0 引言
低空飞行器(如直升机、无人机等)常在复杂低空环境中执行任务，事故率要远高于固定翼飞机。统计分析表明，直升机大部分飞行事故是与低空障碍物碰撞所致；在引起直升机事故的各类障碍物中，电力线因其雷达截面积(Radar Cross Section, RCS)很小而很难被探测、感知，已成为直升机安全飞行的头号杀手。至今已报道过多起因直升机撞线引起的安全事故，如2018年6月2日安徽泗县境内一架民用直升机在执行防治美国白蛾任务过程中撞击高压线，不幸坠毁。所以，精确感知电力线的能力是保障低空飞行器飞行安全的急迫需求。
目前常见的感知电力线的传感器有红外成像仪、激光雷达、毫米波雷达[1-2]等。其中红外成像仪和激光雷达受环境影响不能提供全天时全天候的安全保障；传统的直升机防撞雷达大多采用毫米波段，利用低副瓣天线波束对扫描范围内的目标进行覆盖，并从空域、时域等多个维度对目标进行检测跟踪，但由于没有专门的识别机制、造成电力线类目标检测居高不下的虚警率，因此使得传统体制的雷达在电力线检测识别上的实用性不强，无法满足实际的飞行需求。
电力线目标的物理特性决定其对雷达水平极化信号和垂直极化信号的响应程度存在很大差异，据此本文创新性提出了一种充分利用雷达极化信息的电力线目标识别新方法，从双极化雷达信号中提取出多维信息如距离、方位、水平极化通道幅值、垂直极化通道幅值等，计算目标的极化倾角和椭圆率角组成特征向量，进而构建多维特征空间用于电力线目标的分类识别。分类识别算法并不是本文所研究的重点，因此本文采用经典的支持向量机对电力线目标和电力线之外的虚假目标进行分类识别。某在研直升机防撞雷达在不同杂波环境下的实测飞行试验验证了本文所建立的多维特征空间可有效区分电力线目标和虚假目标，分类准确率可达91%以上。本文所提方法可应用于障碍物预警雷达中，具有很强的实用性。
1 多维特征空间构建
1.1 电力线的极化特性描述
对于一个平面波的极化椭圆，可以由电场的水平和垂直分量的幅值Eox,Eoy以及相位差δ=δx-δy三个参数唯一确定，如图1所示。而任意一个极化椭圆，还可以用极化倾角ψ(也即是椭圆的倾角，0≤ψ≤π)，椭圆率
以及辅助角
唯一表示。这两种表示方式的关系可以由如下的公式表示[3-4]：
(2)
图1 椭圆极化描述示意图
根据式(1)可以看出，若要测量目标的极化倾角只需测出水平和垂直信号分量的幅值，以及两个分量之间的相位差即可。线状目标如电力线的典型极化倾角为0°或180°，柱状目标如电力线铁塔的典型极化倾角为90°[5-6]。所以，极化特征可作为一种显著特征用于电力线、铁塔等目标的检测与识别。
(a) 水平极化通道距离-幅值谱
(b) 水平极化通道速度-幅值谱
(c) 垂直极化通道距离-幅值谱
(d) 垂直极化通道速度-幅值谱
图2 水平极化与垂直极化通道联合检测电力线目标
如图2所示为某在研直升机防撞雷达探测电力线的真实回波数据，从图中可以看出电力线回波(红色圈距离单元)在水平极化通道幅度值大，而在垂直极化通道幅度值很小，其余距离单元的回波在水平和垂直极化通道的回波强度差异性不明显。根据两个极化通道的幅值和相位差，计算出该目标的极化倾角为1.9°，为典型电力线目标极化倾角(典型极化倾角为0°或180°，由于测量误差的存在，测量结果一般在0°或180°附近)。
若将距离-多普勒图(Range-Doppler Map, RDM)用等幅值线描述，可以从另一个角度来观察电力线目标的极化特性。如图3所示，左边为水平极化通道RDM的等幅值图，右边为垂直极化通道RDM的等幅值图。可以看出，由于电力线对水平极化信号响应强，在水平极化通道中，电力线目标可呈现一局部的“山峰”特性。在垂直极化通道中，电力线目标的回波较弱，无波峰现象发生。对于铁塔等柱状目标，所呈现的极化特性与电力线目标刚好相反，即在垂直极化通道响应强，在水平极化通道响应较弱。
(a) 水平极化通道等幅值图
(b) 垂直极化通道等幅值图
图3 电力线目标的RDM等幅值图
电力线的这种典型的极化特性，既可在目标检测中发挥作用以提高检测概率，又可用于特征级联分类中，并反馈给跟踪模型以进一步降低虚警率。
1.2 特征选取分析
对于电力线检测雷达来说，居高不下的虚警率是阻碍其走向实装的最大阻力，这是因为传统的雷达对于电力线这类特殊目标没有作特殊的信号和数据处理，不能将电力线目标和其余目标(包括杂波引起的虚假目标和其他类型障碍物目标)区分开来。传统的单极化雷达可获得的目标参数一般有距离、方位、多普勒、幅值等，实践证明利用距离、方位、幅值等信息来区分电力线目标和其他类型目标及杂波是不可行的；而由于电力线和地杂波都是静止的，两者相对载机的多普勒速度是相似的，所以从多普勒维区分也是不可行的。
图4～图7展示的某在研直升机防撞雷达的实测飞行数据，实测数据可以佐证以上的分析。图4显示了电力线和虚警目标的回波信号在距离、通道1的回波强度、通道2的回波强度三个纬度的数据，其中通道1和通道2都是水平极化通道，可以看出电力线目标和虚假目标混合在一起无法区分。
图5进一步展示了电力线目标和虚假目标在距离、多普勒和回波强度三个纬度的情况，同样存在目标与虚警混合在一起难以区分类似的结果。
图4 电力线与虚警在距离-幅值上的特征分布
图5 电力线与虚警在距离-多普勒-幅值上的特征分布
通过1.1节的分析可知，极化信息是区分电力线目标、其他类型目标以及杂波引起的虚假目标的最大特征信息，为此某在研直升机防撞雷达采用双极化的设计，同时发射两种极化的电磁波并同时接收两种极化的回波信号，采集到的数据如图6所示，可以看出在水平极化通道幅值、垂直极化通道幅值和极化倾角组成的一个三维空间中，电力线目标和非电力线目标在该空间中形成了明显的分界线，区分非常明显。
图6 农田环境下电力线与虚警在多个极化维度上的特征分布
同样的情况也出现在如图7所示的山区环境，其中显示了飞行获得的2 000个山区环境下的数据样本，电力线目标和虚警在三维空间里形成了明显的分界。
图7 山区环境下电力线与虚警在多个极化维度上的特征分布
1.3 多维特征空间构建
根据上面的分析，本文将以下的参数作为特征向量用于电力线目标的分类识别，vec_feature=[r,v,γ,aH,aV,ψ]，其中r为距离，v为多普勒速度，γ为方位角，aH为水平极化通道回波强度，aV为垂直极化通道回波强度，ψ为极化倾角，从而构成了6个维度的特征向量空间用于电力线目标的分类识别。
2 实测飞行数据分析
2.1 飞行试验设计
为了试验后数据分析需要，首先建立了飞行试验区域内的真实电力线障碍物地图，在飞行数据分析中通过经纬度的对比就可以从雷达回波数据中很容易获得真实电力线目标的检测点。其次，设计两种飞行场景，分别是农田环境和山区环境，来验证本文所提出的方法在不同杂波环境下的适应性。图8展示的是哈尔滨某地区进行的试飞试验场景，直升机从不同的飞行角度逼近电力线目标，并在距离电力线3 km左右开始记录飞行数据，如此往返穿梭于电力线目标区域进行多次飞行试验。
图8 飞行试验场景示意图
2.2 试验数据分析
在飞行过程记录的数据中，我们随机选取了电力线目标和虚假目标各2 000个数据样本作为数据分析对象，对电力线目标和虚假目标(主要由杂波引起的)的多维度特征作详细对比。
由于分类识别算法不是本文讨论的重点，我们将采用一种经典的算法来验证本文所建立的多维特征空间在电力线分类识别中的性能。可用于分类识别的算法有很多，如决策树、神经网络、支持向量机、贝叶斯分类器、隐马尔科夫模型等[7-12]。本文利用经典的支持向量机模型进行电力线的分类识别。给定训练样本集，分类学习最基本的想法是基于训练集在样本空间中找到一个划分超平面，将不同类别的样本分开。但能将训练样本分开的划分超平面有很多，支持向量机就是找到一个超平面所产生的分类结果是最鲁棒的，对未见示例的泛化能力最强。
表1给出了在不同的特征空间中，利用不同的训练样本和测试样本获得的电力线目标分类统计结果。可以看出，利用传统的多普勒特征，即在多普勒特征空间中进行电力线识别，识别准确率只有46.6%。而在本文所推荐的极化特征空间中进行电力线识别，准确率可达91%以上。更具体地，利用农田环境的2 000组数据作为训练样本，农田环境的500组数据作为测试样本，获得的分类准确率为95.1%；利用农田环境的2 000组数据作为训练样本，山区环境的500组数据作为测试样本，获得的分类准确率为93.2%；利用山区环境的2 000组数据作为训练样本，农田环境的500组数据作为测试样本，获得的分类准确率为91.2%。可以看出，本文所构建的特征空间用于电力线识别，可有效适应多种杂波环境。
表1 利用极化特征的电力线分类结果
特征空间训练样本测试样本训练样本量测试样本量识别率多普勒特征空间农田环境农田环境200050046.6%极化特征空间农田环境农田环境200050095.1%极化特征空间山区环境山区环境200050093.2%极化特征空间山区环境农田环境200050091.2%
在某在研直升机防撞雷达中，利用机器学习进行目标的分类是抑制虚警的其中一个环节。实际探测过程中，对电力线建立匹配的跟踪模型，并用检测前跟踪技术对电力线目标和非电力线目标进行跟踪，从而在跟踪积累过程中，可进一步降低虚警率，如图9所示，真正推动电力线预警雷达的实用化进程。
图9 极化特征使用前后虚警率对比结果
3 结束语
本文构建了一个多维极化特征空间用于电力线目标的分类识别，有助于推动电力线预警雷达走向实用化。理论分析和实测数据表明，线状物体对水平极化信号响应强而对垂直极化信号响应弱。不同杂波环境下的实测飞行数据表明，电力线目标和其他类型目标(包括虚假目标)在由水平极化回波强度、垂直极化回波强度、极化倾角等构成的极化特征空间里形成了明显的分界线，有利于区分电力线目标和其他虚假目标。利用本文所推荐的特征向量空间进行电力线目标分类，准确率可达91%以上。该方法已在某在研直升机防撞雷达中使用，有利于推动该障碍物预警雷达走向实用化。
[1] 卫青春, 杨晓亮, 赵华敏. 直升机防撞系统的电力线检测方法[J]. 无线电工程, 2012, 42(12):36-38.
[2] 陈旸, 黄巍, 管吉兴. 电力线的毫米波回波分析[J]. 无线电工程, 2013, 43(2):27-29.
[3] FUHSA E. Radar Cross Section Lectures [M]. New York: American Institute of Aeronautics and Astronautics, 1982:76-150.
[4] 肖顺平, 王雪松, 庄钊文. 雷达极化信息处理及其应用[M].北京: 国防工业出版社, 1995:25-120.
[5] KRASNOV O A, LIGTHART L P. Radar Polarimetry Using Sounding Signals with Dual Orthogonality -PARSAX Approach [C]∥ the 7th European Radar Conference,Paris:IEEE, 2010:121-124.
[6] 宋新景. 基于极化特征的雷达目标识别技术[J]. 雷达科学与技术, 2016, 14(1):39-44.
SONG Xinjing.Radar Target Recognition Based on Polarization Feature[J].Radar Science and Technology,2016, 14(1):39-44.(in Chinese)
[7] 田西兰, 郭法滨, 赵洪立. 一种基于半监督学习的弹道目标识别方法[J]. 雷达科学与技术, 2017, 15(6):651-655.
TIAN Xilan,GUO Fabin,ZHAO Hongli. A Ballistic Target Recognition Method Based on Semi-Supervised Learning[J].Radar Science and Technology,2017, 15(6):651-655.(in Chinese)
[8] CHRISTIAN L, UMUT O, FREDRIK G. Extended Target Tracking Using Polynomials with Applications to Road-Map Estimation [J]. IEEE Trans on Signal Processing, 2011, 59(1):1-12.
[9] TANG Jingjing, TIAN Yingjie, ZHANG Peng,et al. Multiview Privileged Support Vector Machines[J]. IEEE Trans on Neural Networks and Learning Systems, 2018, 29(8):3463-3477.
[10] MANOGARAN G, VIJAYAKUMAR V,VARATHARAJAN R,et al. Machine Learning Based Big Data Processing Framework for Cancer Diagnosis Using Hidden Markov Model and GM Clustering[J]. Wireless Personal Communication, 2018, 102(3):2099-2116.
[11] YONEL B, MASON E,YAZICI B. Deep Learning for Passive Synthetic Aperture Radar[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(1):90-103.
[12] QI Fugui, LIANG Fulai, LIU Miao. Position-Information-Indexed Classifier for Improved Through-Wall Detection and Classification of Human Activities Using UWB Bio-Radar [J]. IEEE Antennas and
Wireless Propagation Letters, 2019, 18(3):437-441.
