孫德剛，王友軍，王 文，魏 冬

（1.中國(guó)科學(xué)院大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院，北京 100049；2.中國(guó)科學(xué)院信息工程研究所，北京 100093）

0 引 言

跳頻通信技術(shù)可通過在寬頻段內(nèi)隨機(jī)快速改變其載波頻率來實(shí)現(xiàn)抗干擾和抗截獲[1]。因此，跳頻通信技術(shù)被廣泛應(yīng)用于現(xiàn)代軍事通信和保密通信領(lǐng)域。同時(shí)，跳頻通信信號(hào)的檢測(cè)也成為信息安全領(lǐng)域的研究熱點(diǎn)和難點(diǎn)問題。

跳頻信號(hào)的檢測(cè)主要面臨信號(hào)難以完整截獲、電磁空間中存在定頻干擾、掃頻干擾、突發(fā)干擾等多種干擾信號(hào)?，F(xiàn)有跳頻信號(hào)的檢測(cè)多依賴人工干預(yù)，在如今復(fù)雜電磁場(chǎng)景和海量監(jiān)測(cè)數(shù)據(jù)環(huán)境下，迫切需要對(duì)跳頻信號(hào)進(jìn)行自動(dòng)化檢測(cè)。

針對(duì)上述問題，當(dāng)前針對(duì)跳頻信號(hào)的檢測(cè)方法主要是基于時(shí)頻分析和圖像處理，并通過人工設(shè)置閾值的方法檢測(cè)跳頻信號(hào)。

時(shí)頻分析方法是分析非平穩(wěn)信號(hào)的重要工具，不需要任何先驗(yàn)信息即可提取信號(hào)時(shí)域和頻域特征，用于跳頻信號(hào)盲檢測(cè)。算法主要包括短時(shí)傅里葉變換（STFT）、小波變換和Wigner-Ville類變換?；诙虝r(shí)傅里葉變換的跳頻信號(hào)檢測(cè)方法[2]不存在交叉項(xiàng)干擾，但是對(duì)時(shí)頻信號(hào)聚焦性不強(qiáng)，不易權(quán)衡頻率分辨率和時(shí)間分辨率?；谛〔ㄗ儞Q的跳頻信號(hào)盲檢測(cè)方法引入了小波函數(shù)，而小波函數(shù)的頻率特性和時(shí)間特性可以有效提升跳頻信號(hào)檢測(cè)的時(shí)頻分辨率[3-4]；基于Wigner-Ville類變換的盲檢測(cè)方法同樣是對(duì)跳頻信號(hào)檢測(cè)中時(shí)頻分辨率進(jìn)行平衡，改善了跳頻信號(hào)時(shí)頻局部聚集性，但是引入了交叉干擾項(xiàng)，計(jì)算復(fù)雜、實(shí)時(shí)性差[5-6]。跳頻信號(hào)盲檢測(cè)的時(shí)頻分析方法需要對(duì)時(shí)頻分辨率做出權(quán)衡，并且依然受到跳頻頻域跨度內(nèi)噪聲信號(hào)和干擾信號(hào)的影響，同樣無法適應(yīng)實(shí)際復(fù)雜電磁環(huán)境中多變的噪聲環(huán)境。

隨著圖像處理技術(shù)的發(fā)展及其在信號(hào)處理方面的不斷深入應(yīng)用，由于跳頻信號(hào)固有的時(shí)域和頻域二維特征與圖像二維平面特征有著高度的相似性，圖像處理技術(shù)被引入跳頻信號(hào)檢測(cè)領(lǐng)域。它與時(shí)頻分析方法相結(jié)合[7]，不斷提升著跳頻信號(hào)的檢測(cè)能力。通過圖像處理中的二值形態(tài)學(xué)濾波方法可以加強(qiáng)信號(hào)強(qiáng)度，同時(shí)提升時(shí)頻圖中跳頻信號(hào)的清晰度。圖像處理技術(shù)還可以提升信號(hào)信噪比，文獻(xiàn)[8]通過邊緣檢測(cè)算法對(duì)時(shí)頻圖進(jìn)行卷積操作，去除了跳頻信號(hào)的復(fù)雜背景噪聲和定頻干擾。

現(xiàn)有時(shí)頻分析和圖像處理相結(jié)合的跳頻信號(hào)盲檢測(cè)方法，更多應(yīng)用于對(duì)跳頻信號(hào)時(shí)頻圖進(jìn)行信號(hào)強(qiáng)度增強(qiáng)和去除干擾噪聲方面，能夠?qū)崿F(xiàn)簡(jiǎn)單跳頻信號(hào)檢測(cè)。在實(shí)際應(yīng)用中，形態(tài)學(xué)方法依賴較多人工經(jīng)驗(yàn)。同時(shí)，邊緣檢測(cè)算法需要設(shè)置檢測(cè)閾值，而閾值選擇的好壞對(duì)時(shí)頻圖恢復(fù)效果有決定性影響。此外，現(xiàn)有時(shí)頻分析結(jié)合圖像處理的方法缺少對(duì)跳頻信號(hào)自動(dòng)化檢測(cè)方法的研究?？偟膩碚f，目前對(duì)于跳頻信號(hào)的盲檢測(cè)技術(shù)還存在識(shí)別準(zhǔn)確率不高、檢測(cè)自動(dòng)化不足、抗外界噪聲和干擾的能力不足等問題。

然而，實(shí)際電磁環(huán)境復(fù)雜多變，各種噪聲、干擾劇烈變化，且跳頻信號(hào)是否存在，以及何時(shí)、何頻段出現(xiàn)是不可預(yù)知的，需要通過長(zhǎng)時(shí)監(jiān)測(cè)和寬頻帶監(jiān)測(cè)來捕捉隨時(shí)可能出現(xiàn)的跳頻信號(hào)。在情況多變的電磁空間中，實(shí)現(xiàn)對(duì)跳頻信號(hào)的實(shí)時(shí)預(yù)警，自動(dòng)化檢測(cè)至關(guān)重要。

本文提出一種基于方向梯度直方圖（Histogram of Oriented Gradient，HOG）的跳頻信號(hào)檢測(cè)算法。該算法通過將跳頻信號(hào)轉(zhuǎn)化為時(shí)頻瀑布圖，并利用HOG特征對(duì)跳頻信號(hào)具有的獨(dú)特結(jié)構(gòu)化特征進(jìn)行描述。在此基礎(chǔ)上，利用adaboost算法實(shí)現(xiàn)跳頻信號(hào)檢測(cè)。此外，本文基于該算法建立了跳頻信號(hào)檢測(cè)識(shí)別原型系統(tǒng)，并在實(shí)際的電磁環(huán)境及室內(nèi)多徑無線信道下，基于多種類型跳頻信號(hào)和非跳頻信號(hào)構(gòu)成的數(shù)據(jù)集，對(duì)模型進(jìn)行了仿真及測(cè)試驗(yàn)證。

1 跳頻信號(hào)檢測(cè)模型

為了實(shí)現(xiàn)對(duì)跳頻信號(hào)檢測(cè)識(shí)別算法的仿真及測(cè)試驗(yàn)證，本文首先針對(duì)實(shí)際的電磁環(huán)境建立跳頻信號(hào)檢測(cè)模型。該模型主要包括信號(hào)采集模塊、時(shí)頻轉(zhuǎn)換模塊、HOG特征提取模塊以及跳頻檢測(cè)模塊4個(gè)部分，如圖1所示。

圖1 跳頻檢測(cè)模型

信號(hào)采集模塊包括天線和信號(hào)接收機(jī)，用于接收無線通信信號(hào)s(t)：

其中，載波頻率fc隨時(shí)間變化。

將接收到的射頻信號(hào)降至中頻，并通過數(shù)字低通濾波器獲得數(shù)字基帶正交分類和數(shù)字基帶同相分量，分別記為：

之后通過時(shí)頻轉(zhuǎn)換模塊，對(duì)接收到的信號(hào)進(jìn)行離散傅里葉變換：

其中g(shù)(t)為窗函數(shù)，m表示窗函數(shù)長(zhǎng)度，*表示復(fù)數(shù)共軛，T(＞0)表示時(shí)間變量的采樣周期，F(xiàn)(＞0)表示頻率變量的采樣周期，m、n為整數(shù)。

將變換后的數(shù)據(jù)組合為時(shí)頻瀑布圖G，如圖2所示。

圖2 瀑布圖

跳頻信號(hào)在時(shí)頻域具有類似時(shí)空域圖像的邊緣特征。本階段使用HOG特征的改進(jìn)算法提取跳頻信號(hào)在時(shí)頻域的邊緣分布特征。通過計(jì)算跳頻信號(hào)與背景噪聲能量變化的梯度，并統(tǒng)計(jì)一定區(qū)域內(nèi)梯度變化方向和該方向上的梯度變化強(qiáng)度來得到時(shí)頻域空間上的跳頻信號(hào)特征。HOG特征固有的光學(xué)不變性和幾何不變性，能很好地轉(zhuǎn)化為底部噪聲不變性和時(shí)頻不變性。從跳頻信號(hào)瀑布圖G中提取信號(hào)特征，并將其表示為特征向量v：

其中，N為特征向量維度。

特征提取完成后，需要完成最終的跳頻信號(hào)檢測(cè)功能。跳頻檢測(cè)模塊使用adaboost算法實(shí)現(xiàn)跳頻信號(hào)的自動(dòng)化檢測(cè)功能。adaboost算法通過學(xué)習(xí)跳頻信號(hào)特征，可得到精確的檢測(cè)模型。在實(shí)際檢測(cè)過程中，將跳頻信號(hào)的時(shí)頻域HOG特征輸入已訓(xùn)練好的adaboost模型中，即可實(shí)現(xiàn)對(duì)跳頻信號(hào)存在性的檢測(cè)。

2 算法

2.1 基于HOG的跳頻特征提取

跳頻信號(hào)在時(shí)頻域的分布特征本質(zhì)上由其性能指標(biāo)決定，跳頻信號(hào)在時(shí)頻域二維空間上具有頻域跨度大、跳頻點(diǎn)隨機(jī)出現(xiàn)、單跳駐留時(shí)間極短的特點(diǎn)。這些特點(diǎn)反映在跳頻信號(hào)瀑布圖上，每一跳表現(xiàn)為一條橫向延伸的短線段。跳變的隨機(jī)性形成了視頻瀑布圖上疏密程度不同的獨(dú)特圖案。

由此，對(duì)跳頻信號(hào)的檢測(cè)可以等價(jià)為對(duì)時(shí)頻域瀑布圖在二維平面上線條分布規(guī)律的檢測(cè)。跳頻信號(hào)與背景噪聲存在信號(hào)強(qiáng)度上的差異，這種差異可以使用信號(hào)與背景過渡帶來的梯度變化程度來衡量。圖像處理中，邊緣檢測(cè)技術(shù)用于檢測(cè)圖像中線條與周邊圖案的梯度變化情況。所以，跳頻信號(hào)的特征可以被理解為時(shí)頻域的一種邊緣特征，可以使用邊緣特征對(duì)跳頻信號(hào)進(jìn)行描述。

本文提出基于方向梯度直方圖對(duì)跳頻信號(hào)的時(shí)頻域特征進(jìn)行描述。

HOG特征已經(jīng)被廣泛用于行人檢測(cè)領(lǐng)域，用于描述行人圖像邊緣特征，并取得了良好的應(yīng)用效果。跳頻信號(hào)瀑布圖中存在的多種形態(tài)的代表信號(hào)頻率寬度和持續(xù)時(shí)間的短線段，同樣具備邊緣特征，所以可以HOG特征進(jìn)行描述。

HOG特征提取過程包括灰度化跳頻圖像、計(jì)算像素梯度、構(gòu)建HOG特征及梯度強(qiáng)度歸一化共4個(gè)步驟，具體流程如圖3所示。

圖3 特征提取流程

將RGB三通道彩色跳頻信號(hào)瀑布圖轉(zhuǎn)化為單通道灰度視頻瀑布圖（如圖4所示），像素取值范圍為 [0，255]。

圖4 灰度圖像

再計(jì)算灰度化瀑布圖中像素點(diǎn)P(x, y)的水平方向梯度HG(x, y)、垂直方向梯度VG(x, y)、梯度幅值A(chǔ)G(x, y)和梯度方向角α(x, y)：

然后，對(duì)瀑布圖進(jìn)行分割。以輸入為1 024×128像素大小的跳頻瀑布圖為例，使用128×128像素大小的滑動(dòng)窗口對(duì)圖像進(jìn)行分割?；瑒?dòng)窗口從圖像左側(cè)向右側(cè)每次滑動(dòng)128個(gè)像素的距離，將圖像分割為128×128像素大小的8個(gè)像素塊。

接著對(duì)像素塊進(jìn)一步分割，將其分割為16個(gè)32×32像素大小的胞元。考慮到跳頻信號(hào)在頻域內(nèi)的水平分布特征及其在時(shí)域內(nèi)的垂直分布特性，將胞元內(nèi)像素梯度方向角度平均分為4個(gè)統(tǒng)計(jì)區(qū)間，即（0°，90°]、（90°，180°]、（180°，270° ]和（270°，360° ]。

胞元內(nèi)每個(gè)像素均存在梯度強(qiáng)度和梯度方向。統(tǒng)計(jì)上述4個(gè)方向上的梯度強(qiáng)度的和值形成胞元內(nèi)的方向梯度直方圖。

最后，將所有胞元直方圖組合在一起，并采用L2范數(shù)對(duì)特征向量做歸一化處理，得到完整的HOG特征，共8×16×4=512個(gè)特征點(diǎn)，表示為：

2.2 基于adaboost的跳頻檢測(cè)算法

本文使用基學(xué)習(xí)器為決策樹的adaboost算法完成跳頻信號(hào)的檢測(cè)。Adaboost對(duì)于同一訓(xùn)練集：

訓(xùn)練得到不同的弱分類器。然后，把這些弱分類器按一定權(quán)重集合起來，得到最終的強(qiáng)分類器。

訓(xùn)練得到強(qiáng)分類器，首先需初始化訓(xùn)練數(shù)據(jù)權(quán)值：

基本分類器使用決策樹，使用初試權(quán)值訓(xùn)練基本分類器。計(jì)算分類誤差率為：

m表示訓(xùn)練的輪數(shù)，更新權(quán)值分布：

其中：

訓(xùn)練得到最終分類器：

最終，使用得到的adaboost分類器，可以自動(dòng)化檢測(cè)電磁空間中存在的跳頻信號(hào)。

3 實(shí)驗(yàn)測(cè)試與分析

3.1 實(shí)驗(yàn)測(cè)試場(chǎng)景

本文實(shí)驗(yàn)在實(shí)際辦公環(huán)境下進(jìn)行，環(huán)境中存在來自環(huán)境外部不可預(yù)知的電磁干擾，也存在環(huán)境內(nèi)部掃描儀、打印機(jī)、手機(jī)、平板等各種無線設(shè)備產(chǎn)生的干擾，電磁環(huán)境開放且較為復(fù)雜，平均信噪比20 dB。

本節(jié)測(cè)試模擬產(chǎn)生了實(shí)際工作、生活中開放電磁環(huán)境下常見的多種跳頻信號(hào)和非跳頻信號(hào)，包括工作在2.4～2.483 GHz帶寬內(nèi)的藍(lán)牙傳輸信號(hào)、藍(lán)牙掃頻信號(hào)、無人機(jī)信號(hào)和WiFi信號(hào)共4種跳頻信號(hào)。非跳頻信號(hào)由信號(hào)發(fā)生器產(chǎn)生的定頻信號(hào)、突發(fā)信號(hào)、實(shí)驗(yàn)場(chǎng)景內(nèi)的背景噪聲構(gòu)成。

其中，經(jīng)時(shí)頻轉(zhuǎn)換，用于adaboost訓(xùn)練的信號(hào)包括跳頻信號(hào)1 570張，非跳頻信號(hào)637張；用于測(cè)試算法性能的跳頻信號(hào)503張，非跳頻信號(hào)100張。

3.2 跳頻信號(hào)檢測(cè)識(shí)別能力分析

使用如圖1所示的檢測(cè)模型，在正常工作區(qū)域內(nèi)測(cè)試模型檢測(cè)能力。

使用混淆矩陣對(duì)檢測(cè)能力進(jìn)行評(píng)估。如圖5所示的混淆矩陣中，橫坐標(biāo)表示檢測(cè)結(jié)果，縱坐標(biāo)表示真實(shí)信號(hào)類別。圖5中，493表示測(cè)試數(shù)據(jù)集中跳頻信號(hào)經(jīng)模型檢測(cè)為跳頻信號(hào)的數(shù)量。

圖5 用混淆矩陣表示檢測(cè)結(jié)果

從圖5可以看出，檢測(cè)模型在測(cè)試集上實(shí)現(xiàn)了對(duì)跳頻信號(hào)檢測(cè)正確率為97.51%的檢測(cè)性能，而將非跳頻信號(hào)檢測(cè)為跳頻信號(hào)的誤檢概率為1.99%。將跳頻信號(hào)檢測(cè)為非跳頻信號(hào)的漏檢概率為5.00%。分析實(shí)驗(yàn)數(shù)據(jù)，認(rèn)為誤檢和漏檢主要是由于檢測(cè)將藍(lán)牙掃頻所采用跳頻序列與非跳頻信號(hào)中的定頻信號(hào)混淆，從而造成檢測(cè)性能下降。

增強(qiáng)實(shí)驗(yàn)環(huán)境中的噪聲，得出在不同信噪比環(huán)境下模型的檢測(cè)性能，如圖6所示。

圖6 不同信噪比下的檢測(cè)正確率

從圖6中可以看出，在20 dB時(shí)，檢測(cè)正確率為97.51%；隨著信噪比的下降，在0.2 dB時(shí)，檢測(cè)正確率下降為85.2%?？梢?，信噪比對(duì)跳頻信號(hào)的檢測(cè)存在關(guān)鍵性影響。在信噪比降低時(shí)，隨著噪聲和干擾的增多，藍(lán)牙掃頻所采用的跳頻信號(hào)更多被誤檢為定頻信號(hào)，從而造成對(duì)模型檢測(cè)性能造成極大的影響。

由上述測(cè)試結(jié)果可見，HOG特征能很好地表征跳頻信號(hào)在瀑布圖上的特點(diǎn)，特征經(jīng)adaboost算法分類后能有效檢測(cè)到電磁空間中出現(xiàn)的跳頻信號(hào)?？梢?，基于HOG跳頻信號(hào)自動(dòng)化檢測(cè)模型，實(shí)現(xiàn)了在開放電磁環(huán)境下對(duì)跳頻信號(hào)優(yōu)異的檢測(cè)識(shí)別能力。

4 結(jié) 語(yǔ)

本文針對(duì)跳頻信號(hào)問題，提出了一種基于HOG特征跳頻信號(hào)自動(dòng)化檢測(cè)模型。模型主要由跳頻信號(hào)采集模塊、時(shí)頻轉(zhuǎn)換模塊、特征提取模塊以及跳頻檢測(cè)識(shí)別模塊4個(gè)部分組成?；诖四Ｐ?，本文對(duì)真實(shí)電磁環(huán)境和存在不同程度噪聲環(huán)境中的跳頻信號(hào)進(jìn)行檢測(cè)，并對(duì)檢測(cè)結(jié)果進(jìn)行了分析，得出該模型可以對(duì)跳頻信號(hào)進(jìn)行自動(dòng)化檢測(cè)，且具有優(yōu)異的檢測(cè)能力，在低信噪比情況下也具有良好的性能。

參考文獻(xiàn)：

[1] Peterson R L,Ziemer R E.Digital Communications and Spread Spectrum System[Z].Macmillan Pub. Co,1985.

[2] Zhang D,Ying W U.Application of STFT in Analysis of Frequency Hopping Signal[J].Modern Electronic Technique,2005(10):60-61.

[3] Fargues M P,Overdyk H F,Hippenstiel R.Wavelet-based Detection of Frequency Hopping Signals[C].Asilomar Conference on IEEE,1997(01):515-519.

[4] Sirotiya M,Banerjee A.Detection and Estimation of Frequency Hopping Signals Using Wavelet Transform[C].Uk-India-Idrc International Workshop on Cognitive Wireless Systems,2010:1-5.

[5] Juan D U,Liu J,Qian F.A Novel Method of Timefrequency Analysis for Frequency Hopping Signal[J].Journal of China Academy of Electronics & Information Technology,2009,4(06):576-579.

[6] Pei X,Zhao G,Zhan P,et al.Time-Frequency Based Detection of FH Signals in a Flat Fading Channel[Z].IEEE Computer Society,2010.

[7] Luan H,Hua J.Blind Detection of Frequency Hopping Signal Using Time-Frequency Analysis[C].International Conference on Wireless Communications Networking and Mobile Computing IEEE,2010:1-4.

[8] Chen S,Tian-Yun L I,Lin-Dong G E.Study on Frequency-Hopping Detection Algorithm Based on Edge Detection[J].Journal of Information Engineering University,2006,7(03):264-266.