《Chinese Journal of Electronics》：Open-Set Recognition for Low-Altitude UAV Surveillance Using Radar Micro-Doppler Signatures
编辑推荐：
旋翼无人机(UAV)识别是雷达基低空UAV监视中的一项关键任务。微多普勒(Micro-Doppler)特征为UAV识别提供了有前景的能力。然而，其他低空目标的多样性和不可预测性对传统闭集识别方法构成了重大挑战。为解决这一问题，研究人员提出了一种用于识别旋翼UA
旋翼无人机(UAV)识别是雷达基低空UAV监视中的一项关键任务。微多普勒(Micro-Doppler)特征为UAV识别提供了有前景的能力。然而，其他低空目标的多样性和不可预测性对传统闭集识别方法构成了重大挑战。为解决这一问题，研究人员提出了一种用于识别旋翼UAV及其他目标的开集识别方法。首先，引入了一种基于最小描述长度(MDL)码长的边界点识别方法。随后，基于MDL诱导的码长，从理论上证明了极端边界样本符合广义极值(GEV)分布，从而能够建立统计上可靠的决策阈值。最后，在真实雷达数据集上进行的实验表明了研究人员的工作相较于现有方法的优越性。
该论文发表于《Chinese Journal of Electronics》，聚焦于雷达基低空无人机监视中的开集识别问题。随着无人机技术在民用和国防领域的广泛应用，空域管理、基础设施监控及安全执法等场景对无人机监测提出了迫切需求。雷达因其全天候、远距离目标检测与速度估计能力而成为重要的传感手段。在无人机监测任务中，区分旋翼无人机类型对于威胁评估、自适应监控策略制定以及增强雷达识别系统鲁棒性至关重要。然而，鸟类、固定翼无人机等低空目标由于与旋翼无人机在尺寸、飞行模式及雷达散射截面(RCS)特性上的相似性，其回波信号往往与旋翼无人机高度相近，导致雷达信号解译存在显著模糊性，自动识别系统性能严重受损，产生高虚警率并降低系统可靠性。
微多普勒特征已被用于区分旋翼无人机与其他目标。鸟类目标主要由翅膀拍动产生微多普勒特征，表现为围绕主多普勒频率的周期性边带，且因拍动速率和姿态变化而呈现不对称和非平稳特性；相比之下，旋翼无人机因旋翼旋转产生更为稳定和谐波的微多普勒特征。现有研究多基于闭集识别假设，即测试集中所有类别均在训练集中已知且已表示。然而实际低空目标高度多样化、不可控且不可预测，测试集常包含训练阶段未见过的类别，闭集方法易将未知目标误分入最接近的已知类别，导致识别不可靠。因此，开集识别(OSR)技术成为必要，其设计目标是在准确分类已知目标的同时，识别并拒识先前未见的类别。
研究人员针对雷达微多普勒特征空间的高度非线性和非凸几何特性，提出了基于最小描述长度(MDL)原理的开集识别框架。该框架的核心技术方法包括三个主要部分。首先，在特征提取方面，采用调频连续波(FMCW)雷达系统获取目标回波，通过快速傅里叶变换(FFT)进行目标定位，利用短时傅里叶变换(STFT)分析微运动信号的时频结构，从中三张图提取包括时域、频域和时频域特征在内的判别性微多普勒特征，并采用基于单变量统计检验的滤波式特征选择方法确定最优特征子集。其次，在边界点识别方面，基于MDL原理，通过训练可逆流模型(normalizing flows)计算各样本的码长，将码长最高的前10%样本识别为边界点，该方法相较于传统的欧氏距离、马氏距离和余弦距离方法，能更准确捕捉复杂非线性类边界结构。第三，在统计建模与阈值设定方面，研究人员从理论上证明边界点码长服从广义极值(GEV)分布，利用Fisher-Tippett-Gnedenko极值理论，对每类的顶部k个码长值进行GEV拟合，建立类特定的拒识阈值，通过比较测试样本码长与GEV分布α分位数阈值实现未知类拒识。
在研究结果部分，边界点识别实验表明，基于t分布随机邻域嵌入(t-SNE)的可视化显示，距离基方法易将内部样本误判为边界点，而MDL方法识别的边界点与实际类边界更为一致；未知类样本响应分布显示，码长值显著高于已知类，而距离度量分布重叠严重，验证了MDL方法更优的分离能力。GEV拟合实验中，通过与高斯、对数正态和Student-t分布对比，GEV分布在边界点直方图的拟合效果最优，Kolmogorov-Smirnov(KS)检验统计量最小且p值大于0.05显著性水平，统计上支持边界点服从GEV分布的假设，DJI Inspire 2和Hexarotor UAV的拒识阈值分别确定为9.45和9.59。开集识别性能对比实验采用LSS-FMCWR-2.0公开雷达数据集的K波段子集，将DJI Inspire 2和Hexarotor UAV作为已知类，AC311直升机和仿生扑翼鸟作为未知类，与OCSVM、OpenMax、ARPL、OSRCI、CGDL、MAHA及距离阈值法(DIS)等方法相比，所提方法在准确率(Acc)、闭集识别准确率(CSR_Acc)、未知类准确率(UK_Acc)、宏平均F1分数(MAF1)、AUROC及FPR@95TPR等指标上均取得最优或接近最优表现，实现了已知己类识别与未知类拒识的良好平衡。多类扩展实验引入DJI M350和DJI Mavic 2两种额外UAV类型，在未知类固定为AC311和仿生鸟、已知类数量增加的场景下，所提方法始终优于对比方法；在不同开放度水平实验中，固定已知类为DJI2和HexUAV，未知类数量从1个递增至4个，开放度逐渐增大，所有方法性能均下降，但所提方法下降最缓，展现出高开放度条件下的更强鲁棒性。噪声与杂波影响实验中，在原始时频表示上人工添加高斯噪声(信噪比SNR从10 dB到20 dB)和Weibull分布杂波(信杂比SCR从20 dB到30 dB)，当SNR超过10 dB或SCR超过20 dB时，所提方法始终优于对比方法，显示出对高斯噪声和Weibull杂波的更好鲁棒性。
在讨论与结论部分，研究人员指出该方法在微多普勒特征高度相似或严重噪声/杂波导致特征质量下降时可能存在局限。未来工作将针对真实低空无人机监视中的非平稳杂波、低且变化的SNR/SCR、目标机动以及大规模真实数据集有限等挑战，进一步增强特征表示、开发更具适应性的MDL模型，并研究多表示融合方法，如结合时频表示与高分辨距离像(HRRP)特征，以提升实际工作条件下的识别鲁棒性。研究结论指出，该论文提出了一种有效的开集识别框架，用于低空无人机监视中的旋翼无人机及其他空中目标识别；基于MDL原理的码长边界点识别方法能够有效检测复杂类边界；理论分析证明了边界点服从GEV分布，为未知类建模提供了统计基础；真实雷达数据集上的实验结果验证了所提方法的有效性，相较于现有开集识别方法取得了显著的性能提升。
