(biāo)的真實(shí)運(yùn)動(dòng)狀態(tài)。本文方法的目標(biāo)不在于提高跟蹤精度，而在于實(shí)現(xiàn)目標(biāo)的識(shí)別分類，是對已有目標(biāo)跟蹤方法應(yīng)用的拓展和延伸。

圖1 無人機(jī)與飛鳥目標(biāo)識(shí)別方法流程Fig.1 Flowchart of recognition method for UAV and flying bird targets

1.2 運(yùn)動(dòng)模型的建立與特征提取

1) 多模型目標(biāo)跟蹤

由于每個(gè)目標(biāo)在運(yùn)動(dòng)過程中可能具備多種運(yùn)動(dòng)模式，在某一時(shí)刻，多模型目標(biāo)跟蹤采用n種模型并行工作，通過混合上一時(shí)刻所有濾波器生成的狀態(tài)估計(jì)，獲得某種模型配置濾波器的初始條件。

(1)

(2)

然后計(jì)算每個(gè)濾波器的混合輸入：

(3)

(4)

對每個(gè)模型Mi，濾波如下：

(5)

(6)

此外，還計(jì)算了每個(gè)濾波器的測量相似性：

(7)

2) 多模型概率提取

(8)

(9)

式中：c為歸一化因子。

3) 目標(biāo)運(yùn)動(dòng)模式判斷

(10)

4) 目標(biāo)運(yùn)動(dòng)特征提取

提取目標(biāo)運(yùn)動(dòng)模型轉(zhuǎn)換頻率估計(jì)值F，由下式計(jì)算：

(11)

飛鳥目標(biāo)的機(jī)動(dòng)性通常高于輕小型無人機(jī)，設(shè)定閾值S，如該轉(zhuǎn)換頻率估計(jì)值高于S，則為飛鳥目標(biāo)，反之，則為輕小型無人機(jī)目標(biāo)。

2 仿真數(shù)據(jù)驗(yàn)證

本節(jié)針對無人機(jī)與飛鳥目標(biāo)的仿真數(shù)據(jù)，通過蒙特卡羅實(shí)驗(yàn)評(píng)價(jià)本文方法的有效性，評(píng)價(jià)方法包括不同模型的估計(jì)概率、檢測率、虛警率、工作特征(ROC)曲線等。

2.1 仿真運(yùn)動(dòng)模型

本文建立了勻速直線運(yùn)動(dòng)和機(jī)動(dòng)變速運(yùn)動(dòng)2類仿真模型，以勻速直線運(yùn)動(dòng)模型模擬無人機(jī)目標(biāo)，以勻速直線運(yùn)動(dòng)模型和機(jī)動(dòng)變速運(yùn)動(dòng)模型模擬飛鳥運(yùn)動(dòng)。

(12)

目標(biāo)動(dòng)態(tài)模型表示為

(13)

式中：Δt為系統(tǒng)數(shù)據(jù)更新時(shí)間間隔；qk為高斯過程噪聲，其均值為零，協(xié)方差為

(14)

其中：q為噪聲的譜密度。

(15)

目標(biāo)動(dòng)態(tài)模型表示為

(16)

式中：qk均值為零，協(xié)方差為

(17)

本文中，2種運(yùn)動(dòng)模型的時(shí)間步長均設(shè)定為Δt=0.1，過程噪聲的功率譜密度設(shè)定為q=0.1。所有無人機(jī)和飛鳥目標(biāo)的運(yùn)動(dòng)軌跡均勻隨機(jī)地分布在空間[-100,100]×[-100,100]中，如圖2所示，包括全局示意圖及對某飛鳥目標(biāo)軌跡的局部放大示意圖。無人機(jī)和飛鳥目標(biāo)的運(yùn)動(dòng)模型參數(shù)設(shè)置如下：

圖2 無人機(jī)與飛鳥目標(biāo)軌跡仿真軌跡Fig.2 Simulated trajectories of UAV and flying bird targets

1) 無人機(jī)目標(biāo)的起點(diǎn)為[0,0]，起始速度為[2,-3]，經(jīng)過240步仿真。

2) 每個(gè)飛鳥目標(biāo)運(yùn)動(dòng)軌跡的起點(diǎn)在空間[-100,100]×[-100,100]中隨機(jī)分布。

3) 每個(gè)飛鳥目標(biāo)的起始速度幅值為2，運(yùn)動(dòng)起始方向在0°～360°范圍內(nèi)隨機(jī)生成。

4) 每個(gè)飛鳥目標(biāo)運(yùn)動(dòng)軌跡的仿真步數(shù)在20～60范圍內(nèi)隨機(jī)生成。

5) 飛鳥目標(biāo)的運(yùn)動(dòng)模型在勻速直線運(yùn)動(dòng)模型和機(jī)動(dòng)變速運(yùn)動(dòng)模型二者之間切換，切換的頻率由p進(jìn)行控制，即生成0～1之間的隨機(jī)數(shù)，當(dāng)其小于p時(shí)，就切換一次運(yùn)動(dòng)模型。

6) 無人機(jī)和飛鳥目標(biāo)均經(jīng)過1 000次蒙特卡羅仿真，即各生成1 000條仿真運(yùn)動(dòng)軌跡。

2.2 仿真結(jié)果與分析

基于無人機(jī)和飛鳥目標(biāo)運(yùn)動(dòng)軌跡的蒙特卡羅仿真數(shù)據(jù)，對本文方法的無人機(jī)目標(biāo)識(shí)別效果進(jìn)行分析驗(yàn)證。

圖3和圖4分別給出了無人機(jī)和飛鳥目標(biāo)某 次跟蹤仿真中的模型概率估計(jì)結(jié)果，其中飛鳥目標(biāo)的模型切換頻率p=0.3。無人機(jī)目標(biāo)在240步跟蹤仿真中，模型1(即勻速直線運(yùn)動(dòng)模型)的估計(jì)概率約為0.8，模型2(即機(jī)動(dòng)變速運(yùn)動(dòng)模型)的估計(jì)概率約為0.2， 說明其僅采用了勻速直線運(yùn)動(dòng)模型。飛鳥目標(biāo)在56步跟蹤仿真中，在模型1和模型2之間切換6次，模型1和模型2的估計(jì)概率在0.1～0.8之間變化且起伏較大，明顯高于無人機(jī)目標(biāo)，可以此為特征區(qū)分這兩類目標(biāo)。

圖3 無人機(jī)目標(biāo)跟蹤中的模型估計(jì)概率Fig.3 Model estimation probability in UAV target tracking

表1給出了1 000次蒙特卡羅實(shí)驗(yàn)的無人機(jī)和飛鳥目標(biāo)的運(yùn)動(dòng)模型概率估計(jì)的方差均值F，以度量目標(biāo)運(yùn)動(dòng)模型轉(zhuǎn)換的頻繁程度。可見，無人機(jī)目標(biāo)運(yùn)動(dòng)模型概率估計(jì)的方差均值比飛鳥目標(biāo)低一個(gè)數(shù)量級(jí)；隨著模型轉(zhuǎn)換頻率p值的增加(p=0.2,0.3,0.4,0.5)，運(yùn)動(dòng)模型概率估計(jì)方差F的均值也逐漸增加。

圖5給出了不同p值情況下，隨閾值設(shè)置變化，基于1 000次蒙特卡羅仿真數(shù)據(jù)的ROC曲線，以無人機(jī)為目標(biāo)、飛鳥為虛警。p值越大，飛鳥目標(biāo)運(yùn)動(dòng)模型的轉(zhuǎn)化頻率越高，越容易識(shí)別。可見，p=0.5時(shí)，無人機(jī)目標(biāo)的檢測率接近1.0時(shí)，對飛鳥目標(biāo)的虛警率低于0.15。

需要說明的是，目標(biāo)跟蹤方法能夠通過數(shù)據(jù)關(guān)聯(lián)剔除背景噪聲，一定數(shù)量的背景噪聲對本文方法的識(shí)別性能不會(huì)造成影響。通過在仿真數(shù)據(jù)中增加背景噪聲，驗(yàn)證本文方法在噪聲環(huán)境中的目標(biāo)識(shí)別效果。圖6為加入背景噪聲的無人機(jī)與 飛鳥目標(biāo)運(yùn)動(dòng)軌跡仿真數(shù)據(jù)，噪聲由“×”表示，平均每步仿真加入5個(gè)噪聲，其余參數(shù)設(shè)置與2.1節(jié)相同；可見，本文方法仍然實(shí)現(xiàn)了對無人機(jī)和飛鳥目標(biāo)的正常跟蹤。

表1 無人機(jī)與飛鳥目標(biāo)的F均值Table 1 Mean value of F of UAV and flying bird targets

圖5 無人機(jī)目標(biāo)識(shí)別的ROC曲線Fig.5 ROC curves of UAV target recognition

圖6 加入背景噪聲的目標(biāo)軌跡仿真Fig.6 Simulated trajectories of targets with background clutters

圖7給出了p=0.5時(shí)，有無背景噪聲條件下的無人機(jī)目標(biāo)識(shí)別ROC曲線對比，本次仿真中平均每步仿真加入5個(gè)噪聲。可見，一定數(shù)量的背景噪聲基本不會(huì)對本文方法的目標(biāo)識(shí)別性能造成影響。

圖7 背景噪聲環(huán)境中的無人機(jī)目標(biāo)識(shí)別ROC曲線Fig.7 ROC curves of UAV target recognition in background cluttered environment

3 實(shí)測數(shù)據(jù)驗(yàn)證

基于在廣西北海機(jī)場安裝的低空雷達(dá)監(jiān)視系統(tǒng)，目前已采集了大量含有無人機(jī)和飛鳥目標(biāo)的雷達(dá)實(shí)測數(shù)據(jù)，前期研究已實(shí)現(xiàn)了對各類目標(biāo)的檢測跟蹤[1, 17-20]。圖8為某時(shí)段采集的北海機(jī)場雷達(dá)實(shí)測數(shù)據(jù)，量測數(shù)據(jù)由“°”表示，其中包含了一架測試放飛的大疆精靈3無人機(jī)及機(jī)場自然環(huán)境中活動(dòng)的若干飛鳥目標(biāo)，以及少量背景噪聲，由“×”表示。圖8所示雷達(dá)數(shù)據(jù)中的飛鳥目標(biāo)多為覓食狀態(tài)中的本地留鳥，飛行距離較短且機(jī)動(dòng)性較高。本節(jié)將采用本文方法對其中的無人機(jī)和 飛鳥目標(biāo)進(jìn)行跟蹤，剔除背景噪聲，并做識(shí)別分類，驗(yàn)證方法的可行性。

圖8 北海機(jī)場低空雷達(dá)監(jiān)視數(shù)據(jù)Fig.8 Low-altitude radar surveillance data at Beihai Airport

在工程應(yīng)用中，首先通過人工方法識(shí)別出無人機(jī)和飛鳥目標(biāo)，計(jì)算出不同目標(biāo)的模型轉(zhuǎn)換概率估計(jì)值，進(jìn)而設(shè)定無人機(jī)和飛鳥目標(biāo)的分類閾值；在不同的測試環(huán)境中，該閾值往往不同，需要通過實(shí)驗(yàn)的方法進(jìn)行測定，以確保系統(tǒng)的識(shí)別效果。圖9給出了采用本文方法處理圖8所示雷達(dá)數(shù)據(jù)，在不同分割閾值條件下無人機(jī)目標(biāo)的跟蹤與識(shí)別結(jié)果，目標(biāo)軌跡由實(shí)線表示，背景噪聲被完全剔除。部分飛鳥目標(biāo)的機(jī)動(dòng)性不高，其運(yùn)動(dòng)模型與無人機(jī)接近，當(dāng)閾值偏高時(shí)，仍然殘存大量飛鳥目標(biāo)，只有當(dāng)閾值設(shè)置足夠低時(shí)(見圖9(d)，S=0.005)，才能剔除全部飛鳥目標(biāo)并保留無人 機(jī)目標(biāo)。參照圖9，表2給出了不同閾值條件下，無人機(jī)目標(biāo)的識(shí)別結(jié)果及飛鳥等其他低空目標(biāo)的虛警具體數(shù)量。

圖9 無人機(jī)目標(biāo)跟蹤與識(shí)別結(jié)果示意圖Fig.9 Schematic of UAV target tracking and recognition results

表2 無人機(jī)目標(biāo)識(shí)別結(jié)果Table 2 UAV target recognition results

4 結(jié) 論

本文利用常規(guī)低空雷達(dá)獲取的非合作目標(biāo)信息，以目標(biāo)運(yùn)動(dòng)模型轉(zhuǎn)換頻率為特征，提出了一種輕小型無人機(jī)與飛鳥目標(biāo)識(shí)別方法。通過仿真與雷達(dá)實(shí)測數(shù)據(jù)驗(yàn)證了本文方法的有效性，得出以下結(jié)論：

1) 本文方法適用于常規(guī)機(jī)械掃描監(jiān)視雷達(dá)數(shù)據(jù)，能夠利用目標(biāo)運(yùn)動(dòng)方向、速度、位置等較少的回波信息較好地區(qū)分出無人機(jī)和飛鳥目標(biāo)。

2) 由仿真數(shù)據(jù)可知，無人機(jī)目標(biāo)運(yùn)動(dòng)模型轉(zhuǎn)換估計(jì)頻率的方差均值比機(jī)動(dòng)性較高的飛鳥目標(biāo)低一個(gè)數(shù)量級(jí)以上。

3) 對于部分機(jī)動(dòng)性較低的飛鳥目標(biāo)，其運(yùn)動(dòng)方式與無人機(jī)近似，采用本文方法易導(dǎo)致虛警，需要結(jié)合目標(biāo)微動(dòng)特征等其他精細(xì)化處理技術(shù)加以識(shí)別分類[10]。

4) 目標(biāo)的微動(dòng)特征在一定程度上反映了目標(biāo)固有的運(yùn)動(dòng)屬性，與目標(biāo)的結(jié)構(gòu)和電磁散射特性有著密切關(guān)聯(lián)，因此，隨著低空監(jiān)視雷達(dá)探測性能的逐步提升，微多普勒特征必將成為無人機(jī)等低慢小目標(biāo)探測與識(shí)別的重要手段和途徑。