本文介绍了一项基于运动特征和随机森林模型（Random Forest Model）的鸟类与无人机目标分类研究。该研究由Jia Liu、Qun Yu Xu和Wei Shi Chen共同完成，分别来自北京航空航天大学前沿科学研究院、中国民航科学技术研究院民航法规与标准化研究所和中国民航科学技术研究院机场研究所。该论文于2021年11月23日发表在《IEEE Access》期刊上，DOI为10.1109/ACCESS.2021.3130231。
随着无人机（UAV）技术的快速发展，尤其是多旋翼无人机在多个领域的广泛应用，无人机带来的安全隐患也日益凸显。特别是在低空空域，无人机与鸟类等非合作目标的共存使得准确识别和跟踪无人机变得尤为重要。雷达作为长距离监测的主要技术手段，虽然在无人机监测中具有优势，但由于无人机和鸟类在雷达回波信号上的高度相似性，传统的雷达监测技术难以有效区分这两类目标。此外，地面杂波、多径效应和降水等环境干扰进一步增加了无人机目标分类的难度。因此，开发一种能够在复杂环境下准确区分无人机、鸟类和环境干扰的目标分类方法具有重要的现实意义。
本研究提出了一种基于目标运动特征的分类方法，通过从雷达轨迹中提取目标的运动特征，构建新的特征空间，并利用随机森林模型进行分类。具体研究流程包括以下几个步骤：
飞行机制与行为模式分析：首先，研究分析了鸟类和无人机在飞行机制和行为模式上的差异。无人机通过旋翼控制实现多种机动动作，而鸟类则通过翅膀的拍打和姿态调整实现飞行。这些差异在雷达轨迹中表现为不同的运动特征。
运动特征提取：研究从雷达轨迹中提取了五个动态描述符（descriptors），包括平均速度、速度标准差、航向标准差、机动性因子和振荡因子。这些描述符能够全面描述目标的运动特征，并构建统一的特征向量。
随机森林模型分类：研究选择了随机森林模型作为分类器，利用提取的特征向量对目标进行分类。随机森林模型具有噪声容忍能力强、不易过拟合等优点，适合处理样本质量不确定的问题。
实验验证：研究通过在中国北海机场部署的鸟类监测雷达系统收集的真实数据进行验证。实验结果表明，该方法能够有效区分鸟类、四旋翼无人机和动态降水杂波，整体分类准确率超过85%。
特征提取与分类性能：通过提取五个动态描述符，研究构建了一个新的特征空间，能够有效区分鸟类、无人机和降水杂波。随机森林模型在分类任务中表现出色，整体分类准确率超过85%。
Gini重要性分析：研究通过Gini重要性描述符评估了各个特征在分类中的贡献。机动性因子在分类中贡献最大，而平均速度的贡献较小。这一结果与经验分析一致，表明Gini重要性描述符能够为特征选择提供有价值的参考。
实验验证：研究通过五折交叉验证和自验证实验验证了分类器的性能。结果表明，分类器在处理复杂低空目标监测问题时具有较高的准确性和鲁棒性。
本研究提出了一种基于运动特征和随机森林模型的无人机目标分类方法，能够有效区分鸟类、无人机和降水杂波。该方法无需对雷达硬件或信号处理器进行额外修改，具有较高的灵活性和通用性。研究结果表明，该方法在复杂低空目标监测场景中具有较高的应用价值。未来的研究可以进一步探索多尺度目标跟踪、雷达回波特征融合以及认知雷达理论的应用，以进一步提高无人机目标识别的准确性。
尽管本研究取得了显著的成果，但仍存在一些局限性。未来的研究可以进一步探索多尺度目标跟踪、雷达回波特征融合以及认知雷达理论的应用，以进一步提高无人机目标识别的准确性。此外，研究还可以考虑引入更多的信息源，如环境监测数据，以进一步提高分类性能。