一种基于航迹特征的无人机与飞鸟目标雷达识别方法

管康萍，冯正康，马小艳，张良俊，崔 杰，叶 舟

（1.中国人民解放军93128 部队，北京 100080；2.上海航天电子通讯设备研究所，上海 201109）

0 引言

随着无人机（Unmanned Aerial Vehicle，UAV）领域技术的快速发展，因其具有成本低、体积小、操作简单等优势，已经广泛应用于军事和民用领域。但随着非合作无人机黑飞、干扰等事件的频发，已经成为一项重要隐患，而且在航空器起飞或飞行的过程中与鸟类相撞的事件也层出不穷，飞鸟的防范压力也越来越大，这两类目标都对机场、安保等重要场所产生严重的威胁［1-9］。一般根据不同的作战环境要求，针对这两者类型目标，在发现后需要采取不同的反制手段和措施，如机场一般在发现飞鸟后，会采取驱鸟设备将其驱赶，而对无人机目标则会采取预警、协调等措施，因此对无人机和飞鸟的识别极其必要。

目前，对无人机和飞鸟的监视和识别方法主要分为两类，一类从目标回波特性角度出发，由于无人机多旋翼转动与飞鸟翅膀扇动产生的回波信号存在特性差异，所以一般采用时频分析算法提取两者的微多普勒特征。法国航天航空研究中心采用DVB-T 信号进行了多旋翼无人机微多普勒测量实验，荷兰Robin公司雷达则采用发射调频连续波形，同时具备无人机探测和识别的功能。在随后多年发展中，国内外单位通过设计优化雷达工作系统、工作模式、发射接收波形、延长驻留时间等方法来进一步提取精细化特征，但实际应用到复杂多变的环境中，目前还是较为困难，尤其当目标处于远距离时，两者的回波特征微弱导致特征提取困难、时频分辨力低等，限制了大范围的应用与发展［10-15］。另一类方法则是从无人机与飞鸟的飞行轨迹特征方面出发，通过记录大量历史数据，熟悉了解飞鸟的活动规律和飞行轨迹，从数据层提取无人机与飞鸟的运动轨迹特征。目前采用多运动模型并通过计算模型间转换频率的方法来进行识别，也有利用航迹轨迹信息建立特征量并利用机器学习或深度学习的方法［16-22］来进行识别，这几种方法都进一步验证了该类方法的可行性。

本文提出的无人机与飞鸟目标雷达识别方法，与现有识别方法的不同点在于：1）未采用复杂的时频分析方法，而是采用轻量性的航迹数据集，较大降低了雷达系统的识别成本，普适性强；2）为了更好地体现两者飞行轨迹上的特征差异，采用支持向量机（Support Vector Machines，SVM）算法模型，提出时间相关的航向、速度震荡频率特征向量描述方法，并结合其他特征量，实现在线动态修正并预测，能够更好地提高识别准确率。

1 特征分析

无人机与飞鸟目标雷达识别流程如图1 所示，首先基于历史雷达系统航迹数据分析和研究无人机与飞鸟在运动轨迹上的特征差异，提出以航迹层信息为基础，建立航向角标准差、航向震荡频率、速度均值、速度标准差、速度震荡频率这5 个特征量。其次将模块划分为离线训练和在线处理部分，离线训练下将历史样本分为训练、测试样本，对训练样本采用支持向量机算法交叉训练获得最优超参数，并利用测试样本验证识别准确率。在线状态下利用最优参数，根据雷达稳跟目标航迹实时计算特征量，利用预测模块算法进行判别输出。

图1 无人机与飞鸟目标识别框Fig.1 Block diagram of UAV and bird target recognition

1.1 特征描述

从无人机与鸟类的活动轨迹来描述，一般飞鸟的飞行轨迹相对灵活且时间较短，而典型无人机作业一般是按照预先设定的航线任务飞行，通常分为连续直线飞行、航点悬停、折返飞行、多方位多点飞行等路线。因此该类无人机目标的飞行轨迹时间较长，且一般相对稳定，但如果是人工干预控制操作飞行，其在转向、折返、悬停上则具有较高的自由度，将连续人工干预操作无人机机动飞行称为强机动模式，按照航点任务作业称为弱机动模式。

利用具备探测跟踪无人机和飞鸟功能的某相控阵雷达系统平台，通过大量实验工作与历史航迹数据记录分析，典型的无人机和鸟类在航迹层级别的飞行轨迹如图2、图3 所示。从距离、方位角、航迹长度可以直观体现出两者的区别，完善数据库，其中无人机航迹数据层中包含了大量无人机不同作业类型的航迹，例如手动操作、直线、8 字、折返、悬停飞行等不同轨迹。下面从运动轨迹的局部和总体特征分别描述无人机与飞鸟的特征量的差异，这些特征量分别是航向角标准差、航向震荡频率、平均速度、速度标准差、速度震荡频率。

图2 典型无人机飞行轨迹Fig.2 Typical flight trajectories of UAVs

图3 典型鸟类飞行轨迹Fig.3 Typical flight trajectories of birds

航向角标准差：对于一般飞鸟的轨迹，其方向性相对比较随机，标准差变化范围较大，而无人机在执行弱机动模式飞行时，其标准差值较小。对于这类可以通过对比航向角标准差的差异，较明显地体现出两者飞行轨迹的区别，而在强机动模式下时取值范围较大，较难区分。

航向震荡频率：上述航向角标准差只能体现两者的总体特征，并不能较好地描述局部航向变化特征。为此引入航向震荡频率表征两者的区别，无人机在弱机动模式下其航向震荡次频率值较小，而在飞行过程中，如果只是部分时间人工干预控制操作让其处于强机动模式飞行，随着跟踪次数增加，航向震荡频率值也会逐渐变小，但如果是一直处于强机动模式飞行，则航向震荡频率值一直处于较高的值。因此对于无人机，其航向震荡频率值总是处于较大或者较小值，而飞鸟的飞行轨迹较为灵活且相对平滑，加上一般雷达对其跟踪时间较短，其航向震荡频率数值处于较小与较大范围之间，所以航向震荡频率具备区分无人机与飞鸟的潜力。

平均速度：其对于区分飞鸟和低速无人机不太明显，但是仍然可以作为区分一些大型无人机和飞鸟目标的特征，例如一般固定翼无人机的飞行速度远超于飞鸟。

速度标准差：对于飞鸟而言，其速度相对比较稳定，其标准差的数值一般较小，而无人机由于其飞行相对自由，例如悬停、加速、减速等机动都会影响飞行速度，因此在其机动过程中标准差的数值相对较大，能够作为区分无人机与飞鸟的一个特征。

速度震荡频率：对于飞鸟而言，其速度不会产生突变的情况，而在无人机转向飞行或者悬停过程中，需要加速或者减速。上述速度标准差只能体现两者的总体特征，并不能较好地描述局部速度变化特征，为此引入速度震荡频率来体现速度局部变化特征。一般飞鸟的速度震荡频率数值很小，而无人机在加速或减速过程中，虽然只需要较短的时间，但此时的速度震荡频率值相对较大。因此通过长时间积累，可以作为区分飞鸟与强机动模式下无人机的飞行特征。

1.2 特征计算

定义某条长度为N的航迹目标集合符号记为S={s(1)，s(2)，…，s(N)}，每个数据采样点记为符号s，其中第i个航迹采样点s(i)={r(i)，θ(i)，φ(i)，[v(i)]分别代表目标在该时刻的距离、方位角、俯仰角和速度。

1）航向角标准差

为方便计算航向角，将航迹数据集合下每个采样点s(i)的距离、方位、俯仰(r(i)，θ(i)，φ(i))转化为直角坐标系下(x(i)，y(i)，z(i))，转换公式为

根据上一时刻s(i-1)和当前时刻s(i)算出直角坐标系下的位置信息x(i-1)、y(i-1)、x(i)、y(i)、计算当前i时刻的航向角，符号记为h(i)，计算公式为

其中，计算航向角时需考虑x(i)-x(i-1)、y(i)-y(i-1)值所处的象限区域，从而将-90°～90°的值域转化为0°～360°，则航迹集合S航向角集合H为

要计算航向角的标准差，首先要计算航向角的均值，但是存在某些目标轨迹的航向角跨0°、360°或由于受测量角度误差的影响，而导致产生的跨越情况，因此对于航向角不能采用常规均值方法计算。采用向量化的方法描述这类周期性角度的数据［23］，计算周期性数据均值与标准差的方法是首先将第i个航向角h(i)转化为二维平面上的单位向量r(i)，该航向角在x轴坐标值对应于cosh(i)，y轴坐标值对应于sinh(i)，公式为

把H集合中N-1 个航向角转换成矢量并且相加得到合成向量rs，计算公式如下，航向角均值hm和标准差hstd分别定义为

其中，航向角均值需要考虑rs所处的象限区域，将航向角均值转化为0°～360°。

2）航向震荡频率

为了反映航向变化局部特征，引入航向震荡频率，首先对航迹目标集合S之间的相邻航向角计算差值，记为符号dh(i)，公式为

并判断角度差dh(i)与设定阈值γh之间的大小，计算出航向角之间的差异符号值O(i)，定义为

根据航向角符号值集合O正负符号变换关系，定义两种航向震荡模式［24］：

当满足上述式（10）或式（11）时，判定处于震荡模式并统计震荡次数，符号记为Uh：

式中：γh为航向角差异判定的阈值，可以根据实际雷达测角误差设定。

在得出航向震荡次数后，定义航向震荡频率为

3）平均速度

航迹目标集合S的平均速度计算公式为

4）速度标准差

航迹目标集合S的速度标准差计算公式为

5）速度震荡频率

为了反映速度变化局部特征，引入速度震荡频率，在当前时刻i，取历史L长度段样本点的速度值，计算该长度下的速度均值vmL，定义为

计算当前点速度v(i)和历史均值速度vmL之间的差值，符号记为τv(i)，定义为

设定速度变化阈值γv，当差值大于γv，则该点定义为速度震荡，符号记为Uv(i)，定义为

其中，可根据实际雷达跟踪数据率、跟踪精度调整阈值γv和L长度，速度震荡频率定义为

最后得出航迹计算特征量为航向角标准差、航向震荡频率、速度均值、速度标准差、速度震荡频率，符号为G=[hstd，fh，vm，vstd，fv]，利用这5 个特征量可能在跟踪开始阶段误判目标的类型，但随着目标稳定跟踪时间和次数的增加，时间相关的特征量值可以通过在线动态修正并重新对目标类型进行预测，识别的准确率也会逐步提高。

1.3 离线训练与测试

1）模型选择

在上述得到5 个特征量后，考虑样本特征量非线性且为了防止过拟合，采用软间隔的支持向量机算法［25］，其模型公式为

式中：w为超平面法向量；C为常数，且大于0；ξ为松弛变量；ϕ(x)为映射函数；b为超平面的截距；xi为样本矢量。

上式计算会引入核函数κ(xi，xj)，本文采用高斯核函数，公式为

式中：σ为高斯核函数的带宽，后续采用序列最小优化（Sequential Minimal Optimization，SMO）算法求解模型。

2）训练模型与验证

在确定支持向量机模型后，不同大小的超参数对识别的准确性有较明显的影响。在高斯核函数中需要调整的超参数是惩罚因子C和核函数的带宽σ，首先利用随机采样法将航迹数据集分为训练和测试样本集，然后将训练样本数据集采用5折交叉训练法，寻得最优超参数。获得训练模型和最优超参数后，再利用测试样本集对模型进行验证评估。其中测试样本集数中无人机和鸟类航迹数量分别为114 和76 条，识别混淆矩阵见表1，其中准确识别率为87%，验证了该方法的有效性。

表1 识别混淆矩阵Tab.1 Identification confusion matrix

1.4 识别结果分析

通过对上述误识别的无人机和飞鸟样本进行分析，发现简单平滑且轨迹持续较长的飞鸟与弱机动模式下无人机的特征相差较小，目前仍难以区分。后续为了进一步提高识别率，需要完善飞鸟数据库样本，更加仔细地提取与无人机的差异，如通过回波强度区分，通过某些地理区域内鸟类的活动节律进行统计，从而辅助提高决策的准确率。

2 实验验证

实验过程中以某相控阵雷达系统为平台，部署在飞鸟较为活跃的山林环境。无人机型号为大疆精灵4，考虑到实验的完整性，无人机模拟了多次不同作业和人工操作飞行场景的任务，其中在某次跟飞实验中，雷达目标跟踪与识别的平面显示器（Pixel Per Inch，PPI）画面，如图4、图5 所示，图中符号R、A、E、V、H分表代表距离、方位角、俯仰角、速度、高度。

图4 无人机目标跟踪识别PPIFig.4 Tracking recognition PPI diagram for UAV targets

图5 飞鸟目标跟踪识别PPIFig.5 Tracking recognition PPI diagram for bird targets

由图4、图5 可见，无人机目标的批号为223，方位角在356°方向，运动轨迹为首先经过一段背离雷达方向的飞行，在到达指定航向任务点时拐弯调转方向，并按照进入雷达的方向飞行，而飞鸟目标的批号为337，方位角在33°方向，飞行轨迹较为无序，雷达在稳定持续跟踪情况下，均正确识别了无人机与飞鸟目标，实验结果验证了该方法在工程角度实现的轻量性与可行性。

3 结束语

本文分析了无人机与飞鸟在运动轨迹上的特征差异，基于大量历史雷达探测航迹数据分析，提出了时间相关的航向、速度震荡频率特征量计算方法，并将机器学习领域的SVM 算法应用到实际雷达跟踪识别处理中，通过离线和在线均验证了识别分类的有效性和准确率，在工程角度上具有轻量性、实用性、适用性。