基于運動模型的低空非合作無人機目標(biāo)識別

陳唯實， 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 264001)

隨著無人機(UAV)產(chǎn)業(yè)的迅猛發(fā)展，近年來，中國多個機場接連出現(xiàn)無人機擾航事件[1]。非法放飛無人機所帶來的安全隱患給機場、邊境、重要敏感區(qū)域的低空保護敲響了警鐘，引發(fā)公眾高度關(guān)注。根據(jù)目標(biāo)與探測設(shè)備之間是否通信進行分類，以無人機為代表的“低慢小”目標(biāo)通?？煞譃楹献骱头呛献鲀深?。針對合作無人機，其飛行信息可實時接入無人機云管理系統(tǒng)，監(jiān)管部門將對誤入相應(yīng)區(qū)域的無人機進行查詢和記錄[2]。合作式監(jiān)管技術(shù)目前已能覆蓋95%以上的消費級無人機，而剩余不足5%的非合作無人機是低空防范的重點和難點。

目前，典型的非合作無人機目標(biāo)探測技術(shù)包括光電、無線電偵測、聲學(xué)、雷達等，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操作者，對于不發(fā)射無線電信號的“靜默”無人機，不能有效發(fā)現(xiàn)；光電探測雖在目標(biāo)識別方面存在優(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，對于大型無人機效果較好，但在背景噪聲較強的環(huán)境中難以探測到中小型無人機?？偟膩碚f，雷達作為目標(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)雷達對于“低慢小”目標(biāo)存在探測效能不足的問題，但雷達仍是對空目標(biāo)探測的重要手段[10]。

在低空環(huán)境中，飛鳥是除無人機目標(biāo)外主要的“低慢小”目標(biāo)，在無人機目標(biāo)探測過程中，需要對無人機和飛鳥目標(biāo)進行分類識別，進而將飛鳥目標(biāo)作為雜波剔除。一般情況下，雷達作為單一探測手段，僅能獲取目標(biāo)的幅度、位置、速度等信息，難以對目標(biāo)進行有效分類和識別。目前，典型的無人機探測系統(tǒng)采用光電技術(shù)作為雷達系統(tǒng)的補充，在雷達發(fā)現(xiàn)無人機目標(biāo)后加以識別確認[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)時需要調(diào)整焦距，使雷達和光電設(shè)備在聯(lián)動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)的微多普勒特征識別無人機目標(biāo)[12-16]，但此類研究目前還只適用于雷達回波較強的金屬旋翼無人機，對于回波微弱的輕小型無人機(如大疆精靈系列)識別尚鮮有相關(guān)報道。

針對以上問題，本文利用常規(guī)機械掃描雷達獲取的目標(biāo)回波信息，充分分析無人機與飛鳥目標(biāo)運動方式的差異，提出了一種基于運動模型的低空非合作無人機與飛鳥目標(biāo)識別方法。該方法同時基于多種運動模型進行無人機和飛鳥目標(biāo)跟蹤，并估計各種運動模型的出現(xiàn)概率，以各種運動模型在連續(xù)時間內(nèi)出現(xiàn)概率的方差均值來度量目標(biāo)運動模型的轉(zhuǎn)換頻率，進而區(qū)分出飛鳥和無人機目標(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接近，現(xiàn)有的低空監(jiān)視雷達難以區(qū)分，在探測輕小型無人機時易導(dǎo)致虛警。本文提出了一種基于運動模型的輕小型無人機與飛鳥目標(biāo)識別方法，能夠剔除飛鳥等干擾目標(biāo)，提升雷達跟蹤效果。本節(jié)首先給出方法的基本流程，進而詳述運動模型的建立與特征提取方法。

1.1 方法流程設(shè)計

本文方法通過多模型目標(biāo)跟蹤、多模型概率提取、目標(biāo)運動模式判斷、目標(biāo)運動特征提取等4個步驟，最終提取出目標(biāo)運動模型轉(zhuǎn)換頻率等目標(biāo)特征，用以區(qū)分輕小型無人機目標(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)運動模型預(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)進行修正，其目的在于提高跟蹤精度，逼近目標(biāo)的真實運動狀態(tài)。本文方法的目標(biāo)不在于提高跟蹤精度，而在于實現(xiàn)目標(biāo)的識別分類，是對已有目標(biāo)跟蹤方法應(yīng)用的拓展和延伸。

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

1.2 運動模型的建立與特征提取

1) 多模型目標(biāo)跟蹤

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

(1)

(2)

然后計算每個濾波器的混合輸入：

(3)

(4)

對每個模型Mi，濾波如下：

(5)

(6)

此外，還計算了每個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)運動模式判斷

(10)

4) 目標(biāo)運動特征提取

提取目標(biāo)運動模型轉(zhuǎn)換頻率估計值F，由下式計算：

(11)

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

2 仿真數(shù)據(jù)驗證

本節(jié)針對無人機與飛鳥目標(biāo)的仿真數(shù)據(jù)，通過蒙特卡羅實驗評價本文方法的有效性，評價方法包括不同模型的估計概率、檢測率、虛警率、工作特征(ROC)曲線等。

2.1 仿真運動模型

本文建立了勻速直線運動和機動變速運動2類仿真模型，以勻速直線運動模型模擬無人機目標(biāo)，以勻速直線運動模型和機動變速運動模型模擬飛鳥運動。

(12)

目標(biāo)動態(tài)模型表示為

(13)

式中：Δt為系統(tǒng)數(shù)據(jù)更新時間間隔；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種運動模型的時間步長均設(shè)定為Δt=0.1，過程噪聲的功率譜密度設(shè)定為q=0.1。所有無人機和飛鳥目標(biāo)的運動軌跡均勻隨機地分布在空間[-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。無人機和飛鳥目標(biāo)的運動模型參數(shù)設(shè)置如下：

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

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

2) 每個飛鳥目標(biāo)運動軌跡的起點在空間[-100,100]×[-100,100]中隨機分布。

3) 每個飛鳥目標(biāo)的起始速度幅值為2，運動起始方向在0°～360°范圍內(nèi)隨機生成。

4) 每個飛鳥目標(biāo)運動軌跡的仿真步數(shù)在20～60范圍內(nèi)隨機生成。

5) 飛鳥目標(biāo)的運動模型在勻速直線運動模型和機動變速運動模型二者之間切換，切換的頻率由p進行控制，即生成0～1之間的隨機數(shù)，當(dāng)其小于p時，就切換一次運動模型。

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

2.2 仿真結(jié)果與分析

基于無人機和飛鳥目標(biāo)運動軌跡的蒙特卡羅仿真數(shù)據(jù)，對本文方法的無人機目標(biāo)識別效果進行分析驗證。

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

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

表1給出了1 000次蒙特卡羅實驗的無人機和飛鳥目標(biāo)的運動模型概率估計的方差均值F，以度量目標(biāo)運動模型轉(zhuǎn)換的頻繁程度?？梢?，無人機目標(biāo)運動模型概率估計的方差均值比飛鳥目標(biāo)低一個數(shù)量級；隨著模型轉(zhuǎn)換頻率p值的增加(p=0.2,0.3,0.4,0.5)，運動模型概率估計方差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，以無人機為目標(biāo)、飛鳥為虛警。p值越大，飛鳥目標(biāo)運動模型的轉(zhuǎn)化頻率越高，越容易識別?？梢?，p=0.5時，無人機目標(biāo)的檢測率接近1.0時，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別性能不會造成影響。通過在仿真數(shù)據(jù)中增加背景噪聲，驗證本文方法在噪聲環(huán)境中的目標(biāo)識別效果。圖6為加入背景噪聲的無人機與 飛鳥目標(biāo)運動軌跡仿真數(shù)據(jù)，噪聲由“×”表示，平均每步仿真加入5個噪聲，其余參數(shù)設(shè)置與2.1節(jié)相同；可見，本文方法仍然實現(xiàn)了對無人機和飛鳥目標(biāo)的正常跟蹤。

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

圖5 無人機目標(biāo)識別的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，有無背景噪聲條件下的無人機目標(biāo)識別ROC曲線對比，本次仿真中平均每步仿真加入5個噪聲。可見，一定數(shù)量的背景噪聲基本不會對本文方法的目標(biāo)識別性能造成影響。

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

3 實測數(shù)據(jù)驗證

基于在廣西北海機場安裝的低空雷達監(jiān)視系統(tǒng)，目前已采集了大量含有無人機和飛鳥目標(biāo)的雷達實測數(shù)據(jù)，前期研究已實現(xiàn)了對各類目標(biāo)的檢測跟蹤[1, 17-20]。圖8為某時段采集的北海機場雷達實測數(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無人機及機場自然環(huán)境中活動的若干飛鳥目標(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，飛行距離較短且機動性較高。本節(jié)將采用本文方法對其中的無人機和 飛鳥目標(biāo)進行跟蹤，剔除背景噪聲，并做識別分類，驗證方法的可行性。

圖8 北海機場低空雷達監(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別出無人機和飛鳥目標(biāo)，計算出不同目標(biāo)的模型轉(zhuǎn)換概率估計值，進而設(shè)定無人機和飛鳥目標(biāo)的分類閾值；在不同的測試環(huán)境中，該閾值往往不同，需要通過實驗的方法進行測定，以確保系統(tǒng)的識別效果。圖9給出了采用本文方法處理圖8所示雷達數(shù)據(jù)，在不同分割閾值條件下無人機目標(biāo)的跟蹤與識別結(jié)果，目標(biāo)軌跡由實線表示，背景噪聲被完全剔除。部分飛鳥目標(biāo)的機動性不高，其運動模型與無人機接近，當(dāng)閾值偏高時，仍然殘存大量飛鳥目標(biāo)，只有當(dāng)閾值設(shè)置足夠低時(見圖9(d)，S=0.005)，才能剔除全部飛鳥目標(biāo)并保留無人 機目標(biāo)。參照圖9，表2給出了不同閾值條件下，無人機目標(biāo)的識別結(jié)果及飛鳥等其他低空目標(biāo)的虛警具體數(shù)量。

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

表2 無人機目標(biāo)識別結(jié)果Table 2 UAV target recognition results

4 結(jié) 論

本文利用常規(guī)低空雷達獲取的非合作目標(biāo)信息，以目標(biāo)運動模型轉(zhuǎn)換頻率為特征，提出了一種輕小型無人機與飛鳥目標(biāo)識別方法。通過仿真與雷達實測數(shù)據(jù)驗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)機械掃描監(jiān)視雷達數(shù)據(jù)，能夠利用目標(biāo)運動方向、速度、位置等較少的回波信息較好地區(qū)分出無人機和飛鳥目標(biāo)。

2) 由仿真數(shù)據(jù)可知，無人機目標(biāo)運動模型轉(zhuǎn)換估計頻率的方差均值比機動性較高的飛鳥目標(biāo)低一個數(shù)量級以上。

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

4) 目標(biāo)的微動特征在一定程度上反映了目標(biāo)固有的運動屬性，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)視雷達探測性能的逐步提升，微多普勒特征必將成為無人機等低慢小目標(biāo)探測與識別的重要手段和途徑。