孫延鵬，任廣龍，屈樂(lè)樂(lè)，劉 妍

(1.沈陽(yáng)航空航天大學(xué) 電子信息工程學(xué)院,沈陽(yáng) 110136;2.南方航空股份有限公司沈陽(yáng)維修基地,沈陽(yáng) 110169)

0 引 言

旋翼無(wú)人機(jī)由于具有比傳統(tǒng)無(wú)人機(jī)更易操控、更加便宜的特性，近年來(lái)廣泛應(yīng)用于拍攝、航空物流、環(huán)境監(jiān)測(cè)等領(lǐng)域[1-2]。出于增強(qiáng)旋翼無(wú)人機(jī)使用的規(guī)范性、保護(hù)人民群眾的隱私和生命財(cái)產(chǎn)安全以及在禁飛區(qū)可以對(duì)旋翼無(wú)人機(jī)進(jìn)行有效監(jiān)測(cè)的目的，應(yīng)對(duì)不同類型旋翼無(wú)人機(jī)進(jìn)行精確地探測(cè)和分類從而實(shí)現(xiàn)對(duì)旋翼無(wú)人機(jī)的安全監(jiān)控。由于雷達(dá)具有全天候工作的能力，利用雷達(dá)傳感器對(duì)旋翼無(wú)人機(jī)進(jìn)行檢測(cè)和分類近年來(lái)受到了越來(lái)越多的關(guān)注。

近年來(lái)，微多普勒特征[4-5]多被應(yīng)用于旋翼無(wú)人機(jī)的目標(biāo)識(shí)別和分類[6]。在此基礎(chǔ)上有研究人員通過(guò)人工提取旋翼無(wú)人機(jī)回波數(shù)據(jù)的微多普勒時(shí)頻圖特征實(shí)現(xiàn)了旋翼無(wú)人機(jī)分類[7]，但是通過(guò)人工提取特征進(jìn)行旋翼無(wú)人機(jī)分類容易導(dǎo)致特征不全。還有研究人員將深度學(xué)習(xí)應(yīng)用于旋翼無(wú)人機(jī)分類中[8]，利用深度學(xué)習(xí)自動(dòng)提取時(shí)頻圖特征。文獻(xiàn)[7]利用人工提取時(shí)頻圖的三維熵特征和節(jié)奏頻率譜圖(Cadence-Frequency Spectrogram,CFS)的特征作為聯(lián)合特征，并將其輸入到支持向量機(jī)(Support Vector Machine,SVM)進(jìn)行分類。文獻(xiàn)[8]利用深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Networks,CNN)對(duì)時(shí)頻圖進(jìn)行分類，證實(shí)了深度學(xué)習(xí)技術(shù)在旋翼無(wú)人機(jī)識(shí)別中的潛力。文獻(xiàn)[9]采用深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolution Neural Networks,DCNN)對(duì)模擬的旋翼無(wú)人機(jī)微多普勒信號(hào)進(jìn)行分類，并獲得了93%的準(zhǔn)確率。文獻(xiàn)[10]提出了一種基于深度學(xué)習(xí)的旋翼無(wú)人機(jī)分類模型，該模型可以學(xué)習(xí)雷達(dá)時(shí)頻圖上目標(biāo)的微多普勒特征。文獻(xiàn)[11]提出了一種基于GoogLeNet架構(gòu)的旋翼無(wú)人機(jī)和空中鳥(niǎo)類進(jìn)行分類的方法，并顯示了較高的分類精度。文獻(xiàn)[12]通過(guò)遷移學(xué)習(xí)實(shí)現(xiàn)了利用多基地雷達(dá)對(duì)攜帶有效載荷的旋翼無(wú)人機(jī)的分類。文獻(xiàn)[13]提出了一種將時(shí)頻圖與節(jié)奏速度圖(Cadence-Velocity Diagram,CVD)拼接在一起的合并多普勒?qǐng)D(Merged Doppler Image,MDI)，并將其輸入到CNN中進(jìn)行分類。

上述方法多是用單通道的CNN進(jìn)行特征提取，但是由于單通道提取的特征過(guò)于單一，描述的信號(hào)特征不夠全面，影響旋翼無(wú)人機(jī)識(shí)別準(zhǔn)確率。不同于單通道的CNN提取特征的方法，本文采用雙通道CNN進(jìn)行特征提取獲得回波信號(hào)的聯(lián)合特征，并提出一種基于雙通道GoogLeNet網(wǎng)絡(luò)的分類識(shí)別方法。該方法將利用兩個(gè)GoogLeNet網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)來(lái)分別對(duì)時(shí)頻圖和CVD進(jìn)行特征提取用以獲得聯(lián)合特征，然后用Softmax分類器進(jìn)行分類。本文提出的基于雙通道GoogLeNet網(wǎng)絡(luò)的微動(dòng)特征提取實(shí)現(xiàn)旋翼無(wú)人機(jī)分類識(shí)別方法，相較于常見(jiàn)的依賴單通道的CNN的識(shí)別方法具有更高的識(shí)別準(zhǔn)確率。

1 旋翼無(wú)人機(jī)回波信號(hào)分析

對(duì)雷達(dá)回波信號(hào)生成時(shí)頻圖和CVD并將其用于旋翼無(wú)人機(jī)分類中，不僅可以在時(shí)頻域顯示微多普勒信息也可以在節(jié)奏速度域顯示微多普勒信息，有利于提取更多的微動(dòng)特征。

雷達(dá)接收信號(hào)是待測(cè)旋翼無(wú)人機(jī)上的所有散射點(diǎn)的回波，因此雷達(dá)接收到的基帶回波信號(hào)可以表示為

(1)

式中：n是移動(dòng)散射體的總數(shù)；ai是第i個(gè)散射體的反射系數(shù)；φi(t)=4πRi(t)/λ是第i個(gè)散射體的相位調(diào)制，λ為雷達(dá)發(fā)射信號(hào)的載波頻率對(duì)應(yīng)的波長(zhǎng)，Ri(t)是第i個(gè)散射體距離雷達(dá)的距離；η(t)為加性噪聲。

短時(shí)傅里葉變換的基本思想就是把信號(hào)劃分為許多小的時(shí)間間隔，用傅里葉變換分析每一個(gè)時(shí)間間隔，以便確定該時(shí)間間隔存在的頻率。

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

(2)

式中:τ為窗函數(shù)移動(dòng)的位置，ω為多普勒頻率，窗函數(shù)h(t)常用的有海明(Hamming)窗、漢寧(Hanning)窗、高斯窗以及 Kaiser-Bassel窗等。

在微多普勒特征分析中，時(shí)頻圖的頻率是一個(gè)重要的因素，因?yàn)槟繕?biāo)的微運(yùn)動(dòng)在時(shí)頻圖中被重復(fù)地表示。本文引入了CVD來(lái)分析時(shí)頻圖的頻率，它是通過(guò)對(duì)時(shí)頻圖的時(shí)間軸進(jìn)行傅里葉變換得到的。CVD突出了微多普勒特征的周期性特征，這是旋翼無(wú)人機(jī)的顯著特征之一，其公式如下:

(3)

式中：f表示為節(jié)奏頻率。

生成時(shí)頻圖和CVD的流程圖如圖1所示。

圖1 算法流程圖

圖2為三類旋翼無(wú)人機(jī)的時(shí)頻圖和CVD，其中左邊為每一類旋翼無(wú)人機(jī)中的時(shí)頻圖，右邊為其對(duì)應(yīng)的CVD。在時(shí)頻圖中可以較為明顯地看出不同旋翼無(wú)人機(jī)的圖像形狀有明顯的不同，尤其以直升機(jī)表現(xiàn)得最為明顯，其頻率和時(shí)間表現(xiàn)得極為規(guī)律。由于不同的旋翼無(wú)人機(jī)會(huì)產(chǎn)生不同的時(shí)頻圖和CVD，因此將它們的特征結(jié)合起來(lái)后可以從時(shí)頻域和節(jié)奏速度域多方面對(duì)旋翼無(wú)人機(jī)進(jìn)行描述，更加有利于提高分類結(jié)果的準(zhǔn)確率。

圖2 三類旋翼無(wú)人機(jī)的時(shí)頻圖和CVD

2 旋翼無(wú)人機(jī)回波信號(hào)分類

2.1 基于時(shí)頻圖的特征提取

文獻(xiàn)[8]中提出了基于時(shí)頻圖和CNN的旋翼無(wú)人機(jī)分類。GoogLeNet網(wǎng)絡(luò)作為CNN的經(jīng)典網(wǎng)絡(luò)，其結(jié)構(gòu)通過(guò)引用Inception模塊，可以在增加網(wǎng)絡(luò)深度和寬度的同時(shí)減少參數(shù)，其網(wǎng)絡(luò)配置如表1所示。因此本文采用GoogLeNet網(wǎng)絡(luò)作為特征提取的基礎(chǔ)，其通過(guò)網(wǎng)絡(luò)自動(dòng)提取的方法可以有效避免人工提取所造成的損害。為了利用GoogLeNet網(wǎng)絡(luò)，測(cè)量雷達(dá)信號(hào)的兩種輸出圖像大小均被保存為224 pixel×224 pixel。

表1 GoogLeNet網(wǎng)絡(luò)配置表

Inception結(jié)構(gòu)是一種高效表達(dá)特征的稀疏性結(jié)構(gòu)?；诘讓拥南嚓P(guān)性高的單元，通常會(huì)聚集在圖像的局部區(qū)域，這就相當(dāng)于在單個(gè)局部區(qū)域上去學(xué)習(xí)它的特征，然后在高層用卷積代替這個(gè)區(qū)域，當(dāng)然某些相關(guān)性可能是隔得比較遠(yuǎn)的，通過(guò)使用大的卷積核學(xué)習(xí)即可。Inception單元結(jié)構(gòu)如圖3所示。

圖3 Inception單元結(jié)構(gòu)圖

最初的GoogLeNet網(wǎng)絡(luò)的最后三層被配置為識(shí)別1 000個(gè)類別，而本文則用于三分類，因此去掉最后三層，只保留到表1中的dropout層作為遷移學(xué)習(xí)模式下的GoogLeNet網(wǎng)絡(luò)構(gòu)架基礎(chǔ)。

單通道GoogLeNet提取時(shí)頻圖特征并應(yīng)用于分類的流程圖如圖4所示。

圖4 單通道GoogLeNet網(wǎng)絡(luò)對(duì)時(shí)頻圖進(jìn)行特征提取流程圖

雖然對(duì)于不同類型的旋翼無(wú)人機(jī)的旋翼數(shù)目的區(qū)別可以看出時(shí)頻圖的差異性，但是如果僅用回波信號(hào)的時(shí)域特征對(duì)旋翼進(jìn)行分類尚存在一定不足：在噪聲環(huán)境下，當(dāng)旋翼無(wú)人機(jī)的速度和方向不同時(shí)，其時(shí)頻圖也可能發(fā)生變化。因此，本文補(bǔ)充CVD作為回波信號(hào)的頻域特征，這樣從多個(gè)維度對(duì)旋翼無(wú)人機(jī)進(jìn)行分類更加有利于提高準(zhǔn)確率。

2.2 基于CVD的特征提取

CVD作為回波信號(hào)的頻域特征，其是對(duì)微多普勒時(shí)頻圖進(jìn)行傅里葉變換得到的。由于CVD具有不依賴于旋翼的初始相位，可以顯示時(shí)頻圖中微多普勒的周期性特性而常被用于旋翼無(wú)人機(jī)分類中。因此，可以將GoogLeNet網(wǎng)絡(luò)對(duì)CVD的特征提取應(yīng)用于對(duì)旋翼無(wú)人機(jī)的分類上。單通道GoogLeNet網(wǎng)絡(luò)對(duì)CVD進(jìn)行特征提取并應(yīng)用于分類的流程圖如圖5所示。

圖5 單通道GoogLeNet網(wǎng)絡(luò)對(duì)CVD進(jìn)行特征提取流程圖

2.3 softmax分類器

在完成特征提取后就要用到分類器來(lái)對(duì)目標(biāo)進(jìn)行識(shí)別和分類，此時(shí)選擇合適的分類器就極其重要。本文采用Softmax分類器。Softmax在機(jī)器學(xué)習(xí)中有著非常廣泛的應(yīng)用，其計(jì)算簡(jiǎn)單，效果顯著。Softmax回歸模型是Logistic回歸模型在多分類問(wèn)題上的推廣，當(dāng)分類數(shù)為2的時(shí)候會(huì)退化為L(zhǎng)ogistic分類。

Softmax用于三分類時(shí)，它將CNN輸出的特征映射到(0，1)區(qū)間內(nèi)，而這些值累加和為1，其可以看成概率來(lái)理解，在最后選取輸出節(jié)點(diǎn)的時(shí)候選取概率最大的值，從而來(lái)進(jìn)行三分類，而對(duì)于使用梯度下降優(yōu)化算法來(lái)最小化代價(jià)函數(shù)，其使用交叉熵?fù)p失函數(shù)。

而對(duì)于分類器的輸入，本文采用級(jí)聯(lián)的方法將兩個(gè)CNN提取出來(lái)的特征相連，通過(guò)聯(lián)合特征的形式可以使Softmax分類器從多方面對(duì)需要分類的目標(biāo)進(jìn)行分析，以使其達(dá)到更高的準(zhǔn)確率。

綜上所述，本文構(gòu)建的雙通道GoogLeNet網(wǎng)絡(luò)的分類識(shí)別算法流程如圖6所示。

圖6 雙通道GoogLeNet網(wǎng)絡(luò)的分類識(shí)別算法流程圖

3 實(shí)測(cè)數(shù)據(jù)結(jié)果分析

3.1 實(shí)驗(yàn)設(shè)置及數(shù)據(jù)采集

本次實(shí)驗(yàn)采用K頻段連續(xù)波雷達(dá)對(duì)無(wú)人機(jī)進(jìn)行實(shí)際測(cè)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)中使用三種旋翼無(wú)人機(jī)，分別是直升機(jī)、四旋翼無(wú)人機(jī)以及六旋翼無(wú)人機(jī)，其模型如圖7所示。

圖7 三類無(wú)人機(jī)模型圖

實(shí)測(cè)實(shí)驗(yàn)時(shí)的場(chǎng)景如圖8所示。旋翼無(wú)人機(jī)與雷達(dá)傳感器中心之間的初始距離為0.9 m，實(shí)際測(cè)量回波信號(hào)時(shí)每類旋翼無(wú)人機(jī)重復(fù)測(cè)量84次。

圖8 實(shí)測(cè)場(chǎng)景圖

對(duì)雷達(dá)采集接收到的信號(hào)依次進(jìn)行去均值及濾波處理，其中濾波器選擇為巴特沃斯(Butterworth)低通濾波器，參數(shù)設(shè)置為通帶截止頻率4 kHz，阻帶截止頻率9 kHz，可以有效濾除信號(hào)中的噪聲，在保留信號(hào)特性的基礎(chǔ)上使信號(hào)平滑消減干擾因素。將每個(gè)測(cè)量的回波數(shù)據(jù)進(jìn)行分割成5段，每段長(zhǎng)度為0.3 s。在0.3 s時(shí)長(zhǎng)內(nèi)的數(shù)據(jù)點(diǎn)長(zhǎng)度足以保證回波數(shù)據(jù)中可以包含若干個(gè)周期的雷達(dá)回波反射信號(hào)，確?？梢垣@得精確的微多普勒調(diào)制參數(shù)。每一類無(wú)人機(jī)的數(shù)據(jù)總數(shù)為(5個(gè)分段)×(84次重復(fù))=420個(gè)。

3.2 數(shù)據(jù)結(jié)果分析

每一類旋翼無(wú)人機(jī)的信號(hào)數(shù)據(jù)總量為420個(gè)，為了評(píng)價(jià)該方法的分類性能，取其中70%為訓(xùn)練集，30%為測(cè)試集。通過(guò)測(cè)試得到的分類性能如表2～4所示。

表2 僅對(duì)時(shí)頻圖進(jìn)行特征提取的無(wú)人機(jī)分類混淆矩陣

表3 僅對(duì)CVD進(jìn)行特征提取的無(wú)人機(jī)分類混淆矩陣

表4 對(duì)時(shí)頻圖和CVD同時(shí)進(jìn)行特征提取的無(wú)人機(jī)分類混淆矩陣

從表2～4可以明顯看出，雙通道網(wǎng)絡(luò)同時(shí)提取時(shí)頻圖和CVD的特征的效果是優(yōu)于僅使用時(shí)頻圖或僅使用CVD來(lái)進(jìn)行分類的。這是由于僅使用時(shí)頻圖進(jìn)行特征提取只能夠在時(shí)域上對(duì)微多普勒信號(hào)的特征進(jìn)行描述，不能擺脫旋翼無(wú)人機(jī)初始相位的隨機(jī)性受其旋翼位置的影響，所以會(huì)降低旋翼無(wú)人機(jī)分類的準(zhǔn)確率。而本文在時(shí)頻圖的基礎(chǔ)上引入了CVD，CVD可以分析微多普勒特征的頻率，不依賴于旋翼無(wú)人機(jī)旋翼的初始相位，將時(shí)頻圖和CVD的特征連在一起，可以從時(shí)頻域和節(jié)奏速度域描述回波信號(hào)的特征，因此同時(shí)提取時(shí)頻圖和CVD的特征可以提高無(wú)人機(jī)分類的準(zhǔn)確率。而且本文使用雙通道CNN，該網(wǎng)絡(luò)有效地實(shí)現(xiàn)了同時(shí)提取時(shí)頻圖和CVD的特征，并通過(guò)特征融合使得可以同時(shí)對(duì)回波信號(hào)的時(shí)頻域和節(jié)奏速度域的特征進(jìn)行描述，對(duì)于特征提取的強(qiáng)度明顯高于單通道的，這也驗(yàn)證了雙通道網(wǎng)絡(luò)的有效性。

從表4可以看出，四旋翼的識(shí)別準(zhǔn)確率最低，其容易跟直升機(jī)和六旋翼產(chǎn)生混淆。這是因?yàn)橹鄙龣C(jī)的時(shí)頻圖分布比四旋翼和六旋翼更為集中，所以直升機(jī)更容易被區(qū)分出來(lái)。而當(dāng)直升機(jī)和四旋翼的旋轉(zhuǎn)主頻較為接近且噪聲較強(qiáng)時(shí)，使得CVD的特征不是十分明顯，這就導(dǎo)致了識(shí)別出錯(cuò)率更高。

3.3 不同算法對(duì)比的結(jié)果分析

為了進(jìn)一步說(shuō)明本方法的優(yōu)越性，在相同的實(shí)驗(yàn)數(shù)據(jù)下，將本文所提方法與文獻(xiàn)[13]和文獻(xiàn)[7]方法進(jìn)行對(duì)比，對(duì)三種旋翼無(wú)人機(jī)的識(shí)別率實(shí)驗(yàn)結(jié)果如表5所示。

表5 各種實(shí)驗(yàn)結(jié)果對(duì)比

從表5可以看出所提方法比前人所提方法在識(shí)別準(zhǔn)確率上有了顯著的提升。文獻(xiàn)[13]中單通道GoogLeNet網(wǎng)絡(luò)提取的特征單一，不能對(duì)MDI進(jìn)行有效的分析；文獻(xiàn)[7] 則因手動(dòng)篩選特征而導(dǎo)致特征不夠全面，從而影響了其識(shí)別能力。而本文所提方法利用雙通道GoogLeNet網(wǎng)絡(luò)同時(shí)對(duì)時(shí)頻圖和CVD進(jìn)行特征提取，雙通道GoogLeNet網(wǎng)絡(luò)通過(guò)計(jì)算機(jī)自主提取特征不僅避免了人工提取所能造成的誤差，也可以同時(shí)從時(shí)頻域和節(jié)奏速度域兩個(gè)方面提取有用的特征信息，更加有利于無(wú)人機(jī)的分類。

4 結(jié)束語(yǔ)

本文基于雙通道GoogLeNet網(wǎng)絡(luò)提出了一種新的特征提取方法用于旋翼無(wú)人機(jī)分類?；趯?shí)測(cè)回波信號(hào)的實(shí)驗(yàn)結(jié)果表明，采用雙通道GoogLeNet網(wǎng)絡(luò)同時(shí)對(duì)時(shí)頻圖和CVD進(jìn)行特征提取進(jìn)一步提高了旋翼無(wú)人機(jī)分類的準(zhǔn)確率，可達(dá)到 98.9%。

下一步工作將對(duì)多架旋翼無(wú)人機(jī)同時(shí)出現(xiàn)進(jìn)行分類研究，以使該算法擁有更為廣闊的應(yīng)用前景。