[發明專利]一種低空小目標的雷達自動識別方法及裝置

在審

• 申請號: 202111110784.X
• 申請日: 2021-09-18
• 公開（公告）號: CN113887356A
• 公開（公告）日: 2022-01-04
• 發明（設計）人: 胡亮;張聃;鄭敏娥;陶原野;劉孟紅;展華益
• 申請（專利權）人: 四川啟睿克科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 四川省成都市天策商標專利事務所(有限合伙) 51213
• 代理人: 胡慧東

本發明公開了一種低空小目標的雷達自動識別方法及裝置，該方法首先進行雷達數據預處理；然后利用深度神經網絡提取處理后數據的特征，接著分別使用有監督學習與無監督學習執行二分類與異常檢測；最后根據二分類與異常檢測結果判斷是無人機、飛鳥或者其他低空飄浮物。該方法解決了低空飄浮物的識別問題，適用范圍極廣，泛化能力強，運算量少，成本更低，且識別準確率更高。

技術領域

本發明涉及雷達信號特征提取與目標識別分類技術領域，尤其涉及一種低空小目標的雷達自動識別方法及裝置。

背景技術

低空小目標是指輕小型無人機、飛鳥、飄浮的氣球、塑料袋等，它們對軍民用機場、各種軍事設施具有不同程度的威脅，識別出空中的目標到底是哪一種類型已成為一個非常緊迫的任務。

空中目標的發現主要依靠雷達，因其具有全天候、全天時的工作能力，偵測距離遠；作為當前目標探測的主要手段，獲得自主識別分類能力具有無可替代的重要性。然而目前的雷達輸出目標的點跡與航跡后，并不能進一步識別出目標是否具備軍事威脅，特別是輕小型無人機屬于典型的“低、慢、小”目標，且RCS信息、運動特征信息等與飛鳥、其他低空飄浮物目標相似，又容易受到人、車、樹、房屋等雜波干擾，根據雷達數據區分低空小目標是一個持久的難題。

中國專利CN201610896005.6通過手工提取運動特征來區分雷達檢測目標的飛鳥和輕小型無人機，然而手工提取特征將導致泛化能力不夠好、識別率不高；中國專利CN202011419393.1的方案，要求對目標進行圖像識別，計算復雜，成本昂貴；中國專利CN201810851549.X識別無人機則需要借助頻譜探測、光電探測等多種手段；章鵬飛、李剛、霍超穎等人的《基于雙雷達微動特征融合的無人機分類識別》以及BK Kim、HS Kang、SOPark的《Drone Classification Using Convolutional Neural Networks With MergedDoppler Images》，通過微多普勒效應來識別無人機和飛鳥，但是很多時候微多普勒參數難以估計。此外，這些文獻全部都沒有考慮在實際應用中會存在的小飄浮物類低空小目標。

發明內容

本發明的目的在于克服現有技術中存在的不足，提供一種低空小目標的雷達自動識別方法及裝置，該方法首先進行雷達數據預處理；然后利用深度神經網絡提取處理后數據的特征，接著分別使用有監督學習與無監督學習執行二分類與異常檢測；最后根據二分類與異常檢測結果判斷是無人機、飛鳥或者其他低空飄浮物。該方法解決了低空飄浮物的識別問題，適用范圍極廣，泛化能力強，運算量少，成本更低，且識別準確率更高。

為了達到上述技術效果，本發明采用了如下技術方案：

一種低空小目標的雷達自動識別方法，其特征在于，包括如下步驟：

a)雷達數據預處理；

b)利用深度神經網絡提取處理后數據的特征；

c)使用有監督學習與無監督學習執行二分類與異常檢測；

d)根據二分類與異常檢測結果識別輸入數據是無人機、飛鳥或者其他低空飄浮物。

進一步的技術方案，所述雷達數據為目標航跡與雷達散射截面信息構成的高維時間序列數據，所述預處理包括數據內插與外推、數據清洗、數據分段。

進一步的技術方案，所述數據分段具體為設定子時間序列長度，對于超過該長度的時間序列，使用固定大小的滑動時間窗口將其切分為若干子時間序列。

進一步的技術方案，步驟b)具體為將子時間序列輸入訓練好的神經網絡，得到自動提取的特征，其中神經網絡的訓練方法為：收集無人機與飛鳥的歷史雷達數據，經過步驟a)處理后作為訓練集，訓練出所述深度神經網絡的參數值，所述深度神經網絡為自編碼神經網絡。

進一步的技術方案，步驟c)具體包括以下步驟：