CN115795299A - 一种多旋翼无人机识别中的编码特征提取方法 - Google Patents
一种多旋翼无人机识别中的编码特征提取方法 Download PDFInfo
- Publication number
- CN115795299A CN115795299A CN202211660369.6A CN202211660369A CN115795299A CN 115795299 A CN115795299 A CN 115795299A CN 202211660369 A CN202211660369 A CN 202211660369A CN 115795299 A CN115795299 A CN 115795299A
- Authority
- CN
- China
- Prior art keywords
- sub
- unmanned aerial
- aerial vehicle
- coding
- blocks
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title abstract description 6
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 7
- 108091026890 Coding region Proteins 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于多旋翼无人机目标识别技术领域,具体涉及一种多旋翼无人机识别中的编码特征提取方法。本发明首先通过对无人机目标的雷达回波数据序列进行短时付氏变换,获得时频谱图,将时频谱图在一些方向进行多次差分计算,得到高阶差分域图像,再将高阶差分域图像划分为多个互不交叠的子块,每一子块的元素值与子块均值差分,按差分值的正负编码和逆时针顺序构成一个编码序列,所有方向的整幅图的所有子块编码序列构成一个矢量,作为高阶差分域子块多方向编码特征,完成对多旋翼无人机的识别。由于充分利用了子块结构中方向性的细节信息,能够从雷达回波数据中提取到有关目标的局部精细特征,从而改善了对目标的识别率。
Description
技术领域
本发明属于多旋翼无人机目标识别技术领域,具体涉及一种多旋翼无人机识别中的编码特征提取方法。
背景技术
目前,投影变换方法是一种识别无人机的经典方法,主要通过无人机目标的训练数据集建立变换矩阵,提取目标的分类特征。但是,常规投影变换方法只能从宏观角度提取全局结构特征,而忽略了局部结构特征,降低了目标细节上的差异,因此,有望进一步改善常规多旋翼无人机投影变换识别方法的目标识别率。
发明内容
本发明的目的在于提出一种多旋翼无人机识别中的编码特征提取方法,通过将时频谱图进行高阶差分处理,然后划分为互不交叠的子块,并在多个方向上对子块进行编码,作为识别特征,能够更好地提取到反映目标方向细节的局部结构特征,增大了目标在方向细节上的差异程度,从而改善了对目标的识别率。
本发明的技术方案为:
一种多旋翼无人机识别中的编码特征提取方法,包括以下步骤:
S1、定义获取的多旋翼无人机的雷达回波训练数据序列为n维列矢量xij,i=1,2,…g,j=1,2…Ni,其中,i表示无人机的类别,g表示类别数,Ni表示第i类无人机目标的训练样本数,则总的训练样本数为
S2、对第i类无人机目标的训练样本数据xij进行短时付氏变换,得到时频谱图Sij:
Sij=[sij,km]K×M
其中,sij,km表示时频谱图Sij中的元素,k=1,2,…K,m=1,2,…M,k为行下标,表示频率变化方向,m为列下标,表示时间变化方向,K是Sij的行数,M是Sij的列数;
S3、对时频谱图进行高阶差分处理:
以每一个元素为中心,分别与右边、右上角、正上方、左上角相邻的元素进行差分,获得4幅度差分图:
据此得到4个方向上q>1阶差分域图像:
其中,和分别表示在(q-1)阶差分域图像中的元素与右边、右上角、正上方、左上角相邻元素进行差分的图像,和分别表示在(q-1)阶差分域图像中第k行第m列的元素与右边、右上角、正上方、左上角相邻元素的差分值;
l=1,2,…L
进行如下编码:
S5、提取子块多方向编码特征:
获取特征矢量后,可采用最小距离像分类器对多旋翼无人机目标进行分类识别。
本发明的有益效果为,本发明首先通过对无人机目标的雷达回波数据序列进行短时付氏变换,获得时频谱图,然后,将时频谱图在一些方向进行多次差分计算,得到高阶差分域图像,再将高阶差分域图像划分为多个互不交叠的子块,每一子块的元素值与子块均值差分,按差分值的正负编码和逆时针顺序构成一个编码序列,所有方向的整幅图的所有子块编码序列构成一个矢量,作为高阶差分域子块多方向编码特征,完成对多旋翼无人机的识别。由于充分利用了子块结构中方向性的细节信息,能够从雷达回波数据中提取到有关目标的局部精细特征,从而改善了对目标的识别率。对4类多旋翼无人机的仿真实验结果验证了方法的有效性。
具体实施方式
下面结合仿真以证明本发明的有效性和取得的进步:
仿真实验设计了4种类型的无人机,包括三旋翼无人机、四旋翼无人机、六旋翼无人机、八旋翼无人机,其仿真参数如表1所示。仿真雷达参数包括:雷达载频为24GHz;脉冲重复频率为100KHz;目标与雷达间的距离200m;无人机相对于雷达的俯仰角为10°、方位角为30°。
表1四种无人机的仿真参数
每类目标记录10s的雷达回波信号,并将其分为固定长度0.05s的段(至少包含一个旋转周期),段之间的重叠为50%,每段包含0.05×100000=5000个雷达回波采样数据点,每类共400段。在400段中随机选取200段作为训练数据集,其余200段作为测试数据集,则4类目标的训练数据集总共包括800个段,测试数据集包括800个段。对选取的训练数据集,利用本文方法提取高阶差分域子块多方向编码特征,建立模板库,同样提取测试样本的高阶差分域子块多方向编码特征,采用最小距离分类器进行分类,对4类多旋翼无人机的平均正确识别率达到96%。其中,信噪比为10dB。
Claims (1)
1.一种多旋翼无人机识别中的编码特征提取方法,其特征在于,包括以下步骤:
S1、定义获取的多旋翼无人机的雷达回波训练数据序列为n维列矢量xij,i=1,2,…g,j=1,2…Ni,其中,i表示无人机的类别,g表示类别数,Ni表示第i类无人机目标的训练样本数,则总的训练样本数为
S2、对第i类无人机目标的训练样本数据xij进行短时付氏变换,得到时频谱图Sij:
Sij=[sij,km]K×M
其中,sij,km表示时频谱图Sij中的元素,k=1,2,…K,m=1,2,…M,k为行下标,表示频率变化方向,m为列下标,表示时间变化方向,K是Sij的行数,M是Sij的列数;
S3、对时频谱图进行高阶差分处理:
以每一个元素为中心,分别与右边、右上角、正上方、左上角相邻的元素进行差分,获得4幅度差分图:
据此得到4个方向上q>1阶差分域图像:
其中,和分别表示在(q-1)阶差分域图像中的元素与右边、右上角、正上方、左上角相邻元素进行差分的图像,和分别表示在(q-1)阶差分域图像中第k行第m列的元素与右边、右上角、正上方、左上角相邻元素的差分值;
进行如下编码:
S5、提取子块多方向编码特征:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660369.6A CN115795299A (zh) | 2022-12-23 | 2022-12-23 | 一种多旋翼无人机识别中的编码特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660369.6A CN115795299A (zh) | 2022-12-23 | 2022-12-23 | 一种多旋翼无人机识别中的编码特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115795299A true CN115795299A (zh) | 2023-03-14 |
Family
ID=85427729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211660369.6A Pending CN115795299A (zh) | 2022-12-23 | 2022-12-23 | 一种多旋翼无人机识别中的编码特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115795299A (zh) |
-
2022
- 2022-12-23 CN CN202211660369.6A patent/CN115795299A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113159051B (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
CN104459668B (zh) | 基于深度学习网络的雷达目标识别方法 | |
CN102645649B (zh) | 基于雷达目标距离像时频特征提取的雷达目标识别方法 | |
CN103034863B (zh) | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 | |
CN110082821B (zh) | 一种无标签框微地震信号检测方法及装置 | |
CN111126332B (zh) | 基于轮廓特征的跳频信号分类方法 | |
CN104899549A (zh) | 基于距离像时频图鉴别字典学习的sar目标识别方法 | |
CN107992891A (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
CN104021394A (zh) | 基于Adaboost算法的绝缘子图像识别方法 | |
CN102999762B (zh) | 基于Freeman分解和谱聚类的极化SAR图像分类方法 | |
CN113988119B (zh) | 一种多旋翼无人机识别中的块概率分布特征提取方法 | |
CN106022355A (zh) | 基于3dcnn的高光谱图像空谱联合分类方法 | |
CN104732224B (zh) | 基于二维泽尔尼克矩特征稀疏表示的sar目标识别方法 | |
CN109696906B (zh) | 基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法 | |
CN110516525A (zh) | 基于gan和svm的sar图像目标识别方法 | |
CN112905828B (zh) | 一种结合显著特征的图像检索器、数据库及检索方法 | |
CN104156979B (zh) | 一种基于高斯混合模型的视频中异常行为在线检测方法 | |
CN104268553B (zh) | 基于核模糊Foley‑Sammon转换的SAR图像目标识别方法 | |
CN105160353A (zh) | 基于多特征集的极化sar数据地物分类方法 | |
CN107679539A (zh) | 一种基于局部感知野的单卷积神经网络局部信息与全局信息整合方法 | |
CN113269203B (zh) | 一种用于多旋翼无人机识别的子空间特征提取方法 | |
CN111539488A (zh) | 复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法 | |
CN104008373B (zh) | 基于多信息字典学习的sar目标识别方法 | |
CN104021399B (zh) | 基于距离像时频图非负稀疏编码的sar目标识别方法 | |
CN115795299A (zh) | 一种多旋翼无人机识别中的编码特征提取方法 |
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 |