基于無人機微多普勒的特征識別

梁健濤，何法虎

(華北理工大學人工智能學院，唐山 063200)

0 引言

最近這些年，無人機越來越受到大眾的喜愛，在許多場合隨處可見。無人機在民用以及商業(yè)等領域得以普及，例如快遞[1]、噴灑農藥、醫(yī)療緊急救助[2]、安防等。在2013年，美國聯(lián)邦航空管理局針對無人機飛行問題頒布了一系列政策[3]。隨后幾年中，隨著無人技術的飛速發(fā)展，使用無人機的數(shù)量有了迅猛增長。這導致執(zhí)法人員在面對無人機造成的威脅時缺乏經驗。同時還有一些危險人員將這些可以輕易操作、簡便購買以及性價比超高的無人機用于威脅社會治安活動，例如：侵犯隱私[4]、危險碰撞[5]、非法偵察管制區(qū)域、非法物質運輸以及爆炸性化學物質部署，等等。有一項數(shù)據(jù)計算表明，在發(fā)生碰撞時，若無人機重2kg，以正常行駛的速度進行飛行，發(fā)生碰撞[6]時對物體造成的傷害可相當于一個炮彈的傷害。同時無人機在現(xiàn)代社會中還具有很多積極的應用前景。例如遠程作業(yè)、噴灑農藥、救助人員、航空拍照以及物資運輸?shù)取ｋS著無人機的廣泛應用，將會大大提高經濟效益。預計無人機在未來企業(yè)使用中可高達1270億美元。

隨著無人機在各個領域的發(fā)展應用，對無人機飛行在空中如何進行有效的安全檢測，以及無人機種類的識別，成了當前社會的熱門話題。由于當前城市環(huán)境復雜，存在許多建筑遮擋以及無人機操作不當?shù)葐栴}，容易對空中航路安全、城市安保等造成威脅[7]。因此針對無人機等飛行小目標進行實時高效的識別，是當前研究的重要之重，引起了社會和個人的廣泛關注。若可以實時準確地識別飛機、無人機等飛行目標，在軍事作戰(zhàn)中可以提高警惕，防止敵方偷襲，從而提升軍事實力。而在民用方面，由于空中飛行監(jiān)管制度不是很完善，對于民航飛行的干擾持續(xù)存在，導致墜機事件時常發(fā)生。而在生活中也存在一些使用無人機竊取機密、偷窺他人隱私的事件，因此飛行小目標的識別對于公共安全方法也有重要作用，對飛行小目標的準確高效識別顯得至關重要。

因為無人機品種眾多，其探測性較差[8]。主要由于：①無人機模型較小，回波信號摻雜許多雜波和噪聲的干擾，不易識別和檢測；②目標在飛行時會使多普勒發(fā)散，其目標回波很難集中收集；③雷達回波較弱。特征提取比較困難。因此在飛行小目標識別技術中，如何對飛行小目標進行檢測，準確地獲取目標信息非常重要。在當前的研究領域中，許多研究人員提出了許多檢測方法，通常采用恒虛警檢測[9](Constant False Alarm Rate，CFAR)，目的是檢測目標是否存在，以及相參積累、特征檢測[10]等方法。隨著無人機受歡迎度的增加，其安全問題也備受矚目。由于當前環(huán)境復雜，無人機等低空飛行器的出現(xiàn)和迅速發(fā)展，許多虛假高達建筑以及觀測時間較短等問題干擾，對空中航路安全、城市安保等提出了嚴峻挑戰(zhàn)。因此針對無人機等飛行小目標的有效識別具有重大意義。

本文基于這一重大研究意義，通過使用77GHz的毫米波雷達來對三種無人機進行探測，通過對雷達回波信號的一系列處理，得到目標的微多普勒特征，使用AlexNet對特征集進行訓練識別，從而得到無人機的識別正確率。

1 流程實現(xiàn)

1.1 流程描述

無人機的識別流程如圖1所示，具體步驟如下：

圖1 無人機識別的流程圖

(1)使用77GHz的毫米波雷達探測已知距離的多種類無人機，獲取目標回波。

(2)對回波矩陣進行2D CFAR，檢查目標的回波是否存在。當存在時使用2D FFT(Fast Fourier Transform，F(xiàn)FT)獲取目標在距離維上的信息，提取目標特征。若不存在，則證明該組數(shù)據(jù)不是包含目標回波的探測數(shù)據(jù)。

(3)提取目標信號后，采用短時傅里葉變換(Short-Time Fourier Transform，STFT)對目標進行變化，獲取目標的時頻圖，分析目標的微多普勒特征。

(4)對特征數(shù)據(jù)集進行基于AlexNet的訓練識別。采用70%進行訓練，其余進行測試，得到目標的識別正確率。

1.2 理論分析

1.2.1 時頻分析

由于現(xiàn)實信號的非平穩(wěn)性導致其頻率大多隨時間進行變化，而傅里葉變換(Fourier Transform，F(xiàn)T)不能同時反映時域和頻域上的信息，而且由于其基函數(shù)對時域定位特性的短缺，因此時變信號不能使用FT。當既需要知道信號的某些局部時間段上所對應的頻率，也需要知道信號某些頻率在對應的時間段上時，即時間域-頻率域的局部變化。如果假定在極短的時間段內是平穩(wěn)的，這時就可以使用傳統(tǒng)的FT，所以假定從一個極其窄的窗來觀察信號，要求窗要窄到在窗內看到的信號是接近平穩(wěn)的，因此可以處理時變信號。而雷達探測的無人機回波信號就屬于非平穩(wěn)信號，因此需要采用STFT來對回波信號進行處理。

對于非平穩(wěn)信號需要在時域中采用窗函數(shù)g(t-u)，與非平穩(wěn)信號f(t)進行乘法運算來切片信號，對其作FT，即不斷對窗函數(shù)進行滑動，實現(xiàn)在u周圍加窗，得到信號在不同時間段內的FT，將多段變換組合起來即可。對于在線性空間存在的一個可積可測可平方的函數(shù)f(t)∈L2(R)，對其進行STFT可得：

(1)

本文使用毫米波雷達采集到的現(xiàn)實信號中大部分都是無法直接使用FT的非平穩(wěn)信號，需要使用分段加窗的STFT才能得到時間-頻率的特征信息。

1.2.2 AlexNet模型

目前目標識別領域常用的方法之一是CNN，可以按照結構層次對輸入進行分類。CNN普遍應用在人臉識別和圖像分割等領域[11]，能夠實行監(jiān)督學習以及非監(jiān)督學習。CNN擁有許多不同種網絡結構模型，但CNN模型主要由輸入層、卷積(conv)層、池化(pool)層、全連接(FC)層和輸出層構成。在2006年深度學習理論被提出后[12]，卷積神經網絡被廣泛關注。

AlexNet模型結構以及參數(shù)計算如圖2所示。可看出輸入層是227×227的圖片，每層網絡參數(shù)的計算都在圖中進行了標識。將數(shù)據(jù)集傳輸?shù)捷斎雽雍螅琧onv和pool交替進行使特征圖不斷縮小，提取目標的主要特征。全連接層將之前得到所有特征進行FC，然后送到分類器中。輸入層作為網絡的整體輸入，圖2的結構圖中最左上角的227×227代表了圖片的大小，而3表示輸入的色彩通道。從輸入層開始每一個結構都是將上一個的三維矩陣轉到下一層，直到最后的全連接層。而特征圖通過卷積層的conv運算進行特征提取，激活對其進行運算獲得輸出進入下一層的網絡。卷積層的conv計算表示為：

(2)

圖2 AlexNet模型網絡框圖

2 實驗過程

TI雷達發(fā)射周期性的線性調頻信號，進行距離、速度以及角度的測量，在實驗中采用的是77GHz雷達。課題實驗中的運動目標特征信號主要來自于無人機旋翼葉片的旋轉運動，小部分來自于無人機主體的振動以及各部件小的振動等。實際探測的無人機類型分別是單旋翼、直升機和四旋翼，如圖3、圖4和圖5所示。

圖3 單旋翼

圖4 直升機

圖5 四旋翼

在室外測試環(huán)境下，毫米波雷達發(fā)射線性調頻信號，當調制過的載頻信號與目標相遇后，產生回波被接收端接收。對其接收到的信號使用2D CFAR來檢測目標是否存在，在檢測時由于存在無時無刻的雜波干擾，在進行2D-FFT之后對其進行速度-距離維的CA-CFAR檢測，對得到回波信號進行2D CA-CFAR處理，濾除雜波。由于無人機的回波信號屬于非平穩(wěn)信號，對雷達探測得到的目標回波信號經過上述操作的預處理后，采用時頻分析中漢明窗的STFT對其進行變換，獲取近似平穩(wěn)的實際探測目標信號的時頻特性，得到其中典型的四旋翼小型無人機的時頻圖如圖6所示。

圖6 四旋翼的時頻圖

從圖6四旋翼無人機的時頻圖可以看出，四旋翼無人機的微多普勒特征是周期性的，而由于每種無人機的形狀以及其他性質的不同，導致其不同類型的無人機回波信號也存在很大的差異，經過STFT變換后得到的信號微多普勒特征也有明顯的差異，因此對于多種類無人機能夠依據(jù)這些差異特征來實現(xiàn)無人機的識別。針對提取到的微動特征數(shù)據(jù)集進行神經網絡的訓練，主要使用AlexNet方法進行訓練，對特征數(shù)據(jù)集中70%的數(shù)據(jù)進行訓練操作，剩余數(shù)據(jù)進行驗證，得到目標的識別正確率。

3 實驗結果及分析

針對多種類無人機在實際探測情況下，采用毫米波雷達對無人機回波信號進行預處理和提取操作，為后續(xù)采用神經網絡方法訓練打下基礎。通過對飛行小目標識別的研究，本文提出使用毫米波雷達探測飛行的無人機，并對其進行STFT提取特征，然后對其使用AlexNet模型進行訓練。按照無人機識別的實驗流程進行室外環(huán)境實驗，獲得的三種類無人機識別的正確率為93.75%。

4 結語

飛行小目標的高效識別為空中安全管理和防止偷襲等方面提供保障。針對飛行小目標識別效率低、識別速度較慢等困難，本文采用AlexNet對無人機進行實時高效的識別。該方法對無人機在實際生活中的高效識別有很重要的意義。在近幾年，研究者們對無人機的識別進行不斷研究，給出了高效可行的解決方案，我國對于無人機的高效利用得到了很大的改善。因為無人機具有獨特唯一的特性，在本文中選擇了無人機的微多普勒特征作為識別特征。AlexNet模型在圖像識別中占據(jù)優(yōu)勢地位，因此本文選用該模型對無人機特征圖像進行識別。在文中給出了基于AlexNet模型的無人機識別的實驗驗證，分析在具有唯一的特征中使用該模型識別具有一定的優(yōu)勢。該算法可用于解決實際工作中的一些相關問題，具有一定的實際意義。