一種基于航跡特征的無(wú)人機(jī)與飛鳥(niǎo)目標(biāo)雷達(dá)識(shí)別方法

管康萍，馮正康，馬小艷，張良俊，崔 杰，葉 舟

（1.中國(guó)人民解放軍93128 部隊(duì)，北京 100080；2.上海航天電子通訊設(shè)備研究所，上海 201109）

0 引言

隨著無(wú)人機(jī)（Unmanned Aerial Vehicle，UAV）領(lǐng)域技術(shù)的快速發(fā)展，因其具有成本低、體積小、操作簡(jiǎn)單等優(yōu)勢(shì)，已經(jīng)廣泛應(yīng)用于軍事和民用領(lǐng)域。但隨著非合作無(wú)人機(jī)黑飛、干擾等事件的頻發(fā)，已經(jīng)成為一項(xiàng)重要隱患，而且在航空器起飛或飛行的過(guò)程中與鳥(niǎo)類(lèi)相撞的事件也層出不窮，飛鳥(niǎo)的防范壓力也越來(lái)越大，這兩類(lèi)目標(biāo)都對(duì)機(jī)場(chǎng)、安保等重要場(chǎng)所產(chǎn)生嚴(yán)重的威脅［1-9］。一般根據(jù)不同的作戰(zhàn)環(huán)境要求，針對(duì)這兩者類(lèi)型目標(biāo)，在發(fā)現(xiàn)后需要采取不同的反制手段和措施，如機(jī)場(chǎng)一般在發(fā)現(xiàn)飛鳥(niǎo)后，會(huì)采取驅(qū)鳥(niǎo)設(shè)備將其驅(qū)趕，而對(duì)無(wú)人機(jī)目標(biāo)則會(huì)采取預(yù)警、協(xié)調(diào)等措施，因此對(duì)無(wú)人機(jī)和飛鳥(niǎo)的識(shí)別極其必要。

目前，對(duì)無(wú)人機(jī)和飛鳥(niǎo)的監(jiān)視和識(shí)別方法主要分為兩類(lèi)，一類(lèi)從目標(biāo)回波特性角度出發(fā)，由于無(wú)人機(jī)多旋翼轉(zhuǎn)動(dòng)與飛鳥(niǎo)翅膀扇動(dòng)產(chǎn)生的回波信號(hào)存在特性差異，所以一般采用時(shí)頻分析算法提取兩者的微多普勒特征。法國(guó)航天航空研究中心采用DVB-T 信號(hào)進(jìn)行了多旋翼無(wú)人機(jī)微多普勒測(cè)量實(shí)驗(yàn)，荷蘭Robin公司雷達(dá)則采用發(fā)射調(diào)頻連續(xù)波形，同時(shí)具備無(wú)人機(jī)探測(cè)和識(shí)別的功能。在隨后多年發(fā)展中，國(guó)內(nèi)外單位通過(guò)設(shè)計(jì)優(yōu)化雷達(dá)工作系統(tǒng)、工作模式、發(fā)射接收波形、延長(zhǎng)駐留時(shí)間等方法來(lái)進(jìn)一步提取精細(xì)化特征，但實(shí)際應(yīng)用到復(fù)雜多變的環(huán)境中，目前還是較為困難，尤其當(dāng)目標(biāo)處于遠(yuǎn)距離時(shí)，兩者的回波特征微弱導(dǎo)致特征提取困難、時(shí)頻分辨力低等，限制了大范圍的應(yīng)用與發(fā)展［10-15］。另一類(lèi)方法則是從無(wú)人機(jī)與飛鳥(niǎo)的飛行軌跡特征方面出發(fā)，通過(guò)記錄大量歷史數(shù)據(jù)，熟悉了解飛鳥(niǎo)的活動(dòng)規(guī)律和飛行軌跡，從數(shù)據(jù)層提取無(wú)人機(jī)與飛鳥(niǎo)的運(yùn)動(dòng)軌跡特征。目前采用多運(yùn)動(dòng)模型并通過(guò)計(jì)算模型間轉(zhuǎn)換頻率的方法來(lái)進(jìn)行識(shí)別，也有利用航跡軌跡信息建立特征量并利用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的方法［16-22］來(lái)進(jìn)行識(shí)別，這幾種方法都進(jìn)一步驗(yàn)證了該類(lèi)方法的可行性。

本文提出的無(wú)人機(jī)與飛鳥(niǎo)目標(biāo)雷達(dá)識(shí)別方法，與現(xiàn)有識(shí)別方法的不同點(diǎn)在于：1）未采用復(fù)雜的時(shí)頻分析方法，而是采用輕量性的航跡數(shù)據(jù)集，較大降低了雷達(dá)系統(tǒng)的識(shí)別成本，普適性強(qiáng)；2）為了更好地體現(xiàn)兩者飛行軌跡上的特征差異，采用支持向量機(jī)（Support Vector Machines，SVM）算法模型，提出時(shí)間相關(guān)的航向、速度震蕩頻率特征向量描述方法，并結(jié)合其他特征量，實(shí)現(xiàn)在線動(dòng)態(tài)修正并預(yù)測(cè)，能夠更好地提高識(shí)別準(zhǔn)確率。

1 特征分析

無(wú)人機(jī)與飛鳥(niǎo)目標(biāo)雷達(dá)識(shí)別流程如圖1 所示，首先基于歷史雷達(dá)系統(tǒng)航跡數(shù)據(jù)分析和研究無(wú)人機(jī)與飛鳥(niǎo)在運(yùn)動(dòng)軌跡上的特征差異，提出以航跡層信息為基礎(chǔ)，建立航向角標(biāo)準(zhǔn)差、航向震蕩頻率、速度均值、速度標(biāo)準(zhǔn)差、速度震蕩頻率這5 個(gè)特征量。其次將模塊劃分為離線訓(xùn)練和在線處理部分，離線訓(xùn)練下將歷史樣本分為訓(xùn)練、測(cè)試樣本，對(duì)訓(xùn)練樣本采用支持向量機(jī)算法交叉訓(xùn)練獲得最優(yōu)超參數(shù)，并利用測(cè)試樣本驗(yàn)證識(shí)別準(zhǔn)確率。在線狀態(tài)下利用最優(yōu)參數(shù)，根據(jù)雷達(dá)穩(wěn)跟目標(biāo)航跡實(shí)時(shí)計(jì)算特征量，利用預(yù)測(cè)模塊算法進(jìn)行判別輸出。

圖1 無(wú)人機(jī)與飛鳥(niǎo)目標(biāo)識(shí)別框Fig.1 Block diagram of UAV and bird target recognition

1.1 特征描述

從無(wú)人機(jī)與鳥(niǎo)類(lèi)的活動(dòng)軌跡來(lái)描述，一般飛鳥(niǎo)的飛行軌跡相對(duì)靈活且時(shí)間較短，而典型無(wú)人機(jī)作業(yè)一般是按照預(yù)先設(shè)定的航線任務(wù)飛行，通常分為連續(xù)直線飛行、航點(diǎn)懸停、折返飛行、多方位多點(diǎn)飛行等路線。因此該類(lèi)無(wú)人機(jī)目標(biāo)的飛行軌跡時(shí)間較長(zhǎng)，且一般相對(duì)穩(wěn)定，但如果是人工干預(yù)控制操作飛行，其在轉(zhuǎn)向、折返、懸停上則具有較高的自由度，將連續(xù)人工干預(yù)操作無(wú)人機(jī)機(jī)動(dòng)飛行稱(chēng)為強(qiáng)機(jī)動(dòng)模式，按照航點(diǎn)任務(wù)作業(yè)稱(chēng)為弱機(jī)動(dòng)模式。

利用具備探測(cè)跟蹤無(wú)人機(jī)和飛鳥(niǎo)功能的某相控陣?yán)走_(dá)系統(tǒng)平臺(tái)，通過(guò)大量實(shí)驗(yàn)工作與歷史航跡數(shù)據(jù)記錄分析，典型的無(wú)人機(jī)和鳥(niǎo)類(lèi)在航跡層級(jí)別的飛行軌跡如圖2、圖3 所示。從距離、方位角、航跡長(zhǎng)度可以直觀體現(xiàn)出兩者的區(qū)別，完善數(shù)據(jù)庫(kù)，其中無(wú)人機(jī)航跡數(shù)據(jù)層中包含了大量無(wú)人機(jī)不同作業(yè)類(lèi)型的航跡，例如手動(dòng)操作、直線、8 字、折返、懸停飛行等不同軌跡。下面從運(yùn)動(dòng)軌跡的局部和總體特征分別描述無(wú)人機(jī)與飛鳥(niǎo)的特征量的差異，這些特征量分別是航向角標(biāo)準(zhǔn)差、航向震蕩頻率、平均速度、速度標(biāo)準(zhǔn)差、速度震蕩頻率。

圖2 典型無(wú)人機(jī)飛行軌跡Fig.2 Typical flight trajectories of UAVs

圖3 典型鳥(niǎo)類(lèi)飛行軌跡Fig.3 Typical flight trajectories of birds

航向角標(biāo)準(zhǔn)差：對(duì)于一般飛鳥(niǎo)的軌跡，其方向性相對(duì)比較隨機(jī)，標(biāo)準(zhǔn)差變化范圍較大，而無(wú)人機(jī)在執(zhí)行弱機(jī)動(dòng)模式飛行時(shí)，其標(biāo)準(zhǔn)差值較小。對(duì)于這類(lèi)可以通過(guò)對(duì)比航向角標(biāo)準(zhǔn)差的差異，較明顯地體現(xiàn)出兩者飛行軌跡的區(qū)別，而在強(qiáng)機(jī)動(dòng)模式下時(shí)取值范圍較大，較難區(qū)分。

航向震蕩頻率：上述航向角標(biāo)準(zhǔn)差只能體現(xiàn)兩者的總體特征，并不能較好地描述局部航向變化特征。為此引入航向震蕩頻率表征兩者的區(qū)別，無(wú)人機(jī)在弱機(jī)動(dòng)模式下其航向震蕩次頻率值較小，而在飛行過(guò)程中，如果只是部分時(shí)間人工干預(yù)控制操作讓其處于強(qiáng)機(jī)動(dòng)模式飛行，隨著跟蹤次數(shù)增加，航向震蕩頻率值也會(huì)逐漸變小，但如果是一直處于強(qiáng)機(jī)動(dòng)模式飛行，則航向震蕩頻率值一直處于較高的值。因此對(duì)于無(wú)人機(jī)，其航向震蕩頻率值總是處于較大或者較小值，而飛鳥(niǎo)的飛行軌跡較為靈活且相對(duì)平滑，加上一般雷達(dá)對(duì)其跟蹤時(shí)間較短，其航向震蕩頻率數(shù)值處于較小與較大范圍之間，所以航向震蕩頻率具備區(qū)分無(wú)人機(jī)與飛鳥(niǎo)的潛力。

平均速度：其對(duì)于區(qū)分飛鳥(niǎo)和低速無(wú)人機(jī)不太明顯，但是仍然可以作為區(qū)分一些大型無(wú)人機(jī)和飛鳥(niǎo)目標(biāo)的特征，例如一般固定翼無(wú)人機(jī)的飛行速度遠(yuǎn)超于飛鳥(niǎo)。

速度標(biāo)準(zhǔn)差：對(duì)于飛鳥(niǎo)而言，其速度相對(duì)比較穩(wěn)定，其標(biāo)準(zhǔn)差的數(shù)值一般較小，而無(wú)人機(jī)由于其飛行相對(duì)自由，例如懸停、加速、減速等機(jī)動(dòng)都會(huì)影響飛行速度，因此在其機(jī)動(dòng)過(guò)程中標(biāo)準(zhǔn)差的數(shù)值相對(duì)較大，能夠作為區(qū)分無(wú)人機(jī)與飛鳥(niǎo)的一個(gè)特征。

速度震蕩頻率：對(duì)于飛鳥(niǎo)而言，其速度不會(huì)產(chǎn)生突變的情況，而在無(wú)人機(jī)轉(zhuǎn)向飛行或者懸停過(guò)程中，需要加速或者減速。上述速度標(biāo)準(zhǔn)差只能體現(xiàn)兩者的總體特征，并不能較好地描述局部速度變化特征，為此引入速度震蕩頻率來(lái)體現(xiàn)速度局部變化特征。一般飛鳥(niǎo)的速度震蕩頻率數(shù)值很小，而無(wú)人機(jī)在加速或減速過(guò)程中，雖然只需要較短的時(shí)間，但此時(shí)的速度震蕩頻率值相對(duì)較大。因此通過(guò)長(zhǎng)時(shí)間積累，可以作為區(qū)分飛鳥(niǎo)與強(qiáng)機(jī)動(dòng)模式下無(wú)人機(jī)的飛行特征。

1.2 特征計(jì)算

定義某條長(zhǎng)度為N的航跡目標(biāo)集合符號(hào)記為S={s(1)，s(2)，…，s(N)}，每個(gè)數(shù)據(jù)采樣點(diǎn)記為符號(hào)s，其中第i個(gè)航跡采樣點(diǎn)s(i)={r(i)，θ(i)，φ(i)，[v(i)]分別代表目標(biāo)在該時(shí)刻的距離、方位角、俯仰角和速度。

1）航向角標(biāo)準(zhǔn)差

為方便計(jì)算航向角，將航跡數(shù)據(jù)集合下每個(gè)采樣點(diǎn)s(i)的距離、方位、俯仰(r(i)，θ(i)，φ(i))轉(zhuǎn)化為直角坐標(biāo)系下(x(i)，y(i)，z(i))，轉(zhuǎn)換公式為

根據(jù)上一時(shí)刻s(i-1)和當(dāng)前時(shí)刻s(i)算出直角坐標(biāo)系下的位置信息x(i-1)、y(i-1)、x(i)、y(i)、計(jì)算當(dāng)前i時(shí)刻的航向角，符號(hào)記為h(i)，計(jì)算公式為

其中，計(jì)算航向角時(shí)需考慮x(i)-x(i-1)、y(i)-y(i-1)值所處的象限區(qū)域，從而將-90°～90°的值域轉(zhuǎn)化為0°～360°，則航跡集合S航向角集合H為

要計(jì)算航向角的標(biāo)準(zhǔn)差，首先要計(jì)算航向角的均值，但是存在某些目標(biāo)軌跡的航向角跨0°、360°或由于受測(cè)量角度誤差的影響，而導(dǎo)致產(chǎn)生的跨越情況，因此對(duì)于航向角不能采用常規(guī)均值方法計(jì)算。采用向量化的方法描述這類(lèi)周期性角度的數(shù)據(jù)［23］，計(jì)算周期性數(shù)據(jù)均值與標(biāo)準(zhǔn)差的方法是首先將第i個(gè)航向角h(i)轉(zhuǎn)化為二維平面上的單位向量r(i)，該航向角在x軸坐標(biāo)值對(duì)應(yīng)于cosh(i)，y軸坐標(biāo)值對(duì)應(yīng)于sinh(i)，公式為

把H集合中N-1 個(gè)航向角轉(zhuǎn)換成矢量并且相加得到合成向量rs，計(jì)算公式如下，航向角均值hm和標(biāo)準(zhǔn)差hstd分別定義為

其中，航向角均值需要考慮rs所處的象限區(qū)域，將航向角均值轉(zhuǎn)化為0°～360°。

2）航向震蕩頻率

為了反映航向變化局部特征，引入航向震蕩頻率，首先對(duì)航跡目標(biāo)集合S之間的相鄰航向角計(jì)算差值，記為符號(hào)dh(i)，公式為

并判斷角度差dh(i)與設(shè)定閾值γh之間的大小，計(jì)算出航向角之間的差異符號(hào)值O(i)，定義為

根據(jù)航向角符號(hào)值集合O正負(fù)符號(hào)變換關(guān)系，定義兩種航向震蕩模式［24］：

當(dāng)滿足上述式（10）或式（11）時(shí)，判定處于震蕩模式并統(tǒng)計(jì)震蕩次數(shù)，符號(hào)記為Uh：

式中：γh為航向角差異判定的閾值，可以根據(jù)實(shí)際雷達(dá)測(cè)角誤差設(shè)定。

在得出航向震蕩次數(shù)后，定義航向震蕩頻率為

3）平均速度

航跡目標(biāo)集合S的平均速度計(jì)算公式為

4）速度標(biāo)準(zhǔn)差

航跡目標(biāo)集合S的速度標(biāo)準(zhǔn)差計(jì)算公式為

5）速度震蕩頻率

為了反映速度變化局部特征，引入速度震蕩頻率，在當(dāng)前時(shí)刻i，取歷史L長(zhǎng)度段樣本點(diǎn)的速度值，計(jì)算該長(zhǎng)度下的速度均值vmL，定義為

計(jì)算當(dāng)前點(diǎn)速度v(i)和歷史均值速度vmL之間的差值，符號(hào)記為τv(i)，定義為

設(shè)定速度變化閾值γv，當(dāng)差值大于γv，則該點(diǎn)定義為速度震蕩，符號(hào)記為Uv(i)，定義為

其中，可根據(jù)實(shí)際雷達(dá)跟蹤數(shù)據(jù)率、跟蹤精度調(diào)整閾值γv和L長(zhǎng)度，速度震蕩頻率定義為

最后得出航跡計(jì)算特征量為航向角標(biāo)準(zhǔn)差、航向震蕩頻率、速度均值、速度標(biāo)準(zhǔn)差、速度震蕩頻率，符號(hào)為G=[hstd，fh，vm，vstd，fv]，利用這5 個(gè)特征量可能在跟蹤開(kāi)始階段誤判目標(biāo)的類(lèi)型，但隨著目標(biāo)穩(wěn)定跟蹤時(shí)間和次數(shù)的增加，時(shí)間相關(guān)的特征量值可以通過(guò)在線動(dòng)態(tài)修正并重新對(duì)目標(biāo)類(lèi)型進(jìn)行預(yù)測(cè)，識(shí)別的準(zhǔn)確率也會(huì)逐步提高。

1.3 離線訓(xùn)練與測(cè)試

1）模型選擇

在上述得到5 個(gè)特征量后，考慮樣本特征量非線性且為了防止過(guò)擬合，采用軟間隔的支持向量機(jī)算法［25］，其模型公式為

式中：w為超平面法向量；C為常數(shù)，且大于0；ξ為松弛變量；?(x)為映射函數(shù)；b為超平面的截距；xi為樣本矢量。

上式計(jì)算會(huì)引入核函數(shù)κ(xi，xj)，本文采用高斯核函數(shù)，公式為

式中：σ為高斯核函數(shù)的帶寬，后續(xù)采用序列最小優(yōu)化（Sequential Minimal Optimization，SMO）算法求解模型。

2）訓(xùn)練模型與驗(yàn)證

在確定支持向量機(jī)模型后，不同大小的超參數(shù)對(duì)識(shí)別的準(zhǔn)確性有較明顯的影響。在高斯核函數(shù)中需要調(diào)整的超參數(shù)是懲罰因子C和核函數(shù)的帶寬σ，首先利用隨機(jī)采樣法將航跡數(shù)據(jù)集分為訓(xùn)練和測(cè)試樣本集，然后將訓(xùn)練樣本數(shù)據(jù)集采用5折交叉訓(xùn)練法，尋得最優(yōu)超參數(shù)。獲得訓(xùn)練模型和最優(yōu)超參數(shù)后，再利用測(cè)試樣本集對(duì)模型進(jìn)行驗(yàn)證評(píng)估。其中測(cè)試樣本集數(shù)中無(wú)人機(jī)和鳥(niǎo)類(lèi)航跡數(shù)量分別為114 和76 條，識(shí)別混淆矩陣見(jiàn)表1，其中準(zhǔn)確識(shí)別率為87%，驗(yàn)證了該方法的有效性。

表1 識(shí)別混淆矩陣Tab.1 Identification confusion matrix

1.4 識(shí)別結(jié)果分析

通過(guò)對(duì)上述誤識(shí)別的無(wú)人機(jī)和飛鳥(niǎo)樣本進(jìn)行分析，發(fā)現(xiàn)簡(jiǎn)單平滑且軌跡持續(xù)較長(zhǎng)的飛鳥(niǎo)與弱機(jī)動(dòng)模式下無(wú)人機(jī)的特征相差較小，目前仍難以區(qū)分。后續(xù)為了進(jìn)一步提高識(shí)別率，需要完善飛鳥(niǎo)數(shù)據(jù)庫(kù)樣本，更加仔細(xì)地提取與無(wú)人機(jī)的差異，如通過(guò)回波強(qiáng)度區(qū)分，通過(guò)某些地理區(qū)域內(nèi)鳥(niǎo)類(lèi)的活動(dòng)節(jié)律進(jìn)行統(tǒng)計(jì)，從而輔助提高決策的準(zhǔn)確率。

2 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)過(guò)程中以某相控陣?yán)走_(dá)系統(tǒng)為平臺(tái)，部署在飛鳥(niǎo)較為活躍的山林環(huán)境。無(wú)人機(jī)型號(hào)為大疆精靈4，考慮到實(shí)驗(yàn)的完整性，無(wú)人機(jī)模擬了多次不同作業(yè)和人工操作飛行場(chǎng)景的任務(wù)，其中在某次跟飛實(shí)驗(yàn)中，雷達(dá)目標(biāo)跟蹤與識(shí)別的平面顯示器（Pixel Per Inch，PPI）畫(huà)面，如圖4、圖5 所示，圖中符號(hào)R、A、E、V、H分表代表距離、方位角、俯仰角、速度、高度。

圖4 無(wú)人機(jī)目標(biāo)跟蹤識(shí)別PPIFig.4 Tracking recognition PPI diagram for UAV targets

圖5 飛鳥(niǎo)目標(biāo)跟蹤識(shí)別PPIFig.5 Tracking recognition PPI diagram for bird targets

由圖4、圖5 可見(jiàn)，無(wú)人機(jī)目標(biāo)的批號(hào)為223，方位角在356°方向，運(yùn)動(dòng)軌跡為首先經(jīng)過(guò)一段背離雷達(dá)方向的飛行，在到達(dá)指定航向任務(wù)點(diǎn)時(shí)拐彎調(diào)轉(zhuǎn)方向，并按照進(jìn)入雷達(dá)的方向飛行，而飛鳥(niǎo)目標(biāo)的批號(hào)為337，方位角在33°方向，飛行軌跡較為無(wú)序，雷達(dá)在穩(wěn)定持續(xù)跟蹤情況下，均正確識(shí)別了無(wú)人機(jī)與飛鳥(niǎo)目標(biāo)，實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法在工程角度實(shí)現(xiàn)的輕量性與可行性。

3 結(jié)束語(yǔ)

本文分析了無(wú)人機(jī)與飛鳥(niǎo)在運(yùn)動(dòng)軌跡上的特征差異，基于大量歷史雷達(dá)探測(cè)航跡數(shù)據(jù)分析，提出了時(shí)間相關(guān)的航向、速度震蕩頻率特征量計(jì)算方法，并將機(jī)器學(xué)習(xí)領(lǐng)域的SVM 算法應(yīng)用到實(shí)際雷達(dá)跟蹤識(shí)別處理中，通過(guò)離線和在線均驗(yàn)證了識(shí)別分類(lèi)的有效性和準(zhǔn)確率，在工程角度上具有輕量性、實(shí)用性、適用性。