基于无人机微多普勒的特征识别

梁健涛，何法虎

(华北理工大学人工智能学院，唐山 063200)

0 引言

最近这些年，无人机越来越受到大众的喜爱，在许多场合随处可见。无人机在民用以及商业等领域得以普及，例如快递[1]、喷洒农药、医疗紧急救助[2]、安防等。在2013年，美国联邦航空管理局针对无人机飞行问题颁布了一系列政策[3]。随后几年中，随着无人技术的飞速发展，使用无人机的数量有了迅猛增长。这导致执法人员在面对无人机造成的威胁时缺乏经验。同时还有一些危险人员将这些可以轻易操作、简便购买以及性价比超高的无人机用于威胁社会治安活动，例如：侵犯隐私[4]、危险碰撞[5]、非法侦察管制区域、非法物质运输以及爆炸性化学物质部署，等等。有一项数据计算表明，在发生碰撞时，若无人机重2kg，以正常行驶的速度进行飞行，发生碰撞[6]时对物体造成的伤害可相当于一个炮弹的伤害。同时无人机在现代社会中还具有很多积极的应用前景。例如远程作业、喷洒农药、救助人员、航空拍照以及物资运输等。随着无人机的广泛应用，将会大大提高经济效益。预计无人机在未来企业使用中可高达1270亿美元。

随着无人机在各个领域的发展应用，对无人机飞行在空中如何进行有效的安全检测，以及无人机种类的识别，成了当前社会的热门话题。由于当前城市环境复杂，存在许多建筑遮挡以及无人机操作不当等问题，容易对空中航路安全、城市安保等造成威胁[7]。因此针对无人机等飞行小目标进行实时高效的识别，是当前研究的重要之重，引起了社会和个人的广泛关注。若可以实时准确地识别飞机、无人机等飞行目标，在军事作战中可以提高警惕，防止敌方偷袭，从而提升军事实力。而在民用方面，由于空中飞行监管制度不是很完善，对于民航飞行的干扰持续存在，导致坠机事件时常发生。而在生活中也存在一些使用无人机窃取机密、偷窥他人隐私的事件，因此飞行小目标的识别对于公共安全方法也有重要作用，对飞行小目标的准确高效识别显得至关重要。

因为无人机品种众多，其探测性较差[8]。主要由于：①无人机模型较小，回波信号掺杂许多杂波和噪声的干扰，不易识别和检测；②目标在飞行时会使多普勒发散，其目标回波很难集中收集；③雷达回波较弱。特征提取比较困难。因此在飞行小目标识别技术中，如何对飞行小目标进行检测，准确地获取目标信息非常重要。在当前的研究领域中，许多研究人员提出了许多检测方法，通常采用恒虚警检测[9](Constant False Alarm Rate，CFAR)，目的是检测目标是否存在，以及相参积累、特征检测[10]等方法。随着无人机受欢迎度的增加，其安全问题也备受瞩目。由于当前环境复杂，无人机等低空飞行器的出现和迅速发展，许多虚假高达建筑以及观测时间较短等问题干扰，对空中航路安全、城市安保等提出了严峻挑战。因此针对无人机等飞行小目标的有效识别具有重大意义。

本文基于这一重大研究意义，通过使用77GHz的毫米波雷达来对三种无人机进行探测，通过对雷达回波信号的一系列处理，得到目标的微多普勒特征，使用AlexNet对特征集进行训练识别，从而得到无人机的识别正确率。

1 流程实现

1.1 流程描述

无人机的识别流程如图1所示，具体步骤如下：

图1 无人机识别的流程图

(1)使用77GHz的毫米波雷达探测已知距离的多种类无人机，获取目标回波。

(2)对回波矩阵进行2D CFAR，检查目标的回波是否存在。当存在时使用2D FFT(Fast Fourier Transform，FFT)获取目标在距离维上的信息，提取目标特征。若不存在，则证明该组数据不是包含目标回波的探测数据。

(3)提取目标信号后，采用短时傅里叶变换(Short-Time Fourier Transform，STFT)对目标进行变化，获取目标的时频图，分析目标的微多普勒特征。

(4)对特征数据集进行基于AlexNet的训练识别。采用70%进行训练，其余进行测试，得到目标的识别正确率。

1.2 理论分析

1.2.1 时频分析

由于现实信号的非平稳性导致其频率大多随时间进行变化，而傅里叶变换(Fourier Transform，FT)不能同时反映时域和频域上的信息，而且由于其基函数对时域定位特性的短缺，因此时变信号不能使用FT。当既需要知道信号的某些局部时间段上所对应的频率，也需要知道信号某些频率在对应的时间段上时，即时间域-频率域的局部变化。如果假定在极短的时间段内是平稳的，这时就可以使用传统的FT，所以假定从一个极其窄的窗来观察信号，要求窗要窄到在窗内看到的信号是接近平稳的，因此可以处理时变信号。而雷达探测的无人机回波信号就属于非平稳信号，因此需要采用STFT来对回波信号进行处理。

对于非平稳信号需要在时域中采用窗函数g(t-u)，与非平稳信号f(t)进行乘法运算来切片信号，对其作FT，即不断对窗函数进行滑动，实现在u周围加窗，得到信号在不同时间段内的FT，将多段变换组合起来即可。对于在线性空间存在的一个可积可测可平方的函数f(t)∈L2(R)，对其进行STFT可得：

(1)

本文使用毫米波雷达采集到的现实信号中大部分都是无法直接使用FT的非平稳信号，需要使用分段加窗的STFT才能得到时间-频率的特征信息。

1.2.2 AlexNet模型

目前目标识别领域常用的方法之一是CNN，可以按照结构层次对输入进行分类。CNN普遍应用在人脸识别和图像分割等领域[11]，能够实行监督学习以及非监督学习。CNN拥有许多不同种网络结构模型，但CNN模型主要由输入层、卷积(conv)层、池化(pool)层、全连接(FC)层和输出层构成。在2006年深度学习理论被提出后[12]，卷积神经网络被广泛关注。

AlexNet模型结构以及参数计算如图2所示。可看出输入层是227×227的图片，每层网络参数的计算都在图中进行了标识。将数据集传输到输入层后，conv和pool交替进行使特征图不断缩小，提取目标的主要特征。全连接层将之前得到所有特征进行FC，然后送到分类器中。输入层作为网络的整体输入，图2的结构图中最左上角的227×227代表了图片的大小，而3表示输入的色彩通道。从输入层开始每一个结构都是将上一个的三维矩阵转到下一层，直到最后的全连接层。而特征图通过卷积层的conv运算进行特征提取，激活对其进行运算获得输出进入下一层的网络。卷积层的conv计算表示为：

(2)

图2 AlexNet模型网络框图

2 实验过程

TI雷达发射周期性的线性调频信号，进行距离、速度以及角度的测量，在实验中采用的是77GHz雷达。课题实验中的运动目标特征信号主要来自于无人机旋翼叶片的旋转运动，小部分来自于无人机主体的振动以及各部件小的振动等。实际探测的无人机类型分别是单旋翼、直升机和四旋翼，如图3、图4和图5所示。

图3 单旋翼

图4 直升机

图5 四旋翼

在室外测试环境下，毫米波雷达发射线性调频信号，当调制过的载频信号与目标相遇后，产生回波被接收端接收。对其接收到的信号使用2D CFAR来检测目标是否存在，在检测时由于存在无时无刻的杂波干扰，在进行2D-FFT之后对其进行速度-距离维的CA-CFAR检测，对得到回波信号进行2D CA-CFAR处理，滤除杂波。由于无人机的回波信号属于非平稳信号，对雷达探测得到的目标回波信号经过上述操作的预处理后，采用时频分析中汉明窗的STFT对其进行变换，获取近似平稳的实际探测目标信号的时频特性，得到其中典型的四旋翼小型无人机的时频图如图6所示。

图6 四旋翼的时频图

从图6四旋翼无人机的时频图可以看出，四旋翼无人机的微多普勒特征是周期性的，而由于每种无人机的形状以及其他性质的不同，导致其不同类型的无人机回波信号也存在很大的差异，经过STFT变换后得到的信号微多普勒特征也有明显的差异，因此对于多种类无人机能够依据这些差异特征来实现无人机的识别。针对提取到的微动特征数据集进行神经网络的训练，主要使用AlexNet方法进行训练，对特征数据集中70%的数据进行训练操作，剩余数据进行验证，得到目标的识别正确率。

3 实验结果及分析

针对多种类无人机在实际探测情况下，采用毫米波雷达对无人机回波信号进行预处理和提取操作，为后续采用神经网络方法训练打下基础。通过对飞行小目标识别的研究，本文提出使用毫米波雷达探测飞行的无人机，并对其进行STFT提取特征，然后对其使用AlexNet模型进行训练。按照无人机识别的实验流程进行室外环境实验，获得的三种类无人机识别的正确率为93.75%。

4 结语

飞行小目标的高效识别为空中安全管理和防止偷袭等方面提供保障。针对飞行小目标识别效率低、识别速度较慢等困难，本文采用AlexNet对无人机进行实时高效的识别。该方法对无人机在实际生活中的高效识别有很重要的意义。在近几年，研究者们对无人机的识别进行不断研究，给出了高效可行的解决方案，我国对于无人机的高效利用得到了很大的改善。因为无人机具有独特唯一的特性，在本文中选择了无人机的微多普勒特征作为识别特征。AlexNet模型在图像识别中占据优势地位，因此本文选用该模型对无人机特征图像进行识别。在文中给出了基于AlexNet模型的无人机识别的实验验证，分析在具有唯一的特征中使用该模型识别具有一定的优势。该算法可用于解决实际工作中的一些相关问题，具有一定的实际意义。