直升机防撞雷达一维距离像目标特征提取和识别方法与流程

1.本发明涉及直升机防撞技术领域，具体涉及一种直升机防撞雷达一维距离像目标特征提取和识别方法。


背景技术：

2.直升机是一种机动性能非常好的空中平台，因其低空、低速、可垂直起降等诸多优点而在多个领域被广泛应用。直升机执行任务时，经常会采取低空或超低空飞行，其面临的地面环境非常复杂，遍布的灌木、森林、丘陵、高压电力网以及烟囱、测风塔等人工建筑，严重威胁着低空飞行的直升机的安全。解决直升机避障的有效手段之一是采用防撞雷达预警避障。毫米波防撞雷达因其体积小、重量轻、波束窄、功耗低，并具有全天侯、全天时工作的优点，在直升机障碍物检测设备中占据重要地位。早期的防撞雷达利用电力线周期性结构带来的布拉格散射特性进行目标检测，由于电力线rcs小、回波信号弱，单纯通过布拉格效应检测发现概率低、受地物影响大。基于塔线群组特性和hough变换直线检测的方法在布拉格散射效应检测的基础上，利用塔间连线拓扑或hough变换直线检测对电力线进行识别。然而在实际应用中发现，由于直升机应用广泛，其前方区域内的障碍物多种多样，除电力线、电力塔外，烟囱、测风塔等人工建筑除本身对直升机安全构成障碍威胁外，常规塔线群组和hough变换直线检测识别无法适应这些复杂的目标环境。
3.近年来，雷达目标识别技术作为一个新兴领域越来越多地被研究和应用到雷达工程中。雷达目标识别最为关键的是目标特征选择和提取，提取的特征能否良好分辨各类目标，对识别效果将产生直接影响。利用一维高分辨距离像进行特征提取和识别是雷达目标识别领域的一个重要分支。目前基于雷达高分辨一维距离像特征识别研究大多集中在地面车辆、海面大船等大型目标识别应用中，在直升机载防撞雷达中的应用研究极少。这主要是由于直升机载防撞雷达的典型目标如电力塔、电力线、烟囱、测风塔的体积较小，其径向一维距离像尺寸并不大，在典型cfar检测后获得的径向距离向的强散射点个数均非常有限，难以呈现目标真实的一维距离像，特征提取非常困难。
4.然而，对毫米波雷达照射目标时的大量回波数据分析可见，由于毫米波雷达波长小、波束窄、带宽宽、分辨率高，典型障碍物目标电力塔、烟囱、测风塔、电力线在毫米波的照射下，回波中包含多个散射点，形成高低起伏的一维距离像。进一步分析可见，由于雷达回波是由目标空间位置不同的散射点反射的雷达波的叠加，目标空间结构和材料的差异决定了目标不同的散射系数，几类典型障碍物目标散射点在能量域、结构空间域均呈现出一定的差异性，对上述典型目标一维距离像进行特征提取和比较，可以实现对不同目标的区分。但是，正如前文所述，为避免噪声和地物杂波导致的雷达探测虚警率上升，防撞雷达目标检测门限通常高于背景噪声和杂波十数分贝以上，随着雷达天线扫描，目标回波散射点中的部分弱散射点可能出现漏检，导致目标一维距离向部分信息丢失，不利于特征识别。对雷达不同距离、不同照射角下典型目标回波数据分析可见，在目标的强散射点能被典型cfar门限检测出来的情况下，目标的大部分弱散射点虽然低于检测门限，但是强于背景杂波。如果
能在抑制杂波的基础上，保留目标弱散射点信息，则防撞雷达可基于一维距离像实现目标特征提取和识别。
5.毫米波防撞雷达一维距离像目标特征提取和识别方法采用两级门限检测，通过一级门限最大限度抑制地物杂波干扰，保证检测虚警概率控制在系统可控制范围；通过二级门限检测获得一级门限检测出的目标的弱散射点；在目标聚类时以一级门限检测获得的散射点为中心进行目标关联，二级门限检测出的点根据能否和一级门限检测出的点关联成功，判断为弱散射点或被抛弃，既保证了杂波抑制性能，又保留了较为丰富的一维距离像信息，为特征提取奠定基础。利用目标一维距离像，提取每个目标相对rcs、径向长度、峰值点个数、径向幅度分布熵等多维特征参数，形成未知特征向量，然后利用通过大量实测数据训练建立的专家知识库对未知特征向量进行决策树识别判断，获得目标识别结果。由于电力线回波非常弱小，为进一步抑制杂波对雷达系统性能的干扰，在完成四类典型目标分类识别后，再次利用布拉格散射特性和线塔群组特性对电力线目标进行进一步确认，进一步提高系统的可靠性。


技术实现要素：

6.针对现有技术中的上述不足，本发明提供的一种直升机防撞雷达一维距离像目标特征提取和识别方法解决了直升机防撞的问题。
7.为了达到上述发明目的，本发明采用的技术方案为：一种直升机防撞雷达一维距离像目标特征提取和识别方法，包括以下步骤：
8.s1、将雷达接收的回波信号进行fft运算获得一维距离像；
9.s2、对一维距离像数据进行两级门限检测，获得确定目标散射点和备选目标散射点集合；
10.s3、以确定目标散射点集合点迹为中心进行目标聚类，备选目标散射点集合中的散射点若能和确定目标散射点集合中的点迹关联成功，判断为目标的弱散射点，加入目标散射点集合，否则作为杂波抛弃；
11.s4、对聚类后的目标散射点集合，提取目标相对rcs、目标径向长度、峰值点个数、幅度熵、幅度起伏特征参数特征形成未知目标特征向量；
12.s5、通过训练算法建立专家知识库，依据专家知识库对未知目标特征向量进行决策树识别判决，得到目标属性识别结果；
13.s6、利用电力线布拉格散射效应和塔线群组特性进行电力线确认，输出目标识别结果。
14.进一步地：所述步骤s1具体为：在调频连续波雷达中，雷达接收信号和本振信号混频后，得到二者的差拍信号，将雷达接收信号经放大和ad转换后的数字信号进行fft运算，得到相应信号功率谱，由于位于不同距离的目标的差拍信号频率不同，经过fft运算得到的信号功率谱即形成整个距离覆盖区域的一维距离像{x(n),n＝1、2
…
n}，n为散射点距离单元序号，n为散射点距离单元个数。
15.进一步地：所述步骤s2具体为：
16.s21、将一维距离像数据依次进入滑窗检测器，滑窗检测器中心位置为检测单元，检测单元两侧为保护单元，保护单元外侧为参考单元；
17.s22、每个检测单元检测时，对两侧参考单元分别按幅度进行排序，排序后进行强点剔除，剔除各自区域内的3个大值和已标注为目标的点，以摒除参考单元中强目标或强干扰的对检测门限的影响；
18.s23、对两侧剔除强点的参考单元，分别计算得到两侧的幅度平均值y1、y2；
19.s24、对两侧幅度平均值进行比较，选择其中的小值作为参考门限计算的参考值；
20.s25、计算检测门限，包括一级检测门限和二级检测门限；
21.一级检测门限t1的计算公式为：
22.t1＝α
·
min(y1,y2)
23.上式中，α为一级检测门限系数；
24.二级检测门限t2的计算公式为：
25.t2＝0.6
·
t1
26.s26、待检测单元和两级检测门限分别进行幅度比较，得到结果如下：
27.{n∈a|x(n)》t1}
28.{n∈b|x(n)》t2}
29.上式中，n为散射点距离单元序号，定义a为确定目标散射点集合，b为备选目标散射点集合。
30.进一步地：所述步骤s3具体为：
31.s31、以集合a中任意散射点为中心，遍历a集合中的所有未被关联的其他散射点，当两个散射点间的距离小于5个门时将其聚为一个目标，关联成功的点标记为已关联；
32.s32、以新关联到的散射点为中心，在a集合中遍历其他所有未被关联过的散射点并进行聚类和标记，直至集合a中属于此目标的所有散射点聚类完毕，将属于此目标的所有散射点构成一个目标集合sk，定义sk，k＝1,2
…
，为第k个目标的散射点距离单元序号集合；
33.s33、以sk中每个散射点为中心，遍历集合b中所有未被关联的散射点，当两个散射点小于3个距离门时，判断为属于第k个目标的散射点，并标注该散射点已被关联；
34.s34、将集合b中关联成功的散射点添加到sk中，形成k个目标的散射点集合；
35.s35、对集合a中剩余的未被关联的散射点按步骤s31～s34进行聚类，形成其他目标的散射点集合，直至a中所有散射点关联完成，得到聚类后的目标散射点集合。
36.进一步地：所述步骤s4具体为：
37.s41、假设聚类后的目标散射点集合s第k个目标含p个散射点，第k个目标的p个散射点按散射点距离单元序号进行排序，获得排序后的距离单元序号集合{r_num
k,i
，i＝1,2
…
p}，提取集合对应的散射点幅度，获得幅度集合{amp
k,i
，i＝1,2
…
p}，i为散射点序号；
38.s42、计算目标凝聚距离rk，计算公式为：
[0039][0040]
s43、提取目标相对rcs，计算公式为：
[0041][0042]
上式中，rcsk为目标相对rcs；
[0043]
s44、提取径向长度lk，计算公式为：
[0044]
lk＝[max(r_num
k,i
)-min(r_num
k,i
)+1]
·
dr
[0045]
上式中，dr为距离单元长度；
[0046]
s45、提取径向峰值个数peakk，计算公式为：
[0047]
peakk＝length{i|amp
k,i
≥amp
k,i-j
,amp
k,i
≥amp
k,i+j
,i＝1,2..p,j＝1,2}
[0048]
上式中，length{i|}表示满足括号内条件的i的个数，j为序号；
[0049]
s46、提取幅度分布熵amp
entropy
，计算公式为：
[0050][0051][0052]
上式中，amp
′
k,i
为散射中心幅度与幅度总和的比值；
[0053]
s47、提取幅度分布归一化方差计算公式为：
[0054][0055]
上式中，m
x
为目标散射点幅度的均值；
[0056]
s48、提取主峰能量比c，计算公式为：
[0057][0058]
上式中，amp
k,j
为峰值点幅度。
[0059]
进一步地：所述专家知识库在线下通过对多种照射角度、照射距离获得的已知典型障碍物目标的实测回波数据，通过检测、聚类和特征提取得到的特征向量通过训练算法建立。
[0060]
进一步地：所述步骤s5中属性识别具体为：使用决策树进行分类识别，决策树包括一个根节点、一组中间节点和一些终止节点，决策树识别过程从决策树的根节点开始，依据特征提取得到的待分类项中相应的特征属性，按照特征属性值的大小以及分支的判决门限，标记一个分裂谓语，选择输出分支。依次使用不同的特征属性，自上而下执行输出分支的选择，直到到达叶子节点，将叶子节点存放的类别作为决策树分类识别的结果。
[0061]
进一步地：所述特征属性的使用顺序为：目标径向长度、相对rcs、峰值点个数、主峰能量比、分散系数、幅度归一化方差、幅度分布熵。
[0062]
进一步地：所述步骤s6具体为：
[0063]
s61、采用雷达从左到右或从右到左扫描一周的多个重复周期内属性识别后的目标数据进行处理确认，判断一周扫描检测的目标中是否有电力线目标，若是则进入步骤s62，否则进入步骤s69；
[0064]
s62、判断电力线目标数量是否大于2，若是则进入步骤s63，否则进入步骤s64；
[0065]
s63、判断电力线目标方位角是否满足布拉格散射角关系，若是则进入步骤s69，否则进入步骤s64；
[0066]
s64、判断一周扫描检测的目标中是否有电力塔，若是则进入步骤s65，否则进入步
骤s68；
[0067]
s65、将电力线、电力塔目标投影到载机地理坐标系，然后进入步骤s66；
[0068]
s66、对投影到载机地理坐标系的电力塔，在东-北平面内进行塔间连线，然后进入步骤s67；
[0069]
s67、判断电力线目标是否在塔间连线的领域内，若是则该电力线目标为确定目标，进入步骤s69，否则进入步骤s68；
[0070]
s68、对未能确定为电力线的目标，标记为疑似电力线目标，进入步骤s69；
[0071]
s69、输出目标识别结果。
[0072]
进一步地：标注为疑似电力线的目标，会在雷达显示控制终端进行周间数据确认，如果相同扫描空域的连续三周数据中，该电力线目标均未能判定为确定的电力线目标，将会作为干扰被抛弃。
[0073]
本发明的有益效果为：
[0074]
1.正确识别概率高。本发明仅依靠布拉格散射效应的电力线识别方法、基于塔线群组特征识别或hough变换直线检测识别方法均只采用了单一特征，且只针对塔线进行识别处理，在复杂背景下正确识别概率不高。毫米波防撞雷达一维距离像特征提取和目标识别方法利用毫米波雷达波长小、波束窄、分辨率高的特点，通过两级门限检测获得电力线、电力塔、烟囱、测风塔的一维距离像散射点集合，提取能量特征参数(相对rcs)、结构尺寸特征参数(径向长度)、后向散射特性(峰值点个数、幅度熵等)多维特征参数，形成特征向量矢量，通过大量实测数据线下训练建立的专家知识库对实时特征矢量进行识别获得目标属性。分类识别的目标类型多，提取的特征丰富、鲁棒性强，即使在复杂背景下，也能获得很高的正确识别概率。
[0075]
2.杂波抑制能力强。本发明中毫米波防撞雷达一维距离像目标特征提取和识别方法对接收回波距离像进行两级门限检测进行目标检测，第一级门限采用os-cfar门限检测，抑制杂波，获得确定目标散射点，确保检测过程的虚警概率控制在系统允许范围，第二级门限采用一级门限的0.6倍进行检测，以获取回波中确定目标的弱散射点。在目标聚类时，以第一级门限检测的确定散射点为中心，第二级门限检测产生的弱散射点如能和确定散射点关联成功，则成为目标散射点之一，否则作为杂波抛弃，有效避免了杂波干扰。在目标识别特征值使用时，首先通过目标径向长度征将地面大面积目标如房屋、连片树林和直升机防撞雷达典型障碍物区分开来，避免了地面大面积强目标对目标特征识别的干扰。考虑到电力线体积小，其回波特征可能受干扰的影响，在对电力线、铁塔、烟囱、测风塔进行识别后，再次利用电力线布拉格散射特性和塔线群组特性进行电力线确认，系统抗杂波能力强。
[0076]
3.算法简单有效、易于工程实现。本发明基于塔线群组特征识别或基于hough变换直线段识别的算法对检测后的所有数据进行处理识别，其过程受杂波干扰较多，运算量大，小型化的防撞雷达难以满足算法所需的资源需求。毫米波防撞雷达一维距离像目标特征提取和识别方法通过对目标进行检测和聚类、特征提取和分类识别进行属性识别，在检测、聚类过程中首先抑制了大量杂波干扰；提取出一维距离像特征后，首先通过目标径向长度筛选出地面连续大目标(如房屋、森林)，再进行典型障碍物识别，避免了地面大面积目标对识别算法的干扰，同时减小了运算量；在几类典型目标识别完成后再利用布拉格散射特性和群组特性进行电力线确认，此时数据量小，算法简单有效、运算量小，工程应用适应性强。
附图说明
[0077]
图1是毫米波防撞雷达一维距离像目标特征提取和识别流程图。
[0078]
图2是图1中两级门限检测原理框图。
[0079]
图3是图1中目标特征提取流程框图。
[0080]
图4是图1中电力线目标确认流程框图。
具体实施方式
[0081]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0082]
如图1所示，一种直升机防撞雷达一维距离像目标特征提取和识别方法，包括以下步骤：
[0083]
s1、将雷达接收的回波信号进行fft运算获得一维距离像；
[0084]
在调频连续波雷达中，雷达接收信号和本振信号混频后，得到的是二者的差拍信号。将接收信号经放大和ad转换后的数字信号进行fft运算，得到相应信号功率谱。由于位于不同距离的目标的差拍信号频率不同，因此经过fft运算得到的信号功率谱即形成整个距离覆盖区域的一维距离像{x(n),n＝1、2
…
n}。
[0085]
s2、对一维距离像数据进行两级门限检测，获得确定目标散射点和备选目标散射点集合；
[0086]
目标检测采用滑窗式对一维距离像数据进行两级门限检测，检测过程中引入自动筛选方法，每一个已经判决为确定目标的点均会进行标记，在形成门限时，已判定为目标的点将会作为强点被剔除，不再参与门限计算。参阅图2，目标检测步骤如下：
[0087]
步骤21：经fft运算后得到的一维距离像数据，依次进入滑窗检测器。滑窗检测器中心位置为检测单元，检测单元两边为保护单元，设置保护单元数m和距离分辨长度的乘积为铁塔长度的2倍左右，保护单元不参与门限形成；保护单元外侧为参考单元，考虑检测中将剔除强目标或强干扰的影响，参考单元数目n选为16～32。
[0088]
步骤22：每个检测单元检测时，先对两侧参考单元分别按幅度进行排序，排序后进行强点剔除，剔除各自区域内的3个大值和已标注为目标的点，以摒除参考单元中强目标或强干扰的对检测门限的影响。
[0089]
步骤23：对两侧剔除强点的参考单元，分别计算得到两侧的幅度平均值y1、y2。
[0090]
步骤24：对两侧幅度平均值进行比较，选其中的小者z做为参考门限计算的参考值。
[0091]
步骤25：计算检测门限：一级检测门限计算公式如下所示：
[0092]
t1＝α
·
min(y1,y2)
[0093]
二级检测门限计算公式如下：
[0094]
t2＝0.6
·
t1
[0095]
步骤26：待检测单元和两级检测门限分别进行幅度比较，输出结果如下：
[0096]
{n∈a|x(n)》t1}
[0097]
{n∈b|x(n)》t2}
[0098]
其中n为散射点距离单元序号，并定义a为确定目标散射点集合，b为备选目标散射点集合。
[0099]
s3、以确定目标散射点集合点迹为中心进行目标聚类，备选目标散射点集合中的散射点若能和确定目标散射点集合中的点迹关联成功，判断为目标的弱散射点，加入目标散射点集合，否则作为杂波抛弃；
[0100]
目标聚类是将a和b集合中的散射点进行凝聚，将同一个目标的散射点聚集到一起，不同目标的散射点分离。为保证处理过程中杂波抑制性能，目标聚类过程以确定目标散射点集合a中的点为中心，y集合中的散射点如果能和x集合中的散射点关联成功，则成为目标的散射点之一，如关联不成功，则作为杂波抛弃。目标聚类具体过程如下：
[0101]
步骤31：首先，以a集合中任意散射点为中心，遍历a集合中的所有未被关联的其他散射点，当两个散射点间的距离小于5个距离门时将其聚为一个目标，关联成功的点标记已关联。
[0102]
步骤32：以新关联到的散射点为中心，在a集合中遍历其他所有未被关联过的散射点并进行聚类和标记，直至集合a中属于此目标的所有散射点聚类完毕，将属于此目标的所有散射点构成一个目标集合sk，定义sk(k＝1,2
…
)为第k个目标的散射点距离单元序号集合。
[0103]
步骤33：以sk中每个散射点为中心，遍历集合b中所有未被关联的散射点，如两个散射点小于3个距离门时，判断为属于第k个目标的散射点，并标注该散射点已被关联。
[0104]
步骤34：将b中关联成功的散射点添加到sk中，形成第k个目标的散射点集合。
[0105]
对a集合中剩余的未被关联的散射点同样按上述方法进行聚类，同样形成其他目标的散射点集合，直至a中所有散射点关联完成后结束。
[0106]
s4、对聚类后的目标散射点集合，提取目标相对rcs、目标径向长度、峰值点个数、幅度熵、幅度起伏特征参数特征形成未知目标特征向量；
[0107]
目标特征提取利用集合s中同一目标散射点形成的一维距离像数据(含散射点序号、散射点幅度信息)提取目标的多维特征，包括相对rcs、径向长度、径向峰值点个数、幅度分布熵、幅度分布归一化方差、分散系数和主峰能量比。
[0108]
假设其中第k个目标含p个散射点，参阅图3，目标特征提取的步骤如下：
[0109]
步骤41：第k个目标的p个散射点按散射点距离单元序号进行排序，获得排序后的距离单元序号集合{r_num
k,i
，i＝1,2
…
p}，提取集合对应的散射点幅度，获得幅度集合{amp
k,i
，i＝1,2
…
p}。
[0110]
步骤42：计算目标凝聚距离，目标凝聚距离rk计算公式如下：
[0111][0112]
步骤43：目标相对rcs提取，目标相对rcs计算公式如下：
[0113][0114]
步骤44：径向长度提取，径向长度计算公式如下：
[0115]
lk＝[max(r_num
k,i
)-min(r_num
k,i
)+1]
·
dr
[0116]
其中dr为距离单元距离长度。
[0117]
步骤45：径向峰值个数提取，径向峰值个数采用五领域峰值法进行提取，其计算公式如下：
[0118]
peakk＝length{i|amp
k,i
≥amp
k,i-j
,amp
k,i
≥amp
k,i+j
,i＝1,2..p,j＝1,2}
[0119]
其中length{i|}表示满足括号内条件的i的个数。
[0120]
步骤46：幅度分布熵提取，幅度分布熵计算过程如下：
[0121]
第一步：将散射中心幅度除以它们的幅度总和，得到：
[0122][0123]
第二步：计算散射中心幅度分布熵
[0124][0125]
步骤47：幅度分布归一化方差提取，幅度分布归一化方差计算公式如下：
[0126][0127]
其中，m
x
为目标散射点幅度的均值。
[0128]
步骤48：分散系数提取，分散系数计算过程公式如下：
[0129][0130]
其中amp_m代表目标散射点幅度峰值，r_m代表幅度峰值点的距离单元序号。
[0131]
步骤49：主峰能量比提取，假设amp
k,j
为峰值点幅度，主峰能量比计算公式如下：
[0132][0133]
s5、通过训练算法建立专家知识库，依据专家知识库对未知目标特征向量进行决策树识别判决，得到目标属性识别结果；
[0134]
线下通过对采集的多种照射角度、照射距离获得的已知典型障碍物目标(电力线、电力塔、烟囱、测风塔)的实测回波数据通过上述相同的检测、聚类和特征提取得到的特征向量通过训练算法建立专家知识库。
[0135]
属性识别使用决策树进行分类识别，决策树是一个树结构，包括一个根节点、一组中间节点和一些终止节点，此外还包括分支、分裂属性和类别等，每个终止节点分别表示烟囱、铁塔、电力线、测风塔四个类别之一。决策树识别过程从决策树的根节点开始，依据特征提取得到的待分类项中相应的特征属性，按照特征属性值的大小以及分支的判决门限，标记一个分裂谓语，选择输出分支。依次使用不同的特征属性，自上而下执行输出分支的选择，直到到达叶子节点，将叶子节点存放的类别作为决策树分类识别的结果。在决策树分类识别过程中，特征使用顺序如下：目标径向长度、相对rcs、峰值点个数、主峰能量比、分散系数、幅度归一化方差、幅度分布熵。
[0136]
s6、利用电力线布拉格散射效应和塔线群组特性进行电力线确认，输出目标识别结果。
[0137]
电力线确认采用雷达从左到右或从右到左扫描一周的多个重复周期内属性识别后的目标数据进行处理确认，参阅图4，电力线确认流程如下：
[0138]
步骤s61：判断一周扫描检测的目标中是否有电力线目标，若是转入步骤s62，否则转入步骤s69；
[0139]
步骤s62：判断电力线目标数量是否大于2，若是转入步骤s63，否则转入步骤s64；
[0140]
步骤s63：判断电力线目标方位角是否满足布拉格散射角关系，若是转入步骤s69，否则转入步骤s64；
[0141]
步骤s64：判断一周扫描检测的目标中是否有电力塔，若是转入步骤s65，否则转入步骤s68；
[0142]
步骤s65：将线、塔目标投影到载机地理坐标系，然后转入步骤s66；
[0143]
步骤s66:对投影到载机地理坐标系的电力塔，在东-北平面内进行塔间连线，然后转入步骤s67；
[0144]
步骤s67:判断电力线目标是否在塔间连线的邻域内，若是则该电力线目标为确定目标，转入步骤s69，否则转入步骤s68；
[0145]
步骤s68:对该未能确定为电力线的目标，标记为疑似电力线目标，转入步骤s69；
[0146]
步骤s69:输出目标识别结果。
[0147]
特别地，标注为疑似电力线的目标，将会在雷达显示控制控终端进行周间数据确认，如果相同扫描空域的连续三周数据中，该电力线目标均未能判定为确定的电力线目标，将会作为干扰被抛弃。