Выбор акустических признаков в задачах обнаружения беспилотных летательных аппаратов

С ростом числа инцидентов, связанных с неправомерным использованием беспилотных летательных аппаратов (БПЛА), повышается актуальность разработки эффективных методов их автоматического обнаружения. В статье выполнен краткий обзор современных подходов к обнаружению БПЛА, особое внимание уделено методам акустического мониторинга, обладающим рядом преимуществ по сравнению с радиочастотными и визуальными системами. Рассмотрены основные акустические признаки, используемые для распознавания звуковых сигналов дронов, а также методы их выделения с помощью открытых библиотек Librosa и Essentia. Для исследования эффективности различных признаков сформирован и использован сбалансированный датасет, включающий аудиозаписи дронов и фоновых шумов. Апробирована методика многоэтапного отбора признаков с применением библиотеки Feature-engine, включающая удаление неизменяющихся (константных) и дублирующихся признаков, корреляционный анализ и оценку значимости признаков. В результате получено подмножество из 53 акустических признаков, обеспечивающее компромисс между качеством обнаружения БПЛА и вычислительными затратами. Описаны математические основы формирования спектральных признаков, в том числе различные типы спектрограмм (мел-, барк- и гамматон-спектрограммы), векторные и скалярные акустические признаки. Полученные результаты могут быть использованы при построении систем автоматического акустического обнаружения БПЛА, базирующихся на методах машинного обучения.

1. Seidaliyeva U., Ilipbayeva L., Taissariyeva K., Smailov N., Matson E.T. Advances and Challenges in Drone Detection and Classification Techniques: A State-of-the-Art Review. Sensors. 2023;24(1). https://doi.org/10.3390/s24010125

2. Lee H., Han S., Byeon J.-I., et al. CNN-Based UAV Detection and Classification Using Sensor Fusion. IEEE Access. 2023;11:68791–68808. https://doi.org/10.1109/ACCESS.2023.3293124

3. Tejera-Berengue D., Zhu-Zhou F., Utrilla-Manso M., Gil-Pita R., Rosa-Zurera M. Analysis of Distance and Environmental Impact on UAV Acoustic Detection. Electronics. 2024;13(3). https://doi.org/10.3390/electronics13030643

4. Patel K., Ramirez L., Canales D., Rojas E. Unmanned Aerial Vehicles Detection Using Acoustics and Quantum Signal Processing. In: 2024 AIAA Science and Technology Forum and Exposition, 08–12 January 2024, Orlando, FL, USA. American Institute of Aeronautics and Astronautics; 2024. https://doi.org/10.2514/6.2024-1740

5. Taha B., Shoufan A. Machine Learning-Based Drone Detection and Classification: State-of-the-Art in Research. IEEE Access. 2019;7:138669–138682. https://doi.org/10.1109/ACCESS.2019.2942944

6. Najafi Ja., Mirzakuchaki S., Shamaghdari S. Autonomous Drone Detection and Classification Using Computer Vision and Prony Algorithm-Based Frequency Feature Extraction. Journal of Intelligent & Robotic Systems. 2025;111(1). https://doi.org/10.1007/s10846-024-02216-x

7. Zhang Yi.D., Xiang X., Li Yi, Chen G. Enhanced Micro-Doppler Feature Analysis for Drone Detection. In: 2021 IEEE Radar Conference (RadarConf21), 07–14 May 2021, Atlanta, GA, USA. IEEE; 2021. P. 1–4. https://doi.org/10.1109/RadarConf2147009.2021.9455228

8. Souli N., Theodorou I., Kolios P., Ellinas G. Detection and Tracking of Rogue UASs Using a Novel Real-Time Passive Radar System. In: 2022 International Conference on Unmanned Aircraft Systems (ICUAS), 21–24 June 2022, Dubrovnik, Croatia. IEEE; 2022. P. 576–582. https://doi.org/10.1109/ICUAS54217.2022.9836054

9. McCoy J., Rawat D.B. Optimized Machine Learning Based Multimodal UAV Detection Using Ensemble Stacking. In: 2024 IEEE 6th International Conference on Cognitive Machine Intelligence (CogMI), 28–31 October 2024, Washington, DC, USA. IEEE; 2024. P. 40–49. https://doi.org/10.1109/CogMI62246.2024.00016

10. Zahid Rao A., Shahid Siddique S., Danish Mujib M., Abul Hasan M., Alokaily A.O., Tahira T. Sensor Fusion and Machine Learning for Seated Movement Detection with Trunk Orthosis. IEEE Access. 2024;12:41676–41687. https://doi.org/10.1109/ACCESS.2024.3377111

11. Wang Ye, Chen Yu., Choi J., Kuo C.-C.J. Towards Visible and Thermal Drone Monitoring with Convolutional Neural Networks. APSIPA Transactions on Signal and Information Processing. 2019;8(1). https://doi.org/10.1017/ATSIP.2018.30

12. Guo Ju., Ahmad I., Chang K. Classification, Positioning, and Tracking of Drones by HMM Using Acoustic Circular Microphone Array Beamforming. EURASIP Journal on Wireless Communications and Networking. 2020;2020(1). https://doi.org/10.1186/s13638-019-1632-9

13. Diao Yu., Zhang Yi., Zhao G., Khamis M. Drone Authentication via Acoustic Fingerprint. In: ACSAC '22: Proceedings of the 38th Annual Computer Security Applications Conference, 05–09 December 2022, Austin, TX, USA. New York: Association for Computing Machinery; 2022. P. 658–668. https://doi.org/10.1145/3564625.3564653

14. Deleforge A., Carlo D.D., Strauss M., Serizel R., Marcenaro L. Audio-Based Search and Rescue with a Drone: Highlights from the IEEE Signal Processing Cup 2019 Student Competition. IEEE Signal Processing Magazine. 2019;36(5):138–144. https://doi.org/10.1109/MSP.2019.2924687

15. Marple S.L., Jr. Digital Spectral Analysis. Mineola, New York: Dover Publications; 2019. 432 p.

16. Haykin S., Liu K.J.R. Handbook on Array Processing and Sensor Networks. Hoboken: John Wiley & Sons; 2009. 924 p.

17. Flanagan J.L. Speech Analysis Synthesis and Perception. Berlin, Heidelberg: Springer; 1972. 446 p. https://doi.org/10.1007/978-3-662-01562-9

18. O’Shaughnessy D. Speech Communication: Human and Machine. Reading: Addison-Wesley; 1990. 548 p.

19. Traunmüller H. Analytical Expressions for the Tonotopic Sensory Scale. The Journal of the Acoustical Society of America. 1990;88(1):97–100.

20. Van Gisbergen J.A.M., Grashuis J.L., Johannesma P.I.M., Vendrik A.J.H. Neurons in the Cochlear Nucleus Investigated with Tone and Noise Stimuli. Experimental Brain Research. 1975;23(4):387–406. https://doi.org/10.1007/BF00238022

21. Davis S., Mermelstein P. Comparison of Parametric Representations for Monosyllabic Word Recognition in Continuously Spoken Sentences. IEEE Transactions on Acoustics, Speech, and Signal Processing. 1980;28(4):357–366. https://doi.org/10.1109/TASSP.1980.1163420

22. Xu M., Duan L.-Yu, Cai J., Chia L.-T., Xu Ch., Tian Q. HMM-Based Audio Keyword Generation. In: Advances in Multimedia Information Processing – PCM 2004: 5th Pacific Rim Conference on Multimedia: Proceedings: Part III, 30 November – 03 December 2004, Tokyo, Japan. Berlin, Heidelberg: Springer; 2004. P. 566–574. https://doi.org/10.1007/978-3-540-30543-9_71

23. Qi J., Wang D., Xu J., Tejedor J. Bottleneck Features Based on Gammatone Frequency Cepstral Coefficients. In: INTERSPEECH 2013: 14th Annual Conference of the International Speech Communication Association, 25–29 August 2013, Lyon, France. ISCA; 2013. P. 1751–1755. https://doi.org/10.21437/Interspeech.2013-435

24. Bartsch M.A., Wakefield G.H. Audio Thumbnailing of Popular Music Using Chroma-Based Representations. IEEE Transactions on Multimedia. 2005;7(1):96–104. https://doi.org/10.1109/TMM.2004.840597

25. Müller M., Kurth F., Clausen M. Audio Matching via Chroma-Based Statistical Features. In: ISMIR 2005: 6th International Conference on Music Information Retrieval: Proceedings, 11–15 September 2005, London, UK. 2005. P. 288–295. https://doi.org/10.5281/zenodo.1416799

26. Jiang D.-N., Lu L., Zhang H.-J., Tao J.-H., Cai L.-H. Music Type Classification by Spectral Contrast Feature. In: IEEE International Conference on Multimedia and Expo: Proceedings, 26–29 August 2002, Lausanne, Switzerland. IEEE; 2002. P. 113–116. https://doi.org/10.1109/ICME.2002.1035731

27. De Cheveigné A., Kawahara H. YIN, a Fundamental Frequency Estimator for Speech and Music. The Journal of the Acoustical Society of America. 2002;111(4):1917–1930.

28. Klapuri A. Qualitative and Quantitative Aspects in the Design of Periodicity Estimation Algorithms. In: 2000 10th European Signal Processing Conference, 04–08 September 2000, Tampere, Finland. IEEE; 2000. P. 1–4.