一种导航信号干扰源检测与识别方法及系统

1.本发明涉及信号检测定位、数据融合和图像识别领域，尤其涉及一种导航信号干扰源的检测与识别方法及系统。


背景技术：

2.近年来电磁环境日益复杂，大功率信号发射器被肆意违规使用，影响了各类无线通信的正常工作。例如，利用信号屏蔽器干扰附近区域内的导航信号，导致导航信号无法正常被接收机识别，使得导航失败。因此，目前各方正广泛开展对检测、定位导航信号干扰源的研究。现有的导航信号干扰源检测定位方法，在完成对干扰源的定位后，需要派出地面人员前往所给出的干扰源位置搜寻干扰源，并予以排除。但是，工作人员通过当前检测手段仅能知道干扰源的大概位置信息和信号参数信息，而不知道干扰源实际外形等形象化的信息，因此当工作人员到达预定位置后，还需要对预定位置附近的疑似目标进行逐一排查，或者是使用手持式信号测向设备来进一步定位干扰源，耗费时间长，排查效率低。特别是干扰源处于运动状态时，对干扰源的排查则更为困难。


技术实现要素：

3.针对上述问题，本发明提供了一种导航信号干扰源检测与识别方法及系统，能够准确检测、识别导航信号干扰源并记录其外形特征，在工作人员到达现场之前先完成对可疑干扰源目标的精准检测与识别，为后续工作人员的排除提供帮助。
4.本发明提供的一种导航信号干扰源检测与识别方法，包括以下步骤：
5.步骤1，获取并处理干扰源特征信息，实现对干扰源的定位；
6.地面信号检测终端采集干扰源发射的电磁波信号，将信号参数及终端信息发送给数据处理中心，数据处理中心融合多个所述信号检测终端发送的数据，对干扰源定位；
7.步骤2，数据处理中心实时将干扰源位置发送给无人机，控制无人机抵近干扰源所在位置，检测定位干扰源并获取干扰源所在区域图像；
8.所述无人机上搭载干扰信号检测终端，该终端持续跟踪干扰源发射的电磁波信号，提取信号参数，并将相应航迹信息传回数据处理中心；无人机还利用该终端在航迹上不同观测点对干扰源观测获取干扰源方位，确定干扰源位置，以修正飞行方向；其中，无人机确定干扰源位置，修正飞行方向的方法为：采用无迹卡尔曼滤波算法，由k时刻无人机位置，按照预设步长遍历当前无人机所有可能的飞行方向，估计无人机下一个位置和干扰源的相对位置，得到无人机下一相对位置估计量的均方误差，以均方误差最小的航迹方向作为无人机在k+1时刻的飞行方向；
9.步骤3，对无人机采集图像进行预处理，删除效果不好的图像；
10.步骤4，将预处理后得到的无人机采集图像导入地理信息系统(gis)，与gis存储的区域地图信息进行融合；
11.步骤5，从无人机采集图像中检测、识别干扰源并记录其外形特征。
12.进一步的，所述步骤1，地面信号检测终端对采集的干扰源发射的电磁波信号进行预处理，得到信号频率、强度、方向和时间等相关参数，将信号相关参数和终端自身经纬度坐标等信息传回数据处理中心；数据处理中心将信号检测终端采集的所述信号相关参数进行融合，初步得到包括干扰源经纬度定位信息等特征信息。
13.进一步的，所述步骤2，数据处理中心将干扰源特征信息传给无人机，并持续更新信息，无人机通过三角定位和无迹卡尔曼滤波检测定位干扰源；无人机按照其导航模块的引导进行航迹规划，自动抵近所述干扰源坐标，期间无人机搭载的信号检测终端持续跟踪该信号，并提取信号相关参数和相应航迹信息传回数据中心；无人机到达干扰源坐标附近后，将实时录像传回数据处理中心。
14.进一步的，所述步骤3，对无人机采集图像进行预处理的具体过程为：将无人机采集图像与航迹信息进行时间同步，搜索拍摄时无人机距离干扰源坐标过远或者无人机姿态角过大的图像，予以排除；对经过筛选的无人机采集图像进行对比度增强等处理。
15.进一步的，所述步骤4，将无人机采集图像与gis存储的区域地图信息进行融合的具体过程为：从无人机采集图像选取大量容易识别的特征点作为控制点；调用gis库内以干扰源坐标为中心的区域地图信息；选取适量控制点建立校正模型，并以此对无人机采集图像进行重采样内插，完成几何校正、配准；确定无人机采集图像表示的经纬度范围。
16.进一步的，所述步骤5，对步骤3融合了gis信息的所有无人机采集图像，均从中筛选出与干扰源位置坐标相同或者相近的疑似物体；统计疑似物体的出现频率并降序排序，将排序靠前的物体判定为疑似干扰源，存储并显示该识别结果，同时在gis地图中标记出该干扰源及相关信息。
17.相应地，本发明提供的一种导航信号干扰源检测与识别系统，包括信号检测终端、无人机单元以及数据处理中心；其中：
18.信号检测终端，采用多固定终端组网，用于获取检测区域内的信号并提取信号有关参数，将信号相关参数及终端自身位置发送给数据处理中心；
19.无人机单元，用于获取目标干扰源电磁波信息和干扰源所在区域图像，并发送给数据处理中心；
20.数据处理中心，用于处理信号检测终端和无人机获取到的所述干扰源相关信息，融合多终端获取的干扰源信息，检测目标干扰源的存在与否并实现对所述干扰源的交叉定位，将干扰源位置发送给无人机；融合所述无人机获取的干扰源所在区域图像与地理信息系统信息，实现对所述导航信号干扰源的图像识别。
21.所述的无人机单元的微控制器模块中设置有干扰源定位模块，用于根据在航迹上不同观测点对干扰源观测的信号确定干扰源方位，确定方法为：采用无迹卡尔曼滤波方法，由k时刻无人机位置，按照预设步长遍历当前无人机所有可能的飞行方向，估计无人机下一个位置和干扰源的相对位置，得到无人机下一相对位置估计量的均方误差，以均方误差最小的航迹方向作为无人机在k+1时刻的飞行方向。
22.所述的数据处理中心，对无人机采集图像进行预处理，删除超过距离阈值以及超过姿态角阈值的图像，对筛选的无人机采集图像进行对比度增强，然后将图像导入地理信息系统gis进行融合，确定每张无人机采集图像表示的经纬度范围；对确定了经纬度范围的所有无人机采集图像，均从中筛选出与干扰源位置坐标相同或者相近的疑似物体，统计疑
似物体的出现频率并降序排序，将排序靠前的物体判定为疑似干扰源。
23.相比现有技术，本发明的优点与积极效果在于：
24.本发明方法能够在覆盖范围内对导航信号干扰源进行实时检测和定位，无人机利用无迹卡尔曼滤波结合最优机动航迹规划进行干扰源定位，提高了对干扰源定位精度；能够识别信号特征，并对干扰源进行分类；能够利用无人机对干扰源进行抵近识别，并记录干扰源外形图像，为后续工作人员快速排查目标提供保证；利用gis系统和可视化平台呈现检测区域地图和干扰源具体位置及相关信息。本发明方法解决了传统的导航信号干扰源检测定位方法中，需要工作人员到达现场后利用手持式检测设备逐一排查疑似目标，耗费时间长，效率低下，以及难以定位排查运动目标的问题。
25.本发明系统利用检测终端网络和无人机检测导航信号干扰源，部署方便，组成灵活，可移动性强；能够按照要求，采集信号，识别信号特征，对信号进行测向并定位干扰源；采集检测区域和疑似导航信号干扰源的图像；融合多源信息，对导航信号干扰源实施精准的检测和识别。
附图说明
26.图1是本发明的一种导航信号干扰源检测与识别方法的流程示意图；
27.图2是本发明的无人机定位算法的一个仿真结果示意图；
28.图3是本发明的一种导航信号干扰源检测与识别系统的组成框图。
具体实施方式
29.为了使本发明的目的、技术方案及优点更加清楚，易于理解，下面对本发明的具体实施方式进行描述。应当理解，此处所描述的具体实施方式仅仅用意解释本发明，并不限定于本发明，一切利用本发明构思的发明创造均在保护之列。
30.如图1所示，本发明实施例实现的一种导航信号干扰源检测与识别方法，包括步骤，下面对各步骤的实现进行说明。
31.步骤1，获取并处理干扰源特征信息，实现对干扰源的定位，具体过程为：
32.地面设立的信号检测终端采集干扰源发射的电磁波信号，进行预处理后，将获取的信号频率、强度、方向、时间等相关参数和检测终端自身经纬度坐标传回数据处理中心；
33.数据处理中心将多个信号检测终端采集的相关参数进行融合，初步得到包括干扰源经纬度定位信息等特征信息。
34.步骤2，控制无人机抵近导航信号干扰源所在位置，获取导航信号干扰源所在区域图像，具体过程为：
35.数据处理中心将干扰源特征信息传给无人机，并持续根据信号检测终端发送的数据计算干扰源位置，更新位置特征信息；
36.无人机按照组合卫星导航定位模块和视觉slam(同步定位与建图)导航模块的引导进行航迹规划，自动抵近干扰源坐标，期间无人机搭载的干扰信号检测终端根据干扰源特征信息持续跟踪该干扰信号，并提取信号相关参数传回数据处理中心；同时无人机利用搭载的干扰信号检测终端通过在飞行航线上不同观测点对干扰源进行观测获取干扰源方位信息，利用三角定位原理来获取干扰源位置，减小定位误差。通过无人机对干扰源进行定
位时环境和自身系统的噪声会导致测得的干扰信号来波方向存在误差，进而造成干扰源定位上的误差。此外，无人机在进行单站无源定位干扰源时，其基于方位信息所建立的直角坐标系模型一般是非线性的，所以本发明在此采用了适用于非线性系统状态估计的无迹卡尔曼滤波(ukf)方法。
37.设干扰源s的三维坐标xs＝(xs，ys，zs)，无人机从原点x0＝(x0，y0，z0)出发并以速度u＝(u
x
，uy，uz)匀速直线飞行，在k时刻无人机在观测位置(x
ok
，y
ok
，z
ok
)测得方位角θk和俯仰角一般干扰源为慢速或固定目标，因此相对于高速移动的无人机可近似于固定状态，以无人机速度为输入可得系统方程为：
[0038][0039]
其中，xk＝(xk，yk，zk)＝(x
0-x
ok
，y
0-y
ok
，z
0-z
ok
)为k时刻目标信号干扰源与无人机的相对位置向量；类似的，x
k+1
为k+1时刻目标信号干扰源与无人机的相对位置向量，为状态向量；uk为k时刻无人机的速度向量，本发明实施例中设无人机匀速飞行，即uk＝u；ak∈r
n*n
，bk∈r
n*l
分别为系数矩阵，n∈n+，l∈n+，分别为位置向量和速度向量的维数，n+为正整数集；wk为零均值，协方差qk的高斯白噪声；ωk为k时刻无人机的测量向量；h(xk)＝vk为独立于wk的零均值，协方差rk的高斯白噪声。
[0040]
根据无迹卡尔曼滤波，首先构造(2n+1)个sigma点，如下：
[0041][0042][0043][0044]
其中，n为状态向量维数；为k时刻的系统状态估计量x
k|k
的均值；λ为缩放因子，控制sigma点与状态均值的分离距离，λ越大，sigma点就越远离均值，λ越小，sigma点就越靠近均值；λ＝α2(n+γ)-n，α决定状态均值周围sigma点的分布状态，通常0＜α＜1，γ应当保证(n+λ)p
k|k
为半正定矩阵，通常γ＝3-n，且应为非负数；p
k|k
为k时刻状态估计方差矩阵。
[0045]
其次，构造各个sigma点xi对应权值wi如下：
[0046][0047][0048][0049]
其中，和分别用于计算状态均值和方差；β为状态分布参数，调整β可提
高方差精度。
[0050]
sigma点进行非线性状态函数传递，依据k时刻的状态xi(k|k)预测k+1时刻的状态xi(k+1|k)：
[0051]
xi(k+1|k)＝akxi(k|k)+bku
k i＝1，...，2n
ꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0052]
一步状态预测均值阳方差p
k+1|k
为：
[0053][0054][0055]
其中，i＝1，...，2n。
[0056]
类似的，量测一步状态预测均值方差p
(ω)k+1|k
和协方差p
(xω)k+1|k
为：
[0057]
εi(k+1|k)＝h(xi(k|k))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0058][0059][0060][0061]
其中，εi(k+1|k)为依据k时刻的状态xi(k|k)预测k+1时刻的量测值，即方位角和俯仰角；为预测的k+1时刻的量测值的均值；p
(ω)k+1|k
为预测的k+1时刻的量测值的方差；p
(xω)k+1|k
为预测的k+1时刻的状态与量测的协方差；上角标t表示矩阵转置；rk为量测噪声协方差；i＝1，...，2n。
[0062]
最后可得k+1时刻的滤波增益k
k+1
、状态估计值x
k+1
和估计方差p
k+1|k+1
为：
[0063]kk+1
＝p
(xω)k+1|k
p
(xω)k+1|k-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0064][0065][0066]
其中，ω
k+1
为k+1时刻无人机的测量值。
[0067]
对于无人机航迹规划，采取单步最优策略。根据无迹卡尔曼滤波算法，由k时刻无人机位置x
k|k
，按照预设步长遍历当前无人机的所有可能飞行方向，估计无人机下一个位置和无人机与目标信号干扰源的相对位置，得到估计量x
k+1
的均方误差p
k+1|k+1
，并以p
k+1|k+1
最小的航迹方向作为无人机k+1时刻的飞行方向。
[0068]
参考实际定位要求对上述算法进行仿真，设置目标信号干扰源位置xs＝(10km，10km，0km)，无人机初始位置x0＝(0m，0m，300m)，无人机速度u＝(20m，10m，0m)，观测周期1s，观测次数200，并采用相对定位误差评价算法精度，以5％表示算法收敛，相对定位误差r
的定义如下：
[0069][0070]
仿真结果如图2所示，随更新次数的增加，无人机与目标信号干扰源的相对定位误差不断缩小，即无人机趋于接近目标信号干扰源位置，证明采用无迹卡尔曼滤波后能有效定位干扰源；同时，在采用无迹卡尔曼滤波算法并结合最优机动航迹规划后，从整体上提高了定位的稳定性和准确性。
[0071]
上述方法需要给定确定的系统方程和先验噪声协方差，为克服传统无迹卡尔曼滤波算法对系统模型和先验噪声协方差的依赖，可采用高斯回归过程对训练数据进行学习，获取系统方程的回归模型及噪声协方差。在估计定位位置时，采用所得的回归模型作为系统状态方程和量测方程，并由高斯过程实施自适应求取状态噪声和量测噪声。
[0072]
此外，上述方法构造sigma点和权值时涉及的参数调节繁琐、计算量大，对此可采用球型无迹变换构造权值和sigma点，减少计算量：
[0073][0074][0075][0076]
其中，一般取0；为n维向量，其具体表达式为：
[0077][0078]
设j＝2，3，..，n，的取值为
[0079][0080]
无人机到达目标信号干扰源坐标附近后，利用无人机的摄像头进行拍摄并将实时录像和相应航迹信息传回数据处理中心，数据处理中心对视频抽帧获取图像进行后续处理，减少所需处理的数据量。
[0081]
步骤3，数据处理中心对无人机采集的图像进行预处理，具体过程为：
[0082]
将无人机采集图像与航迹信息进行时间同步，预先设置距离阈值和姿态角阈值，筛除拍摄时无人机距离干扰源坐标过远或者无人机姿态角过大的图像；
[0083]
对经过筛选的无人机采集图像进行对比度增强等处理。
[0084]
步骤4，数据处理中心将预处理获得的无人机采集图像导入地理信息系统(gis)，与gis存储的区域地图信息进行融合，具体过程为：
[0085]
(1)从无人机采集图像选取大量容易识别的特征点作为控制点。
[0086]
采用sift(scale-invariant feature transform，尺度不变特征变换)算法，构建尺度空间l(x，y，σ)：
[0087]
l(x，y，σ)＝g(x，y，σ)*i(x，y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0088][0089]
其中，g(x，y，σ)为高斯核函数，i(x，y)为无人机相机所拍摄的图像，(x，y)为无人机所拍摄图像中像素点的坐标；σ为尺度系数，表示图像去噪程度。
[0090]
利用高斯差分(difference of gaussians，dog)算子检测尺度空间的有效极值点，将其选为特征点。dog算子定义为：
[0091]
d(x，y，σ)＝[g(x，y，qσ)-g(x，y，σ)]
×
i(x，y)
ꢀꢀꢀꢀꢀꢀ
(23)
[0092]
其中，q为两个相邻尺度间的比例因子。
[0093]
在初步获得特征点后，利用d(x，y，σ)的hessian矩阵计算dog空间下图像的曲率，剔除曲率大于阈值，即位于边缘的特征点。
[0094]
此外，将高斯差分算子二阶泰勒展开，从而确定图像中特征点的位置和尺度，删除对比度低于要求阈值的特征点：
[0095][0096]
其中，x＝(x，y，σ)
t
，为真实极值点和当前极值点间的相对误差；d表示d(x)在当前极值点的极值大小。
[0097]
利用特征点邻域内像素的梯度方向分布特性为每个特征点l(x，y)指定方向参数，从而使高斯差分算子具备了旋转不变性。对于特征点邻近区域内的每一个像素都按照公式(25)、(26)计算其梯度的幅值m(x，y)和梯度的方向θ(x，y)。
[0098][0099][0100]
计算sift控制点描述子。选取特征点周围窗口并分区，计算每个子区域的8方向梯度，由每个方向梯度计算得到一个一维直方图向量，所有特征向量便是该控制点的描述子。
[0101]
(2)调用gis库内以目标信号干扰源为中心的区域地图信息，类似地选取控制点。
[0102]
(3)以控制点建立校正模型，并以此对无人机采集图像进行重采样内插，采用控制点特征向量的欧式距离作为两幅图像中控制点的相似性判定度量，完成几何校正、配准。
[0103]
(4)确定无人机采集图像表示的经纬度范围并赋予无人机采集图像每个图像块以经纬度坐标。若所有无人机采集图像表示的经纬度范围不包含目标信号干扰源坐标，甚至
相距甚远，则判断无人机卫星导航模块受到干扰，由无人机图像与gis信息融合确定当前无人机坐标位置，再结合视觉slam导航引导无人机抵近目标信号干扰源位置。
[0104]
步骤5，从无人机采集图像中检测、识别导航信号干扰源并记录其外形特征，具体过程为：
[0105]
根据干扰源坐标，筛选出无人机图像中与目标信号干扰源经纬度坐标相同或相近的疑似物体；
[0106]
对所有经过步骤3和4处理的无人机图像重复上述检测筛选，对所检测出的疑似目标信号干扰源物体在图像中的出现频率进行统计并排序，将所有疑似物体中出现频率最高的一部分判定为疑似干扰源，而后依据定位坐标及其他辅助信息做进一步判断或采用人工判断，得到最终的干扰检测定位结果，同时在gis地图中标记出该干扰源的位置及相关干扰评估信息。
[0107]
地面信号检测终端、无人机平台和数据处理中心之间由于通过4g/5g传输，由于ip地址动态分配而无法实现彼此间直接通信，所以采用了mqtt(message queuing telemetry transport，消息队列遥测传输)协议实现通信，其可靠、轻量、低功耗的特点满足了移动设备信号传输的需要。信号检测终端、无人机平台和数据处理中心作为客户端，既是发布者(publisher)又是订阅者(subscriber)，负责消息的发布与接收，设置云服务器作为消息代理(broker)。信号检测终端、无人机平台和数据处理中心彼此间不需要预先知道对方的存在，更不需要沟通ip地址，只需要将欲发送的信息按照预定的主题、格式发送到云服务器，就会被自动转发给所有订阅了该主题订阅者。
[0108]
此外，利用mqtt的遗嘱机制，事先确定遗嘱，例如当某个信号检测终端意外下线，就自动发送遗嘱通知其余终端和数据处理中心，及时告知工作人员进行处理。设置重发机制和信息持久化，当终端发送数据未收到回应时便自动重发，同时在云服务器上存储消息，当下线终端重新上线时便可以接收到服务器上所存储的消息。
[0109]
如图3所示，本发明还公开了一种导航信号干扰源检测与识别系统，包括：
[0110]
信号检测终端，采用多固定终端组网，用于获取检测区域内的信号并提取信号相关参数，将信号相关参数及终端自身位置发送给数据处理中心；
[0111]
无人机单元，用于获取目标干扰源电磁波信息和干扰源所在区域图像；
[0112]
数据处理中心，用于处理信号检测终端和无人机获取到的干扰源相关信息，融合多终端获取的干扰源信息，检测目标干扰源的存在与否并实现对干扰源的交叉定位；融合无人机获取的干扰源所在区域图像与地理信息系统信息，实现对干扰源的图像识别。
[0113]
信号检测终端包括信号采集模块、卫星定位模块、数据传输模块、传感器模块、数据存储模块、微控制器模块和电源模块。传感器模块包括温湿度传感器模块和加速度传感器模块。
[0114]
信号采集模块包括天线、下变频器、信号接收机等，用于采集要求范围内的电磁波信号。
[0115]
卫星定位模块是定位信号检测终端，以便于后续实现对干扰源的定位。
[0116]
温湿度传感器模块用于采集信号检测终端所处的温湿度环境，以便于判断系统能否正常工作以及采取必要措施保持合理温湿度。
[0117]
加速度传感器模块检测系统是否处于不正常的位移状态，属于防盗措施。
[0118]
数据传输模块可采用4g/5g、蓝牙、lora等无线通信技术，实现与数据处理中心和其他信号检测终端的通信。
[0119]
数据存储模块存储信号检测终端获取到的数据，尤其是数据传输模块出现故障时及时存储相关数据，避免数据丢失。
[0120]
微控制器模块控制所属终端各模块正常工作，实现任务调度、中断处理等功能。
[0121]
电源模块采用太阳能，为信号检测终端自主供电。
[0122]
无人机单元在无人机上搭载有视频采集模块、信号采集模块、数据传输模块、数据存储模块和微控制器模块。
[0123]
信号采集模块用于接收并跟踪干扰源信号。
[0124]
视频采集模块包括摄像头、云台等，用于获取干扰源所在区域视频。
[0125]
数据传输模块可采用4g/5g、蓝牙、lora等无线通信技术，实现与数据处理中心的通信，传输获取的信号参数、实时视频、无人机工作信息等。
[0126]
数据存储模块存储信号采集模块和视频采集模块获取到的数据，尤其是数据传输模块出现故障时及时存储相关数据，避免数据丢失。
[0127]
微控制器模块控制无人机单元上各功能模块正常工作，实现任务调度、中断处理等功能。本发明中无人机的微控制器模块中还设置有干扰源定位模块，根据在航迹上不同观测点获取的干扰源信号确定干扰源方位，以修正飞行方向，具体该干扰源定位模块的功能实现如上述步骤2所述，此处不再赘述。
[0128]
数据处理中心包括信号处理模块、gis模块、数据传输模块、图像处理模块、目标检测模块以及显示模块。数据处理中心定时实时根据接收到的干扰源信号参数更新干扰源位置，并发送给无人机。
[0129]
信号处理模块处理信号检测终端和无人机所采集的信号参数，将多源数据进行融合，根据信号频率、来源方向、获取时间和终端定位信息等来选择同一信号的信息进行交叉定位，确定目标信号的经纬度坐标。
[0130]
gis模块用于提供检测区域的地理信息，并可输出可视化三维地图。
[0131]
数据传输模块可采用4g/5g、蓝牙、lora等无线通信技术，实现与信号检测终端、无人机单元的通信。
[0132]
图像处理模块用于从无人机单元的实时视频进行抽帧，进行图像增强等预处理，并与gis信息进行融合实现对图像的几何校正，确定图像的精确坐标范围。图像处理模块的实现参见上述步骤3和4，此处不再赘述。
[0133]
目标检测模块根据干扰源定位信息和经过校正的无人机图像，实现对疑似干扰源目标的检测。目标检测模块实现对疑似干扰源的检测如上述步骤5，此处不再赘述。
[0134]
显示模块分屏显示各模块所提供的信息。
[0135]
本发明实现的导航信号干扰源检测与识别装置及方法，利用检测终端网络和无人机检测导航信号干扰源，部署方便，组成灵活，可移动性强；能够在覆盖范围内对导航信号干扰源进行实时检测和定位，能够按照要求采集信号，识别信号特征，对干扰源进行分类；利用无人机对干扰源进行抵近识别，采集检测区域和疑似导航信号干扰源的图像，可对干扰源实施精准的检测和识别，为后续工作人员快速排查目标提供保证，解决了传统的导航信号干扰源检测定位方法中，需要工作人员到达现场后利用手持式检测设备逐一排查疑似
目标，耗费时间长，效率低下，以及难以定位排查运动目标的问题。