基于FastICA的無人機(jī)聲學(xué)檢測方法*

王文帥,樊寬剛,別 同

(1.江西理工大學(xué) 機(jī)電工程學(xué)院,江西 贛州 341000；2.江西理工大學(xué) 電氣工程與自動化學(xué)院,江西 贛州 341000；3.江西省磁懸浮技術(shù)重點(diǎn)實(shí)驗(yàn)室,江西 贛州 341000)

0 引 言

近年來,無人機(jī)(unmanned aerial vehicle,UAV)迅猛發(fā)展,在航空測繪、農(nóng)業(yè)植保、航空攝影、物流運(yùn)輸、管線巡檢、大氣監(jiān)測、應(yīng)急救援等領(lǐng)域發(fā)揮重要作用。同時(shí),無人機(jī)被用于走私、恐怖襲擊、擾航、侵犯隱私等的負(fù)面報(bào)道層出不窮[1～3]。因此,為了有效應(yīng)對無人機(jī)發(fā)展帶來的挑戰(zhàn),發(fā)展無人機(jī)檢測與反制技術(shù)迫在眉睫。

目前，無人機(jī)檢測領(lǐng)域發(fā)展較快,已取得一定進(jìn)展。文獻(xiàn)[4]針對低慢小的低空目標(biāo),構(gòu)建了低空目標(biāo)雷達(dá)回波模型,最后結(jié)合Radon變換實(shí)現(xiàn)無人機(jī)的雷達(dá)檢測。文獻(xiàn)[5]討論了基于遙控射頻信號特性識別無人機(jī)的方法。該方法利用機(jī)器學(xué)習(xí)(machine learning,ML)技術(shù)分析典型無人機(jī)遙控信號發(fā)射機(jī)發(fā)送給無人機(jī)的無線電控制信號,實(shí)現(xiàn)對無人機(jī)進(jìn)行檢測。文獻(xiàn)[6]提出了一種基于WiFi指紋的無人機(jī)檢測方法,主要通過對無線通信量進(jìn)行統(tǒng)計(jì)指紋分析來檢測附近的無人機(jī)。文獻(xiàn)[7]提出了一種利用城市監(jiān)控網(wǎng)絡(luò)識別無人機(jī)的方法,該方法基于深度學(xué)習(xí)算法進(jìn)行無人機(jī)檢測。文獻(xiàn)[8]采用基于黑體校正的雙波段法對飛行中的無人機(jī)目標(biāo)輻射特性進(jìn)行測量,對飛行狀態(tài)下的無人機(jī)目標(biāo)的溫度進(jìn)行了反演,為無人機(jī)的夜間識別提供數(shù)據(jù)支撐。文獻(xiàn)[9]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的聲音識別無人機(jī)的方法,識別無人機(jī)的準(zhǔn)確率為96.5 %。文獻(xiàn)[10]提出了基于ML框架的無人機(jī)檢測和分類方法。該方法采用Mel頻率倒譜系數(shù)(Mel frequency cepstrum coefficient,MFCC)和線性預(yù)測倒譜系數(shù)(linear prediction cepstrum coefficient,LPCC)提取無人機(jī)特征,實(shí)驗(yàn)結(jié)果表明,該方法無人機(jī)檢測準(zhǔn)確率最高可達(dá)96.7 %。

從發(fā)展現(xiàn)狀來看,無人機(jī)檢測技術(shù)主要可分為雷達(dá)檢測、射頻信號檢測、光電檢測、聲學(xué)檢測等手段。整體來看,這些無人機(jī)檢測手段各有利弊。雷達(dá)檢測技術(shù)主要是通過多普勒效應(yīng)進(jìn)行檢測,具有識別距離遠(yuǎn)、技術(shù)發(fā)展成熟、不受天氣影響等優(yōu)點(diǎn)。然而,針對多旋翼無人機(jī)這類“低小慢”目標(biāo),雷達(dá)技術(shù)將難以發(fā)揮作用。射頻信號檢測技術(shù)能夠?qū)o人機(jī)類型進(jìn)行識別，較為隱蔽,但在城市的復(fù)雜電磁環(huán)境下,識別率將大大降低。光電檢測技術(shù)主要分為可見光與紅外檢測,依托于人工智能的迅猛發(fā)展,可實(shí)現(xiàn)無人機(jī)的精確識別與跟蹤,但在惡劣的天氣中,檢測效果較差。聲學(xué)檢測技術(shù)具有成本低、不會被遮擋的優(yōu)點(diǎn),但是存在識別距離較近、易受噪聲干擾以及技術(shù)發(fā)展不成熟的缺點(diǎn)。綜合各種檢測技術(shù)的特點(diǎn)分析來看,無人機(jī)檢測技術(shù)必將朝著集成化發(fā)展。將多種無人機(jī)檢測技術(shù)集成到一個(gè)綜合的反無人機(jī)平臺中，是未來無人機(jī)檢測技術(shù)發(fā)展趨勢[11]。而聲學(xué)檢測作為無人機(jī)檢測技術(shù)的重要組成部分,仍存在技術(shù)成熟度低、抗干擾性差等問題。因此，亟需針對無人機(jī)聲音檢測技術(shù)進(jìn)行研究。

當(dāng)前國內(nèi)外的研究主要集中于直接對無人機(jī)的聲音進(jìn)行分析,未能與聲音抗干擾算法進(jìn)行結(jié)合,且目前針對強(qiáng)干擾環(huán)境的無人機(jī)聲學(xué)檢測研究較少。針對這一問題,本文提出基于快速不動點(diǎn)迭代的獨(dú)立成分分析(fast independent component analysis，F(xiàn)astICA)算法實(shí)現(xiàn)強(qiáng)干擾環(huán)境下的無人機(jī)聲音提取與識別。為了驗(yàn)證方法的有效性,本文實(shí)現(xiàn)了強(qiáng)干擾環(huán)境的無人機(jī)檢測以及不同距離無人機(jī)檢測,并使用不同的無人機(jī)對算法可靠性進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果證明了基于FastICA算法的無人機(jī)聲學(xué)檢測方法,可大大提高強(qiáng)干擾環(huán)境下的無人機(jī)識別率。

1 無人機(jī)聲學(xué)識別模型

1.1 盲源分離模型

盲源分離(blind source separation,BSS)通?？梢员硎鰹閺囊唤M觀測信號中,提取出源信號的過程。由于除了觀測信號,混合過程和源信號都是未知的,因此，稱之為“盲”分離[12]。盲源分離問題通常可以由雞尾酒會問題形象的闡述:假定在一場酒會上有n個(gè)聲源,使用分布于不同位置的n個(gè)麥克風(fēng)將這些聲音記錄下來,將獲得n個(gè)觀測信號。假定混合是線性的,盲源分離模型可以表述為

X=A×S

(1)

式中X為觀測信號,A為混合矩陣,S為源信號。

如果能獲得一個(gè)解混矩陣W,將源信號重構(gòu),則盲源分離問題得到解決

(2)

式中W為解混矩陣,為源信號的重構(gòu)。

基于盲源分離模型,可想到，如果將無人機(jī)聲音以及環(huán)境干擾聲音均視作源信號,在較近距離內(nèi),可忽略聲音傳播的延時(shí),則聲音的混合可近似為一個(gè)線性過程。因此，可利用盲源分離算法解決強(qiáng)干擾的無人機(jī)聲音識別問題,具體如圖1所示。

圖1 算法流程

1.2 獨(dú)立成分分析算法

根據(jù)盲源分離模型,只要求得分離矩陣W,盲源分離問題就將得到解決。獨(dú)立成分分析(independent component analysis,ICA)算法實(shí)質(zhì)上就是尋求一個(gè)使觀測信號線性組合獨(dú)立性極大化的分離矩陣。當(dāng)線性組合的獨(dú)立性達(dá)到最大時(shí),對應(yīng)的觀測信號的線性組合可被認(rèn)為是分離的“源信號”。

為了評價(jià)觀測信號線性組合的獨(dú)立性,ICA算法需要設(shè)定一個(gè)目標(biāo)函數(shù)。通過最大化目標(biāo)函數(shù)來求解ICA問題。常用的ICA目標(biāo)函數(shù)包括極大化非高斯性的ICA、基于極大似然估計(jì)的ICA、極小化互信息的ICA、基于張量的ICA、非線性去相關(guān)的ICA等[13]。本文選取極大化非高斯性ICA方法中的負(fù)熵作為衡量獨(dú)立性的目標(biāo)函數(shù)。負(fù)熵的定義為

(3)

式中J(y)為y的負(fù)熵,ygauss為與y同相關(guān)矩陣的高斯隨機(jī)變量,H(y)為y的微分熵,py為y的分布函數(shù)。

由微分熵的定義可知,y的負(fù)熵小于等于0,當(dāng)且僅當(dāng)y為高斯隨機(jī)變量時(shí),等號成立。使用負(fù)熵作為非高斯的度量優(yōu)勢在于其具有嚴(yán)格的統(tǒng)計(jì)意義以及良好的魯棒性。但負(fù)熵的最大問題在于負(fù)熵的計(jì)算是十分困難的,因此，在實(shí)際應(yīng)用中,需要一種負(fù)熵的簡化定義。實(shí)踐中負(fù)熵的計(jì)算可簡化為

J(y)∝(E{G(y)}-E{G(v)})2

(4)

式中v為零均值單位化的高斯隨機(jī)變量,G為任意的實(shí)際非二次函數(shù),E為期望。實(shí)踐中，較為有效的經(jīng)驗(yàn)公式為

(5)

式中 常數(shù)a1取1≤a1≤2,通常取1。

接著，需要對目標(biāo)函數(shù)求極值,以便獲得極大化的非高斯解。本文采用基于快速不動點(diǎn)迭代的負(fù)熵極大化ICA算法?；诳焖俨粍狱c(diǎn)迭代的ICA算法通常稱為FastICA。FastICA在大部分情況下可獲得立方階次的收斂速度,同時(shí)，不需要額外考慮學(xué)習(xí)速度等參數(shù)的設(shè)置,因此，具有迭代速度快且簡單易用的優(yōu)點(diǎn)。

使用不動點(diǎn)算法首先需要選擇恰當(dāng)?shù)姆蔷€性函數(shù)g,即式(5)中函數(shù)G的導(dǎo)數(shù)。接著需要對觀測信號進(jìn)行預(yù)處理,主要包括中心化和白化。中心化需要使觀測信號均值為零;白化則是使白化的觀測信號的協(xié)方差矩陣為單位對角陣。如假定中心化的觀測信號為x,白化后的觀測信號為z。令Cx=E{xxT}(T代表矩陣轉(zhuǎn)置),對協(xié)方差矩陣Cx進(jìn)行特征分解有Cx=QΣQ-1,則白化過程如式(6)所示

z=Σ-1/2QTx

(6)

在預(yù)處理后,FastICA依據(jù)式(7)進(jìn)行迭代,每次迭代后要進(jìn)行標(biāo)準(zhǔn)化,以消除迭代向量長度對目標(biāo)函數(shù)影響

w=E{zg(wTz)}-E{g′(wTz)}w

(7)

式中g(shù)′為g導(dǎo)數(shù)。

FastICA算法的主要流程如下：1)數(shù)據(jù)預(yù)處理,獲得z;2)隨機(jī)選取具有單位范數(shù)的向量w;3)迭代:w=E{zg(wTz)}-E{g′(wTz)}w;4)令w=w/‖w‖;5)如收斂,則結(jié)束;未收斂,則返回步驟3。

2 實(shí)驗(yàn)驗(yàn)證

2.1 數(shù)據(jù)與實(shí)驗(yàn)條件

本文使用的數(shù)據(jù)來源于兩部分。干擾聲音來源于開源噪聲庫NoiseX—92[14],從中共選取了6種聲音對無人機(jī)聲音進(jìn)行干擾。實(shí)驗(yàn)在相對安靜的傍晚使用了2種大小不同的多旋翼無人機(jī)，進(jìn)行無人機(jī)聲音錄制,以驗(yàn)證本文方法對不同無人機(jī)的識別性能,具體如圖2所示。為了便于分析,使用Audition將干擾聲音與無人機(jī)聲音參數(shù)統(tǒng)一,設(shè)置為48 kHz,16位量化位數(shù)、單通道。實(shí)驗(yàn)使用MATLAB 2020a進(jìn)行數(shù)據(jù)處理與分析。

圖2 實(shí)驗(yàn)使用無人機(jī)

每種無人機(jī)懸停在1 m的高度進(jìn)行聲音錄制,每段聲音長度為30 s。為了驗(yàn)證本文方法在不同距離下的無人機(jī)識別結(jié)果,分別錄制了DJI Phantom 4 Pro懸停狀態(tài)下距離為1～20 m的無人機(jī)聲音,每隔1 m進(jìn)行一次錄制,每段聲音長度均為30 s。實(shí)驗(yàn)時(shí),將數(shù)據(jù)集劃分為測試集與訓(xùn)練集,比例為4︰1。

ICA模型的混合矩陣A為n×n的隨機(jī)矩陣,n取決于混合信號的個(gè)數(shù)。每個(gè)試驗(yàn)均重復(fù)50次,將識別結(jié)果取均值,防止混合矩陣的特殊取值對實(shí)驗(yàn)結(jié)果產(chǎn)生干擾。本文選擇MFCC進(jìn)行特征提取,由于并不是針對人聲進(jìn)行識別,因此,不需要使用預(yù)加重對高頻部分進(jìn)行增強(qiáng)。使用漢明窗進(jìn)行分幀,窗長設(shè)置為20 ms;幀間隔為480;每幀進(jìn)行960點(diǎn)FFT。由于本文實(shí)驗(yàn)中的數(shù)據(jù)集并不是大規(guī)模數(shù)據(jù)集(最多時(shí)約40 000個(gè)樣本),因此，選擇易于理解和實(shí)現(xiàn)簡單的決策樹分類器進(jìn)行無人機(jī)的識別。

實(shí)驗(yàn)使用識別率η來評價(jià)算法性能,其定義為

(8)

式中 TP為正確識別的特征,ALL為特征總數(shù)。

2.2 不同信源數(shù)混合的無人機(jī)識別

為檢驗(yàn)本文算法抗干擾的能力以及對不同無人機(jī)的識別能力。將2種無人機(jī)聲音分別與不同數(shù)目的干擾聲源使用隨機(jī)矩陣混合,接著使用FsatICA算法提取無人機(jī)聲音,并對混合無人機(jī)聲音以及本文算法分離的無人機(jī)聲音進(jìn)行識別,識別結(jié)果如圖3所示。從圖3可以看到,在信源數(shù)目較少時(shí),2種無人機(jī)的混合聲音識別率在50 %以上,而隨著信源數(shù)目的增加,無人機(jī)聲音受到的干擾越來越大,因此，2種無人機(jī)混合聲音的識別結(jié)果均呈現(xiàn)下降趨勢。而通過本文方法進(jìn)行無人機(jī)聲音提取后,2種無人機(jī)的識別率接近100 %,基本不受信源數(shù)目的影響,相較混合信號,識別效果有了較大提升。

圖3 混合不同信號數(shù)識別結(jié)果

2.3 不同距離無人機(jī)識別

為測試距離因素對本文算法的影響,將1～20 m的無人機(jī)聲音與2種干擾噪聲混合,再使用本文算法提取無人機(jī)聲音。本文首先對不同距離下無人機(jī)的能量衰減情況進(jìn)行分析,無人機(jī)聲音能量Ps的計(jì)算由式(9)給出

Ps=10×lg(S2)

(9)

式中S為無人機(jī)聲音信號。

圖4(a)展示了距離分別為1,6,11,16,20 m無人機(jī)聲音能量隨時(shí)間的分布情況。圖4(b)展示了無人機(jī)聲音能量隨著距離的衰減。從結(jié)果中可以看到，每個(gè)距離段的無人機(jī)能量比較穩(wěn)定,基本不隨時(shí)間變化。但隨著距離變遠(yuǎn),無人機(jī)聲音能量快速衰減。

圖4 無人機(jī)能量分布

圖5展示了不同距離的無人機(jī)識別情況,可以看到,隨著距離增大,無人機(jī)能量衰減,導(dǎo)致帶有干擾的無人機(jī)聲音識別率逐漸降低至約10 %。而使用本文方法對帶有干擾的無人機(jī)聲音進(jìn)行提取后,識別率較為穩(wěn)定,在10 m內(nèi)接近100 %,在10 m外識別率開始波動,但依然穩(wěn)定在90 %以上。

圖5 不同距離的無人機(jī)識別

3 結(jié) 論

本文針對多聲源干擾環(huán)境下的無人機(jī)聲音識別問題,提出一種基于FastICA的無人機(jī)識別方法,解決了強(qiáng)干擾環(huán)境無人機(jī)聲音識別問題。本文將不同型號的無人機(jī)聲音與多種干擾聲音進(jìn)行混合,然后使用FastICA算法從混合信號內(nèi)提取無人機(jī)聲音用于識別,從而提高了識別率。實(shí)驗(yàn)結(jié)果表明：本文所述方法在多種聲源混合的情況下仍能較好地識別無人機(jī)聲音,同時(shí)對不同型號的無人機(jī)均具有較好地識別效果。同時(shí)考慮了識別距離對識別率的影響,結(jié)果表明，隨著距離衰減,本文算法仍能較好地識別無人機(jī)。但在更遠(yuǎn)的范圍內(nèi)無人機(jī)聲音識別問題本文尚未進(jìn)行討論。未來考慮基于WSNs技術(shù)搭建無人機(jī)聲音傳感器識別網(wǎng)絡(luò),實(shí)現(xiàn)較大范圍的無人機(jī)聲音識別。