基于HOG的跳频信号自动化检测模型*

孙德刚，王友军，王 文，魏 冬

（1.中国科学院大学 网络空间安全学院，北京 100049；2.中国科学院信息工程研究所，北京 100093）

0 引 言

跳频通信技术可通过在宽频段内随机快速改变其载波频率来实现抗干扰和抗截获[1]。因此，跳频通信技术被广泛应用于现代军事通信和保密通信领域。同时，跳频通信信号的检测也成为信息安全领域的研究热点和难点问题。

跳频信号的检测主要面临信号难以完整截获、电磁空间中存在定频干扰、扫频干扰、突发干扰等多种干扰信号。现有跳频信号的检测多依赖人工干预，在如今复杂电磁场景和海量监测数据环境下，迫切需要对跳频信号进行自动化检测。

针对上述问题，当前针对跳频信号的检测方法主要是基于时频分析和图像处理，并通过人工设置阈值的方法检测跳频信号。

时频分析方法是分析非平稳信号的重要工具，不需要任何先验信息即可提取信号时域和频域特征，用于跳频信号盲检测。算法主要包括短时傅里叶变换（STFT）、小波变换和Wigner-Ville类变换。基于短时傅里叶变换的跳频信号检测方法[2]不存在交叉项干扰，但是对时频信号聚焦性不强，不易权衡频率分辨率和时间分辨率。基于小波变换的跳频信号盲检测方法引入了小波函数，而小波函数的频率特性和时间特性可以有效提升跳频信号检测的时频分辨率[3-4]；基于Wigner-Ville类变换的盲检测方法同样是对跳频信号检测中时频分辨率进行平衡，改善了跳频信号时频局部聚集性，但是引入了交叉干扰项，计算复杂、实时性差[5-6]。跳频信号盲检测的时频分析方法需要对时频分辨率做出权衡，并且依然受到跳频频域跨度内噪声信号和干扰信号的影响，同样无法适应实际复杂电磁环境中多变的噪声环境。

随着图像处理技术的发展及其在信号处理方面的不断深入应用，由于跳频信号固有的时域和频域二维特征与图像二维平面特征有着高度的相似性，图像处理技术被引入跳频信号检测领域。它与时频分析方法相结合[7]，不断提升着跳频信号的检测能力。通过图像处理中的二值形态学滤波方法可以加强信号强度，同时提升时频图中跳频信号的清晰度。图像处理技术还可以提升信号信噪比，文献[8]通过边缘检测算法对时频图进行卷积操作，去除了跳频信号的复杂背景噪声和定频干扰。

现有时频分析和图像处理相结合的跳频信号盲检测方法，更多应用于对跳频信号时频图进行信号强度增强和去除干扰噪声方面，能够实现简单跳频信号检测。在实际应用中，形态学方法依赖较多人工经验。同时，边缘检测算法需要设置检测阈值，而阈值选择的好坏对时频图恢复效果有决定性影响。此外，现有时频分析结合图像处理的方法缺少对跳频信号自动化检测方法的研究。总的来说，目前对于跳频信号的盲检测技术还存在识别准确率不高、检测自动化不足、抗外界噪声和干扰的能力不足等问题。

然而，实际电磁环境复杂多变，各种噪声、干扰剧烈变化，且跳频信号是否存在，以及何时、何频段出现是不可预知的，需要通过长时监测和宽频带监测来捕捉随时可能出现的跳频信号。在情况多变的电磁空间中，实现对跳频信号的实时预警，自动化检测至关重要。

本文提出一种基于方向梯度直方图（Histogram of Oriented Gradient，HOG）的跳频信号检测算法。该算法通过将跳频信号转化为时频瀑布图，并利用HOG特征对跳频信号具有的独特结构化特征进行描述。在此基础上，利用adaboost算法实现跳频信号检测。此外，本文基于该算法建立了跳频信号检测识别原型系统，并在实际的电磁环境及室内多径无线信道下，基于多种类型跳频信号和非跳频信号构成的数据集，对模型进行了仿真及测试验证。

1 跳频信号检测模型

为了实现对跳频信号检测识别算法的仿真及测试验证，本文首先针对实际的电磁环境建立跳频信号检测模型。该模型主要包括信号采集模块、时频转换模块、HOG特征提取模块以及跳频检测模块4个部分，如图1所示。

图1 跳频检测模型

信号采集模块包括天线和信号接收机，用于接收无线通信信号s(t)：

其中，载波频率fc随时间变化。

将接收到的射频信号降至中频，并通过数字低通滤波器获得数字基带正交分类和数字基带同相分量，分别记为：

之后通过时频转换模块，对接收到的信号进行离散傅里叶变换：

其中g(t)为窗函数，m表示窗函数长度，*表示复数共轭，T(＞0)表示时间变量的采样周期，F(＞0)表示频率变量的采样周期，m、n为整数。

将变换后的数据组合为时频瀑布图G，如图2所示。

图2 瀑布图

跳频信号在时频域具有类似时空域图像的边缘特征。本阶段使用HOG特征的改进算法提取跳频信号在时频域的边缘分布特征。通过计算跳频信号与背景噪声能量变化的梯度，并统计一定区域内梯度变化方向和该方向上的梯度变化强度来得到时频域空间上的跳频信号特征。HOG特征固有的光学不变性和几何不变性，能很好地转化为底部噪声不变性和时频不变性。从跳频信号瀑布图G中提取信号特征，并将其表示为特征向量v：

其中，N为特征向量维度。

特征提取完成后，需要完成最终的跳频信号检测功能。跳频检测模块使用adaboost算法实现跳频信号的自动化检测功能。adaboost算法通过学习跳频信号特征，可得到精确的检测模型。在实际检测过程中，将跳频信号的时频域HOG特征输入已训练好的adaboost模型中，即可实现对跳频信号存在性的检测。

2 算法

2.1 基于HOG的跳频特征提取

跳频信号在时频域的分布特征本质上由其性能指标决定，跳频信号在时频域二维空间上具有频域跨度大、跳频点随机出现、单跳驻留时间极短的特点。这些特点反映在跳频信号瀑布图上，每一跳表现为一条横向延伸的短线段。跳变的随机性形成了视频瀑布图上疏密程度不同的独特图案。

由此，对跳频信号的检测可以等价为对时频域瀑布图在二维平面上线条分布规律的检测。跳频信号与背景噪声存在信号强度上的差异，这种差异可以使用信号与背景过渡带来的梯度变化程度来衡量。图像处理中，边缘检测技术用于检测图像中线条与周边图案的梯度变化情况。所以，跳频信号的特征可以被理解为时频域的一种边缘特征，可以使用边缘特征对跳频信号进行描述。

本文提出基于方向梯度直方图对跳频信号的时频域特征进行描述。

HOG特征已经被广泛用于行人检测领域，用于描述行人图像边缘特征，并取得了良好的应用效果。跳频信号瀑布图中存在的多种形态的代表信号频率宽度和持续时间的短线段，同样具备边缘特征，所以可以HOG特征进行描述。

HOG特征提取过程包括灰度化跳频图像、计算像素梯度、构建HOG特征及梯度强度归一化共4个步骤，具体流程如图3所示。

图3 特征提取流程

将RGB三通道彩色跳频信号瀑布图转化为单通道灰度视频瀑布图（如图4所示），像素取值范围为 [0，255]。

图4 灰度图像

再计算灰度化瀑布图中像素点P(x, y)的水平方向梯度HG(x, y)、垂直方向梯度VG(x, y)、梯度幅值AG(x, y)和梯度方向角α(x, y)：

然后，对瀑布图进行分割。以输入为1 024×128像素大小的跳频瀑布图为例，使用128×128像素大小的滑动窗口对图像进行分割。滑动窗口从图像左侧向右侧每次滑动128个像素的距离，将图像分割为128×128像素大小的8个像素块。

接着对像素块进一步分割，将其分割为16个32×32像素大小的胞元。考虑到跳频信号在频域内的水平分布特征及其在时域内的垂直分布特性，将胞元内像素梯度方向角度平均分为4个统计区间，即（0°，90°]、（90°，180°]、（180°，270° ]和（270°，360° ]。

胞元内每个像素均存在梯度强度和梯度方向。统计上述4个方向上的梯度强度的和值形成胞元内的方向梯度直方图。

最后，将所有胞元直方图组合在一起，并采用L2范数对特征向量做归一化处理，得到完整的HOG特征，共8×16×4=512个特征点，表示为：

2.2 基于adaboost的跳频检测算法

本文使用基学习器为决策树的adaboost算法完成跳频信号的检测。Adaboost对于同一训练集：

训练得到不同的弱分类器。然后，把这些弱分类器按一定权重集合起来，得到最终的强分类器。

训练得到强分类器，首先需初始化训练数据权值：

基本分类器使用决策树，使用初试权值训练基本分类器。计算分类误差率为：

m表示训练的轮数，更新权值分布：

其中：

训练得到最终分类器：

最终，使用得到的adaboost分类器，可以自动化检测电磁空间中存在的跳频信号。

3 实验测试与分析

3.1 实验测试场景

本文实验在实际办公环境下进行，环境中存在来自环境外部不可预知的电磁干扰，也存在环境内部扫描仪、打印机、手机、平板等各种无线设备产生的干扰，电磁环境开放且较为复杂，平均信噪比20 dB。

本节测试模拟产生了实际工作、生活中开放电磁环境下常见的多种跳频信号和非跳频信号，包括工作在2.4～2.483 GHz带宽内的蓝牙传输信号、蓝牙扫频信号、无人机信号和WiFi信号共4种跳频信号。非跳频信号由信号发生器产生的定频信号、突发信号、实验场景内的背景噪声构成。

其中，经时频转换，用于adaboost训练的信号包括跳频信号1 570张，非跳频信号637张；用于测试算法性能的跳频信号503张，非跳频信号100张。

3.2 跳频信号检测识别能力分析

使用如图1所示的检测模型，在正常工作区域内测试模型检测能力。

使用混淆矩阵对检测能力进行评估。如图5所示的混淆矩阵中，横坐标表示检测结果，纵坐标表示真实信号类别。图5中，493表示测试数据集中跳频信号经模型检测为跳频信号的数量。

图5 用混淆矩阵表示检测结果

从图5可以看出，检测模型在测试集上实现了对跳频信号检测正确率为97.51%的检测性能，而将非跳频信号检测为跳频信号的误检概率为1.99%。将跳频信号检测为非跳频信号的漏检概率为5.00%。分析实验数据，认为误检和漏检主要是由于检测将蓝牙扫频所采用跳频序列与非跳频信号中的定频信号混淆，从而造成检测性能下降。

增强实验环境中的噪声，得出在不同信噪比环境下模型的检测性能，如图6所示。

图6 不同信噪比下的检测正确率

从图6中可以看出，在20 dB时，检测正确率为97.51%；随着信噪比的下降，在0.2 dB时，检测正确率下降为85.2%。可见，信噪比对跳频信号的检测存在关键性影响。在信噪比降低时，随着噪声和干扰的增多，蓝牙扫频所采用的跳频信号更多被误检为定频信号，从而造成对模型检测性能造成极大的影响。

由上述测试结果可见，HOG特征能很好地表征跳频信号在瀑布图上的特点，特征经adaboost算法分类后能有效检测到电磁空间中出现的跳频信号。可见，基于HOG跳频信号自动化检测模型，实现了在开放电磁环境下对跳频信号优异的检测识别能力。

4 结 语

本文针对跳频信号问题，提出了一种基于HOG特征跳频信号自动化检测模型。模型主要由跳频信号采集模块、时频转换模块、特征提取模块以及跳频检测识别模块4个部分组成。基于此模型，本文对真实电磁环境和存在不同程度噪声环境中的跳频信号进行检测，并对检测结果进行了分析，得出该模型可以对跳频信号进行自动化检测，且具有优异的检测能力，在低信噪比情况下也具有良好的性能。

参考文献：

[1] Peterson R L,Ziemer R E.Digital Communications and Spread Spectrum System[Z].Macmillan Pub. Co,1985.

[2] Zhang D,Ying W U.Application of STFT in Analysis of Frequency Hopping Signal[J].Modern Electronic Technique,2005(10):60-61.

[3] Fargues M P,Overdyk H F,Hippenstiel R.Wavelet-based Detection of Frequency Hopping Signals[C].Asilomar Conference on IEEE,1997(01):515-519.

[4] Sirotiya M,Banerjee A.Detection and Estimation of Frequency Hopping Signals Using Wavelet Transform[C].Uk-India-Idrc International Workshop on Cognitive Wireless Systems,2010:1-5.

[5] Juan D U,Liu J,Qian F.A Novel Method of Timefrequency Analysis for Frequency Hopping Signal[J].Journal of China Academy of Electronics & Information Technology,2009,4(06):576-579.

[6] Pei X,Zhao G,Zhan P,et al.Time-Frequency Based Detection of FH Signals in a Flat Fading Channel[Z].IEEE Computer Society,2010.

[7] Luan H,Hua J.Blind Detection of Frequency Hopping Signal Using Time-Frequency Analysis[C].International Conference on Wireless Communications Networking and Mobile Computing IEEE,2010:1-4.

[8] Chen S,Tian-Yun L I,Lin-Dong G E.Study on Frequency-Hopping Detection Algorithm Based on Edge Detection[J].Journal of Information Engineering University,2006,7(03):264-266.