一种连续波雷达无人机检测方法与流程

本发明属于雷达技术领域，具体涉及一种连续波雷达无人机检测方法。

背景技术：

无人机(uav)技术近年来发展迅速，应用范围不断扩大。携带各种传感器的无人机广泛用于航空摄影，探测和监视。与此同时，无人机在提供便利的同时，还可能通过侵入基础设施或敏感区域来威胁军事、办公以及生活方面的安全和隐私。因此，迫切需要新技术来对无人机目标进行检测和跟踪。

无人机目标检测有很多不同的方式，其中利用视频图像处理和雷达检测是主要方法。研究人员在基于视频图像对无人机目标进行检测时，首先检测飞行物体，然后使用卷积神经网络(cnn)分类器来判断它们是否是无人机。研究人员在利用雷达对无人机目标进行检测方面提出了很多方法，比如：使用mimo雷达检测无人机；基于使用高分辨率的雷达，提出了一种基于霍夫变换的方法来提高检测和跟踪性能；基于gsm(全球移动通信系统)的无源相干定位(pcl)系统来检测无人机等等。与视频图像相比，雷达具有以下优点：a.不受光线影响，可以在夜间工作；b.不受天气的影响；c.距离信息可用。但以上提出的几种基于雷达检测无人机的方法成本相对较高，并且识别无人机的算法相对较为复杂。

与昂贵的mimo雷达相比，连续波(cw)雷达是一个相当经济的选择。每个亮度位置与从位于雷达特定距离处的目标反射的信号的幅度成比例。输入雷达图像包含一个相对静态的背景和规则的电磁干扰，这些在检测时都需要去除以提取移动的无人机目标，可用背景建模来实现去除背景和干扰。建立背景模型，通过模型匹配来实现背景去除，其中不符合背景模型的像素将被判定为可疑的无人机目标。

固定监视区域，建立高斯混合模型(gmm)来模拟背景。但是在实验中使用gmm时发现，当无人机多次通过一个区域时，尽管每次通过都有相当长的间隔，其轨迹还是会被错误地判断为背景，即使减少了学习比率，一些属于背景的电磁干扰还是会被错误地判断为前景。

技术实现要素：

发明目的：本发明提出一种使用简单、成本低的连续波雷达无人机检测方法。

技术方案：本发明提出的一种连续波雷达无人机检测方法，包括以下步骤：

(1)采用两个高斯混合模型对雷达图像进行预处理，获得疑似无人机目标；

(2)将改进后的检测前跟踪算法结合多帧信息获得可疑的目标轨迹；

(3)长于预先设定阈值的轨迹被确定为无人机，并且计算它们的相关参数。

所述步骤(1)包括以下步骤：

(11)同时使用两个高斯混合模型背景去除器，去除背景及学习训练，获取去除背景和干扰后的区域；

(12)根据无人机的先验尺寸信息，去除获取的太大和太小区域；

(13)将剩余的可疑区域发送到检测前跟踪处理器。

步骤(2)所的述改进后的检测前跟踪算法定义为：

在k时刻第n个可疑目标定义为zn,k：

zn,k＝(xn,k,yn,k,an,k)

xn,k,yn,k代表目标的位置；an,k代表目标区域。在k时刻，目标集合为zk，目标数量为ck。当ck≠0，有：

在k时刻第m个可疑轨迹定义为tm,k：

tm,k＝{zm,k,msm,k,mam,k,sm,k}

其中，zm,k代表tm,k的可疑目标，msm,k,mam,k分别代表tm,k的平均速度和平均目标面积，sm,k表示可疑轨迹的状态，sm,k的值每次增加1，如果一个轨迹获得一个新对象，则其sm,k＝0；

在t时刻的所有zm,k可疑轨迹的集合表示为tk，并且轨迹的数量表示为dk，当dk≠0：

所述步骤(2)包括以下步骤：

(21))对于每个可疑目标zn,k，应用速度和加速度约束来选择可能的匹配轨迹tk-1；

(22)对于每个可疑目标zn,k，计算每个匹配轨迹ti,k-1的匹配值m，然后选择具有最小m的轨迹；

(23)匹配处理后，对于获得新目标的轨迹，其sm,k-1＝0；

(24)对于所有轨迹：sm,k-1＝sm,k-1+1并更新所有轨迹的平均速度、平均面积、坡度距离、航向和其他参数；

(25)删除sm,k大于特定阈值γs的轨迹。

步骤(22)所述的最小m的轨迹通过以下公式实现：

m＝标准化(速度(zn,k,ti,k-1)-ti,k-1·ms))+标准化(zn,k·a,ti,k-1·ma)。

有益效果：与现有技术相比，本发明的有益效果为：1、本发明采用双gmm迭代方法来预处理雷达图像，从而减少tbd需要处理的疑似目标的数量并提高效率，极大降低了虚警概率；2、当雷达图像的分辨率较大时，即使使用动态规划算法，也很难达到实时性，本发明首先消除了大量虚假目标，然后简化了tbd算法，因此具有良好的实时性能。

附图说明

图1为本发明流程图；

图2为双gmm迭代背景去除架构具体示意图；

图3没有预处理，直接使用tbd算法的结果图；

图4为采用gmm迭代背景去除器后使用tbd算法的结果图；

图5输入雷达图像；

图6为采用双gmm迭代背景去除的结果图；

图7为删除太大或太小区域后的结果；

图8为检测到的无人机轨迹。

具体实施方式

下面结合附图对本发明作进一步详细说明。

建筑物顶部设置雷达，并使用四旋翼飞行器进行说明。四旋翼的飞行范围在雷达波束范围内，其与雷达的最大距离设置为200米。如图1所示，具体操作步骤如下：

1、雷达图像通过一个双gmm迭代背景去除器进行图像预处理，其框架如图2所示，其中一个用于去除背景，另一个用在学习模型上，并且他们的角色定期交换：

1)两个gmm背景去除器定义为gmm1和gmm2，背景概率t＝0.95，高斯模型数量k＝15，噪声σ＝0.06，历史帧数为25；

2)首先初始化gmm1，然后训练100帧，学习比率rl＝0.0015；

3)100帧训练完成后，gmm1开始移除后续输入图像的背景并输出可疑对象。同时，其学习比率rl变为0.0008。同时gmm2初始化，输入图像用于训练，其学习比率为0.0015；

4)在100帧后，gmm2开始移除后续输入图像的背景并输出可疑对象。同时，其学习比率rl变为0.0008。同时gmm1初始化，输入图像用于训练，其学习比率为0.0015；

5)返回步骤3)并重复。

6)gmm处理可以去除大部分背景，然后根据无人机的先验尺寸信息，去除太大和太小的区域。同时，被视为移动前景但几乎完全黑暗的区域被移除。最后，这些剩余的可疑区域将被发送到tbd处理器。

采用gmm迭代背景预处理后使用tbd算法的比较结果如图3、图4所示。显然，图3比图4具有更多的可疑目标区域，并且具有多个错误检测轨迹。

2、通过改进的检测前跟踪算法(tbd)结合多帧信息来获得可疑的目标轨迹。

首先，本发明在以下这些方面修改了原有的tbd算法：

a)每个可疑目标区域的位置由其质心表示；

b)增加约束条件一：在一个轨迹中，无人机区域应该是一个相对固定的值，并且不会发生变化；

c)增加约束条件二：无人机的速度在它的轨迹中应该是一个相对固定的值，并且不应该发生突变；

d)计算现存的轨迹到最后一个点的距离，得到最匹配轨迹，未匹配成功的轨迹自动生成为新的轨迹。

在k时刻第n个可疑目标定义为zn,k：

zn,k＝(xn,k,yn,k,an,k)

其中，xn,k,yn,k代表目标的位置；an,k代表目标区域；在k时刻，目标集合为zk，目标数量为ck，当ck≠0，有：

在k时刻第m个可疑轨迹定义为tm,k：

tm,k＝{zm,k,msm,k,mam,k,sm,k}

其中，zm,k代表tm,k的可疑目标，msm,k,mam,k分别代表tm,k的平均速度和平均目标面积；sm,k表示可疑轨迹的状态，sm,k的值每次增加1；如果一个轨迹获得一个新对象，则其sm,k＝0。

在t时刻的所有zm,k可疑轨迹的集合表示为tk，并且轨迹的数量表示为dk，当dk≠0：

当新的帧在k时刻到达时，在预处理和背景去除之后，可疑目标的列表是zk。对于zk中的每个zn,k，执行以下操作：

1)对于每个可疑目标zn,k，应用速度和加速度约束来选择可能的匹配轨迹tk-1；

2)对于每个可疑目标zn,k，计算每个匹配轨迹ti,k-1的匹配值m，然后选择具有最小m的轨迹。m的计算公式如下：

m＝标准化(速度(zn,k,ti,k-1)-ti,k-1·ms))+标准化(zn,k·a,ti,k-1·ma)

3)匹配处理后，对于获得新目标的轨迹，其sm,k-1＝0；

4)对于所有轨迹：sm,k←sm,k-1+1，并更新它们的平均速度、平均目标面积、斜距离、航向和其他参数；

5)删除sm,k大于特定阈值γs的轨迹，获得可疑的目标轨迹。γs是根据实验得到的经验值，在这个阈值情况下，能较好地将长时间未匹配新可疑目标的轨迹排除，同时又能保持暂时未获得目标的真实轨迹的存活。

3、大于预先设定的阈值的轨迹被确定为无人机，并且计算它们的相关参数目标轨迹中，数量大于预先设定的阈值γu的轨迹是无人机的确定轨迹，γu是根据实验得到的经验值，在这个阈值情况下，检出率和误警率情况较好。

如图5-图8所示，图5为显示原始雷达图像；图6显示双gmm迭代背景移除后的结果；图7显示删除太大或太小区域后的结果；图8显示检测前跟踪处理后的结果，其中矩形框中的连续点即为获得的无人机目标轨迹。为了便于显示，每张图片只显示一部分。

从图6可以看出，大部分的背景干扰和随机干扰被背景去除器去除，仍然有一些非常小的干扰区域。我们移除了小于4个像素和大于25个像素的区域，如图7。然后图像被发送到经过改进的tbd处理器，如图8。之后，将长度超过一定阈值的轨迹确定为无人机。检测图5至图8中所有无人机轨迹，并且没有误报。