基于多域特征融合的旋翼無人機分類識別

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，由于無人機技術(shù)高速發(fā)展，旋翼無人機已逐步應(yīng)用于各個行業(yè)領(lǐng)域。無人機便于攜帶、放飛條件便利，具備載物的功能，可以越過機場圍界侵入機場內(nèi)部，或者向機場圍界內(nèi)投擲物品。同時圍繞因民用無人機“黑飛”導(dǎo)致的炸機傷人、侵犯隱私、擾亂航空秩序等不法行為時有發(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)的小型旋翼無人機探測技術(shù)大致包括雷達探測、聲波探測、光電探測、電視廣播探測、無線電頻譜探測等。其中雷達探測方法探測距離遠、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，因此雷達探測被廣泛應(yīng)用。由于小型旋翼無人機具有體積小、重量輕等特點，且飛行速度慢、高度低，傳統(tǒng)的無人機檢測方法會產(chǎn)生較大的盲點。隨著深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺領(lǐng)域的顯著影響，越來越多的人將雷達探測和深度學(xué)習(xí)結(jié)合應(yīng)用于無人機的圖像分類和目標(biāo)檢測中［3］。

微多普勒特征是研究旋翼無人機分類識別的熱點，雷達探測能測量運動物體的微多普勒特性。微多普勒特征除了主體運動（例如轉(zhuǎn)子葉片）外，還取決于物體移動和旋轉(zhuǎn)的部分，因此是物體類型的特征［4-5］。現(xiàn)階段多利用微多普勒特征處理小型無人直升機和多旋翼無人機的分類問題。文獻［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)分懸停無人機與地面雜波。全世界每年約發(fā)生一萬多起鳥撞飛機導(dǎo)致的空中險情和空難，由于高空中飛行的鳥類體積大小和飛行速度與無人機相似［7-8］，因此對于無人機和鳥類的分類也十分重要，文獻［9］采用投影度量學(xué)習(xí)（Projection Metric Learning, PML）對鳥類和三類無人機的微多普勒特征進行識別評估。微多普勒特征在時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［10］為了同時對時域和頻域上的無人機微多普勒信息進行分析，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)雜且僅在單個或兩個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）同時提取多旋翼無人機的雷達回波信號特征的分類方法，分別在時頻域和節(jié)奏速度域利用SqueezeNet網(wǎng)絡(luò)進行提取信號特征，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，將三個域的特征進行融合，最后輸入支持向量機（Support Vector Machine, SVM）中進行分類。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)波雷達回波信號分類過程

連續(xù)波（CW）雷達回波信號分類過程主要包含三個步驟，如圖1 所示。CW 雷達回波基帶數(shù)據(jù)首先通過時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)的分類識別算法進行旋翼無人機的分類。

2 時頻變換

旋翼無人機的葉片旋轉(zhuǎn)稱為微動。它可以誘導(dǎo)返回信號的周期性和時變頻率調(diào)制。這種周期信號會產(chǎn)生時變多普勒頻移，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小型無人機的動力學(xué)和物理規(guī)格信息。因此，由旋翼無人機引起的微多普勒特征將為旋翼無人機的檢測和分類提供有用的信息。

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

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

基帶回波信號y(t)的短時傅里葉變換數(shù)學(xué)表達式如下:

式中h(t)為短時傅里葉變換的窗函數(shù)，τ為窗函數(shù)移動的位置，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重要的因素，但是目標(biāo)的微動在時頻圖中被重復(fù)地表示，因此本文引入了CVD 來分析時頻圖中頻率特征。時頻圖呈現(xiàn)了時間維微多普勒頻率的變化，為旋翼無人機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，提供了微動部件的運動狀態(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 對于分析旋翼機回波信號也是有效的。周期性特征是旋翼無人機的顯著特征之一，CVD 的生成是在時間軸上對時頻圖進行傅里葉變換，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的節(jié)奏頻譜圖（Cadence Frequency Spectrum，CFS），然后進行歸一化如圖3（c）、4（c）、5（c）所示，它可以從整體上反映出無人機的微運動的頻率變化趨勢，同時求和操作可以從整體上削弱無人機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 圖中強點的相關(guān)信息就忽略其他較弱點的信息，因此就不會丟掉信號的變化趨勢。其公式如下:

生成時頻圖、CVD和CFS的流程圖如圖2所示。

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

圖3 直升機無人機的時頻圖、CVD和CFS

圖4 四旋翼無人機的時頻圖、CVD和CFS

圖5 六旋翼無人機的時頻圖、CVD和CFS

3 旋翼無人機回波信號分類

3.1 基于時頻圖和CVD的特征提取

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

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［10］采用GoogLeNet 網(wǎng)絡(luò)結(jié)構(gòu)檢測和分類旋翼無人機的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，還能大大提高運算速度，更有利于分類工作。

SqueezeNet 創(chuàng)新點在于提出了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

不同類型的無人機由于葉片轉(zhuǎn)速不同，其雷達截面積（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的CFS 特征不同，可以利用CFS 的特征對無人機進行分類識別。同時，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)，它包括兩個卷積層，每個卷積層后依次連接ReLU 激活函數(shù)和最大池化層，在兩個相連的卷積層后連接一個全連接層，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)造了一個最大邊距超平面，因此是依據(jù)統(tǒng)計學(xué)理論和結(jié)構(gòu)風(fēng)險最小的一種最佳折中分算法，可以將問題化為一個求解凸二次規(guī)劃的問題。SVM在學(xué)習(xí)復(fù)雜的非線性方程時提供了一種更為清晰、更加有效的方法。SVM 算法在進行機器學(xué)習(xí)時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)某些點到分類平面的距離過大時，SVM 能利用松弛變量的特點允許其不滿足原先的要求，從而避免這些點對模型學(xué)習(xí)的影響。

本文將提取出的時頻圖、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，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分類識別流程圖

4 實測數(shù)據(jù)結(jié)果分析

4.1 實驗場景及預(yù)處理

本次實驗采用K 波段CW 雷達對無人機進行實際測量，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。

實驗中使用了三種旋翼無人機。它們是一架直升機無人機、一架四旋翼無人機和一架六旋翼無人機，如圖9所示。訓(xùn)練數(shù)據(jù)由每架旋翼無人機在單獨懸停時反射的雷達回波組成，各旋翼無人機與測試?yán)走_之間的距離均為1 m，實驗場景如圖10 所示。每類無人機的測量重復(fù)20 次，持續(xù)時間為6 s，每個數(shù)據(jù)記錄被分成20 個長度為0.3 s的片段，長度足以包含微型無人機反射的雷達信號的幾個周期。

圖9 無人機模型圖

圖10 實測場景圖

采集到雷達回波信號后，需要對其進行預(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，影響實驗結(jié)果。

4.2 特征可視化分析

為了對各個域特征以及融合特征進行了識別性能對比分析，本文通過t 分布-隨機鄰近嵌入（tdistributed Stochastic Neighbor Embedding，t-SNE）進行特征可視化，t-SNE 是高維數(shù)據(jù)可視化的工具，是隨機近鄰嵌入（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）所示分別是時頻圖、CVD 和CFS 特征的t-SNE 散點圖，圖11（d）所示是三域特征融合的t-SNE 散點圖，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 實驗結(jié)果分析

為了證明多域特征融合分類的有效性，本文采用對比實驗的方法進行分析，分別對時頻圖、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。每類無人機的數(shù)據(jù)總數(shù)為400 個，由于實驗場景原因，部分?jǐn)?shù)據(jù)沒有記錄上或混入其他目標(biāo)，因此手動去除空數(shù)據(jù)和錯誤數(shù)據(jù)，最終每類無人機共有386 個數(shù)據(jù)，從中取出70%作為訓(xùn)練集，共有270 個數(shù)據(jù)，剩余30%作為測試集，共有116 個數(shù)據(jù)對訓(xùn)練好的網(wǎng)絡(luò)進行測試。

表1～3所示分別為僅對時頻圖、CVD 和CFS提取的特征進行旋翼無人機分類的混淆矩陣，表4所示為本文提出的將3 個域特征融合后進行旋翼無人機分類的混淆矩陣。由表1～4 可以看出僅對時頻圖或者僅對CVD 圖的特征進行分類已有高達約97%的準(zhǔn)確率，但將時頻域、節(jié)奏速度域和節(jié)奏頻率域的特征進行融合再分類，準(zhǔn)確率達到99.14%，有明顯的提高。這是因為CVD 不僅可以分析微多普勒特征的頻率，還不依賴與無人機旋翼的初始相位，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。但是四旋翼無人機和六旋翼無人機同樣是由于多個葉片微動誘導(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)致兩類無人機在僅對CVD 特征進行分類識別時錯誤率較高，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 的特征對無人機進行分類識別。

表1 對時頻圖特征進行分類混淆矩陣

表2 對CVD特征進行分類混淆矩陣

表3 對CFS特征進行分類混淆矩陣

表4 三域特征融合進行分類混淆矩陣

綜上所述，本文使用多域融合提取時頻圖、CVD 和CFS 的特征，將其融合送入SVM 中進行分類，能對雷達回波信號在時頻域、節(jié)奏速度域和節(jié)奏頻率域上的特征進行詳細的描述，從多方面提取率旋翼無人機的特征，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誤的概率。由表1～4 可見該方法的準(zhǔn)確率遠遠高于單通道網(wǎng)絡(luò)的準(zhǔn)確率，同時也體現(xiàn)了三通道網(wǎng)絡(luò)的優(yōu)勢。

4.4 不同無人機分類方法分析

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

文獻［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)中進行分類識別。文獻［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 分類器進行無人機分類識別。本文采用的方法是提取時頻圖、CVD 和CFS 的特征，進行特征融合后輸入SVM 中進行分類識別。分別對以上方法進行實驗，結(jié)果如表5所示。

由表5可以看出，本文所提無人機分類方法的準(zhǔn)確率明顯高于其他分類方式，一方面是因為本文采用的網(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［10］和文獻［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域的特征進行融合后再分類，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分類識別方法，分別提取時頻圖、CVD 和CFS的特征，進行特征融合，通過SVM 分類器進行分類，最終實驗準(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，識別無人機以外的其他目標(biāo)如鳥類，提高無人機識別的實用性。