0 引 言
随着无人机技术的高速发展和无人机产业的迅速扩张，无人机已经成为寻常百姓家中的常见电器。工信部在2017年12月印发的《关于促进和规范民用无人机制造业发展的指导意见》中指出，至2020年，我国民用无人机产业的产值将达到600亿元。无人机产业的快速扩张令还没有建立完善法律制度的巨大市场充满危机与混乱。无人机在机场、重要会场和涉密工业场所肆无忌惮的“黑飞”，严重损害了我国人民的人身安全、信息安全和财产安全。为此，近年来，为保障我国重大涉密工业场所和交通枢纽等重要区域的安全，我国正在积极建设反无人机的安防系统。
1 国内外反无人机系统简析
当前，针对无人机的安防技术手段主要可分为3大类：干扰屏蔽类反无人机装备、捕捉击毁类反无人机装备、监测反制类反无人机装备，具体的实现形式主要包括激光炮、信号干扰、信号欺骗、声波干扰、黑客技术、无线电控制，以及反无人机无人机等[1]。其中，光电系统是反无人机系统的前端组件，其输出结果可最直观地反应目标情况的图像信息。在无人值守的智能化系统中，光电告警系统是全自动化的关键所在。在无人干预的情况下，只有在确定目标为来袭无人机时，安防系统的拦截措施才会启动。因此，对于一套无人值守的反无人机系统而言，其光电告警系统的质量直接影响着整个系统的性能。下面将简要介绍国内外主要的反无人机光电系统。
1.1 美国黑睿技术公司(Black Sage Technologies)——UAVX
美国黑睿技术公司运用人工智能技术，研制出了集无人机探测、识别、跟踪功能于一体的UAVX系统。这套系统的特点是，能够利用神经网络识别目标，降低误警率。其小型监视雷达的有效探测距离为500m，由白光摄像机和连续变焦红外摄像机进行双通道观测，神经网络识别算法在移动计算机上完成。其工作流程为探测、情报、分类和警告。首先，小型监视雷达负责对500m范围内的无人机进行探测，并记录下区域内的雷达反射数据样本，同时由后台数据库比对数千种常见的无人机；在发现无人机后，系统控制可见光和红外探测器视轴指向目标并进行跟踪；系统会通过邮件进行告警，或者采取其他拦截措施。
1.2 由3家英国公司联合开发的AUDS系统
AUDS系统由英国布莱特监视系统公司、象棋动力公司和恩特普赖斯控制系统公司3家英国公司联合开发，是一套强大高效的、全集成式的反无人机防御系统。这套系统由A400系列的Ku波段电子扫描雷达、光电控制器、红外探测器、可见光探测器、目标跟踪软件及电磁干扰器组成，可在固定路基或移动平台上使用，可探测、跟踪、分类、摧毁、干扰、压制8km范围内的无人机。
1.3 英国威能公司——“无人机观察和捕捉”项目
该项目参考全息雷达技术，同时利用了光电摄像机，能够探测和识别7km范围内、质量小于27kg的小型无人机[2]。系统使用的全息雷达是由英国威能公司自主研制的静态相控阵雷达，能够对空域进行持续监视，发现并跟踪非法无人机。在试验中，全息雷达成功探测到了6.4km处的一架四轴飞行器。
1.4 以色列拉斐尔先进防御系统公司——Drone-Dome
Drone-Dome是由以色列拉斐尔先进防御系统公司开发的无人机探测、跟踪和压制系统。这套系统由MEOS光电传感器、RPS-42战术空中监视雷达和C-Guard信号干扰器组成。Drone-Dome与其他光电告警系统的不同之处在于，它不是通过发射射频信号阻碍无人机与地面遥控装置之间的通信联络，而是直接对全球导航卫星信号进行干扰，进而导致失控的无人机无法再回到违法者手中。
1.5 德国Dedrone GmbH公司——Drone-Tracker
Drone-Tracker系统由光电探测器、声波、超声波设备及摄像机组成。将设备安装在建筑物外墙或固定位置上，可以通过声波和超声波对空域进行高效监视。当有非法无人机入侵时，计算机或智能手机上的数字地图会实时显示无人机的位置，视频证据会被立即保留。
国内的反无人机系统还处于起步阶段，目前，中国电子科技集团、上海资誉科技公司、天津津航技术物理研究所和中国工程物理研究院等科研单位都在研制反无人机系统。其中，天津津航技术物理研究所参与研制的系统是一套路基反无人机系统，该系统由高密度集成雷达、光电感知设备和电子干扰设备组成，可以实现全自动的探测、跟踪、识别、压制功能。本文介绍的识别无人机的无人值守光电告警系统，即为这个系统的重要组件。
2 识别无人机的光电告警系统的技术实现
本文介绍的无人机光电告警系统是全自动系统，与流程上端设备(雷达、频谱侦察仪)及流程下端设备(干扰机)构成了一套完整的反无人机系统，其控制结构如图1所示。雷达将可疑目标信息传输给中央控制器，中央控制器将目标信息转化为目标相对于光电告警设备的方位角、俯仰角及距离信息。用于识别无人机的光电告警设备将转动到指定位置以捕获和跟踪目标，可见光视场随距离变远而变小，并且能够自动调焦以保证视场的清晰度。利用深度学习算法识别、捕获目标，将目标识别类型和跟踪视频图像由光电服务器传输至中央服务器。若识别类型为无人机，那么中央控制器的控制干扰器将攻击入侵无人机，使其返航。软件流程和图像识别所使用的卷积神经网络，是本套系统的技术实现基础，本文在这里做出简要介绍。
图1 反无人机系统的全控制流程图
Fig.1 The full control flow chart of Anti-UAV system
2.1 识别无人机的光电告警系统的软件流程
识别无人机的光电告警设备软件由3部分组成：设备载荷上的红外采集发送软件、光电服务器上的服务器软件，以及面向用户的客户端软件。
图2是红外采集发送软件的流程图。红外探测器获取的红外图像在载荷中的微型计算机内被组合拼接为完整的红外图像，图像由网口发送给光电服务器。
图2 红外采集发送软件的流程图
Fig.2 The software flow chart of acquisition and
transmission by infrared detectors
光电服务器负责接收由中央控制器转发的、雷达输出的目标信息，开启可见光相机和红外相机，并转动转台侦察目标。在捕获目标后，可见光探测器通过深度学习中的卷积神经网络算法识别目标，红外探测器通过TopHat算法进行小目标检测，随后融合两者的检测结果并实时识别、跟踪目标，最终将识别结果和跟踪视频上传至中央控制器。图3是服务器软件的流程图。
图3 服务器软件的流程图
Fig.3 The software flow chart of server
服务器将跟踪视频图像传输至客户端程序，客户端可分为手动模式和自动模式2种。在正常情况下，客户端为自动模式，即显示服务器程序传递的可见光、红外图像和目标信息。当用户将客户端切换到手动模式，就可以通过摇杆手动控制转台转动，以及执行可见光相机变焦等相关操作，客户端的软件流程如图4所示。
图4 客户端软件流程图
Fig.4 The software flow chart of client
2.2 卷积神经网络
卷积神经网络利用一系列卷积层，构建了多层网络，以模拟人脑在感知视觉信号时的逐层处理机制，进而获得图像的多层次特征。卷积层的卷积操作如式(1)所示。
(1)
其中，l代表模型的层数，H代表卷积核，Mk代表l-1层的第k个特征图，b为输出图的偏置，f代表激活函数。
池化层解决了网络输出维数大、分类器设计难的问题。依据统计结果的相似性原理，以池化操作统计卷积得到的结果，进而减小了需要训练的系统参数。
神经网络的权值更新采用BP反向传播算法，误差可以被当作每个神经元的基的灵敏度，如式(2)所示。
(2)
其中，δ为基的灵敏度，T为阈值，δl为第l层的灵敏度，W为网络层的维数。
BP算法基于梯度下降策略，以目标的负梯度方向对参数进行调整[4]，可推导神经网络的权值更新方程为
(3)
其中，η∈(0,1)为学习率。η的数值太大容易引起振荡，η的数值太小则易导致收敛速度过慢。
3 光电告警系统的组成及作用
本文介绍的识别无人机的无人值守光电告警系统由可见光相机、长波非制冷型红外传感器、红外图像处理模块、镜头、转台和中央服务器组成。采用可见光和红外双通道图像传输是为了适应全天候的工作环境，可见光相机的探测距离较远，但其受气候影响较大，红外相机在光线较弱和能见度较低时的探测效果较好。红外相机选用了像元大小为17μm×17μm、像元数为640×512、帧频为25Hz的长波非制冷型红外相机。红外镜头的焦距为240mm，F数为1.3。可见光相机的像元大小为3.3μm×3.3μm，像元数为1920×1080，可见光镜头的最大焦距为510mm。上述选择，可保证红外相机具备2km探测、1km识别的能力，可见光相机能够实现4km探测、2km识别。红外图像处理模块的功能是将红外图像压缩并传输至中央服务器。中央服务器对红外图像和可见光图像进行处理，利用人工智能算法，识别目标并进行跟踪。光电告警设备的样机如图5所示。
(a)探测载荷部分
(a) The part of detection
(b)中央服务器
(b) The central server
图5 光电告警设备的样机
Fig.5 UAV unmanned photoelectric warning system
3.1 无人机识别
本套系统的主要作用是识别入侵的目标类型，若识别结果为无人机，则将结果反馈给中心控制系统，同时将拍照和录像结果传输至中央服务器留存，作为法律证据。随后，中心控制系统将启用电磁干扰机逼退入侵无人机。
无人机识别技术主要依赖于人工智能算法。人工智能算法在中央服务器中用于实时处理传输过来的图像，其算法基于深度学习理论中的卷积神经网络[3]。该算法在图像识别中的应用优势明显，它的优点在于极大减少了参数数量，同时降低了模型的复杂度，提高了训练效率，并且对类似于平移和缩放的变形具备高度的不变性。本系统网络结构选用LeNet-5，分类器选用Softmax Regression，实际系统识别效果如图6所示。由图6可以看出，当前由可见光图像实时识别的目标为无人机的概率为0.903575，而红外图像可直接将无人机目标用红框标出。
(a)可见光识别图像
(a)Visible light recognition image
(b)红外识别图像
(b) Infrared recognition image
图6 光电告警系统无人机识别效果图
Fig.6 The identification effect of UAV unmanned photoelectric warning system
3.2 目标跟踪
在识别无人机后，光电系统会持续跟踪无人机的飞行轨迹，直到达到系统探测的最大范围(在正常天气状况下，可见光的探测范围为4km，红外探测的范围为2km)。通过图像识别，计算目标在当前图像中的相对位置，再根据雷达传输的目标距离信息计算当前可见光的视场范围，由目标在视场中的相对位置和当前视场大小，便可以推算出目标相对于转台的实际偏差角，进而转动转台实现目标跟踪。图7是本套系统跟踪无人机的效果图。
(a)可见光跟踪图像
(a)Visible light tracking image
(b)红外跟踪图像
(b)Infrared tracking image
图7 光电告警系统的跟踪效果图
Fig.7 The tracking effect of UAV unmanned photoelectric warning system
3.3 视频监控
除了无人机识别和跟踪能力外，系统还具有视频监控功能。系统可设置为自动模式和手动模式，搭配摇杆可以手动转动转台，可人工监控厂区范围内的活动情况。视频监控高清的图像分辨率，使其可以在2km的厂区范围内捕捉一切违法行为。遇到突发情况，保卫部门可以通过本套系统先行观察事态发展，以采取相应的解决措施。若发现为虚假警报，就可以避免施行紧急措施所带来的人力、物力损失，还可以减小外界舆论压力。同时，光电系统保存在中央服务器中的视频图像是最有力的法律证据。图8是视频监控机场飞机的效果图。
(a)可见光监控图像
(a)Visible light monitoring image
(b)红外监控图像
(b) Infrared monitoring image
图8 视频监控机场飞机的效果图
Fig.8 The effect of UAV unmanned photoelectric warning system in airport
4 结 论
本文分别从系统组成、工作特点及技术实现3方面详细介绍了一种识别无人机的光电告警系统。该系统的优势在于，基于深度学习算法的目标识别技术可以解放人力资源；可见光和红外双通道成像使得系统拥有全天候的工作能力；在同等重量级别的光电系统中，拥有较好的探测性能。同时，由于处于产品研制初期，这套系统在实际运行过程中仍存在着许多不足，现拟从2个方向提出未来的改进设想：
4.1 自身探测能力
在实际使用过程中，由于雷达给出的角度误差较大、使得目标超出探测器视场范围，导致系统无法捕获目标。现阶段常用的手段是边界搜索策略，即通过附近小范围的搜索以捕获目标。但是，无目的的搜索引起的图像抖动，增加了目标检测方法的实现难度。因此，如果光电告警系统自身拥有探测能力，那么其安防成功率和效率均会大幅提升。
4.2 协同控制技术
为了实现目标的快速捕获，本套识别无人机的光电告警系统安装的红外探测器选用了长波非制冷型。非制冷型红外探测器的性价比较低(这里的性价比是指探测距离与探测器价格之间的比值)，同时随着探测距离的增加，探测器的价格呈指数增长趋势。为了控制成本，在确保探测距离的前提下，未来拟采用由多个性能适中的小型光电告警系统协同布防的控制策略。
[1] LIU L, WEI Y F, ZHANG Y H. Analysis of the Development of US Army Anti-UAV Technology and Equipment [J]. Aerospace Electronic Warfare, 2017, 33(1): 60-64.
[2] LUO B, HUANG Y C, ZHOU W. Summary of the deve-lopment status of foreign anti-UAV systems [J]. Aero-space Missile, 2017, (09): 24-28.
[3] ROHIT S, CHAKRAVARTHY S. A convolutional neural network model of the neural responses of inferotemporal cortex to complex visual objects [J]. BMC Neuroscience，2011，Vol.12 (S1): 35.
[4] 周志华. 机器学习[M]. 北京：清华大学出版社，2016: 102.
ZHOU Z H. Machine Learning [M]. Beijing: Tsinghua University Press, 2016: 102 (in Chinese).