一种基于雷达数据的轻小型无人机与飞鸟分类识别方法

摘要

本发明公开了一种基于雷达数据的轻小型无人机与飞鸟分类识别方法。本发明提出的轻小型无人机与飞鸟分类识别方法基于雷达获取的目标量测信息，通过多模型目标跟踪、多模型概率提取、目标运动模式判断、目标运动特征提取等四个步骤，最终提取出目标运动模型转换频率等目标特征，用以区分轻小型无人机目标与飞鸟目标。本发明克服了低空空域雷达监视系统无法区分轻小型无人机与飞鸟的缺点，利用雷达数据提取出目标运动特征，用以区分轻小型无人机目标与飞鸟目标，提升低空空域雷达监视系统的识别能力。

权利要求

1.一种基于雷达数据的轻小型无人机与飞鸟分类识别方法，包括如下步骤：步骤一、多模型目标跟踪；

在某一时刻，多模型目标跟踪采用n种模型并行工作，通过混合上一时刻所有滤波器生成的状态估计，获得某种模型配置滤波器的初始条件；

设模型Mi和Mj在k时刻的混合概率 为：式中， 为k-1时刻模型Mi的概率， 为归一化参数，在下一时刻由模型Mi转换到模型Mj的概率表示为：其中： 分别表示k时刻的模型Mj和k-1时刻的模型Mi，i和j均为1～n之间的自然数，且i≠j；

计算每个滤波器的混合输入：

其中， 分别表示k-1时刻所有滤波器生成的混合均值与协方差， 和 是k-1时刻模型Mi的更新均值和协方差；

i

对每个模型M，滤波如下：

式中， 表示k时刻模型Mi的更新均值， 表示k时刻模型Mi的协方差，标准卡尔曼滤波器的预估和更新分别用FP(·)和Fu(·)表示，yk是k时刻的量测， 和 是k时刻模型Mi的预估均值和协方差， 和 为k-1时刻模型Mi的转换矩阵和过程噪声矩阵， 和 为k时刻模型Mi的量测模型矩阵和量测噪声矩阵；

计算每个滤波器的测量相似性：

其中： 为测量残差， 为模型Mi在滤波更新部分的协方差，N(·)为高斯概率密度分布函数；

步骤二、多模型概率提取；

k时刻每个模型Mi的概率 为：

其中：c是归一化因子；为模型Mi的归一化参数；

步骤三、目标运动模式判断；

在k时刻n种并行存在的模型中，选择概率 最大的模型Mi作为k时刻的目标运动模式Ik，记为步骤四、目标运动特征提取；

提取目标运动模型的转换频率F：

即目标在固定时间T内运动模式变化的次数，Nk-T表示到k-T时刻为止，目标运动模式变化的累计次数，Nk表示到k时刻为止，目标运动模式变化的累计次数，由下式计算设定阈值S，如目标模型的转换频率高于S，则判断为飞鸟目标，反之，判断为轻小型无人机目标。

说明书

一种基于雷达数据的轻小型无人机与飞鸟分类识别方法

技术领域

[0001] 本发明涉及一种基于雷达数据的轻小型无人机与飞鸟分类识别方法，属于雷达目标跟踪技术领域，涉及雷达信号特征提取与目标识别分类。

背景技术

[0002] 近年来，商业级轻小型无人机数量迅猛增长。轻小型无人机属于典型的“低、慢、小”目标，指飞行高度低、速度慢、目标散射截面小的一类飞行器，该类航空器的体积小、飞行高度低、受地物遮挡多，难以探测、识别，更重要的是，商业级轻小型无人机易为恐怖分子利用，严重威胁国家空防安全。

[0003] 复杂低空监视雷达已广泛用于重要敏感地区、边境区域的低空空域安全监视。此类雷达采用固体多普勒信号处理技术，能够探测到复杂低空空域强杂波环境中的小弱目标，利用单部X波段、S波段，或多部X波段、S波段雷达进行组网探测，实现对大范围低空空域的低成本全天候监视。

[0004] 但是，低空空域中的飞鸟等生物目标的散射截面、飞行速度、飞行高度等特征信息与轻小型无人机接近，现有的低空监视雷达难以区分，在探测轻小型无人机时易导致虚警。

发明内容

[0005] 本发明的目的是为了解决上述问题，提出一种基于雷达数据的轻小型无人机与飞鸟分类识别方法，适用于复杂低空环境中的轻小型无人机跟踪，能够剔除飞鸟等干扰目标，提升跟踪效果。

[0006] 一种基于雷达数据的轻小型无人机与飞鸟分类识别方法，利用雷达数据提取出目标运动特征，用以区分轻小型无人机目标与飞鸟目标，包括如下步骤：

[0007] 步骤一、多模型目标跟踪；

[0008] 步骤二、多模型概率提取；

[0009] 步骤三、目标运动模式判断；

[0010] 步骤四、目标运动特征提取。

[0011] 本发明的优点在于：

[0012] (1)利用雷达数据提取出目标运动特征，用以区分轻小型无人机目标与飞鸟目标，提升低空空域雷达监视系统的识别能力；

[0013] (2)无需对低空空域雷达监视系统的信号处理等硬件部分进行改动，只需对雷达数据处理等软件部分进行升级改造，即能实现对飞鸟等虚警目标的剔除。

附图说明

[0014] 图1是本发明的基于雷达数据的轻小型无人机与飞鸟分类识别方法的流程图；

[0015] 图2是本发明实施例的轻小型无人机与飞鸟目标的轨迹跟踪示意图；

[0016] 图3是本发明实施例的目标1(轻小型无人机)的多模型概率曲线；

[0017] 图4是本发明实施例的目标2(飞鸟)的多模型概率曲线；

[0018] 图5是本发明实施例的目标1(轻小型无人机)的运动模型阶梯曲线；

[0019] 图6是本发明实施例的目标2(飞鸟)的运动模型阶梯曲线。

具体实施方式

[0020] 下面将结合附图和实施例对本发明作进一步的详细说明。

[0021] 本发明是一种基于雷达数据的轻小型无人机与飞鸟分类识别方法，利用飞鸟与轻小型无人机目标运动模型的区别，剔除飞鸟等干扰目标，实现复杂低空环境中的轻小型无人机目标的跟踪与识别，流程如图1所示，包括如下步骤：

[0022] 步骤一、多模型目标跟踪；

[0023] 由于每个目标在运动过程中可能具备多种运动模式，在某一时刻，多模型目标跟踪采用n种模型并行工作，通过混合上一时刻所有滤波器生成的状态估计，获得某种模型配置滤波器的初始条件。

[0024] 每个模型Mi和Mj在k时刻的混合概率 计算如下

[0025]

[0026]

[0027] 式中， 为k-1时刻模型Mi的概率， 为归一化参数，在下一时刻由模型Mi转换到模型Mj的概率表示为：

[0028]

[0029] 然后，计算每个滤波器的混合输入：

[0030]

[0031]

[0032] 其中， 和 是k-1时刻模型i的更新均值和协方差。

[0033] 对每个模型Mi，滤波如下：

[0034]

[0035]

[0036] 式中，标准卡尔曼滤波器的预估和更新分别用FP(·)和Fu(·)表示，yk是k时刻的i i量测， 和 是k时刻模型M的预估均值和协方差, 和 为k-1时刻模型M的转换矩阵和过程噪声矩阵， 和 为k时刻模型Mi的量测模型矩阵和量测噪声矩阵。此外，还计算了每个滤波器的测量相似性

[0037]

[0038] 其中 为测量残差， 为模型Mi在滤波更新部分的协方差，N(·)为高斯概率密度分布函数。

[0039] 步骤二、多模型概率提取；

[0040] k时刻每个模型Mi的概率 计算如下：

[0041]

[0042]

[0043] 其中c是归一化因子。

[0044] 步骤三、目标运动模式判断；

[0045] 在k时刻n种并行存在的模型中，选择概率 最大的模型Mi作为k时刻的目标运动模式Ik，记为

[0046]

[0047] 步骤四、目标运动特征提取；

[0048] 提取目标运动模型的转换频率F，由下式计算

[0049]

[0050] 即目标在固定时间T内运动模式变化的次数，Nk表示到k时刻为止，目标运动模式变化的累计次数，由下式计算

[0051]

[0052] 飞鸟目标的机动性高于轻小型无人机，设定阈值S，如目标模型的转换频率高于S，则为飞鸟目标，反之，则为轻小型无人机目标。

[0053] 实施例：

[0054] 下面结合附图中二维空间中雷达目标的跟踪与识别结果对本发明提出的基于雷达数据的轻小型无人机与飞鸟分类识别方法进行图示和描述。

[0055] 一般的低空空域雷达监视系统难以区分轻小型无人机与飞鸟目标，基于雷达数据的轻小型无人机与飞鸟分类识别方法，适用于复杂低空环境中的雷达目标跟踪，能够剔除飞鸟目标，显著提升低空空域雷达监视系统的目标识别能力。

[0056] 图2-6是本发明实施例的雷达目标跟踪与识别过程的示意图，包括轻小型无人机与飞鸟的目标轨迹跟踪、目标多模型概率曲线和目标运动模型阶梯曲线，以说明目标跟踪与识别的全过程。

[0057] 本发明的基于雷达数据的轻小型无人机与飞鸟分类识别方法，其特征在于，利用飞鸟与轻小型无人机目标运动模型的区别，剔除飞鸟等干扰目标，实现复杂低空环境中的轻小型无人机目标的跟踪与识别，流程如图1所示，包括如下步骤：

[0058] 步骤一、多模型目标跟踪；

[0059] 图2中分别给出了某段时间内(k＝0,2,...,50)目标1与目标2的飞行轨迹跟踪示例，并将其标注在卫星地图上。由于每个目标在运动过程中可能具备多种运动模式，在本例中，在所有时刻多模型目标跟踪采用n＝3种模型并行工作，通过混合上一时刻所有滤波器生成的状态估计，获得某种模型(M1，M2，M3)配置滤波器的初始条件。

[0060] 每个模型Mi和Mj在k时刻的混合概率 计算如下

[0061]

[0062]

[0063] 式中， 为k-1时刻模型Mi的概率，为归一化参数，在下一时刻由模型Mi转换到模型Mj的概率表示为

[0064]

[0065] 然后，计算每个滤波器的混合输入：

[0066]

[0067]

[0068] 其中 和 是k-1时刻模型Mi的更新均值和协方差。

[0069] 对每个模型Mi，滤波如下

[0070]

[0071]

[0072] 式中，标准卡尔曼滤波器的预估和更新分别用FP(·)和Fu(·)表示，yk是k时刻的量测， 和 是k时刻模型Mi的预估均值和协方差, 和 为k-1时刻模型Mi的转换矩阵和过程噪声矩阵， 和 为k时刻模型Mi的量测模型矩阵和量测噪声矩阵。此外，还计算了每个滤波器的测量相似性

[0073]

[0074] 其中 为测量残差， 为模型Mi在滤波更新部分的协方差，N(·)为高斯概率密度分布函数。

[0075] 步骤二、多模型概率提取；

[0076] k时刻每个模型Mi的概率 计算如下：

[0077]

[0078]

[0079] 其中c是归一化因子。

[0080] 本例中，图3和图4分别给出了目标1与目标2在所有时刻(k＝0,2,...,50)3种模型的概率曲线

[0081] 步骤三、目标运动模式判断；

[0082] 本例中，在k时刻3种并行存在的模型中，选择概率 最大的模型Mi作为k时刻的目标运动模式Ik，记为

[0083]

[0084] 图5和图6分别给出了目标1与目标2在所有时刻(k＝0,2,...,50)的运动模式阶梯曲线。

[0085] 步骤四、目标运动特征提取；

[0086] 提取目标运动模型的转换频率F，由下式计算

[0087]

[0088] 即目标在固定时间T内运动模式变化的次数，Nk表示到k时刻为止，目标运动模式变化的累计次数，由下式计算

[0089]

[0090] 飞鸟目标的机动性高于轻小型无人机，设定阈值S，如目标模型的转换频率高于S，则为飞鸟目标，反之，则为轻小型无人机目标。

[0091] 本例中，设置T＝50，则整个观测过程中(k＝0,2,...,50)，F1＝(N50-N0)/50＝0，F2＝(N50-N0)/50＝3/50＝0.06；设置S＝0.03，因此，目标1判定为无人机目标，目标2判定为飞鸟目标。