《雷达低空目标探测与防范》针对低空雷达目标探测技术开展了深入研究，《雷达低空目标探测与防范》分三部分。**部分梳理雷达低空目标探测技术的研究现状，分析典型低空目标的雷达目标特性。第二部分分别从信号和数据层面，讨论低空雷达目标的检测、跟踪、识别与分类技术。第三部分介绍导航雷达、泛探雷达、外辐射源雷达等各类典型低空雷达探测系统、应用情况，并对雷达低空目标探测技术的发展方向做了展望。《雷达低空目标探测与防范》介绍的许多方法经过大量实测数据验证，对提高复杂低空背景下动目标检测和精细化处理能力具有指导意义。

目录
序
前言
第1章 雷达低空目标探测概述 1
1.1 引言 1
1.2 低空探测的主要手段 2
1.2.1 雷达探测 3
1.2.2 可见光探测 4
1.2.3 红外探测 5
1.2.4 声学探测 6
1.2.5 无线电侦测 8
1.2.6 多传感器融合 10
1.2.7 多源信息融合策略 12
1.2.8 多传感器无人机探测方案 13
1.3 雷达低空目标探测技术研究现状 15
1.3.1 微多普勒特征提取 15
1.3.2 目标回波与运动特征提取 19
1.3.3 基于深度学习的无人机目标检测与分类 20
1.4 低空探测雷达系统发展现状 21
1.4.1 典型机场探鸟雷达系统 21
1.4.2 典型无人机雷达探测系统 26
1.5 难点与挑战 26
参考文献 29
第2章 飞鸟与无人机目标雷达特性 39
2.1 引言 39
2.2 目标回波幅度 39
2.3 目标飞行高度和速度 41
2.4 目标轨迹特征 43
2.5 目标微动特征 44
2.6 低空群目标特性 46
2.7 小结 48
参考文献 49
第3章 雷达低空目标探测信号与数据处理技术 51
3.1 引言 51
3.2 低空目标雷达分级积累快速检测方法 51
3.2.1 雷达动目标检测存在的问题 51
3.2.2 分级积累检测算法流程 52
3.2.3 低空目标探测试验与验证 57
3.3 低空目标雷达长时间累积检测方法 62
3.3.1 长时间累积检测方法概述 62
3.3.2 基于Keystone变换距离微动补偿技术 66
3.3.3 基于Dechirping的多普勒走动补偿技术 69
3.3.4 基于实测数据的相参积累时间测试 72
3.4 低空目标雷达检测前跟踪方法 81
3.4.1 粒子平行分割理论 82
3.4.2 平行分割辅助粒子滤波 83
3.4.3 平行分割辅助粒子滤波概率假设密度检测前跟踪方法实现 83
3.4.4 实验分析 84
3.5 不同分辨率群目标跟踪方法 94
3.5.1 无人机蜂群目标跟踪总体流程 94
3.5.2 复杂扩展外形的扩展目标建模下的不完全可分辨群跟踪 97
3.5.3 跟随者建模与有向图结构建模下的可分辨群跟踪 106
3.6 小结 116
参考文献 117
第4章 雷达低空目标分类与识别技术 123
4.1 引言 123
4.2 无人机和飞鸟目标雷达微动特征建模与分析 123
4.2.1 飞鸟微多普勒特征建模与参数化表征 123
4.2.2 无人机旋翼微多普勒特征建模与参数化表征 125
4.2.3 微动特征影响因素分析 129
4.2.4 雷达微动测量实验结果 133
4.3 多维特征低空目标分类技术 140
4.3.1 雷达探测数据类型与特点 141
4.3.2 低空目标数据集构建 142
4.3.3 特征提取及筛选方法 144
4.3.4 分类器 153
4.3.5 分类结果展示 155
4.4 基于深度学习的旋翼无人机和飞鸟目标智能分类方法 162
4.4.1 飞鸟与无人机目标微动数据集构建 162
4.4.2 常用CNN方法介绍 168
4.4.3 基于多尺度CNN模型的飞鸟与无人机目标分类方法 170
4.4.4 实验验证与分析 174
4.5 基于模型转换频率估计的低空飞行目标分类方法 179
4.5.1 建模与分析 179
4.5.2 分类与识别结果 181
4.5.3 算法复杂度分析 187
4.5.4 实测数据分析 187
4.6 小结 191
参考文献 192
第5章 典型低空目标探测雷达系统 195
5.1 引言 195
5.2 导航雷达低空目标探测 195
5.2.1 固态相参导航雷达系统 195
5.2.2 导航雷达信息获取与处理 196
5.2.3 导航雷达低空目标探测数据分析 197
5.3 全息凝视雷达低空目标探测 203
5.3.1 全息凝视雷达系统 203
5.3.2 全息凝视雷达信息获取与处理 211
5.3.3 全息凝视雷达低空目标探测数据分析 216
5.4 外辐射源雷达低空目标探测 221
5.4.1 外辐射源雷达系统 221
5.4.2 外辐射源雷达信息获取与处理 224
5.4.3 外辐射源雷达低空目标探测数据分析 225
5.5 小结 230
参考文献 231
第6章 雷达低空目标防范技术与应用 235
6.1 引言 235
6.2 鸟击风险评估 235
6.2.1 风险评估模型 236
6.2.2 鸟击概率估计 236
6.2.3 严重程度估计 237
6.2.4 数据处理与分析 240
6.3 机场鸟击防范 243
6.3.1 雷达与光电技术融合 243
6.3.2 探驱联动与智能驱鸟策略 244
6.3.3 生态治理 246
6.4 无人机反制 251
6.4.1 物理拦截捕获 251
6.4.2 无线电压制 253
6.4.3 GPS诱骗 254
6.5 小结 254
参考文献 255
第7章 雷达低空目标探测技术展望 257
7.1 引言 257
7.2 低空探测雷达新体制 257
7.2.1 可编程电磁表面相控阵 257
7.2.2 分布式雷达 269
7.2.3 微波光子雷达 272
7.2.4 通感一体探测 274
7.3 低空探测雷达新技术 279
7.3.1 波形设计 279
7.3.2 智能处理 283
7.4 低空探测雷达新应用 285
7.4.1 昆虫探测 285
7.4.2 鸟情预警 287
7.4.3 蜂群无人机探测 287
7.5 小结 288
参考文献 289
附录 294
彩图

第1章雷达低空目标探测概述
　　1.1引言
　　鸟击是指航空器起降或飞行过程中与鸟类、蝙蝠等动物相撞的事件，是航班起降阶段的传统安全威胁因素。近年来，以无人机为代表的“低慢小”飞行器得到了快速发展，全国多个机场接连出现无人机“黑飞”扰航事件，非法放飞无人机成为新的焦点问题，其同“飞鸟”一起成为威胁机场净空区航班起降安全的“两大危险源”。
　　无人机等低空飞行器的出现和迅速发展，对空中航路安全、城市安保等提出了严峻挑战。2015年至今，为维护民航机场净空保护区域飞行安全，加强对无人机运行的管理，国家、各部委及中国民用航空局（以下简称民航局）相继出台了多部规章标准。但目前，对无人机和飞鸟的监视，尤其是识别，仍缺乏有效的技术和手段，
　　“黑飞”和“扰航”现象仍十分普遍，一些简易航空器容易偏离预定航线，若进入重要区域上空，将严重威胁公共安全。旋翼无人机可携带危险武器，一旦被恐怖分子利用，后果不堪设想。
　　针对“合作”入网的无人机，其飞行信息实时接入“无人机云”等管理系统，监管部门可对误入相应区域的无人机进行查询、记录；针对“合作”但未入网的无人机，生产商可通过监听“飞控协议”，对相关品牌产品的飞行状态进行监控。上述合作式监管技术目前已能覆盖95%以上的消费级无人机，剩余不足5%的非合作飞行器是防范的重点和难点。针对无人机、飞鸟等不同的“低慢小”入侵目标，机场在发现目标后需要采取不同的反制措施：发现无人机目标后，机场*先发出预警，引导起降航班避让，并协调机场及地方公安进行处置，对于能够锁定的无人机操控者，交由公安机关依法处理；发现飞鸟目标后，机场将基于一定的驱鸟策略，综合采用多种驱鸟设备将其驱离危险区域或采取一定的规避措施。因此，有必要对无人机和飞鸟等低空目标进行精确探测识别。
　　目前，由中国民航科学技术研究院牵头编制的中国电子学会团体标准《机场探鸟雷达系统技术要求》（T/CIE176-2023）和《机场净空区非合作无人机目标探测系统通用技术要求》（T/CIE252-2024）已分别于2023年5月和2024年8月发布，具体介绍详见附录。
　　1.2低空探测的主要手段
　　目前，无人机（unmanned aerial vehicle，UAV）已在世界范围内获得广泛应用，包括航拍、快递运输、灾难救援、电力巡检、农业植保、边境监控巡查、火情监视、环境保护等多个领域。然而，无人机的迅速普及也带来了严重的安全问题[1，2]。近年来，国内外媒体已报道了数十起无人机引发的公共安全事件，机场、监狱、体育场馆、公共建筑和其他重要敏感场所成为无人机侵扰的主要目标[3]。
　　无人机探测系统的解决方案一般以雷达为核心，辅之以光电（可见光和红外）、声学、无线电侦测等其他传感器，旨在重大活动保障和要地防卫中实现全方位态势感知[4]。当部署多个传感器时，可见光和红外设备均具备一定的分类能力，且具有较为精确的定位和测距功能。通常可见光相机价格低廉，红外相机价格昂贵，但二者均对环境条件较为敏感。声学传感器对环境不敏感，其有限的探测范围使其应用范围受限。无线电侦测技术对复杂电磁环境较为敏感，但对“静默”无人机会失效。因此，鉴于雷达具备精确的定位能力和较大的探测距离，加之其较好的目标分类能力和环境适应性，使其成为*为常见的无人机探测手段。
　　当前的多传感器无人机探测系统还不能实现无人值守，需要对探测到的目标进行人工监视和确认，由此产生较高的人员培训和系统维护费用。而且，来自不同传感器的信息没有进行有效融合，仅由各个*立系统分别提供早期警报，随后通过人工确认。例如，来自雷达的早期探测结果引导操作员通过光学相机观察该方向进行目标确认。近年来，人们在各类应用中将多源信息进行融合的需求与日俱增，数据融合技术受到广泛关注[5]。数据融合的目标在于弥补单一传感器的弱点，由此获得更精确的探测结果。此外人工智能和深度神经网络（deep neural networks，DNNs）已成为一种非常有吸引力的数据处理方法，其能够发现典型特征提取方法难以发现的高阶抽象特征，因此在海量多源数据处理中被广泛应用[6]，其在无人机检测和分类中的应用已初露端倪。
　　本章重点研究了利用雷达、可见光、红外、声学传感器、无线电侦测等进行数据采集和以深度学习为主要数据分析工具的无人机探测与分类的研究成果。多传感器学习的基本目的和难点是从全局角度处理和关联多源异构数据[6]。多传感器深度学习网络通过多个输入流学习特征，学习不同输入信号之间的关系，提供了管理复杂多样数据的能力，并发现了多源数据在公共空间的表征方法[7]。因此，多传感器深度学习有助于完成多传感器信号的解释、感知和建模等具有挑战性的工作，有助于解决雷达等单一传感器无法完成的目标识别和分类问题[8]。
　　本节*先分析了以雷达为主体的无人机目标探测系统的技术特点、目标特征提取方法，以及深度学习算法的应用现状，进而讨论了多传感器信息融合算法和多传
　　感器融合的无人机探测技术方案，*后**了一种多传感器无人机探测系统技术方案，并给出几点结论和建议。
　　1.2.1雷达探测
　　雷达作为空中和海面目标监视预警的主要手段，广泛应用于国防和公共安全领域。与其他技术相比，雷达实际上是唯一能够进行几公里到几十公里的远程探测，且在不利的光照和天气条件下几乎不受影响的技术。但是，传统的监视雷达一般用于探测雷达散射截面（radar cross section，RCS）[9]相对较大且速度较高的运动目标，并不适合探测无人机等低空飞行的RCS非常小且移动缓慢的物体，即“低慢小”目标。此外，无人机与鸟类的相似度极高，两类目标的可靠分类是另一个不可回避的问题。因此，需要针对以上苛刻的需求，对雷达体系结构做出专门设计，进而提取“低慢小”目标的精细化特征。典型的检测和分类流程是通过雷达信号处理算法进行目标检测，从处理后的信号中提取固有特征，以便使用机器学习算法进行自动分类[11]。基于深度学习的方案将原始数据整理为特定的数据结构，通过融合处理大幅减少人工标注的工作量，确保系统在低数据量和低标注条件下的识别效果[12]。
　　传统的监视雷达通常采用机械扫描天线对全空域进行搜索，在单个目标上的驻留时间较短，仅能获取目标的方位、角度、径向速度、RCS等有限数据。虽然传统雷达探测“低慢小”目标存在一定难度，但是，随着近年来雷达电子技术的不断发展，其对微弱目标的探测能力稳步提髙，为低可观测目标的探测和识别提供了新途径[1（）]o近年来，针对无人机等微弱目标探测的新体制雷达成为国内外研究的焦点[13]。伦敦大学、华沙工业大学、德国应用科学大学、瑞士国防装备采购局、荷兰罗宾（Robin）雷达公司、英国Aveillant雷达公司、中国科学院电子学研究所、中国电子科技集团公司第十四研究所、中国航天科工二十三所、中国人民解放军海军航空大学、武汉大学、北京理工大学等国内外科研机构和企业采用有源相控阵、多进多出（multiple-input multiple-output，MIMO）、调频连续波（frequency modulated continuous wave，FMCW）、全息雷达、外辐射源雷达等先进的雷达技术开展了一系列无人机探测与识别研究，部分系统已初步具备了工程应用能力。
　　图1-1所示分别为Robin无人机FMCW雷达探测系统、Aveillant无人机全息雷达探测系统、德国应用科学大学研发的多通道外辐射源雷达GAMMA-2。
　　目前，国内外部分先进的低空监视雷达已初步具备了无人机、飞鸟等目标的分类与识别能力，将雷达对“低慢小”目标的探测推向精细化处理，微动特征提取、深度学习等技术的发展进一步推动了该研究领域的进步。同时，大量经验表明，在工程应用中，以雷达为主体，辅以光电、声学、无线电侦测等多源传感器融合的无人机探测技术方案成为主流。图1-2所示为各类典型无人机探测传感器的示意图，下面将对各类辅助探测传感器的技术特点及其采用的以深度学习为主的数据处理方法，做逐一讨论分析。
　　1.2.2可见光探测
　　可见光探测设备获取的目标图像信息较之于雷达更为丰富，在目标识别方面存在优势。但是，单部可见光相机通常不具备目标测距功能，需要通过多站交叉定位或增加激光测距设备获取目标距离，且易受环境因素影响，探测距离远低于雷达，一般情况下难以单*使用。因此，可见光相机通常仅作为雷达的补充确认设备[14]。
　　随着神经网络和深度学习算法的发展，光学数据成为无人机探测中非常有价值的信息来源之一。自深度学习方法在2012年ImageNet大规模视觉识别挑战赛（imageNet large scale visual recognition challenge，ILSVRC）上成功应用于ImageNet数据集[15]的图像分类以来，围绕深度学习的研究不断发展。大多数釆用DNNs的无人机目标识别研究，都采用通用的目标检测结构，并以强大的DNNs作为分类模型。此类研究中，DNNs通常预先在ImageNet等通用数据集中进行训练，进而使用无人机数据进行优化，通过调整参数提高识别性能。
　　Saqib等测试了用于无人机探测的Faster-RCNN（fasterregion-based convolutional neuralnetwork）模型他们在检测方案中使用视觉几何组（visual geometry group，VGG）-16[17]、ZF（Zeiler-Fergus）-Net[18]等模型进行了实验。研究表明，VGG-16表现*好。此外，他们将鸟类作为一个单*的类别进行训练，有效降低了虚警率。近期有研究提出，在正式检测流程之前加入预处理模块，以改善检测效果。一项研究在检测器前插入U-网，这是一个计算连续帧运动并产生边框的网络，该边框能以一定的概率包含无人机[19];另一项工作在检测器前增加了超分辨率处理模块，提高对由于探测距离远而在图像中像素较少的无人机目标的探测能力[2e]。
　　Aker等[21]采用YOLO（you only lookonce）探测器[22]，快速且准确地探测无人机目标。此外，他们从一些公开图像中提取无人机，并将其添加到各类复杂背景的自然图像中，构建了新的人工数据集，用于在不同规模和不同背景下训练无人机深度学习模型，以解决无人机标记公共数据的稀缺性。
　　Rozantsev等基于不同尺度的时空立方体视频数据建立检测框架[23]。该方法使用增强树和卷积神经网络（convolutional neural network，CNN）进行分类，实验结果表明，时域信息对无人机等小目标检测具有重要作用，而CNN在精确性恢复方面表现更好。
　　Aker等提出一种基于梯度直方图特征和级联分类的光学相机无人机检测方法[24]。检测部分通过级联分类的方法，在不同阶段对愈发复杂的特征进行评估，成功通过各级分类器则视为检测到目标。此外，通过支持向量回归（support vector regression，SVR）实现目标距离估计。
　　南京邮电大学[25]、长春理工大学[26]、中国民航飞行学院[27]在提取无人机目标图像特征的基础上，分别釆用CNN和LeNet-5[28^**的深度学习模型，初步实现了基于深度学习的无人机目标识别算法。
　　1.2.3红外探测
　　与可见光传感器不同，红外传感器捕捉所有物体的热辐射，对电磁光谱中波长为9～14Mm的红外频谱很敏感。与可见光相机相比，应用红外相机的主要优点是不受光照或天气条件的影响，即使在完全黑暗的情况下，它仍然能正常运行。一般情况下，红外相机成像的分辨率较低，但成本较高，因此，其*初仅应用于军事，但随着技术的进步，其成本已有所降低，并允许它们在工业和研究部门中使用。
　　在针对监狱等设施开展安全保卫的无人机探测系统中，红外相机一般被放置在建筑物或监视塔楼的顶部。在大多数多传