无人机检测方法及装置

1.本发明涉及计算机技术领域，尤其涉及一种无人机检测方法及装置。


背景技术：

2.随着小型无人机的不断普及，某些无人机不遵守飞行规则会影响社会生活，如导致泄露他人隐私、在禁飞区飞行等问题。
3.但由于无人机通常体积很小，难以被人眼所发现，无人机检测成为了极其重要和紧迫的问题。


技术实现要素：

4.本发明提供一种无人机检测方法及装置，用以解决现有技术中无人机难以被检测的缺陷。
5.第一方面，一种无人机检测方法，基于雷达实现，包括：
6.获取待检测目标的反射信号；
7.基于所述反射信号确定多普勒频谱集合；
8.基于所述多普勒频谱集合确定待检测目标的跟踪路径；
9.基于所述跟踪路径对所述多普勒频谱集合进行频谱提取，获得所述待检测目标对应的多普勒-时间图；
10.将所述多普勒-时间图输入至无人机检测模型中，获得所述无人机检测模型输出的检测结果；
11.其中，所述无人机检测模型是基于多普勒时间图训练样本以及所述多普勒时间图训练样本对应的标签训练后得到的，所述标签是基于所述多普勒时间图训练样本中的周期性微运动特征确定的。
12.可选地，所述基于所述多普勒频谱集合确定待检测目标的跟踪路径，包括：
13.对所述多普勒频谱集合中的多普勒频谱一一进行频谱折叠，获得每个多普勒频谱对应的折叠结果；
14.基于所述折叠结果获得所述待检测目标的跟踪路径。
15.可选地，所述基于所述折叠结果获得所述待检测目标的跟踪路径，包括：
16.基于所述待检测目标的最大速度、所述时间单元和所述雷达的距离分辨率，确定所述待检测目标在一个时间单元内的最大距离变化值；
17.在所述最大距离变化值的约束下，确定最大累计折叠结果；
18.将所述最大累计折叠结果对应的路径作为所述跟踪路径。
19.可选地，所述基于所述折叠结果获得所述待检测目标的跟踪路径之前，还包括：
20.基于频谱相减法对所述折叠结果进行处理，获得降噪后的折叠结果。
21.可选地，所述方法还包括：
22.基于粒子滤波算法对所述跟踪路径进行修正，获得修正后的跟踪路径。
23.可选地，所述方法还包括：
24.去除所述多普勒-时间图中的直流噪声，得到降噪后的多普勒-时间图。
25.可选地，所述方法还包括：
26.在所述多普勒-时间图中，将每个多普勒频谱中的周期性微运动特征中心一一与多普勒频谱的中心进行对齐。
27.可选地，所述方法还包括：
28.对所述多普勒-时间图进行分割，获得多个多普勒-时间部分图；
29.确定每个多普勒-时间部分图对应的最大折叠结果，所述最大折叠结果是所述多普勒-时间部分图中的多普勒频谱所对应的折叠结果中的最大值；
30.将最大折叠结果与第一阈值一一进行比较，保留不小于所述第一阈值的最大折叠结果所对应的多普勒-时间部分图；
31.所述将所述多普勒-时间图输入至无人机检测模型中，包括：
32.将所述保留的多普勒-时间部分图输入至无人机检测模型中。
33.第二方面，本发明还提供一种无人机检测系统，基于雷达实现，包括：
34.获取单元，用于获取待检测目标的反射信号；
35.特征提取单元，用于基于所述反射信号确定多普勒频谱集合；
36.跟踪单元，用于基于所述多普勒频谱集合确定待检测目标的跟踪路径；
37.提取单元，用于基于所述跟踪路径对所述多普勒频谱集合进行频谱提取，获得所述待检测目标对应的多普勒-时间图；
38.识别单元，用于将所述多普勒-时间图输入至无人机检测模型中，获得所述无人机检测模型输出的检测结果；
39.其中，所述无人机检测模型是基于多普勒时间图训练样本以及所述多普勒时间图训练样本对应的标签训练后得到的，所述标签是基于所述多普勒时间图训练样本中的周期性微运动特征确定的。
40.第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述无人机检测方法。
41.第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述无人机检测方法。
42.第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第一方面所述无人机检测方法。
43.本发明实施例提供的无人机检测方法及装置，使用雷达接收待检测目标的反射信号，降低了无人机检测的成本；通过待检测目标的多普勒频谱中是否存在周期性微运动特征来检测待检测目标是否为无人机，利用周期性微运动特征不随时间变化且能够在不同类型的无人机之间稳定存在的特点，提高了无人机检测的准确性；并且周期性微运动特征是由无人机的周期性微动(如螺旋桨的旋转等)导致的，因此无需无人机主动向雷达提供信号，雷达可以主动接收待检测目标的反射信号，实现无人机的被动探测；并且基于雷达可以接收高空信号的特性，本发明实施例提供的无人机检测方法，可以对高空无人机进行检测。
附图说明
44.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
45.图1是本发明实施例提供的无人机周期性微运动特征感知模型的示意图；
46.图2是本发明实施例提供的六旋翼无人机在不同高度的距离-多普勒频谱示意图；
47.图3是本发明实施例提供的无人机检测方法的流程示意图之一；
48.图4是本发明实施例提供的频谱折叠的折叠过程的示意图；
49.图5是本发明实施例提供的无人机检测方法的流程示意图之二；
50.图6是本发明实施例提供的无人机识别的流程示意图；
51.图7是本发明实施例提供的无人机检测系统的结构示意图；
52.图8是本发明实施例提供的电子设备的结构示意图。
具体实施方式
53.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
54.下面对本发明涉及的技术术语以及背景作一介绍：
55.本发明发现相关技术中的检测方法在用于无人机检测时存在很大的局限性。具体来说，基于声音的无人机检测方法容易受到复杂环境噪声的干扰。且无人机的声音在空中衰减很快，因此基于声音的方法通常具有有限的探测范围。当无人机采用降噪技术时，检测准确率进一步下降。基于视觉的无人机检测方法可以在无人机处于可见范围内时工作，但基于视觉的无人机检测方法的准确性和可靠性易受照明条件和视觉背景的影响，在视距范围、照明条件和视觉背景条件不佳时，仍然存在检测准确率低的问题，并且在基于视觉的无人机检测方法中，热像和红外成像相机是可能的选择，但它们价格昂贵，覆盖范围有限。基于射频信号的无人机检测技术，需要使用专用仪器捕获和分析非合作无人机的通信。传统雷达非常昂贵且耗电。简而言之，现有的方法都无法兼顾识别准确性和低成本，因而不适用于日常生活场景中的无人机检测。
56.无人机的多普勒频谱：
57.图1是本发明实施例提供的无人机周期性微运动特征感知模型的示意图，如图1所示，图1中示意了雷达识别无人机时的部署情况，如图1所示，雷达部署在地面上，天线阵列朝上，雷达可以是毫米波雷达。当无人机出现在雷达的感应区域时，雷达发出的发送信号s
tx
(t)被无人机反射，雷达接收到接收信号s
rx
(t)，应理解，无人机反射的信号包括来自旋翼的反射信号和来自机体的反射信号，雷达接收到的接收信号中除了无人机反射的信号，还可能包括其他目标反射的信号。具体来说，毫米波雷达发送调频连续波(frequency modulated continuous wave，fmcw)信号，用于距离估计和速度测量。根据信号传播时间的差异，雷达可以在接收信号中提取出与无人机对应的反射信号。
58.以无人机作为目标反射进行举例，为便于理解本发明，下面以忽略无人机微动的影响、雷达接收到的信号仅包括来自无人机机身的反射信号的情况为例进行介绍。
59.雷达与无人机之间的距离r(t)可通过计算差拍频率信号s(t)获得，差拍频率信号s(t)由发射信号和接收信号混合得到：
[0060][0061]
其中，s(t)表示雷达计算出的差拍频率信号，表示无雷达的发射信号，s
rx
(t)表示雷达的接收信号，fc表示发射信号s
rx
(t)的起始频率，k表示发射信号s
rx
(t)的频率变化速率，a是传播衰减系数，c表示光速。
[0062]
对差拍频率信号进行距离傅里叶操作，能够得到无人机的反射信号s(t)：
[0063]
s(t)＝aexp[j4πfcr(t)/c]
[0064]
对无人机的反射信号s(t)进行速度傅里叶操作，能够得到无人机的反射信号的多普勒频谱s(f)：
[0065]
s(f)＝fft(s(t))＝aδ(f-2vfc/c)
[0066]
其中，fft表示速度傅里叶，v是无人机相对于雷达的径向速度，δ()表示单位脉冲函数。从公式可以看出，多普勒频谱中的峰值对应着目标的速度。
[0067]
在以飞行的无人机作为目标、并考虑无人机的周期性微运动时，假设无人机的旋翼数量为q，每个旋翼内的叶片可以视为包含p个散射点，则无人机的反射信号s(t)可以看做机体反射信号和这些散射点反射信号的叠加：
[0068][0069]
其中，γ
pqm
代表单个散射点的第m个频率衰减系数。
[0070]
无人机的周期性微运动：
[0071]
当无人机处于飞行状态时，无人机始终存在周期性的微运动，例如旋翼的转动或者机体的振动。
[0072]
周期性微运动特征：
[0073]
本发明实施例发现无人机的周期性微运动会使无人机反射信号中存在稳定持续的周期性特征。具体来说，这些微运动会对反射信号进行周期性的频率调制，导致反射信号频率中出现一系列的峰值。这一信号特征可以称为周期性微运动特征(periodic micro-motion，pmm)，pmm特征有别于环境噪声，能够帮助雷达对无人机进行追踪及识别。
[0074]
周期性微运动特征满足以下公式：
[0075][0076]
其中，peak pos表示ppm特征中的周期性峰的峰位置，peak value表示ppm特征中的周期性峰的峰值。示例性地，如图1所示，无人机的多普勒频谱中存在符合上述公式的周
期性微运动特征。
[0077]
图2是本发明实施例提供的六旋翼无人机在不同高度的距离-多普勒频谱示意图，如图2所示，将毫米波雷达水平部署在地面对一个六旋翼无人机进行探测。无人机被遥控以1.5米每秒的速度水平上升至48米，之后在高空悬停。本发明实施例在无人机的上升状态和悬停状态中分别随机选择了两个反射信号片段，其距离-多普勒频谱如图2所示：横线部分代表无人机所在距离对应的多普勒频谱，进行放大后获得pmm特征图，可以看到，pmm特征在不同高度和运动姿态下均稳定存在。当无人机与雷达距离较远时，pmm特征的峰值会衰减，但其周期性仍旧稳定存在。
[0078]
本发明实施例发现pmm特征在无人机飞行过程中稳定存在。无人机的结构和位置只会影响pmm特征中的峰值，而不会影响峰之间的间隔。这样的特征能够被用于多类型无人机的识别。
[0079]
因此，本发明实施例提供一种基于雷达的远距离的无人机检测方法，通过雷达收集并检测飞行中的无人机的周期性微运动特征，实现远距离无人机追踪和识别的技术。
[0080]
下面结合图3-图6描述本发明实施例提供的无人机检测方法。
[0081]
图3是本发明实施例提供的无人机检测方法的流程示意图之一，如图3所示，本发明实施例提供的无人机检测方法，基于雷达实现，包括：
[0082]
步骤310，获取待检测目标的反射信号；
[0083]
具体地，待检测目标是指需要判断是否为无人机的目标对象，反射信号是指雷达接收到的待检测目标反射的信号，在时间上可以是一段时间内的信号，雷达可以是毫米波雷达。在接收信号中提取待检测目标的反射信号可以参考相关技术，此处不再赘述。
[0084]
步骤320，基于所述反射信号确定多普勒频谱集合；
[0085]
具体地，所述多普勒频谱集合可以包括多个定位-多普勒频谱，定位-多普勒频谱为距离-多普勒频谱或角度-多普勒频谱，每个所述定位-多普勒频谱对应一个时间单元，每个所述定位-多普勒频谱中包含多个多普勒频谱，一个定位-多普勒频谱中包含的多个多普勒频谱所对应的定位组不同，定位组用于表示所述待检测目标与所述雷达的相对位置。
[0086]
具体地，时间单元可以指反射信号采样的时间单元，时间单元可以是时刻。定位组可以是距离分组或角度分组，可以根据与雷达的距离分为r个距离分组，或者根据相对于雷达的角度分为r个角度分组。对应同一时间单元的多个多普勒频谱可以构成距离-多普勒频谱或角度-多普勒频谱。对于距离-多普勒频谱，是指每个多普勒频谱与一个距离分组相对应；对于角度-多普勒频谱，是指每个多普勒频谱与一个角度分组相对应。
[0087]
对于距离分组，一个实施例中，雷达的可探测距离为100米，可以将定位组分为10个距离分组，第1个距离分组表示与雷达的距离为010米，第2个距离分组表示与雷达的距离为1020米，以10米为间隔依次类推。
[0088]
对于角度分组，一个实施例中，角度为360度，可以将定位组分为10个角度分组，第1个角度分组表示与雷达的角度为0至36度，第2个角度分组表示与雷达的角度为36至72度，以36度为间隔依次类推。
[0089]
应理解，在多普勒频谱为距离-多普勒频谱的情况下，定位组为距离分组；在多普勒频谱为角度-多普勒频谱的情况下，定位组为角度分组。
[0090]
对于基于待检测目标的反射信号确定距离-多普勒频谱，可以对反射信号进行距
离-多普勒fft操作来获得距离-多普勒频谱，可以参考上文的介绍，此处不再赘述。对于基于待检测目标的反射信号确定角度-多普勒频谱，可以对待检测目标对应的所有天线的反射信号应用波束形成(beam forming，bf)算法，以获得每个角度的信号。然后对每个角度的信号进行多普勒fft运算，以获得角度-多普勒频谱。
[0091]
为便于理解本发明实施例，本发明中将会以距离-多普勒频谱或角度-多普勒频谱进行举例，适用于距离-多普勒频谱的无人机检测方法也可以适用于角度-多普勒频谱，此后不再赘述。
[0092]
为便于理解本发明实施例中的距离-多普勒频谱，以基于一个时刻中获得的待检测目标的反射信号确定距离-多普勒频谱为例，{d1，d2，...，dr}表示距离-多普勒频谱，di表示第i个距离分组对应的多普勒频谱，r表示距离分组的数量。本发明实施例中可以不断提取每一时间单元的待检测目标的反射信号中的多普勒频谱，因此每个时间单元都可以对应一个距离-多普勒频谱，示例性地，第1时刻对应距离-多普勒频谱：{d
1，1
，d
2，1
，...，d
r，1
}，第t时刻对应距离-多普勒频谱：{d
1，t
，d
2，t
，...，d
r，t
}，d
i，t
表示第i个距离分组、第t个时刻对应的多普勒频谱。
[0093]
步骤330，基于所述多普勒频谱集合确定待检测目标的跟踪路径；
[0094]
具体地，待检测目标的跟踪路径可以表示待检测目标每一时间单元相对于雷达的位置，示例性地，无人机在第1时刻位于相对雷达4度方向，第二时刻位于相对雷达16度方向。
[0095]
一种可能的实现中，如上所述，本发明实施例发现周期性微运动特征能够帮助雷达对无人机进行追踪及识别。因此可以通过分析待检测目标的多普勒频谱集合中的最大pmm特征路径来确定待检测目标的跟踪路径，即在待检测目标具有多种路径可能时，将其中pmm特征最大的路径作为跟踪路径。
[0096]
示例性地，第1时刻对应距离-多普勒频谱：{d
1，1
，d
2，1
，...，d
r，1
}，第2时刻对应距离-多普勒频谱：{d
1，2
，d
2，2
，...，d
r，2
}，第3时刻对应距离-多普勒频谱：{d
1，3
，d
2，3
，...，d
r，3
}；其中，在d
2，1
、d
2，2
和d
r，3
中可能具有pmm特征，则确定待检测目标的跟踪路径为：待检测目标在第1时刻位于第2距离分组，在第2时刻位于第2距离分组，在第3时刻位于第r距离分组。
[0097]
步骤340，基于所述跟踪路径对所述多普勒频谱集合进行提取，获得所述待检测目标对应的多普勒-时间图；
[0098]
具体地，将每个时间单元中跟踪路径所对应的多普勒频谱提取出来，可以获得待检测目标对应的多普勒时间图。
[0099]
以步骤330中的实施例为例，将第1时刻第2距离分组对应的多普勒频谱d
2，1
、第2时刻第2距离分组对应的多普勒频谱d
2，2
和第3时刻第r距离分组对应的多普勒频谱d
r，3
提取出来，可以获得多普勒-时间图，所述多普勒-时间图中每一个时间单元对应一个多普勒频谱图。
[0100]
步骤350，将所述多普勒-时间图输入至无人机检测模型中，获得所述无人机检测模型输出的检测结果；
[0101]
其中，所述无人机检测模型是基于多普勒时间图训练样本以及所述多普勒时间图训练样本对应的标签训练后得到的，所述标签是基于所述多普勒时间图训练样本中的周期性微运动特征确定的。
[0102]
具体地，无人机检测模型可以为长短期记忆网络(long short-term memory，lstm)。多普勒时间图训练样本的数量可以为多个，多普勒时间图训练样本中可以对应多个时间单元，每个时间单元对应一个多普勒频谱，在多普勒时间图训练样本中包含连续pmm特征时，其对应的标签为无人机，在多普勒时间图训练样本中不包含连续pmm特征时，其对应的标签为非无人机。
[0103]
当待检测目标是无人机时，待检测目标所对应的多普勒-时间图中会包含独特且连续的pmm特征，无人机检测模型可以根据多普勒时间图中的pmm特征区分待检测目标为无人机或非无人机的其他物体。
[0104]
一种可能的实现中，由于从其他物体中识别无人机是一个二进制分类问题，本发明实施例中的无人机检测模型可以基于lstm的检测器来解决无人机的识别问题。基于lstm网络适合处理数据序列，在识别任务中具有优异的性能的特点，并且考虑到多普勒-时间图中的每个时间单元都包含l个多普勒频谱分组，本发明实施例中无人机检测模型(lstm网络)的输入维度设置为l。无人机检测模型包含两个lstm层，隐藏状态大小设置为128；使用一个完全连接层将隐藏状态映射到检测结果，即无人机或其他物体。
[0105]
可选地，可以将多普勒-时间图分为多个片段，片段可以称为多普勒时间部分图，将多个片段输入至无人机检测模型中。
[0106]
可选地，可以选择交叉熵损失函数来训练无人机检测模型。
[0107]
可选地，交叉熵损失函数为：
[0108][0109]
其中，n表示多普勒时间图训练样本的数量，yi表示多普勒时间图训练样本i对应的标签，无人机对应的标签可以是1，非无人机对应的标签可以0。pi表示多普勒时间图训练样本i被预测为无人机的概率。
[0110]
应理解，l和隐藏状态大小的具体取值可以根据实际应用(如计算机处理能力)等确定。
[0111]
本发明实施例提供的无人机检测方法，使用雷达接收待检测目标的反射信号，降低了无人机检测的成本；通过待检测目标的多普勒频谱中是否存在周期性微运动特征来检测待检测目标是否为无人机，利用周期性微运动特征不随时间变化且能够在不同类型的无人机之间稳定存在的特点，提高了无人机检测的准确性；并且周期性微运动特征是由无人机的周期性微动(如螺旋桨的旋转等)导致的，因此无需待检测目标主动向雷达提供信号，雷达可以主动接收待检测目标的反射信号，实现无人机的被动探测；并且基于雷达可以接收高空信号的特性，本发明实施例提供的无人机检测方法，可以对高空无人机进行检测。
[0112]
下面，对上述步骤在具体实施例中的可能的实现方式做进一步说明。
[0113]
可选地，步骤330，基于所述多普勒频谱集合确定待检测目标的跟踪路径，包括：
[0114]
步骤331，对所述多普勒频谱集合中的多普勒频谱一一进行频谱折叠，获得每个多普勒频谱对应的折叠结果；
[0115]
考虑到螺旋桨转速的不可预测性，pmm特征的峰值周期是不确定和可变的。由于反射信号的低信噪比，这些周期性峰值甚至可能被环境噪声所掩盖。本发明实施例中可以采
用频谱折叠放大pmm特征与环境噪声之间的差异。
[0116]
具体地，通过对多普勒频谱d
i，t
进行频谱折叠，来提取和增强pmm特征。图4是本发明实施例提供的频谱折叠的折叠过程的示意图，折叠过程如图4所示，一个多普勒频谱d
i，t
中还可以分为l个多普勒分组，图4中多普勒分组内的值用方框表示。黑框表示pmm特征中的周期性峰值，其他框类型表示噪声。图4中，多普勒频谱中相邻峰之间的间隔λ为5，多普勒频分组数量l为20。如果将多普勒频谱精确折叠成具有j＝λ列的矩阵，周期峰将在一列中对齐，并且在每列的平均结果中出现一个显著增强的峰。本发明实施例中，将列平均结果中的最大值称为折叠值，将折叠列数分别和折叠尺寸。当折叠尺寸j不等于λ时，折叠值将由于周期峰无法对齐而迅速减小。
[0117]
本发明实施例发现，pmm特性中相邻峰值之间的间隔由螺旋桨旋转速度决定，因此具有不可预测和随时可能变化的特点。可选地，为了找到正确的折叠尺寸，可以遍历一个经验范围[j
min
，j
max
]中的所有整数，并计算相应的折叠值，其中j
min
和j
max
分别表示最小和最大的折叠尺寸。根据经验实验，j
min
可以被设置为2，j
max
可以被设置为20。当折叠尺寸为j时，多普勒频谱d
i，t
的折叠值可以通过以下公式计算：
[0118][0119]
其中，k和m分别表示折叠矩阵中的列索引和行索引，折叠矩阵中的行数用m表示，可通过计算得到。
[0120]
选择最大的折叠值作为折叠结果，折叠结果可以理解为表示pmm所有峰的平均值，多普勒频谱d
i，t
的折叠结果可以通过以下公式得到：
[0121][0122]
通过这种方式，本发明实施例可以计算出每个多普勒频谱的折叠结果。由于无人机的pmm特征具有稳定的周期性，其折叠结果远大于随机环境噪声的折叠结果。因此，折叠结果可进一步用于无人机跟踪和检测。
[0123]
步骤332，基于所述折叠结果获得所述待检测目标的跟踪路径。具体地，由于不断提取每一时刻的多普勒频谱的折叠结果，并且折叠结果可以用于表示pmm特征，因此多个折叠结果可以形成一个距离-时间-pmm图(以下可以简称为r-pmm)，为便于理解本发明实施例，以矩阵的形式进行举例，与一个r-pmm对应的第一矩阵为：
[0124]
p
1，1 p
1，2 p
1，3
[0125]
p
2，1 p
2，2 p
2，3
[0126]
p
3，1 p
3，2 p
3，3
[0127]
其中，每一行表示同一个距离分组对应的折叠结果，每一列表示一个时间单元对应的折叠结果，每个折叠结果对应一个多普勒频谱。
[0128]
由于无人机对应的多普勒频谱在每个时间单元相对于噪声都有较大的折叠结果，因此可以在由多普勒频谱确定的折叠结果中搜索最大路径来进行无人机的跟踪，最大路径是指路径中的折叠结果的值累计最大，应理解，最大路径即为待检测目标的跟踪路径。
[0129]
为便于理解本发明实施例，对上述矩阵进行赋值举例：
[0130]
p
1，1
＝1 p
1，2
＝3 p
1，3
＝2
[0131]
p
2，1
＝2 p
2，2
＝4 p
2，3
＝0
[0132]
p
3，1
＝0 p
3，2
＝1 p
3，3
＝3
[0133]
第一列中(即第一时间单元内)最大折叠结果为p
2，1
＝2，第二列中最大折叠结果为p
2，2
＝4，第三列中最大折叠结果为p
3，3
＝3，则最大路径，即跟踪路径，为p
2，1
，p
2，2
和p
3，3
，根据最大路径提取对应的多普勒频谱。
[0134]
本发明实施例提供的无人机检测方法，通过对多普勒频谱进行频谱折叠，在多普勒频谱中存在pmm特征的情况下，实现了对pmm特征的提取和增强，避免了pmm特征中的周期性峰值被环境噪声掩盖，有利于在根据pmm特征识别无人机的过程中提高无人机的识别准确率；并且，根据折叠结果确定最大路径，能够确定无人机最有可能存在的路径，无需遍历每一条路径进行多普勒频谱提取以及检测，实现了高效检测无人机。
[0135]
由于多普勒频谱的强度与反射信号的强度成正比，较近的距离分组中的多普勒频谱具有更强的强度，这意味着它们的折叠结果往往更大。这导致r-pmm在不同的距离分组中具有不同的静态背景噪声强度。
[0136]
可选地，为了减轻这种噪声的影响，所述步骤332，基于所述折叠结果获得所述待检测目标的跟踪路径之前，还包括：
[0137]
基于频谱相减法对所述折叠结果进行处理，获得降噪后的折叠结果。
[0138]
本发明实施例采用频谱相减法对r-pmm进行预处理。其主要思想是从有噪声的r-pmm中减去对平均背景噪声频谱的估计。
[0139]
具体地，以距离-多普勒频谱为例，平均背景噪声频谱可通过以下公式估算：
[0140][0141]
其中，n(r)表示平均背景噪声频谱；n(r，t)是在背景噪声中测量得到的r-pmm；t表示t个距离-多普勒频谱，即时间单元的总数。
[0142]
背景噪声的影响可以被计算为测量得到的r-pmm在背景噪声频谱上的归一化投影：
[0143][0144]
其中，g(t)表示背景噪声的影响，即r-pmm在背景噪声频谱上的归一化投影；r表示距离分组的总数，r表示第r个距离分组，n(r)表示平均背景噪声频谱，是平均背景噪声频谱n(r)欧氏范数，s(r，t)是在测得的待检测目标对应的r-pmm，即待降噪的r-pmm。
[0145]
最后，背景噪声可以从测量得到的r-pmm中被去除：
[0146]s′
(r，t)＝s(r，t)-g(t)n(r)
[0147]
其中，s
′
(r，t)表示降噪后的r-pmm，降噪后的r-pmm中包含降噪后的折叠结果，s(r，t)表示待降噪的r-pmm，g(t)表示平均背景噪声的影响，n(r)表示平均背景噪声频谱。
[0148]
应理解，在基于频谱相减法对所述折叠结果进行处理后，步骤322中的折叠结果为降噪后的折叠结果。
[0149]
本发明实施例提供的无人机检测方法，通过频谱相减法，在初始的r-pmm中去除了平均背景噪声，得到了降噪后的折叠结果，通过降噪后的折叠结果确定待检测目标对应的最大路径，能够进一步提高最大路径的准确率，从而提高无人机检测的准确率。
[0150]
折叠结果能够表征待检测目标的pmm特征，待检测目标可能为无人机，由于无人机运动的不可预测性，折叠结果可能会快速变化。另一方面，由于环境复杂和硬件不完善，r-pmm中无人机轨迹附近可能仍存在局部动态噪声。这两种情况都会导致跟踪精度下降。
[0151]
因此，本发明实例基于无人机运行轨迹的连续性和在一个时间单元内运动距离的约束性，确定跟踪路径。
[0152]
可选地，步骤332，基于所述折叠结果获得所述待检测目标的跟踪路径，包括：
[0153]
步骤3321，基于所述待检测目标的最大速度、所述时间单元和所述雷达的距离分辨率，确定所述待检测目标在一个时间单元内的最大距离变化值；
[0154]
具体地，由于无人机运行轨迹的连续性，无人机在一段时间内的运行范围变化有限，因此可以根据下式确定待检测目标的在一个时间单元内的最大距离变化值：
[0155][0156]
其中，v
max
表示待检测目标的最大速度，td表示一个时间单元的持续时间，r
res
表示所述雷达的距离分辨率，k表示一个时间单元内的最大距离变化值。
[0157]
步骤3322，在所述最大距离变化值的约束下，确定最大累计折叠结果；
[0158]
具体地，r-pmm中与无人机(unmanned aerial vehicle，uav)轨迹相对应的路径始终满足此约束。因此，本发明实施例拟将无人机追踪路径问题转化为在r-pmm中寻找受约束的最大路径问题，其中无人机路径在相邻列(即一个时间单元内)的变化不会超过最大距离变化值k。
[0159]
这一受约束最大路径寻找问题可以被刻画为：
[0160][0161]
s.t.|g(t)-g(t-1)|≤k
[0162]
其中表示r-pmm中的一个路径。g
*
表示受约束下的最大路径，即跟踪路径，t表示在r-pmm中的距离-多普勒频谱数量，即时间单元的数量，也可以理解为r-pmm的持续时间，s
′
表示由降噪后的r-pmm，t表示t时刻。
[0163]
应理解，g是指在r-pmm中从第一列到最后一列每列选一个距离分组形成的路径，在一个r-pmm中可以存在多个g。以上文中的第一矩阵为例，可以存在3
×3×
3＝27个路径g。27个路径中，每个相邻时刻之间的距离变化满足最大距离变化值k的约束，且累计折叠结果之和最大的路径即为跟踪路径g
*
。
[0164]
可选地，在受最大距离变化值约束的情况下，计算每个时间单元和每个定位组对应的最大累计折叠结果。
[0165]
具体地，可以通过动态规划确定最大累计折叠结果，将(r，t)处的分数定义为受约束的最大累计折叠结果，其可以表示为：
[0166][0167]
其中，θ(r，t)表示r距离t时刻下受约束的最大累计折叠结果，k表示最大距离变化值，k∈[-k，k]表示在[-k，k]约束范围内的遍历值，表示在k∈[-k，k]范围内θ(r+k，t-1)的最大值，θ(r+k，t-1)表示r+k距离、t-1时刻下受约束的最大累计折叠结果，s
′
(r，t)表示降噪后的r距离、t时刻对应的折叠结果。
[0168]
由于无人机飞行轨迹具有连续性的特点，θ(r，t)评分公式中通过t-1时刻的最大累计折叠结果与t时刻可能的折叠结果确定t时刻的最大累计折叠结果，在针对一个定位组和时间单元处对应的最大累计折叠结果时，无需计算此处所有路径的累计折叠结果，只需要通过上一时刻的最大累计折叠结果和当前时刻的可能的折叠结果即可确定当前时刻的最大累计折叠结果，提高了计算效率。
[0169]
步骤3323，将所述最大累计折叠结果对应的路径作为所述跟踪路径。
[0170]
具体地，跟踪路径是从第一个时间单元到最后一个时间单元之间，每个时间单元选择一个定位组，每一个定位组和时间单元的组合(r，t)对应一个最大分数θ(r，t)
max
。因此，当找到最后一个时间单元在多个定位组中最大分数的定位组，就可以以此反推出t-1，t-2，一直到第一个时间单元的定位组的选择。
[0171]
为便于理解本发明实施例，以距离分组为例进行举例，为了得到跟踪路径，本发明实施例首先寻找最后一个时间单元中中分数最大的距离分组，之后通过以下计算方式获得路径的其余部分：
[0172][0173][0174]
其中，g
*
(t)表示跟踪路径中第t时刻选择的距离分组，θ(g
*
(t+1)+k，t)表示(t+1)+k个距离分组、第t时刻的最大累计折叠结果，g
*
(t+1)表示跟踪路径中第t+1时刻选择的距离分组，t表示距离-多普勒频谱数量，即时间单元的总数。
[0175]
此回溯过程提供了受约束的最大路径g
*
。通过这一方式，本发明实施例能够获取r-pmm中受约束的最大路径，也就是无人机的跟踪路径，即从第一个时间单元至最后一个时间单元中，每个时间单元所选择的距离分组。
[0176]
本发明实施例提供的无人机检测方法，在跟踪路径的确定过程中，通过一个时间单元内的最大距离变化值进行约束，能够更准确且更快找到跟踪路径，提高了跟踪路径的精度，从而提高了无人机检测的准确性，并且提高了无人机检测的效率。
[0177]
可选地，所述方法还包括：
[0178]
步骤333，基于粒子滤波算法对所述跟踪路径进行修正，获得修正后的跟踪路径。
[0179]
具体地，可以将粒子滤波(也可以称为粒子过滤)算法应用于跟踪结果，以减少跟踪误差。粒子滤波算法可以通过结合观测和预测来估计目标状态。具体来说，粒子滤波算法中的状态变量包括待检测目标的距离和速度，观测结果就是步骤333之前得到的跟踪路径。
[0180]
可选地，本发明实施例初始化5000个均匀分布的粒子，并使用多项式重采样算法作为粒子的重采样方法。
[0181]
本发明实施例提供的无人机检测方法，通过粒子过滤降低了跟踪路径中的误差，便于后续提取准确率更高的多普勒-时间图，从而提高无人机检测的准确率。
[0182]
可选地，所述方法还包括：
[0183]
步骤334，去除所述多普勒-时间图中的直流噪声，得到降噪后的多普勒-时间图。
[0184]
具体地，本发明实施例可以从多普勒-时间图中去除直流噪声。在多普勒频谱中频率为零的信号为直流分量，直流分量带来的干扰为直流噪声。
[0185]
考虑到无人机悬停时的主速度接近0，相应的直流分量中包含了主速度对应的峰，应理解，主速度可以基于多普勒频谱中的最大峰确定。为了保留主速度对应的峰，本发明实施例对主速度峰不接近直流分量时的多普勒频谱中的直流分量进行平均。然后从所有直流分量中减去这一平均值，得到降噪后的多普勒-时间图。
[0186]
应理解，对于主速度峰不接近直流分量，是指当无人机存在移动时不接近直流分量。只有在无人机悬停时会接近直流分量，即无人机机体速度接近0的时会接近直流分量。
[0187]
应理解，对于去除所述多普勒-时间图中的直流噪声后，输入无人机检测模型中的多普勒-时间图为降噪后的多普勒-时间图。
[0188]
本发明实施例提供的无人机检测方法，通过去除直流噪声，即直流分量的干扰，减低了多普勒-时间图的误差，提高了无人机检测的准确率。
[0189]
由于无人机的主速度决定了pmm特征的中心，但pmm特征会随无人机运动而变化。因此pmm特征的变化会妨碍本发明实施例对于pmm特性的周期性的利用。
[0190]
可选地，所述方法还包括：
[0191]
步骤335，在所述多普勒-时间图中，将每个多普勒频谱中的周期性微运动特征中心一一与多普勒频谱的中心进行对齐。
[0192]
具体地，因此，本发明实施例在多普勒-时间图上采用特征对齐算法，将每个pmm特征中心对准多普勒频谱中心。应理解，多普勒频谱的中心即频谱的中心位置，例如在频谱范围为[-10，10]时，多普勒频谱的中心为0；pmm特征中心即主速度对应的频率位置。当多普勒频谱中的主速度峰不在直流分量附近时，本发明实施例将整个多普勒频谱沿主速度峰移动到直流分量的方向进行平移，并通过线性插值进行补充。
[0193]
本发明实施例提供的无人机检测方法，通过将周期性微运动特征中心一一与多普勒频谱的中心对齐，避免了周期性微运动特征变化(如峰位置的变化)干扰对周期性微运动特征的识别，进而避免了周期性微运动特征变化对无人机检测的干扰，提高了无人机检测识别的准确性。
[0194]
由于跟踪路径可能存在误差，尤其是当无人机处于高空时。直接使用得到的多普勒时间图并不总是可靠的。
[0195]
可选地，所述方法还包括：
[0196]
步骤336，对所述多普勒-时间图进行分割，获得多个多普勒-时间部分图；
[0197]
具体地，在多普勒-时间图包含pmm特征的情况下，为了减少跟踪路径误差的影响，本发明实施例将多普勒-时间图分割成固定长度的片段，即多普勒-时间部分图，应理解，多普勒-时间图中一个时间单元对应一个多普勒频谱，多普勒-时间部分图作为多普勒-时间
图的片段，因此在多普勒-时间部分图中也是一个时间单元对应一个多普勒频谱，即多普勒-时间部分图中可以有至少一个多普勒频谱。
[0198]
步骤337，确定每个多普勒-时间部分图对应的最大折叠结果，所述最大折叠结果是所述多普勒-时间部分图中的多普勒频谱所对应的折叠结果中的最大值；
[0199]
具体地，一个多普勒-时间部分图中包含至少一个多普勒频谱，每个多普勒频谱对应一个折叠结果，在多普勒-时间部分图对应的多个折叠结果中，将折叠结果中的最大值作为该多普勒-时间部分图的最大折叠结果。
[0200]
示例性地，一个多普勒-时间部分图p1中的包含t3时刻、t4时刻和t5时刻三个时间单元，t3时刻对应多普勒频谱d3，t4时刻对应多普勒频谱d4，t5时刻对应多普勒频谱d5，多普勒频谱d3的折叠结果为56，多普勒频谱d4的折叠结果为688，多普勒频谱d5的折叠结果为24，那么多普勒-时间部分图p1的最大折叠结果为688。
[0201]
步骤338，将最大折叠结果与第一阈值一一进行比较，保留不小于所述第一阈值的最大折叠结果所对应的多普勒-时间部分图；
[0202]
所述将所述多普勒-时间图输入至无人机检测模型中，包括：
[0203]
将所述保留的多普勒-时间部分图输入至无人机检测模型中。
[0204]
将每个多普勒-时间部分图的最大折叠结果一一与第一阈值进行比较，当最大折叠结果小于第一阈值时，认为该段多普勒时间部分图不包含pmm特征并将其丢弃。
[0205]
将保留下来的多普勒-时间部分图输入至无人机检测模型中，应理解，多普勒时间图训练样本的形式也可以是多普勒时间图的片段，因此无人机检测模型可以识别多普勒-时间部分图。
[0206]
可选地，第一阈值可以设置为30000。
[0207]
示例性地，以多普勒-时间部分图p1为例，多普勒-时间部分图p1的最大折叠结果为688，小于第一阈值，丢弃多普勒-时间部分图p1，多普勒-时间部分图p1不会被输入至无人机检测模型中。
[0208]
本发明实施例提供的无人机检测方法，避免了跟踪路径的误差对无人机检测的干扰，提高了无人机检测识别的准确性。
[0209]
应理解，上述步骤333、步骤334、步骤335以及步骤336至步骤338，可以单独执行，也可以组合执行，执行上述步骤后，将处理后的多普勒-时间图输入至无人机检测模型中。
[0210]
下面结合一个实施例对本发明实施例提供的无人机检测方法进行介绍。
[0211]
本发明实施例提供的无人机检测方法能够实现远距离的无人机探测和识别。
[0212]
图5是本发明实施例提供的无人机检测方法的流程示意图之二，如图5所示，本发明实施例提供的无人机检测方法包括：特征提取、无人机跟踪和无人机识别。
[0213]
特征提取：使用距离-多普勒fft连续提取待检测目标的反射信号对应的距离-多普勒频谱。为了区分pmm特征和每个距离-多普勒频谱内的环境噪声，本发明实施例对每个多普勒频谱进行频谱折叠操作。如果pmm特征存在，它将通过频谱折叠得到显著增强，频谱折叠的结果可用于进一步跟踪和检测。
[0214]
无人机跟踪：通过特征提取，能够连续提取每个距离-多普勒频谱中的折叠结果，这些结果共同形成距离-时间-pmm(r-pmm)图。为了应对不可预测的无人机运动的影响，本发明实施例设计了一种基于动态规划和粒子滤波的跟踪算法，从距离-时间-pmm图中获得
无人机的跟踪路径，即进行距离估计。
[0215]
相应的，对于角度分组，可以通过特征提取，能够连续提取每个角度-多普勒频谱中的折叠结果，这些结果共同形成角度-时间-pmm(a-pmm)图。为了应对不可预测的无人机运动的影响，本发明实施例设计了一种基于动态规划和粒子滤波的跟踪算法，从角度-时间-pmm图中获得无人机的跟踪路径，即进行角度估计。
[0216]
无人机识别：在获得待检测目标的跟踪路径后，根据跟踪路径在待检测目标所在位置提取多普勒频谱，形成多普勒-时间图。通过直流分量去除和特征对齐等技术对多普勒-时间图进行预处理后，本发明实施例将包含pmm特征的多普勒时间图片段输入基于长短期记忆人工神经网络的无人机检测模型，通过无人机检测模型识别待检测目标是否为无人机。
[0217]
下面以待检测目标为无人机的情况为例对每个部分进行详细介绍：
[0218]
(一)特征提取：
[0219]
采用频谱折叠技术放大pmm特征与环境噪声之间的差异。如前所述，本发明实施例可以通过对毫米波的反射信号进行距离-多普勒fft来获得距离多普勒频谱。具体来说，本发明实施例使用{d1，d2，...，dr}表示距离-多普勒频谱中的多普勒频谱。di和r分别表示第i个距离分组对应的多普勒频谱和距离分组的数量。每个多普勒频谱中的多普勒频分组数目为l。当无人机出现在第i个距离分组内时，pmm特征将出现在相应的多普勒频谱di中。然而，考虑到螺旋桨转速的不可预测性，pmm特征的峰值周期是不确定和可变的。由于反射信号的低信噪比，这些周期性峰值甚至可能被环境噪声所掩盖。
[0220]
本发明实施例使用频谱折叠技术来提取和增强pmm特征。折叠过程如图4所示，其中多普勒分组内的值用方框表示。黑框表示pmm特征中的周期性峰值，其他框类型表示噪声。多普勒频谱中相邻峰之间的间隔λ为5，多普勒频分组数量l为20。如果本发明实施例将多普勒频谱精确折叠成具有j＝λ列的矩阵，周期峰将在一列中对齐，并且在每列的平均结果中出现一个显著增强的峰。为了清楚起见，本发明实施例将列平均结果中的最大值和折叠列数分别称为折叠值和折叠尺寸。当折叠尺寸j不等于λ时，折叠值将由于周期峰无法对齐而迅速减小。
[0221]
值得注意的是，pmm特性中相邻峰值之间的间隔由螺旋桨旋转速度决定，因此具有不可预测和随时可能变化的特点。为了找到正确的折叠尺寸，本发明实施例遍历一个经验范围[j
min
，j
max
]中的所有整数，并计算相应的折叠值，其中j
min
和j
max
分别表示最小和最大的折叠尺寸。根据本发明实施例广泛的经验实验，它们被设置为2和20。当折叠尺寸为j时，多普勒频谱di的折叠值可以通过以下公式计算：
[0222][0223]
其中k和m分别表示折叠矩阵中的列索引和行索引。折叠矩阵中的行数用m表示，可通过计算得到.本发明实施例选择最大的折叠值作为折叠结果。多普勒频谱di的折叠结果可以通过以下公式得到：
[0224]
[0225]
通过这种方式，可以计算出每个多普勒频谱的折叠结果。由于无人机的pmm特征具有稳定的周期性，其折叠结果远大于随机环境噪声的折叠结果。这些折叠结果可进一步用于无人机跟踪和检测。
[0226]
(二)无人机跟踪
[0227]
首先用频谱相减法对折叠结果进行预处理，以减轻静态背景噪声的影响。然后通过动态规划和粒子滤波实现准确的无人机跟踪。
[0228]
为了估计无人机轨迹，不断提取每一时刻的折叠结果，这些折叠结果形成了一个距离-时间-pmm图，表示为r-pmm。假设存在t个距离-多普勒频谱{rd1，rd2，...，rdt}，每个距离-多普勒频谱都有r个距离分组，则r-pmm(r，t)的值表示第r个距离分组在第t个距离-多普勒谱中的折叠结果。由于无人机对应的多普勒频谱在每个时刻都有较大的折叠结果，本发明实施例可以通过在r-pmm中搜索最大路径来进行无人机的跟踪。
[0229]
然而，由于多普勒频谱的强度与反射信号的强度成正比，较近的距离分组中的多普勒频谱具有更强的强度，这意味着它们的折叠结果往往更大。这导致r-pmm在不同的距离分钟中具有不同的静态背景噪声强度。为了减轻这种噪声的影响，本发明实施例采用频谱相减法对r-pmm进行预处理。其主要思想是从有噪声的r-pmm中减去对平均背景噪声频谱的估计。具体而言，平均背景噪声频谱可通过以下公式估算：
[0230][0231]
其中，n(r，t)是在背景噪声中测量得到的r-pmm。背景噪声的影响可以被计算为测量得到的r-pmm在背景噪声频谱上的归一化投影：
[0232][0233]
其中是噪声频谱的欧式范数，s(r，t)是在追踪阶段测得的r-pmm，最后，背景噪声可以从测量得到的r-pmm中被去除：
[0234]s′
(r，t)＝s(r，t)-g(t)n(r)
[0235]
通过这种方法，可以去除与距离相关的静态背景噪声，并使用预处理的r-pmm来寻找与无人机跟踪结果相对应的最大路径。
[0236]
由于折叠结果表征了无人机的pmm特征，由于无人机运动的不可预测性，折叠结果可能会快速变化。另一方面，由于环境复杂和硬件不完善，r-pmm中无人机轨迹附近可能仍存在局部动态噪声。这两种情况都会导致跟踪精度下降。
[0237]
考虑到无人机运行轨迹的连续性，其在一段时间内的运行范围变化有限。假设无人机最大速度为v
max
，距离-速度谱的持续时间为td，雷达的距离分辨率为r
res
，则无人机在r-pmm中相邻列的最大距离单元变化为：
[0238]
[0239]
r-pmm中与uav轨迹相对应的路径始终满足此约束。因此，本发明实施例拟将无人机追踪问题转化为在r-pmm中寻找受约束的最大路径问题，其中无人机路径在相邻列的变化不会超过k。这一受约束最大路径寻找问题可以被刻画为：
[0240][0241]
s.t.|g(t)-g(t-1)|≤k
[0242]
其中表示r-pmm中的一个路径。这一问题可以通过动态规划解决。本发明实施例将(r，t)处的分数定义为受约束的最大累计折叠结果，其可以表示为：
[0243][0244]
由于θ(r，t)同时考虑了轨迹的连续性和前一轨迹的累积折叠结果，因此计算分数的过程能够获取通过(r，t)位置的受约束的最优轨迹。为了得到完整的受约束最大路径，本发明实施例首先寻找最后一列中分数最大的距离-时间单元，之后通过以下计算方式获得路径的其余部分：
[0245][0246][0247]
此回溯过程提供了受约束的最大路径g
*
。通过这一方式，本发明实施例能够获取r-pmm中受约束的最大路径，也就是无人机的追踪路径。
[0248]
进一步将粒子过滤算法应用于跟踪路径，以减少跟踪误差。粒子滤波算法可以通过结合观测和预测来估计目标状态。具体来说，粒子滤波算法中的状态变量包括无人机的距离和速度，观测结果就是本发明实施例之前得到的跟踪路径。本发明实施例初始化5000个均匀分布的粒子，并使用多项式重采样算法作为粒子的重采样方法。
[0249]
可选地，本发明实施例向用户提供无人机角度估计结果。由于毫米波雷达天线数量有限，角度分辨率有限，角度估计结果的波动较大。为了获得角度估计结果，本发明实施例首先对无人机对应的所有天线的反射信号应用波束形成算法，以获得每个角度的信号。然后对它们进行多普勒fft运算，以获得角度-多普勒频谱。最后，对每个角度的角度-多普勒频谱执行之前应用于距离-多普勒频谱的相同操作。
[0250]
(三)无人机识别
[0251]
在得到无人机的追踪结果后，本发明实施例进一步利用pmm特征对无人机进行识别。本发明实施例首先根据追踪路径从一系列距离-多普勒频谱(多普勒频谱集合)中提取属于待检测目标的多普勒频谱。然后，将包含pmm特征的多普勒频谱输入到基于长短期记忆人工神经网络的无人机检测模型中，即lstm的检测器中，用于无人机识别。图6是本发明实施例提供的无人机识别的流程示意图，无人机识别过程如图6所示。
[0252]
根据跟踪结果和距离多普勒频谱，本发明实施例可以从目标所在位置提取一系列的多普勒频谱，形成多普勒-时间图。当目标是无人机时，该图将包含独特且连续的pmm特征，可用于区分无人机与其他物体。
[0253]
本发明实施例首先从多普勒时间图中去除直流噪声。考虑到无人机悬停时的主速度接近0，相应的直流分量中包含了主速度对应的峰。为了保留主速度对应峰，本发明实施例对主速度峰不接近直流分量时的多普勒频谱中的直流分量进行平均。然后从所有直流分量中减去这一平均值。
[0254]
此外，由于无人机主速度决定了pmm特征的中心，这一特征会随无人机运动而变化。因此它会妨碍本发明实施例对于pmm特性的周期性的利用。因此，本发明实施例在多普勒-时间图上设计了一种特征对齐算法，将每个pmm特征中心对准多普勒频谱中心。当多普勒频谱中的主速度峰不在d直流分量附近时，本发明实施例将整个多普勒频谱沿主速度峰移动到直流分量的方向进行平移，并通过线性插值进行补充。
[0255]
预处理后的多普勒-时间图包含pmm特征。然而，由于跟踪结果可能存在误差，尤其是当无人机处于高空时。直接使用得到的多普勒时间图并不总是可靠的。为了减少跟踪误差的影响，本发明实施例首先将多普勒时间图分割成固定长度的片段(多普勒-时间部分图)。然后，本发明实施例将每个片段的最大折叠结果与第一阈值进行比较。当最大折叠结果小于第一阈值时，本发明实施例认为该多普勒-时间部分图不包含pmm特征并将其丢弃。根据广泛的经验实验，本发明实施例将第一阈值设置为30000。
[0256]
从其他物体中识别无人机是一个二进制分类问题。本发明实施例设计了一个基于lstm的无人机检测模型来解决这个问题。lstm网络适合处理数据序列，在识别任务中具有优异的性能。考虑到多普勒时间图中的每个时隙都包含l个多普勒分组，本发明实施例的无人机检测模型的输入维度设置为l。无人机检测模型包含两个lstm层，隐藏状态大小设置为128。最后使用一个完全连接层将隐藏状态映射到识别结果，即无人机或非无人机。本发明实施例选择交叉熵损失函数来训练本发明实施例的网络。
[0257]
一个实施例中，基于商用毫米波雷达texas instruments iwr6843iskods实现。雷达板上有3个tx天线和4个rx天线。本发明实施例让三个tx天线轮流传输频率为60.25ghz、带宽为1.92ghz的fmcw信号，所有rx天线都接收反射信号。单个信号的持续时间为900us，每帧包括100个信号，跟踪间隔为90ms。fmcw信号的频率斜率为9.994mhz/us，adc采样率为6250khz。因此，雷达的最大传感范围可达雷达视场(fov)的角度约为120。。雷达的原始数据由ti dca1000evm数据采集板采集，并传输到具有intel core i9-11900h 2.5ghz cpu的计算机进行处理。为了验证该技术的稳定性，本发明实施例在多种无人机飞行高度、飞行轨迹和飞行速度配置下进行了实验验证。
[0258]
下面对本发明提供的无人机检测系统进行描述，下文描述的无人机检测系统与上文描述的无人机检测方法可相互对应参照。
[0259]
图7是本发明实施例提供的无人机检测系统的结构示意图，如图7所示，本发明实施例提供一种无人机检测系统，包括：
[0260]
获取单元710，用于获取待检测目标的反射信号；
[0261]
特征提取单元720，用于基于所述反射信号确定多普勒频谱集合；
[0262]
跟踪单元730，用于基于所述多普勒频谱集合确定待检测目标的跟踪路径；
[0263]
提取单元740，用于基于所述跟踪路径对所述多普勒频谱集合进行频谱提取，获得所述待检测目标对应的多普勒-时间图；
[0264]
识别单元750，用于将所述多普勒-时间图输入至无人机检测模型中，获得所述无人机检测模型输出的检测结果；
[0265]
其中，所述无人机检测模型是基于多普勒时间图训练样本以及所述多普勒时间图训练样本对应的标签训练后得到的，所述标签是基于所述多普勒时间图训练样本中的周期性微运动特征确定的。
[0266]
可选地，所述跟踪单元730，用于对所述多普勒频谱集合中的多普勒频谱一一进行频谱折叠，获得每个多普勒频谱对应的折叠结果；
[0267]
所述跟踪单元730，用于基于所述折叠结果获得所述待检测目标的跟踪路径。
[0268]
可选地，所述跟踪单元730，用于基于所述待检测目标的最大速度、所述时间单元和所述雷达的距离分辨率，确定所述待检测目标在一个时间单元内的最大距离变化值；
[0269]
所述跟踪单元730，用于在所述最大距离变化值的约束下，确定最大累计折叠结果；
[0270]
所述跟踪单元730，用于将所述最大累计折叠结果对应的路径作为所述跟踪路径。
[0271]
可选地，所述系统还包括：降噪单元；
[0272]
所述降噪单元，用于基于频谱相减法对所述折叠结果进行处理，获得降噪后的折叠结果。
[0273]
可选地，所述系统还包括：修正单元；
[0274]
所述修正单元，用于基于粒子滤波算法对所述跟踪路径进行修正，获得修正后的跟踪路径。
[0275]
可选地，所述降噪单元还用于去除所述多普勒-时间图中的直流噪声，得到降噪后的多普勒-时间图。
[0276]
可选地，所述系统还包括：对齐单元；
[0277]
所述对齐单元，用于在所述多普勒-时间图中，将每个多普勒频谱中的周期性微运动特征中心一一与多普勒频谱的中心进行对齐。
[0278]
可选地，所述系统还包括：分割单元；
[0279]
所述分割单元，用于对所述多普勒-时间图进行分割，获得多个多普勒-时间部分图；
[0280]
所述分割单元，还用于确定每个多普勒-时间部分图对应的最大折叠结果，所述最大折叠结果是所述多普勒-时间部分图中的多普勒频谱所对应的折叠结果中的最大值；
[0281]
所述分割单元，还用于将最大折叠结果与第一阈值一一进行比较，保留不小于所述第一阈值的最大折叠结果所对应的多普勒-时间部分图；
[0282]
所述识别单元，用于将所述保留的多普勒-时间部分图输入至无人机检测模型中。
[0283]
在此需要说明的是，本发明实施例提供的上述系统，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0284]
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行一种无人机检测方法，基于雷达实
现，包括：获取待检测目标的反射信号；基于所述反射信号确定多普勒频谱集合；基于所述多普勒频谱集合确定待检测目标的跟踪路径；基于所述跟踪路径对所述多普勒频谱集合进行频谱提取，获得所述待检测目标对应的多普勒-时间图；将所述多普勒-时间图输入至无人机检测模型中，获得所述无人机检测模型输出的检测结果；其中，所述无人机检测模型是基于多普勒时间图训练样本以及所述多普勒时间图训练样本对应的标签训练后得到的，所述标签是基于所述多普勒时间图训练样本中的周期性微运动特征确定的。
[0285]
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0286]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的一种无人机检测方法，基于雷达实现，包括：获取待检测目标的反射信号；基于所述反射信号确定多普勒频谱集合；基于所述多普勒频谱集合确定待检测目标的跟踪路径；基于所述跟踪路径对所述多普勒频谱集合进行频谱提取，获得所述待检测目标对应的多普勒-时间图；将所述多普勒-时间图输入至无人机检测模型中，获得所述无人机检测模型输出的检测结果；其中，所述无人机检测模型是基于多普勒时间图训练样本以及所述多普勒时间图训练样本对应的标签训练后得到的，所述标签是基于所述多普勒时间图训练样本中的周期性微运动特征确定的。
[0287]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的一种无人机检测方法，基于雷达实现，包括：获取待检测目标的反射信号；基于所述反射信号确定多普勒频谱集合；基于所述多普勒频谱集合确定待检测目标的跟踪路径；基于所述跟踪路径对所述多普勒频谱集合进行频谱提取，获得所述待检测目标对应的多普勒-时间图；基于所述跟踪路径对所述多普勒频谱进行提取，获得所述待检测目标对应的多普勒-时间图；将所述多普勒-时间图输入至无人机检测模型中，获得所述无人机检测模型输出的检测结果；其中，所述无人机检测模型是基于多普勒时间图训练样本以及所述多普勒时间图训练样本对应的标签训练后得到的，所述标签是基于所述多普勒时间图训练样本中的周期性微运动特征确定的。
[0288]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0289]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上
述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0290]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。