一种基于频域时域特征融合的微型无人机探测方法

本发明涉及无人机探测领域，具体涉及一种微型无人机探测方法。

背景技术：

1、目前，无人机在越来越多的领域发挥重要作用，比如农业、安保、探测、航拍等领域。无人机的成本逐步降低，越来越多不受管制的微型无人机出现在本不应该出现的区域，例如机场、边境和交战地区等，在机场对飞机起飞、降落造成影响，在边境有用来转移毒品等违法物品的风险，在交战地区若用来携带爆炸物会对平民带来危险。针对此类现象，众多学者开展了反微型无人机技术的研究工作，包括微型无人机侦察、甄别、定位、打击等，其中微型无人机侦察是反微型无人机技术研究的重要基础。

2、微型无人机具有飞行高度低、尺寸小等优势，而现有探测手段如雷达存在截面小等问题，导致其对微型无人机的检测效果较差，因此如何实现微型无人机精确侦察是当前反微型无人机领域亟需解决的问题。

3、相比于其他探测方法(包括视觉、热成像、微波传感器等)，使用麦克风的音频信息可以完成除打击外的侦察、甄别和定位操作，而且相对于视觉信息，音频监测所需要的算力更低，成本低，方便部署。

4、但是常见的频域特征提取方法存在提取特征冗余、分辨率固定等问题，常见的时域特征提取方法存在难以准确提取的问题。因此在通用场景下，很难做到精确的无人机探测。以做到精确的无人机探测。

技术实现思路

1、发明目的：本发明目的在于针对现有技术的不足，提供一种可在通用场景下实现高准确率的基于频域时域特征融合的微型无人机探测方法。

2、技术方案：本发明所述一种基于频域时域特征融合的微型无人机探测方法，采集禁飞区的音频数据，并进行时域特征和频域特征提取，将提取的时域特征和频域特征转换到相同维度后用频域特征调制时域特征，最后进行分类预测，判断无人机是否出现。

3、进一步，所述音频数据通过fpqa读取部署在禁飞区的单麦克风数据获得。

4、进一步，利用一维卷积网络神经模型和时域注意力机制提取时域特征。

5、更进一步，提取时域特征包括：首先对音频数据进行归一化处理，然后提取非线性特征并进行滤波，使用时域注意力机制对滤波后的特征进行全局建模。

6、进一步，提取频域特征包括：通过小波包变换提取频域区间特征后，与每个频域区间最大的能量值相乘得到频域特征。

7、更进一步，小波包变换采用db4小波函数。

8、进一步，使用一维卷积网络神经模型的单层全连接层完成特征向量的分类预测。

9、有益效果：本发明采集禁飞区的音频数据，分别提取时域特征和频域特征，通过频域特征调制时域特征后进行分类预测，判断无人机是否出现。本发明结合时域和频域特征(t-fce)，解决了通用场景下无人机探测准确率低的问题，可以提高通用场景下无人机探测探测精度，确保无人机探测的准确输出。

技术特征：

1.一种基于频域时域特征融合的微型无人机探测方法，其特征在于，采集禁飞区的音频数据，并进行时域特征和频域特征提取，将提取的时域特征和频域特征转换到相同维度后用频域特征调制时域特征，最后进行分类预测，判断无人机是否出现。

2.根据权利要求1所述的基于频域时域特征融合的微型无人机探测方法，其特征在于，所述音频数据通过fpqa读取部署在禁飞区的单麦克风数据获得。

3.根据权利要求1所述的基于频域时域特征融合的微型无人机探测方法，其特征在于，利用一维卷积网络神经模型和时域注意力机制提取时域特征。

4.根据权利要求3所述的基于频域时域特征融合的微型无人机探测方法，其特征在于，提取时域特征包括：首先对音频数据进行归一化处理，然后提取非线性特征并进行滤波，使用时域注意力机制对滤波后的特征进行全局建模。

5.根据权利要求1所述的基于频域时域特征融合的微型无人机探测方法，其特征在于，提取频域特征包括：通过小波包变换提取频域区间特征后，与每个频域区间最大的能量值相乘得到频域特征。

6.根据权利要求5所述的基于频域时域特征融合的微型无人机探测方法，其特征在于，小波包变换采用db4小波函数。

7.根据权利要求1所述的基于频域时域特征融合的微型无人机探测方法，其特征在于，使用一维卷积网络神经模型的单层全连接层完成特征向量的分类预测。

技术总结
本发明提供了一种基于频域时域特征融合的微型无人机探测方法，采集禁飞区的音频数据，并进行时域特征和频域特征提取，将提取的时域特征和频域特征转换到相同维度后用频域特征调制时域特征，最后进行分类预测，判断无人机是否出现。本发明采集禁飞区的音频数据，分别提取时域特征和频域特征，通过频域特征调制时域特征后进行分类预测，判断无人机是否出现。本发明结合时域和频域特征(T‑FCE)，解决了通用场景下无人机探测准确率低的问题，可以提高通用场景下无人机探测探测精度，确保无人机探测的准确输出。

技术研发人员：申冲,董浩,刘俊,唐军,曹慧亮,王晨光
受保护的技术使用者：中北大学
技术研发日：
技术公布日：2024/2/1