基于模型轉(zhuǎn)換頻率估計(jì)的低空目標(biāo)分類

陳唯實(shí), 黃毅峰, 陳小龍, 盧賢鋒, 張 潔

(1.中國(guó)民航科學(xué)技術(shù)研究院, 北京 100028; 2.海軍航空大學(xué), 山東 煙臺(tái) 264001)

0 引 言

近年來(lái),隨著無(wú)人機(jī)產(chǎn)業(yè)的快速發(fā)展,世界各地?zé)o人機(jī)擾航事件頻發(fā)[1]。無(wú)人機(jī)黑飛造成的安全隱患,為低空安全敲響了警鐘,引發(fā)公眾極大關(guān)注。以“無(wú)人機(jī)云”為代表的合作監(jiān)視技術(shù)覆蓋了絕大部分合法飛行的消費(fèi)級(jí)無(wú)人機(jī),因此少量自行組裝的非合作無(wú)人機(jī)成為暴恐分子的作案工具,嚴(yán)重危害低空安防[2]。

目前,無(wú)線電偵測(cè)[3]、光電[4]、聲學(xué)[5]、雷達(dá)[6]4類最為典型的非合作無(wú)人機(jī)目標(biāo)探測(cè)技術(shù)各具優(yōu)勢(shì)和不足。其中,無(wú)線電偵測(cè)技術(shù)的優(yōu)勢(shì)在于能夠快速定位無(wú)人機(jī)飛手,但其對(duì)于靜默無(wú)人機(jī)的失效成為其最大短板。光電設(shè)備雖在一定距離內(nèi)善于目標(biāo)識(shí)別,但本身不具備測(cè)距功能,需要配備激光定位設(shè)備實(shí)現(xiàn)測(cè)距。近年來(lái),隨著神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)算法的發(fā)展,光學(xué)數(shù)據(jù)成為無(wú)人機(jī)分類識(shí)別中非常有價(jià)值的數(shù)據(jù)源,成為雷達(dá)數(shù)據(jù)的重要補(bǔ)充,利用卷積神經(jīng)網(wǎng)絡(luò)、快速區(qū)域卷積網(wǎng)絡(luò)、反卷積網(wǎng)絡(luò)等經(jīng)典的深度學(xué)習(xí)模型開(kāi)展無(wú)人機(jī)等低空目標(biāo)識(shí)別分類,涌現(xiàn)出大量研究成果[7-10]。聲學(xué)探測(cè)設(shè)備在嘈雜環(huán)境中的適用性較差,且探測(cè)距離有限,通常采用在較小范圍內(nèi)布設(shè)麥克風(fēng)陣列的方法進(jìn)行探測(cè)[11-14]?？偟膩?lái)說(shuō),雖然傳統(tǒng)雷達(dá)尚未徹底解決低慢小目標(biāo)探測(cè)問(wèn)題,但其仍然是低空預(yù)警的主要技術(shù)手段。

一般情況下,飛鳥(niǎo)是雷達(dá)探測(cè)無(wú)人機(jī)目標(biāo)過(guò)程中最大的干擾源。近年來(lái),微多普勒(micro-Doppler, m-D)特征[15]作為目標(biāo)自動(dòng)分類中最常用的雷達(dá)精細(xì)化信號(hào)特征,已成為無(wú)人機(jī)雷達(dá)探測(cè)應(yīng)用中一個(gè)非?；钴S的研究方向[16]。Harmanny等[17]較早采用短時(shí)傅里葉變換(short time Fourier transform, STFT)提取m-D特征,通過(guò)提取旋翼數(shù)量、直徑、葉尖速度等關(guān)鍵特征對(duì)旋翼無(wú)人機(jī)進(jìn)行分類。Molchanov等[18]同樣采用STFT提取m-D特征,并訓(xùn)練3個(gè)分類器對(duì)10類旋翼無(wú)人機(jī)和鳥(niǎo)類進(jìn)行分類。在文獻(xiàn)[19]中,分別采用STFT、倒頻譜和節(jié)奏速度譜3種常用的信號(hào)表征方法生成m-D特征,進(jìn)而通過(guò)訓(xùn)練支持向量機(jī)(support vector machine, SVM)分類器對(duì)實(shí)測(cè)的固定翼、旋翼無(wú)人機(jī)與飛鳥(niǎo)目標(biāo)數(shù)據(jù)進(jìn)行分類。Ren等[20]在m-D特征提取過(guò)程中利用相位譜信息,將二維正則化復(fù)對(duì)數(shù)傅里葉變換與降維技術(shù)相結(jié)合,實(shí)現(xiàn)了無(wú)人機(jī)和飛鳥(niǎo)目標(biāo)分類。有研究者基于m-D標(biāo)簽對(duì)雷達(dá)回波信號(hào)進(jìn)行分解,利用提取的8個(gè)幾何與統(tǒng)計(jì)特征訓(xùn)練非線性SVM分類器,實(shí)現(xiàn)無(wú)人機(jī)目標(biāo)類標(biāo)簽預(yù)測(cè)[21]。Ma等在文獻(xiàn)[21]的基礎(chǔ)上,將無(wú)人機(jī)目標(biāo)特征與三類熵相融合,并將信號(hào)下采樣與歸一化特征輸入非線性SVM分類器[22]。劉玉琪等[23]利用數(shù)字電視外輻射源雷達(dá)開(kāi)展多旋翼無(wú)人機(jī)微多普勒效應(yīng)實(shí)驗(yàn),證實(shí)了外輻射源雷達(dá)提取無(wú)人機(jī)微動(dòng)特征的可行性。

雖然目標(biāo)m-D特征已成為無(wú)人機(jī)與飛鳥(niǎo)目標(biāo)分類的主要技術(shù)手段,但此類方法要求雷達(dá)具有凝視目標(biāo)并獲取其精細(xì)化回波信息的能力。傳統(tǒng)的監(jiān)視雷達(dá)通常采用機(jī)械掃描天線,聚焦單個(gè)目標(biāo)的時(shí)間很短,難以捕獲m-D特征。因此,利用目標(biāo)的雷達(dá)散射截面(radar cross section, RCS)等回波信號(hào)特征或軌跡特征對(duì)檢測(cè)到的目標(biāo)進(jìn)行分類,成為適用于此類雷達(dá)的可能的技術(shù)途徑[24]。Torvik等[25]利用監(jiān)視雷達(dá)信號(hào)中提取的9個(gè)極化特征,采用最近鄰分類器進(jìn)行無(wú)人機(jī)與鳥(niǎo)類目標(biāo)分類,同樣獲得了較高的分類精度。Messina等[26]利用監(jiān)視雷達(dá)回波數(shù)據(jù),建立了包含目標(biāo)RCS、信噪比、速度、跟蹤軌跡等信息的目標(biāo)特征集,采用SVM分類器對(duì)無(wú)人機(jī)和飛鳥(niǎo)目標(biāo)進(jìn)行分類,取得了較好的分類效果。

針對(duì)上述問(wèn)題,前期研究提出一種基于目標(biāo)跟蹤濾波的無(wú)人機(jī)目標(biāo)識(shí)別方法,取得了一些初步成果[27]。在此基礎(chǔ)上,本文進(jìn)一步優(yōu)化了算法流程,在完成目標(biāo)跟蹤濾波之后,通過(guò)軌跡平滑處理將前向和后向運(yùn)行的兩個(gè)多模型濾波器的估計(jì)值相結(jié)合,進(jìn)一步擴(kuò)大無(wú)人機(jī)與飛鳥(niǎo)目標(biāo)的軌跡特征區(qū)分度,并在更為復(fù)雜的仿真與實(shí)測(cè)場(chǎng)景中驗(yàn)證了算法的有效性。

1 建模與分析

本節(jié)在給出算法流程的基礎(chǔ)上,分別詳述了目標(biāo)跟蹤、目標(biāo)平滑和特征提取的方法和數(shù)據(jù)處理流程。

1.1 算法流程

算法分為以下步驟:目標(biāo)跟蹤、目標(biāo)軌跡平滑、特征提取與分類,具體如圖1所示。本文算法基于飛鳥(niǎo)目標(biāo)的機(jī)動(dòng)性高于輕小型無(wú)人機(jī)的假設(shè),根據(jù)目標(biāo)運(yùn)動(dòng)模型轉(zhuǎn)換頻率聯(lián)合估計(jì)值區(qū)分飛鳥(niǎo)和無(wú)人機(jī)目標(biāo)。

圖1 無(wú)人機(jī)與飛鳥(niǎo)目標(biāo)分類算法流程

1.2 目標(biāo)跟蹤

跟蹤過(guò)程中的每一時(shí)刻,通過(guò)綜合多個(gè)濾波器的狀態(tài)估計(jì)配置模型初始值,進(jìn)而基于交互式多模型[28]并行工作機(jī)制將所有濾波器生成的更新?tīng)顟B(tài)估計(jì)進(jìn)行加權(quán)組合,權(quán)重根據(jù)每個(gè)模型的概率確定,在算法的濾波部分計(jì)算完成。

(1)

(2)

每個(gè)濾波器的均值和協(xié)方差分別為

(3)

(4)

對(duì)每個(gè)模型Mi,進(jìn)行濾波處理:

(5)

(6)

式中,標(biāo)準(zhǔn)卡爾曼濾波的預(yù)估和更新由KFp(·)和KFu(·)表示。此外,針對(duì)每個(gè)濾波器,量測(cè)相似度為

(7)

每個(gè)模型Mi的概率計(jì)算為

(8)

(9)

式中,c是歸一化因子。

計(jì)算狀態(tài)均值和協(xié)方差的組合估計(jì)為

(10)

(11)

1.3 目標(biāo)軌跡平滑

與單個(gè)模型的情況相同,可以基于所有的測(cè)量值平滑多模型濾波器的狀態(tài)估計(jì)。因?yàn)閚個(gè)模型K個(gè)測(cè)量值的最優(yōu)固定區(qū)間平滑需要運(yùn)行nK個(gè)平滑器,因此需要采用次優(yōu)的方法。在完成目標(biāo)跟蹤之后,將前向運(yùn)行和后向運(yùn)行的兩個(gè)多模型濾波器的估計(jì)相結(jié)合,能夠在平滑軌跡的同時(shí)擴(kuò)大不同軌跡特征的區(qū)分度。

首先討論后向運(yùn)行的多模型濾波方程,然后討論將兩種濾波估計(jì)進(jìn)行組合的平滑方程。目標(biāo)是計(jì)算每一時(shí)刻的后向?yàn)V波密度p(xk|yk:N),其表示為一組模型條件密度之和,即

(12)

基于模型的后向?yàn)V波密度表示為

(13)

(14)

(15)

式中,aj為歸一化常數(shù),計(jì)算方式為

(16)

(17)

(18)

式中,bi為歸一化常數(shù),且

(19)

(20)

(21)

其混合預(yù)估均值和協(xié)方差分別為

(22)

(23)

(24)

每個(gè)模型的量測(cè)相似度計(jì)算為

(25)

(26)

式中,a為歸一化常數(shù),且

(27)

最后,總體后向?yàn)V波分布的高斯近似為

(28)

其均值和方差分別為

(29)

(30)

1.4 特征提取與目標(biāo)分類

完成后向?yàn)V波之后,得到固定間隔平滑分布：

(31)

式中,平滑模型概率為

(32)

(33)

(34)

(35)

(36)

式(36)近似為

(37)

(38)

式中,

(39)

(40)

(41)

(42)

式中,

(43)

(44)

(45)

式中,

(46)

(47)

因此,可以匹配整體平滑分布的矩特征,給出單一的高斯近似：

(48)

式中，

(49)

(50)

1.5 程序設(shè)計(jì)步驟描述

本節(jié)以偽代碼的方式對(duì)目標(biāo)跟蹤、軌跡平滑和特征提取的過(guò)程進(jìn)行描述,便于加深對(duì)雷達(dá)數(shù)據(jù)輸入、輸出以及飛鳥(niǎo)與無(wú)人機(jī)目標(biāo)分類各個(gè)步驟中的數(shù)據(jù)處理方法的理解。在數(shù)據(jù)的處理過(guò)程中,輸入為每個(gè)掃描周期的雷達(dá)量測(cè),輸出為目標(biāo)軌跡的分類結(jié)果,詳述如下:

2 仿真數(shù)據(jù)分析

2.1 仿真模型

本文采用兩種模型對(duì)無(wú)人機(jī)和飛鳥(niǎo)目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行仿真,包括勻速直線運(yùn)動(dòng)和機(jī)動(dòng)變速運(yùn)動(dòng)[27]。圖2所示為1個(gè)無(wú)人機(jī)和20個(gè)飛鳥(niǎo)目標(biāo)運(yùn)動(dòng)軌跡的仿真示例,包括全局視圖和局部放大圖。

圖2 低空多目標(biāo)跟蹤仿真

本文進(jìn)一步提高了無(wú)人機(jī)與飛鳥(niǎo)目標(biāo)飛行軌跡的復(fù)雜度,各項(xiàng)參數(shù)設(shè)置如下。

(1)無(wú)人機(jī)與飛鳥(niǎo)目標(biāo)的軌跡均通過(guò)1 000次蒙特卡羅仿真實(shí)驗(yàn)生成。

(2)無(wú)人機(jī)目標(biāo)采用勻速直線運(yùn)動(dòng)模型,起始點(diǎn)隨機(jī)分布在空間[-100,100]×[-100,100]中。

(3)為提高無(wú)人機(jī)飛行軌跡的復(fù)雜度,其飛行軌跡經(jīng)過(guò)兩次變向,分為3個(gè)階段,第1階段步數(shù)為240,其起始速度為[2,-1];第2階段步數(shù)為400,其起始速度為[-2,-2];第3階段步數(shù)為300,其起始速度為[3,-1];共計(jì)940步。

(4)由于無(wú)人機(jī)目標(biāo)仿真運(yùn)動(dòng)數(shù)據(jù)出現(xiàn)了高機(jī)動(dòng)變向,因此每次變向后的跟蹤過(guò)程可能會(huì)出現(xiàn)目標(biāo)丟失和目標(biāo)重新起始的現(xiàn)象。

(5)飛鳥(niǎo)目標(biāo)采用勻速直線運(yùn)動(dòng)模型和機(jī)動(dòng)變速運(yùn)動(dòng)模型的組合,其軌跡的起始位置隨機(jī)分布在空間[-100,100]×[-100,100]中。

(6)每個(gè)飛鳥(niǎo)目標(biāo)的跟蹤步數(shù)在20～60之間隨機(jī)設(shè)置,起始飛行方向隨機(jī)生成。

(7)在切換概率P的控制下,飛鳥(niǎo)目標(biāo)的運(yùn)動(dòng)模型在勻速直線運(yùn)動(dòng)模型和機(jī)動(dòng)可變運(yùn)動(dòng)模型之間隨機(jī)切換。

2.2 仿真結(jié)果分析

本節(jié)基于飛鳥(niǎo)與無(wú)人機(jī)目標(biāo)軌跡的跟蹤仿真數(shù)據(jù),對(duì)算法優(yōu)化前后的目標(biāo)分類效果進(jìn)行分析、對(duì)比和驗(yàn)證。

圖3通過(guò)一次蒙特卡羅實(shí)驗(yàn)比較了無(wú)人機(jī)和飛鳥(niǎo)目標(biāo)跟蹤的均方根誤差(root mean square error, RMSE),很明顯,平滑算法通過(guò)將前向和后向運(yùn)行的兩個(gè)多模型濾波器的估計(jì)值相結(jié)合,顯著降低了兩個(gè)目標(biāo)跟蹤結(jié)果的RMSE。

圖3 目標(biāo)跟蹤結(jié)果的RMSE

表1提供了1 000次蒙特卡羅實(shí)驗(yàn)平均值的精確定量對(duì)比,其中NT代表跟蹤步數(shù)。隨著NT值的增加,無(wú)人機(jī)濾波結(jié)果的RMSE減小,而飛鳥(niǎo)濾波結(jié)果的RMSE增大。對(duì)于平滑后的結(jié)果,無(wú)人機(jī)和飛鳥(niǎo)的RMSE跟蹤結(jié)果均隨仿真步數(shù)的增加而減小。由于無(wú)人機(jī)的航跡更為平滑,其跟蹤效果總體優(yōu)于飛鳥(niǎo)。從數(shù)據(jù)比較可以看出,如果采用一般的濾波跟蹤算法,對(duì)于飛鳥(niǎo)這樣的高機(jī)動(dòng)目標(biāo),仿真步驟越多,跟蹤效果往往越差。對(duì)于平滑算法,更多的仿真步驟能夠降低RMSE,提高對(duì)飛鳥(niǎo)和無(wú)人機(jī)等不同機(jī)動(dòng)目標(biāo)的跟蹤效果。

表1 1 000次蒙特卡羅實(shí)驗(yàn)獲取的仿真目標(biāo)跟蹤RMSE

圖4和圖5分別對(duì)比了無(wú)人機(jī)和飛鳥(niǎo)目標(biāo)在某次跟蹤仿真中的濾波與平滑估計(jì)的模型概率結(jié)果,其中飛鳥(niǎo)目標(biāo)的模型切換頻率為P=0.3。在無(wú)人機(jī)目標(biāo)的跟蹤仿真中,模型1和模型2的濾波估計(jì)概率分別約為0.8和0.2,而平滑估計(jì)概率接近于1和0,可見(jiàn)其只選擇了一種模型,未進(jìn)行模型切換。同樣選擇60步跟蹤仿真結(jié)果進(jìn)行對(duì)比,飛鳥(niǎo)目標(biāo)在2個(gè)模型之間切換5次,2個(gè)模型的濾波與平滑估計(jì)概率都有較大波動(dòng),明顯高于無(wú)人機(jī)目標(biāo),利用該特性可以區(qū)分兩類目標(biāo)。

圖4 無(wú)人機(jī)模型概率估計(jì)

圖5 飛鳥(niǎo)模型概率估計(jì)

圖6所示為通過(guò)不同數(shù)目的跟蹤步數(shù),濾波算法生成的基于1 000次蒙特卡羅仿真的接收者操作特征(receiver operating characteristic, ROC)曲線。可以看出,步數(shù)越多,分類效果越好。原因顯而易見(jiàn),跟蹤步數(shù)越多,無(wú)人機(jī)飛行軌跡的穩(wěn)定性和飛鳥(niǎo)目標(biāo)的機(jī)動(dòng)性就表現(xiàn)的越明顯,因此更容易準(zhǔn)確分類。圖7和圖8顯示了在不同模型變化概率下采用濾波和平滑算法的ROC曲線,跟蹤步數(shù)設(shè)置為NT=50。P值越大,目標(biāo)運(yùn)動(dòng)模型的變換頻率越高,越容易分類。從圖7和圖8中可以看出,無(wú)論是濾波還是平滑算法,當(dāng)無(wú)人機(jī)目標(biāo)檢測(cè)率接近100%時(shí),飛鳥(niǎo)目標(biāo)的虛警率都小于15%?？傮w上,經(jīng)過(guò)平滑處理的目標(biāo)分類結(jié)果優(yōu)于基于跟蹤濾波的目標(biāo)分類結(jié)果。

圖6 不同跟蹤步數(shù)下的濾波算法ROC曲線

圖7 不同模型轉(zhuǎn)換概率下的濾波結(jié)果ROC曲線

圖8 不同模型轉(zhuǎn)換概率下的平滑結(jié)果ROC曲線

圖9給出了參數(shù)設(shè)置為P=0.2時(shí),濾波和平滑算法獲取的目標(biāo)分類ROC曲線的對(duì)比結(jié)果。與單獨(dú)采用濾波處理相比,平滑處理進(jìn)一步提高了兩類目標(biāo)估計(jì)結(jié)果的區(qū)分度,提高了目標(biāo)分類的準(zhǔn)確率，圖4和圖5的模型概率估計(jì)結(jié)果示例同樣驗(yàn)證了該結(jié)論。

圖9 濾波與平滑算法的ROC曲線比對(duì)

2.3 算法復(fù)雜度分析

目標(biāo)軌跡平滑算法明顯提高了目標(biāo)分類的準(zhǔn)確度,但同時(shí)也增加了算法的復(fù)雜度。本節(jié)在Inter(R)/Core(TM)/i5-4690/CPU@3.50GHz臺(tái)式機(jī)處理器、4.0 GHz內(nèi)存、Matlab R2014a的運(yùn)行環(huán)境下,通過(guò)100次蒙特卡羅仿真實(shí)驗(yàn),對(duì)每條軌跡進(jìn)行濾波和平滑處理的平均耗時(shí)進(jìn)行統(tǒng)計(jì),結(jié)果如表2所示。在目標(biāo)軌跡跟蹤步數(shù)不同取值(NT分別取30, 40, 50)的情況下,濾波和平滑處理的總耗時(shí)約為濾波處理的3倍多。當(dāng)目標(biāo)跟蹤步數(shù)NT=50時(shí),目標(biāo)的分類效果最優(yōu),此時(shí)每條目標(biāo)軌跡的平均濾波處理時(shí)間為0.014 4 s,而每條目標(biāo)軌跡的平均濾波和平滑處理時(shí)間為0.054 1 s,但仍可滿足實(shí)時(shí)處理的要求。

表2 目標(biāo)軌跡跟蹤平均耗時(shí)

3 實(shí)測(cè)數(shù)據(jù)分析

利用自行搭建的低空預(yù)警雷達(dá)系統(tǒng)[29],積累了大量低空目標(biāo)的原始雷達(dá)數(shù)據(jù)。本節(jié)將處理和分析兩組外場(chǎng)收集的雷達(dá)數(shù)據(jù),實(shí)驗(yàn)中提高了無(wú)人機(jī)目標(biāo)飛行軌跡的機(jī)動(dòng)性,充分驗(yàn)證了算法的可行性。

3.1 實(shí)例1

本節(jié)給出了一個(gè)岸基低空預(yù)警雷達(dá)應(yīng)用的實(shí)例。圖10所示為安裝在海岸附近高層建筑上的雷達(dá)系統(tǒng)。測(cè)試的無(wú)人機(jī)目標(biāo)進(jìn)行了一次往返飛行,探測(cè)半徑達(dá)3 km。除了無(wú)人機(jī),雷達(dá)數(shù)據(jù)中的目標(biāo)大多是沿海水鳥(niǎo)。表3和圖11給出了本例中無(wú)人機(jī)和飛鳥(niǎo)目標(biāo)的分類結(jié)果。本例中,無(wú)人機(jī)沿直線進(jìn)行往返飛行,本身識(shí)別難度不大,但是水鳥(niǎo)在海上的飛行方式同樣以滑翔為主,機(jī)動(dòng)性略低,更接近無(wú)人機(jī)。因此,當(dāng)閾值設(shè)置為S=0.000 1時(shí),雷達(dá)數(shù)據(jù)中的鳥(niǎo)類和無(wú)人機(jī)能夠被完全正確區(qū)分,如圖11(c)所示。閾值S反映了目標(biāo)運(yùn)動(dòng)模型的變化情況,當(dāng)S取值增大時(shí),飛鳥(niǎo)目標(biāo)被誤識(shí)別為無(wú)人機(jī)的數(shù)量也相應(yīng)增多?？傮w上,軌跡平滑后的分類準(zhǔn)確率高于跟蹤濾波的分類結(jié)果。

圖10 某岸基低空預(yù)警雷達(dá)

表3 實(shí)例1中飛鳥(niǎo)與無(wú)人機(jī)目標(biāo)的識(shí)別結(jié)果

3.2 實(shí)例2

本節(jié)給出了一個(gè)機(jī)場(chǎng)應(yīng)用的實(shí)例。圖12所示為安裝在某通用機(jī)場(chǎng)燈光站屋頂上的低空雷達(dá)預(yù)警系統(tǒng),采用水平機(jī)械掃描方式。圖13所示為特定時(shí)間段內(nèi)采集的雷達(dá)數(shù)據(jù),探測(cè)半徑為5 km,量測(cè)數(shù)據(jù)“°”疊加在衛(wèi)星地圖上,無(wú)人機(jī)和飛鳥(niǎo)的跟蹤軌跡分別由實(shí)線和“□”表示。測(cè)試無(wú)人機(jī)為大疆精靈4,實(shí)驗(yàn)中模擬了無(wú)人機(jī)沿曲折路線逼近機(jī)場(chǎng)的情況,目標(biāo)4次變更其飛行方向,部分時(shí)段沿切向飛行,極大增加了雷達(dá)跟蹤的難度,但雷達(dá)系統(tǒng)足夠的數(shù)據(jù)更新率仍然保證了跟蹤的穩(wěn)定性。雷達(dá)數(shù)據(jù)中的飛鳥(niǎo)多為覓食中的小型鳥(niǎo),飛行距離短,機(jī)動(dòng)性強(qiáng)。

圖12 某通用機(jī)場(chǎng)低空預(yù)警雷達(dá)

無(wú)人機(jī)和飛鳥(niǎo)目標(biāo)在不同閾值下的跟蹤識(shí)別結(jié)果如圖13所示。該算法跟蹤步驟的數(shù)目設(shè)置為NT=50。當(dāng)閾值很高時(shí),一些機(jī)動(dòng)性不高的飛鳥(niǎo)被錯(cuò)誤分類為無(wú)人機(jī)。圖13(a)中,閾值設(shè)置為S=0.04,實(shí)現(xiàn)了全部目標(biāo)的正確分類。參照?qǐng)D13,表4給出了不同閾值下的分類結(jié)果。在本例中,軌跡平滑后的分類準(zhǔn)確率總體上仍然優(yōu)于跟蹤濾波的分類結(jié)果。

表4 實(shí)例2中飛鳥(niǎo)與無(wú)人機(jī)目標(biāo)的識(shí)別結(jié)果

在實(shí)際應(yīng)用中,首先需要對(duì)部分無(wú)人機(jī)和飛鳥(niǎo)目標(biāo)軌跡進(jìn)行人工分類標(biāo)定,通過(guò)積累實(shí)驗(yàn)數(shù)據(jù)估算模型轉(zhuǎn)換概率,進(jìn)而確定合理的閾值。實(shí)際上,在各類應(yīng)用場(chǎng)景中,系統(tǒng)閾值可能發(fā)生變化,目前可行的辦法是通過(guò)實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果進(jìn)行調(diào)整,以保證分類效果。

4 結(jié) 論

本文提出一種基于雷達(dá)目標(biāo)軌跡跟蹤濾波與平滑的低空目標(biāo)分類方法,在前期研究的基礎(chǔ)上,進(jìn)一步改善了分類效果,得出以下結(jié)論。

(1)該算法利用有限的目標(biāo)回波信息,初步實(shí)現(xiàn)了無(wú)人機(jī)和飛鳥(niǎo)目標(biāo)的分類,適用于常規(guī)的非相參機(jī)械掃描預(yù)警雷達(dá),為實(shí)現(xiàn)低成本雷達(dá)的目標(biāo)分類技術(shù)進(jìn)行了有益探索。

(2)仿真實(shí)驗(yàn)結(jié)果表明,平滑算法能夠擴(kuò)大飛鳥(niǎo)和無(wú)人機(jī)目標(biāo)模型轉(zhuǎn)換頻率聯(lián)合估計(jì)值之間的區(qū)別,在目標(biāo)分類準(zhǔn)確率上明顯優(yōu)于單純的跟蹤濾波算法;平滑算法雖然在算法的復(fù)雜度方面有所增加,但仍在可接受范圍內(nèi),一般的硬件運(yùn)行條件即可滿足實(shí)時(shí)處理要求。

(3)實(shí)驗(yàn)中多次改變無(wú)人機(jī)飛行方向,增加了雷達(dá)跟蹤難度,但只要保證一定的目標(biāo)跟蹤步數(shù),就基本不會(huì)對(duì)目標(biāo)的分類結(jié)果產(chǎn)生影響;但是,對(duì)于一些機(jī)動(dòng)性較低的飛鳥(niǎo),其軌跡特征與無(wú)人機(jī)相似,可能導(dǎo)致分類錯(cuò)誤。

(4)除目標(biāo)軌跡特征之外,利用RCS、目標(biāo)速度、極化特征等多維度目標(biāo)信息,結(jié)合深度學(xué)習(xí)方法的傳統(tǒng)機(jī)械掃描雷達(dá)目標(biāo)分類技術(shù),將成為此領(lǐng)域未來(lái)的研究方向。