CN112633326A - 一种基于贝叶斯多源融合的无人机目标检测方法 - Google Patents

一种基于贝叶斯多源融合的无人机目标检测方法 Download PDF

Info

Publication number
CN112633326A
CN112633326A CN202011369064.0A CN202011369064A CN112633326A CN 112633326 A CN112633326 A CN 112633326A CN 202011369064 A CN202011369064 A CN 202011369064A CN 112633326 A CN112633326 A CN 112633326A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
detection
target detection
decision
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.)
Granted
Application number
CN202011369064.0A
Other languages
English (en)
Other versions
CN112633326B (zh
Inventor
宛处好
王沙飞
杨健
邵怀宗
潘晔
林静然
利强
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202011369064.0A priority Critical patent/CN112633326B/zh
Publication of CN112633326A publication Critical patent/CN112633326A/zh
Application granted granted Critical
Publication of CN112633326B publication Critical patent/CN112633326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于贝叶斯多源融合的无人机目标检测方法，包括以下步骤：S1：对检测区域的光学图像进行目标检测，并得到第一向量化结果；S2：对检测区域的通信信号进行目标检测，并得到第二向量化结果；S3：分别将第一向量化结果和第二向量化结果作为贝叶斯函数的输入，进行多源融合，完成无人机目标检测。针对单一信号源检测虚警概率及漏检概率高的问题，本发明提出了无人机检测的并行分布式多源融合策略，将光学图像和无人机通信信号作为两个信源，且两个信源独立决策，互不干扰，检测结果根据权重值对最终的检测结果产生影响，提高了检测结果的可靠性，解决了复杂城市环境下无人机等“低小慢”飞行目标探测难题。

Description

一种基于贝叶斯多源融合的无人机目标检测方法
技术领域
本发明属于无人机检测技术领域，具体涉及一种基于贝叶斯多源融合的无人机目标检测方法。
背景技术
随着第五代移动通信设备加速部署，物联网时代已经来临。无人机是物联网的典型应用，因为其可以携带传感器来完成多项任务；在民用领域，无人机在物流配送领域得到了广泛的应用。同样，无人机在与自动驾驶汽车相匹配的普通载人市场中也扮演着有前途的角色。在农业领域，无人飞行器正在代替人类进行害虫防治和施肥，大大提高了农业生产效率。然而，无人机也给安全领域带来了非传统挑战。在过去的几年中，恶意和无限制的无人机飞行造成了巨大的安全风险。例如，无限制的无人机飞行会导致民用飞机的强迫降落和延误。因此，管控非合作型无人机是一项紧迫的任务。但是，由于无人机的高度低、体积小和速度慢，对无人机的检测非常困难。此外，在城市环境中多径效应和障碍物遮挡加剧了无人机检测难的情况。
目前已有的技术方案，主要是利用雷达进行探测。雷达的主要原理是利用回波多普勒频移来实现目标探测，这一方式对高空、高速和大体积的飞行目标有效，但对于无人机这样的高度低、体积小和速度慢的飞行目标探测效果很差。无人机的雷达照射面积很小，导致雷达回波很微弱，如果无人机处于高楼前面，雷达照射无人机的回波会被完全湮没，导致无法探测。另外，超声波探测在背景噪声大、遮挡物多的环境下将失去作用，虚警概率显著升高。因而单一的探测方法难以实现对无人机的可靠探测，多源融合的检测方法是值得尝试的有益途径。
发明内容
本发明的目的是为了解决无人机准确检测的问题，提出了一种基于贝叶斯多源融合的无人机目标检测方法。
本发明的技术方案是：一种基于贝叶斯多源融合的无人机目标检测方法包括以下步骤：
S1：对检测区域的光学图像进行目标检测，并得到第一向量化结果P1<u|H>；
S2：对检测区域的通信信号进行目标检测，并得到第二向量化结果P2<u|H>；
S3：分别将第一向量化结果P1<u|H>和第二向量化结果P2<u|H>作为贝叶斯函数的输入，进行多源融合，完成无人机目标检测。
本发明的有益效果是：
(1)针对单一信号源检测虚警概率及漏检概率高的问题，本发明提出了无人机检测的并行分布式多源融合策略，将光学图像和无人机通信信号作为两个信源，且两个信源独立决策，互不干扰，检测结果根据权重值对最终的检测结果产生影响，提高了检测结果的可靠性，解决了复杂城市环境下无人机等“低小慢”飞行目标探测难题。
(2)针对无人机雷达回波微弱及难以检测的问题，本发明提出了利用光学图像进行目标检测的方法，该方法采用高斯高通滤波器保留图像高频成分，增强图像细节信息，并利用YOLOv3目标检测算法实现无人机检测，解决了复杂电磁环境下无人机难以检测的问题。
(3)针对难以判别是否是无人机通信信号的问题，本发明提出了利用无人机通信信号的跳频图案作为无人机信号的判决依据的方法，实现了无人机的有效检测。
进一步地，步骤S1包括以下子步骤：
S11：利用图像传感器采集光学图像；
S12：通过高通滤波器，滤除光学图像的低频成分，保留光学图像的高频成分；
S13：训练YOLOv3神经网络；
S14：将经过高通滤波器处理后的光学图像输入至YOLOv3神经网络中，进行无人机目标检测，并输出范围为0-1的置信度；
S15：将无人机的置信度进行向量化，得到第一向量化结果P1<u|H>。
上述进一步方案的有益效果是：在本发明中，对特定空域拍摄的光学图像进行目标检测，判定该空域是否存在无人机目标，无人机就是目标源。对于光学图像，低频对应着图像的慢变化分量，如图像的平滑部分，较高的频率对应图像中变化越来越快的灰度级，如边缘或噪声等尖锐部分。同时，通过高斯高通滤波器来滤除低频成分，保留高频成分，使无人机细节信息更清楚，更利于检测。
进一步地，步骤S13包括以下子步骤：
S131：根据光学图像建立无人机图像数据集；
S132：将无人机图像数据集中的无人机打标签；
S133：将打好标签的无人机数据输入至YOLOv3神经网络中进行训练，直至网络损失函数收敛，完成YOLOv3神经网络的训练。
进一步地，步骤S2包括以下子步骤：
S21：利用快速傅里叶变换，计算检测区域的通信信号的频谱；
S22：根据检测区域的通信信号的频谱，将快速傅里叶变换的窗长和通信信号跳频周期的数据采样点数保持一致，得到每个跳频周期内对应的跳频信号频率值；
S23：将跳频信号频率值映射为序列值，得到跳频图案；
S24：根据跳频图案检测是否有无人机，并将检测结果向量化，得到第二向量化结果P2<u|H>。
上述进一步方案的有益效果是：在本发明中，对特定空域接收到的通信信号进行检测，判定该空域是否存在无人机目标，无人机就是目标源。本发明将无人机上行信号和下行信号的跳频图案作为检测无人机的依据。跳频图案的估计实际上是跳频频率的估计，通过估计跳频信号所使用的频率，并将其映射为序列值，即为跳频图案。
进一步地，步骤S21中，检测区域的通信信号包括上行信号和下行信号；其中，上行信号是遥控器发送给无人机的控制信号，其固定频点为5.7G-5.8G，下行信号是无人机发送给遥控器的图传信号，其固定频点为2.4G。
进一步地，步骤S21中，计算通信信号的频谱的计算公式为：
Figure BDA0002806024490000041
Figure BDA0002806024490000042
Figure BDA0002806024490000043
其中，DFT[·]表示离散傅里叶变换，IDFT[·]表示离散傅里叶反变换，x(n)表示信号离散采样频点，X(k)表示x(n)的离散傅里叶变换变换，N表示总采样点数，k表示采样点n的计数值。
进一步地，步骤S24中，根据跳频图案检测是否有无人机的方法为：将跳频图案与已知跳频图案进行对比，根据误差范围内相同的频点数目，得到范围为0-1的置信度，并将其向量化，得到第二向量化结果P2<u|H>。
上述进一步方案的有益效果是：在本发明中，向量化的过程为将置信度转变为一百维的向量，作为贝叶斯损失函数的输入。
进一步地，步骤S3中，将第一向量化结果P1<u|H>作为贝叶斯函数的输入，其第一平均总代价C1的计算公式为：
C1＝P0[C00P1<u0|H0>+C10P1<u1|H0>]+P1[C01P1<u0|H1>+C11P1<u1|H1>]
将第二向量化结果P2<u|H>作为贝叶斯函数的输入，其第二平均总代价C2的计算公式为：
C2＝P0[C00P2<u0|H0>+C10P2<u1|H0>]+P1[C01P2<u0|H1>+C11P2<u1|H1>]
其中，H0表示有无人机目标，H1表示没有无人机目标，P0表示H0出现的先验概率，P1表示H1出现的先验概率，C00表示假设H0成立时做出决策u0的代价，C01表示假设H1成立时做出决策u0的代价，C10表示假设H0成立时做出决策u1的代价，C11表示假设H1成立时做出决策u1的代价，P1<u0|H0>表示第一向量化结果下假设H0下判决为u0的概率，P1<u1|H0>表示第一向量化结果下假设H1下判决为u0的概率，P1<u1|H0>表示第一向量化结果下假设H0下判决为u1的概率，P1<u1|H1>表示第一向量化结果下假设H1下判决为u1的概率，P2<u0|H0>表示第二向量化结果下假设H0下判决为u0的概率，P2<u0|H1>表示第二向量化结果下假设H1下判决为u0的概率，P2<u1|H0>表示第二向量化结果下假设H0下判决为u1的概率，P2<u1|H1>表示第二向量化结果下假设H1下判决为u1的概率。
上述进一步方案的有益效果是：在本发明中，定义贝叶斯代价函数，将光学图像检测和通信信号检测的向量化结果输入贝叶斯代价函数，使代价函数总均值最小，判别得到检测结果。
进一步地，步骤S3中，进行多源融合的检测方法为：选择区域R1使第一平均总代价C1的值和第二平均总代价C2的值最小，其计算公式为：
Figure BDA0002806024490000061
Figure BDA0002806024490000062
其中，P0表示H0出现的先验概率，P1表示H1出现的先验概率，C00表示假设H0成立时做出决策u0的代价，C01表示假设H1成立时做出决策u0的代价，C10表示假设H0成立时做出决策u1的代价，C11表示第一向量化结果下假设H1成立时做出决策u1的代价，p0(z)表示z关于H0的条件概率密度，p1(z)表示z关于H1的条件概率密度。
上述进一步方案的有益效果是：在本发明中，本发明利用贝叶斯融合检测准则对无人机检测的光学图像源和通信信号源决策结果分配相应的权重值，分配的规则为置信度越大，其权重值越大，接下来基于假设概率得到平均总代价，检测策略是使平均总代价最小。
附图说明
图1为无人机目标检测方法的流程图；
图2为二元信号检测的概率模型图；
图3为YOLOv3神经网络检测无人机目标的效果图；
图4为YOLOv3神经网络检测无人机目标的效果图；
图5为主流无人机通信信号的跳频图案。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种基于贝叶斯多源融合的无人机目标检测方法，包括以下步骤：
S1：对检测区域的光学图像进行目标检测，并得到第一向量化结果P1<u|H>；
S2：对检测区域的通信信号进行目标检测，并得到第二向量化结果P2<u|H>；
S3：分别将第一向量化结果P1<u|H>和第二向量化结果P2<u|H>作为贝叶斯函数的输入，进行多源融合，完成无人机目标检测。
在本发明实施例中，如图1所示，步骤S1包括以下子步骤：
S11：利用图像传感器采集光学图像；
S12：通过高通滤波器，滤除光学图像的低频成分，保留光学图像的高频成分；
S13：训练YOLOv3神经网络；
S14：将经过高通滤波器处理后的光学图像输入至YOLOv3神经网络中，
进行无人机目标检测，并输出范围为0-1的置信度；
S15：将无人机的置信度进行向量化，得到第一向量化结果P1<u|H>。
上述进一步方案的有益效果是：在本发明中，对特定空域拍摄的光学图像进行目标检测，判定该空域是否存在无人机目标，无人机就是目标源。对于光学图像，低频对应着图像的慢变化分量，如图像的平滑部分，较高的频率对应图像中变化越来越快的灰度级，如边缘或噪声等尖锐部分。同时，通过高斯高通滤波器来滤除低频成分，保留高频成分，使无人机细节信息更清楚，更利于检测。
在本发明实施例中，如图1所示，步骤S13包括以下子步骤：
S131：根据光学图像建立无人机图像数据集；
S132：将无人机图像数据集中的无人机打标签；
S133：将打好标签的无人机数据输入至YOLOv3神经网络中进行训练，直至网络损失函数收敛，完成YOLOv3神经网络的训练。
在本发明实施例中，如图1所示，步骤S2包括以下子步骤：
S21：利用快速傅里叶变换，计算检测区域的通信信号的频谱；
S22：根据检测区域的通信信号的频谱，将快速傅里叶变换的窗长和通信信号跳频周期的数据采样点数保持一致，得到每个跳频周期内对应的跳频信号频率值；
S23：将跳频信号频率值映射为序列值，得到跳频图案；
S24：根据跳频图案检测是否有无人机，并将检测结果向量化，得到第二向量化结果P2<u|H>。
在本发明中，对特定空域接收到的通信信号进行检测，判定该空域是否存在无人机目标，无人机就是目标源。本发明将无人机上行信号和下行信号的跳频图案作为检测无人机的依据。跳频图案的估计实际上是跳频频率的估计，通过估计跳频信号所使用的频率，并将其映射为序列值，即为跳频图案。
在本发明实施例中，如图1所示，步骤S21中，检测区域的通信信号包括上行信号和下行信号；其中，上行信号是遥控器发送给无人机的控制信号，其固定频点为5.7G-5.8G，下行信号是无人机发送给遥控器的图传信号，其固定频点为2.4G。
在本发明实施例中，如图1所示，步骤S21中，计算通信信号的频谱的计算公式为：
Figure BDA0002806024490000081
Figure BDA0002806024490000082
Figure BDA0002806024490000083
其中，DFT[·]表示离散傅里叶变换，IDFT[·]表示离散傅里叶反变换，x(n)表示信号离散采样频点，X(k)表示x(n)的离散傅里叶变换变换，N表示总采样点数，k表示采样点n的计数值。
在本发明实施例中，如图1所示，步骤S24中，根据跳频图案检测是否有无人机的方法为：将跳频图案与已知跳频图案进行对比，根据误差范围内相同的频点数目，得到范围为0-1的置信度，并将其向量化，得到第二向量化结果P2<u|H>。
在本发明中，向量化的过程为将置信度转变为一百维的向量，作为贝叶斯损失函数的输入。在计算置信度时，如总频点数为50，误差范围内相同频点数为40，那么置信度为80％。
在本发明实施例中，如图1所示，步骤S3中，将第一向量化结果P1<u|H>作为贝叶斯函数的输入，其第一平均总代价C1的计算公式为：
C1＝P0[C00P1<u0|H0>+C10P1<u1|H0>]+P1[C01P1<u0|H1>+C11P1<u1|H1>]
将第二向量化结果P2<u|H>作为贝叶斯函数的输入，其第二平均总代价C2的计算公式为：
C2＝P0[C00P2<u0|H0>+C10P2<u1|H0>]+P1[C01P2<u0|H1>+C11P2<u1|H1>]
其中，H0表示有无人机目标，H1表示没有无人机目标，P0表示H0出现的先验概率，P1表示H1出现的先验概率，C00表示假设H0成立时做出决策u0的代价，C01表示假设H1成立时做出决策u0的代价，C10表示假设H0成立时做出决策u1的代价，C11表示假设H1成立时做出决策u1的代价，P1<u0|H0>表示第一向量化结果下假设H0下判决为u0的概率，P1<u1|H0>表示第一向量化结果下假设H1下判决为u0的概率，P1<u1|H0>表示第一向量化结果下假设H0下判决为u1的概率，P1<u1|H1>表示第一向量化结果下假设H1下判决为u1的概率，P2<u0|H0>表示第二向量化结果下假设H0下判决为u0的概率，P2<u0|H1>表示第二向量化结果下假设H1下判决为u0的概率，P2<u1|H0>表示第二向量化结果下假设H0下判决为u1的概率，P2<u1|H1>表示第二向量化结果下假设H1下判决为u1的概率。
在本发明中，定义贝叶斯代价函数，将光学图像检测和通信信号检测的向量化结果输入贝叶斯代价函数，使代价函数总均值最小，判别得到检测结果。
在本发明实施例中，如图1所示，步骤S3中，进行多源融合的检测方法为：选择区域R1使第一平均总代价C1的值和第二平均总代价C2的值最小，其计算公式为：
Figure BDA0002806024490000101
Figure BDA0002806024490000102
其中，P0表示H0出现的先验概率，P1表示H1出现的先验概率，C00表示假设H0成立时做出决策u0的代价，C01表示假设H1成立时做出决策u0的代价，C10表示假设H0成立时做出决策u1的代价，C11表示第一向量化结果下假设H1成立时做出决策u1的代价，p0(z)表示z关于H0的条件概率密度，p1(z)表示z关于H1的条件概率密度。
在本发明中，本发明利用贝叶斯融合检测准则对无人机检测的光学图像源和通信信号源决策结果分配相应的权重值，分配的规则为置信度越大，其权重值越大，接下来基于假设概率得到平均总代价，检测策略是使平均总代价最小。
在本发明中，根据步骤S3得到无人机二元假设检测的贝叶斯检测准则为：
Figure BDA0002806024490000103
如图2所示，为二元信号检测的概率模型图；如图3和图4所示，为YOLOv3神经网络检测无人机目标的效果图；如图5所示，为主流无人机通信信号的跳频图案。
本发明的工作原理及过程为：本发明提出了一种基于贝叶斯多源融合的无人机目标检测方法，该方法采用了并行分布式的多源融合策略。该发明提出的贝叶斯多源融合检测算法的两个信号源为无人机光学图像源和无人机通信信号源。两个信号源并行处理，分布式检测得出各自的检测结果和相应的置信度。本发明将两个信号源处理得到的结果向量化，同时定义一个贝叶斯代价函数，将向量化的结果输入代价函数，检测策略是使该贝叶斯代价函数平均总代价最小。
本发明的有益效果为：
(1)针对单一信号源检测虚警概率及漏检概率高的问题，本发明提出了无人机检测的并行分布式多源融合策略，将光学图像和无人机通信信号作为两个信源，且两个信源独立决策，互不干扰，检测结果根据权重值对最终的检测结果产生影响，提高了检测结果的可靠性，解决了复杂城市环境下无人机等“低小慢”飞行目标探测难题。
(2)针对无人机雷达回波微弱及难以检测的问题，本发明提出了利用光学图像进行目标检测的方法，该方法采用高斯高通滤波器保留图像高频成分，增强图像细节信息，并利用YOLOv3目标检测算法实现无人机检测，解决了复杂电磁环境下无人机难以检测的问题。
(3)针对难以判别是否是无人机通信信号的问题，本发明提出了利用无人机通信信号的跳频图案作为无人机信号的判决依据的方法，实现了无人机的有效检测。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.一种基于贝叶斯多源融合的无人机目标检测方法，其特征在于，包括以下步骤：
S1：对检测区域的光学图像进行目标检测，并得到第一向量化结果P1<u|H>；
S2：对检测区域的通信信号进行目标检测，并得到第二向量化结果P2<u|H>；
S3：分别将第一向量化结果P1<u|H>和第二向量化结果P2<u|H>作为贝叶斯函数的输入，进行多源融合，完成无人机目标检测。
2.根据权利要求1所述的基于贝叶斯多源融合的无人机目标检测方法，其特征在于，所述步骤S1包括以下子步骤：
S11：利用图像传感器采集光学图像；
S12：通过高通滤波器，滤除光学图像的低频成分，保留光学图像的高频成分；
S13：训练YOLOv3神经网络；
S14：将经过高通滤波器处理后的光学图像输入至YOLOv3神经网络中，进行无人机目标检测，并输出范围为0-1的置信度；
S15：将无人机的置信度进行向量化，得到第一向量化结果P1<u|H>。
3.根据权利要求2所述的基于贝叶斯多源融合的无人机目标检测方法，其特征在于，所述步骤S13包括以下子步骤：
S131：根据光学图像建立无人机图像数据集；
S132：将无人机图像数据集中的无人机打标签；
S133：将打好标签的无人机数据输入至YOLOv3神经网络中进行训练，直至网络损失函数收敛，完成YOLOv3神经网络的训练。
4.根据权利要求1所述的基于贝叶斯多源融合的无人机目标检测方法，其特征在于，所述步骤S2包括以下子步骤：
S21：利用快速傅里叶变换，计算检测区域的通信信号的频谱；
S22：根据检测区域的通信信号的频谱，将快速傅里叶变换的窗长和通信信号跳频周期的数据采样点数保持一致，得到每个跳频周期内对应的跳频信号频率值；
S23：将跳频信号频率值映射为序列值，得到跳频图案；
S24：根据跳频图案检测是否有无人机，并将检测结果向量化，得到第二向量化结果P2<u|H>。
5.根据权利要求4所述的基于贝叶斯多源融合的无人机目标检测方法，其特征在于，所述步骤S21中，检测区域的通信信号包括上行信号和下行信号；其中，上行信号是遥控器发送给无人机的控制信号，其固定频点为5.7G-5.8G，下行信号是无人机发送给遥控器的图传信号，其固定频点为2.4G。
6.根据权利要求4所述的基于贝叶斯多源融合的无人机目标检测方法，其特征在于，所述步骤S21中，计算通信信号的频谱的计算公式为：
Figure FDA0002806024480000021
Figure FDA0002806024480000022
Figure FDA0002806024480000023
其中，DFT[·]表示离散傅里叶变换，IDFT[·]表示离散傅里叶反变换，x(n)表示信号离散采样频点，X(k)表示x(n)的离散傅里叶变换变换，N表示总采样点数，k表示采样点n的计数值。
7.根据权利要求4所述的基于贝叶斯多源融合的无人机目标检测方法，其特征在于，所述步骤S24中，根据跳频图案检测是否有无人机的方法为：将跳频图案与已知跳频图案进行对比，根据误差范围内相同的频点数目，得到范围为0-1的置信度，并将其向量化，得到第二向量化结果P2<u|H>。
8.根据权利要求1所述的基于贝叶斯多源融合的无人机目标检测方法，其特征在于，所述步骤S3中，将第一向量化结果P1<u|H>作为贝叶斯函数的输入，其第一平均总代价C1的计算公式为：
C1＝P0[C00P1<u0|H0>+C10P1<u1|H0>]+P1[C01P1<u0|H1>+C11P1<u1|H1>]
将第二向量化结果P2<u|H>作为贝叶斯函数的输入，其第二平均总代价C2的计算公式为：
C2＝P0[C00P2<u0|H0>+C10P2<u1|H0>]+P1[C01P2<u0|H1>+C11P2<u1|H1>]
其中，H0表示有无人机目标，H1表示没有无人机目标，P0表示H0出现的先验概率，P1表示H1出现的先验概率，C00表示假设H0成立时做出决策u0的代价，C01表示假设H1成立时做出决策u0的代价，C10表示假设H0成立时做出决策u1的代价，C11表示假设H1成立时做出决策u1的代价，P1<u0|H0>表示第一向量化结果下假设H0下判决为u0的概率，P1<u1|H0>表示第一向量化结果下假设H1下判决为u0的概率，P1<u1|H0>表示第一向量化结果下假设H0下判决为u1的概率，P1<u1|H1>表示第一向量化结果下假设H1下判决为u1的概率，P2<u0|H0>表示第二向量化结果下假设H0下判决为u0的概率，P2<u0|H1>表示第二向量化结果下假设H1下判决为u0的概率，P2<u1|H0>表示第二向量化结果下假设H0下判决为u1的概率，P2<u1|H1>表示第二向量化结果下假设H1下判决为u1的概率。
9.根据权利要求8所述的基于贝叶斯多源融合的无人机目标检测方法，其特征在于，所述步骤S3中，进行多源融合的检测方法为：选择区域R1使第一平均总代价C1的值和第二平均总代价C2的值最小，其计算公式为：
Figure FDA0002806024480000041
Figure FDA0002806024480000042
其中，P0表示H0出现的先验概率，P1表示H1出现的先验概率，C00表示假设H0成立时做出决策u0的代价，C01表示假设H1成立时做出决策u0的代价，C10表示假设H0成立时做出决策u1的代价，C11表示第一向量化结果下假设H1成立时做出决策u1的代价，p0(z)表示z关于H0的条件概率密度，p1(z)表示z关于H1的条件概率密度。
CN202011369064.0A 2020-11-30 2020-11-30 一种基于贝叶斯多源融合的无人机目标检测方法 Active CN112633326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011369064.0A CN112633326B (zh) 2020-11-30 2020-11-30 一种基于贝叶斯多源融合的无人机目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011369064.0A CN112633326B (zh) 2020-11-30 2020-11-30 一种基于贝叶斯多源融合的无人机目标检测方法

Publications (2)

Publication Number Publication Date
CN112633326A true CN112633326A (zh) 2021-04-09
CN112633326B CN112633326B (zh) 2022-04-29

Family

ID=75307412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011369064.0A Active CN112633326B (zh) 2020-11-30 2020-11-30 一种基于贝叶斯多源融合的无人机目标检测方法

Country Status (1)

Country Link
CN (1) CN112633326B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114696942A (zh) * 2022-03-25 2022-07-01 电子科技大学 一种适用于无人机通信链路的干扰方法
CN115277770A (zh) * 2022-07-20 2022-11-01 华北电力大学（保定） 一种节点接入和飞行策略联合优化的无人机信息收集方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107167811A (zh) * 2017-04-26 2017-09-15 西安交通大学 基于单目视觉与激光雷达融合的道路可行驶区域检测方法
CN107272030A (zh) * 2017-05-18 2017-10-20 西安电子科技大学 一种基于多个gps卫星信息融合的目标探测方法
CN109558848A (zh) * 2018-11-30 2019-04-02 湖南华诺星空电子技术有限公司 一种基于多源信息融合的无人机生命探测方法
CN109583383A (zh) * 2018-11-30 2019-04-05 湖南华诺星空电子技术有限公司 一种基于多源传感器的无人机生命探测方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107167811A (zh) * 2017-04-26 2017-09-15 西安交通大学 基于单目视觉与激光雷达融合的道路可行驶区域检测方法
CN107272030A (zh) * 2017-05-18 2017-10-20 西安电子科技大学 一种基于多个gps卫星信息融合的目标探测方法
CN109558848A (zh) * 2018-11-30 2019-04-02 湖南华诺星空电子技术有限公司 一种基于多源信息融合的无人机生命探测方法
CN109583383A (zh) * 2018-11-30 2019-04-05 湖南华诺星空电子技术有限公司 一种基于多源传感器的无人机生命探测方法及***

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ANNE H. SCHISTAD SOLBERG等: "Multisource Classification of Remotely Sensed Data:", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
卞荔等: "基于数据融合的协作频谱感知算法", 《南京邮电大学学报(自然科学版)》 *
孙吉等: "基于短时傅里叶变换的跳频信号分析方法", 《通信对抗》 *
王国宏等: "先验概率和代价函数均模糊时基于贝叶斯最小风险准则的分布式决策融合", 《电子学报》 *
王洪迅等: "RWR/ESM***的"虚警"和"漏警"", 《电讯技术》 *
聂伟等: "基于Bayes决策理论的数据融合方法", 《传感技术学报》 *
赵庆樱: "基于贝叶斯准则的检验融合及性质", 《重庆职业技术学院学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114696942A (zh) * 2022-03-25 2022-07-01 电子科技大学 一种适用于无人机通信链路的干扰方法
CN114696942B (zh) * 2022-03-25 2023-10-10 电子科技大学 一种适用于无人机通信链路的干扰方法
CN115277770A (zh) * 2022-07-20 2022-11-01 华北电力大学（保定） 一种节点接入和飞行策略联合优化的无人机信息收集方法
CN115277770B (zh) * 2022-07-20 2023-04-25 华北电力大学（保定） 一种节点接入和飞行策略联合优化的无人机信息收集方法

Also Published As

Publication number Publication date
CN112633326B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
US11461915B2 (en) Object size estimation using camera map and/or radar information
US10514711B2 (en) Flight control using computer vision
US20220197281A1 (en) Intelligent decision-making method and system for unmanned surface vehicle
US8527445B2 (en) Apparatus, system, and method for object detection and identification
CN112633326B (zh) 一种基于贝叶斯多源融合的无人机目标检测方法
US20100305857A1 (en) Method and System for Visual Collision Detection and Estimation
US20220144186A1 (en) Object Tracking System Including Stereo Camera Assembly and Methods of Use
Zsedrovits et al. Visual detection and implementation aspects of a UAV see and avoid system
CN111831010A (zh) 一种基于数字空间切片的无人机避障飞行方法
CN116229385A (zh) 一种基于卷积神经网络结合贪心算法的车辆3d多目标跟踪方法
Hwang et al. Aircraft detection using deep convolutional neural network in small unmanned aircraft systems
CN117311393A (zh) 一种无人机自主飞行路径规划方法及***
Shukla et al. Robust monocular localization of drones by adapting domain maps to depth prediction inaccuracies
CN117496322A (zh) 一种基于云边协同的多模态3d目标检测方法和装置
Barisic et al. Brain over Brawn: Using a Stereo Camera to Detect, Track, and Intercept a Faster UAV by Reconstructing the Intruder's Trajectory
CN116740575A (zh) 一种无人船多传感器态势感知及避碰决策方法
EP4160269A1 (en) Systems and methods for onboard analysis of sensor data for sensor fusion
Guptha M et al. [Retracted] Generative Adversarial Networks for Unmanned Aerial Vehicle Object Detection with Fusion Technology
CN109669180B (zh) 一种连续波雷达无人机检测方法
Hasanujjaman et al. Autonomous vehicle driving in harsh weather: Adaptive fusion alignment modeling and analysis
CN114545414A (zh) 一种用于无人机防撞雷达的航迹管理方法
Gunawan et al. Geometric deep particle filter for motorcycle tracking: development of intelligent traffic system in Jakarta
Zheng (Retracted) Laser radar-based intelligent vehicle target recognition and detection system using image detection technology
KR20220026402A (ko) 이미지의 객체 감지 및 분류 방법 및 시스템
CN115496170B (zh) 一种人体姿态识别方法、***、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant