一種基于航跡特征的無人機與飛鳥目標(biāo)雷達(dá)識別方法

管康萍，馮正康，馬小艷，張良俊，崔 杰，葉 舟

（1.中國人民解放軍93128 部隊，北京 100080；2.上海航天電子通訊設(shè)備研究所，上海 201109）

0 引言

隨著無人機（Unmanned Aerial Vehicle，UAV）領(lǐng)域技術(shù)的快速發(fā)展，因其具有成本低、體積小、操作簡單等優(yōu)勢，已經(jīng)廣泛應(yīng)用于軍事和民用領(lǐng)域。但隨著非合作無人機黑飛、干擾等事件的頻發(fā)，已經(jīng)成為一項重要隱患，而且在航空器起飛或飛行的過程中與鳥類相撞的事件也層出不窮，飛鳥的防范壓力也越來越大，這兩類目標(biāo)都對機場、安保等重要場所產(chǎn)生嚴(yán)重的威脅［1-9］。一般根據(jù)不同的作戰(zhàn)環(huán)境要求，針對這兩者類型目標(biāo)，在發(fā)現(xiàn)后需要采取不同的反制手段和措施，如機場一般在發(fā)現(xiàn)飛鳥后，會采取驅(qū)鳥設(shè)備將其驅(qū)趕，而對無人機目標(biāo)則會采取預(yù)警、協(xié)調(diào)等措施，因此對無人機和飛鳥的識別極其必要。

目前，對無人機和飛鳥的監(jiān)視和識別方法主要分為兩類，一類從目標(biāo)回波特性角度出發(fā)，由于無人機多旋翼轉(zhuǎn)動與飛鳥翅膀扇動產(chǎn)生的回波信號存在特性差異，所以一般采用時頻分析算法提取兩者的微多普勒特征。法國航天航空研究中心采用DVB-T 信號進行了多旋翼無人機微多普勒測量實驗，荷蘭Robin公司雷達(dá)則采用發(fā)射調(diào)頻連續(xù)波形，同時具備無人機探測和識別的功能。在隨后多年發(fā)展中，國內(nèi)外單位通過設(shè)計優(yōu)化雷達(dá)工作系統(tǒng)、工作模式、發(fā)射接收波形、延長駐留時間等方法來進一步提取精細(xì)化特征，但實際應(yīng)用到復(fù)雜多變的環(huán)境中，目前還是較為困難，尤其當(dāng)目標(biāo)處于遠(yuǎn)距離時，兩者的回波特征微弱導(dǎo)致特征提取困難、時頻分辨力低等，限制了大范圍的應(yīng)用與發(fā)展［10-15］。另一類方法則是從無人機與飛鳥的飛行軌跡特征方面出發(fā)，通過記錄大量歷史數(shù)據(jù)，熟悉了解飛鳥的活動規(guī)律和飛行軌跡，從數(shù)據(jù)層提取無人機與飛鳥的運動軌跡特征。目前采用多運動模型并通過計算模型間轉(zhuǎn)換頻率的方法來進行識別，也有利用航跡軌跡信息建立特征量并利用機器學(xué)習(xí)或深度學(xué)習(xí)的方法［16-22］來進行識別，這幾種方法都進一步驗證了該類方法的可行性。

本文提出的無人機與飛鳥目標(biāo)雷達(dá)識別方法，與現(xiàn)有識別方法的不同點在于：1）未采用復(fù)雜的時頻分析方法，而是采用輕量性的航跡數(shù)據(jù)集，較大降低了雷達(dá)系統(tǒng)的識別成本，普適性強；2）為了更好地體現(xiàn)兩者飛行軌跡上的特征差異，采用支持向量機（Support Vector Machines，SVM）算法模型，提出時間相關(guān)的航向、速度震蕩頻率特征向量描述方法，并結(jié)合其他特征量，實現(xiàn)在線動態(tài)修正并預(yù)測，能夠更好地提高識別準(zhǔn)確率。

1 特征分析

無人機與飛鳥目標(biāo)雷達(dá)識別流程如圖1 所示，首先基于歷史雷達(dá)系統(tǒng)航跡數(shù)據(jù)分析和研究無人機與飛鳥在運動軌跡上的特征差異，提出以航跡層信息為基礎(chǔ)，建立航向角標(biāo)準(zhǔn)差、航向震蕩頻率、速度均值、速度標(biāo)準(zhǔn)差、速度震蕩頻率這5 個特征量。其次將模塊劃分為離線訓(xùn)練和在線處理部分，離線訓(xùn)練下將歷史樣本分為訓(xùn)練、測試樣本，對訓(xùn)練樣本采用支持向量機算法交叉訓(xùn)練獲得最優(yōu)超參數(shù)，并利用測試樣本驗證識別準(zhǔn)確率。在線狀態(tài)下利用最優(yōu)參數(shù)，根據(jù)雷達(dá)穩(wěn)跟目標(biāo)航跡實時計算特征量，利用預(yù)測模塊算法進行判別輸出。

圖1 無人機與飛鳥目標(biāo)識別框Fig.1 Block diagram of UAV and bird target recognition

1.1 特征描述

從無人機與鳥類的活動軌跡來描述，一般飛鳥的飛行軌跡相對靈活且時間較短，而典型無人機作業(yè)一般是按照預(yù)先設(shè)定的航線任務(wù)飛行，通常分為連續(xù)直線飛行、航點懸停、折返飛行、多方位多點飛行等路線。因此該類無人機目標(biāo)的飛行軌跡時間較長，且一般相對穩(wěn)定，但如果是人工干預(yù)控制操作飛行，其在轉(zhuǎn)向、折返、懸停上則具有較高的自由度，將連續(xù)人工干預(yù)操作無人機機動飛行稱為強機動模式，按照航點任務(wù)作業(yè)稱為弱機動模式。

利用具備探測跟蹤無人機和飛鳥功能的某相控陣?yán)走_(dá)系統(tǒng)平臺，通過大量實驗工作與歷史航跡數(shù)據(jù)記錄分析，典型的無人機和鳥類在航跡層級別的飛行軌跡如圖2、圖3 所示。從距離、方位角、航跡長度可以直觀體現(xiàn)出兩者的區(qū)別，完善數(shù)據(jù)庫，其中無人機航跡數(shù)據(jù)層中包含了大量無人機不同作業(yè)類型的航跡，例如手動操作、直線、8 字、折返、懸停飛行等不同軌跡。下面從運動軌跡的局部和總體特征分別描述無人機與飛鳥的特征量的差異，這些特征量分別是航向角標(biāo)準(zhǔn)差、航向震蕩頻率、平均速度、速度標(biāo)準(zhǔn)差、速度震蕩頻率。

圖2 典型無人機飛行軌跡Fig.2 Typical flight trajectories of UAVs

圖3 典型鳥類飛行軌跡Fig.3 Typical flight trajectories of birds

航向角標(biāo)準(zhǔn)差：對于一般飛鳥的軌跡，其方向性相對比較隨機，標(biāo)準(zhǔn)差變化范圍較大，而無人機在執(zhí)行弱機動模式飛行時，其標(biāo)準(zhǔn)差值較小。對于這類可以通過對比航向角標(biāo)準(zhǔn)差的差異，較明顯地體現(xiàn)出兩者飛行軌跡的區(qū)別，而在強機動模式下時取值范圍較大，較難區(qū)分。

航向震蕩頻率：上述航向角標(biāo)準(zhǔn)差只能體現(xiàn)兩者的總體特征，并不能較好地描述局部航向變化特征。為此引入航向震蕩頻率表征兩者的區(qū)別，無人機在弱機動模式下其航向震蕩次頻率值較小，而在飛行過程中，如果只是部分時間人工干預(yù)控制操作讓其處于強機動模式飛行，隨著跟蹤次數(shù)增加，航向震蕩頻率值也會逐漸變小，但如果是一直處于強機動模式飛行，則航向震蕩頻率值一直處于較高的值。因此對于無人機，其航向震蕩頻率值總是處于較大或者較小值，而飛鳥的飛行軌跡較為靈活且相對平滑，加上一般雷達(dá)對其跟蹤時間較短，其航向震蕩頻率數(shù)值處于較小與較大范圍之間，所以航向震蕩頻率具備區(qū)分無人機與飛鳥的潛力。

平均速度：其對于區(qū)分飛鳥和低速無人機不太明顯，但是仍然可以作為區(qū)分一些大型無人機和飛鳥目標(biāo)的特征，例如一般固定翼無人機的飛行速度遠(yuǎn)超于飛鳥。

速度標(biāo)準(zhǔn)差：對于飛鳥而言，其速度相對比較穩(wěn)定，其標(biāo)準(zhǔn)差的數(shù)值一般較小，而無人機由于其飛行相對自由，例如懸停、加速、減速等機動都會影響飛行速度，因此在其機動過程中標(biāo)準(zhǔn)差的數(shù)值相對較大，能夠作為區(qū)分無人機與飛鳥的一個特征。

速度震蕩頻率：對于飛鳥而言，其速度不會產(chǎn)生突變的情況，而在無人機轉(zhuǎn)向飛行或者懸停過程中，需要加速或者減速。上述速度標(biāo)準(zhǔn)差只能體現(xiàn)兩者的總體特征，并不能較好地描述局部速度變化特征，為此引入速度震蕩頻率來體現(xiàn)速度局部變化特征。一般飛鳥的速度震蕩頻率數(shù)值很小，而無人機在加速或減速過程中，雖然只需要較短的時間，但此時的速度震蕩頻率值相對較大。因此通過長時間積累，可以作為區(qū)分飛鳥與強機動模式下無人機的飛行特征。

1.2 特征計算

定義某條長度為N的航跡目標(biāo)集合符號記為S={s(1)，s(2)，…，s(N)}，每個數(shù)據(jù)采樣點記為符號s，其中第i個航跡采樣點s(i)={r(i)，θ(i)，φ(i)，[v(i)]分別代表目標(biāo)在該時刻的距離、方位角、俯仰角和速度。

1）航向角標(biāo)準(zhǔn)差

為方便計算航向角，將航跡數(shù)據(jù)集合下每個采樣點s(i)的距離、方位、俯仰(r(i)，θ(i)，φ(i))轉(zhuǎn)化為直角坐標(biāo)系下(x(i)，y(i)，z(i))，轉(zhuǎn)換公式為

根據(jù)上一時刻s(i-1)和當(dāng)前時刻s(i)算出直角坐標(biāo)系下的位置信息x(i-1)、y(i-1)、x(i)、y(i)、計算當(dāng)前i時刻的航向角，符號記為h(i)，計算公式為

其中，計算航向角時需考慮x(i)-x(i-1)、y(i)-y(i-1)值所處的象限區(qū)域，從而將-90°～90°的值域轉(zhuǎn)化為0°～360°，則航跡集合S航向角集合H為

要計算航向角的標(biāo)準(zhǔn)差，首先要計算航向角的均值，但是存在某些目標(biāo)軌跡的航向角跨0°、360°或由于受測量角度誤差的影響，而導(dǎo)致產(chǎn)生的跨越情況，因此對于航向角不能采用常規(guī)均值方法計算。采用向量化的方法描述這類周期性角度的數(shù)據(jù)［23］，計算周期性數(shù)據(jù)均值與標(biāo)準(zhǔn)差的方法是首先將第i個航向角h(i)轉(zhuǎn)化為二維平面上的單位向量r(i)，該航向角在x軸坐標(biāo)值對應(yīng)于cosh(i)，y軸坐標(biāo)值對應(yīng)于sinh(i)，公式為

把H集合中N-1 個航向角轉(zhuǎn)換成矢量并且相加得到合成向量rs，計算公式如下，航向角均值hm和標(biāo)準(zhǔn)差hstd分別定義為

其中，航向角均值需要考慮rs所處的象限區(qū)域，將航向角均值轉(zhuǎn)化為0°～360°。

2）航向震蕩頻率

為了反映航向變化局部特征，引入航向震蕩頻率，首先對航跡目標(biāo)集合S之間的相鄰航向角計算差值，記為符號dh(i)，公式為

并判斷角度差dh(i)與設(shè)定閾值γh之間的大小，計算出航向角之間的差異符號值O(i)，定義為

根據(jù)航向角符號值集合O正負(fù)符號變換關(guān)系，定義兩種航向震蕩模式［24］：

當(dāng)滿足上述式（10）或式（11）時，判定處于震蕩模式并統(tǒng)計震蕩次數(shù)，符號記為Uh：

式中：γh為航向角差異判定的閾值，可以根據(jù)實際雷達(dá)測角誤差設(shè)定。

在得出航向震蕩次數(shù)后，定義航向震蕩頻率為

3）平均速度

航跡目標(biāo)集合S的平均速度計算公式為

4）速度標(biāo)準(zhǔn)差

航跡目標(biāo)集合S的速度標(biāo)準(zhǔn)差計算公式為

5）速度震蕩頻率

為了反映速度變化局部特征，引入速度震蕩頻率，在當(dāng)前時刻i，取歷史L長度段樣本點的速度值，計算該長度下的速度均值vmL，定義為

計算當(dāng)前點速度v(i)和歷史均值速度vmL之間的差值，符號記為τv(i)，定義為

設(shè)定速度變化閾值γv，當(dāng)差值大于γv，則該點定義為速度震蕩，符號記為Uv(i)，定義為

其中，可根據(jù)實際雷達(dá)跟蹤數(shù)據(jù)率、跟蹤精度調(diào)整閾值γv和L長度，速度震蕩頻率定義為

最后得出航跡計算特征量為航向角標(biāo)準(zhǔn)差、航向震蕩頻率、速度均值、速度標(biāo)準(zhǔn)差、速度震蕩頻率，符號為G=[hstd，fh，vm，vstd，fv]，利用這5 個特征量可能在跟蹤開始階段誤判目標(biāo)的類型，但隨著目標(biāo)穩(wěn)定跟蹤時間和次數(shù)的增加，時間相關(guān)的特征量值可以通過在線動態(tài)修正并重新對目標(biāo)類型進行預(yù)測，識別的準(zhǔn)確率也會逐步提高。

1.3 離線訓(xùn)練與測試

1）模型選擇

在上述得到5 個特征量后，考慮樣本特征量非線性且為了防止過擬合，采用軟間隔的支持向量機算法［25］，其模型公式為

式中：w為超平面法向量；C為常數(shù)，且大于0；ξ為松弛變量；?(x)為映射函數(shù)；b為超平面的截距；xi為樣本矢量。

上式計算會引入核函數(shù)κ(xi，xj)，本文采用高斯核函數(shù)，公式為

式中：σ為高斯核函數(shù)的帶寬，后續(xù)采用序列最小優(yōu)化（Sequential Minimal Optimization，SMO）算法求解模型。

2）訓(xùn)練模型與驗證

在確定支持向量機模型后，不同大小的超參數(shù)對識別的準(zhǔn)確性有較明顯的影響。在高斯核函數(shù)中需要調(diào)整的超參數(shù)是懲罰因子C和核函數(shù)的帶寬σ，首先利用隨機采樣法將航跡數(shù)據(jù)集分為訓(xùn)練和測試樣本集，然后將訓(xùn)練樣本數(shù)據(jù)集采用5折交叉訓(xùn)練法，尋得最優(yōu)超參數(shù)。獲得訓(xùn)練模型和最優(yōu)超參數(shù)后，再利用測試樣本集對模型進行驗證評估。其中測試樣本集數(shù)中無人機和鳥類航跡數(shù)量分別為114 和76 條，識別混淆矩陣見表1，其中準(zhǔn)確識別率為87%，驗證了該方法的有效性。

表1 識別混淆矩陣Tab.1 Identification confusion matrix

1.4 識別結(jié)果分析

通過對上述誤識別的無人機和飛鳥樣本進行分析，發(fā)現(xiàn)簡單平滑且軌跡持續(xù)較長的飛鳥與弱機動模式下無人機的特征相差較小，目前仍難以區(qū)分。后續(xù)為了進一步提高識別率，需要完善飛鳥數(shù)據(jù)庫樣本，更加仔細(xì)地提取與無人機的差異，如通過回波強度區(qū)分，通過某些地理區(qū)域內(nèi)鳥類的活動節(jié)律進行統(tǒng)計，從而輔助提高決策的準(zhǔn)確率。

2 實驗驗證

實驗過程中以某相控陣?yán)走_(dá)系統(tǒng)為平臺，部署在飛鳥較為活躍的山林環(huán)境。無人機型號為大疆精靈4，考慮到實驗的完整性，無人機模擬了多次不同作業(yè)和人工操作飛行場景的任務(wù)，其中在某次跟飛實驗中，雷達(dá)目標(biāo)跟蹤與識別的平面顯示器（Pixel Per Inch，PPI）畫面，如圖4、圖5 所示，圖中符號R、A、E、V、H分表代表距離、方位角、俯仰角、速度、高度。

圖4 無人機目標(biāo)跟蹤識別PPIFig.4 Tracking recognition PPI diagram for UAV targets

圖5 飛鳥目標(biāo)跟蹤識別PPIFig.5 Tracking recognition PPI diagram for bird targets

由圖4、圖5 可見，無人機目標(biāo)的批號為223，方位角在356°方向，運動軌跡為首先經(jīng)過一段背離雷達(dá)方向的飛行，在到達(dá)指定航向任務(wù)點時拐彎調(diào)轉(zhuǎn)方向，并按照進入雷達(dá)的方向飛行，而飛鳥目標(biāo)的批號為337，方位角在33°方向，飛行軌跡較為無序，雷達(dá)在穩(wěn)定持續(xù)跟蹤情況下，均正確識別了無人機與飛鳥目標(biāo)，實驗結(jié)果驗證了該方法在工程角度實現(xiàn)的輕量性與可行性。

3 結(jié)束語

本文分析了無人機與飛鳥在運動軌跡上的特征差異，基于大量歷史雷達(dá)探測航跡數(shù)據(jù)分析，提出了時間相關(guān)的航向、速度震蕩頻率特征量計算方法，并將機器學(xué)習(xí)領(lǐng)域的SVM 算法應(yīng)用到實際雷達(dá)跟蹤識別處理中，通過離線和在線均驗證了識別分類的有效性和準(zhǔn)確率，在工程角度上具有輕量性、實用性、適用性。