面向快速目标检测的无人机视频抗干扰传输方法技术

本发明专利技术公开了面向快速目标检测的无人机视频抗干扰传输方法，包括以下步骤：S1，初始化神经网络并定义参数；S2，无人机捕获捕获视频信息并构建状态；S3，将状态输入神经网络，获得传输视频的视频分辨率、传输信道和发射功率；S4，将视频数据传输至控制中心，控制中心反馈检测边界框尺寸、目标类别、检测置信度、检测时延和传输时延；S5，计算检测效益；S6，计算风险等级；S7，更新神经网络的权重；S8，重复步骤S2～S7，直至目标检测置信度、检测时延和传输时延满足预设值。本发明专利技术加入风险评估网络规避危险策略，利用分层机制加快优化速率；联合历史目标和当前信道状态，优化无人机视频分辨率、传输信道以及发射功率，无需预知干扰机位置和干扰模型。干扰模型。干扰模型。

【技术实现步骤摘要】
面向快速目标检测的无人机视频抗干扰传输方法


[0001]本专利技术涉及无线通信
，尤其涉及一种面向快速目标检测的无人机视频抗干扰传输方法。

技术介绍

[0002]无人机视频传输能够实现快速准确的目标检测技术，支撑交通监控和目标跟踪等应用。然而，无人机视频传输容易受到敌意干扰信号和周边设备信号的影响，致使视频数据出现模糊、卡顿以及抖动等问题，降低视频传输质量，增加特征提取难度和检测时延，严重影响目标检测的速度和精度。
[0003]在无线视频传输领域，中国专利CN111405468A提出一种基于自适应视频流协议的无人机视频传输策略，利用逐次凸近似和交替优化技术联合控制传输带宽、发射功率及无人机轨迹，使得无人机在满足能量和通信资源约束情况下，提高视频传输速率。中国专利CN115802117A提出一种多用户实时视频流跨层资源调度方法，根据用户的信干噪比、帧时延、平均接收视频速率计算所需最小带宽及流拥塞因子，确定用户优先级，降低接入带宽，提升用户数量。中国专利CN115086699A提出一种多用户动态视频传输跨层联合调度优化方案，根据用户数目、OFDM资源块个数、传输时间间隔、丢帧率、最大时延忍度、信噪比，利用深度强化学习算法调度OFDM资源块，降低视频传输时延及丢帧率。Laizhong Cui等人[Laizhong Cui,Dongyuan Su,Shu Yang,Zhi Wang,Zhong Ming,"TCLiVi:Transmission Control in Live Video Streaming Based on Deep Reinforcement Learning",in IEEE Transactions on Multimedia,vol.23,pp.651
‑
663,Apr.2020]提出直播视频流控制系统，利用深度强化学习调整压缩编码率及缓存区尺寸，降低播放失速频率、端到端时延，提高视频稳定性及比特率。。Zhiqian Jiang等人[Zhiqian Jiang,Xu Zhang,Yiling Xu,Zhan Ma,Jun Sun,Yunfei Zhang,"Reinforcement Learning Based Rate Adaptation for 360
‑
Degree Video Streaming"]提出一种视图自适应流媒体架构，利用强化学习预测及调度视图，控制传输速率，降低预测误差及缓冲时间，提高视频比特率。Sangsha Fang等人[Sangsha Fang,Hongyang Chen,Zahid Khan,Pingzhi Fan,"User Fairness Aware Power Allocation for NOMA
‑
Assisted Video Transmission With Adaptive Quality Adjustment",IEEE Transactions on Vehicular Technology,vol.71,no.1,pp.1054
‑
1059,Jan.2022]提出一种视频传输功率公平分配系统，利用二分搜索算法求解最佳功率分配，保障视频缓存区有充足的数据，提高视频质量。Xiaowei Tang等人[X.Tang；X.Huang；F.Hu,"QoE
‑
Driven UAV
‑
enabled Pseudo
‑
Analog Wireless Video Broadcast:AJoint Optimization of Power and Trajectory",in IEEE Transactions on Multimedia,vol.23,pp.2398
–
2412,Jul.2020]提出一种基于服务质量体验的无人机视频广播方案，利用块坐标下降算法和逐次凸近似算法联合优化传输功率和无人机轨迹，提高地面用户视频重构质量的最小峰值信噪比。但是上述无线视频传输方案在干扰场景下无法保障视频传输质量，导致目标检测的速度及精度降低。
[0004]在智能抗干扰传输领域，中国专利CN115603777A提出一个基于主从博弈的多域无线通信抗干扰系统，将通信方和干扰机分别建模为领导者和跟随者，利用逆向归纳法和遗传算法控制发射机发射功率及跳频周期，提高网络吞吐量。中国专利CN114337765A提出一种非理想信道状态信息下基于智能反射面的无线通信抗干扰和抗截获通信方法，在满足发射功率门限、非法窃听者信息速率门限条件下，利用凸优化和连续凸逼近算法求解发射机主动发射波束形成权矢量和智能反射面反射波束形成矢量，提高抗干扰和抗截获通信系统传输速率。。Ursula Challita等人[Ursula Challita；Aidin Ferdowsi；Mingzhe Chen；and Walid Saad；"Machine learning for wireless connectivity and security of cellular
‑
connected UAVs",IEEE Wireless Communications,vol.26,no.1,pp.28
–
35,Feb.2019]提出一种无人机实时多媒体数据流传输方案，利用长短期记忆和循环神经网络优化波束宽度、倾斜角度和弹道，提高信干噪比。但是上述三种方案依赖于在实际生活中难以准确估计的干扰模型。Liang Xiao等人[Liang Xiao；Yuzhen Ding；Jinhao Huang；Sicong Liu；Yuliang Tang；Huaiyu Dai,"UAV Anti
‑
Jamming Video Transmissions with QoE Guarantee:AReinforcement Learning Based Approach",IEEE Transactions Communications,vol.69,no.9,pp.5933
‑
5947,Sep.2021.]提出一种基于安全强化学习的无人机抗干扰视频传输方案，根据视频任务优先级选择视频压缩量化参数、信道编码速率、调制方式和发射功率，降低无人机能耗及传输时延，提高视频峰值信噪比。Quan Zhou等人[Quan Zhou,Yonggui Li,Yingtao Niu,"Intelligent Anti
‑
Jamming Communication for Wireless Sensor Networks:AMulti
‑
Agent Reinforcement Learning Approach",IEEE Open Journal of the Communications Society,vol.2,pp.775
‑
784,Feb.2021]提出一种基于多智能体强化学习的无线传感器网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向快速目标检测的无人机视频抗干扰传输方法，其特征在于，包括以下步骤：S1，初始化神经网络Q
i
和E
i
，并定义参数；S2，无人机捕获第k时隙的视频信息，并传输目标区域视频信息至控制中心，控制中心反馈控制信号，无人机根据控制信号提取上一时隙的目标检测边界框大小d
(k
‑
1)
、目标类别c
(k
‑
1)
、检测置信度ρ
(k
‑
1)
、检测时延η
(k
‑
1)
及传输时延τ
(k
‑
1)
，感知当前时刻信道状态ω
(k)
，构建状态s
(k)
＝[d
(k
‑
1)
，c
(k
‑
1)
，ρ
(k
‑
1)
，η
(k
‑
1)
，τ
(k
‑
1)
，ω
(k)
]；S3，将状态s
(k)
输入神经网络Q
i
、E
i
，分别得到不同传输策略的长期效益值Q
i
(s
(k)
,a
i
)和风险值E
i
(s
(k)
,a
i
)，其中，i＝1，2，3；根据长期效益值Q
i
(s
(k)
,a
i
)和风险值E
i
(s
(k)
,a
i
)计算视频分辨率传输信道和发射功率S4，根据视频分辨率改变视频质量，以发射功率在传输信道上将视频数据传输至控制中心，控制中心进行目标检测，统计并反馈第k时隙的目标检测边界框尺寸d
(k)
、目标类别c
(k)
、检测置信度ρ
(k)
、检测时延η
(k)
和传输时延τ
(k)
；S5，计算第k时隙的检测效益u
(k)
；S6，计算第k时隙的目标检测置信度ρ
(k)
的风险等级l
(k)
；S7，将七元组放入数组H，若H中七元组的数目大于预设的采样阈值B，则从H中按照均匀分布随机选取B个七元组更新神经网络Q
i
的权重θ
i
以及神经网络E
i
的权重其中b表示第b个采样数据；S8，重复步骤S2～S7，直至目标检测置信度大于目标检测置信度阈值，检测时延小于检测时延阈值，传输时延小于传输时延阈值。2.根据权利要求1所述的面向快速目标检测的无人机视频抗干扰传输方法，其特征在于，所述S1中定义的参数包括：无人机视频分辨率种类A1∈N
*
，视频分辨率集合A1＝{1,2,...,A1}，视频分辨率a1∈A1；传输信道总数A2∈N
*
，传输信道集合A2＝{1,2,...,A2}，传输信道a2∈A2；发射功率个数A3∈N
*
，最大发射功率P∈N
*
，发射功率集合发射功率a3∈A3；神经网络Q
i
，由三个全连接层构成，其中，1≤i≤3，包含S+i个输入神经元、F个隐藏神经元及A
i
个输出神经元，网络权重为F
×
(S+i)+A
i
×
F维向量θ
i
，θ
i
的元素根据正态分布N(0,1)随机初始化；神经网络Q
i
由三个全连接层构成，其中，1≤i≤3，包含S+i个输入神经元、F个隐藏神经元及A
i
个输出神经元，网络权重为F
×
(S+i)+A
i
×
F维向量θ
i
，θ
i
的元素根据正态分布N(0,1)随机初始化；神经网络E
i
由三个全连接层构成，其中，1≤i≤3，包含S+i个输入神经元、F个隐藏神经元及A
i
个输出神经元，网络权重为F
×
(S+i)+A
i
×
F维向量的元素根据正态分布N(0,1)随机初始化；神经网络E
i
由三个全连接层构成，其中，1≤i≤3，包含S+i个输入神经元、F个隐藏神经元及A
i
个输出神经元，网络权重为F
×
(S+i)+A
i
×
F维向量的元素根据正态分布N(0,1)随机初始化；有理数α∈(0,1]，有理数γ∈(0,1]，有理数β∈(0,1]，数组μ＝[μ0，μ1，
…
，μ
j
，
…
，μ
J
‑1]，其中有理数μ
...

【专利技术属性】
技术研发人员：肖亮，张津铭，吕泽芳，万鲲鹏，杨和林，
申请(专利权)人：厦门大学，
类型：发明
国别省市：