一种基于航迹运动特征的无人机和飞鸟目标分类方法技术

本发明专利技术公开了一种基于航迹运动特征的无人机和飞鸟目标分类方法，属于雷达目标跟踪与识别技术领域。本发明专利技术方法包括：对每个目标航迹提取运动特征向量，包含平均速度、速度标准差、航向标准差、机动因子和航迹震荡因子；将不同目标航迹提取的运动特征向量组成训练样本集，并为各特征元素建立分级表格，任意选取两个特征元素构建每类目标的联合概率矩阵；对未知目标航迹提取运动特征向量，依据分级表格和联合概率矩阵识别所属目标类别。本发明专利技术实现了对无人机和飞鸟目标的有效识别，避免了飞鸟和无人机两类目标因雷达散射截面数值重叠度高导致的识别难度大的问题，识别效率高，普适性较强。较强。较强。

【技术实现步骤摘要】
一种基于航迹运动特征的无人机和飞鸟目标分类方法


[0001]本专利技术属于雷达目标跟踪与识别
，涉及雷达目标特征提取与识别分类，具体涉及一种基于航迹运动特征的无人机和飞鸟目标分类方法。

技术介绍

[0002]飞鸟以及无人机目标均属于典型的“低慢小”目标，该类型目标普遍具备飞行高度低、飞行速度慢、雷达散射截面小、可探测性低等特征。飞鸟目标对于民航客机在进出港阶段存在较大的安全威胁，而商业级的小型无人机的快速发展使其更容易为非法分子利用，严重威胁机场等重点区域的低空安全。因此，飞鸟和无人机目标的精确识别与跟踪具备重要的应用和研究价值。
[0003]低空监视雷达目前在机场、风电场、边境等重点区域已经得到了应用。现有低空监视雷达通常采用基于固态功放的多普勒信号处理技术，具备在复杂低空强地物杂波环境下的小目标探测能力，实现对特定空域的全天候高分辨连续监视。但是，低空空域中的飞鸟目标通常在雷达散射截面、极化特征、飞行速度及高度等方面与低空无人机具备高度相似性。雷达目标微多普勒特征理论上存在精确区分飞鸟和旋翼无人机的潜力，但是实际应用场景下微多普勒特征质量与监视距离高度相关，小目标远距离微多普勒特征提取难度较大，在实际雷达监视中的应用价值尚需进一步提升。因此现有的低空监视雷达对于飞鸟以及无人机目标难以实现有效的区分。

技术实现思路

[0004]本专利技术的目的是为了解决上述问题，提出一种基于雷达航迹运动特征的旋翼无人机与飞鸟目标分类识别方法，适用于低空复杂环境下飞鸟和无人机目标的有效识别。
[0005]一种基于雷达航迹运动特征的旋翼无人机与飞鸟目标分类识别方法，利用雷达目标航迹信息提取出目标运动特征向量，采用朴素贝叶斯方法区分飞鸟、无人机目标，包括如下步骤：
[0006]步骤一、对雷达采集的目标航迹提取运动特征向量；运动特征向量中包含的特征元素有：平均速度、速度标准差、航向标准差、机动因子以及航迹震荡因子；
[0007]步骤二、对不同目标的航迹采用步骤1提取运动特征向量组成训练样本集，然后构建不同目标运动特征的联合概率矩阵；
[0008]步骤三、利用所获得的联合概率矩阵对未知目标航迹的类别进行判断。
[0009]所述步骤一中，从雷达采集的目标航迹中提取运动特征向量，包括平均速度、速度标准差、航向标准差、机动因子以及航迹震荡因子；所述的机动因子计算为平均速度与航向标准差的比值；所述的航迹震荡因子计算如下：首先计算目标航迹的航向差异符号向量O，O
中第k个航向差异符号其中，Δh(k)为第k+1个航迹采样点与第k个航迹采样点之间的航向角度差，δ
e
为测量误差阈值；然后根据向量O，来判断目标航迹中存在的航向震荡次数，若存在如下两种震荡模式之一则判定存在一次航向震荡，
[0010]震荡模式1：O(i
‑
1)+O(i)＝0且O(i
‑
1)≠O(i)；
[0011]震荡模式2：O(i
‑
1)+O(i+1)＝0且O(i
‑
1)≠O(i+1),O(i)＝0；
[0012]最后，计算震荡因子其中，|Δh(i)|为第i次震荡下航向角度变化的绝对值，w(i)为权值因子。
[0013]所述的步骤二包括：(1)首先为各特征元素建立分级表格；(2)其次任意选取运动特征向量中的两个特征元素构建每类目标的联合概率矩阵；构建第t类目标的一个联合概率矩阵时，初始化联合概率矩阵为0矩阵，然后遍历训练样本集中第t类目标的每个航迹的运动特征向量，依据分级表格获取所选两特征元素数值所对应的级别m和n，然后将联合概率矩阵中元素(m,n)的值增1，遍历完成后再对联合概率矩阵中元素归一化；所得到的联合概率矩阵中元素(m,n)的值代表对第t类目标，所选第一个特征元素属于级别n的条件下所选第一个特征元素属于级别m的概率为p。
[0014]所述的步骤三中，对雷达采集的未知目标航迹提取运动特征向量，并依据分级表格获取各特征值所属级别，然后针对每类目标，从20个联合概率矩阵中查找未知目标航迹属于该类目标的概率值，最后选取概率最大的类别为未知目标航迹的类别。
[0015]相比现有技术，本专利技术的优点与积极效果在于：
[0016](1)本专利技术方法利用目标航迹信息提取出目标运动特征，不依赖于雷达散射截面等雷达回波强度信息实现飞鸟和无人机目标的有效识别，避免了两类目标因雷达散射截面数值重叠度高导致的识别难度大的问题。
[0017](2)本专利技术方法中对目标特征向量构建速度快，识别效率高，灵活性强，可扩展应用于降水杂波等其他低空干扰目标的识别。
[0018](3)本专利技术方法无需对低空空域雷达监视系统的软硬件设备进行改动或升级，仅需要对雷达目标航迹进行特征提取与特征向量重构，即可实现对无人机和飞鸟目标的有效识别，普适性较强。
附图说明
[0019]图1是本专利技术方法实现的雷达目标识别过程示意图；
[0020]图2是本专利技术实施例的轻小型无人机与飞鸟目标的轨迹分布示例图。
具体实施方式
[0021]下面将结合附图和实施例对本专利技术作进一步的详细说明。
[0022]本专利技术是一种基于航迹运动特征的无人机和飞鸟目标分类方法，利用飞鸟与旋翼无人机目标运动模式上存在的差异，实现复杂低空环境下轻无人机与飞鸟目标的有效分类
识别，包括如下步骤：
[0023]步骤一、提取雷达目标航迹运动特征向量。
[0024]雷达采集运动目标的航迹，定义目标航迹Z＝[z1,z2,...,z
N
]，根据航迹中每个采样点的时空信息提取速度以及航向信息矢量V和H如下：
[0025]V＝[v1,v2,...,v
N
]；H＝[h1,h2,...,h
N
]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0026]其中，N表示航迹中采样点的个数，即航迹长度。v
i
、h
i
分别表示目标在第i个采样点处的速度和航向，i＝1,2,
…
N。目标航迹长度与目标特性、运动模式以及雷达追踪算法密切相关，航迹的长度通常不一致。而本专利技术通过提取航迹运动特征的统计描述子构建目标航迹的运动特征向量，实现了目标航迹特征维度的一致性，有利于采用监督类机器学习算法实现目标识别。本专利技术提取如下五类航迹运动特征：
[0027](1)平均速度v
mean
，计算如下：
[0028][0029](2)速度标准差v
std
，计算如下：
[0030][0031](3)航向标准差h
std
，计算如下：
[0032][0033]公式(4)中参数Δ
h
(i)的定义为：
[0034][0035]其中，δ
h
为航向角度差的阈值，本专利技术设定该阈值为50
°
。h
...

【技术保护点】

【技术特征摘要】
1.一种基于航迹运动特征的无人机和飞鸟目标分类方法，其特征在于，包括如下步骤：步骤1、对雷达采集的目标航迹提取运动特征向量；运动特征向量中包含的特征元素有：平均速度、速度标准差、航向标准差、机动因子以及航迹震荡因子；步骤2、对不同目标的航迹采用步骤1提取运动特征向量组成训练样本集，然后构建不同目标运动特征的联合概率矩阵，包括：(1)首先为各特征元素建立分级表格；(2)其次任意选取运动特征向量中的两个特征元素构建每类目标的联合概率矩阵；构建第t类目标的一个联合概率矩阵时，初始化联合概率矩阵为0矩阵，然后遍历训练样本集中第t类目标的每个航迹的运动特征向量，依据分级表格获取所选两特征元素数值所对应的级别m和n，然后将联合概率矩阵中元素(m,n)的值增1，遍历完成后再对联合概率矩阵中元素归一化；所得到的联合概率矩阵中元素(m,n)的值代表对第t类目标，所选第一个特征元素属于级别n的条件下所选第一个特征元素属于级别m的概率为p；对每类目标将构建获得个联合概率矩阵；步骤3、利用所获得的联合概率矩阵对未知目标航迹的类别进行判断，包括：对雷达采集的未知目标航迹提取运动特征向量，并依据分级表格获取各特征值所属级别，然后针对每类目标，从20个联合概率矩阵中查找未知目标航迹属于该类目标的概率值，最后选取概率最大的类别为未知目标航迹的类别。2.根据权利要求1所述的方法，其特征在于，所述的步骤1中，所述的机动因子表示为σ，计算为平均速度v
mean
与航向标准差h
std
的比值。3.根据权利要求1所述的方法，其特征在于，所述的步骤1中，所述的航迹震荡因子表示为ζ，计算如下：首先计算目标航迹的航向差异符号向量O，O中第k个元素O(k)为航向差异符号其中，Δh(k)为第k+1个航迹采样点与第k个航迹采样点之间的航向角度差，δ
e
为测量误差阈值；然后根据向量O，来判断目标航迹中存在的航向震荡次数，若存在如下两种震荡模式之一则判定存在一次航向震荡；震荡模式1：O(k
‑
1)+O(k)＝0且O(k
‑
1)≠O(k)；震荡模式2：O...

【专利技术属性】
技术研发人员：刘佳，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：