[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN107886121A - 基于多波段雷达的目标识别方法、装置及系统 - Google Patents

基于多波段雷达的目标识别方法、装置及系统 Download PDF

Info

Publication number
CN107886121A
CN107886121A CN201711072686.5A CN201711072686A CN107886121A CN 107886121 A CN107886121 A CN 107886121A CN 201711072686 A CN201711072686 A CN 201711072686A CN 107886121 A CN107886121 A CN 107886121A
Authority
CN
China
Prior art keywords
band
radar
identified
signal
unmanned plane
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201711072686.5A
Other languages
English (en)
Inventor
王德祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Rui Qing Dimension Airlines Technology Development Co Ltd
Original Assignee
Beijing Rui Qing Dimension Airlines Technology Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Rui Qing Dimension Airlines Technology Development Co Ltd filed Critical Beijing Rui Qing Dimension Airlines Technology Development Co Ltd
Priority to CN201711072686.5A priority Critical patent/CN107886121A/zh
Publication of CN107886121A publication Critical patent/CN107886121A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明的实施方式提供了一种基于多波段雷达的目标识别方法、装置及系统。该基于多波段雷达的目标识别方法包括：采集待识别目标的雷达回波数据，其中所述雷达回波数据至少包括第一波段回波信号和第二波段回波信号；根据所述雷达回波数据采用主成分分析方法提取所述待识别目标的特征，其中所述特征至少包括根据所述第一波段回波信号提取的第一特征数据和根据所述第二波段回波信号提取的第二特征数据；以及根据所述特征采用分类算法识别所述待识别目标的类别。通过多波段的雷达回波数据，本发明的方法可以应用于待识别目标的分类检测。此外，本发明的实施方式提供了一种基于多波段雷达的目标识别装置、电子设备和计算机可读的存储介质。

Description

基于多波段雷达的目标识别方法、装置及系统
技术领域
本发明的实施方式涉及雷达技术领域和模式识别技术领域，更具体地，本发明的实施方式涉及基于多波段雷达的目标识别方法、装置、系统、电子设备以及计算机可读的存储介质。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
无人机是利用一种无线电设备控制的不载人飞机。近年来，随着无人机领域技术的快速发展，无人机的研究在全世界范围内得到关注，许多公司纷纷加入无人机的开发与生产当中。随着无人机的不断普及，无人机相关产品也广泛用于各个领域比如空中侦查、通信、航拍摄影等各种场合。
但是由于相关法律的亟待完善，近来频发的无人机“黑飞”事件给社会造成了不好的社会影响，同时也让无人机的进一步发展蒙上了一层阴影。同时无人机的违法违规使用，常常会影响民航飞机的安全飞行。此外，无人机可能被滥用，从而造成对个人隐私的侵犯。同时，无人机还有可能会从空中落下伤害周围的人等。因此，对无人机实行必要的监控、采取反制手段、正确判别无人机的状态、识别无人机的类别显得日益重要，其相关应用需求广泛存在于反恐、民航监控、无人机监管等领域。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
但是，日常人们操作的无人机通常尺寸较小，并且是一种受人控制的目标，其飞行高度也相对比较低。常用的监控手段例如基于图像处理技术的视频监控受光照等环境因素影响大，而一些其他的反制装置主要是以对无人机的捕获或者摧毁为目标，通过击落或者拦截的方式来实现这些目的，其相对来说比较复杂，限制了其在低空无人机监控方面的应用。
与此相比，雷达是利用电磁波探测目标的电子设备。雷达是通过发射电磁波，接受目标的反射回波从而对目标进行探测，相对于视频监控，雷达监控系统具有全天候工作能力，受环境因素影响小，因此可以利用于无人机的监控。
当前基于图像处理技术的监测系统，受气候、温度和光照条件影响较大，存在着识别准确率不高的问题。此外利用单波段的雷达观测目标常常是只得到目标在一个波段的散射特征信息，而目标特性常常是随着雷达的波段不同其的散射特征通常是不同的。为了解决这些不足，本发明提出了一种利用双波段雷达系统采集数据，提取目标雷达回波信号特征作为分析分类依据的无人机的类别识别方法。
因此在现有技术中，在基于雷达的监控以及预警系统等的实现中，对雷达回波数据中的目标进行自动分类识别是一个重要问题。
为此，非常需要一种改进的基于多波段雷达的目标识别方法、装置及系统，一方面能够避免常用视频监控和图像处理技术的受光照影响较大等问题，还能够避免小目标对目标检测和识别产生的检测效果变差等问题，从而对雷达回波数据中的目标进行自动分类识别。
在本上下文中，本发明的实施方式期望提供一种基于多波段雷达的目标识别方法、装置、系统、电子设备以及计算机可读的存储介质。
在本发明实施方式的第一方面中，提供了一种基于多波段雷达的目标识别方法，包括：采集待识别目标的雷达回波数据，其中所述雷达回波数据至少包括第一波段回波信号和第二波段回波信号；根据所述雷达回波数据采用主成分分析方法提取所述待识别目标的特征，其中所述特征至少包括根据所述第一波段回波信号提取的第一特征数据和根据所述第二波段回波信号提取的第二特征数据；以及根据所述特征采用分类算法识别所述待识别目标的类别。
在本发明的一个实施例中，所述待识别目标包括不同类别的无人机。
在本发明的另一个实施例中，所述不同类别的无人机包括直升机和多翼无人机。
在本发明的又一个实施例中，所述根据所述雷达回波数据采用主成分分析方法提取所述待识别目标的特征包括：分别对每一类无人机的所述雷达回波数据进行截取，获得每一类无人机的第一波段样本数据和第二波段样本数据；其中固定每个截取时间的长度，且所述截取时间的长度大于无人机转动周期；根据每一类无人机的所述第一波段样本数据获得每一类无人机的第一波段特征值和第一波段特征向量，以及根据每一类无人机的所述第二波段样本数据获得每一类无人机的第二波段特征值和第二波段特征向量；根据每一类无人机的所述第一波段特征值和所述第一波段特征向量获得每一类无人机的第一波段特征，以及根据每一类无人机的所述第二波段特征值和所述第二波段特征向量获得每一类无人机的第二波段特征；以及根据每一类无人机的所述第一波段特征和所述第二波段特征获得每一类无人机的融合特征。
在本发明的再一个实施例中，所述根据所述特征采用分类算法识别所述待识别目标的类别包括：将所述融合特征划分为训练融合特征和测试融合特征；根据所述训练融合特征训练所述分类算法；将所述测试融合特征输入至训练后的所述分类算法中识别所述待识别目标的类别。
在本发明的再一个实施例中，所述分类算法包括kNN分类器或者支持向量机。
在本发明的再一个实施例中，所述雷达回波数据为连续波雷达回波数据。
在本发明的再一个实施例中，所述第一波段回波信号和所述第二波段回波信号的频率不相同。
在本发明的再一个实施例中，所述第一波段回波信号为K波段回波信号，所述第二波段回波信号为X波段回波信号。
在本发明的再一个实施例中，所述根据所述特征采用分类算法识别所述待识别目标的类别包括：将所述特征划分为训练样本数据和测试样本数据；根据所述训练样本数据训练所述分类算法；将所述测试样本数据输入至训练后的所述分类算法中识别所述待识别目标的类别。
在本发明的再一个实施例中，所述方法还包括：采用预设次数的独立实验验证所述待识别目标的类别识别结果。
在本发明实施方式的第二方面中，提供了一种基于多波段雷达的目标识别装置，包括：数据采集模块，用于采集待识别目标的雷达回波数据，其中所述雷达回波数据至少包括第一波段回波信号和第二波段回波信号；特征提取模块，用于根据所述雷达回波数据采用主成分分析方法提取所述待识别目标的特征，其中所述特征至少包括根据所述第一波段回波信号提取的第一特征数据和根据所述第二波段回波信号提取的第二特征数据；以及类别识别模块，用于根据所述特征采用分类算法识别所述待识别目标的类别。
在本发明的一个实施例中，所述待识别目标包括不同类别的无人机。
在本发明的另一个实施例中，所述不同类别的无人机包括直升机和多翼无人机。
在本发明的又一个实施例中，所述特征提取模块包括数据段截取单元、特征值计算单元、特征提取单元以及特征融合单元。
其中，所述数据段截取单元用于分别对每一类无人机的所述雷达回波数据进行截取，获得每一类无人机的第一波段样本数据和第二波段样本数据。其中固定每个截取时间的长度，且所述截取时间的长度大于无人机转动周期。
所述特征值计算单元用于根据每一类无人机的所述第一波段样本数据获得每一类无人机的第一波段特征值和第一波段特征向量，以及根据每一类无人机的所述第二波段样本数据获得每一类无人机的第二波段特征值和第二波段特征向量。
所述特征提取单元用于根据每一类无人机的所述第一波段特征值和所述第一波段特征向量获得每一类无人机的第一波段特征，以及根据每一类无人机的所述第二波段特征值和所述第二波段特征向量获得每一类无人机的第二波段特征。
所述特征融合单元用于根据每一类无人机的所述第一波段特征和所述第二波段特征获得每一类无人机的融合特征。
在本发明的再一个实施例中，所述类别识别模块包括数据集划分单元、分类器训练单元以及分类识别单元。
其中，所述数据集划分单元用于将所述融合特征划分为训练融合特征和测试融合特征。
所述分类器训练单元用于根据所述训练融合特征训练所述分类算法。
所述分类识别单元用于将所述测试融合特征输入至训练后的所述分类算法中识别所述待识别目标的类别。
在本发明的再一个实施例中，所述分类算法包括kNN分类器或者支持向量机。
在本发明的又一个实施例中，所述雷达回波数据为连续波雷达回波数据。
在本发明的再一个实施例中，所述第一波段回波信号和所述第二波段回波信号的频率不相同。
在本发明的再一个实施例中，所述第一波段回波信号为K波段回波信号，所述第二波段回波信号为X波段回波信号。
在本发明的再一个实施例中，所述类别识别模块包括：数据划分单元，用于将所述特征划分为训练样本数据和测试样本数据；分类器训练单元，用于根据所述训练样本数据训练所述分类算法；目标识别单元，用于将所述测试样本数据输入至训练后的所述分类算法中识别所述待识别目标的类别。
在本发明的再一个实施例中，所述装置还包括结果验证模块，其中所述结果验证模块用于采用预设次数的独立实验验证所述待识别目标的类别识别结果。
在本发明实施方式的第三方面中，提供了一种基于多波段雷达的目标识别方法，该方法包括：向待识别目标发射电磁波，其中所述电磁波包括至少一第一波段电磁波和至少一第二波段电磁波；接收所述电磁波的回波信号，其中所述回波信号包括至少一所述第一波段电磁波的第一波段回波信号和至少一所述第二波段电磁波的第二波段回波信号；以及根据所述回波信号识别所述待识别目标的类别。
在本发明实施方式的第四方面中，提供了一种基于多波段雷达的目标识别系统，该系统包括雷达设备和信号处理终端。所述雷达设备包括至少一第一波段雷达和至少一第二波段雷达。其中，所述雷达设备用于向待识别目标发射电磁波并接收所述电磁波的回波信号；所述信号处理终端用于根据所述回波信号识别所述待识别目标的类别。其中，所述第一波段雷达用于向所述待识别目标发射第一波段电磁波并接收根据所述第一波段电磁波的第一波段回波信号；所述第二波段雷达用于向所述待识别目标发射第二波段电磁波并接收根据所述第二波段电磁波的第二波段回波信号。
在本发明的一个实施例中，所述至少一第一波段雷达的第一探测区域和所述至少一第二波段雷达的第二探测区域至少有部分重叠。
在本发明的另一个实施例中，所述第一波段雷达和所述第二波段雷达同时向所述待识别目标发射电磁波。
在本发明的又一个实施例中，所述至少一第一波段雷达和所述至少一第二波段雷达之间的距离小于等于一预设值。
在本发明的再一个实施例中，所述第一波段电磁波和所述第二波段电磁波的频率不相同。
在本发明实施方式的第五方面中，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如上任一实施例所述的基于多波段雷达的目标识别方法。
在本发明实施方式的第六方面中，提供了一种计算机可读的存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上任一实施例所述的基于多波段雷达的目标识别方法。
根据本发明实施方式的基于多波段雷达的目标识别方法、装置、系统、电子设备和计算机可读的存储介质，通过利用雷达系统发射多波段电磁波，然后对待识别目标的多波段雷达回波进行主成分分析提取目标的特征，并将多波段的特征进行融合，将融合后的特征通过分类算法进行分类，能够得到不同待识别目标的类别。同时，雷达是通过发射电磁波、接收待识别目标的反射回波从而对目标进行探测，相对于视频监控，该基于多波段雷达的目标识别方法具有全天候工作能力，受环境因素影响小。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1示意性地示出了根据本发明实施方式的可以在其中实现的应用场景示意图；
图2示意性地示出了根据本发明一实施例的基于多波段雷达的目标识别方法流程图；
图3示意性地示出了根据本发明一实施例的应用kNN分类器的方法流程图；
图4示意性地示出了根据本发明一实施例的kNN分类器示意图；
图5示意性地示出了根据本发明又一实施例的基于多波段雷达的目标识别方法流程图；
图6示意性地示出了根据本发明一实施例的试验无人机的典型雷达回波信号；
图7示意性地示出了根据本发明一实施例的试验无人机的特征值示意图；
图8示意性地示出了根据本发明一实施例的基于多波段雷达的目标识别装置的结构示意图；
图9示意性地示出根据本发明再一实施例的基于多波段雷达的目标识别方法流程图；
图10示意性地示出了根据本发明一实施例的基于多波段雷达的目标识别系统的结构示意图；
图11示意性地示出了根据本发明一实施例的电子设备的结构示意图；
图12示意性地示出了根据本发明一实施例的计算机可读的存储介质的示意图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种基于多波段雷达的目标识别方法、装置、系统、电子设备和计算机可读的存储介质。
在本文中，需要理解的是，所涉及的术语小目标表示待识别或者待检测图像中的待识别或者待检测目标相对该待识别或者待检测图像的尺寸较小，即该待识别或者待检测目标在该待识别或者待检测图像中占据的像素较小，例如采用通常的雷达设备采集远距离处的无人机作为待识别或者待检测目标，这里的无人机可以认为是小目标。而本发明实施例中所述的远距离，也是相对要识别或者检测的目标而言的，例如在下面的无人机作为待识别或者待检测目标的实施例中，可以认为距离雷达设备1.5km此外的无人机为远距离的小目标，具体实施例中以2.6km为例进行说明。但是，当将本发明实施方式中的方法应用于不同场景时，小目标和远距离可以进行相应的调整和设置，本发明对此不做限制。附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
发明概述
本发明人发现，当前基于图像处理技术的监测系统，受气候、温度和光照等条件影响较大，存在着识别准确率不高的问题。由于无人机常常尺寸较小并且是一种受控制的目标，其飞行高度也相对比较低。常用的基于视频监控和图像处理技术受光照等环境因素影响大，限制了其在无人机监控方面的应用。此外，利用单波段的雷达观测目标通常只能得到目标在一个波段的散射特征信息，而目标特性常常是随着雷达的波段不同其散射特征不同的。
因此，针对现有技术中存在的基于图像处理技术的监测系统识别准确率不高以及针对尺寸较小且低空飞行的待识别目标检测效果变差、单波段雷达获取目标散射特征信息较少导致识别准确率下降的技术问题，本发明提供了基于多波段雷达的目标识别方法、装置、系统、电子设备和计算机可读的存储介质，通过采集待识别目标的雷达回波数据，其中所述雷达回波数据至少包括第一波段回波信号和第二波段回波信号；根据所述雷达回波数据采用主成分分析方法提取所述待识别目标的特征，其中所述特征至少包括根据所述第一波段回波信号提取的第一特征数据和根据所述第二波段回波信号提取的第二特征数据；以及根据所述特征采用分类算法识别所述待识别目标的类别，这样，本发明实施方式可以利用多波段雷达发射的多波段电磁波探测待识别目标，从而本发明实施方式可以获得更高效、更准确的目标检测效果，具有全天候工作能力，受环境影响小；由此可知，本发明实施方式提供的技术方案有利于自动且高效的检测待识别目标。
在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。
应用场景总览
首先参考图1，示意性地示出了根据本发明实施方式的可以在其中实现的应用场景。
图1中，左侧为雷达设备，右侧为待识别目标。该雷达设备示例的包括X波段雷达和K波段雷达，该X波段雷达同时具有电磁波发射装置(Tr)和电磁波接收装置(Re)，该K波段雷达同样同时具有电磁波发射装置(Tr)和电磁波接收装置(Re)。所述X波段雷达的电磁波发射装置Tr可以用于向待识别目标发射X波段电磁波，所述电磁波接收装置Re可以用于接收所述待识别目标反射回的X波段电磁波的回波信号。所述K波段雷达的电磁波发射装置Tr可以用于向待识别目标发射K波段电磁波，所述电磁波接收装置Re可以用于接收所述待识别目标反射回的K波段电磁波的回波信号。在图示中，该待识别目标以四翼机(a)和直升机(b)为例进行示意说明，但本公开并不限定于此。通过所述雷达设备采集所述待识别目标的雷达回波数据对其进行本发明实施方式中的目标识别的处理。然而，本领域技术人员完全可以理解，本发明实施方式的适用场景不受到该框架任何方面的限制。例如，虽然图示中仅示出了一台雷达设备(分别包括一台X波段雷达和一台K波段雷达)和一架直升机以及一架四翼机，但实际应用场景中，雷达设备、待识别目标的数量以及雷达设备包括的雷达波段数量(大于等于2)、雷达波段、待识别目标的类型均不受限制。
示例性方法
下面结合图1的应用场景，参考图2-7和图9来描述根据本发明示例性实施方式的基于多波段雷达的目标识别方法。需要注意的是，上述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。
参见图2-7和图9，示意性地示出了根据本发明一实施例的基于多波段雷达的目标识别方法的流程图，该方法通常在可以运行计算机程序的设备中执行，例如，在台式计算机或者服务器等设备中执行，当然，也可以在笔记型计算机甚至平板电脑等设备中执行。
本发明实施方式的方法可以包括：步骤S200、步骤S210以及步骤S220。可选的，本发明实施方式的方法还可以包括：步骤S500、步骤S510、步骤S520以及步骤S530。或者，本发明实施方式的方法还可以包括：步骤S900、步骤S910以及步骤S920。
如图2所示，在步骤S200中，采集待识别目标的雷达回波数据，其中所述雷达回波数据至少包括第一波段回波信号和第二波段回波信号。
作为示例，本发明实施方式的所述待识别目标包括不同类别的无人机。
无人机(Unmanned Aerial Vehicle)是无人驾驶飞机的简称，是利用无线电遥控设备和自备的程序控制装置的不载人飞机，包括无人直升机、固定翼机、多旋翼飞行器、无人飞艇、无人伞翼机等。广义地看也包括临近空间飞行器(20-100公里空域)，如平流层飞艇、高空气球、太阳能无人机等。从某种角度来看，无人机可以在无人驾驶的条件下完成复杂空中飞行任务和各种负载任务，可以被看做是“空中机器人”。
作为示例，本发明实施方式的所述不同类别的无人机可以包括直升机和多翼无人机。例如，在下面的实施例中以四翼机为例代表典型的多翼无人机进行示例说明。但本公开并不限定于此，在不同的应用场景中，本发明实施方式提供的方法可以用于区分固定翼无人机、直升机和多翼无人机、伞翼无人机、扑翼无人机和无人飞船等任意类别的无人机中的一种或者多种。
需要说明的是，虽然本发明实施例中以不同类别的无人机的区分作为实例进行说明，但本公开并不限定于此，在其他实施例中，还可以应用于其他待识别目标的类别识别，例如也可以用于识别飞鸟和无人机。
在一个优选的实施方式中，所述雷达回波数据为连续波雷达回波数据。
其中，连续发射电磁波的雷达称为连续波雷达。但本公开并不限定于此，在其他实施例中，所述雷达回波数据也可以采用非连续波雷达采集，例如脉冲波。本发明实施方式采用的连续波雷达具有精度高、功率低、不存在距离盲点以及便于携带的优点，非常适合将采集该雷达回波数据的雷达设备随时安置于需要监测的复杂空间环境，因此非常适合在本实验中采集数据。
在一个优选的实施方式中，所述第一波段回波信号和所述第二波段回波信号的频率不相同。
在一个优选的实施方式中，所述第一波段回波信号可以为K波段回波信号，中心频率为24GHz。
在另一个优选的实施方式中，所述第二波段回波信号可以为X波段回波信号，中心频率为9.8GHz。
需要说明的是，本发明实施方式也可以采用其他波段的连续波雷达，例如S波段雷达，即也可以采用三个或者三个以上波段的雷达设备采集所述雷达回波数据，从而所述雷达回波数据中可以包括三个或者三个以上的波段回波信号。
在步骤S210中，根据所述雷达回波数据采用主成分分析方法提取所述待识别目标的特征，其中所述特征至少包括根据所述第一波段回波信号提取的第一特征数据和根据所述第二波段回波信号提取的第二特征数据。
主成分分析(Principal Component Analysis，PCA)，是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。
在一个优选的实施方式中，根据所述雷达回波数据可以提取获得K波段回波信号的第一特征数据和X波段回波信号的第二特征数据。在其他实施例中，根据所述雷达回波数据可以提取其他波段回波信号的三个或者三个以上的特征数据，本公开对此不作限定。
在一个优选的实施方式中，所述根据所述雷达回波数据采用主成分分析方法提取所述待识别目标的特征可以包括：分别对每一类无人机的所述雷达回波数据进行截取，获得每一类无人机的第一波段样本数据和第二波段样本数据；其中固定每个截取时间的长度，且所述截取时间的长度大于无人机转动周期；根据每一类无人机的所述第一波段样本数据获得每一类无人机的第一波段特征值和第一波段特征向量，以及根据每一类无人机的所述第二波段样本数据获得每一类无人机的第二波段特征值和第二波段特征向量；根据每一类无人机的所述第一波段特征值和所述第一波段特征向量获得每一类无人机的第一波段特征，以及根据每一类无人机的所述第二波段特征值和所述第二波段特征向量获得每一类无人机的第二波段特征；以及根据每一类无人机的所述第一波段特征和所述第二波段特征获得每一类无人机的融合特征。
在步骤S220中，根据所述特征采用分类算法识别所述待识别目标的类别。
在一个优选的实施方式中，所述根据所述特征采用分类算法识别所述待识别目标的类别可以进一步包括：将所述特征划分为训练样本数据和测试样本数据；根据所述训练样本数据训练所述分类算法；将所述测试样本数据输入至训练后的所述分类算法中识别所述待识别目标的类别。
在另一个优选的实施方式中，所述根据所述特征采用分类算法识别所述待识别目标的类别包括：将所述融合特征划分为训练融合特征和测试融合特征；根据所述训练融合特征训练所述分类算法；将所述测试融合特征输入至训练后的所述分类算法中识别所述待识别目标的类别。
在一个优选的实施方式中，所述分类算法可以为kNN分类器。
例如，该基于多波段雷达的目标识别方法如图3所示，首先雷达采集数据，然后通过雷达采集的数据提取特征，根据提取的特征产生训练样本用于训练kNN分类器，并根据提取的特征产生测试样本，通过训练好的SVM分类器进行kNN分类，最终输出分类结果。
本发明实施方式中训练样本和测试样本是从总样本中随机选取的，一部分作为训练样本，其余的全部作为测试样本。但本公开并不限定于此。
其中，kNN分类器也可以称为K近邻分类器，是一种基于多数投票的分类算法。其基本原理是：计算测试样本与训练样本之间的欧几里得距离，由k个(k为整数)最近距离的训练样本投票，选出得票最多的类型标签，作为分类结果。其示意图如图4所示，其中特征向量用二维平面上的点表示，数据可分为2种类型。当k＝1时，最近距离的训练样本为类型1，分类结果为类型1；当k＝2时，2个最近邻中包含1个类型1和1个类型2训练样本，分类结果在类型1、2中随机选取；当k＝3时，3个最近邻中包含1个类型1样本和2个类型2样本，分类结果为类型2。以此类推，k＝4时分类结果在类型1、2中随机选取，k＝5时分类结果为类型1。一般情况下，k值根据应用场景选取，k的取值可以由用户自由选择。
kNN算法的训练过程是存储所有训练数据的特征向量和标签值。kNN算法的测试过程可以包括三步：一是计算测试样本与训练样本的距离；二是选出k个最近邻；三是进行投票分类。
在另一个优选的实施方式中，所述分类算法可以为支持向量机。
支持向量机(Support Vector Machine，SVM)学习问题可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值。而其他分类方法(如基于规则的分类器和人工神经网络)都采用一种基于贪心学习的策略来搜索假设空间，这种方法一般只能获得局部最优解。SVM通过最大化决策边界的边缘来控制模型的能力。通过对数据中每个分类属性引入一个哑变量，SVM可以应用于分类数据。
在一个优选的实施方式中，所述方法还可以包括采用预设次数的独立实验验证所述待识别目标的类别识别结果。
本发明实施方式提供的一种基于多波段雷达的目标识别方法，通过利用雷达设备发射多波段电磁波，从而对待识别目标的多波段雷达回波进行主成分分析与分类器分类，能够得到不同待识别目标的类别。同时，相对于视频监控、图像处理等技术，本发明实施方式采用的雷达设备具有全天候工作能力，受环境因素影响小。此外，本发明实施方式通过利用多个波段的雷达发射电磁波，对接收到的目标雷达多波段回波进行主成分分析以及多个波段的特征进行融合，并通过kNN分类器进行分类，能够进一步增强待识别目标分类的鲁棒性。
下面以双波段雷达以及kNN分类器应用于无人机的分类识别为例进行示例性说明，但本公开并不限定于此。
本发明实施方式所述的方法是基于双波段雷达数据的主成分特征融合将其应用于无人机分类，该方法主要是利用了两个波段的雷达同时对无人机进行观测，利用不同类型的无人机的旋转翼对雷达回波的信号的调制不一样，然后对两个波段雷达的回波信号进行特征提取与融合，从而能够更好的描述不同无人机的区别并来实现不同的无人机识别。
如图5所示，在步骤S500中，利用双波段雷达设备采集无人机的目标雷达回波信号。
在一个优选的实施方式中，所使用的双波段雷达设备采用中心频率为24GHz的K波段和中心频率为9.8GHz的X波段连续波雷达。其中频率很接近的电磁波属于同一个波段，例如9.8Ghz和10GHz同属于X波段。可以利用该双波段雷达设备同时采集无人机的数据。连续波雷达的优点在于其精度高、功率低、不存在距离盲点、便于携带，因此非常适合在本实验中采集数据。
例如，可以按照图1设置的雷达系统作为识别不同类别的无人机的实验场景。图示中，两部雷达(K波段雷达和X波段雷达)分别包括发射器和接收器，且两部雷达之间距离很接近，这样可以忽略两部雷达同时发射的电磁波到达同一待识别目标例如这里的无人机的时间差别。需要说明的是，本发明实施例的技术方案的实现对两部雷达的安装位置并没有固定的要求，不要求从同一个位置发射电磁波。另外，虽然本发明实施例中提及两部雷达同时向同一待识别目标发射电磁波，但这里对两部雷达的同步要求并不作严格要求。
需要说明的是，其他实施例中所述双波段雷达设备也可以采用非连续波，或者连续波中其他波段。此外，本发明实施例中对雷达发射的电磁波的波形没有特殊设计，只要两个雷达的频率不一样即可，且对两个雷达的频率间隔无具体要求。
虽然上述实施例中仅以两部雷达为例进行举例说明，但实际上，在其他实施例中，可以采用三部或者三部以上不同波段的雷达同时向待识别目标发射电磁波，这样，理论上，发射不同波段的雷达数量越多，采集的待识别目标的特征维数就越多，最后无人机类别的识别结果准确率就越高。
在一个优选的实施方式中，选择两类典型的不同的无人机即直升机和四翼机作为代表。
直升机各个旋转翼之间的旋转相位是固定的，四翼机代表着多翼无人机，其各个旋转翼之间的旋转相位并不一致，这两者的差别主要在于旋转翼的个数与旋转翼的相对位置不一致，因此这两类无人机采用现有技术并不能较好的区分开。
本发明实施例中，可以选择行进中的两种不同类无人机例如直升机和四翼机作为代表，无人机在雷达前方空中悬停。实验中，每类无人机位于雷达前方波束照射区域的不同的高度与方位，其中每类无人机位于雷达的探测功率范围内即可，每类无人机在不同的角度共采集12组实验，每组实验时间例如可以设置为6秒。
需要说明的是，上述实验数据的具体数值的选取可以根据需要进行自主选择，本公开并不限定于此。
图6是本发明实施例试验无人机的典型回波信号。
在步骤S510中，从所述目标雷达回波信号提取无人机的特征，将两个波段的特征进行融合，并将融合后的特征划分为训练融合特征和测试融合特征。
本发明实施方式所述方法是基于雷达信号和kNN分类器对无人机实现分类识别，该方法主要是利用了不同类型的无人机的旋转翼对雷达回波的信号的调制不一样来实现不同类别的无人机的识别。
作为示例，本发明实施方式的选择采用主成分分析作为特征进行提取。
首先固定每个截取时间的长度，并确保时间长度大于无人机转动周期。在这里选取了每个数据段时间长度为0.26s。对于每组实验可以有[6s/0.26s]＝23段数据，其中[]表示向下取整数，每段数据有2048个点，本实验中每一类无人机的样本数据为23*12＝276个，一共276*2＝552个样本数据，从而得到数据X，还可以对原始数据进行预处理。如果对X的协方差C求特征值和特征向量：
Cu＝λu
其中λ为特征值，u为特征值对应的特征向量，如图7所示为特征值从大到小排列的示意图。取前k个最大的特征值对应的u的特征向量[U1,…,Uk]，计算出X在每个特征向量的投影即为k个主成分[f1,…,fk]作为特征向量。本发明实施例中，选取了前5(仅用于示例说明，本公开并不限定于此)个主特征构成特征向量。
然后对两个波段提取出的特征向量Ukband与特征向量UXband，进一步组成一个大的特征向量：
Uf＝[Ukband；UXband]
上述公式中得到Uf作为最终的特征向量。由上可知最终的特征向量的维数为单个波段雷达观测的特征向量的维数的2倍。
在步骤S520中，将步骤S510提取出的无人机的训练融合特征输入到kNN分类器中进行分类器的无人机类别训练。
本发明实施例中，假设直升机样本标签为1，四翼机样本标签为2，或者，直升机样本标签为+1，四翼机样本标签为-1，等等，本公开对此不作限定。训练样本中已经预先确知待识别目标属于哪一类。
kNN分类器的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，kNN方法较其他方法更为适合。
在步骤S530中，将步骤S510提取出的无人机的测试融合特征输入到训练好的kNN分类器中进行分类器的无人机分类识别。
本发明中训练样本和测试样本是从总样本中随机选取的，一部分作为训练样本，其余的全部作为测试样本，并且做100次(可设置参数)独立实验验证分类识别结果。
例如，设置kNN分类器分别采用k＝1和k＝3两种方式。即当k＝1时，最近距离的训练样本假如为四翼机，则分类结果为四翼机；假如为直升机，则分类结果为直升机。当k＝3时，3个最近邻中假如包含1个四翼机样本和2个直升机样本，分类结果为直升机；假如包含1个直升机样本和2个四翼机样本，分类结果为四翼机。
本实验可以采用交叉验证的方法进行测试。交叉验证的方法可以为：K-CV，即将原始数据分成K组，将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，这样会得到K个模型。用这K个模型最终的验证集的分类准确率的平均数作为此K-CV分类器的性能指标，K-CV可以有效的避免过学习以及欠学习状态的发生，最后得到的结果也比较具有说服力。
例如，每次随机从每一类无人机中选择92个样本，这样一共有92*2＝184个样本作为训练样本训练分类器，剩下的每一类无人机的184个样本作为测试样本，一共有184*2＝368个测试样本测试分类器分类结果，100次多次独立实验结果后的平均值如下表1-6所示：
表1：两类无人机的仅利用K波段雷达传感器识别混合矩阵(k＝1)
表2：两类无人机的仅利用X波段雷达传感器识别混合矩阵(k＝1)
表3：两类无人机的融合双波段雷达传感器识别混合矩阵(k＝1)
表4：两类无人机的仅利用K波段雷达传感器识别混合矩阵(k＝3)
表5：两类无人机的仅利用X波段雷达传感器识别混合矩阵(k＝3)
表6：两类无人机的融合双波段雷达传感器识别混合矩阵(k＝3)
如上表1-6中所示，直升机各个旋转翼之间的旋转相位是固定的，四翼机代表着多翼无人机，其各个旋转翼之间的旋转相位并不一致，这两者的差别主要在于旋转翼的个数与旋转翼的相对位置不一致，因此现有技术中这两类无人机并不能较好的区分开。本发明实施方式通过不同类别的无人机的旋转翼随时间变化转动的规律来分类识别。
从上表还可以看出，K波段雷达相对于X波段雷达由于频率相对较高，波长较短，从而单个K波段雷达传感器可以获得比X波段雷达传感器更高的分类精度。双波段(或者双频)雷达传感器的融合特征是单一雷达传感器所获得的两倍，这提高了对无人机分类精度，降低了分类误差。
从分类结果看，本发明实施方式能够通过有效的融合双波段雷达信号中的特征，输入到kNN分类器中进行分类识别，验证结果证明了这种方法能够实现对不同类别无人机进行分类识别，效果显著，能较好地区分出这两类无人机。
本发明实施方式提供的基于多波段雷达的目标识别方法，通过多波段雷达系统发射多波段电磁波，然后采集目标雷达回波信号，并对待识别目标的雷达回波信号进行主成分分析和特征融合，再进行分类器分类，从而应用于无人机的分类识别，得到不同无人机的类别。通过实验验证，能以较高的准确率对各种无人机例如直升机和四翼机这两类无人机进行分类。此外，本发明实施方式所述方法通过多波段雷达系统雷达采集数据，通过多波段雷达回波信号的特征进行融合，其融合的特征的维数为原单个雷达得到的特征维数的两倍，然后利用融合特征进行无人机分类识别，这种方法能够得到比单个波段的雷达更好的无人机的分类性能。
在一些实施例中，所述方法采用的多波段连续波雷达，具有精度高、功率低、不存在距离盲点、便于携带的优点，不需要额外的记录无人机的飞行轨迹信息等，只需要记录无人机对雷达信号的调制回波，仅仅是根据不同类型的无人机的旋转翼对雷达回波的信号的调制不一样从而进行的信号处理，非常适合随时安置于需要监测的复杂空间环境，能够有效的克服传统的通过轨迹识别方法中的目标轨迹不连续、轨迹可利用时间间隔短等问题。
同时，本发明实施方式可以通过对复杂空间环境中的不同目标的数据进行学习训练，无需进行硬件部分改造，即可以进一步实现区分鸟和无人机、不同类型的无人机的功能。
进一步的，本发明实施方式还提供了一种基于多波段雷达的目标识别方法。如图9所示，该基于多波段雷达的目标识别方法可以包括以下步骤。
在步骤S900中，向待识别目标发射电磁波，其中所述电磁波包括至少一第一波段电磁波和至少一第二波段电磁波。
在步骤S910中，接收所述电磁波的回波信号，其中所述回波信号包括至少一所述第一波段电磁波的第一波段回波信号和至少一所述第二波段电磁波的第二波段回波信号。
在步骤S920中，根据所述回波信号识别所述待识别目标的类别。
示例性装置
在介绍了本发明示例性实施方式的方法之后，接下来，参考图8对本发明示例性实施方式的基于多波段雷达的目标识别装置以及参考图10对本发明示例性实施方式的基于多波段雷达的目标识别系统进行说明。
参见图8，示意性地示出了根据本发明一实施例的基于多波段雷达的目标识别装置的结构示意图，该装置通常设置于可以运行计算机程序的设备中，例如，本发明实施方式中的该装置可以设置于台式计算机或者服务器等设备中，当然，该装置也可以设置于笔记型计算机甚至平板电脑等设备中。
本发明实施方式的装置可以包括：数据采集模块800、特征提取模块810以及类别识别模块820。下面对该装置所包括的各个模块分别进行说明。
数据采集模块800可以用于采集待识别目标的雷达回波数据，其中所述雷达回波数据至少包括第一波段回波信号和第二波段回波信号。所包括的具体内容以及的具体表现形式等可以参见上述方法实施方式中的相关描述，在此不再重复说明。
特征提取模块810可以用于根据所述雷达回波数据采用主成分分析方法提取所述待识别目标的特征，其中所述特征至少包括根据所述第一波段回波信号提取的第一特征数据和根据所述第二波段回波信号提取的第二特征数据。
类别识别模块820可以用于根据所述特征采用分类算法识别所述待识别目标的类别。
作为示例，本发明实施方式的所述待识别目标可以包括不同类别的无人机。
作为示例，本发明实施方式的所述不同类别的无人机可以包括直升机和多翼无人机。
在本发明的一个优选实施方式中，所述特征提取模块可以包括数据段截取单元、特征值计算单元、特征提取单元以及特征融合单元。
其中，所述数据段截取单元可以用于分别对每一类无人机的所述雷达回波数据进行截取，获得每一类无人机的第一波段样本数据和第二波段样本数据。其中固定每个截取时间的长度，且所述截取时间的长度大于无人机转动周期。
所述特征值计算单元可以用于根据每一类无人机的所述第一波段样本数据获得每一类无人机的第一波段特征值和第一波段特征向量，以及根据每一类无人机的所述第二波段样本数据获得每一类无人机的第二波段特征值和第二波段特征向量。
所述特征提取单元可以用于根据每一类无人机的所述第一波段特征值和所述第一波段特征向量获得每一类无人机的第一波段特征，以及根据每一类无人机的所述第二波段特征值和所述第二波段特征向量获得每一类无人机的第二波段特征。
所述特征融合单元可以用于根据每一类无人机的所述第一波段特征和所述第二波段特征获得每一类无人机的融合特征。
在本发明的一个优选实施方式中，所述类别识别模块可以包括数据集划分单元、分类器训练单元以及分类识别单元。
其中，所述数据集划分单元可以用于将所述融合特征划分为训练融合特征和测试融合特征。
所述分类器训练单元可以用于根据所述训练融合特征训练所述分类算法。
所述分类识别单元可以用于将所述测试融合特征输入至训练后的所述分类算法中识别所述待识别目标的类别。
在本发明的一个优选实施方式中，所述分类算法可以包括kNN分类器或者支持向量机。
作为示例，本发明实施方式的所述雷达回波数据可以为连续波雷达回波数据。
作为示例，本发明实施方式的所述第一波段回波信号和所述第二波段回波信号的频率不相同。
作为示例，本发明实施方式的所述第一波段回波信号为K波段回波信号，所述第二波段回波信号为X波段回波信号。
作为示例，本发明实施方式的所述类别识别模块可以包括：数据划分单元，用于将所述特征划分为训练样本数据和测试样本数据；分类器训练单元，用于根据所述训练样本数据训练所述分类算法；目标识别单元，用于将所述测试样本数据输入至训练后的所述分类算法中识别所述待识别目标的类别。
作为示例，本发明实施方式的所述装置还可以包括结果验证模块，其中所述结果验证模块用于采用预设次数的独立实验验证所述待识别目标的类别识别结果。
各个模块和/或单元所执行的具体操作可以参见上述方法实施方式中针对步骤的相关描述，在此不再重复说明。
参见图10，示意性地示出了根据本发明一实施例的基于多波段雷达的目标识别系统的结构示意图，该系统可以包括雷达设备和信号处理终端。所述雷达设备包括至少一第一波段雷达和至少一第二波段雷达。该信号处理终端通常为可以运行计算机程序的设备，例如，本发明实施方式中的该信号处理终端可以是台式计算机或者服务器等设备，当然，该信号处理终端也可以是笔记型计算机甚至平板电脑等设备，甚至还可以将该信号处理终端集成于该多波段雷达设备中。
其中，所述雷达设备可以用于向待识别目标发射电磁波并接收所述电磁波的回波信号；所述信号处理终端可以用于根据所述回波信号识别所述待识别目标的类别。
其中所述第一波段雷达可以用于向所述待识别目标发射第一波段电磁波并接收根据所述第一波段电磁波的第一波段回波信号；所述第二波段雷达可以用于向所述待识别目标发射第二波段电磁波并接收根据所述第二波段电磁波的第二波段回波信号。
在一个优选的实施方式中，所述至少一第一波段雷达的第一探测区域和所述至少一第二波段雷达的第二探测区域至少有部分重叠。在具体探测时，所述待识别目标位于所述第一探测区域和所述第二探测区域的重叠区域。
在一个优选的实施方式中，所述第一波段雷达和所述第二波段雷达同时向所述待识别目标发射电磁波。
在一个优选的实施方式中，所述至少一第一波段雷达和所述至少一第二波段雷达之间的距离小于等于一预设值。
在一个优选的实施方式中，所述第一波段电磁波和所述第二波段电磁波的频率不相同。
图11示出了适于用来实现本发明实施方式的示例性计算机系统/服务器110的框图。图11显示的计算机系统/服务器110仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图11所示，计算机系统/服务器110以通用计算设备的形式表现。计算机系统/服务器110的组件可以包括但不限于：一个或者多个处理器或者处理单元1101，系统存储器1102，连接不同系统组件(包括系统存储器1102和处理单元1101)的总线1103。
计算机系统/服务器110典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器110访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器1102可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)11021和/或高速缓存存储器11022。计算机系统/服务器110可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，ROM 11023可以用于读写不可移动的、非易失性磁介质(图11中未显示，通常称为“硬盘驱动器”)。尽管未在图11中示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线1103相连。系统存储器1102中可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块11024的程序/实用工具11025，可以存储在例如系统存储器1102中，且这样的程序模块11024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块11024通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器110也可以与一个或多个外部设备1104(如键盘、指向设备、显示器等)通信。这种通信可以通过输入/输出(I/O)接口1105进行。并且，计算机系统/服务器110还可以通过网络适配器1106与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或者公共网络，例如因特网)通信。如图11所示，网络适配器1106通过总线1103与计算机系统/服务器110的其它模块(如处理单元1101等)通信。应当明白，尽管图11中未示出，可以结合计算机系统/服务器110使用其它硬件和/或软件模块。
处理单元1101通过运行存储在系统存储器1102中的计算机程序，从而执行各种功能应用以及数据处理，例如，执行用于实现上述方法实施例中的各步骤的指令；具体而言，处理单元1101可以执行系统存储器1102中存储的计算机程序，且该计算机程序被执行时，下述指令被运行：采集待识别目标的雷达回波数据，其中所述雷达回波数据至少包括第一波段回波信号和第二波段回波信号；根据所述雷达回波数据采用主成分分析方法提取所述待识别目标的特征，其中所述特征至少包括根据所述第一波段回波信号提取的第一特征数据和根据所述第二波段回波信号提取的第二特征数据；以及根据所述特征采用分类算法识别所述待识别目标的类别。或者，还可以执行下述指令：向待识别目标发射电磁波，其中所述电磁波包括至少一第一波段电磁波和至少一第二波段电磁波；接收所述电磁波的回波信号，其中所述回波信号包括至少一所述第一波段电磁波的第一波段回波信号和至少一所述第二波段电磁波的第二波段回波信号；以及根据所述回波信号识别所述待识别目标的类别。各步骤的具体实现方式可以参见上述实施例，在此不再重复说明。
本发明实施方式的计算机可读的存储介质一个具体例子如图12所示。
图12的介质为光盘120，其上存储有计算机程序(即程序产品)，该程序被处理器执行时，会实现上述方法实施方式中所记载的各步骤，例如，采集待识别目标的雷达回波数据，其中所述雷达回波数据至少包括第一波段回波信号和第二波段回波信号；根据所述雷达回波数据采用主成分分析方法提取所述待识别目标的特征，其中所述特征至少包括根据所述第一波段回波信号提取的第一特征数据和根据所述第二波段回波信号提取的第二特征数据；以及根据所述特征采用分类算法识别所述待识别目标的类别；或者，还可以实现下述步骤：向待识别目标发射电磁波，其中所述电磁波包括至少一第一波段电磁波和至少一第二波段电磁波；接收所述电磁波的回波信号，其中所述回波信号包括至少一所述第一波段电磁波的第一波段回波信号和至少一所述第二波段电磁波的第二波段回波信号；以及根据所述回波信号识别所述待识别目标的类别。各步骤的具体实现方式可以参见上述实施例，在此不再重复说明。
应当注意，尽管在上文详细描述中提及了基于多波段雷达的目标识别装置的若干单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (12)

1.一种基于多波段雷达的目标识别方法，包括：
采集待识别目标的雷达回波数据，其中所述雷达回波数据至少包括第一波段回波信号和第二波段回波信号；
根据所述雷达回波数据采用主成分分析方法提取所述待识别目标的特征，其中所述特征至少包括根据所述第一波段回波信号提取的第一特征数据和根据所述第二波段回波信号提取的第二特征数据；以及
根据所述特征采用分类算法识别所述待识别目标的类别。
2.根据权利要求1所述的方法，其中，所述待识别目标包括不同类别的无人机。
3.根据权利要求2所述的方法，其中，所述不同类别的无人机包括直升机和多翼无人机。
4.根据权利要求2所述的方法，其中，所述根据所述雷达回波数据采用主成分分析方法提取所述待识别目标的特征包括：
分别对每一类无人机的所述雷达回波数据进行截取，获得每一类无人机的第一波段样本数据和第二波段样本数据；其中固定每个截取时间的长度，且所述截取时间的长度大于无人机转动周期；
根据每一类无人机的所述第一波段样本数据获得每一类无人机的第一波段特征值和第一波段特征向量，以及根据每一类无人机的所述第二波段样本数据获得每一类无人机的第二波段特征值和第二波段特征向量；
根据每一类无人机的所述第一波段特征值和所述第一波段特征向量获得每一类无人机的第一波段特征，以及根据每一类无人机的所述第二波段特征值和所述第二波段特征向量获得每一类无人机的第二波段特征；以及
根据每一类无人机的所述第一波段特征和所述第二波段特征获得每一类无人机的融合特征。
5.根据权利要求4所述的方法，其中，所述根据所述特征采用分类算法识别所述待识别目标的类别包括：
将所述融合特征划分为训练融合特征和测试融合特征；
根据所述训练融合特征训练所述分类算法；
将所述测试融合特征输入至训练后的所述分类算法中识别所述待识别目标的类别。
6.根据权利要求1所述的方法，其中，所述分类算法包括kNN分类器或者支持向量机。
7.根据权利要求1所述的方法，其中，所述多波段雷达回波数据为连续波雷达回波数据。
8.一种基于多波段雷达的目标识别装置，包括：
数据采集模块，用于采集待识别目标的雷达回波数据，其中所述雷达回波数据至少包括第一波段回波信号和第二波段回波信号；
特征提取模块，用于根据所述雷达回波数据采用主成分分析方法提取所述待识别目标的特征，其中所述特征至少包括根据所述第一波段回波信号提取的第一特征数据和根据所述第二波段回波信号提取的第二特征数据；以及
类别识别模块，用于根据所述特征采用分类算法识别所述待识别目标的类别。
9.一种基于多波段雷达的目标识别方法，包括：
向待识别目标发射电磁波，其中所述电磁波包括至少一第一波段电磁波和至少一第二波段电磁波；
接收所述电磁波的回波信号，其中所述回波信号包括至少一所述第一波段电磁波的第一波段回波信号和至少一所述第二波段电磁波的第二波段回波信号；以及
根据所述回波信号识别所述待识别目标的类别。
10.一种基于多波段雷达的目标识别系统，包括雷达设备和信号处理终端，所述雷达设备包括至少一第一波段雷达和至少一第二波段雷达，其中：
所述雷达设备用于向待识别目标发射电磁波并接收所述电磁波的回波信号；
所述信号处理终端用于根据所述回波信号识别所述待识别目标的类别；
其中，所述第一波段雷达用于向所述待识别目标发射第一波段电磁波并接收根据所述第一波段电磁波的第一波段回波信号；所述第二波段雷达用于向所述待识别目标发射第二波段电磁波并接收根据所述第二波段电磁波的第二波段回波信号。
11.一种电子设备，包括存储器、处理器及其存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的方法；或者，所述处理器执行所述程序时实现如权利要求9中所述的方法。
12.一种计算机可读的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-7中任一所述的方法；或者，所述处理器执行所述程序时实现如权利要求9中所述的方法。
CN201711072686.5A 2017-11-03 2017-11-03 基于多波段雷达的目标识别方法、装置及系统 Withdrawn CN107886121A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711072686.5A CN107886121A (zh) 2017-11-03 2017-11-03 基于多波段雷达的目标识别方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711072686.5A CN107886121A (zh) 2017-11-03 2017-11-03 基于多波段雷达的目标识别方法、装置及系统

Publications (1)

Publication Number Publication Date
CN107886121A true CN107886121A (zh) 2018-04-06

Family

ID=61778505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711072686.5A Withdrawn CN107886121A (zh) 2017-11-03 2017-11-03 基于多波段雷达的目标识别方法、装置及系统

Country Status (1)

Country Link
CN (1) CN107886121A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108845321A (zh) * 2018-04-19 2018-11-20 北京三快在线科技有限公司 目标对象的识别方法、装置及无人驾驶智能设备
CN109444845A (zh) * 2018-09-28 2019-03-08 中国矿业大学 基于固态激光雷达成像对煤岩界面进行识别的装置及方法
CN110837081A (zh) * 2019-11-08 2020-02-25 南京理工大学 基于p/d波段雷达信号融合处理的高速目标检测方法
CN110907906A (zh) * 2018-09-14 2020-03-24 深圳市道通智能航空技术有限公司 目标分类方法和相关设备
CN110967678A (zh) * 2019-12-20 2020-04-07 安徽博微长安电子有限公司 一种多波段雷达目标识别的数据融合算法及系统
CN111222442A (zh) * 2019-12-31 2020-06-02 中国电子科技集团公司第三十六研究所 一种电磁信号分类方法和装置
CN111580093A (zh) * 2020-05-25 2020-08-25 南京理工大学 用于探测无人机集群目标的雷达系统
CN111580060A (zh) * 2020-04-21 2020-08-25 北京航空航天大学 目标姿态识别的方法、装置和电子设备
EP3715901A1 (en) * 2019-03-29 2020-09-30 Robin Radar Facilities BV Detection and classification of unmanned aerial vehicles
CN112485783A (zh) * 2020-09-29 2021-03-12 北京清瑞维航技术发展有限公司 目标探测方法、装置、计算机设备和存储介质
CN113391282A (zh) * 2021-05-12 2021-09-14 南京航空航天大学 一种基于雷达多维特征融合的人体姿态识别方法
CN113657329A (zh) * 2021-08-24 2021-11-16 西安天和防务技术股份有限公司 一种目标的分类识别方法、装置及终端设备
CN113781845A (zh) * 2021-09-17 2021-12-10 杭州科技职业技术学院 无人机的电子围栏建立方法、系统和电子设备
CN114076924A (zh) * 2020-08-20 2022-02-22 西安电子科技大学 一种基于多频回波数据实现大型复杂目标分类识别的方法
CN114239654A (zh) * 2021-12-17 2022-03-25 电子科技大学 一种基于双波段热释电器件的温度识别分类方法

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108845321A (zh) * 2018-04-19 2018-11-20 北京三快在线科技有限公司 目标对象的识别方法、装置及无人驾驶智能设备
CN110907906A (zh) * 2018-09-14 2020-03-24 深圳市道通智能航空技术有限公司 目标分类方法和相关设备
CN109444845A (zh) * 2018-09-28 2019-03-08 中国矿业大学 基于固态激光雷达成像对煤岩界面进行识别的装置及方法
CN109444845B (zh) * 2018-09-28 2023-05-23 中国矿业大学 基于固态激光雷达成像对煤岩界面进行识别的装置及方法
WO2020200704A1 (en) * 2019-03-29 2020-10-08 Robin Radar Facilities Bv Detection and classification of unmanned aerial vehicles
EP3715901A1 (en) * 2019-03-29 2020-09-30 Robin Radar Facilities BV Detection and classification of unmanned aerial vehicles
US12078752B2 (en) 2019-03-29 2024-09-03 Robin Radar Facilities Bv Detection and classification of unmanned aerial vehicles
CN110837081A (zh) * 2019-11-08 2020-02-25 南京理工大学 基于p/d波段雷达信号融合处理的高速目标检测方法
CN110967678A (zh) * 2019-12-20 2020-04-07 安徽博微长安电子有限公司 一种多波段雷达目标识别的数据融合算法及系统
CN111222442A (zh) * 2019-12-31 2020-06-02 中国电子科技集团公司第三十六研究所 一种电磁信号分类方法和装置
CN111580060A (zh) * 2020-04-21 2020-08-25 北京航空航天大学 目标姿态识别的方法、装置和电子设备
US11579248B2 (en) 2020-04-21 2023-02-14 Beihang University Method, apparatus and electronic equipment for recognizing posture of target
CN111580093A (zh) * 2020-05-25 2020-08-25 南京理工大学 用于探测无人机集群目标的雷达系统
CN114076924A (zh) * 2020-08-20 2022-02-22 西安电子科技大学 一种基于多频回波数据实现大型复杂目标分类识别的方法
CN112485783A (zh) * 2020-09-29 2021-03-12 北京清瑞维航技术发展有限公司 目标探测方法、装置、计算机设备和存储介质
CN112485783B (zh) * 2020-09-29 2024-05-10 北京清瑞维航技术发展有限公司 目标探测方法、装置、计算机设备和存储介质
CN113391282B (zh) * 2021-05-12 2022-06-17 南京航空航天大学 一种基于雷达多维特征融合的人体姿态识别方法
CN113391282A (zh) * 2021-05-12 2021-09-14 南京航空航天大学 一种基于雷达多维特征融合的人体姿态识别方法
CN113657329A (zh) * 2021-08-24 2021-11-16 西安天和防务技术股份有限公司 一种目标的分类识别方法、装置及终端设备
CN113781845A (zh) * 2021-09-17 2021-12-10 杭州科技职业技术学院 无人机的电子围栏建立方法、系统和电子设备
CN114239654A (zh) * 2021-12-17 2022-03-25 电子科技大学 一种基于双波段热释电器件的温度识别分类方法
CN114239654B (zh) * 2021-12-17 2023-05-12 电子科技大学 一种基于双波段热释电器件的温度识别分类方法

Similar Documents

Publication Publication Date Title
CN107886121A (zh) 基于多波段雷达的目标识别方法、装置及系统
Taha et al. Machine learning-based drone detection and classification: State-of-the-art in research
Seidaliyeva et al. Advances and challenges in drone detection and classification techniques: A state-of-the-art review
CN104077601B (zh) 一种利用不同类型信息进行目标综合识别的方法
Al-lQubaydhi et al. Deep learning for unmanned aerial vehicles detection: A review
Akter et al. RF-based UAV surveillance system: A sequential convolution neural networks approach
CN107870322A (zh) 基于单波段雷达的目标识别方法、装置及系统
Xu et al. RF fingerprint measurement for detecting multiple amateur drones based on STFT and feature reduction
CN102176701A (zh) 一种基于主动学习的网络数据异常检测方法
Aydın et al. Development of a new light-weight convolutional neural network for acoustic-based amateur drone detection
Cai et al. Reliable UAV monitoring system using deep learning approaches
CN107358252A (zh) 一种无人机分类方法及装置
CN113191185A (zh) 一种利用Dense2Net的雷达探测无人机目标分类方法
Schimpf et al. Flight trajectory prediction based on hybrid-recurrent networks
Lofù et al. URANUS: Radio Frequency Tracking, Classification and Identification of Unmanned Aircraft Vehicles
Akbal et al. An automated accurate sound-based amateur drone detection method based on skinny pattern
CN104008403A (zh) 一种svm（矢量机）模式的多目标识别判定方法
Inani et al. Machine Learning based framework for Drone Detection and Identification using RF signals
Alzboon et al. AI in the Sky: Developing Real-Time UAV Recognition Systems to Enhance Military Security
Arts et al. Trajectory Based Flight Phase Identification with Machine Learning for Digital Twins
Ezuma UAV detection and classification using radar, radio frequency and machine learning techniques
Liu et al. Recognition and classification of rotorcraft by micro-Doppler signatures using deep learning
Chin et al. Knowledge Discovery Within ADS-B Data from Routine Helicopter Tour Operations
Almubairik et al. RF-Based Drone Detection with Deep Neural Network: Review and Case Study
Li et al. Object recognition through UAV observations based on YOLO and generative adversarial network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20180406

WW01 Invention patent application withdrawn after publication