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 PDF

Info

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
Application number
CN202211660369.6A
Other languages
English (en)
Inventor
周代英
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 CN202211660369.6A priority Critical patent/CN115795299A/zh
Publication of CN115795299A publication Critical patent/CN115795299A/zh
Pending legal-status Critical Current

Links

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

一种多旋翼无人机识别中的编码特征提取方法
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
Figure BDA0004013567920000011
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：
Figure BDA0004013567920000021
Figure BDA0004013567920000022
Figure BDA0004013567920000023
Figure BDA0004013567920000024
其中，
Figure BDA0004013567920000025
和
Figure BDA0004013567920000026
分别表示元素与右边、右上角、正上方、左上角相邻元素进行1阶差分的图像，
Figure BDA0004013567920000027
和
Figure BDA0004013567920000028
分别表示第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；
据此得到4个方向上q>1阶差分域图像：
Figure BDA0004013567920000029
Figure BDA00040135679200000210
Figure BDA00040135679200000211
Figure BDA00040135679200000212
其中，
Figure BDA00040135679200000213
和
Figure BDA00040135679200000214
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，
Figure BDA00040135679200000215
和
Figure BDA00040135679200000216
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；
S4、将4个方向的q阶差分域图像
Figure BDA00040135679200000217
和
Figure BDA00040135679200000218
划分为子块，得到子块多方向编码序列：
以3x3的窗口在图像
Figure BDA00040135679200000219
中进行不交叠滑动，d＝1,2,3,4，得到多个3x3的子块，组成子块集
Figure BDA0004013567920000031
Figure BDA0004013567920000032
Figure BDA0004013567920000033
l＝1，2，…L
其中，
Figure BDA0004013567920000034
表示子块集
Figure BDA0004013567920000035
中的第l个子块矩阵，
Figure BDA0004013567920000036
表示子块矩阵
Figure BDA0004013567920000037
中元素，L表示子块总数；
计算子块矩阵
Figure BDA0004013567920000038
中所有元素的均值
Figure BDA0004013567920000039
Figure BDA00040135679200000310
进行如下编码：
Figure BDA00040135679200000311
其中，
Figure BDA00040135679200000312
是
Figure BDA00040135679200000313
对应的编码，子块中各元素编码按行的顺序组成0和1的差分编码序列
Figure BDA00040135679200000314
Figure BDA00040135679200000315
S5、提取子块多方向编码特征：
将同一方向上的差分多方向编码序列
Figure BDA00040135679200000316
组成一个矢量
Figure BDA00040135679200000317
Figure BDA00040135679200000318
再将所有方向的矢量
Figure BDA00040135679200000319
组成如下矢量：
Figure BDA00040135679200000320
获得的
Figure BDA0004013567920000041
为q阶差分域子块多方向编码特征矢量。
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
Figure BDA0004013567920000042
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
Figure FDA0004013567910000011
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：
Figure FDA0004013567910000012
Figure FDA0004013567910000013
Figure FDA0004013567910000014
Figure FDA0004013567910000015
其中，
Figure FDA0004013567910000016
和
Figure FDA0004013567910000017
分别表示元素与右边、右上角、正上方、左上角相邻元素进行1阶差分的图像，
Figure FDA0004013567910000018
和
Figure FDA0004013567910000019
分别表示第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；
据此得到4个方向上q>1阶差分域图像：
Figure FDA00040135679100000110
Figure FDA0004013567910000021
Figure FDA0004013567910000022
Figure FDA0004013567910000023
其中，
Figure FDA0004013567910000024
和
Figure FDA0004013567910000025
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，
Figure FDA0004013567910000026
和
Figure FDA0004013567910000027
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；
S4、将4个方向的q阶差分域图像
Figure FDA0004013567910000028
和
Figure FDA0004013567910000029
划分为子块，得到子块多方向编码序列：
以3x3的窗口在图像
Figure FDA00040135679100000210
中进行不交叠滑动，d＝1,2,3,4，得到多个3x3的子块，组成子块集
Figure FDA00040135679100000211
Figure FDA00040135679100000212
Figure FDA00040135679100000213
其中，
Figure FDA00040135679100000214
表示子块集
Figure FDA00040135679100000215
中的第l个子块矩阵，
Figure FDA00040135679100000216
表示子块矩阵
Figure FDA00040135679100000217
中元素，L表示子块总数；
计算子块矩阵
Figure FDA00040135679100000218
中所有元素的均值
Figure FDA00040135679100000219
Figure FDA00040135679100000220
进行如下编码：
Figure FDA00040135679100000221
其中，
Figure FDA00040135679100000222
是
Figure FDA00040135679100000223
对应的编码，子块中各元素编码按行的顺序组成0和1的差分编码序列
Figure FDA0004013567910000031
Figure FDA0004013567910000032
S5、提取子块多方向编码特征：
将同一方向上的差分多方向编码序列
Figure FDA0004013567910000033
组成一个矢量
Figure FDA0004013567910000034
Figure FDA0004013567910000035
再将所有方向的矢量
Figure FDA0004013567910000036
组成如下矢量：
Figure FDA0004013567910000037
获得的
Figure FDA0004013567910000038
为q阶差分域子块多方向编码特征矢量。
CN202211660369.6A 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 Pending CN115795299A (zh)

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)

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