孫延鵬，李思銳，屈樂樂

（沈陽航空航天大學(xué)電子信息工程學(xué)院，遼寧沈陽 110136）

0 引 言

近些年，由于無人機(jī)技術(shù)高速發(fā)展，旋翼無人機(jī)已逐步應(yīng)用于各個(gè)行業(yè)領(lǐng)域。無人機(jī)便于攜帶、放飛條件便利，具備載物的功能，可以越過機(jī)場圍界侵入機(jī)場內(nèi)部，或者向機(jī)場圍界內(nèi)投擲物品。同時(shí)圍繞因民用無人機(jī)“黑飛”導(dǎo)致的炸機(jī)傷人、侵犯隱私、擾亂航空秩序等不法行為時(shí)有發(fā)生。其中，擾亂航空秩序最為嚴(yán)重，可能造成的傷害和潛在的公共安全威脅最為嚴(yán)重、直接［1-2］。傳統(tǒng)的小型旋翼無人機(jī)探測技術(shù)大致包括雷達(dá)探測、聲波探測、光電探測、電視廣播探測、無線電頻譜探測等。其中雷達(dá)探測方法探測距離遠(yuǎn)、定位目標(biāo)準(zhǔn)確并且反應(yīng)效率高，與其他探測方法相比具有明顯的優(yōu)勢，因此雷達(dá)探測被廣泛應(yīng)用。由于小型旋翼無人機(jī)具有體積小、重量輕等特點(diǎn)，且飛行速度慢、高度低，傳統(tǒng)的無人機(jī)檢測方法會產(chǎn)生較大的盲點(diǎn)。隨著深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺領(lǐng)域的顯著影響，越來越多的人將雷達(dá)探測和深度學(xué)習(xí)結(jié)合應(yīng)用于無人機(jī)的圖像分類和目標(biāo)檢測中［3］。

微多普勒特征是研究旋翼無人機(jī)分類識別的熱點(diǎn)，雷達(dá)探測能測量運(yùn)動(dòng)物體的微多普勒特性。微多普勒特征除了主體運(yùn)動(dòng)（例如轉(zhuǎn)子葉片）外，還取決于物體移動(dòng)和旋轉(zhuǎn)的部分，因此是物體類型的特征［4-5］?，F(xiàn)階段多利用微多普勒特征處理小型無人直升機(jī)和多旋翼無人機(jī)的分類問題。文獻(xiàn)［6］提出了采用單元平均恒虛警處理（Cell Average Constant False Alarm Rate, CA-CFAR）的方法檢測距離多普勒圖（Range-Doppler,RD）中的目標(biāo)，通過提取頻譜中的微多普勒特征來區(qū)分懸停無人機(jī)與地面雜波。全世界每年約發(fā)生一萬多起鳥撞飛機(jī)導(dǎo)致的空中險(xiǎn)情和空難，由于高空中飛行的鳥類體積大小和飛行速度與無人機(jī)相似［7-8］，因此對于無人機(jī)和鳥類的分類也十分重要，文獻(xiàn)［9］采用投影度量學(xué)習(xí)（Projection Metric Learning, PML）對鳥類和三類無人機(jī)的微多普勒特征進(jìn)行識別評估。微多普勒特征在時(shí)域上顯示多普勒信息，在頻域表示為節(jié)奏速度圖（Cadence-Velocity Diagram,CVD）。因此文獻(xiàn)［10］為了同時(shí)對時(shí)域和頻域上的無人機(jī)微多普勒信息進(jìn)行分析，提出了一種將微多普勒特征和CVD 相結(jié)合的新圖像，稱為合并多普勒圖像（Merged Doppler Image，MDI），傳輸?shù)紾oogLeNet網(wǎng)絡(luò)中進(jìn)行分類識別。

上述方法大多網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜且僅在單個(gè)或兩個(gè)域中分析微多普勒特征，導(dǎo)致特征單一對后續(xù)分類工作產(chǎn)生影響，使準(zhǔn)確率普遍偏低。本文采用三通道卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Networks,CNN）同時(shí)提取多旋翼無人機(jī)的雷達(dá)回波信號特征的分類方法，分別在時(shí)頻域和節(jié)奏速度域利用SqueezeNet網(wǎng)絡(luò)進(jìn)行提取信號特征，在節(jié)奏頻率域利用一維卷積神經(jīng)網(wǎng)絡(luò)（1-D-CNN）提取信號特征，將三個(gè)域的特征進(jìn)行融合，最后輸入支持向量機(jī)（Support Vector Machine, SVM）中進(jìn)行分類。該方法保障了信號特征的全面性，大大提高了識別準(zhǔn)確率。

1 連續(xù)波雷達(dá)回波信號分類過程

連續(xù)波（CW）雷達(dá)回波信號分類過程主要包含三個(gè)步驟，如圖1 所示。CW 雷達(dá)回波基帶數(shù)據(jù)首先通過時(shí)頻變換的方法將基帶數(shù)據(jù)變換到不同的數(shù)據(jù)域，然后在不同的數(shù)據(jù)域中進(jìn)行特征提取，最后根據(jù)特征提取的方法來選擇對應(yīng)的分類識別算法進(jìn)行旋翼無人機(jī)的分類。

2 時(shí)頻變換

旋翼無人機(jī)的葉片旋轉(zhuǎn)稱為微動(dòng)。它可以誘導(dǎo)返回信號的周期性和時(shí)變頻率調(diào)制。這種周期信號會產(chǎn)生時(shí)變多普勒頻移，稱為微多普勒效應(yīng)。這種微多普勒效應(yīng)的特征取決于各種因素，如轉(zhuǎn)速、葉片長度和葉片數(shù)量，這些因素可以提供微動(dòng)小型無人機(jī)的動(dòng)力學(xué)和物理規(guī)格信息。因此，由旋翼無人機(jī)引起的微多普勒特征將為旋翼無人機(jī)的檢測和分類提供有用的信息。

短時(shí)傅里葉變換（Short-Time Fourier Transform,STFT）是一種在雷達(dá)回波信號處理中被廣泛使用的時(shí)頻變換方法，其實(shí)質(zhì)是加窗的傅里葉變換。STFT 的過程是利用一個(gè)固定長度的窗函數(shù)h(t)與信號相乘，對信號進(jìn)行截取，并對截取的信號進(jìn)行傅里葉變換，假設(shè)非平穩(wěn)信號在分析窗口的短時(shí)間間隔內(nèi)穩(wěn)定，通過窗函數(shù)h(t)在時(shí)間軸上的移動(dòng)，逐段分析信號得到局部頻譜的集合。雷達(dá)接收信號是待測旋翼無人機(jī)上的所有散射點(diǎn)的回波，因此接收到的雷達(dá)基帶回波信號可以表示為

式中n為移動(dòng)散射體的總數(shù)，ai為第i個(gè)散射體的反射系數(shù)，φi(t)= 4πRi(t)/λ為第i個(gè)散射體的相位調(diào)制，η(t)為加性噪聲。

基帶回波信號y(t)的短時(shí)傅里葉變換數(shù)學(xué)表達(dá)式如下:

式中h(t)為短時(shí)傅里葉變換的窗函數(shù)，τ為窗函數(shù)移動(dòng)的位置，ω為多普勒頻率。

在微多普勒特征分析中，微多普勒特征的頻率是一個(gè)重要的因素，但是目標(biāo)的微動(dòng)在時(shí)頻圖中被重復(fù)地表示，因此本文引入了CVD 來分析時(shí)頻圖中頻率特征。時(shí)頻圖呈現(xiàn)了時(shí)間維微多普勒頻率的變化，為旋翼無人機(jī)分類識別提供了葉片轉(zhuǎn)速、葉片長度等重要參數(shù)。而CVD 呈現(xiàn)了節(jié)奏速度域微多普勒頻率的變化，提供了微動(dòng)部件的運(yùn)動(dòng)狀態(tài)、尺寸信息和頻率信息，它不僅信息分布集中，還具有一定的抗噪能力［1］，因此CVD 對于分析旋翼機(jī)回波信號也是有效的。周期性特征是旋翼無人機(jī)的顯著特征之一，CVD 的生成是在時(shí)間軸上對時(shí)頻圖進(jìn)行傅里葉變換，能準(zhǔn)確地體現(xiàn)微多普勒特征的周期性特征。其公式如下:

式中f表示節(jié)奏頻率。

CVD 在多普勒維度上求和可以得到無人機(jī)的節(jié)奏頻譜圖（Cadence Frequency Spectrum，CFS），然后進(jìn)行歸一化如圖3（c）、4（c）、5（c）所示，它可以從整體上反映出無人機(jī)的微運(yùn)動(dòng)的頻率變化趨勢，同時(shí)求和操作可以從整體上削弱無人機(jī)回波信號中噪聲的影響。CFS 是對于CVD 的一種壓縮，將其壓縮成一維向量，它不會為了提取出二維CVD 圖中強(qiáng)點(diǎn)的相關(guān)信息就忽略其他較弱點(diǎn)的信息，因此就不會丟掉信號的變化趨勢。其公式如下:

生成時(shí)頻圖、CVD和CFS的流程圖如圖2所示。

本文主要實(shí)現(xiàn)三類旋翼無人機(jī)的分類，分別為直升機(jī)無人機(jī)、四旋翼無人機(jī)和六旋翼無人機(jī)，圖3～5 所示為此三類無人機(jī)的時(shí)頻圖、CVD 圖和CFS圖。

圖3 直升機(jī)無人機(jī)的時(shí)頻圖、CVD和CFS

圖4 四旋翼無人機(jī)的時(shí)頻圖、CVD和CFS

圖5 六旋翼無人機(jī)的時(shí)頻圖、CVD和CFS

3 旋翼無人機(jī)回波信號分類

3.1 基于時(shí)頻圖和CVD的特征提取

本文采用SqueezeNet 網(wǎng)絡(luò)對三類無人機(jī)的時(shí)頻圖和CVD圖進(jìn)行特征提取。

在深度學(xué)習(xí)領(lǐng)域中卷積神經(jīng)網(wǎng)絡(luò)一直都是炙手可熱的網(wǎng)絡(luò)框架。但是大多數(shù)網(wǎng)絡(luò)結(jié)構(gòu)以追求提升識別精確率為主要目的，采用手段的主要方向包括加深網(wǎng)絡(luò)結(jié)構(gòu)和增強(qiáng)卷積模塊功能，這導(dǎo)致了用于識別的網(wǎng)絡(luò)較為復(fù)雜，需要的內(nèi)存和算力也大大增加。文獻(xiàn)［10］采用GoogLeNet 網(wǎng)絡(luò)結(jié)構(gòu)檢測和分類旋翼無人機(jī)的MDI，而SqueezeNet作為一種輕量級卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，不僅可以保持原有的模型精度，還能大大提高運(yùn)算速度，更有利于分類工作。

SqueezeNet 創(chuàng)新點(diǎn)在于提出了Fire 模塊，它與GoogLeNet 網(wǎng)絡(luò)的Inception 類似。Fire 模塊是由squeeze 卷積層和expand 卷積層兩個(gè)部分構(gòu)成的。squeeze 層是為了降低特征圖維數(shù)，其采用1×1 卷積核對特征圖進(jìn)行卷積。expand 使用的Inception結(jié)構(gòu)，包括1×1 和3×3 卷積，然后拼接。如圖6 所示，SqueezeNet 打破了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，將網(wǎng)絡(luò)中的全連接層用全局平均池化層代替，模型參數(shù)減少，使得SqueezeNet 訓(xùn)練速度加快、計(jì)算效率提高，能有效提高識別性能。

圖6 SqueezeNet網(wǎng)絡(luò)結(jié)構(gòu)

在SqueezeNet 網(wǎng)絡(luò)的第一層輸入227×227×3的時(shí)頻圖和CVD 圖，經(jīng)過訓(xùn)練后通過全局平均池化層（Global avgpool）輸出特征向量，提取出其主要特征，為后續(xù)工作做準(zhǔn)備。

3.2 基于CFS的特征提取

不同類型的無人機(jī)由于葉片轉(zhuǎn)速不同，其雷達(dá)截面積（Radar Cross-Section, RCS）也不同，RCS決定了多普勒頻率的能量和濃度由CFS 的峰值形狀所表示，因此不同類型無人機(jī)的CFS 特征不同，可以利用CFS 的特征對無人機(jī)進(jìn)行分類識別。同時(shí)，由于CFS 本質(zhì)是一維數(shù)據(jù)，本文采用搭建1-DCNN 網(wǎng)絡(luò)對其進(jìn)行特征提取，與上述對圖像的特征提取方法相比，該方法具有較低的計(jì)算復(fù)雜度。

如圖7所示是自主構(gòu)建的1-D-CNN 網(wǎng)絡(luò)，它包括兩個(gè)卷積層，每個(gè)卷積層后依次連接ReLU 激活函數(shù)和最大池化層，在兩個(gè)相連的卷積層后連接一個(gè)全連接層，作為1-D-CNN 的最后一層，經(jīng)過訓(xùn)練后通過全連接層（Full Connection）輸出特征向量，提取出其主要特征。

圖7 1-D-CNN網(wǎng)絡(luò)結(jié)構(gòu)

3.3 SVM分類器

特征被提取出來之后要選擇合適的分類器對其進(jìn)行分類和識別，本文采用SVM 作為分類器。SVM 是常用的二元分類器，為分離類之間的數(shù)據(jù)構(gòu)造了一個(gè)最大邊距超平面，因此是依據(jù)統(tǒng)計(jì)學(xué)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小的一種最佳折中分算法，可以將問題化為一個(gè)求解凸二次規(guī)劃的問題。SVM在學(xué)習(xí)復(fù)雜的非線性方程時(shí)提供了一種更為清晰、更加有效的方法。SVM 算法在進(jìn)行機(jī)器學(xué)習(xí)時(shí)能夠很好地解決小樣本問題，簡化常用的分類和回歸等問題。當(dāng)某些點(diǎn)到分類平面的距離過大時(shí)，SVM 能利用松弛變量的特點(diǎn)允許其不滿足原先的要求，從而避免這些點(diǎn)對模型學(xué)習(xí)的影響。

本文將提取出的時(shí)頻圖、CVD 和CFS 特征級聯(lián)作為預(yù)測變量，并用fitcecoc 函數(shù)調(diào)用多類支持向量機(jī)，使用經(jīng)過訓(xùn)練的SVM 模型和從測試圖像中提取的特征對測試圖像進(jìn)行分類。綜上所述，本文構(gòu)建的多域特征融合的旋翼無人機(jī)分類識別流程圖如圖8所示。

圖8 多域特征融合旋翼無人機(jī)分類識別流程圖

4 實(shí)測數(shù)據(jù)結(jié)果分析

4.1 實(shí)驗(yàn)場景及預(yù)處理

本次實(shí)驗(yàn)采用K 波段CW 雷達(dá)對無人機(jī)進(jìn)行實(shí)際測量，其載頻24 GHz，基帶采樣頻率128 kHz，發(fā)射功率16 dBm，天線增益15 dBi。

實(shí)驗(yàn)中使用了三種旋翼無人機(jī)。它們是一架直升機(jī)無人機(jī)、一架四旋翼無人機(jī)和一架六旋翼無人機(jī)，如圖9所示。訓(xùn)練數(shù)據(jù)由每架旋翼無人機(jī)在單獨(dú)懸停時(shí)反射的雷達(dá)回波組成，各旋翼無人機(jī)與測試?yán)走_(dá)之間的距離均為1 m，實(shí)驗(yàn)場景如圖10 所示。每類無人機(jī)的測量重復(fù)20 次，持續(xù)時(shí)間為6 s，每個(gè)數(shù)據(jù)記錄被分成20 個(gè)長度為0.3 s的片段，長度足以包含微型無人機(jī)反射的雷達(dá)信號的幾個(gè)周期。

圖9 無人機(jī)模型圖

圖10 實(shí)測場景圖

采集到雷達(dá)回波信號后，需要對其進(jìn)行預(yù)處理。信號預(yù)處理包括去均值和濾波操作，濾波操作主要是為了去除信號中的噪聲，防止噪聲對信號特征的提取造成干擾，影響實(shí)驗(yàn)結(jié)果。

4.2 特征可視化分析

為了對各個(gè)域特征以及融合特征進(jìn)行了識別性能對比分析，本文通過t 分布-隨機(jī)鄰近嵌入（tdistributed Stochastic Neighbor Embedding，t-SNE）進(jìn)行特征可視化，t-SNE 是高維數(shù)據(jù)可視化的工具，是隨機(jī)近鄰嵌入（Stochastic Neighbor Embedding，SNE）的變體，比SNE 更容易優(yōu)化，通過減弱數(shù)據(jù)點(diǎn)向中心擁擠的趨勢來獲取更好的可視化效果。對于聚類來說，輸入的特征維數(shù)是高維的，一般難以直接以原特征對聚類結(jié)果進(jìn)行展示。而t-SNE提供了一種有效的數(shù)據(jù)降維模式，是一種非線性降維算法，最終在二維空間里展示聚類結(jié)果。如圖11（a）、（b）、（c）所示分別是時(shí)頻圖、CVD 和CFS 特征的t-SNE 散點(diǎn)圖，圖11（d）所示是三域特征融合的t-SNE 散點(diǎn)圖，對比發(fā)現(xiàn)三域特征融合后的聚類效果明顯優(yōu)于單個(gè)域的聚類效果，體現(xiàn)了多域特征融合方法的有效性。

4.3 實(shí)驗(yàn)結(jié)果分析

為了證明多域特征融合分類的有效性，本文采用對比實(shí)驗(yàn)的方法進(jìn)行分析，分別對時(shí)頻圖、CVD 和CFS 分類得到準(zhǔn)確率，再與多域特征融合后的分類準(zhǔn)確率作對比。每類無人機(jī)的數(shù)據(jù)總數(shù)為400 個(gè)，由于實(shí)驗(yàn)場景原因，部分?jǐn)?shù)據(jù)沒有記錄上或混入其他目標(biāo)，因此手動(dòng)去除空數(shù)據(jù)和錯(cuò)誤數(shù)據(jù)，最終每類無人機(jī)共有386 個(gè)數(shù)據(jù)，從中取出70%作為訓(xùn)練集，共有270 個(gè)數(shù)據(jù)，剩余30%作為測試集，共有116 個(gè)數(shù)據(jù)對訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測試。

表1～3所示分別為僅對時(shí)頻圖、CVD 和CFS提取的特征進(jìn)行旋翼無人機(jī)分類的混淆矩陣，表4所示為本文提出的將3 個(gè)域特征融合后進(jìn)行旋翼無人機(jī)分類的混淆矩陣。由表1～4 可以看出僅對時(shí)頻圖或者僅對CVD 圖的特征進(jìn)行分類已有高達(dá)約97%的準(zhǔn)確率，但將時(shí)頻域、節(jié)奏速度域和節(jié)奏頻率域的特征進(jìn)行融合再分類，準(zhǔn)確率達(dá)到99.14%，有明顯的提高。這是因?yàn)镃VD 不僅可以分析微多普勒特征的頻率，還不依賴與無人機(jī)旋翼的初始相位，避免了由于初始相位不同引起的誤差，影響分類的準(zhǔn)確率。但是四旋翼無人機(jī)和六旋翼無人機(jī)同樣是由于多個(gè)葉片微動(dòng)誘導(dǎo)的微多普勒效應(yīng)，其頻率變化復(fù)雜程度較為接近，導(dǎo)致兩類無人機(jī)在僅對CVD 特征進(jìn)行分類識別時(shí)錯(cuò)誤率較高，為了解決上述問題，本文引入CFS 的特征。多普勒頻率的能量和濃度由CFS 的峰值形狀所表示，不同類型無人機(jī)由于RCS 不同，CFS 特征也不同，因此可以利用CFS 的特征對無人機(jī)進(jìn)行分類識別。

表1 對時(shí)頻圖特征進(jìn)行分類混淆矩陣

表2 對CVD特征進(jìn)行分類混淆矩陣

表3 對CFS特征進(jìn)行分類混淆矩陣

表4 三域特征融合進(jìn)行分類混淆矩陣

綜上所述，本文使用多域融合提取時(shí)頻圖、CVD 和CFS 的特征，將其融合送入SVM 中進(jìn)行分類，能對雷達(dá)回波信號在時(shí)頻域、節(jié)奏速度域和節(jié)奏頻率域上的特征進(jìn)行詳細(xì)的描述，從多方面提取率旋翼無人機(jī)的特征，保證了特征的全面性和多樣性，大大降低了由于特征單一引起的識別錯(cuò)誤的概率。由表1～4 可見該方法的準(zhǔn)確率遠(yuǎn)遠(yuǎn)高于單通道網(wǎng)絡(luò)的準(zhǔn)確率，同時(shí)也體現(xiàn)了三通道網(wǎng)絡(luò)的優(yōu)勢。

4.4 不同無人機(jī)分類方法分析

為了驗(yàn)證本文所提方法在無人機(jī)分類方面的優(yōu)勢，本小結(jié)將現(xiàn)已提出的部分無人機(jī)分類識別的方法，用相同的數(shù)據(jù)集、相同的信號處理方式作對比實(shí)驗(yàn)。

文獻(xiàn)［10］采用的方法是把微多普勒特征和CVD 相結(jié)合成新圖像MDI，將其傳輸?shù)紾oogLeNet網(wǎng)絡(luò)中進(jìn)行分類識別。文獻(xiàn)［11］是在多普勒軸上通過對CVD 相加求和提取出CFS，并將其送入Kmeans 分類器進(jìn)行無人機(jī)分類識別。本文采用的方法是提取時(shí)頻圖、CVD 和CFS 的特征，進(jìn)行特征融合后輸入SVM 中進(jìn)行分類識別。分別對以上方法進(jìn)行實(shí)驗(yàn)，結(jié)果如表5所示。

由表5可以看出，本文所提無人機(jī)分類方法的準(zhǔn)確率明顯高于其他分類方式，一方面是因?yàn)楸疚牟捎玫木W(wǎng)絡(luò)是SqueezeNet網(wǎng)絡(luò)，是一種輕量化的網(wǎng)絡(luò)，它的體積小、計(jì)算量少、速度快并且擁有更高的精度，對于圖像處理方面更有優(yōu)勢。另一方面是由于文獻(xiàn)［10］和文獻(xiàn)［11］的分類方法提取的特征都比較單一，會遺失一些微小特征影響分類效果，而本文所提分類方法提取了多個(gè)域的特征進(jìn)行融合后再分類，保證了特征的全面性。

5 結(jié)束語

本文提出了一種基于多域特征融合的旋翼無人機(jī)分類識別方法，分別提取時(shí)頻圖、CVD 和CFS的特征，進(jìn)行特征融合，通過SVM 分類器進(jìn)行分類，最終實(shí)驗(yàn)準(zhǔn)確率為99.14%。接下來的工作可以圍繞著開集識別算法展開，識別無人機(jī)以外的其他目標(biāo)如鳥類，提高無人機(jī)識別的實(shí)用性。