陳 帥,尹 洋,楊全順

(海軍工程大學(xué) 電氣工程學(xué)院,武漢 430032)

近年來,隨著各行業(yè)信息化程度越來越高,航空技術(shù)的智能化程度得到了巨大的發(fā)展,各種遙控?zé)o人機(jī)(Unmanned Aircraft Vehicle,UAV),自主飛行器的應(yīng)用更加廣泛,在無人機(jī)作戰(zhàn),無人機(jī)攻防,航拍視頻,森林防火,環(huán)境勘探等領(lǐng)域發(fā)揮著重要作用.但同時,無人機(jī)黑飛濫用,用于恐怖襲擊,非法入侵等行為帶來許多威脅與安全隱患,為社會治安,邊境安全等造成了困擾[1–5].在美國華盛頓,白宮曾遭遇了一架四旋翼無人機(jī)的非法入侵,以極低的飛行高度越過了白宮圍墻;在法國,至少有14 座核電站被無人機(jī)非法窺探,作為核能依賴程度最高的國家,這不免讓法國人有所顧慮;在國內(nèi)各大機(jī)場,已經(jīng)發(fā)生多起無人機(jī)干擾航行的事件,導(dǎo)致了數(shù)百架航班迫降、延誤,造成巨大的經(jīng)濟(jì)損失與安全隱患.

低空范圍的安全問題引起了越來越多的重視,反無人機(jī)低空防護(hù)技術(shù)主要分為無人機(jī)目標(biāo)的偵測和無人機(jī)干擾反制兩個方面.其中,無人機(jī)干擾反制措施一般是利用大功率頻段電子干擾器和全球定位系統(tǒng)(Global Positioning System,GPS)欺騙進(jìn)行攔截,相關(guān)技術(shù)發(fā)展迅速,許多成熟的產(chǎn)品設(shè)備都已用于對無人機(jī)目標(biāo)的攔截;而無人機(jī)目標(biāo)的偵測技術(shù)的相關(guān)研究較少,美國作為最早開展反無人機(jī)相關(guān)研究的國家,早在2015年就有相關(guān)公司推出了一款手持式反無人機(jī)設(shè)備無人機(jī)防衛(wèi)者(drone defender),其外形類似于狙擊槍,由人為手動瞄準(zhǔn)并啟動,通過對無人機(jī)的導(dǎo)航定位系統(tǒng)施加干擾信號,迫使無人機(jī)懸停或者返航.無人機(jī)防衛(wèi)者的最大作用范圍為400 m,而且是否進(jìn)行干擾完全依靠操作人肉眼觀察周圍情況,在天氣環(huán)境較差、夜晚可見度低或者長時間監(jiān)控等情況下,容易出現(xiàn)判斷錯誤,無法進(jìn)行有效防御.日本東京Alsok 安保公司設(shè)計了一種新型無人機(jī)偵測系統(tǒng),利用無人機(jī)在低空飛行時表現(xiàn)出的音頻特征獲取入侵目標(biāo)的方向,通過對不同型號無人機(jī)的聲紋建立數(shù)據(jù)庫,可以進(jìn)一步確定入侵無人機(jī)類別,但是,該系統(tǒng)的最大監(jiān)控范圍不超過150 m[6].國內(nèi)最具代表性的研究為浙江大學(xué)提出的ADS-ZJU (Anti-Drone System at Zhejiang University)架構(gòu),它結(jié)合了3 種監(jiān)視技術(shù):音頻聲學(xué)探測陣列,可見光相機(jī)視頻監(jiān)控和射頻信號探測設(shè)備,實(shí)驗(yàn)結(jié)果表明系統(tǒng)在校園環(huán)境中,通過ADS-ZJU 系統(tǒng)可以檢測和定位入侵無人機(jī),對于100 m 范圍內(nèi)入侵的無人機(jī)目標(biāo)具有良好的偵測效果,誤報率在3%以下.在必要的情況下,射頻干擾也可以起到有效的作用[1].目前的偵測手段存在不同的局限性,致使低空防護(hù)范圍有限,無法滿足無人監(jiān)控的準(zhǔn)確性要求[7,8].

1 無人機(jī)與探測方式特點(diǎn)

無人機(jī)的價格便宜,獲取渠道多,我國有超過500 家的公司企業(yè)在從事無人機(jī)的研發(fā)與銷售工作,但并沒有相關(guān)行業(yè)規(guī)范和具體法律法規(guī)制定,導(dǎo)致監(jiān)管困難,大量無人機(jī)設(shè)備存在“黑飛”、“亂飛”的行為.無人機(jī)本身操作容易,鎂鋁結(jié)構(gòu)機(jī)身具有體積小,重量輕,機(jī)動靈活,隱蔽性好等特點(diǎn);另外,具有攝像功能的無人機(jī)可以用于情報竊取,非法窺探等,給某些敏感保密地區(qū)的安全性帶來威脅;裝載小型炸彈的無人機(jī)可以用于恐怖主義自殺式襲擊等.無人機(jī)目標(biāo)在天空飛行時,其飛行高度較低,雷達(dá)散射截面(Radar Cross Section,RCS)小,飛行速度慢;由電池供電電機(jī)驅(qū)動使得其紅外特征不明顯;最大信號有效距離可達(dá)5–7 km,使得遠(yuǎn)距離飛行時的聲音特征與無線通信信號不明顯[9–11].無人機(jī)具備的使用特點(diǎn)(如表1)與其飛行時的目標(biāo)特點(diǎn)給防治無人機(jī)非法活動帶來了巨大的挑戰(zhàn).

表1 無人機(jī)使用與目標(biāo)特點(diǎn)

無人機(jī)引發(fā)的安全問題頻繁出現(xiàn),促進(jìn)了各類無人機(jī)探測傳感器的發(fā)展.包括雷達(dá)、RGB 相機(jī)、無線信號偵測等在內(nèi)的多種探測方式應(yīng)用到低空范圍內(nèi)小目標(biāo)偵測任務(wù)中.目前,雷達(dá)作為應(yīng)用最廣泛的偵測設(shè)備,已經(jīng)有許多團(tuán)隊開始針對用于無人機(jī)偵測的雷達(dá)研究.武漢大學(xué)已經(jīng)成功開發(fā)了一種專門用于無人機(jī)探測的數(shù)字多通道無源雙基地雷達(dá)(Passive Bistatic Radar,PBR)系統(tǒng),并進(jìn)行了實(shí)驗(yàn)與測試,驗(yàn)證了該數(shù)字多通道PBR 系統(tǒng)檢測無人機(jī)的實(shí)用性和前景[12];國防科技大學(xué)也進(jìn)行了多次實(shí)驗(yàn),通過在1–4 GHz 頻率范圍內(nèi)的仿真和測量來評估無人機(jī)的單靜態(tài)RCS,為使用常規(guī)雷達(dá)和無源雷達(dá)偵測無人機(jī)雷奠定了技術(shù)基礎(chǔ)[13].

光電傳感器也常用于目標(biāo)入侵檢測,包括RGB 可見光相機(jī)、紅外相機(jī)等設(shè)備,通過光電傳感器捕獲的圖像可以獲得目標(biāo)的外觀、姿態(tài)等特征.在計算機(jī)視覺和模式識別領(lǐng)域,基于光電傳感器的無人機(jī)檢測本質(zhì)上是一個目標(biāo)檢測問題.西北工業(yè)大學(xué)構(gòu)建了一種基于地面隨機(jī)魚眼鏡頭陣列的新型anti-UAV 監(jiān)視系統(tǒng),提出了一種快速自校準(zhǔn)的方法用于攝像機(jī)陣列的布局,并設(shè)計了一套基于魚眼鏡頭陣列的多目標(biāo)檢測、跟蹤和3D 定位算法,實(shí)驗(yàn)結(jié)果表明,系統(tǒng)可以有效地在沒有人工標(biāo)記的情況下跟蹤無人機(jī)[14];另外,波蘭軍事科技大學(xué)提出了通過不同的熱成像系統(tǒng)進(jìn)行無人機(jī)檢測的概念,進(jìn)行了研究和測試,并概述了紅外傳感器的發(fā)展方向[15];高雄科技大學(xué)使用圖像視覺處理技術(shù),傳感技術(shù)和兩軸步進(jìn)電機(jī)控制技術(shù),設(shè)計了用于偵測無人機(jī)的雙軸旋轉(zhuǎn)跟蹤平臺,為反無人機(jī)的關(guān)鍵技術(shù)之一提供了技術(shù)參考[16].

本文分析了目前主要探測方式特點(diǎn)如表2所示.

表2 不同無人機(jī)目標(biāo)偵測傳感器特點(diǎn)

2 信息融合目標(biāo)偵測方法

通過多源探測信息融合,可以彌補(bǔ)單個傳感器存在的局限性.多傳感器獲取的信息具備冗余性,可以提高對目標(biāo)特性描述的精度與準(zhǔn)確性,防止部分信息缺失或者出錯時對整個系統(tǒng)的決策造成影響.多傳感器獲取的信息同時具備互補(bǔ)性,豐富目標(biāo)不同特征信息,有效地提高了系統(tǒng)的識別能力,擴(kuò)展了時間和空間的覆蓋范圍[17–20].

單一傳感器在檢測無人機(jī)目標(biāo)時,往往會出現(xiàn)準(zhǔn)確性不高、實(shí)時性較差、抗干擾能力弱的不足.例如雷達(dá)在偵測無人機(jī)目標(biāo)時可以得到低空范圍內(nèi)目標(biāo)的距離、方向、速度等信息,卻無法區(qū)分鳥類、氣球等其他目標(biāo);RGB 相機(jī)能得到目標(biāo)外觀信息從而區(qū)分無人機(jī),但是不能同時滿足大范圍、長距離監(jiān)控,很難捕捉到可疑目標(biāo)畫面;射頻(Radio Frequency,RF)、音頻探測設(shè)備極易受到周邊環(huán)境干擾,且探測距離較小.經(jīng)過分析與實(shí)驗(yàn)測試,本文采取以RGB 相機(jī)和雷達(dá)信息為主,射頻信號為輔助的融合方式.在保證特征信息獲取準(zhǔn)確性的情況下,提高了探測覆蓋范圍與實(shí)時性,經(jīng)過融合后信息基本滿足了判定無人機(jī)目標(biāo)入侵的必要條件.

基于多源探測信息融合理論,本文提出一種多傳感器信息融合的目標(biāo)偵測方法,將雷達(dá)與RGB 相機(jī)進(jìn)行聯(lián)動控制,即雷達(dá)設(shè)備對低空范圍內(nèi)的目標(biāo)進(jìn)行不間斷掃描,實(shí)時捕獲非法入侵可疑目標(biāo)的基本特征,包括距離、高度、方向以及速度等,雷達(dá)觀測到天空中小目標(biāo)出現(xiàn)時,先將目標(biāo)距離、方向等信息傳遞到控制中心,若存在疑似無人機(jī)目標(biāo),控制中心依據(jù)可疑目標(biāo)距離分別列入待檢測列表;否則,雷達(dá)繼續(xù)進(jìn)行掃描與監(jiān)控.

控制中心根據(jù)雷達(dá)提供待檢測列表中目標(biāo)的距離、方向等信息旋轉(zhuǎn)RGB 相機(jī)設(shè)備的云臺,調(diào)整方向角與俯仰角,RGB 相機(jī)同時進(jìn)行變焦與對焦,得到包含可疑目標(biāo)的圖像畫面,射頻偵測設(shè)備開始偵測可疑目標(biāo)及周圍范圍內(nèi)的射頻信號,通過圖像信息與通信信號判斷是否存在無人機(jī)入侵.

多個傳感器在同時工作時,首先需要進(jìn)行配準(zhǔn).包括時間配準(zhǔn)和空間配準(zhǔn).對于時間配準(zhǔn),一般來說,雷達(dá)的工作周期相對較長,其他設(shè)備響應(yīng)時間較快,所以本發(fā)明實(shí)施例依照雷達(dá)的時間為標(biāo)準(zhǔn);對于空間配準(zhǔn),不同傳感設(shè)備的空間坐標(biāo)系存在差別,只有將坐標(biāo)系配準(zhǔn)后才能進(jìn)行信息融合,基于歐勒角對不同設(shè)備的坐標(biāo)進(jìn)行轉(zhuǎn)換,提高目標(biāo)信息匹配的準(zhǔn)確率.如圖1所示.

圖1 坐標(biāo)系轉(zhuǎn)換

以雷達(dá)設(shè)備與RGB 相機(jī)云臺設(shè)備為例,若兩設(shè)備三維空間坐標(biāo)系分別為O1X1Y1Z1和O2X2Y2Z2.依次按照繞O1Z1,O1Y1,O1X1旋轉(zhuǎn)的順序,對應(yīng)X,Y,Z軸的歐勒角分別為εx,εy,εz,則其分別對應(yīng)的旋轉(zhuǎn)矩陣Mx,My,Mz為:

則雷達(dá)坐標(biāo)系到RGB 相機(jī)坐標(biāo)系坐標(biāo)轉(zhuǎn)換方程為:

一般來說,設(shè)備在安裝時按照統(tǒng)一方向?qū)R后,雷達(dá)與RGB 相機(jī)設(shè)備的旋轉(zhuǎn)角相差不大,εx,εy,εz,數(shù)值相對較小時,坐標(biāo)轉(zhuǎn)換公式可以簡化為:

短視頻平臺中，用戶數(shù)最多的抖音2016年出現(xiàn)，2017年迅速爆發(fā)，已經(jīng)成為新時代的移動社交平臺及移動互聯(lián)網(wǎng)終端流量入口之一。根據(jù)2017年5月-2018年4月搜集的艾瑞數(shù)據(jù)分析，抖音用戶數(shù)82%年齡都小于35歲?；ヂ?lián)網(wǎng)時代，年輕人越來越在意個性的凸顯，很多年輕人有較強(qiáng)的表現(xiàn)欲，他們需要一個平臺去展示自我，獲得關(guān)注和認(rèn)可。

將不同探測源坐標(biāo)等信息配準(zhǔn)后,本文基于信息融合中基本的決策級、特征級、數(shù)據(jù)級等基本融合理論,使用一種混合制結(jié)構(gòu)模型對天空背景下的無人機(jī)小目標(biāo)進(jìn)行探測,模型如圖2所示.

圖2 無人機(jī)小目標(biāo)探測融合結(jié)構(gòu)模型

多傳感器先偵測到無人機(jī)小目標(biāo)的入侵,通過雷達(dá)傳感器備獲取到目標(biāo)的位置、速度等信息,再通過RGB 相機(jī)與射頻探測器獲取到包含可疑目標(biāo)的畫面與通信信號,最后系統(tǒng)決策判斷是否有無人機(jī)入侵.

反無人機(jī)低空防御的決策過程,類似于多特征屬性決策問題,是利用目標(biāo)多種特征以及不同特征的特點(diǎn)來對目標(biāo)威脅程度進(jìn)行評估的過程.當(dāng)系統(tǒng)開始工作時,探測到疑似非法入侵的無人機(jī)目標(biāo)為xi∈{x1,x2,···,xn},針對目標(biāo)做出是否進(jìn)行干擾的決策.而判定依據(jù)為通過信息融合得到每個目標(biāo)的m個特征屬性Qi∈{Q1,Q2,···,Qn},一般在無人機(jī)判定過程中,Q1,Q2,···,Qm代表可疑目標(biāo)的距離、高度、速度和外觀形態(tài)等特征,每個屬性相互獨(dú)立.通過建立屬性與決策之間的聯(lián)系,選取最好的結(jié)果,決定是否通過干擾設(shè)備來執(zhí)行反制措施.目前,絕大部分無人機(jī)在運(yùn)行的過程中會表現(xiàn)出相似的特點(diǎn),其飛行高度一般在100–500 m 之間,運(yùn)動速度在3–15 m/s之間.根據(jù)雷達(dá)獲取到目標(biāo)的高度特征Q1和速度特征Q2,篩選出其數(shù)值1 00

3 基于深度學(xué)習(xí)的無人機(jī)目標(biāo)檢測

在計算機(jī)視覺領(lǐng)域中,尋找目標(biāo)物體判別其具體類型,并對其在圖像中的位置進(jìn)行定位的問題,即為目標(biāo)檢測的問題.無人機(jī)的目標(biāo)檢測則意味著系統(tǒng)不僅要判定圖像中的物體是否為無人機(jī),而且要找到無人機(jī)在圖像中的具體位置,并用矩形框?qū)⑵錁?biāo)出,同時解決定位與分類的問題.

3.1 數(shù)據(jù)集的建立

實(shí)現(xiàn)無人機(jī)的檢測,需要建立無人機(jī)目標(biāo)的數(shù)據(jù)集作為訓(xùn)練樣本.本文以VOC 格式數(shù)據(jù)集為基礎(chǔ),收集了155 張包含無人機(jī)目標(biāo)的圖像作為初始數(shù)據(jù)集,標(biāo)注信息包括文件名、尺寸等信息.其中,部分?jǐn)?shù)據(jù)如圖3所示.

圖3 無人機(jī)目標(biāo)檢測數(shù)據(jù)集

為了提升SSD 模型預(yù)測的性能,豐富數(shù)據(jù)多樣性,提高模型的泛化能力,使用數(shù)據(jù)擴(kuò)增來增加樣本數(shù)量,采用常見的裁剪、平移、改變亮度、加入噪聲、旋轉(zhuǎn)角度以及鏡像等方式對原始數(shù)據(jù)做出變換.如圖4所示.

圖4 圖像變換數(shù)據(jù)擴(kuò)增

另外,本文提出一種目標(biāo)遷移的方法.首先從包含無人機(jī)目標(biāo)的圖像中提取無人機(jī)目標(biāo),然后將其對不含無人機(jī)目標(biāo)的天空背景進(jìn)行像素替換,并隨機(jī)旋轉(zhuǎn)一定角度,最后通過高斯濾波等方法對圖像進(jìn)行平滑,得到新的數(shù)據(jù).如圖5.

與真實(shí)無人機(jī)目標(biāo)圖像相比,通過目標(biāo)遷移后生成的無人機(jī)目標(biāo)圖像視覺相似性較高.為了進(jìn)一步驗(yàn)證目標(biāo)遷移后無人機(jī)圖像的真實(shí)性與多樣性,本文使用t-SNE (t-distributed Stochastic Neighbor Embedding)方法對生成的無人機(jī)圖片與真實(shí)圖像進(jìn)行可視化.其中包括83 張真實(shí)無人機(jī)圖像,以及同一無人機(jī)目標(biāo)遷移到不同背景后生成的10 張圖像,經(jīng)過截取后無人機(jī)尺寸在畫面中所占比例都在60%～80%之間.可視化的結(jié)果如圖6所示.

圖5 目標(biāo)遷移數(shù)據(jù)集擴(kuò)展

圖6 擴(kuò)增數(shù)據(jù)集相似性對比

3.2 模型訓(xùn)練

目標(biāo)檢測SSD 模型以VGG16 結(jié)構(gòu)為基礎(chǔ)骨干網(wǎng)絡(luò),通過在VGG16中選取,以及在網(wǎng)絡(luò)后增加更多的卷積層來獲取不同尺度的特征圖對目標(biāo)做出預(yù)測.模型輸入300×300 圖像,經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)一共選取了6個不同大小的特征圖,大小分別為(38,38),(19,19),(10,10),(5,5),(3,3),(1,1),每層特征圖中錨點(diǎn)對應(yīng)先驗(yàn)框的數(shù)目分別為4,6,6,6,4,4個,模型結(jié)構(gòu)如圖7所示.所以最終對每類目標(biāo)輸出8732個預(yù)測值,通過非極大值抑制得到最終的結(jié)果.

圖7 SSD 模型無人機(jī)目標(biāo)檢測

完成訓(xùn)練樣本的選擇之后,需要確定目標(biāo)檢測的損失函數(shù),主要包括定位Lloc和分類Lconf兩部分損失.整體表達(dá)式如下:

α為權(quán)重系數(shù).由于本文主要關(guān)注可疑目標(biāo)是否為無人機(jī),對目標(biāo)所在圖像中位置精度要求相對較低,所以將權(quán)重系數(shù)設(shè)置為0.8.同時,設(shè)置學(xué)習(xí)率learnrate=0.001,當(dāng)訓(xùn)練次數(shù)到達(dá)8000 次時,更新學(xué)習(xí)率為0.0001;權(quán)重衰減weight decacy=0.0005;一次訓(xùn)練所選取的樣本數(shù)batch size=16;隨機(jī)梯度下降(Stochastic Gradient Descent,SGD)函數(shù)中的動量momentum=0.9.使用NVIDIA GTX1060 GPU 對模型進(jìn)行訓(xùn)練,訓(xùn)練過程如圖所示,經(jīng)過14 000 次訓(xùn)練后,模型輸出的loss 維持在1%以下.無人機(jī)目標(biāo)檢測訓(xùn)練過程如圖8.

圖8 無人機(jī)目標(biāo)檢測訓(xùn)練過程

4 實(shí)驗(yàn)分析

無人機(jī)入侵檢測方法要求能夠?qū)Φ涂辗秶鷥?nèi)的小目標(biāo)進(jìn)行實(shí)時監(jiān)控,當(dāng)有為獲批準(zhǔn)的不明物體進(jìn)入防護(hù)范圍內(nèi)時,系統(tǒng)需要獲取其距離、方向以及高度等信息,同時根據(jù)外觀形態(tài)特征對其是否為非法入侵無人機(jī)做出判斷.為了驗(yàn)證本文方法的有效性,搭建實(shí)驗(yàn)驗(yàn)證平臺,對無人機(jī)目標(biāo)的入侵進(jìn)行檢測.

實(shí)驗(yàn)地點(diǎn)設(shè)置在武漢某試驗(yàn)基地,周圍環(huán)境包括湖泊、社區(qū)、大橋等,干擾信號相對復(fù)雜,如圖9所示,最外層圓圈范圍表示雷達(dá)監(jiān)控的范圍,對2 km 低空范圍內(nèi)入侵的可疑目標(biāo)進(jìn)行實(shí)時監(jiān)控;最內(nèi)層圓圈范圍表示射頻探測設(shè)備工作的范圍,當(dāng)可疑目標(biāo)進(jìn)入1 km范圍可以探測到無人機(jī)目標(biāo)通信信號;中間圓圈區(qū)域表示RGB 相機(jī)設(shè)備監(jiān)控范圍,其根據(jù)雷達(dá)提供的信息與危險等級劃分依次對可疑目標(biāo)進(jìn)行探測.

圖9 無人機(jī)入侵檢測試驗(yàn)場地

使用無人機(jī)從不同距離起飛,并作入侵或逃離運(yùn)動,雷達(dá)捕獲到目標(biāo)位置、高度以及速度等信息,得到的目標(biāo)雷達(dá)圖,再通過無人機(jī)目標(biāo)和運(yùn)動特點(diǎn)篩選出可能為無人機(jī)的目標(biāo)點(diǎn),無人機(jī)入侵檢測設(shè)備搭建平臺如圖10所示.

圖10 無人機(jī)探測設(shè)備搭建平臺

最后,根據(jù)雷達(dá)提供的目標(biāo)方位、角度以及高度等信息,旋轉(zhuǎn)RGB 相機(jī)設(shè)備的云臺,并對設(shè)備進(jìn)行變焦對焦,獲取到包含疑似無人機(jī)目標(biāo)的畫面,并通過SSD 目標(biāo)檢測模型定位和識別出無人機(jī)目標(biāo),如圖11.

圖11 運(yùn)動目標(biāo)誤判效果

5 結(jié)論與展望

為了偵測低空范圍內(nèi)非法入侵的無人機(jī)目標(biāo),本文提出了一種基于深度學(xué)習(xí)的無人機(jī)入侵檢測方法.首先通過多傳感器信息融合獲取到低空范圍內(nèi)可疑目標(biāo)的方位、速度以及畫面信息,再利用訓(xùn)練好的SSD深度學(xué)習(xí)模型對畫面中目標(biāo)類別進(jìn)行預(yù)測,判定可疑目標(biāo)是否為無人機(jī),實(shí)驗(yàn)結(jié)果表明本文方法能夠有效檢測到無人機(jī)目標(biāo)的入侵.在后續(xù)工作中,可以利用不同傳感器解決在黑夜、大霧天氣等情況下,RGB 相機(jī)無法做出有效決策的問題.