摘要：本文系统地研究了“黑飞”无人机的目标特点，总结了基于声纹、雷达、射频、图像的智能化无人机目标探测识别技术，最后为机场管理人员对抗“黑飞”无人机提供了实用建议。

关键词：反无人机，智能探测，目标识别

第一章绪论

（一）课题背景和意义

随着无人机需求的不断牵引，无人机技术得到不断突破，国内无人机行业已经进入高速发展快车道，高速穿越机、蜂鸟无人机、蜂群无人机群等机型相继问世。同时“黑飞”无人机干扰机场起飞降落等事件也时有出现，因此加强对“黑飞”无人机侦测和反制显得至关重要。本文对音频识别、雷达识别、射频识别、视觉识别等无人机侦测技术和电子干扰等反制技术进行了梳理和介绍。

第二章“黑飞”无人机的特点

“黑飞”无人机的特点与常规目标存在一定的区别，主要有以下几方面的特点。

（一）体积小。由于大部分无人机体积小，翼展一般不超过5米，因此雷达散射截面积大多比常规飞行器小一个数量级以上。据估计，一架无人机的雷达散射截面积在0.05-0.5㎡之间，远小于常规飞行器的雷达截面积，因此很难被雷达察觉。

（二）速度低。通常“黑飞”无人机与汽车的行驶速度不相上下，在使用雷达波处理时会受到抑制，从而不能被察觉。如果雷达接收器速度内限降低，就有可能接收大量缓慢杂波，掩盖真实信号。

（三）辐射小。“黑飞”无人机主要通过电力驱动，或使用小型汽（柴）油发动机，以螺旋桨推进的方式飞行。它的发动机体积小、功率小、温度低，相对于常规飞行器的发动机喷口温度要低得多，所以它的红外辐射要比常规飞行器小得多，从而增加了探测的难度。

（四）高度低。“黑飞”无人机飞行高度普遍比较低，甚至部分小飞行器飞行高度在10m-100m之间。而在平原地区，由于城市周围都是高楼大厦，再加上靠近机场位置的酒店等建筑物会形成一个大的遮挡角，因此进一步降低了探测和发现的机会。

（五）起飞便利。大多数“黑飞”无人机没有对起降场地的特殊要求，所以很难预先在机场附近的广阔范围内划定重点防御方向以控制“黑飞”无人机。

第三章无人机的探测的困难

目前，用于探测无人机的手段主要有雷达识别、射频识别、视觉识别、音频识别四种，其中前两种应用最为普遍，也最为有效，后两种通常不单独使用，而是用作前两种手段的辅助或补充，以增强对无人机的探测、识别及定位能力。

（一）音频识别

无人机噪声通常分为气动噪声和机械噪声。前者源于旋翼切割空气和机体与空气摩擦，其通常分布在声音信号的低频部分，衰减较慢；后者源于电机和传动部件，通常分布在声音信号的高频部分，衰减较快。音频识别主要是通过声音传感器搜索马达、旋翼等部件在飞行目标时产生的声波，并与数据库中的音频信息相匹配，从而实现对“黑飞”无人机的侦测。此外，风和雨声作为实际环境中最常见的背景噪声，属于宽带噪声信号，其信号特性与无人机信号特性存在明显差异，容易在时域和频域上进行区分。因此，可以通过算法实现目标检测和识别无人机产生的各种类型音频信号。文献［1］提出了一种用于无人机存在检测的二分法模型，在高噪声真实环境中探究了无人机音频检测，并使用高斯混合模型、CNN和递归神经网络三种模型在城市街道收集的数据集上进行实验。实验结果证实了这些模型在真实环境中的有效性。

（二）雷达识别

雷达探测技术是目前应用范围最为广泛的探测技术，一直在电子战中扮演关键角色，其核心目标在于从拦截的“黑飞”无人机雷达信号中提取重要信息。雷达探测获取距离、速度、形状和尺寸信息主要是通过多普勒效应感知运动目标速度。目前现有的雷达系统主要以高速探测目标设计，在探测“低慢小”无人机方面存在一定短板。部分研究已经能实现无人机的检测，还具备识别非无人机信号的能力，例如鸟类信号。文献［2］提出了一种基于深度学习的无人机分类方法，用于区分无人机和非无人机（如鸟类、噪声等）。作者使用真实的无人机雷达信号数据进行评估，实验验证了该方法的有效性，整体分类准确率可达95.0%。

（三）射频识别

无人机射频信号检测和识别旨在监测和识别无人机在遥测遥控、通信或导航过程中发射的射频信号，以确定无人机的存在、类型、位置、行为以及可能的威胁等信息［3］。无人机通常包含一个机载发射器，该发射器通过射频信号进行数据交换以控制和操作无人机。由于无人机在射频频谱中使用特定的频率，因此可以将无人机通信与其他设备（如智能手机和笔记本电脑）发射的所有无线电频率区分开来。

在无人机射频检测与识别过程中，核心在于捕获其射频信号。传统无人机射频检测和识别方法依赖于研究人员利用从捕获的射频信号中提取的统计特征。然而，由于射频信号的非线性，传统算法在实际大规模部署中通常难以提供足够的准确性。因此，研究人员开始转向更复杂的深度学习方法用于对无人机进行检测和识别。基于深度学习的无UAV数据预处理神经网络数据采集原始雷达数据接收人机射频检测和识别利用深度神经网络对捕获的无人机射频信号进行特征提取，并使用分类器对其进行检测和识别。深度学习的方法不仅可以提高无人机检测和识别精度，在某些情况下还可以确定无人机的制造商和型号。文献［4］采用三个DNN用于检测无人机的存在、无人机的存在及其类型、无人机的存在及类型和飞行模式。实验结果显示，在射频信号数据集上，三个实验的平均准确率分别为99.7%、84.5%、46.8%。从上述文献可以看出，随着类别数的增加，无人机的检测和识别性能也随之下降。

（四）视觉识别

视觉识别是通过视频和相机来捕捉侵入无人机系统的图像，地面站使用计算方法从视频和图片中找出无人机的外观。视觉识别根据探测原理的不同分为红外探测（IR）、可见光探测（VisualLight）、激光探测（LaserDiscovery）三种。红外探测主要是从目标与周围背景红外辐射的差异性中获取目标信息，从而完成搜索、识别和跟踪等任务。可见光探测通常采用可视化的方法来完成定位、识别目标等任务，如对“黑飞”无人机的视频图像等进行分析处理。雷达侦测与激光探测类似，同样是通过分析回波脉冲来提取目标信息，区别在于激光探测使用频率更高的发射波，使接收端可以很容易地从杂波干扰中分离出来。

传统方法主要依赖于图像分割方法。利用图像中无人机与环境的差异来确定限制区域是否有无人机。[5]提出了一种基于视觉的无人机检测方法，它可以有效地将无人机系统与背景分离，而挑战是如何将无人机与背景图像区分开来，以及如何区分无人机与飞鸟。相比之下，最先进的图像分割方法利用神经网络直接识别无人机的外观。[6]中介绍了一项杰出的研究。一种轻量级且快速的算法，可以在嵌入式系统上运行并识别移动中的无人机。

第四章无人机的对抗

无人机存在飞行高度较低、速度较慢、自身防护力弱、导航控制链路易被切断等弱点。因此无人机对通信链路、导航定位等高度依赖，而且其传感器和机载电子设备又比较“脆弱”，一旦受到电子干扰压制，很容易出现“失聪”“失明”“失灵”等问题。

一是干扰无人机数据链路。运用通信干扰机对无人机上的遥控接收机或地面控制站内的遥测接收机实施有效干扰，可切断无人机与地面站的通信联系，使无人机失去控制。

二是干扰无人机机载卫星定位系统。对于载有卫星定位系统的无人机实施电子干扰，大大降低机载设备对目标的定位精度，使无人机无法利用卫星定位系统确定自身的空中位置而偏离预定航线。

三是干扰无人机机载通信侦察和图像侦察等任务设备。根据论证，利用电子对抗连现有装备可对其侦察设备实施大功率干扰，使其失去情报侦收功能。针对无人机一直处于运动中、难以确定其飞行航路的实际，为了实现实时持续干扰，可申请上级电子干扰直升机或紧盯有人电子干扰对其进行跟踪干扰，确保干扰任务的完成。

Zhao等[7]提出了一种方法，利用一个防空雷达网络干扰目标的传感器。这种方法可以检测和否定未经身份验证的无人机系统，其实验结果表明，它们可以跟踪和干扰大疆无人机以离开限制区域。Li等[8]提出了一种方法，利用带有干扰器的无人机来抵消其他无人机。他们利用无人机的移动性来接近恶意无人机，安装在无人机上的干扰器可能会影响恶意无人机的轨迹。Dey 等 [9] 提出了破解SDK、逆向工程和GPS欺骗来劫持无人机。他们比较了大疆和Parrot无人机在漏洞利用攻击下的性能。结果显示，大疆更难冲进限制区域。

第五章总结与展望

近年来无人机的技术更加成熟，运用更加广泛，对社会威胁也更加严重。本文总结了侦察与防范“黑飞”无人机的理论技术，对机场制定反无人机预案有一定的借鉴意义。

参考文献

[1]JEON S，SHIN J W，LEE Y J，et al. Empirical study of drone sound detection in real-life environment with deep neural networks［C］.European Signal Pro‐cessing Conference （EUSIPCO）. Kos，2017，25th ：1858-1862.

[2]SAMARAS S，MAGOULIANITIS V，DIMOU A，et al. UAV classification with deep learning using surveil‐lance radar data［C］. International Conference on Computer Vision Systems. Cham： Springer，2019，volume 11754：744-753.

[3]MEDAIYESE，SYED A，LAUF A P.Machine learning framework for RF-based drone detection and identification system［C］.International Con‐ference on Smart Cities ，Automation & Intelligent Com‐puting Systems （ICON-SONICS），2021，2nd：58-64.

[4]AL-SA’D M F， AL-ALI A， MOHAMED A， et al. RF-based drone detection and identification using deep learning approaches： An initiative towards a large open source drone database［J］. Future Generation Computer Systems，2019，100：86-97.

[5]Q.Dong and Q. Zou.Visual uav detection method with online feature classification.Networking， Electronic and Automation Control Conference ［C］. Information Technology， Networking， Electronic and Automation Control Conference （ITNEC）， 2017， 2nd：429–432

[6]C. Briese， A. Seel， and F. Andert.Vision-based detection of noncooperative uavs using frame differencing and temporal filter.International Conference on Unmanned Aircraft Systems［C］.International Conference on Unmanned Aircraft Systems （ICUAS），2018： 606–613.

[7]Z. C. Zhao， X. S. Wang and S. P. Xiao.Cooperative deception jamming against radar network using a team of UAVs[J]. 2009 IET International Radar Conference，2009：1-4.

[9] A. Li， Q. Wu， and R. Zhang.Uav-enabled cooperative jamming for improving secrecy of ground wiretap channel［C］. IEEE Wireless Communications Letters， 2019，vol.8：181-184.

[10] W. Chen， Y. Dong， and Z. Duan.Attacking altitude estimation in drone navigation［C］.IEEE Conference on Computer Communications Workshops （INFOCOM WKSHPS）， 2018： 888–893.