一种无人机的拦截系统以及拦截方法

摘要

本申请提供了一种无人机的拦截系统以及拦截方法，拦截系统包括无人机识别装置、定位装置以及拦截装置；无人机识别装置根据待识别图片以及入侵物的运动特征，确定出无人机，将无人机的待确定位置发送给定位装置；定位装置获取待确定位置处所述无人机的多种采集信息，根据每种采集信息对应的权重，将多个位置信息进行加权融合确定出无人机的目标位置，将目标位置发送给拦截装置；拦截装置根据无人机的目标位置，发射对应的干扰信号，拦截无人机。采用本申请提供的技术方案通过对无人机进行预识别，根据无人机的运动特征，对无人机进行二次识别，提高了无人机识别的精度；并将多个位置信息加权融合，提高了确定无人机位置的准确性。

权利要求

1.一种无人机的拦截系统，其特征在于，所述拦截系统，包括无人机识别装置、定位装置以及拦截装置；

所述无人机识别装置，用于根据当前拦截装置所在领空区域，获取所述领空区域内的包含入侵物以及入侵物所在背景的待识别图片；根据所述待识别图片以及入侵物的运动特征，确定入侵物是否是无人机；若是，则将所述无人机的待确定位置发送给所述定位装置；

所述定位装置，用于接收所述无人机识别装置发送的待确定位置，获取待确定位置处所述无人机的多种采集信息；根据所述多种采集信息确定出每种采集信息对应的无人机的位置信息，并根据每种采集信息对应的权重，确定出所述无人机的目标位置，将所述目标位置发送给所述拦截装置；

所述拦截装置，用于接收所述定位装置发送的目标位置，根据所述无人机的目标位置，发射对应的干扰信号，拦截所述无人机。

2.根据权利要求1所述的拦截系统，其特征在于，所述无人机识别装置包括信号识别模块；

所述信号识别模块，用于根据所述无人机的待确定位置，获取待确定位置处所述无人机的原始信号，根据所述原始信号确定出所述无人机的通信信号，提取所述通信信号的信号特征；根据所述信号特征，确定所述通信信号的类别，将所述通信信号的类别发送给所述拦截装置。

3.根据权利要求2所述的拦截系统，其特征在于，所述拦截装置，还用于：接收所述信号识别模块发送的通信信号的类别，根据所述通信信号的类别确定出所述通信信号的类别对应的干扰信号。

4.根据权利要求1所述的拦截系统，其特征在于，所述无人机识别装置还包括预识别模块以及识别模块；

所述预识别模块，用于根据所述待识别图片以及所述入侵物的特征信息，从待识别图片中确定出包含的入侵物是无人机的概率大于预设阈值的目标图片，并将所述目标图片发送给所述识别模块；

所述识别模块，用于接收所述预识别模块发送的目标图片，根据所述目标图片，获取所述目标图片中的待确定无人机的运动特征，根据所述待确定无人机的运动特征确定目标图片中的待确定无人机是否是无人机，若是，则将所述无人机的待确定位置发送给所述定位装置。

5.根据权利要求4所述的拦截系统，其特征在于，所述预识别模块具体用于：将所述待识别图片输入至预识别模型中，以使所述预识别模型根据所述入侵物的特征信息，对待识别图片中各个入侵物进行预分类，输出各个入侵物的预分类结果；

将预分类结果指示的所述入侵物为无人机的待识别图片确定为目标图片，并将带有无人机标记的目标图片发送给所述识别模块。

6.根据权利要求5所述的拦截系统，其特征在于，所述预识别模型包括顺次连接的共享卷积层、RPN网络以及分类器；通过以下步骤输出各个入侵物的预分类结果：将所述待识别图片输入共享卷积层，输出带有领空区域内入侵物的特征信息的特征图；

将所述特征图输入RPN网络，在所述特征图中获取至少一个候选框，将所述候选框映射在所述特征图中，输出带有多个候选框的特征图；

将所述特征图输入分类器，对所述候选框中的入侵物进行预分类，输出各个入侵物的预分类结果。

7.根据权利要求6所述的拦截系统，其特征在于，通过以下步骤确定目标图片：将预分类结果指示的所述入侵物为无人机的待识别图片通过回归器校正无人机所在的候选框，将校正后的带有无人机候选框标记的待识别图片确定为目标图片。

8.根据权利要求5所述的拦截系统，其特征在于，所述识别模块具体用于：根据接收到的多张目标图片中无人机的运动轨迹，生成所述无人机的运动特征向量；

将所述运动特征向量输入至训练好的识别模型中，输出分类结果，确定所述预分类结果指示的所述入侵物是否是无人机，若是，则将所述无人机的待确定位置发送给所述定位装置。

9.根据权利要求1所述的拦截系统，其特征在于，所述定位装置具体用于：根据所述无人机的待确定位置，获取待确定位置处所述无人机的多种采集信息；

根据所述多种采集信息确定出每种采集信息对应的无人机的位置信息；

通过预先选择的每个位置信息对应的加权因子，对各个位置信息进行加权融合，确定出所述无人机的目标位置，将所述目标位置发送给所述拦截装置。

10.一种无人机的拦截方法，其特征在于，所述拦截方法应用于上述权利要求1‑9中任一所述的拦截系统，所述拦截方法包括：获取领空区域内的包含入侵物以及入侵物所在背景的待识别图片；

根据所述待识别图片以及入侵物的运动特征，确定入侵物是否是无人机；

若是，则获取所述无人机的待确定位置；并在所述待确定位置处获取所述无人机的多种采集信息；

根据所述多种采集信息确定出每种采集信息对应的无人机的位置信息，并根据每种采集信息对应的权重，确定出所述无人机的目标位置；

根据所述无人机的目标位置，发射对应的干扰信号，拦截所述无人机。

说明书

一种无人机的拦截系统以及拦截方法

技术领域

[0001] 本申请涉及无人机识别技术领域，尤其是涉及一种无人机的拦截系统以及拦截方法。

背景技术

[0002] 无人机产业蓬勃发展，给人们生活带来便利；由于无人机是小型设备，且飞在空中，监管极为困难，导致各种飞行事件层出不穷，“黑飞”、“滥飞”事件时有发生。

[0003] 目前，对于低空、移动快速的入侵无人机，图像采集设备很难保证每一帧图像中都出现清晰可见的目标，可能会出现由于快门时间不及时、曝光异常等情况造成的无人机识别图像虚化、拉伸、轮廓模糊等问题，导致目标的图像特征大幅减弱，容易出现识别错误、误拦截的情况；并且，在对无人机进行空间定位时，由于受外界影响较大，导致无法准确地定位无人机的精确位置，影响无人机拦截的准确性。因此，如何提高拦截无人机的准确性，成为了亟待解决的问题。

发明内容

[0004] 有鉴于此，本申请的目的在于提供一种无人机的拦截系统以及拦截方法，能够通过对待识别图片中多个入侵物进行预分类，对无人机进行预识别，根据无人机的运动特征，对预分类的无人机进行二次识别，确定出真正的无人机，提高了无人机识别的精度；然后获取无人机的多种采集信息，根据每种采集信息对应的权重，将每种采集信息对应的位置信息进行加权融合，确定出无人机的目标位置，控制拦截装置朝无人机的目标位置发射干扰信号，拦截该无人机，提高了确定无人机目标位置的准确性。

[0005] 本申请主要包括以下几个方面：

[0006] 第一方面，本申请实施例提供了一种无人机的拦截系统，所述拦截系统，包括无人机识别装置、定位装置以及拦截装置；

[0007] 所述无人机识别装置，用于根据当前拦截装置所在领空区域，获取所述领空区域内的包含入侵物以及入侵物所在背景的待识别图片；根据所述待识别图片以及入侵物的运动特征，确定入侵物是否是无人机；若是，则将所述无人机的待确定位置发送给所述定位装置；

[0008] 所述定位装置，用于接收所述无人机识别装置发送的待确定位置，获取待确定位置处所述无人机的多种采集信息；根据所述多种采集信息确定出每种采集信息对应的无人机的位置信息，并根据每种采集信息对应的权重，确定出所述无人机的目标位置，将所述目标位置发送给所述拦截装置；

[0009] 所述拦截装置，用于接收所述定位装置发送的目标位置，根据所述无人机的目标位置，发射对应的干扰信号，拦截所述无人机。

[0010] 进一步的，所述无人机识别装置包括信号识别模块；

[0011] 所述信号识别模块，用于根据所述无人机的待确定位置，获取待确定位置处所述无人机的原始信号，根据所述原始信号确定出所述无人机的通信信号，提取所述通信信号的信号特征；根据所述信号特征，确定所述通信信号的类别，将所述通信信号的类别发送给所述拦截装置。

[0012] 进一步的，所述拦截装置，还用于：

[0013] 接收所述信号识别模块发送的通信信号的类别，根据所述通信信号的类别确定出所述通信信号的类别对应的干扰信号。

[0014] 进一步的，所述无人机识别装置还包括预识别模块以及识别模块；

[0015] 所述预识别模块，用于根据所述待识别图片以及所述入侵物的特征信息，从待识别图片中确定出包含的入侵物是无人机的概率大于预设阈值的目标图片，并将所述目标图片发送给所述识别模块；

[0016] 所述识别模块，用于接收所述预识别模块发送的目标图片，根据所述目标图片，获取所述目标图片中的待确定无人机的运动特征，根据所述待确定无人机的运动特征确定目标图片中的待确定无人机是否是无人机，若是，则将所述无人机的待确定位置发送给所述定位装置。

[0017] 进一步的，所述预识别模块具体用于：

[0018] 将所述待识别图片输入至预识别模型中，以使所述预识别模型根据所述入侵物的特征信息，对待识别图片中各个入侵物进行预分类，输出各个入侵物的预分类结果；

[0019] 将预分类结果指示的所述入侵物为无人机的待识别图片确定为目标图片，并将带有无人机标记的目标图片发送给所述识别模块。

[0020] 进一步的，所述预识别模型包括顺次连接的共享卷积层、RPN网络以及分类器；通过以下步骤输出各个入侵物的预分类结果：

[0021] 将所述待识别图片输入共享卷积层，输出带有领空区域内入侵物的特征信息的特征图；

[0022] 将所述特征图输入RPN网络，在所述特征图中获取至少一个候选框，将所述候选框映射在所述特征图中，输出带有多个候选框的特征图；

[0023] 将所述特征图输入分类器，对所述候选框中的入侵物进行预分类，输出各个入侵物的预分类结果。

[0024] 进一步的，通过以下步骤确定目标图片：

[0025] 将预分类结果指示的所述入侵物为无人机的待识别图片通过回归器校正无人机所在的候选框，将校正后的带有无人机候选框标记的待识别图片确定为目标图片。

[0026] 进一步的，所述识别模块具体用于：

[0027] 根据接收到的多张目标图片中无人机的运动轨迹，生成所述无人机的运动特征向量；

[0028] 将所述运动特征向量输入至训练好的识别模型中，输出分类结果，确定所述预分类的无人机是否是无人机，若是，则将所述无人机的待确定位置发送给所述定位装置。

[0029] 进一步的，所述定位装置具体用于：

[0030] 根据所述无人机的待确定位置，获取待确定位置处所述无人机的多种采集信息；

[0031] 根据所述多种采集信息确定出每种采集信息对应的无人机的位置信息；

[0032] 通过预先选择的每个位置信息对应的加权因子，对各个位置信息进行加权融合，确定出所述无人机的目标位置，将所述目标位置发送给所述拦截装置。

[0033] 第二方面，本申请实施例还提供了一种无人机的拦截方法，所述拦截方法应用于上述任一所述的拦截系统，所述拦截方法包括：

[0034] 获取领空区域内的包含入侵物以及入侵物所在背景的待识别图片；

[0035] 根据所述待识别图片以及入侵物的运动特征，确定入侵物是否是无人机；

[0036] 若是，则获取所述无人机的待确定位置；并在所述待确定位置处获取所述无人机的多种采集信息；

[0037] 根据所述多种采集信息确定出每种采集信息对应的无人机的位置信息，并根据每种采集信息对应的权重，确定出所述无人机的目标位置；

[0038] 根据所述无人机的目标位置，发射对应的干扰信号，拦截所述无人机。

[0039] 本申请实施例提供的一种无人机的拦截系统以及拦截方法，所述拦截系统，包括无人机识别装置、定位装置以及拦截装置；所述无人机识别装置，用于根据当前拦截装置所在领空区域，获取所述领空区域内的包含入侵物以及入侵物所在背景的待识别图片；根据所述待识别图片以及入侵物的运动特征，确定入侵物是否是无人机；若是，则将所述无人机的待确定位置发送给所述定位装置；所述定位装置，用于接收所述无人机识别装置发送的待确定位置，获取待确定位置处所述无人机的多种采集信息；根据所述多种采集信息确定出每种采集信息对应的无人机的位置信息，并根据每种采集信息对应的权重，确定出所述无人机的目标位置，将所述目标位置发送给所述拦截装置；所述拦截装置，用于接收所述定位装置发送的目标位置，根据所述无人机的目标位置，发射对应的干扰信号，拦截所述无人机。

[0040] 这样，采用本申请提供的技术方案能够通过对待识别图片中多个入侵物进行预分类，对无人机进行预识别，根据无人机的运动特征，对预分类的无人机进行二次识别，确定出真正的无人机，提高了无人机识别的精度；然后获取无人机的多种采集信息，根据每种采集信息对应的权重，将每种采集信息对应的位置信息进行加权融合，确定出无人机的目标位置，控制拦截装置朝无人机的目标位置发射干扰信号，拦截该无人机，提高了确定无人机目标位置的准确性。

[0041] 为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

[0042] 为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

[0043] 图1示出了本申请实施例所提供的一种无人机的拦截系统的结构示意图之一；

[0044] 图2示出了本申请实施例所提供的一种多系统组网技术示意图；

[0045] 图3示出了本申请实施例所提供的一种无人机的拦截系统的结构示意图之二；

[0046] 图4示出了本申请实施例所提供的一种无人机通信信号感知示意图；

[0047] 图5示出了本申请实施例所提供的一种预识别模型结构示意图；

[0048] 图6示出了本申请实施例所提供的一种无人机空间定位示意图；

[0049] 图7示出了本申请实施例所提供的一种拦截系统总体框图；

[0050] 图8示出了本申请实施例所提供的一种无人机的拦截方法的流程图；

[0051] 图9示出了本申请实施例所提供的一种电子设备的结构示意图。

[0052] 图标：100‑拦截系统；110‑无人机识别装置；120‑定位装置；130‑拦截装置；111‑预识别模块；112‑识别模块；113‑信号识别模块；900‑电子设备；910‑处理器；920‑存储器；930‑总线。

具体实施方式

[0053] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

[0054] 另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。

[0055] 为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“无人机的拦截”，给出以下实施方式，对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。

[0056] 本申请实施例下述系统、方法、电子设备或计算机可读存储介质可以应用于任何需要进行拦截无人机的场景，本申请实施例并不对具体的应用场景作限制，任何使用本申请实施例提供的一种无人机的拦截系统以及拦截方法的方案均在本申请保护范围内。

[0057] 值得注意的是，无人机可以实现无接触转运物品、代替交通工作者进行空中指挥工作、化身“消防小能手”和“庄稼消杀小卫士”，进行消杀消毒，以及在人口集中区域，实现隔空喊话宣传等；展现了无人机超强的应用能力优势，让大家看到了无人机的价值；在技术迅速发展成熟大环境下，无人机产业蓬勃发展，如今对无人机产品消费需求逐年升高，呈现快速增长趋势，无人机产业规模也随之扩大。

[0058] 但是，无人机行业快速发展给人们生活带来便利的同时，也带来了不良影响；由于无人机是小型设备，且飞在空中，导致各种飞行事件层出不穷，“黑飞”、“滥飞”事件时有发生；据不完全统计，因无人机导致的飞机延误等不良事件数量逐年上升，为了应对民用无人机所引发的一系列安全问题，针对无人机开展“高精度拦截技术”研究极为紧迫。

[0059] 目前，无人机高精度拦截是一种较为可靠、高度智能化的技术，是一个全新的研究领域；无人机识别与感知、空间定位以及电磁干扰拦截是其中的关键科学问题，无人机拦截系统将大量应用于禁止民用无人机飞行的场所，具有广泛的应用前景。但是在无人机处于复杂环境中或者无人机与环境颜色相近融为一体时，很难快速识别出无人机，并且对于低空、移动快速的入侵无人机，图像采集设备很难保证每一帧图像中都出现清晰可见的目标，可能会出现由于快门时间不及时、曝光异常等情况造成的无人机识别图像虚化、拉伸、轮廓模糊等问题，导致目标的图像特征大幅减弱，容易出现识别错误、误拦截的情况；而且，在对无人机进行空间定位时，由于受外界影响较大，导致无法准确地定位无人机的精确位置，影响无人机拦截的准确性；因此，如何提高拦截无人机的准确性，成为了亟待解决的问题。

[0060] 基于此，本申请提出了一种无人机的拦截系统以及拦截方法，所述拦截系统，包括无人机识别装置、定位装置以及拦截装置；所述无人机识别装置，用于根据当前拦截装置所在领空区域，获取所述领空区域内的包含入侵物以及入侵物所在背景的待识别图片；根据所述待识别图片以及入侵物的运动特征，确定入侵物是否是无人机；若是，则将所述无人机的待确定位置发送给所述定位装置；所述定位装置，用于接收所述无人机识别装置发送的待确定位置，获取待确定位置处所述无人机的多种采集信息；根据所述多种采集信息确定出每种采集信息对应的无人机的位置信息，并根据每种采集信息对应的权重，确定出所述无人机的目标位置，将所述目标位置发送给所述拦截装置；所述拦截装置，用于接收所述定位装置发送的目标位置，根据所述无人机的目标位置，发射对应的干扰信号，拦截所述无人机。

[0061] 这样，采用本申请提供的技术方案能够通过对待识别图片中多个入侵物进行预分类，对无人机进行预识别，根据无人机的运动特征，对预分类的无人机进行二次识别，确定出真正的无人机，提高了无人机识别的精度；然后获取无人机的多种采集信息，根据每种采集信息对应的权重，将每种采集信息对应的位置信息进行加权融合，确定出无人机的目标位置，控制拦截装置朝无人机的目标位置发射干扰信号，拦截该无人机，提高了确定无人机目标位置的准确性。

[0062] 进一步的，对本申请公开的一种无人机的拦截系统100进行介绍。

[0063] 请参阅图1，图1为本申请实施例所提供的一种无人机的拦截系统的结构示意图之一，本申请实施例提供了一种无人机的拦截系统100，所述拦截系统100包括无人机识别装置110、定位装置120以及拦截装置130；无人机识别装置110通过在待识别图片中确定出无人机，将无人机的待确定位置发送给定位装置120；定位装置120在待确定位置处获取无人机的多种采集信息，根据每种采集信息对应的权重，将确定的多个位置信息进行加权融合获得无人机的目标位置，将目标位置发送给拦截装置130；拦截装置130朝无人机的目标位置发射对应的干扰信号，拦截无人机。

[0064] 具体的，所述无人机识别装置110，用于根据当前拦截装置130所在领空区域，获取所述领空区域内的包含入侵物以及入侵物所在背景的待识别图片；根据所述待识别图片以及入侵物的运动特征，确定入侵物是否是无人机；若是，则将所述无人机的待确定位置发送给所述定位装置120。所述定位装置120，用于接收所述无人机识别装置110发送的待确定位置，获取待确定位置处所述无人机的多种采集信息；根据所述多种采集信息确定出每种采集信息对应的无人机的位置信息，并根据每种采集信息对应的权重，确定出所述无人机的目标位置，将所述目标位置发送给所述拦截装置130；所述拦截装置130，用于接收所述定位装置120发送的目标位置，根据所述无人机的目标位置，发射对应的干扰信号，拦截所述无人机。

[0065] 这里，首先根据飞行无人机背景做出识别判断，根据不同背景下的识别方法识别出入侵的无人机，然后感知无人机信号实现对信号特征的提取和分析，通过多源信息融合方法实现对入侵无人机的定位，最后通过5G通信平台搭建多台拦截系统100，通过进行多系统组网，在大范围内实现对入侵无人机的定向跟踪拦截，达到使无人机迫降或驱离的目的。

[0066] 这里，可以采用第五代移动通信技术(5th Generation Mobile Communication Technology，简称5G)，构建5G信号微基站，实现各个拦截系统100中5G信号的稳定传输，5G通信的通信速率为10Gbps，其较高的通信频率也导致了单个5G基站的信号覆盖能力大幅度减弱，本实施例通过多设备组网的方式，实现各个拦截系统之间的协作调度，实现数据的联合处理与传输，具有较低的延时性，能够保证各拦截系统100之间进行信息的传输及时有效，使整个大范围入侵无人机拦截系统100的控制更加稳定与智能化。请参阅图2，图2为一种多系统组网技术示意图，如图2所示，基于5G通信平台的组网拦截系统100，构建5G通信平台，在5G通信平台中建立微基站，搭建多台自动拦截系统100，对入侵目标无人机进行跟随式干扰，设计多维度全方位立体拦截系统100，可以采用比例积分微分(Proportion Integration Differentiation，简称PID)算法智能控制，利用多系统组网获取到的无人机空间位置信息，将拦截装置130瞄准无人机的目标位置，发射干扰信号实现对入侵无人机的有效拦截。控制算法公式主要是对送入偏差信息进行比例、积分、微分计算，从而控制被控对象使得控制变量达到期望值。采用位置式PID算法，其控制数学模型为：

[0067]

[0068] 其中，u(k)为第k次采样时刻PID控制输出值，e(k)为第k次采样时刻输入偏差值，e(k‑1)为第(k‑1)次采样时刻输入偏差值，T为采样周期，TI为积分时间，TD为微分时间，KP为比例系数，KI为积分系数，KD为微分系数。在PID控制中，比例控制是根据当前偏差信号成比例输出控制量，单纯使用比例控制会给系统带来静差，积分控制则是根据偏差信号的累积量成比例地输出控制信号，它的存在可使得系统控制器输出无静差。微分控制则是根据偏差信号的变化趋势成比例地输出控制信号，它可以加快系统动态响应速度，使控制器输出更快到达稳定输出状态。比例、积分、微分控制各自具有独特的优势和劣势。因此，在应用中，往往会根据控制对象的要求采用其中二者(PD或PI)或三者(PID)实现对拦截系统100的控制。

[0069] 这里，5G通信平台微基站是由天线阵列组成，其包含了大规模多路输入多路输出(Massive Multiple Input Multiple Output，简称Massive MIMO)技术，每个微基站中部署大量的天线阵列；示例性的，可以每隔30m范围内布设一个微基站，并且在主拦截系统100和每个从拦截系统100上均部署一个微基站，以保证目标范围内5G信号通信顺畅，为整个拦截系统100稳定的运行以及大量的物联网数据采集奠定通信基础。

[0070] 示例性的，为了使拦截装置130能够实时地瞄准目标无人机，需要经过多次实验与调整来对参数进行整定，以保证拦截系统100可快速响应，实现对入侵无人机的实时跟踪与瞄准；基于5G通信平台搭建多台拦截系统100，并进行组网，以实现对较大范围的区域进行保护，在搭建多台拦截设备之后，将各台设备分别放在较大范围内的不同地点，通过构建的5G通信平台进行各拦截系统100之间的连接，保证各拦截系统100之间能够进行快速、稳定的通信。在整个组网后的系统中，设置一个主拦截系统100，其余均为从拦截系统100。主拦截系统100能够对各个从拦截系统100的实时情况进行监控，并作出相应指示。

[0071] 进一步的，请参阅图3，图3为一种无人机的拦截系统的结构示意图之二，如图3所示，所述无人机识别装置110包括信号识别模块113；所述信号识别模块113，用于根据所述无人机的待确定位置，获取待确定位置处所述无人机的原始信号，根据所述原始信号确定出所述无人机的通信信号，提取所述通信信号的信号特征；根据所述信号特征，确定所述通信信号的类别，将所述通信信号的类别发送给所述拦截装置130。

[0072] 这里，根据“三步法”原理，对入侵无人机信号进行系统感知，首先进行信号分离，然后提取信号特征，最后进行信号识别。无人机通信信号分为图像信号、语音信号、定位信号等，根据无人机不同信号具有各自独特特征值的特点，可以采用自适应信号抵消理论建立无人机信号分离的数学模型，实现对无人机信号的精确分离；通过信号指纹识别理论建立无人机信号特征提取数学模型，获取无人机通信信号的信号特征；通过机器学习理论建立无人机信号识别数学模型，实现对无人机通信信号的感知，通过对无人机信号的感知，为后续针对入侵无人机干扰模式的选择提供理论支撑。

[0073] 示例性的，请参阅图4，图4为一种无人机通信信号感知示意图，如图4所示，采用自适应噪声抵消技术实现民用无人机通信信号的分离，利用信号接收机采集无人机原始信号，通过信号分离从原始信号中分离出通信信号，提取通信信号的信号特征，包括稳态特征、双谱特征以及经验小波变换(empirical wavelet transform，简称EWT)特征等，根据提取出的无人机的通信信号的信号特征，采用深度学习方法，例如决策树、K近邻、判断分别、朴素贝叶斯以及纠错输出编码等，对无人机的通信信号进行分类识别，利用训练样本，训练无人机通信信号分类器，通过测试样本检验各个分类器性能，实现无人机通信信号的感知。

[0074] 示例性的，入侵无人机信号的分离采用自适应噪声抵消技术，利用信号接收机采集无人机原始信号d(t)，此信号包括了无人机通信信号x(t)与噪声v(t)，参考输入信号s(t)是与噪声v(t)相关的信号，参考信号通过自适应滤波器后的信号变为v1(t)。自适应噪声抵消系统的输出为：

[0075] e(t)＝x(t)+v(t)‑v1(t)；

[0076] 对上述公式两边取平方及数学期望有：

[0077] E[e2(t)]＝E[x2(t)]+E[v(t)‑v1(t)]2；

[0078] 由于E[x2(t)]与滤波器的调节无关，如果调节自适应滤波器使得E[e2(t)]最小，也2
就是E[v(t)‑v1(t)]最小。从而有：

[0079] v(t)‑v1(t)＝e(t)‑x(t)；

[0080] 当E[v(t)‑v1(t)]2最小时，E[e(t)‑x(t)]2也最小，此时自适应噪声抵消系统的输出信号e(t)与无人机通信信号x(t)的均方差最小，即在理想情况下v(t)＝v1(t)，则e(t)＝x(t)，这时，参考信号通过自适应滤波器后变成了v(t)，然后原始输入减去v(t)后最后的输出就只保留了无人机通信信号x(t)。

[0081] 例如，稳态信号特征提取可以利用采集民用无人机空间飞行通信信号的瞬时频率进而估计前导序列频率，提取稳态信号特征；根据无人机通信信号x(t)、 进一步可得瞬时角度θ(t)：

[0082]

[0083] 进一步得瞬时角频率ω(t)：

[0084] ω(t)＝dθ(t)/dt；

[0085] 取fs为采样频率，瞬时频率f(t)：

[0086] f(t)＝ω(t)*fs/2π；

[0087] 由前导序列得到每个采样点的瞬时频率，再取前导序列瞬时频率的均值、方差、偏度、峰度作为稳态信号特征向量。

[0088] 例如，基于双谱的无人机通信信号指纹特征提取可以针对无人机通信信号进行分析，能够保证样本数据的长度，采用双谱的非参数估计法，进行无人机通信信号双谱特征提取，也能达到高分辨率和低估计误差；计算过程包括：将接收到的无人机通信信号x(n)进行归一化处理，随后等分为长度为M的K段，用xi(n)表示第i段信号样本，对xi(n)进行快速傅里叶变换，得到DFT系数Xiλ：

[0089]

[0090] 计算DFT系数Xiλ的三阶自相如下所示：

[0091]

[0092] 其中， 为频率样本之间的间隔，Y(i)为每段数据的DFT系数，ki表示第k段数据，λ1、λ2为采样频率，从而得到无人机通信信号样本的双谱特征如下所示：

[0093]

[0094] 其中，ω1、ω2为振幅与频率的双谱估计值。

[0095] 例如，基于EWT的无人机通信信号指纹特征提取可以采用去块滤波边界强度确定法确定滤波器边界ωn，在确定好滤波器边界后，就能保证将无人机通信信号进行稳定EWT经验小波变换，得到所需的滤波分量，将滤解分量组合成信号特征向量，作为无人机通信信号指纹特征。

[0096] 进一步的，所述拦截装置130，还用于：接收所述信号识别模块113发送的通信信号的类别，根据所述通信信号的类别确定出所述通信信号的类别对应的干扰信号。

[0097] 这里，不同的通信信号对应不同的干扰信号，根据上述步骤中提取通信信号的信号特征所确定出的通信信号的类别，确定对应的干扰信号。

[0098] 进一步的，所述无人机识别装置110还包括预识别模块111以及识别模块112；所述预识别模块111，用于根据所述待识别图片以及所述入侵物的特征信息，从待识别图片中确定出包含的入侵物是无人机的概率大于预设阈值的目标图片，并将所述目标图片发送给所述识别模块112；所述识别模块112，用于接收所述预识别模块111发送的目标图片，根据所述目标图片，获取所述目标图片中的待确定无人机的运动特征，根据所述待确定无人机的运动特征确定目标图片中的待确定无人机是否是无人机，若是，则将所述无人机的待确定位置发送给所述定位装置120。

[0099] 这里，对于入侵无人机的识别，可以通过对待识别图片的自动判断来逐步实现，根据图像背景和包含的无人机特征来判断，针对无人机目标检测算法的发展和研究现状，可以基于快速区域卷积神经网络(Faster Region‑Convolutional Neural Network，简称FasterR‑CNN)算法和基于双向长短期记忆网络(Bidirectional Long Short‑Term Memory，简称Bi‑LSTM)的端到端的无人机图像识别检测模型，提高深度学习对快速移动状态下无人机的识别精度。

[0100] 进一步的，所述预识别模块111具体用于：将所述待识别图片输入至预识别模型中，以使所述预识别模型根据所述入侵物的特征信息，对待识别图片中各个入侵物进行预分类，输出各个入侵物的预分类结果；将预分类结果指示的所述入侵物为无人机的待识别图片确定为目标图片，并将带有无人机标记的目标图片发送给所述识别模块112。

[0101] 示例性的，预识别模型可以采用基于FasterR‑CNN算法的无人机图像预识别模型，FasterR‑CNN算法是一种典型的“两步式”网络，第一部分是全卷积神经网络,也称作区域建议网络(Region Proposal Network，简称RPN)，该网络用来产生候选区域；第二部分是FasterR‑CNN检测器，使用第一部分网络产生的候选区域进行分类与边框回归计算，整个系统共享卷积特征图，将这两部分连接起来，成为单一、统一的网络；FasterR‑CNN模型主要由四个部分构成，包括共享卷积网络、RPN网络、感兴趣区域(Region of Interest，简称RoI)池化网络以及最后的分类器(Classifier)。

[0102] 进一步的，请参阅图5，图5为一种预识别模型结构示意图，如图5所示，所述预识别模型包括顺次连接的共享卷积层、RPN网络以及分类器；通过以下步骤输出各个入侵物的预分类结果：将所述待识别图片输入共享卷积层，输出带有领空区域内入侵物的特征信息的特征图；将所述特征图输入RPN网络，在所述特征图中获取至少一个候选框，将所述候选框映射在所述特征图中，输出带有多个候选框的特征图；将所述特征图输入分类器，对所述候选框中的入侵物进行预分类，输出各个入侵物的预分类结果。

[0103] 进一步的，通过以下步骤确定目标图片：将预分类结果指示的所述入侵物为无人机的待识别图片通过回归器校正无人机所在的候选框，将校正后的带有无人机候选框标记的待识别图片确定为目标图片。

[0104] 示例性的，将任意尺寸的图像输入到RPN中，可以输出高质量的矩形候选区域集，使用RPN网络在卷积特征图上滑动，将特征图上n×n大小的窗口作为输入，后面分别连接两个1×1的同级卷积层，这两个全连接卷积层起到了分类和回归的作用，对于每一个滑动窗口，可以同时预测多个区域是否存在目标，将滑动窗口的中心点作为锚点，分别使用3种缩放比和3种长宽比，在每一个滑动窗口位置，可以得到k＝9个锚矩形框；对于一个尺寸为W×H的特征图,总共有W×H×k个锚矩形框；RPN网络输出2k个是否存在目标的概率，以及4k个回归坐标值；在无人机图像识别中，被识别的目标入侵无人机与背景信息是息息相关的；若目标无人机越接近入侵领空，则其特征向量与背景特征图中对应位置的特征向量相似度越低；反之越高。因此，在基于FasterR‑CNN算法的端到端的无人机图像识别检测模型中，背景特征是一个值得考虑进来的因素，融合背景特征信息，进一步提升了预识别模型的鲁棒性和实用性。

[0105] 进一步的，所述识别模块112具体用于：根据接收到的多张目标图片中无人机的运动轨迹，生成所述无人机的运动特征向量；将所述运动特征向量输入至训练好的识别模型中，输出分类结果，确定所述预分类的无人机是否是无人机，若是，则将所述无人机的待确定位置发送给所述定位装置120。

[0106] 示例性的，识别模型可以采用基于双向长短期记忆网络(Bi‑LSTM)的模型，来提高目标识别的精度，双向长短期记忆网络(Bi‑LSTM)的神经网络结构由两个独立的长短期记忆网络构成，首先生成输入序列的逆序拷贝，然后将原序列与逆序拷贝分别输入至两个长短期记忆网络神经网络中，进行特征数据的提取，从而得到两个输出向量，最后将所得的输出向量进行拼接，生成词向量作为该词的最终特征表达；对于低空、移动快速的入侵无人机，图像采集设备很难保证每一帧图像中都出现清晰可见的目标，可能会出现由于快门时间不及时、曝光异常等情况造成的无人机识别图像虚化、拉伸、轮廓模糊等问题，导致目标的图像特征大幅减弱，容易出现识别错误、误拦截的情况，在无人机运动的场景下，以连续的视频帧序列为识别对象，增强对移动目标的识别效果。双向长短期记忆网络(Bi‑LSTM)筛选后的无人机运动特征向量，选择其中轨迹正常的较准确数据，可继续作为新的数据集输入至网络的训练程序中存储起来，使用数据库实时存储检测结果，定期的整理数据集并用以重新训练双向长短期记忆网络，可以逐步提升网络分类准确率，强化了无人机的形态特征，从而提高识别成功率，实现对远距离小目标的识别。

[0107] 例如，采集入侵无人机运动轨迹中的时空数据点，构建运动特征向量，包含速度、加速度、方向、时间四个维度，基于四维运动特征向量数据集，通过正反向长短期记忆网络提取其轨迹特征，进而训练双向长短期记忆网络分类模型；然后，实时接收识别到的目标坐标序列，生成其四维运动特征向量，输入至训练好的双向长短期记忆网络模型，并输出分类结果；其中判别为异常的轨迹点，编号返回识别程序，在最终输出的识别结果中丢弃。

[0108] 进一步的，所述定位装置120具体用于：根据所述无人机的待确定位置，获取待确定位置处所述无人机的多种采集信息；根据所述多种采集信息确定出每种采集信息对应的无人机的位置信息；通过预先选择的每个位置信息对应的加权因子，对各个位置信息进行加权融合，确定出所述无人机的目标位置，将所述目标位置发送给所述拦截装置130。

[0109] 这里，实现对入侵民用无人机定位是民用无人机拦截和跟踪的重要前提；示例性的，请参阅图6，图6为一种无人机空间定位示意图，如图6所示，可以利用北斗导航定位系统(BeiDou Navigation Satellite System，BDS)、惯性导航系统(Inertial Navigation System，简称INS)、声音定位和到达时间差(Time Difference of Arrival，简称TDOA)无源定位法完成对入侵民用无人机的空间定位；利用多源信息互补原理，建立基于多传感器信息融合定位的数学模型，获取无人机的位置信息；通过多传感器随机加权融合理论，自适应设置各源权重，揭示无人机空间定位的多源信息相互关系，进一步提高对民用无人机的空间定位精度，在大范围内实现对民用无人机的有效空间定位。

[0110] 示例性的，多传感器信息融合方法是基于对民用无人机进行空间定位，主要是将民用无人机的信号与BDS信号、INS信号、声音信号和TDOA信号，经过信号处理后，使用随机加权融合算法对其进行信息融合，得到民用无人机的空间位置信息。

[0111] 例如，在北斗导航定位系统中，接收机所测量出的距离为包含各种随机误差在内的距离，称为“伪距”，用ρ来表示，其中所包含的误差主要是来自接收机与卫星原子钟之间的钟差。民用无人机与第i颗导航卫星的“伪距”定义如下：

[0112]

[0113] 其中，Ri为真距(信号传播时延)，ρ为伪距(伪距＝真距+时钟误差)，(xu,yu,zu)为需要求解的民用无人机所处位置的空间坐标，(xsi,ysi,zsi)为已知的第i颗导航卫星的空间坐标，c为光速，tu为利用北斗卫星基准基站求得的无人机接收机时钟的误差。INS则是直接利用运动载体的动态导航轨迹数据，通过惯性测量模块(Inertial Measurement Unit，简称IMU)的仿真结算，获得惯性导航传感器模块输出的测量参数。使用声音传感器采集声音信号，再通过盲源分离将观测信息中的民用无人机声音信号提取出来，并将其设定为一个目标函数，通过最大化目标函数来求解快速独立成分分析(Fast Independent Component Analysis，简称FastICA)问题，从而得到目标函数的极值，在进行迭代后，就可以求得无人机的信号。TDOA无源定位技术的基本原理为双曲线模型，利用无人机通信信号到达各个接收机时间差，两个接收机之间就能构造出一个双曲线方程，三台接收机构造出三个双曲线方程，三个双曲线方程的交点就是目标位置。

[0114] 这里，多传感器信息融合利用多元信息的互补性来提高信息的质量，在多传感器系统中，需要用多个传感器从不同位置对同一目标的特征参数进行测量，当多传感器系统中的单个传感器以不同的置信度对目标的同一特征参数进行测量时，多传感器提供了冗余信息，由于多传感器系统中单个传感器的量测噪声互不相关，因此可将量测得到的冗余信息进行融合，以降低系统的不确定性，提高系统精度和可靠性；此外，由于冗余信息的存在，当一个或几个传感器出现故障时，系统仍可以利用其它传感器获取的信息维持正常工作，从含有噪声的传感器量测数据中估计目标参数的融合方法很多，其中多传感器随机加权融合算法因具有最优性、无偏性、均方误差最小等优点而被受到普遍重视。本实施例通过多源信息互补原理，建立基于多传感器信息融合定位的数学模型，获取无人机的位置信息，其随机加权融合算法的基本思想是：对各传感器所提供的测量信息进行加权，并根据信息的有用程度在线调整各传感器的权值，使各个传感器的加权因子尽可能合理，以便获得最优融合结果。

[0115] 示例性的，设n个传感器的方差分别是 待估计的真实值为x，各传感器的量测值为x1,x2,…xn，假设x1,x2,…xn相互独立，且x是无偏估计，n个传感器对某一系统状态的观测方程如下：

[0116] Z＝Lx+e；

[0117] 其中，x是一维待测状态量，Z为n维测量向量，L为已知的n维测量向量，并且假设LT＝(1,1,…1) ,e为n维测量噪声向量，其中包含传感器的内部噪声和环境干扰噪声，e＝(e1,T
e2,…en) 。假设各传感器的测量噪声为相互独立的白噪声，且服从正态分布，则有[0118] E[ei]＝0(i＝1,2,…n)；

[0119]

[0120] 其中， 是第i个传感器的测量方差，yi为第i个传感器上的测量值。

[0121] 将n个传感器记为m组，记Z1＝(z11,z12,…,z1n)，Z2＝(z21,z22,…,z2n)，…，Zm＝(zm1,zm2,…,zmn)。每组传感器量测的平均值如下：

[0122]

[0123] 其相应的随机加权估计为：

[0124]

[0125] 其中，vj是随机加权因子。用每组传感器量测的随机加权估计值,代替该组的多个传感器的量测值进行多传感器信息的融合,这时系统观测方程中的各组量测值的随机加权估计可描述如下：

[0126] Z＝Lx+e；

[0127] 其中，Z(m维)为各组传感器量测的随机加权向量，记Z＝(‑z1*,‑z2*,…,‑zm*)，L为T T已知的m维常值向量，L＝(1,1,…1) ，e为m维测量噪声随机加权向量，e＝(e1,e2,…em) ，ei的表达式如下所示：

[0128]

[0129] 其中，vj是随机加权因子；设xi，xj为两个相互独立的传感器信号测量值，测量误差为ei，ej，待估计的真值是x，则有：

[0130]

[0131] 其中，ei，ej均是零均值白噪声；第i个传感器的方差为：

[0132]

[0133] 因为xi、xj互不相关，与x也不相关，且均值为零，故其协方差矩阵γij为：

[0134] γij＝E[xi xj]＝E[x2]；

[0135] xi的自协方差函数γii为：

[0136]

[0137] 从而有：

[0138]

[0139] 若传感器的量测次数为k，γii、γij在时间域的估计值分别为γii(k)和γij(k)，相应的随机加权估计为：

[0140]

[0141]

[0142] 用传感器i(i＝1,2,…,n,i≠j)和传感器j(j＝1,2,…,n,i≠j)进行相关运算可估计出各传感器的方差 这样就在不知道任何传感器测量数据先验条件下，可以从含有观测噪声的测量数据中融合出方差最小的数据值，多传感器随机加权融合算法不但充分利用了传感器的测量数据，还将传感器的均方误差、测量精度等信息进行融合处理，快速、准确地估计出真值，提高了测量精度、扩大了观测范围；获得BDS信号、INS信号、声音信号和TDOA信号，利用多传感器随机加权融合算法就可以实现民用无人机的精确定位。

[0143] 示例性的，请参阅图7，图7为一种拦截系统总体框图，如图7所示，一种基于5G通信平台的无人机深度拦截系统(拦截系统100)包括无人机图像识别与信息感知(无人机识别装置110)、基于信息融合无人机空间定位(定位装置120)以及基于5G通信平台的组网拦截(拦截装置130)；其中，无人机图像识别与信息感知包括基于深度学习无人机图像识别(预识别模块111与识别模块112)确定出无人机的待确定位置，以及基于三步法无人机信号感知(信号识别模块113)确定出无人机的通信信号的类别，基于信息融合无人机空间定位是根据BDS(北斗导航定位)信号、INS(惯性导航定位)信号、声音信号和TDOA(到达时间差定位)信号通过随机加权算法信息融合确定出无人机的目标位置，基于5G通信平台的组网拦截包括构建5G通信平台和建立微基站，以此搭建多台拦截系统组网，从而有效实现全方位立体式无人机的深度拦截。

[0144] 本申请实施例提供的一种无人机的拦截系统，所述拦截系统，包括无人机识别装置、定位装置以及拦截装置；所述无人机识别装置，用于根据当前拦截装置所在领空区域，获取所述领空区域内的包含入侵物以及入侵物所在背景的待识别图片；根据所述待识别图片以及入侵物的运动特征，确定入侵物是否是无人机；若是，则将所述无人机的待确定位置发送给所述定位装置；所述定位装置，用于接收所述无人机识别装置发送的待确定位置，获取待确定位置处所述无人机的多种采集信息；根据所述多种采集信息确定出每种采集信息对应的无人机的位置信息，并根据每种采集信息对应的权重，确定出所述无人机的目标位置，将所述目标位置发送给所述拦截装置；所述拦截装置，用于接收所述定位装置发送的目标位置，根据所述无人机的目标位置，发射对应的干扰信号，拦截所述无人机。

[0145] 这样，采用本申请提供的技术方案能够通过对待识别图片中多个入侵物进行预分类，对无人机进行预识别，根据无人机的运动特征，对预分类的无人机进行二次识别，确定出真正的无人机，提高了无人机识别的精度；然后获取无人机的多种采集信息，根据每种采集信息对应的权重，将每种采集信息对应的位置信息进行加权融合，确定出无人机的目标位置，控制拦截装置朝无人机的目标位置发射干扰信号，拦截该无人机，提高了确定无人机目标位置的准确性。

[0146] 请参阅图8，图8为本申请实施例所提供的一种无人机的拦截方法的流程图。如图8中所示，本申请实施例提供的拦截方法，包括：

[0147] S801、获取领空区域内的包含入侵物以及入侵物所在背景的待识别图片；

[0148] S802、根据所述待识别图片以及入侵物的运动特征，确定入侵物是否是无人机；

[0149] 该步骤中，通过以下步骤确定入侵物是否是无人机：

[0150] S8021、根据所述待识别图片以及所述入侵物的特征信息，从待识别图片中确定出包含的入侵物是无人机的概率大于预设阈值的目标图片；

[0151] 该步骤中，通过以下步骤确定目标图片：

[0152] 1)、将所述待识别图片输入至预识别模型中，以使所述预识别模型根据所述入侵物的特征信息，对待识别图片中各个入侵物进行预分类，输出各个入侵物的预分类结果；

[0153] 该步骤中，预识别模型包括顺次连接的共享卷积层、RPN网络以及分类器；通过以下步骤输出各个入侵物的预分类结果：

[0154] (1)、将所述待识别图片输入共享卷积层，输出带有领空区域内入侵物的特征信息的特征图；

[0155] (2)、将所述特征图输入RPN网络，在所述特征图中获取至少一个候选框，将所述候选框映射在所述特征图中，输出带有多个候选框的特征图；

[0156] (3)、将所述特征图输入分类器，对所述候选框中的入侵物进行预分类，输出各个入侵物的预分类结果。

[0157] 2)、将预分类结果指示的所述入侵物为无人机的待识别图片确定为目标图片。

[0158] 该步骤中，将预分类结果指示的所述入侵物为无人机的待识别图片通过回归器校正无人机所在的候选框，将校正后的带有无人机候选框标记的待识别图片确定为目标图片。

[0159] S8022、根据所述目标图片，获取所述目标图片中的待确定无人机的运动特征，根据所述待确定无人机的运动特征确定目标图片中的待确定无人机是否是无人机。

[0160] 该步骤中，通过以下步骤进行无人机的确定：

[0161] 1)、根据接收到的多张目标图片中无人机的运动轨迹，生成所述无人机的运动特征向量；

[0162] 2)、将所述运动特征向量输入至训练好的识别模型中，输出分类结果，确定所述预分类的无人机是否是无人机。

[0163] S803、若是，则获取所述无人机的待确定位置；并在所述待确定位置处获取所述无人机的多种采集信息；

[0164] S804、根据所述多种采集信息确定出每种采集信息对应的无人机的位置信息，并根据每种采集信息对应的权重，确定出所述无人机的目标位置；

[0165] 该步骤中，根据多种采集信息确定出每种采集信息对应的无人机的位置信息；通过预先选择的每个位置信息对应的加权因子，对各个位置信息进行加权融合，确定出所述无人机的目标位置。

[0166] S805、根据所述无人机的目标位置，发射对应的干扰信号，拦截所述无人机。

[0167] 该步骤中，通过以下步骤确定干扰信号：

[0168] S8051、获取待确定位置处所述无人机的原始信号，根据所述原始信号确定出所述无人机的通信信号，提取所述通信信号的信号特征；根据所述信号特征，确定所述通信信号的类别；

[0169] S8052、根据所述通信信号的类别确定出所述通信信号的类别对应的干扰信号。

[0170] 本申请实施例提供的一种无人机的拦截方法，所述拦截方法包括：获取领空区域内的包含入侵物以及入侵物所在背景的待识别图片；根据所述待识别图片以及入侵物的运动特征，确定入侵物是否是无人机；若是，则获取所述无人机的待确定位置；并在所述待确定位置处获取所述无人机的多种采集信息；根据所述多种采集信息确定出每种采集信息对应的无人机的位置信息，并根据每种采集信息对应的权重，确定出所述无人机的目标位置；根据所述无人机的目标位置，发射对应的干扰信号，拦截所述无人机。

[0171] 这样，采用本申请提供的技术方案能够通过对待识别图片中多个入侵物进行预分类，对无人机进行预识别，根据无人机的运动特征，对预分类的无人机进行二次识别，确定出真正的无人机，提高了无人机识别的精度；然后获取无人机的多种采集信息，根据每种采集信息对应的权重，将每种采集信息对应的位置信息进行加权融合，确定出无人机的目标位置，控制拦截装置朝无人机的目标位置发射干扰信号，拦截该无人机，提高了确定无人机目标位置的准确性。

[0172] 请参阅图9，图9为本申请实施例所提供的一种电子设备的结构示意图。如图9中所示，所述电子设备900包括处理器910、存储器920和总线930。

[0173] 所述存储器920存储有所述处理器910可执行的机器可读指令，当电子设备900运行时，所述处理器910与所述存储器920之间通过总线930通信，所述机器可读指令被所述处理器910执行时，可以执行如上述图8所示方法实施例中的无人机的拦截方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

[0174] 本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图8所示方法实施例中的无人机的拦截方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

[0175] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0176] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0177] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0178] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

[0179] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read‑Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

[0180] 最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。