本发明涉及一种基于速度节凑图的多种类无人机场景识别方法，属于雷达目标识别技术领域。
背景技术：
雷达发射电磁波到目标表面并接收回波，目标与雷达之间的距离会体现在回波的延时上，如果物体是移动的，则接收信号的频率会发生与相对运动速度有关的偏移，即产生多普勒效应。如果除了主运动外，目标或者目标上的某些部件还伴随有微运动，则微运动会在雷达回波信号上引起额外的频率调制，使得多普勒频率产生边频，即为微多普勒效应。
近年来，无人机被广泛应用于农业监控、灾后搜救等许多领域，发挥了很大的作用。但是，利用无人机进行非法监控、干扰机场的正常运行等滥用现象也越来越严重。因此，能够准确及时的检测出无人机就显得尤为关键。
由于无人机的螺旋桨叶片是典型的微动部件，可以产生独特的微多普勒特征，近年来，微多普勒特征被广泛的应用于无人机的检测。但是，绝大多数的研究都是在场景中只有一个无人机的前提下进行的。当检测区域有多个无人机同时出现时，由于多个无人机各自的微多普勒特征的相互叠加，现有大部分研究都无法得出正确的检测结果。但是，在实际的情况下，往往并不是只有一个无人机出现，当多个无人机同时出现时，就有可能由于不能得出正确的检测结果而导致严重的后果。因此，能过迅速正确的检测出出现的全部无人机就显得尤为关键。下面重点介绍两个与本发明相关的无人机目标检测方法的贡献和不足。如文献1：S.Vishwakarma and S.S Ram.Detection of multiple movers based on single channel source separation of their micro-Dopplers[J].IEEE Transactions on Aerospace and Electronic Systems,2016，公开了了一种利用字典学习的方法实现多目标的检测，该方法的特点在于在数据训练时，对单一目标的进行训练，训练出适用于单一目标的字典，然后将训练好的字典串联在一起，利用正交匹配追踪(OMP)算法得到待识别信号的稀疏表示，并根据不同字典的负责范围实现稀疏洗漱的分离，通过阈值检测的方式，实现目标的检测。但本方法的主要缺点是在训练字典，以及利用OMP方法进行稀疏表示时，需要进行大量的计算，计算复杂度较高，时间开销较大，无法实现实时处理。文献2：B.K.Kim,H.S.Kang,and S.O.Park.Drone classification using convolutional neural networks with merged Doppler images[J].IEEE Geoscience and Remote Sensing Letters,2017,14(1):38-42中公开了利用无人机的速度节奏图(CVD)实现无人机检测的方法。该方法利用无人机的速度节奏图特征弥补微多普勒特征的不足，实现无人机的正确分类识别。该方法的主要缺点在于无法进行多目标的识别检测，同时利用卷积神经网络作为分类器，计算复杂度较高，时间开销较大，无法实现实时处理。
技术实现要素：
本发明的目的是提出一种基于速度节凑图的多种类无人机场景识别方法，针对目前无法实时准确的检测多无人机目标的问题，对单类无人机的速度节奏图，利用、K-means分类器，实现多无人机目标的识别。
本发明提出的基于速度节凑图的多种类无人机场景识别方法，包括以下步骤：
(1)采集已知种类无人机的一个回波信号，并对该回波信号进行短时傅里叶变换，得到无人机的微多普勒信号STFT(t,ω)：
其中，s为接收到的无人机的回波信号，h为短时傅里叶变换的窗函数，t为时间，ω为多普勒频率，j为虚数符号，τ为积分变量；
(2)在时间维度上对上述步骤(1)的微多普勒信号进行傅里叶变换，得到无人机的速度节凑图CVD(f,ω)：
其中，f为多普勒信号的频率；
(3)在多普勒维度上对上述步骤(2)的无人机速度节奏图求和，得到无人机的节奏频谱特征信号CFS(f)：
CFS(f)＝sum(CVD(f,ω))；
(4)重复步骤(1)-步骤(3)，得到已知种类无人机的多个节奏频谱特征信号CFS(f)，计算得到已知种类无人机的节奏频谱特征信号CFS(f)的均值ECFS(f)，并将此均值作为K-means分类器中该已知种类无人机的的中心点；
(5)设无人机的种类有N种，遍历无人机的所有N个种类，重复步骤(1)-步骤(4)，得到所有N种无人机的节奏频谱特征信号CFS(f)的均值ECFS(f)，分别将均值作为K-means分类器中相应无人机的中心点；
(6)当N个种类中的两个以上种类的无人机同时出现在检测区域内时，根据上述步骤(5)得到共2N-1-N个场景的无人机节凑频谱特征信号的均值，并将该2N-1-N个均值作为K-means分类器中相应场景的无人机的中心点；
(7)采集待识别无人机的回波信号，重复步骤(1)-步骤(3)，得到待识别无人机回波信号的节奏频谱特征信号，将该待识别无人机的节奏频谱特征信号输入上述步骤(6)的K-means分类器，K-means分类器输出一个中心点，与该中心点相对应的无人机场景即为待识别的无人机场景。
本发明提出的基于速度节凑图的多种类无人机场景识别方法，其优点是：
本发明和现有的利用微多普勒以及速度节奏图进行目标的识别方法不同，本发明利用目标的节奏频率特征来进行目标的识别分类，并且能够实现多目标的识别，同时，由于本发明方法所涉及到的计算复杂度较低，运算成本小，可是实现实时处理。本发明方法相比于文献[1]中的方法，可以实现多无人机目标的识别分类，并且具有较小的计算复杂度，时间开销小；本发明方法相比于文献[2]中的方法能够实现多目标的识别，且计算复杂度低，时间开销小。
附图说明
图1为本发明方法的流程框图。
具体实施方式
本发明提出的基于速度节凑图的多种类无人机场景识别方法，其流程框图如图1所示，包括以下步骤：
(1)采集已知种类无人机的一个回波信号，并对该回波信号进行短时傅里叶变换，得到无人机的微多普勒信号STFT(t,ω)：
其中，s为接收到的无人机的回波信号，h为短时傅里叶变换的窗函数，t为时间，ω为多普勒频率，j为虚数符号，τ为积分变量；
(2)在时间维度上对上述步骤(1)的微多普勒信号进行傅里叶变换，得到无人机的速度节凑图CVD(f,ω)：
其中，f为多普勒信号的频率；
(3)在多普勒维度上对上述步骤(2)的无人机速度节奏图求和，得到无人机的节奏频谱特征信号CFS(f)：
CFS(f)＝sum(CVD(f,ω))，
对速度节凑图CVD在多普勒维度上求和得到的节奏频谱特征信号，可以从整体上反应出无人机的微动部件的频率变化趋势，同时，求和操作可以从整体上消弱无人机回波信号中噪声的影响。从另一方面而言，这也是信号特征提取的一种方法，对于二维的速度节凑图CVD的压缩，提取出一维特征，这是本方法与其他现有方法对CVD进行特征提取的最大不同，其他关于CVD的方法，在进行特征提取时，会提取出二维CVD谱图中的强点的相关信息，忽略掉其他较弱点的信息，这就丢掉了信号的变化趋势信息。
(4)重复步骤(1)-步骤(3)，得到已知种类无人机的多个节奏频谱特征信号CFS(f)，计算得到已知种类无人机的节奏频谱特征信号CFS(f)的均值ECFS(f)，并将此均值作为K-means分类器中该已知种类无人机的中心点；K-means分类器是一种模式识别中的聚类算法，为本技术领域的公知公用技术。
本步骤的主要目的是得到同种类无人机的训练数据的CFS信号的均值，以消除极端值的影响，得到更为通用的CFS特征信号。
(5)设无人机的种类有N种，遍历无人机的所有N个种类，重复步骤(1)-步骤(4)，得到所有N种无人机的节奏频谱特征信号CFS(f)的均值ECFS(f)，分别将均值作为K-means分类器中相应无人机的中心点；
(6)当N个种类中的两个以上种类的无人机同时出现在检测区域内时，根据上述步骤(5)得到2N-1-N个场景的无人机节凑频谱特征信号的均值，并将2N-1-N个均值作为K-means分类器中相应场景的无人机的中心点；
例如，当N＝3时，由步骤五可以得到三种无人机的节奏频谱特征信号的均值(假设分别为：ECFS(f)1、ECFS(f)2、ECFS(f)3)，利用ECFS(f)12＝ECFS(f)1+ECFS(f)2表示无人机1和无人机2同时出现的情形所对应的K-means分类器的中心点，同理利用ECFS(f)13＝ECFS(f)1+ECFS(f)3表示无人机1和无人机3同时出现的情形所对应的K-means分类器的中心点，ECFS(f)23＝ECFS(f)2+ECFS(f)3表示无人机2和无人机3同时出现的情形所对应的K-means分类器的中心点，ECFS(f)123＝ECFS(f)1+ECFS(f)2+ECFS(f)3表示无人机1、无人机2和无人机3同时出现的情形所对应的K-means分类器的中心点，此时K-means分类器中的无人机中心点共有7个。
(7)采集待识别无人机的回波信号，重复步骤(1)-步骤(3)，得到待识别无人机回波信号的节奏频谱特征信号，将该待识别无人机的节奏频谱特征信号输入上述步骤(6)的K-means分类器，K-means分类器输出一个中心点，与该中心点相对应的无人机场景即为待识别的无人机场景。