基于無人機(jī)微多普勒的特征識別

梁健濤，何法虎

(華北理工大學(xué)人工智能學(xué)院，唐山 063200)

0 引言

最近這些年，無人機(jī)越來越受到大眾的喜愛，在許多場合隨處可見。無人機(jī)在民用以及商業(yè)等領(lǐng)域得以普及，例如快遞[1]、噴灑農(nóng)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(jī)飛行問題頒布了一系列政策[3]。隨后幾年中，隨著無人技術(shù)的飛速發(fā)展，使用無人機(jī)的數(shù)量有了迅猛增長。這導(dǎo)致執(zhí)法人員在面對無人機(jī)造成的威脅時缺乏經(jīng)驗(yàn)。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(jī)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(zhì)運(yùn)輸以及爆炸性化學(xué)物質(zhì)部署，等等。有一項(xiàng)數(shù)據(jù)計(jì)算表明，在發(fā)生碰撞時，若無人機(jī)重2kg，以正常行駛的速度進(jìn)行飛行，發(fā)生碰撞[6]時對物體造成的傷害可相當(dāng)于一個炮彈的傷害。同時無人機(jī)在現(xiàn)代社會中還具有很多積極的應(yīng)用前景。例如遠(yuǎn)程作業(yè)、噴灑農(nóng)藥、救助人員、航空拍照以及物資運(yùn)輸?shù)?。隨著無人機(jī)的廣泛應(yīng)用，將會大大提高經(jīng)濟(jì)效益。預(yù)計(jì)無人機(jī)在未來企業(yè)使用中可高達(dá)1270億美元。

隨著無人機(jī)在各個領(lǐng)域的發(fā)展應(yīng)用，對無人機(jī)飛行在空中如何進(jìn)行有效的安全檢測，以及無人機(jī)種類的識別，成了當(dāng)前社會的熱門話題。由于當(dāng)前城市環(huán)境復(fù)雜，存在許多建筑遮擋以及無人機(jī)操作不當(dāng)?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(jī)等飛行小目標(biāo)進(jìn)行實(shí)時高效的識別，是當(dāng)前研究的重要之重，引起了社會和個人的廣泛關(guān)注。若可以實(shí)時準(zhǔn)確地識別飛機(jī)、無人機(jī)等飛行目標(biāo)，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(shí)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(dǎo)致墜機(jī)事件時常發(fā)生。而在生活中也存在一些使用無人機(jī)竊取機(jī)密、偷窺他人隱私的事件，因此飛行小目標(biāo)的識別對于公共安全方法也有重要作用，對飛行小目標(biāo)的準(zhǔn)確高效識別顯得至關(guān)重要。

因?yàn)闊o人機(jī)品種眾多，其探測性較差[8]。主要由于：①無人機(jī)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(biāo)在飛行時會使多普勒發(fā)散，其目標(biāo)回波很難集中收集；③雷達(dá)回波較弱。特征提取比較困難。因此在飛行小目標(biāo)識別技術(shù)中，如何對飛行小目標(biāo)進(jìn)行檢測，準(zhǔn)確地獲取目標(biāo)信息非常重要。在當(dāng)前的研究領(lǐng)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(biāo)是否存在，以及相參積累、特征檢測[10]等方法。隨著無人機(jī)受歡迎度的增加，其安全問題也備受矚目。由于當(dāng)前環(huán)境復(fù)雜，無人機(jī)等低空飛行器的出現(xiàn)和迅速發(fā)展，許多虛假高達(dá)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(yán)峻挑戰(zhàn)。因此針對無人機(jī)等飛行小目標(biāo)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(dá)來對三種無人機(jī)進(jìn)行探測，通過對雷達(dá)回波信號的一系列處理，得到目標(biāo)的微多普勒特征，使用AlexNet對特征集進(jìn)行訓(xùn)練識別，從而得到無人機(jī)的識別正確率。

1 流程實(shí)現(xiàn)

1.1 流程描述

無人機(jī)的識別流程如圖1所示，具體步驟如下：

圖1 無人機(jī)識別的流程圖

(1)使用77GHz的毫米波雷達(dá)探測已知距離的多種類無人機(jī)，獲取目標(biāo)回波。

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

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

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

1.2 理論分析

1.2.1 時頻分析

由于現(xiàn)實(shí)信號的非平穩(wěn)性導(dǎo)致其頻率大多隨時間進(jìn)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(dāng)既需要知道信號的某些局部時間段上所對應(yīng)的頻率，也需要知道信號某些頻率在對應(yīng)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(nèi)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(nèi)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(dá)探測的無人機(jī)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(jìn)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(jìn)行乘法運(yùn)算來切片信號，對其作FT，即不斷對窗函數(shù)進(jìn)行滑動，實(shí)現(xiàn)在u周圍加窗，得到信號在不同時間段內(nèi)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(jìn)行STFT可得：

(1)

本文使用毫米波雷達(dá)采集到的現(xiàn)實(shí)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(biāo)識別領(lǐng)域常用的方法之一是CNN，可以按照結(jié)構(gòu)層次對輸入進(jìn)行分類。CNN普遍應(yīng)用在人臉識別和圖像分割等領(lǐng)域[11]，能夠?qū)嵭斜O(jiān)督學(xué)習(xí)以及非監(jiān)督學(xué)習(xí)。CNN擁有許多不同種網(wǎng)絡(luò)結(jié)構(gòu)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(gòu)成。在2006年深度學(xué)習(xí)理論被提出后[12]，卷積神經(jīng)網(wǎng)絡(luò)被廣泛關(guān)注。

AlexNet模型結(jié)構(gòu)以及參數(shù)計(jì)算如圖2所示?？煽闯鲚斎雽邮?27×227的圖片，每層網(wǎng)絡(luò)參數(shù)的計(jì)算都在圖中進(jìn)行了標(biāo)識。將數(shù)據(jù)集傳輸?shù)捷斎雽雍?，conv和pool交替進(jìn)行使特征圖不斷縮小，提取目標(biāo)的主要特征。全連接層將之前得到所有特征進(jìn)行FC，然后送到分類器中。輸入層作為網(wǎng)絡(luò)的整體輸入，圖2的結(jié)構(gòu)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(jié)構(gòu)都是將上一個的三維矩陣轉(zhuǎn)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(yùn)算進(jìn)行特征提取，激活對其進(jìn)行運(yùn)算獲得輸出進(jìn)入下一層的網(wǎng)絡(luò)。卷積層的conv計(jì)算表示為：

(2)

圖2 AlexNet模型網(wǎng)絡(luò)框圖

2 實(shí)驗(yàn)過程

TI雷達(dá)發(fā)射周期性的線性調(diào)頻信號，進(jìn)行距離、速度以及角度的測量，在實(shí)驗(yàn)中采用的是77GHz雷達(dá)。課題實(shí)驗(yàn)中的運(yùn)動目標(biāo)特征信號主要來自于無人機(jī)旋翼葉片的旋轉(zhuǎn)運(yùn)動，小部分來自于無人機(jī)主體的振動以及各部件小的振動等。實(shí)際探測的無人機(jī)類型分別是單旋翼、直升機(jī)和四旋翼，如圖3、圖4和圖5所示。

圖3 單旋翼

圖4 直升機(jī)

圖5 四旋翼

在室外測試環(huán)境下，毫米波雷達(dá)發(fā)射線性調(diào)頻信號，當(dāng)調(diào)制過的載頻信號與目標(biāo)相遇后，產(chǎn)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(biāo)是否存在，在檢測時由于存在無時無刻的雜波干擾，在進(jìn)行2D-FFT之后對其進(jìn)行速度-距離維的CA-CFAR檢測，對得到回波信號進(jìn)行2D CA-CFAR處理，濾除雜波。由于無人機(jī)的回波信號屬于非平穩(wěn)信號，對雷達(dá)探測得到的目標(biāo)回波信號經(jīng)過上述操作的預(yù)處理后，采用時頻分析中漢明窗的STFT對其進(jìn)行變換，獲取近似平穩(wěn)的實(shí)際探測目標(biāo)信號的時頻特性，得到其中典型的四旋翼小型無人機(jī)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(jī)的時頻圖可以看出，四旋翼無人機(jī)的微多普勒特征是周期性的，而由于每種無人機(jī)的形狀以及其他性質(zhì)的不同，導(dǎo)致其不同類型的無人機(jī)回波信號也存在很大的差異，經(jīng)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(jī)能夠依據(jù)這些差異特征來實(shí)現(xiàn)無人機(jī)的識別。針對提取到的微動特征數(shù)據(jù)集進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，主要使用AlexNet方法進(jìn)行訓(xùn)練，對特征數(shù)據(jù)集中70%的數(shù)據(jù)進(jìn)行訓(xùn)練操作，剩余數(shù)據(jù)進(jìn)行驗(yàn)證，得到目標(biāo)的識別正確率。

3 實(shí)驗(yàn)結(jié)果及分析

針對多種類無人機(jī)在實(shí)際探測情況下，采用毫米波雷達(dá)對無人機(jī)回波信號進(jìn)行預(yù)處理和提取操作，為后續(xù)采用神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練打下基礎(chǔ)。通過對飛行小目標(biāo)識別的研究，本文提出使用毫米波雷達(dá)探測飛行的無人機(jī)，并對其進(jìn)行STFT提取特征，然后對其使用AlexNet模型進(jìn)行訓(xùn)練。按照無人機(jī)識別的實(shí)驗(yàn)流程進(jìn)行室外環(huán)境實(shí)驗(yàn)，獲得的三種類無人機(jī)識別的正確率為93.75%。

4 結(jié)語

飛行小目標(biāo)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(biāo)識別效率低、識別速度較慢等困難，本文采用AlexNet對無人機(jī)進(jìn)行實(shí)時高效的識別。該方法對無人機(jī)在實(shí)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(jī)的識別進(jìn)行不斷研究，給出了高效可行的解決方案，我國對于無人機(jī)的高效利用得到了很大的改善。因?yàn)闊o人機(jī)具有獨(dú)特唯一的特性，在本文中選擇了無人機(jī)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(jī)特征圖像進(jìn)行識別。在文中給出了基于AlexNet模型的無人機(jī)識別的實(shí)驗(yàn)驗(yàn)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(shí)際工作中的一些相關(guān)問題，具有一定的實(shí)際意義。