陳唯實， 劉佳， 陳小龍， 李敬

(1. 中國民航科學技術研究院, 北京 100028； 2. 北京航空航天大學交通科學與工程學院, 北京 100083； 3. 海軍航空大學, 煙臺 264001)

隨著無人機(UAV)產(chǎn)業(yè)的迅猛發(fā)展，近年來，中國多個機場接連出現(xiàn)無人機擾航事件[1]。非法放飛無人機所帶來的安全隱患給機場、邊境、重要敏感區(qū)域的低空保護敲響了警鐘，引發(fā)公眾高度關注。根據(jù)目標與探測設備之間是否通信進行分類，以無人機為代表的“低慢小”目標通?？煞譃楹献骱头呛献鲀深?。針對合作無人機，其飛行信息可實時接入無人機云管理系統(tǒng)，監(jiān)管部門將對誤入相應區(qū)域的無人機進行查詢和記錄[2]。合作式監(jiān)管技術目前已能覆蓋95%以上的消費級無人機，而剩余不足5%的非合作無人機是低空防范的重點和難點。

目前，典型的非合作無人機目標探測技術包括光電、無線電偵測、聲學、雷達等，每種技術手段各具優(yōu)勢和短板[3-9]。其中，無線電偵測技術可有效偵測到無人機操作者，對于不發(fā)射無線電信號的“靜默”無人機，不能有效發(fā)現(xiàn)；光電探測雖在目標識別方面存在優(yōu)勢，但易受環(huán)境光線干擾，且探測距離有限；音頻探測技術易受噪聲、雜波的影響，對于大型無人機效果較好，但在背景噪聲較強的環(huán)境中難以探測到中小型無人機?？偟膩碚f，雷達作為目標探測和監(jiān)視的主要手段，在空中和海面目標監(jiān)視預警等國防和公共安全領域應用廣泛，雖然傳統(tǒng)雷達對于“低慢小”目標存在探測效能不足的問題，但雷達仍是對空目標探測的重要手段[10]。

在低空環(huán)境中，飛鳥是除無人機目標外主要的“低慢小”目標，在無人機目標探測過程中，需要對無人機和飛鳥目標進行分類識別，進而將飛鳥目標作為雜波剔除。一般情況下，雷達作為單一探測手段，僅能獲取目標的幅度、位置、速度等信息，難以對目標進行有效分類和識別。目前，典型的無人機探測系統(tǒng)采用光電技術作為雷達系統(tǒng)的補充，在雷達發(fā)現(xiàn)無人機目標后加以識別確認[11]；但此類系統(tǒng)成本較高，且由于光電設備視場有限，加之其在探測不同距離的目標時需要調(diào)整焦距，使雷達和光電設備在聯(lián)動配合的同步性方面存在困難。另有大量研究者通過提取目標的微多普勒特征識別無人機目標[12-16]，但此類研究目前還只適用于雷達回波較強的金屬旋翼無人機，對于回波微弱的輕小型無人機(如大疆精靈系列)識別尚鮮有相關報道。

針對以上問題，本文利用常規(guī)機械掃描雷達獲取的目標回波信息，充分分析無人機與飛鳥目標運動方式的差異，提出了一種基于運動模型的低空非合作無人機與飛鳥目標識別方法。該方法同時基于多種運動模型進行無人機和飛鳥目標跟蹤，并估計各種運動模型的出現(xiàn)概率，以各種運動模型在連續(xù)時間內(nèi)出現(xiàn)概率的方差均值來度量目標運動模型的轉(zhuǎn)換頻率，進而區(qū)分出飛鳥和無人機目標。

1 模型的建立與分析

低空飛鳥目標的散射截面、飛行速度、飛行高度等特征信息與輕小型無人機接近，現(xiàn)有的低空監(jiān)視雷達難以區(qū)分，在探測輕小型無人機時易導致虛警。本文提出了一種基于運動模型的輕小型無人機與飛鳥目標識別方法，能夠剔除飛鳥等干擾目標，提升雷達跟蹤效果。本節(jié)首先給出方法的基本流程，進而詳述運動模型的建立與特征提取方法。

1.1 方法流程設計

本文方法通過多模型目標跟蹤、多模型概率提取、目標運動模式判斷、目標運動特征提取等4個步驟，最終提取出目標運動模型轉(zhuǎn)換頻率等目標特征，用以區(qū)分輕小型無人機目標與飛鳥目標，方法流程如圖1所示。已有的目標跟蹤方法通過建立目標運動模型預估目標的狀態(tài)信息，并利用量測信息對目標狀態(tài)進行修正，其目的在于提高跟蹤精度，逼近目標的真實運動狀態(tài)。本文方法的目標不在于提高跟蹤精度，而在于實現(xiàn)目標的識別分類，是對已有目標跟蹤方法應用的拓展和延伸。

圖1 無人機與飛鳥目標識別方法流程Fig.1 Flowchart of recognition method for UAV and flying bird targets

1.2 運動模型的建立與特征提取

1) 多模型目標跟蹤

由于每個目標在運動過程中可能具備多種運動模式，在某一時刻，多模型目標跟蹤采用n種模型并行工作，通過混合上一時刻所有濾波器生成的狀態(tài)估計，獲得某種模型配置濾波器的初始條件。

(1)

(2)

然后計算每個濾波器的混合輸入：

(3)

(4)

對每個模型Mi，濾波如下：

(5)

(6)

此外，還計算了每個濾波器的測量相似性：

(7)

2) 多模型概率提取

(8)

(9)

式中：c為歸一化因子。

3) 目標運動模式判斷

(10)

4) 目標運動特征提取

提取目標運動模型轉(zhuǎn)換頻率估計值F，由下式計算：

(11)

飛鳥目標的機動性通常高于輕小型無人機，設定閾值S，如該轉(zhuǎn)換頻率估計值高于S，則為飛鳥目標，反之，則為輕小型無人機目標。

2 仿真數(shù)據(jù)驗證

本節(jié)針對無人機與飛鳥目標的仿真數(shù)據(jù)，通過蒙特卡羅實驗評價本文方法的有效性，評價方法包括不同模型的估計概率、檢測率、虛警率、工作特征(ROC)曲線等。

2.1 仿真運動模型

本文建立了勻速直線運動和機動變速運動2類仿真模型，以勻速直線運動模型模擬無人機目標，以勻速直線運動模型和機動變速運動模型模擬飛鳥運動。

(12)

目標動態(tài)模型表示為

(13)

式中：Δt為系統(tǒng)數(shù)據(jù)更新時間間隔；qk為高斯過程噪聲，其均值為零，協(xié)方差為

(14)

其中：q為噪聲的譜密度。

(15)

目標動態(tài)模型表示為

(16)

式中：qk均值為零，協(xié)方差為

(17)

本文中，2種運動模型的時間步長均設定為Δt=0.1，過程噪聲的功率譜密度設定為q=0.1。所有無人機和飛鳥目標的運動軌跡均勻隨機地分布在空間[-100,100]×[-100,100]中，如圖2所示，包括全局示意圖及對某飛鳥目標軌跡的局部放大示意圖。無人機和飛鳥目標的運動模型參數(shù)設置如下：

圖2 無人機與飛鳥目標軌跡仿真軌跡Fig.2 Simulated trajectories of UAV and flying bird targets

1) 無人機目標的起點為[0,0]，起始速度為[2,-3]，經(jīng)過240步仿真。

2) 每個飛鳥目標運動軌跡的起點在空間[-100,100]×[-100,100]中隨機分布。

3) 每個飛鳥目標的起始速度幅值為2，運動起始方向在0°～360°范圍內(nèi)隨機生成。

4) 每個飛鳥目標運動軌跡的仿真步數(shù)在20～60范圍內(nèi)隨機生成。

5) 飛鳥目標的運動模型在勻速直線運動模型和機動變速運動模型二者之間切換，切換的頻率由p進行控制，即生成0～1之間的隨機數(shù)，當其小于p時，就切換一次運動模型。

6) 無人機和飛鳥目標均經(jīng)過1 000次蒙特卡羅仿真，即各生成1 000條仿真運動軌跡。

2.2 仿真結果與分析

基于無人機和飛鳥目標運動軌跡的蒙特卡羅仿真數(shù)據(jù)，對本文方法的無人機目標識別效果進行分析驗證。

圖3和圖4分別給出了無人機和飛鳥目標某 次跟蹤仿真中的模型概率估計結果，其中飛鳥目標的模型切換頻率p=0.3。無人機目標在240步跟蹤仿真中，模型1(即勻速直線運動模型)的估計概率約為0.8，模型2(即機動變速運動模型)的估計概率約為0.2， 說明其僅采用了勻速直線運動模型。飛鳥目標在56步跟蹤仿真中，在模型1和模型2之間切換6次，模型1和模型2的估計概率在0.1～0.8之間變化且起伏較大，明顯高于無人機目標，可以此為特征區(qū)分這兩類目標。

圖3 無人機目標跟蹤中的模型估計概率Fig.3 Model estimation probability in UAV target tracking

表1給出了1 000次蒙特卡羅實驗的無人機和飛鳥目標的運動模型概率估計的方差均值F，以度量目標運動模型轉(zhuǎn)換的頻繁程度。可見，無人機目標運動模型概率估計的方差均值比飛鳥目標低一個數(shù)量級；隨著模型轉(zhuǎn)換頻率p值的增加(p=0.2,0.3,0.4,0.5)，運動模型概率估計方差F的均值也逐漸增加。

圖5給出了不同p值情況下，隨閾值設置變化，基于1 000次蒙特卡羅仿真數(shù)據(jù)的ROC曲線，以無人機為目標、飛鳥為虛警。p值越大，飛鳥目標運動模型的轉(zhuǎn)化頻率越高，越容易識別?？梢?，p=0.5時，無人機目標的檢測率接近1.0時，對飛鳥目標的虛警率低于0.15。

需要說明的是，目標跟蹤方法能夠通過數(shù)據(jù)關聯(lián)剔除背景噪聲，一定數(shù)量的背景噪聲對本文方法的識別性能不會造成影響。通過在仿真數(shù)據(jù)中增加背景噪聲，驗證本文方法在噪聲環(huán)境中的目標識別效果。圖6為加入背景噪聲的無人機與 飛鳥目標運動軌跡仿真數(shù)據(jù)，噪聲由“×”表示，平均每步仿真加入5個噪聲，其余參數(shù)設置與2.1節(jié)相同；可見，本文方法仍然實現(xiàn)了對無人機和飛鳥目標的正常跟蹤。

表1 無人機與飛鳥目標的F均值Table 1 Mean value of F of UAV and flying bird targets

圖5 無人機目標識別的ROC曲線Fig.5 ROC curves of UAV target recognition

圖6 加入背景噪聲的目標軌跡仿真Fig.6 Simulated trajectories of targets with background clutters

圖7給出了p=0.5時，有無背景噪聲條件下的無人機目標識別ROC曲線對比，本次仿真中平均每步仿真加入5個噪聲?？梢姡欢〝?shù)量的背景噪聲基本不會對本文方法的目標識別性能造成影響。

圖7 背景噪聲環(huán)境中的無人機目標識別ROC曲線Fig.7 ROC curves of UAV target recognition in background cluttered environment

3 實測數(shù)據(jù)驗證

基于在廣西北海機場安裝的低空雷達監(jiān)視系統(tǒng)，目前已采集了大量含有無人機和飛鳥目標的雷達實測數(shù)據(jù)，前期研究已實現(xiàn)了對各類目標的檢測跟蹤[1, 17-20]。圖8為某時段采集的北海機場雷達實測數(shù)據(jù)，量測數(shù)據(jù)由“°”表示，其中包含了一架測試放飛的大疆精靈3無人機及機場自然環(huán)境中活動的若干飛鳥目標，以及少量背景噪聲，由“×”表示。圖8所示雷達數(shù)據(jù)中的飛鳥目標多為覓食狀態(tài)中的本地留鳥，飛行距離較短且機動性較高。本節(jié)將采用本文方法對其中的無人機和 飛鳥目標進行跟蹤，剔除背景噪聲，并做識別分類，驗證方法的可行性。

圖8 北海機場低空雷達監(jiān)視數(shù)據(jù)Fig.8 Low-altitude radar surveillance data at Beihai Airport

在工程應用中，首先通過人工方法識別出無人機和飛鳥目標，計算出不同目標的模型轉(zhuǎn)換概率估計值，進而設定無人機和飛鳥目標的分類閾值；在不同的測試環(huán)境中，該閾值往往不同，需要通過實驗的方法進行測定，以確保系統(tǒng)的識別效果。圖9給出了采用本文方法處理圖8所示雷達數(shù)據(jù)，在不同分割閾值條件下無人機目標的跟蹤與識別結果，目標軌跡由實線表示，背景噪聲被完全剔除。部分飛鳥目標的機動性不高，其運動模型與無人機接近，當閾值偏高時，仍然殘存大量飛鳥目標，只有當閾值設置足夠低時(見圖9(d)，S=0.005)，才能剔除全部飛鳥目標并保留無人 機目標。參照圖9，表2給出了不同閾值條件下，無人機目標的識別結果及飛鳥等其他低空目標的虛警具體數(shù)量。

圖9 無人機目標跟蹤與識別結果示意圖Fig.9 Schematic of UAV target tracking and recognition results

表2 無人機目標識別結果Table 2 UAV target recognition results

4 結 論

本文利用常規(guī)低空雷達獲取的非合作目標信息，以目標運動模型轉(zhuǎn)換頻率為特征，提出了一種輕小型無人機與飛鳥目標識別方法。通過仿真與雷達實測數(shù)據(jù)驗證了本文方法的有效性，得出以下結論：

1) 本文方法適用于常規(guī)機械掃描監(jiān)視雷達數(shù)據(jù)，能夠利用目標運動方向、速度、位置等較少的回波信息較好地區(qū)分出無人機和飛鳥目標。

2) 由仿真數(shù)據(jù)可知，無人機目標運動模型轉(zhuǎn)換估計頻率的方差均值比機動性較高的飛鳥目標低一個數(shù)量級以上。

3) 對于部分機動性較低的飛鳥目標，其運動方式與無人機近似，采用本文方法易導致虛警，需要結合目標微動特征等其他精細化處理技術加以識別分類[10]。

4) 目標的微動特征在一定程度上反映了目標固有的運動屬性，與目標的結構和電磁散射特性有著密切關聯(lián)，因此，隨著低空監(jiān)視雷達探測性能的逐步提升，微多普勒特征必將成為無人機等低慢小目標探測與識別的重要手段和途徑。