飛鳥與無人機(jī)目標(biāo)雷達(dá)探測與識(shí)別技術(shù)進(jìn)展與展望

陳小龍 陳唯實(shí) 饒?jiān)迫A 黃 勇 關(guān) 鍵 董云龍

①(海軍航空大學(xué) 煙臺(tái) 264001)

②(中國民航科學(xué)技術(shù)研究院機(jī)場研究所 北京 100028)

③(武漢大學(xué)電子信息學(xué)院 武漢 430072)

1 引言

鳥擊是指航空器起降或飛行過程中與鳥類等相撞的事件，或是因?yàn)閯?dòng)物活動(dòng)影響到正常飛行活動(dòng)的事件[1]。全球每年約發(fā)生21000起鳥擊事件，造成經(jīng)濟(jì)損失約12億美元。隨著航班量的持續(xù)增長和生態(tài)環(huán)境的不斷好轉(zhuǎn)，我國機(jī)場的鳥擊防范工作壓力越來越大，其帶來的損失遠(yuǎn)遠(yuǎn)超出其它原因所致之損失，可以說飛鳥是航班起降階段的傳統(tǒng)安全威脅因素。近年來，以旋翼無人機(jī)(Unmanned Aerial Vehicle,UAV)等消費(fèi)行無人機(jī)為代表的低空飛行器得到了快速發(fā)展，全國多個(gè)機(jī)場接連出現(xiàn)無人機(jī)“黑飛”擾航事件[2]，非法放飛無人機(jī)成為新的焦點(diǎn)問題，同“鳥擊”一起成為威脅機(jī)場凈空區(qū)航班起降安全的“兩大隱患”，如圖1所示。

傳統(tǒng)的機(jī)場鳥情觀測依靠人工，但在目測困難的黎明、黃昏和夜晚，恰恰是鳥擊事件的高發(fā)期。雷達(dá)探鳥系統(tǒng)能夠克服天氣因素、距離、晝夜變化等不利因素的影響，真正意義上實(shí)現(xiàn)全天24 h不間斷獲取空中鳥類的距離、方位、速度、高度等實(shí)時(shí)信息，實(shí)現(xiàn)鳥情不間斷監(jiān)測。經(jīng)過30多年的發(fā)展，國內(nèi)外已經(jīng)研制出了相對(duì)成熟的“雷達(dá)探鳥系統(tǒng)”，最具代表性的是美國的Merlin雷達(dá)、加拿大的Accipiter雷達(dá)、荷蘭的Robin雷達(dá)，以及中國民航科學(xué)技術(shù)研究院(簡稱“航科院”)開發(fā)的“機(jī)場雷達(dá)探鳥與驅(qū)趕聯(lián)動(dòng)系統(tǒng)”。2018年8月，民航局發(fā)布《機(jī)場新技術(shù)名錄指南(2018—2020年度)》，聚焦機(jī)場運(yùn)行安全和效率，兼顧便捷服務(wù)以及施工安全，共4大類25項(xiàng)新技術(shù)，鳥擊防范技術(shù)位列其中。目前，多數(shù)探鳥雷達(dá)產(chǎn)品全部采用S波段水平掃描雷達(dá)與X波段垂直掃描雷達(dá)相結(jié)合的方式，并與部分驅(qū)鳥設(shè)備實(shí)現(xiàn)了聯(lián)動(dòng)，但機(jī)場普遍反應(yīng)，目前的探鳥雷達(dá)系統(tǒng)的探測率低于75%，且存在一定虛警，探測效果還不能滿足機(jī)場需求，聯(lián)動(dòng)系統(tǒng)驅(qū)鳥效果不明顯。

無人機(jī)等低空飛行器的出現(xiàn)和迅速發(fā)展，對(duì)空中航路安全、城市安保等提出了嚴(yán)峻挑戰(zhàn)[3]。2015年至今，為維護(hù)民航機(jī)場凈空保護(hù)區(qū)域飛行安全，加強(qiáng)對(duì)無人機(jī)運(yùn)行的管理，國家、各部委及民航局相繼出臺(tái)了多部規(guī)章標(biāo)準(zhǔn)，包括《無人駕駛航空器飛行管理暫行條例(征求意見稿)》、 《輕小無人機(jī)運(yùn)行規(guī)定(試行)》、 《民用無人駕駛航空器實(shí)名制登記管理規(guī)定》、 《無人機(jī)云系統(tǒng)接口數(shù)據(jù)規(guī)范》、 《無人機(jī)圍欄》等。在民航局于2018年8月發(fā)布的《機(jī)場新技術(shù)名錄指南(2018—2020年度)》中，“鳥擊防范技術(shù)”和“無人機(jī)反制技術(shù)”位列其中，在2019年1月的省部級(jí)領(lǐng)導(dǎo)干部研討班上，習(xí)近平總書記再次強(qiáng)調(diào)“要加快科技安全預(yù)警監(jiān)測體系建設(shè)，圍繞無人機(jī)等領(lǐng)域，加快推進(jìn)相關(guān)立法工作”。但目前，對(duì)無人機(jī)和飛鳥的監(jiān)視，尤其是識(shí)別仍缺乏有效的技術(shù)和手段，“黑飛”和“擾航”現(xiàn)象仍十分普遍，一些簡易航空器容易偏離預(yù)定航線，若進(jìn)入重要區(qū)域上空，或被恐怖分子利用攜帶危險(xiǎn)武器，將嚴(yán)重威脅公共安全，如圖2所示。

圖1 飛鳥、無人機(jī)對(duì)民航飛機(jī)的威脅Fig.1 The threat of flying birds and UAVs to civil aviation aircraft

針對(duì)“合作”入網(wǎng)的無人機(jī)，其飛行信息實(shí)時(shí)接入“無人機(jī)云”等管理系統(tǒng)，監(jiān)管部門可對(duì)誤入相應(yīng)區(qū)域的無人機(jī)進(jìn)行查詢、記錄；針對(duì)“合作”但未入網(wǎng)的無人機(jī)，生產(chǎn)商可通過監(jiān)聽“飛控協(xié)議”，對(duì)相關(guān)品牌產(chǎn)品的飛行狀態(tài)進(jìn)行監(jiān)控。上述合作式監(jiān)管技術(shù)目前已能覆蓋95%以上的消費(fèi)級(jí)無人機(jī)，剩余不足5%的非合作飛行器是防范的重點(diǎn)和難點(diǎn)[4]。以機(jī)場凈空區(qū)為例，針對(duì)無人機(jī)、飛鳥等不同的“低慢小”入侵目標(biāo)，機(jī)場在發(fā)現(xiàn)目標(biāo)后需要采取不同的反制措施：發(fā)現(xiàn)無人機(jī)目標(biāo)后，機(jī)場首先發(fā)出預(yù)警，引導(dǎo)起降航班避讓，并協(xié)調(diào)機(jī)場及地方公安進(jìn)行處置；發(fā)現(xiàn)飛鳥目標(biāo)后，機(jī)場將基于一定的驅(qū)鳥策略，綜合采用多種驅(qū)鳥設(shè)備將其驅(qū)離危險(xiǎn)區(qū)域或采取一定的規(guī)避措施。因此，有必要對(duì)無人機(jī)和飛鳥目標(biāo)進(jìn)行識(shí)別判性。

無人機(jī)和飛鳥目標(biāo)種類繁多，其尺寸、形狀及運(yùn)動(dòng)特性的不同導(dǎo)致目標(biāo)具有不同的雷達(dá)散射特性和多普勒特性，是典型的“低慢小”目標(biāo)[5]，具有低可觀測性[6,7]。具體體現(xiàn)在：(1)目標(biāo)尺寸較小，散射截面積(Radar Cross Section,RCS)小，速度較慢，目標(biāo)回波藏匿于強(qiáng)雜波或噪聲背景中，信雜比低；(2)目標(biāo)機(jī)動(dòng)飛行導(dǎo)致多普勒擴(kuò)散，目標(biāo)回波難以積累；(3)雷達(dá)回波微弱，目標(biāo)特征提取和估計(jì)難；(4)雷達(dá)精細(xì)化處理過程面臨挑戰(zhàn)，目標(biāo)分類識(shí)別難度大。目前對(duì)“低慢小”目標(biāo)檢測方法主要涉及恒虛警檢測(Constant False Alarm Rate,CFAR)、動(dòng)目標(biāo)顯示(Moving Target Indicator,MTI)、動(dòng)目標(biāo)檢測(Moving Target Detection,MTD)、相參積累、特征檢測等方法。在利用現(xiàn)有技術(shù)對(duì)“低慢小”目標(biāo)進(jìn)行探測時(shí)，由于環(huán)境復(fù)雜(機(jī)場、城市、臨海等)、虛假目標(biāo)多、目標(biāo)機(jī)動(dòng)性強(qiáng)、有效觀測時(shí)間短等諸多問題的存在，使得目標(biāo)檢測概率低、雜波虛警高、積累增益低、跟蹤不穩(wěn)定，給目標(biāo)檢測和判性帶來極大困擾(圖3)，使得飛鳥和無人機(jī)探測成為世界性難題。由于部分涉及敏感關(guān)鍵技術(shù)，新技術(shù)和新方法也少有公開報(bào)道。迫切需要研發(fā)“看得見(檢測能力強(qiáng))、辨得明(識(shí)別概率高)”的非合作無人機(jī)、飛鳥等“低慢小”目標(biāo)監(jiān)視新手段和新技術(shù)，實(shí)現(xiàn)目標(biāo)的精細(xì)化描述和識(shí)別。

本文集中對(duì)近年來復(fù)雜場景下旋翼無人機(jī)和飛鳥目標(biāo)檢測與識(shí)別技術(shù)的研究進(jìn)展進(jìn)行歸納總結(jié)，并分析該技術(shù)領(lǐng)域存在的問題，指出其發(fā)展趨勢。本文內(nèi)容安排如下：第2節(jié)介紹飛鳥和無人機(jī)探測的主要手段，包括國內(nèi)外探鳥雷達(dá)的研發(fā)情況、非合作無人機(jī)目標(biāo)的無線電監(jiān)測、音頻探測、光電探測、主動(dòng)和被動(dòng)雷達(dá)探測和識(shí)別手段，并介紹了相關(guān)的系統(tǒng)應(yīng)用情況。第3節(jié)重點(diǎn)介紹飛鳥與無人機(jī)目標(biāo)檢測與分類識(shí)別的技術(shù)方法，一方面從目標(biāo)特性認(rèn)知與特征提取方面入手，介紹回波建模和微動(dòng)特性認(rèn)知方法、泛探模式下目標(biāo)機(jī)動(dòng)特征增強(qiáng)與提取技術(shù)以及分布式多視角微動(dòng)特征提取技術(shù)，目的是提高檢測能力，實(shí)現(xiàn)目標(biāo)的精細(xì)化特征描述；另一方面結(jié)合機(jī)器學(xué)習(xí)或深度學(xué)習(xí)方法，提出目標(biāo)智能識(shí)別的有效技術(shù)途徑，依據(jù)運(yùn)動(dòng)軌跡差異實(shí)現(xiàn)區(qū)分無人機(jī)和飛鳥的目的；最后，介紹了作者團(tuán)隊(duì)在此方面的工作。第4節(jié)和第5節(jié)針對(duì)現(xiàn)有研究存在的不足，提出今后的研究發(fā)展趨勢。第6節(jié)對(duì)全文歸納總結(jié)。

圖2 無人機(jī)危害公共安全Fig.2 UAVs endanger public safety

圖3 “低慢小”目標(biāo)雷達(dá)回波Fig.3 “Low,slow,small” target radar echo

2 飛鳥和無人機(jī)探測的主要手段

2.1 飛鳥目標(biāo)探測

飛鳥是機(jī)場凈空區(qū)的傳統(tǒng)安全隱患。鳥擊防范長期以來是威脅飛行安全的國際性難題，隨著航班量的持續(xù)增長和生態(tài)環(huán)境的不斷好轉(zhuǎn)，我國機(jī)場的鳥擊防范工作壓力越來越大。雷達(dá)是鳥情觀測的重要技術(shù)手段，其優(yōu)點(diǎn)在于不受能見度等因素的限制，能夠全天候自動(dòng)運(yùn)行。氣象雷達(dá)和空中交通管制雷達(dá)最早被用于監(jiān)視鳥類活動(dòng)，特別是較大區(qū)域(幾百千米)內(nèi)的大群鳥類遷徙，但此類大型雷達(dá)分辨率較低，不適于機(jī)場等較小區(qū)域(10 km)內(nèi)的鳥情觀測。目前，應(yīng)用較為廣泛的雷達(dá)探鳥系統(tǒng)通常采用體積較小、功耗較低的海事雷達(dá)，通過對(duì)其天線、信號(hào)與數(shù)據(jù)處理等部分的改造，實(shí)現(xiàn)以更高的分辨率在較小的區(qū)域內(nèi)跟蹤小型鳥群或單只鳥運(yùn)動(dòng)。

圖4給出了國外3款探鳥雷達(dá)及其獲取的含有飛鳥目標(biāo)的雷達(dá)圖像[8,9]。2005年，Braun[10]回顧并比較了不同類型探鳥雷達(dá)的特點(diǎn)和用途。國際上，典型的探鳥雷達(dá)系統(tǒng)包括美國的Merlin雷達(dá)、加拿大的Accipiter雷達(dá)、以及荷蘭的Robin雷達(dá)。如圖4所示，Merlin雷達(dá)采用S波段水平掃描雷達(dá)覆蓋機(jī)場周邊的低空空域以及X波段垂直掃描雷達(dá)覆蓋航空器的起降通道，并采用專業(yè)鳥情信息提取算法分離出飛鳥目標(biāo)信息；Accipiter雷達(dá)為X波段拋物面天線，其波束較窄(4°)，系統(tǒng)可獲得較為精確的高度信息，但探測的范圍有限；Robin雷達(dá)除了S波段水平和X波段垂直掃描雷達(dá)外，還包括一部調(diào)頻連續(xù)波雷達(dá)，專為飛鳥目標(biāo)判性設(shè)計(jì)。表1比較了3款探鳥雷達(dá)的技術(shù)特點(diǎn)和部署方式。在國內(nèi)，航科院與北京航空航天大學(xué)2006年以來開展了雷達(dá)探鳥可行性驗(yàn)證，并利用航海雷達(dá)獲取的視頻圖像開展了相關(guān)研究[11,12]。近年來，航天二院、北京理工大學(xué)、國防科大等單位也相繼開展了基于相控陣、MIMO、全息雷達(dá)等先進(jìn)雷達(dá)技術(shù)的雷達(dá)探鳥研究[13]。但是，目前大部分探鳥雷達(dá)僅能利用目標(biāo)回波強(qiáng)度，按照鳥群、大鳥、中鳥、小鳥進(jìn)行大致分類，且不具備區(qū)分飛鳥與無人機(jī)目標(biāo)的能力。

2.2 非合作無人機(jī)目標(biāo)探測

一般的消費(fèi)級(jí)無人機(jī)價(jià)格便宜，小巧輕便，是干擾公共安全和破壞戰(zhàn)略要地的入門手段，例如，無人機(jī)材料質(zhì)地堅(jiān)硬，其與高速飛行的飛機(jī)相撞，較之于鳥擊的破壞力更大[14]。世界各國為此投入大量人力物力開展無人機(jī)反制技術(shù)研究，并形成了一批新型技術(shù)與設(shè)備[3]。現(xiàn)有探測技術(shù)主要分4類，即無線電監(jiān)測、音頻探測、光電探測和雷達(dá)探測技術(shù)[15]，各技術(shù)的研究現(xiàn)狀分述如下：

(1) 無線電監(jiān)測手段。無線電監(jiān)測采用射頻掃描技術(shù)，針對(duì)民用無人機(jī)遙控和圖傳信號(hào)頻段進(jìn)行實(shí)時(shí)監(jiān)測、分析和測向。該技術(shù)可通過掃描該頻段得到無人機(jī)控制信號(hào)波形，與系統(tǒng)庫中的無人機(jī)控制波形進(jìn)行對(duì)比，判斷是否存在遙控?zé)o人機(jī)并確定其類型[16—18]。羅德與施瓦茨(R&S)公司、國防科技大學(xué)、中電41所等均采用無線電偵測技術(shù)研制了相關(guān)系統(tǒng)，部分系統(tǒng)已在我國白云機(jī)場、寶安機(jī)場、雙流機(jī)場試用，并取得良好效果，典型系統(tǒng)如圖5(a)所示。但無線電監(jiān)測單站測量通常只有目標(biāo)方位信息，測量精度低，且對(duì)于巡航式電磁靜默的無人機(jī)，該監(jiān)測手段可能失效。

(2) 音頻探測手段。每種無人機(jī)都有獨(dú)特的螺旋槳旋轉(zhuǎn)聲，稱為音頻指紋，采集各種無人機(jī)的音頻指紋可以建立數(shù)據(jù)庫，通過將定向麥克風(fēng)探測的音頻數(shù)據(jù)與數(shù)據(jù)庫進(jìn)行匹配，不僅能夠探測到無人機(jī)，還能夠識(shí)別出無人機(jī)型號(hào)。韓國電子技術(shù)附屬研究所、法國圣路易斯法德研究所、匈牙利歐布達(dá)大學(xué)等均研制了基于音頻探測技術(shù)的無人機(jī)反制系統(tǒng)并提出了相關(guān)解決方案，典型系統(tǒng)如圖5(b)所示[19—21]。但音頻探測技術(shù)易受噪聲、雜波影響，對(duì)于大型無人機(jī)效果較好，中小型無人機(jī)聲音小，加之環(huán)境中的噪聲干擾嚴(yán)重，導(dǎo)致探測效果不佳。

圖4 典型探鳥雷達(dá)系統(tǒng)Fig.4 Typical avian radar systems

表1 國外3種典型探鳥雷達(dá)產(chǎn)品說明Tab.1 Description of three typical foreign avian radar products

(3) 光電探測手段。光電探測技術(shù)主要利用可見光和紅外圖像完成目標(biāo)探測和識(shí)別。德國光電系統(tǒng)技術(shù)和圖像開發(fā)研究院、長春光機(jī)所等均開發(fā)了基于光電技術(shù)的無人機(jī)探測系統(tǒng)，但光電探測易受環(huán)境光線干擾，且“低慢小”目標(biāo)光電信號(hào)較弱、信噪比低，加之在機(jī)場環(huán)境下，大小目標(biāo)遮蔽效應(yīng)、飛機(jī)發(fā)動(dòng)機(jī)強(qiáng)烈的紅外輻射都使光電探測、識(shí)別、跟蹤的難度進(jìn)一步增大[22—24]。因此，光電探測技術(shù)通常作為雷達(dá)、無線電監(jiān)測的補(bǔ)充確認(rèn)設(shè)備。圖5(c)所示為一種典型的雷達(dá)光電復(fù)合探測系統(tǒng)。

(4) 雷達(dá)探測手段。(a)主動(dòng)雷達(dá)探測：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)視以及預(yù)警探測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(duì)于“低慢小”目標(biāo)存在探測效能不足的問題，但雷達(dá)仍作為對(duì)空目標(biāo)探測的重要手段被廣泛采用。隨著雷達(dá)體制和信號(hào)處理技術(shù)的快速發(fā)展，其已具備獲取微弱目標(biāo)特性的潛力，為低可觀測目標(biāo)探測和識(shí)別提供了新的途徑[7]。系統(tǒng)方面，開發(fā)低成本的新型雷達(dá)探測系統(tǒng)已受到世界各國防務(wù)公司和科研院所的重視。德國應(yīng)用科學(xué)研究院(FHR)利用Ku波段MIMO體制雷達(dá)，針對(duì)無人機(jī)目標(biāo)信號(hào)與雜波相互耦合的現(xiàn)象，通過環(huán)境數(shù)據(jù)訓(xùn)練檢測器在雜波區(qū)和非雜波區(qū)的檢測門限，改善了雷達(dá)對(duì)低速目標(biāo)的檢測性能[25]。英國防務(wù)公司Selex ES的“隼盾”(falcon shield)的電子戰(zhàn)系統(tǒng)，該系統(tǒng)不僅能夠探測、定位、識(shí)別、干擾、打擊低空慢速飛行的小型無人機(jī)(“低慢小”目標(biāo))，還能夠接管目標(biāo)無人機(jī)的指控權(quán)并引導(dǎo)其安全降落，系統(tǒng)由雷達(dá)、光電監(jiān)視系統(tǒng)、指控組件、電子偵察與射頻威脅管理系統(tǒng)等組成，雷達(dá)采用相參信號(hào)處理算法，提高目標(biāo)抗雜波能力，如圖6(a)所示。Blighter公司的反無人飛行器防御系統(tǒng)采用雷達(dá)準(zhǔn)確定位無人機(jī)(圖6(b))，然后通過發(fā)射定向大功率干擾射頻，干擾無人機(jī)迫使其降落[26]。瑞典薩博公司拓展了“長頸鹿”AMB雷達(dá)能力，使其在常規(guī)模式下提供空中監(jiān)視能力的同時(shí)，探測、分類和跟蹤低速飛行的小型無人機(jī)，并已驗(yàn)證了在復(fù)雜環(huán)境下同時(shí)應(yīng)對(duì)6架無人機(jī)目標(biāo)的能力[27]。(b)被動(dòng)雷達(dá)探測：主動(dòng)雷達(dá)需要頻率許可、電磁輻射大。某些應(yīng)用場景，如機(jī)場凈空區(qū)，具有嚴(yán)格的電磁準(zhǔn)入制度，管理部門對(duì)主動(dòng)雷達(dá)技術(shù)的使用通常持謹(jǐn)慎態(tài)度，即使是科學(xué)實(shí)驗(yàn)，也需要經(jīng)過嚴(yán)格的審批流程，而外輻射源雷達(dá)具有功耗低、隱蔽性和覆蓋性好等優(yōu)點(diǎn)，作為一種經(jīng)濟(jì)安全的非合作目標(biāo)探測手段近年來引起了學(xué)術(shù)界的廣泛關(guān)注。尤其是隨著硬件性能的提升，以及通信和無線網(wǎng)絡(luò)等可用外輻射源的發(fā)展，外輻射源雷達(dá)引起了各國的普遍重視和深入研究[28,29]。德國應(yīng)用科學(xué)研究院、瑞士國防裝備采購局、法國國家航天航空研究中心、武漢大學(xué)等國內(nèi)外科研機(jī)構(gòu)利用電視、數(shù)字電視、數(shù)字音頻廣播、衛(wèi)星及移動(dòng)通信等信號(hào)作為雷達(dá)外輻射源進(jìn)行了大量的理論與應(yīng)用研究[30]。

圖5 典型非合作無人機(jī)探測系統(tǒng)Fig.5 Typical non-cooperative UAV detection system

圖6 國際典型的“低慢小”目標(biāo)探測系統(tǒng)Fig.6 International typical “l(fā)ow,slow,small” target detection system

在低空目標(biāo)探測方面，尤其是無人機(jī)探測方面，基于外輻射源雷達(dá)進(jìn)行探測的研究得到廣泛關(guān)注，英國斯凱萊德大學(xué)[28]研究了基于全球?qū)Ш叫l(wèi)星系統(tǒng)(Global Navigation Satellite System,GNSS)信號(hào)的外輻射源雷達(dá)直升機(jī)目標(biāo)分類識(shí)別，可實(shí)現(xiàn)直升機(jī)目標(biāo)分類。芬蘭奧魯大學(xué)[31,32]開展了基于DVBT信號(hào)的外輻射源雷達(dá)直升機(jī)探測實(shí)驗(yàn)，觀測到了直升機(jī)葉片轉(zhuǎn)動(dòng)的微多普勒效應(yīng)，并進(jìn)一步研究得到了邊帶頻率譜線間隔與葉片轉(zhuǎn)動(dòng)速率之間的關(guān)系。華沙工業(yè)大學(xué)[33]基于DVB-T照射源也開展了類似的實(shí)驗(yàn)研究，推導(dǎo)了雙基地下直升機(jī)旋轉(zhuǎn)葉片回波數(shù)學(xué)模型。南非科學(xué)與工業(yè)研究理事會(huì)[34]開展了基于調(diào)頻 (Frequency Modulated,FM)信號(hào)的螺旋槳飛機(jī)探測實(shí)驗(yàn)，成功提取到了螺旋槳回波微多普勒特征。羅馬大學(xué)的Martelli等人[35]研究了利用地面數(shù)字電視廣播(Digital Video Broadcasting-Terrestrial,DVB-T)外輻射源雷達(dá)AULOS在機(jī)場區(qū)域同時(shí)對(duì)無人機(jī)與民航飛機(jī)進(jìn)行監(jiān)測，其實(shí)驗(yàn)結(jié)果表明，通過長相干積累該雷達(dá)對(duì)機(jī)場周圍飛行無人機(jī)(大疆精靈4和御)的單站探測距離可達(dá)約3 km，如圖7所示。同時(shí)，他們還利用Wi-Fi信號(hào)對(duì)無人機(jī)進(jìn)行了探測，研究表明可對(duì)3D空間無人機(jī)進(jìn)行穩(wěn)定跟蹤，但其精度較差[36]。馬來科技大學(xué)Rsa R A等人[37]從理論分析了利用DVB數(shù)字電視衛(wèi)星信號(hào)進(jìn)行無人機(jī)前向散射探測的可行性。

圖7 DVB-T外輻射源雷達(dá)AULOS無人機(jī)探測結(jié)果[35]Fig.7 DVB-T passive radar AULOS UAV detection results[35]

國內(nèi)，武漢大學(xué)[38—41]電波傳播實(shí)驗(yàn)室在利用外輻射源雷達(dá)對(duì)無人機(jī)探測方面進(jìn)行了較多的研究，利用數(shù)字電視地面廣播(Digital Television terrestrial Multimedia Broadcasting,DTMB)信號(hào)進(jìn)行無人機(jī)探測實(shí)驗(yàn)，結(jié)果表明通過雜波抑制后，對(duì)于典型的大疆精靈3無人機(jī)，其探測距離超過了3 km，如圖8所示。圖9給出了基于數(shù)字電視信號(hào)外輻射源雷達(dá)的無人機(jī)目標(biāo)監(jiān)視應(yīng)用場景示例。

2.3 無人機(jī)目標(biāo)雷達(dá)識(shí)別系統(tǒng)

國外相關(guān)機(jī)構(gòu)在無人機(jī)分類和識(shí)別方面已經(jīng)開展了研究并形成了產(chǎn)品，代表性的有：(1)德國應(yīng)用科學(xué)研究院(FHR)[42]利用環(huán)境中的全球移動(dòng)通信系統(tǒng)(Global System for Mobile communications,GSM)信號(hào)，構(gòu)建了一套多通道外輻射源雷達(dá)探測系統(tǒng)GAMMA-2(圖10)，探索了外輻射源雷達(dá)獲取“低慢小”目標(biāo)微動(dòng)特征的可能性；(2)法國國家航天航空研究中心(ONERA)[43]采用特高頻(Ultra High Frequency,UHF)頻段DVB-T信號(hào)，通過多頻及單頻組網(wǎng)探測，不僅可對(duì)3 km處的無人機(jī)目標(biāo)實(shí)現(xiàn)連續(xù)定位跟蹤，更能探測到多旋翼無人機(jī)的微多普勒效應(yīng)，將該體制雷達(dá)對(duì)“低慢小”目標(biāo)的探測推向更為精細(xì)化的應(yīng)用；(3)荷蘭TNO研究院進(jìn)行了無人機(jī)微多普勒測量實(shí)驗(yàn)，利用經(jīng)典時(shí)頻分析方法進(jìn)行微動(dòng)特征提??；(4)英國倫敦大學(xué)[44]針對(duì)無人機(jī)的“低慢小”特性，通過布置一發(fā)三收S波段雷達(dá)系統(tǒng)NetRAD(圖11)，利用多旋翼無人機(jī)的微多普勒特性，彌補(bǔ)時(shí)域維探測效能不足的問題，提升目標(biāo)的定位跟蹤性能；(5)荷蘭Robin公司[45]的新一代雷達(dá)采用調(diào)頻連續(xù)波波形，利用微動(dòng)特性區(qū)分無人機(jī)和飛鳥目標(biāo)，同時(shí)具備無人機(jī)探測和識(shí)別功能(圖12)；(6)英國Aveillant公司[46]的全息雷達(dá)(圖13)采用數(shù)字陣列體制，主要通過固定、凝視探測方式，延長駐留時(shí)間，能夠獲取目標(biāo)的精細(xì)化特征表述，系統(tǒng)通過基于決策樹分類器的機(jī)器學(xué)習(xí)算法，可對(duì)無人機(jī)目標(biāo)和非無人機(jī)目標(biāo)進(jìn)行分類，同時(shí)雷達(dá)的軟件系統(tǒng)可以分析目標(biāo)的運(yùn)動(dòng)軌跡，從而將其與其他目標(biāo)區(qū)分開來。

圖8 基于DTMB外輻射源雷達(dá)的無人機(jī)探測實(shí)驗(yàn)[38]Fig.8 UAV detection experiment based on DTMB passive radar[38]

圖9 基于數(shù)字電視信號(hào)外輻射源雷達(dá)的無人機(jī)目標(biāo)監(jiān)視應(yīng)用場景示例Fig.9 UAV target surveillance application based on digital TV signal passive radar

圖10 德國FHR多通道無源雷達(dá)系統(tǒng)GAMMA-2[42]Fig.10 German FHR multi-channel passive radar system GAMMA-2[42]

圖11 英國倫敦大學(xué)NetRAD雷達(dá)系統(tǒng)[44]Fig.11 NetRAD radar system of university of London[44]

圖12 荷蘭Robin飛鳥/無人機(jī)識(shí)別雷達(dá)[45]Fig.12 The Robin birds/UAV recognition radar in Netherlands[45]

3 飛鳥與無人機(jī)目標(biāo)檢測與分類識(shí)別主要技術(shù)方法

3.1 飛鳥與無人機(jī)目標(biāo)特性認(rèn)知與特征提取方法

無人機(jī)和飛鳥均為非剛體目標(biāo)，無人機(jī)旋翼的轉(zhuǎn)動(dòng)和飛鳥的翅膀扇動(dòng)會(huì)在由主體平動(dòng)產(chǎn)生的雷達(dá)回波多普勒頻移信號(hào)附近引入額外的調(diào)制邊帶，該信號(hào)稱為微多普勒信號(hào)，產(chǎn)生微多普勒效應(yīng)[47]。微多普勒反映的是多普勒頻移的瞬時(shí)特性，表征了目標(biāo)微動(dòng)的瞬時(shí)徑向速度。微多普勒信號(hào)中所包含的信息可以反演出目標(biāo)的形狀、結(jié)構(gòu)、姿態(tài)、表面材料電磁參數(shù)、受力狀態(tài)及目標(biāo)獨(dú)一無二的運(yùn)動(dòng)特性[48]。旋翼無人機(jī)回波表現(xiàn)為主體和旋翼部件多普勒信號(hào)的疊加，不同類型和旋翼個(gè)數(shù)的無人機(jī)其微動(dòng)特性也不盡相同。

(1)飛鳥與無人機(jī)目標(biāo)雷達(dá)回波建模與特性認(rèn)知。飛鳥與旋翼無人機(jī)目標(biāo)的回波多普勒譜出現(xiàn)展寬，飛鳥翅膀扇動(dòng)與無人機(jī)旋翼轉(zhuǎn)動(dòng)對(duì)回波產(chǎn)生調(diào)制特性，具有時(shí)變和周期性，體現(xiàn)出微動(dòng)特征[49]。對(duì)飛鳥與旋翼無人機(jī)微多普勒特征的建模和精細(xì)特性認(rèn)知是后續(xù)檢測和目標(biāo)分類的前提條件。旋翼無人機(jī)的回波信號(hào)表現(xiàn)為無人機(jī)主體多普勒信號(hào)和旋翼部件微多普勒信號(hào)的疊加，如圖14所示。首先是對(duì)含微動(dòng)部件的無人機(jī)目標(biāo)主體運(yùn)動(dòng)和微動(dòng)進(jìn)行建模分析與參數(shù)化表征，推導(dǎo)多普勒頻率、旋轉(zhuǎn)速率、葉片數(shù)目和尺寸之間的對(duì)應(yīng)關(guān)系[50]。對(duì)于多旋翼的無人機(jī)，假設(shè)各旋翼葉片的RCS相同且均為1，在直升機(jī)旋翼模型基礎(chǔ)上，多旋轉(zhuǎn)旋翼的無人機(jī)目標(biāo)回波模型為[51,52]

圖13 英國Aveillant公司全息雷達(dá)系統(tǒng)[46]Fig.13 The holographic radar system from Aveillant,UK[46]

式中，M為旋翼數(shù)，N為單個(gè)旋翼葉片數(shù)，L表示旋翼葉片長度，為雷達(dá)到第m個(gè)旋翼中心的距離，表示第m個(gè)旋翼葉片的高度，βm為雷達(dá)到第m個(gè)旋翼的俯仰角，?m為第m個(gè)旋翼的轉(zhuǎn)動(dòng)角頻率，為第m個(gè)旋翼的初始旋轉(zhuǎn)角。

回波信號(hào)的瞬時(shí)多普勒頻率可由信號(hào)的相位函數(shù)求時(shí)間導(dǎo)數(shù)得到，得到第m個(gè)旋翼的第k個(gè)葉片的等效瞬時(shí)微多普勒頻率為

圖14 旋翼無人機(jī)微動(dòng)特性[53]Fig.14 Micro-motion characteristics of six-rotor UAV[53]

由式(3)可知，多旋翼無人機(jī)微多普勒特征是由M ×N條正弦形式的曲線組成，且受到載頻、旋翼數(shù)目、旋翼轉(zhuǎn)速、葉片數(shù)、葉片長度、初始相位和俯仰角的影響。其中，載頻、葉片長度和俯仰角僅與微多普勒頻率幅度有關(guān)，而旋翼數(shù)目、旋翼轉(zhuǎn)速、葉片數(shù)和初始相位將影響微多普勒特征曲線的幅度和相位。進(jìn)一步分析飛鳥和無人機(jī)目標(biāo)的微動(dòng)特征差異，圖15—圖17給出了兩種目標(biāo)微動(dòng)信號(hào)的初步仿真對(duì)比結(jié)果。圖15為X波段雷達(dá)的飛鳥、四旋翼無人機(jī)和無人直升機(jī)的微多普勒時(shí)頻圖，通過對(duì)比可知，飛鳥目標(biāo)微多普勒多集中在低頻區(qū)，振動(dòng)周期較長，這與不同類型鳥類翅膀的撲翼運(yùn)動(dòng)特點(diǎn)密切相關(guān)，而無人機(jī)目標(biāo)的微動(dòng)特征呈現(xiàn)明顯的周期特性，根據(jù)旋翼轉(zhuǎn)速和長度的不同，轉(zhuǎn)動(dòng)頻率和周期也不同，由此可知，飛鳥目標(biāo)和無人機(jī)微動(dòng)特性有明顯差異。圖16為仿真的飛鳥目標(biāo)外輻射源雷達(dá)微動(dòng)特性分析，外輻射源中心頻率分別為658 MHz和900 MHz，由于照射源的頻率較低，波長較長，導(dǎo)致微動(dòng)特性并不明顯。圖17為武漢大學(xué)前期開展的無人機(jī)微多普勒效應(yīng)實(shí)驗(yàn)結(jié)果，探測大疆M100無人機(jī)，該無人機(jī)旋翼數(shù)為4，每旋翼葉片數(shù)為2，葉片長度17.25 cm，最大轉(zhuǎn)速為129.5 rps，無人機(jī)處于懸停狀態(tài)，可知，各旋翼旋轉(zhuǎn)葉片的調(diào)制回波凸顯，表現(xiàn)為頻譜的展寬，能觀察到無人機(jī)的微多普勒效應(yīng)，且各旋翼轉(zhuǎn)速的不同導(dǎo)致占據(jù)多個(gè)多普勒單元。

圖18給出了大疆S900無人機(jī)和貓頭鷹的微多普勒特征對(duì)比[54]，由于無人機(jī)旋翼轉(zhuǎn)速較快，其微動(dòng)周期明顯快于飛鳥，但強(qiáng)度弱于飛鳥目標(biāo)微多普勒，此外，由于飛鳥機(jī)動(dòng)導(dǎo)致的翅膀扇動(dòng)不規(guī)律，使其微多普勒更為復(fù)雜。無人機(jī)和飛鳥微動(dòng)特征有明顯差異，從而為無人機(jī)和飛鳥目標(biāo)的準(zhǔn)確探測與精確識(shí)別提供不依賴于先驗(yàn)信息、可靠性高、可分性好的重要特征依據(jù)。目前，利用微動(dòng)特征進(jìn)行飛鳥和無人機(jī)目標(biāo)識(shí)別的主要難點(diǎn)是“低慢小”目標(biāo)回波微弱，微動(dòng)特征提取難，時(shí)頻分辨力低，分類和識(shí)別難，且目標(biāo)與微動(dòng)特征的對(duì)應(yīng)關(guān)系尚不明確。

圖15 飛鳥與無人機(jī)微動(dòng)特征差異Fig.15 Differences in micromotion characteristics of flying birds and UAVs

圖17 無人機(jī)目標(biāo)實(shí)測微動(dòng)特性分析(外輻射源中心頻率658 MHz)[39]Fig.17 Analysis of measured m-D characteristics of UAV target (center frequency of external radiation source 658 MHz)[39]

(2) 泛探模式下機(jī)動(dòng)特征增強(qiáng)與提取技術(shù)。利用泛探觀測模式能夠通過延長積累時(shí)間，獲取高的信號(hào)處理增益、提高速度分辨率，并從多域(時(shí)頻域、變換域、特征域)、多維(回波序列、二維微動(dòng)時(shí)頻圖、距離-多普勒?qǐng)D、變換域圖)、多視角(多接收站位)分析目標(biāo)運(yùn)動(dòng)特征，可實(shí)現(xiàn)復(fù)雜微動(dòng)特征高精度提取、機(jī)動(dòng)特征的精確描述[7]。

假設(shè)一種外輻射源雷達(dá)的雙基地配置，如圖19所示[29]。T0和R0分別為發(fā)射站和接收站，L為基線距離。設(shè)初始時(shí)刻目標(biāo)位于O點(diǎn)，t時(shí)刻運(yùn)動(dòng)到O'點(diǎn)，和RT(t)分別為初始時(shí)刻和t時(shí)刻目標(biāo)距發(fā)射站的距離，和Rr(t)分別為初始時(shí)刻和t時(shí)刻目標(biāo)距接收站的距離，目標(biāo)做勻加速運(yùn)動(dòng)，初始速度為v0，加速度為a0，β0為初始時(shí)刻的雙基地角，?為目標(biāo)運(yùn)動(dòng)方向。若基帶信號(hào)為s(t),t時(shí)刻目標(biāo)回波相對(duì)直達(dá)波的延時(shí)τ=R(t)/c0,R(t)RT(t)+Rr(t)?L,c0為光速，λ為波長。將R(t)在t=0處Taylor展開，并忽略2次以上項(xiàng)，則回波信號(hào)模型可簡化為

圖18 無人機(jī)和飛鳥目標(biāo)微多普勒(24 GHz)[54]Fig.18 Micro-Doppler (24 GHz) for UAV and bird targets[54]

圖19 雙基地外輻射源雷達(dá)配置圖Fig.19 Configuration diagram of bistatic passive radar

式中，fc為載波頻率，A0為回波信號(hào)幅度，t和tm分別為進(jìn)行外輻射源信號(hào)二維分時(shí)處理后的快時(shí)間和慢時(shí)間，如中國移動(dòng)多媒體廣播(China Mobile Multimedia Broadcasting,CMMB)信號(hào)規(guī)定1 s的信號(hào)為1幀，并將其劃分為40個(gè)時(shí)隙，每個(gè)時(shí)隙長25 ms，又可劃分為1個(gè)信標(biāo)和53個(gè)正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing,OFDM)符號(hào)，以O(shè)FDM符號(hào)為處理單元?jiǎng)澐挚鞎r(shí)間和慢時(shí)間

由此可知，在較長的觀測時(shí)間內(nèi)，目標(biāo)的時(shí)延和多普勒頻率分布一定區(qū)間內(nèi)，即同一個(gè)目標(biāo)可能對(duì)應(yīng)多個(gè)距離單元和多普勒單元，產(chǎn)生距離徙動(dòng)和多普勒徙動(dòng)。距離徙動(dòng)的大小取決于目標(biāo)速度在雙基角平分線的投影值與平臺(tái)速度在觀測角平分線的切向投影值；多普勒徙動(dòng)取決于目標(biāo)、平臺(tái)速度的切向分量及目標(biāo)距發(fā)射站、接收站距離，基線距離，以及目標(biāo)、平臺(tái)加速度的切向分量。

若目標(biāo)做高階機(jī)動(dòng)，則可將長時(shí)間信號(hào)模型統(tǒng)一為

3階多項(xiàng)式可描述大部分的機(jī)動(dòng)目標(biāo)的運(yùn)動(dòng)，即

傳統(tǒng)的距離和多普勒徙動(dòng)補(bǔ)償方法多為分段分步補(bǔ)償，即先進(jìn)行距離徙動(dòng)補(bǔ)償，后進(jìn)行多普勒徙動(dòng)補(bǔ)償，算法復(fù)雜且后續(xù)補(bǔ)償性能受制于前續(xù)結(jié)果，不能實(shí)現(xiàn)回波信號(hào)的長時(shí)間快速相參積累?；趨?shù)搜索的長時(shí)間相參積累(Long-Time Coherent Integration,LTCI)方法[55—57]根據(jù)預(yù)先設(shè)定的目標(biāo)運(yùn)動(dòng)參數(shù)(初始距離、速度和加速度)搜索范圍，提取位于距離-慢時(shí)間二維平面中的目標(biāo)觀測值，然后在相應(yīng)的變換域選擇合適的變換參數(shù)對(duì)該觀測值進(jìn)行匹配和積累，但該方法的主要問題在于需要多維參數(shù)搜索，導(dǎo)致運(yùn)算量較大，增加了工程應(yīng)用的難度。

為此，可基于非參數(shù)搜索的長時(shí)間相參積累方法，通過快速降階處理和多項(xiàng)式相位補(bǔ)償?shù)人悸罚岣咚惴ㄟ\(yùn)算效率。文獻(xiàn)[58]提出了一種基于非均勻采樣降階運(yùn)算和變標(biāo)尺度變換(Non-Uniform resampling and Scale Processing,NUSP)的機(jī)動(dòng)目標(biāo)長時(shí)間相參積累檢測方法(NUSP-LTCI)，如圖20所示，并用于低空飛行目標(biāo)檢測，該方法僅通過1次非均勻采樣降階運(yùn)算，將高階相位信號(hào)降階至1階相位信號(hào)，相比傳統(tǒng)逐次降階法降低了交叉項(xiàng)的影響，提高了參數(shù)估計(jì)精度；無需參數(shù)搜索匹配計(jì)算，降低了運(yùn)算量，適合工程應(yīng)用；能夠同時(shí)補(bǔ)償距離和高階多普勒走動(dòng)，實(shí)現(xiàn)長時(shí)間相參積累，提高雷達(dá)強(qiáng)雜波背景下的機(jī)動(dòng)目標(biāo)檢測能力。如圖21給出了一低空直升機(jī)目標(biāo)雷達(dá)相參積累結(jié)果對(duì)比分析，可以看出NUSP-LTCI方法在雜波抑制能力和參數(shù)估計(jì)精度等方面較傳統(tǒng)的MTD和經(jīng)典Radon傅里葉變換(Radon Fourier Transform,RFT)方法有明顯改善。

圖20 非參數(shù)搜索長時(shí)間相參積累(NUSP-LTCI)處理流程[58]Fig.20 NUSP-LTCI processing[58]

非均勻采樣降階運(yùn)算定義為[59]

非均勻采樣降階運(yùn)算不同于傳統(tǒng)的相位差分運(yùn)算，在不進(jìn)行信號(hào)的延遲復(fù)共軛相乘逐次降階的前提下，能夠快速將N階相位降階至N/2或N/2+1階，從而大大降低了運(yùn)算量，并減少了交叉項(xiàng)的影響。而變標(biāo)尺度變換，借鑒Keystone變換的思想，對(duì)時(shí)間坐標(biāo)軸進(jìn)行尺度變換，消除變量之間的線性耦合關(guān)系，可在目標(biāo)速度未知的前提下實(shí)現(xiàn)距離徙動(dòng)校正。

沿距離向?qū)γ}壓后的雷達(dá)數(shù)據(jù)進(jìn)行傅里葉變換，得到距離頻率-脈間慢時(shí)間二維數(shù)據(jù)

則通過非均勻采樣運(yùn)算，式(9)可轉(zhuǎn)變?yōu)?/p>

由式(10)可知，機(jī)動(dòng)目標(biāo)回波相位已由關(guān)于tm的3階多項(xiàng)式，降階為關(guān)于新的時(shí)間變量τm的1次項(xiàng)。因此，后續(xù)可采用變標(biāo)尺度變換去除距離頻率f和τm的線性耦合關(guān)系，進(jìn)而實(shí)現(xiàn)距離和多普勒的徙動(dòng)補(bǔ)償。

(3) 分布式多視角微動(dòng)特征提取技術(shù)。由于無人機(jī)運(yùn)動(dòng)目標(biāo)姿態(tài)變化的復(fù)雜性，在不同的雷達(dá)視角下，其微多普勒特征將呈現(xiàn)顯著差異，因此，利用分布式多視角雷達(dá)探測可提取更加全面的微多普勒特征，從而對(duì)目標(biāo)實(shí)現(xiàn)更好的分類[61—63]。以外輻射源雷達(dá)為例，外輻射源雷達(dá)通常利用數(shù)字廣播電視信號(hào)作為照射源，其工作頻率較低，在目標(biāo)精細(xì)化特征尤其是微動(dòng)特征描述方面優(yōu)勢并不突出，但外輻射源雷達(dá)一個(gè)重要優(yōu)勢在于能利用分布式發(fā)射站以同時(shí)獲得不同視角上的微動(dòng)分量，從而提高微動(dòng)特征分辨率[64,65]。圖22給出了單頻網(wǎng)分布式外輻射源雷達(dá)微動(dòng)特征提取的方案流程，利用單頻網(wǎng)分布式外輻射源雷達(dá)的多視角特性，分析波數(shù)域樣本分布與微動(dòng)特征分辨率之間的內(nèi)在聯(lián)系，設(shè)計(jì)接收站位置優(yōu)化策略以提高目標(biāo)微動(dòng)特征分辨率。

對(duì)于外輻射源雷達(dá)雙基地探測，若基線中點(diǎn)位于空間固定坐標(biāo)系(X,Y,Z)的原點(diǎn)O，雙基地角為β，方位角為δ(定義為雙基地角平分線與旋轉(zhuǎn)平面的夾角)。不失一般性，假設(shè)旋轉(zhuǎn)葉片在水平面內(nèi)轉(zhuǎn)動(dòng)，葉片數(shù)為K，葉片長度為L，轉(zhuǎn)動(dòng)速率為?，若不考慮目標(biāo)主體運(yùn)動(dòng)及多徑雜波的影響，則接收到的理想旋轉(zhuǎn)葉片回波信號(hào)可表示為

其中，A為散射信號(hào)強(qiáng)度，函數(shù)Φk(t)為

其中，λ為波長，φkφ0+k2π/K,k0,1,2,···,K ?1為各葉片對(duì)應(yīng)的初始旋轉(zhuǎn)角。

旋轉(zhuǎn)葉片時(shí)域特征由式(11)的幅度決定，即

可見，時(shí)域特征是由sinc函數(shù)組成的，由sinc函數(shù)的定義可知，連續(xù)兩個(gè)峰值位置之間的時(shí)間間隔為

對(duì)式(11)作傅里葉變換，得到其頻譜為

圖22 單頻網(wǎng)分布式外輻射源雷達(dá)微動(dòng)特征提取研究思路Fig.22 Method of micro-motion feature extraction via single-frequency distributed passive radar

可見，調(diào)制譜是由一系列譜線間隔為?fK?/2π的譜線組成的，Cm為譜線幅度，由Bessel函數(shù)確定，式(15)中M為調(diào)制譜的譜線條數(shù)，由式(16)確定

由此可得調(diào)制信號(hào)帶寬為

其中，VtipL·?為葉尖速度。

因此，在不同視角條件下，可得到不同的雷達(dá)微多普勒回波，對(duì)多視角微多普勒特征提取并融合，則可更有益于目標(biāo)識(shí)別與分類。

3.2 飛鳥與無人機(jī)目標(biāo)自動(dòng)識(shí)別方法

近年來，飛鳥與無人機(jī)目標(biāo)自動(dòng)識(shí)別得到了廣泛關(guān)注，其主要技術(shù)思路與雷達(dá)目標(biāo)識(shí)別有相似之處，主要方法包括基于模板的識(shí)別方法[66]和基于模型的識(shí)別方法[67]，前者的主要工作集中在特征庫構(gòu)建方面，同類目標(biāo)的特征可以聚類在一起，而不同類的特征在特征空間中是可分離的，通過精心選擇目標(biāo)的特征，可以有效的對(duì)目標(biāo)進(jìn)行分類和識(shí)別；后者在于目標(biāo)的物理模型構(gòu)建，包括其外形，幾何結(jié)構(gòu)，紋理，材質(zhì)等。這兩種方法都需要有深厚的領(lǐng)域知識(shí)來構(gòu)建特征庫，或者需要特定的模型知識(shí)構(gòu)建模型庫，并且特征庫和模型庫的好壞直接影響識(shí)別結(jié)果。目前，較為常用的飛鳥和無人機(jī)分類流程為，首先檢測目標(biāo)，然后通過信號(hào)處理方法提取飛鳥和無人機(jī)的特征[42,68—70]，包括RCS特征、高分辨距離像特征、變換譜特征、時(shí)頻特征、極化特征等，進(jìn)而利用特征差異，采用支持向量機(jī)(Support Vector Machine,SVM)等方法實(shí)現(xiàn)兩者的分類和識(shí)別。區(qū)別于上述方法，本文對(duì)目前的兩種新興方法進(jìn)行闡述。

(1) 基于機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的目標(biāo)識(shí)別方法。深度學(xué)習(xí)方法是一種高效的智能處理方法，相比于傳統(tǒng)的SVM更適合挖掘更高維度的抽象特征，具有良好的泛化能力，并且在雷達(dá)領(lǐng)域開始得到應(yīng)用[71]。深度神經(jīng)網(wǎng)絡(luò)方法可從實(shí)測數(shù)據(jù)中習(xí)得目標(biāo)的各種隱藏特征，無需構(gòu)造復(fù)雜的高逼真度模型，因此在高分辨距離像、微多普勒譜圖和距離多普勒譜圖等識(shí)別中有非常好的應(yīng)用前景[72,73]。由于飛鳥和無人機(jī)的時(shí)頻微動(dòng)圖有明顯差異，將其作為數(shù)據(jù)集采用深度卷積網(wǎng)絡(luò)(Convolutional Neural Network,CNN)學(xué)習(xí)，有望實(shí)現(xiàn)目標(biāo)微動(dòng)信號(hào)的智能化提取和識(shí)別[74,75]。目前，該方向處于起步研究階段，卷積網(wǎng)絡(luò)的構(gòu)建、參數(shù)設(shè)置以及數(shù)據(jù)集的構(gòu)造等均需進(jìn)一步研究。

無人機(jī)旋翼和飛鳥的微動(dòng)特征參數(shù)與無人機(jī)和飛鳥類型、運(yùn)動(dòng)狀態(tài)、雷達(dá)觀測方式、環(huán)境和背景均有密切的關(guān)系，試圖從數(shù)學(xué)建模和特性認(rèn)知的角度去尋找參數(shù)之間的關(guān)系，并基于特征差異開展目標(biāo)識(shí)別，是一種可行的技術(shù)途徑，但復(fù)雜的運(yùn)動(dòng)形式和環(huán)境因素，其內(nèi)在的關(guān)系有時(shí)難以用模型和參數(shù)的方式描述清楚。并且作為關(guān)鍵步驟的特征提取過程則需要占據(jù)相當(dāng)?shù)南到y(tǒng)資源，且特征多為人工設(shè)計(jì)，從而造成很難獲得目標(biāo)數(shù)據(jù)深層本質(zhì)特征。為了解決雷達(dá)目標(biāo)識(shí)別中特征提取面臨的問題，獲取目標(biāo)深層本質(zhì)特征信息，提高識(shí)別精度，可采用深度學(xué)習(xí)方法，如深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)，用于特征描述、提取和識(shí)別，通過設(shè)置不同的隱藏層數(shù)和迭代次數(shù)，獲取數(shù)據(jù)各層次的特征表達(dá)，然后和近鄰方法相結(jié)合，對(duì)目標(biāo)進(jìn)行識(shí)別[72,73,76]。可采取的思路是：

(a)通過深度學(xué)習(xí)構(gòu)建可用于無人機(jī)和飛鳥運(yùn)動(dòng)模型的參數(shù)估計(jì)的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，取得優(yōu)于傳統(tǒng)參數(shù)模型建模方法和時(shí)頻參數(shù)估計(jì)的效果；

(b)通過卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)回波信號(hào)(如微動(dòng)信號(hào))的深度特征提取和場景精細(xì)化識(shí)別；

(c)通過對(duì)大量特征數(shù)據(jù)集的認(rèn)知學(xué)習(xí)，利用深度學(xué)習(xí)方法構(gòu)建深度網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行回歸分析來反演運(yùn)動(dòng)形式，并以此分析運(yùn)動(dòng)特性與運(yùn)動(dòng)參數(shù)之間的關(guān)聯(lián)。

對(duì)于微動(dòng)參數(shù)估計(jì)，由于微動(dòng)回波信號(hào)可以看做是時(shí)間-頻率的二維特征數(shù)據(jù)，可采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)，將微動(dòng)目標(biāo)回波信號(hào)作為輸入數(shù)據(jù)，經(jīng)過多層卷積神經(jīng)網(wǎng)絡(luò)，獲得微動(dòng)模型關(guān)鍵運(yùn)動(dòng)參數(shù)，再將參數(shù)代入微動(dòng)模型，作為代價(jià)函數(shù)反饋，進(jìn)行反向傳播，調(diào)整權(quán)重，重新輸入微動(dòng)目標(biāo)回波數(shù)據(jù)訓(xùn)練計(jì)算，擬合程度越高，證明數(shù)據(jù)越符合該微動(dòng)模型，一直到獲得參數(shù)較為理想為止，并估算出微動(dòng)模型的參數(shù)，最后計(jì)算微動(dòng)模型與實(shí)際信號(hào)的誤差。圖23給出了微動(dòng)時(shí)頻圖CNN中各卷積層的數(shù)據(jù)特征(以LeNet為例)[73]，其中，圖23(a)和圖23(c)分別為CNN的第1個(gè)卷積層和第2個(gè)卷積層的卷積核，圖23(b)和圖23(d)分別為第1個(gè)卷積層和第2個(gè)卷積層的特征圖，可以看出，CNN能夠提取出數(shù)據(jù)集中較為精細(xì)的紋理和輪廓特征，從而為特征分類和參數(shù)估計(jì)奠定了基礎(chǔ)。

對(duì)于典型的旋轉(zhuǎn)目標(biāo)來說，主要估計(jì)的就是旋翼轉(zhuǎn)速ω，需要找到一個(gè)合適的參數(shù)ω使得微動(dòng)模型與回波數(shù)據(jù)擬合，擬合程度越高，證明模型越符合數(shù)據(jù)。首先需要將雜波數(shù)據(jù)作為輸入，進(jìn)入神經(jīng)元運(yùn)算，進(jìn)行卷積運(yùn)算、池化，進(jìn)行全連接，經(jīng)過多層的CNN網(wǎng)絡(luò)層，最后通過Softmax層得到兩個(gè)輸出，得到一個(gè)值向量，根據(jù)取值范圍的設(shè)定，選定此次訓(xùn)練后應(yīng)選取的參數(shù)值，代入到原模型中作為代價(jià)函數(shù)，反向傳播，調(diào)整權(quán)重，重新訓(xùn)練，計(jì)算數(shù)值結(jié)果是否擬合于此參數(shù)的模型。如相差較大則繼續(xù)訓(xùn)練，直到得到的參數(shù)值較為符合訓(xùn)練數(shù)據(jù)。由圖23可知，一個(gè)CNN由若干卷積層、Pooling層、全連接層組成?？梢愿鶕?jù)不同的分布模型，構(gòu)建各種不同的卷積神經(jīng)網(wǎng)絡(luò)來完成此次任務(wù)。基于深度學(xué)習(xí)的微動(dòng)參數(shù)估計(jì)流程初步設(shè)計(jì)如圖24所示。對(duì)信號(hào)進(jìn)行特征描述時(shí)通過構(gòu)造深層的卷積神經(jīng)網(wǎng)絡(luò)，獲取中間層網(wǎng)絡(luò)，尤其是靠近全連接層的卷積層網(wǎng)絡(luò)輸出作為學(xué)習(xí)獲取的特征描述。

(2) 基于無人機(jī)與飛鳥目標(biāo)運(yùn)動(dòng)軌跡差異的識(shí)別方法。無人機(jī)目標(biāo)的飛行軌跡相對(duì)穩(wěn)定，而鳥類的飛行軌跡較為多變、機(jī)動(dòng)性高，因此利用兩者運(yùn)動(dòng)方式的差異，采用基于運(yùn)動(dòng)模型的低空非合作無人機(jī)與飛鳥目標(biāo)軌跡差異特征提取，能夠?yàn)閮烧叩姆诸惡妥R(shí)別提供新的技術(shù)途徑[77]。因此，可以通過長時(shí)間的探鳥雷達(dá)數(shù)據(jù)積累，對(duì)一定周期內(nèi)的鳥類飛行軌跡數(shù)量、飛行高度、飛行方向等數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，結(jié)合探測區(qū)域鳥情人工調(diào)研結(jié)果，掌握周邊留鳥的活動(dòng)節(jié)律及過境候鳥的相關(guān)遷徙情況[78]。

圖23 CNN中各卷積層的數(shù)據(jù)特征(以LeNet為例)[73]Fig.23 Data characteristics of convolutional layers in CNN (take LeNet as an example)[73]

圖24 基于深度學(xué)習(xí)的微動(dòng)參數(shù)估計(jì)流程示意圖Fig.24 Schematic diagram of m-D parameter estimation based on deep learning

(a)基于多模型概率提取的目標(biāo)運(yùn)動(dòng)模式判別與分類。除提取“信號(hào)”層面的目標(biāo)微動(dòng)特征之外，利用“數(shù)據(jù)”層面的目標(biāo)飛行軌跡特征，同樣是區(qū)分飛鳥和無人機(jī)目標(biāo)的有效技術(shù)途徑。通常情況下，無人機(jī)目標(biāo)的飛行軌跡持續(xù)時(shí)間長且相對(duì)穩(wěn)定，而飛鳥目標(biāo)的飛行軌跡相對(duì)較短且靈活多變，可通過評(píng)估“數(shù)據(jù)”層面目標(biāo)運(yùn)動(dòng)模型的變化情況區(qū)分飛鳥和無人機(jī)。圖25所示的算法通過提取出目標(biāo)的運(yùn)動(dòng)模型轉(zhuǎn)換頻率特征，進(jìn)而區(qū)分輕小型無人機(jī)目標(biāo)與飛鳥目標(biāo)。

圖26所示為利用飛行軌跡特征對(duì)飛鳥與無人機(jī)目標(biāo)進(jìn)行識(shí)別的結(jié)果，雷達(dá)實(shí)測數(shù)據(jù)中包含了一段時(shí)間內(nèi)某機(jī)場凈空區(qū)自然活動(dòng)的若干飛鳥目標(biāo)與一架大疆精靈3無人機(jī)測試目標(biāo)。其中，飛鳥目標(biāo)多為本地留鳥，機(jī)動(dòng)性高且飛行軌跡短。在工程應(yīng)用中，無人機(jī)和飛鳥目標(biāo)的分類閾值需要通過人工標(biāo)記的方法進(jìn)行驗(yàn)證和設(shè)定，確保算法的識(shí)別效果。實(shí)際上，無人機(jī)的飛行軌跡也可能設(shè)計(jì)為機(jī)動(dòng)且復(fù)雜多變，因此，該算法的適用范圍有待于進(jìn)一步研究和驗(yàn)證。

(b)鳥類活動(dòng)節(jié)律分析。利用探鳥雷達(dá)獲取的機(jī)場鳥情數(shù)據(jù)，對(duì)不同時(shí)段的鳥類飛行軌跡數(shù)量進(jìn)行統(tǒng)計(jì)，確定鳥類活動(dòng)的高峰時(shí)段；在機(jī)場探鳥雷達(dá)的監(jiān)視范圍內(nèi)劃分網(wǎng)格，統(tǒng)計(jì)高峰時(shí)段內(nèi)鳥類活動(dòng)的網(wǎng)格分布情況，確定鳥類活動(dòng)的主要區(qū)域，結(jié)合機(jī)場鳥情調(diào)研情況，為機(jī)場留鳥活動(dòng)節(jié)律分析提供數(shù)據(jù)支撐。圖27和表2給出了某機(jī)場鳥類活動(dòng)熱點(diǎn)分布情況[79]，共統(tǒng)計(jì)出10個(gè)鳥類活動(dòng)的熱點(diǎn)區(qū)域，每個(gè)區(qū)域記錄的月度軌跡數(shù)量和百分比見表2。其中，熱點(diǎn)區(qū)域10的面積最大，鳥類活動(dòng)最活躍，其高峰時(shí)段出現(xiàn)在清晨和傍晚，因此，其屬于鳥類棲息地的可能性最大。其余9個(gè)熱點(diǎn)分布在飛行區(qū)內(nèi)及機(jī)場周邊區(qū)域，面積較小，高峰時(shí)段出現(xiàn)在白天，屬于鳥類覓食或飲水地的可能性更大。機(jī)場管理機(jī)構(gòu)可以結(jié)合機(jī)場實(shí)地鳥情調(diào)研情況驗(yàn)證以上猜測，對(duì)相關(guān)區(qū)域開展生態(tài)治理，降低鳥擊風(fēng)險(xiǎn)。

圖25 基于雷達(dá)數(shù)據(jù)的飛鳥與無人機(jī)目標(biāo)識(shí)別算法流程Fig.25 Target recognition algorithm of flying birds and UAVs based on radar data processing

圖26 飛鳥與無人機(jī)目標(biāo)飛行軌跡識(shí)別結(jié)果[77]Fig.26 Recognition results of trajectories of flying birds and UAVs[77]

圖27 某機(jī)場鳥類活動(dòng)熱點(diǎn)統(tǒng)計(jì)情況[79]Fig.27 Statistics of hot spots of birds activity at an airport[79]

2017—2018年，受民航局機(jī)場司委托，作者團(tuán)隊(duì)對(duì)當(dāng)前國內(nèi)成熟的輕小型無人機(jī)目標(biāo)監(jiān)管技術(shù)進(jìn)行了持續(xù)跟蹤調(diào)研，調(diào)研發(fā)現(xiàn)，目前國內(nèi)研制的基于雷達(dá)技術(shù)的非合作無人機(jī)探測系統(tǒng)大多基于已有的軍事雷達(dá)或其他用途探測雷達(dá)的改進(jìn)版，在探測和識(shí)別能力上與國際相比有很大欠缺，少量系統(tǒng)雖開發(fā)了識(shí)別功能模塊，但識(shí)別途徑和方法有限，多依賴于回波幅度和信號(hào)起伏變化，誤報(bào)率極高，經(jīng)常發(fā)生將飛鳥誤識(shí)別為無人機(jī)的情況?；趥鹘y(tǒng)特征信息的雷達(dá)目標(biāo)識(shí)別，特別是非合作目標(biāo)識(shí)別變得困難甚至失效?；谘邪l(fā)的“機(jī)場雷達(dá)探鳥實(shí)驗(yàn)系統(tǒng)”，初步驗(yàn)證了變換域動(dòng)目標(biāo)檢測技術(shù)、長時(shí)積累技術(shù)以及運(yùn)動(dòng)模式差異分類技術(shù)，如圖28所示，獲得了國家重點(diǎn)研發(fā)計(jì)劃、國家自然科學(xué)基金民航聯(lián)合研究基金、山東省重點(diǎn)研發(fā)計(jì)劃、民航科技項(xiàng)目等多項(xiàng)課題的資助。2019年，民航局委托航科院啟動(dòng)了《機(jī)場凈空區(qū)無人機(jī)探測技術(shù)標(biāo)準(zhǔn)》與《機(jī)場探鳥雷達(dá)系統(tǒng)技術(shù)標(biāo)準(zhǔn)》兩項(xiàng)行業(yè)標(biāo)準(zhǔn)的制定工作，將從標(biāo)準(zhǔn)層面規(guī)范飛鳥與非合作無人機(jī)目標(biāo)的探測、識(shí)別與技術(shù)驗(yàn)證。

4 現(xiàn)有研究存在的不足

由上述研究現(xiàn)狀可知目前實(shí)現(xiàn)飛鳥與無人機(jī)目標(biāo)的分類和識(shí)別的主要途徑有：一是，采用長時(shí)間凝視觀測或泛探觀測模式，進(jìn)而提高目標(biāo)的多普勒分辨率；二是，利用無人機(jī)和飛鳥微動(dòng)特征及差異是實(shí)現(xiàn)分類和識(shí)別的有效手段；三是，通過雙多基地雷達(dá)的觀測，雷達(dá)的多視角特性可以克服單基雷達(dá)姿態(tài)敏感性的局限及遮擋效應(yīng)的影響，形成多視角資源互補(bǔ)，有助于提高分辨能力和特征提取精度；四是，采用深度學(xué)習(xí)智能分類和識(shí)別方法，將目標(biāo)的距離多普勒?qǐng)D以及時(shí)頻圖作為圖片進(jìn)行學(xué)習(xí)，通過深度卷積網(wǎng)絡(luò)，對(duì)目標(biāo)特征進(jìn)行深度挖掘，實(shí)現(xiàn)精細(xì)化描述。目前該方向存在的主要問題和難點(diǎn)是：

表2 鳥類熱點(diǎn)月度軌跡數(shù)量統(tǒng)計(jì)Tab.2 Monthly statistics of bird hot spots

(1) 無人機(jī)與飛鳥目標(biāo)建模及特性研究方面。理想狀態(tài)下，目標(biāo)典型微動(dòng)的特征與其微動(dòng)頻率、微動(dòng)幅度，徑向距離和觀測角度等因素相關(guān)，其隨時(shí)間的變化規(guī)律表現(xiàn)為正弦調(diào)頻(Sinusoidal Frequency Modulation,SFM)信號(hào)形式，因此在時(shí)頻圖像中也呈現(xiàn)出正弦變化規(guī)律。事實(shí)上，微動(dòng)過程中散射中心位置、強(qiáng)度的變化還會(huì)對(duì)回波幅度進(jìn)行非線性調(diào)制，因此在實(shí)際應(yīng)用中還需要考慮目標(biāo)姿態(tài)變化、目標(biāo)形狀、回波不連續(xù)、遮擋效應(yīng)等因素的影響[80,81]。另外，雷達(dá)發(fā)射信號(hào)參數(shù)也會(huì)對(duì)微多普勒頻率的觀測造成影響。此外，目標(biāo)或目標(biāo)部件還復(fù)合有多種微動(dòng)形式，如鳥類目標(biāo)等。目標(biāo)的微多普勒不再服從簡單的正弦規(guī)律，而是表現(xiàn)為多個(gè)正弦分量的疊加。微動(dòng)回波模型顯得更為復(fù)雜，也提升了后續(xù)特征提取的復(fù)雜度。

(2) 無人機(jī)與飛鳥目標(biāo)特征差異提取方面。對(duì)無人機(jī)和飛鳥的差異特征提取是后續(xù)分類和識(shí)別的基礎(chǔ)和關(guān)鍵，兩者是典型的低可觀測目標(biāo)，對(duì)其回波信號(hào)的預(yù)處理的好壞直接決定了特征描述的精細(xì)化程度。無人機(jī)目標(biāo)類型多，具有不同的尺寸、形狀及運(yùn)動(dòng)特性，其雷達(dá)散射特性和多普勒特性也不盡相同。外輻射源雷達(dá)能通過長時(shí)間相干積累可提高多普勒分辨力，但其工作頻率較低，在目標(biāo)精細(xì)化特征尤其是微動(dòng)特征描述方面優(yōu)勢并不突出，在復(fù)雜環(huán)境下實(shí)現(xiàn)高分辨的微動(dòng)特征提取技術(shù)有待于進(jìn)一步研究。此外，除提取“信號(hào)”層面的目標(biāo)微動(dòng)特征之外，利用“數(shù)據(jù)”層面的目標(biāo)飛行軌跡特征，同樣是區(qū)分飛鳥和無人機(jī)目標(biāo)的有效技術(shù)途徑。通常情況下，無人機(jī)目標(biāo)的飛行軌跡持續(xù)時(shí)間長且相對(duì)穩(wěn)定，而飛鳥目標(biāo)的飛行軌跡相對(duì)較短且靈活多變，可以通過評(píng)估“數(shù)據(jù)”層面目標(biāo)運(yùn)動(dòng)模型的變化情況探索飛鳥和無人機(jī)目標(biāo)的分類識(shí)別方法。如何建立科學(xué)有效的飛行運(yùn)動(dòng)模型，并提出運(yùn)動(dòng)模式的判別準(zhǔn)則和方法，這些都需要深入研究。

圖28 無人機(jī)和飛鳥目標(biāo)外場探測試驗(yàn)Fig.28 UAV and flying birds detection experiment

(3) 無人機(jī)與飛鳥智能分類識(shí)別方面。目前的CNN模型發(fā)展迅速，適用于各種應(yīng)用的改進(jìn)算法層出不窮，將CNN用于無人機(jī)和飛鳥目標(biāo)的分類識(shí)別前提是構(gòu)建不同類型的數(shù)據(jù)集，數(shù)據(jù)集的類型完備性和標(biāo)注準(zhǔn)確性直接決定CNN網(wǎng)絡(luò)學(xué)習(xí)的效果，因此仍需長時(shí)間開展不同條件下、不同目標(biāo)的數(shù)據(jù)采集和標(biāo)注。此外，如何將特征數(shù)據(jù)重構(gòu)以適應(yīng)深度學(xué)習(xí)模型輸入層、如何結(jié)合目標(biāo)識(shí)別實(shí)際需求進(jìn)行模型參數(shù)調(diào)優(yōu)、如何利用輸出的差異特征進(jìn)行場景辨識(shí)和目標(biāo)識(shí)別方法設(shè)計(jì)，也是迫切需要解決的關(guān)鍵科學(xué)問題。

5 發(fā)展趨勢

(1) 雷達(dá)回波信號(hào)的精細(xì)化處理是提高檢測和識(shí)別性能的前提。以往的雷達(dá)目標(biāo)探測技術(shù)研究，通常是只針對(duì)雷達(dá)回波數(shù)據(jù)，僅利用目標(biāo)和背景的1階和2階統(tǒng)計(jì)分布特征、譜特征、空間相關(guān)特征以及目標(biāo)勻速、勻加速運(yùn)動(dòng)特征，在事先假定的信號(hào)模型、目標(biāo)模型、背景模型條件下開展檢測、跟蹤與識(shí)別算法設(shè)計(jì)。這種粗放型的做法能夠解決雷達(dá)探測中的大多數(shù)問題，但是隨著環(huán)境和目標(biāo)的日益復(fù)雜，這種粗放型的做法日益明顯地阻礙了雷達(dá)探測性能的進(jìn)一步提升[82]。必須從雷達(dá)探測所面對(duì)的目標(biāo)和背景，從雷達(dá)探測所包含的雜波干擾抑制、檢測、跟蹤和識(shí)別等環(huán)節(jié)中進(jìn)行精細(xì)化的分析與處理，提高信息的利用率，進(jìn)而獲得雷達(dá)探測性能的改善[6]。

(2) 信號(hào)和數(shù)據(jù)特征融合是提高分類正確率的有效途徑。目標(biāo)分類和識(shí)別最重要的前提是差異特征構(gòu)建和提取。外輻射源雷達(dá)長時(shí)間的觀測模式易于提取高分辨的微動(dòng)特征，能夠獲取無人機(jī)和飛鳥的精細(xì)信號(hào)特征，旋翼無人機(jī)和飛鳥目標(biāo)的微動(dòng)特征有明顯差異，這為分類和識(shí)別奠定了基礎(chǔ)。此外，大量的實(shí)驗(yàn)數(shù)據(jù)表明，雷達(dá)獲取的目標(biāo)數(shù)據(jù)中，無人機(jī)與飛鳥的運(yùn)動(dòng)軌跡具有一定的區(qū)分度。目前，成熟的目標(biāo)跟蹤算法通過建立多種運(yùn)動(dòng)模型逼近目標(biāo)的真實(shí)運(yùn)動(dòng)狀態(tài)，運(yùn)動(dòng)軌跡相對(duì)穩(wěn)定的無人機(jī)目標(biāo)在飛行過程的目標(biāo)狀態(tài)一般符合單一的運(yùn)動(dòng)模型，而機(jī)動(dòng)性較高的飛鳥目標(biāo)在飛行過程中的目標(biāo)狀態(tài)通常在多個(gè)運(yùn)動(dòng)模型直接切換。同時(shí)，大量的探鳥雷達(dá)數(shù)據(jù)分析表明，一定區(qū)域內(nèi)的鳥類活動(dòng)具有明顯的節(jié)律性。由此可知，通過評(píng)估目標(biāo)運(yùn)動(dòng)模型切換頻率結(jié)合鳥類活動(dòng)節(jié)律分析的方法進(jìn)行目標(biāo)識(shí)別分類是可行的。因此，融合利用無人機(jī)和飛鳥的信號(hào)和數(shù)據(jù)特征，能夠擴(kuò)展差異特征空間，提高分類概率[77]。

(3) 深度學(xué)習(xí)網(wǎng)絡(luò)為無人機(jī)和飛鳥目標(biāo)智能識(shí)別提供了新的手段。由于無人機(jī)和飛鳥復(fù)雜的運(yùn)動(dòng)形式和環(huán)境因素，其本質(zhì)屬性有時(shí)難以用模型和參數(shù)的方式描述清楚，從而造成很難獲得目標(biāo)數(shù)據(jù)深層本質(zhì)特征。采用深度學(xué)習(xí)等智能學(xué)習(xí)的思路，通過構(gòu)建多層卷積神經(jīng)網(wǎng)絡(luò)，發(fā)現(xiàn)高維數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)，已在圖像識(shí)別和語音識(shí)別等領(lǐng)域經(jīng)過驗(yàn)證具有很強(qiáng)的特征表述能力和較高的分類識(shí)別準(zhǔn)確率。深度學(xué)習(xí)的好處是用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法來替代手工獲取特征。由于目標(biāo)微動(dòng)信號(hào)可以看做是時(shí)間-頻率的二維特征數(shù)據(jù)，目標(biāo)回波和運(yùn)動(dòng)軌跡體現(xiàn)在雷達(dá)P顯畫面也是距離和方位(多普勒)的二維圖像[76,83]，因此，采用深度學(xué)習(xí)來進(jìn)行目標(biāo)智能分類和識(shí)別是非常適合的。此外，僅用時(shí)頻圖得到的微動(dòng)特征對(duì)無人機(jī)和飛鳥信號(hào)進(jìn)行分類時(shí)利用的特征空間有限，準(zhǔn)確率較低，為此，可采用多特征多通道CNN融合處理的思路，將目標(biāo)的回波序列圖、微動(dòng)時(shí)頻圖、距離-多普勒?qǐng)D、變換域圖、運(yùn)動(dòng)軌跡圖等輸入多通道CNN，從而更好地運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行特征學(xué)習(xí)和目標(biāo)辨識(shí)[76]。

(4) 新體制雷達(dá)為目標(biāo)精細(xì)化處理和探測識(shí)別一體化奠定了硬件基礎(chǔ)。當(dāng)前，雷達(dá)硬件技術(shù)，特別是硬件的計(jì)算能力和存儲(chǔ)能力的進(jìn)步為雷達(dá)目標(biāo)探測精細(xì)化、智能化信息處理技術(shù)的發(fā)展提供了堅(jiān)實(shí)的硬件基礎(chǔ)；同時(shí)，數(shù)字陣列體制、外輻射源雷達(dá)、全息雷達(dá)、MIMO雷達(dá)、軟件化雷達(dá)、智能化雷達(dá)等新的雷達(dá)體制，擴(kuò)展了可利用的信號(hào)維度，為雷達(dá)目標(biāo)探測精細(xì)化、探測識(shí)別一體化處理提供了靈活的軟件框架[84]。例如，全息數(shù)字陣?yán)走_(dá)、MIMO雷達(dá)等具有多波束凝視和泛探能力的雷達(dá)，能夠?qū)崿F(xiàn)時(shí)域(跨距離、跨波束、跨多普勒的長時(shí)間相參積累)、空域(寬空域全數(shù)字波束形成全覆蓋)和頻域(長時(shí)間凝視改善多普勒分辨力，提取精細(xì)化運(yùn)動(dòng)特征)信息的聯(lián)合處理，從而實(shí)現(xiàn)“低慢小”等低可觀測目標(biāo)的可靠檢測和識(shí)別[85—88]。外輻射源雷達(dá)利用第三方輻射源，本身不發(fā)射信號(hào)，無需專門申請(qǐng)頻率，具有成本低、綠色環(huán)保、無電磁污染的特點(diǎn)，在機(jī)場等電磁頻譜敏感區(qū)域的無人機(jī)監(jiān)視尤具有獨(dú)特優(yōu)勢。此外，復(fù)雜環(huán)境下，依靠雷達(dá)單一探測設(shè)備的目標(biāo)識(shí)別概率都不高，需要綜合利用不同傳感器的信息，如光電、聲等，彌補(bǔ)單一傳感器的局限性，提高識(shí)別效率與精度。

6 結(jié)束語

本文對(duì)近年來復(fù)雜場景下飛鳥與無人機(jī)目標(biāo)檢測和識(shí)別這一熱點(diǎn)研究領(lǐng)域的主要技術(shù)手段和系統(tǒng)進(jìn)行了梳理和總結(jié)，分析了各自的優(yōu)缺點(diǎn)，給出了數(shù)據(jù)仿真分析結(jié)果，并從信號(hào)精細(xì)化處理、信號(hào)和數(shù)據(jù)特征融合、深度學(xué)習(xí)智能識(shí)別以及新體制雷達(dá)發(fā)展等幾個(gè)方面，對(duì)未來實(shí)現(xiàn)有效監(jiān)視和識(shí)別飛鳥和無人機(jī)目標(biāo)進(jìn)行了展望。由于飛鳥和無人機(jī)目標(biāo)均屬于“低慢小”目標(biāo)，回波具有低可觀測性，并且隱藏在復(fù)雜背景中，因此，對(duì)兩者的有效監(jiān)視和識(shí)別也極大考驗(yàn)和促進(jìn)雷達(dá)新技術(shù)的發(fā)展和應(yīng)用，相關(guān)技術(shù)也能夠?yàn)槠渌鼜?fù)雜背景下的弱小目標(biāo)探測提供思路。期望更多的學(xué)者能夠?qū)Υ祟I(lǐng)域進(jìn)行深入研究，尋找更好地提高飛鳥和無人機(jī)目標(biāo)探測和識(shí)別能力的方法和手段。