雷達恒虛警目標檢測處理技術(shù)綜述

秦天慈 ,王中訓(xùn),黃 勇,劉 言,尉豪軒

(1. 煙臺大學(xué)物理與電子信息學(xué)院,山東 煙臺 264005;2. 海軍航空大學(xué),山東 煙臺 264001)

0 引言

非平穩(wěn)背景中若采取固定門限進行雷達目標檢測,虛警率(Pfa)會隨雜波功率增加而急劇增加。虛警率是衡量雷達信號檢測性能的重要指標,恒虛警(constant false alarm rate,CFAR)目標檢測技術(shù)是根據(jù)雜波水平的變化自適應(yīng)地改變檢測門限,以獲得恒定虛警率條件下的最大檢測概率[1]。

對不同雜波環(huán)境模型要采取不同的CFAR檢測策略以盡可能逼近最優(yōu)檢測性能。雜波模型主要分為高斯和非高斯雜波兩大類。早期雷達分辨力較低,認為雷達雜波幅度服從高斯分布,接收機包絡(luò)檢波輸出服從瑞利分布,進行平方律檢波后服從指數(shù)分布。隨著雷達分辨力的提高或在低視角觀測時,尖雜波使雜波包絡(luò)的分布相對于瑞利分布有一個長的拖尾,文獻[2]發(fā)現(xiàn)用對數(shù)正態(tài)分布和污染正態(tài)分布可以描述海雜波,但對數(shù)正態(tài)分布會過高地估計實際雜波分布的動態(tài)范圍;文獻[3]研究發(fā)現(xiàn)韋布爾分布描述雜波更為準確;文獻[4]引入了一類新的概率分布,即K分布,在描述海尖雜波等非均勻雜波時,K分布比韋布爾分布更加準確。在均勻地面散射體中若存在著與周圍環(huán)境差異較大的分類目標,則雜波的統(tǒng)計特性常常可以用萊斯分布描述[5]。

由于實際海雜波特性更為復(fù)雜,進行CFAR處理時往往要進行大量預(yù)處理工作,傳統(tǒng)檢測算法的選取及改進顯得尤為重要。針對不同CFAR目標檢測處理技術(shù)應(yīng)用場景的不同,介紹各類CFAR處理技術(shù)的原理、缺陷及其最新的研究與改進算法,并對其未來研究熱點與難點進行展望,為CFAR處理領(lǐng)域研究與創(chuàng)新提供參考。

1 經(jīng)典恒虛警檢測器

1.1 高斯背景下的恒虛警檢測器

1.1.1均值類CFAR

針對早期分辨力較低的雷達,其海雜波回波幅度分布可視為瑞利分布,文獻[6]首次提出了單元平均恒虛警(CA-CFAR)檢測算法,將待檢測單元周圍的臨近參考單元數(shù)據(jù)作平均處理,作為背景雜波功率估計以獲得檢測門限。當目標處于檢測單元而其周圍參考單元存在其他目標時,則可能會出現(xiàn)檢測單元目標漏檢,即遮蔽效應(yīng)。為改善遮蔽效應(yīng),可以采取選擇前后半窗求和后的較小者再取平均作為背景雜波估計,防止背景估計偏大從而避免目標漏檢,即單元最小選擇(SO)-CFAR,如圖1所示。

圖1 SO-CFAR改善目標遮蔽實例Fig.1 Example of SO-CFAR improving target masking

當前后沿參考滑窗的雜波功率差異較大時會出現(xiàn)雜波邊緣效應(yīng),此時采用CA算法與SO算法進行檢測時均會出現(xiàn)雜波邊緣處的虛警提升,為改善雜波邊緣引起的虛警提升,可以采用單元最大(GO)-CFAR,通過選擇雜波功率較大的半窗參考單元取平均作為背景雜波估計,以改善雜波邊緣處的虛警提升問題,如圖2所示。

圖2 GO-CFAR改善雜波邊緣處虛警概率提升示例Fig.2 Example of GO-CFAR improves false alarm probability at clutter edge

上述CFAR算法都是基于參考滑窗的平均處理,因此稱之為均值類CFAR。均值類CFAR算法如圖3所示。

圖3 均值類CFAR算法圖Fig.3 Mean level CFAR algorithm

CA-CFAR的檢測概率Pd的計算方式為

(1)

式(1)中,門限因子T只與預(yù)設(shè)Pfa以及參考窗長度有關(guān),即

(2)

文獻[7]對CA,SO以及GO三類算法在不同雜波環(huán)境下的性能進行了詳細分析。后續(xù)又有學(xué)者提出了加權(quán)單元平均(weighted cell-averaging ,WCA)-CFAR[8]改進算法,分別對前后窗按雜波強度加權(quán)得到雜波估計,即Z=αx+βy,α和β是在保持恒定Pfa的同時使Pd最大得到的,WCA在均勻背景中的虛警概率為

(3)

文獻[9]在高斯噪聲背景下,對CA算法在線性和平方律兩種檢波方式下的恒虛警損失進行了較全面的分析與比較,得出了在同一虛警率下線性檢波要比平方律檢波的CFAR損失高,同時CFAR損失會隨參考單元數(shù)的增大而減小的結(jié)論。

均值類CFAR在均勻背景中的檢測性能最好,然而在多目標環(huán)境中性能較差。

1.1.2有序統(tǒng)計類CFAR

為改善均值類CFAR在多目標環(huán)境中的檢測性能下降問題,Rohling首次提出了有序統(tǒng)計(ordered statistics,OS)-CFAR檢測器[10],將參考單元內(nèi)的數(shù)據(jù)排序處理,取排序后的第k個值作為背景雜波功率估計值來計算檢測門限,OS類CFAR算法框圖如圖4所示。

圖4 有序統(tǒng)計類CFAR算法Fig.4 Ordered statistics CFAR algorithm

OS的門限因子T與預(yù)設(shè)Pfa的關(guān)系如式(4)所示,可以看出虛警概率與雜波參數(shù)無關(guān);OS的檢測概率Pd如式(5)所示。

(4)

(5)

k的選取合適與否關(guān)系到檢測結(jié)果的優(yōu)劣,在關(guān)于OS的參考窗長度N及有序統(tǒng)計量k的取值問題上,Rohling總結(jié)了關(guān)于OS的雙邊參考滑窗長度N與k的取值對檢測器性能的影響,即當k

k≤N-I(2b+1),

(6)

式(6)中,N為總參考單元數(shù),I和b分別為參考窗內(nèi)目標個數(shù)和目標左右能量旁瓣所占據(jù)的距離單元。分析OS性能隨k的變化規(guī)律,即在多目標條件下檢測性能隨k的減小而提升。前后參考窗內(nèi)各有1個跨距離單元的干擾目標環(huán)境中OS檢測性能隨k值變化如圖5所示。

圖5 多目標環(huán)境中CA與OS的檢測性能對比Fig.5 Comparison of CA and OS detection performance in multi-target environment

OS本質(zhì)還是依賴于參考滑窗內(nèi)的所有樣本數(shù)據(jù),但由于只保留了一個參考數(shù)據(jù)值,其CFAR損失比均值類要高。在OS-CFAR檢測器基礎(chǔ)上,派生出了刪除均值 (censored mean level detector,CMLD)-CFAR以及削減平均(trimmed mean,TM)-CFAR等OS類CFAR檢測器。CMLD與TM通過預(yù)選刪除點能夠保留較多的有序參考采樣,同時兼顧多目標環(huán)境中的優(yōu)勢以及較小的CFAR損失[5]。針對OS類CFAR存在排序處理導(dǎo)致響應(yīng)時間較長的問題,文獻[13]提出了一種重復(fù)排序算法來減小響應(yīng)時間,即滑窗圍繞著待測單元按順序?qū)個連續(xù)參考單元的滑動窗口進行重復(fù)排序,該算法的計算復(fù)雜度與傳統(tǒng)排序相比降低了n/4倍;此外,具有自動篩選技術(shù)的GOS類方法也可以改善排序時長問題[14]。

多目標環(huán)境中OS類CFAR表現(xiàn)優(yōu)于均值類CFAR,但在雜波邊緣環(huán)境中的性能也存在一定程度上的下降。

1.1.3自適應(yīng)CFAR

以上幾種CFAR檢測器只有在一定的雜波環(huán)境中才能接近最佳檢測性能,且需獲得數(shù)據(jù)的先驗信息。自適應(yīng)CFAR可以自適應(yīng)地選擇算法和參數(shù),例如刪除單元平均(censored cell-averaging,CCA)-CFAR,自適應(yīng)雜波邊緣位置(heterogeneous clutter estimate,HCE)-CFAR,變化指數(shù)(variability index,VI)-CFAR等等。其中,VI-CFAR和HCE-CFAR算法作為常規(guī)自適應(yīng)恒虛警的研究較多。VI-CFAR和HCE-CFAR算法分別如圖6(a)和圖6(b)所示。

圖6 VI-CFAR算法與HCE-CFAR算法圖Fig.6 VI-CFAR and HCE-CFAR algorithm

VI算法首先計算參考窗的VI值和MR值,VI值用來判斷參考窗采樣值是否均勻,MR值用來判斷前后參考窗功率均值是否一致。VI和MR值計算方式如下：

(7)

(8)

表1 VI-CFAR檢測策略選擇Tab.1 VI-CFAR detection strategy selection

HCE-CFAR算法先估計雜波邊緣位置,獲得待測單元處在哪一個雜波區(qū),再求得雜波區(qū)的背景功率作為相應(yīng)的背景估計。HCE-CFAR算法在雜波邊緣中的表現(xiàn)如圖7所示。

圖7 HCE-CFAR算法與CA-CFAR算法在雜波邊緣環(huán)境中的表現(xiàn)Fig.7 Performance of HCE-CFAR and CA algorithm in clutter edge environment

可以看到HCE-CFAR算法并沒有發(fā)生CA算法檢測門限曲線的“過渡帶”,說明HCE-CFAR算法可以準確地判斷雜波邊緣位置,且在高雜波區(qū)對比CA算法的虛警提升有著良好的控制能力。但若在均勻背景中使用了HCE檢測算法,則會帶來額外的CFAR檢測損失,文獻[17]提出了改進的HCE檢測器,先判斷雜波背景是否均勻,若均勻則采用CA算法,否則再使用HCE-CFAR算法檢測,彌補了HCE-CFAR算法的一個缺陷。

當雜波背景較復(fù)雜時,通常通過Monte Carlo仿真求得一定虛警概率下的門限因子,但往往需要巨大的計算量,例如在虛警率為10-6時至少需要107次循環(huán)計算。文獻[19]中給出了基于BP神經(jīng)網(wǎng)絡(luò)中的CFAR檢測器標稱化因子的算法,BP神經(jīng)網(wǎng)絡(luò)具有良好的近似任意非線性函數(shù)關(guān)系式能力,再通過對數(shù)變換處理后,極大程度上降低了近似過程所需的訓(xùn)練時間,證明了BP神經(jīng)網(wǎng)路標稱化因子的準確性。文獻[20]提出了一種基于神經(jīng)網(wǎng)絡(luò)的CFAR檢測方法,可在不同場景下自適應(yīng)地選擇CFAR算法及檢測門限進行最優(yōu)檢測。文獻[17]對基于神經(jīng)網(wǎng)絡(luò)和基于K近鄰算法的兩種自適應(yīng)恒虛警檢測算法進行了研究,對比分析了其在不同雜波背景下的檢測性能?；跈C器學(xué)習的CFAR檢測算法結(jié)構(gòu)如圖8所示。

圖8 基于機器學(xué)習的CFAR檢測算法Fig.8 CFAR detection algorithm based on machine learning

基于機器學(xué)習的CFAR算法不需要計算統(tǒng)計量,也無需其他參數(shù),具有強大的自適應(yīng)能力,通過改進訓(xùn)練策略,增大訓(xùn)練樣本等方式能夠讓該類算法有更強的性能。

1.1.4雜波圖CFAR

雜波圖(CM)即雷達威力范圍內(nèi)的雜波強度分布圖。通過建立剩余雜波圖,并根據(jù)雜波圖對輸入作歸一化平滑,以達到近似恒虛警率的效果,因此這種雜波圖平滑處理亦稱雜波圖CFAR。該算法在時間上對各次雷達回波的測量值通過迭代算法更新來估計背景雜波功率,適合于空域或距離方向變化十分劇烈,但隨時間變化卻比較平穩(wěn)的情況,如地雜波。

針對經(jīng)典Nitzberg雜波圖檢測方法在拖尾較重的非高斯雜波背景中性能會惡化的問題,文獻[21]提出了一種在尖銳雜波環(huán)境中的檢測性能較好的算法——基于非相干積累雜波圖檢測算法,該算法加入了二進制積累模塊,算法結(jié)構(gòu)如圖9所示。

圖9中qi(n)(i=1,…,M)表示在第n次掃描過程中來自某個距離分辨單元第i個脈沖的回波信號;q(n)表示脈沖積累的結(jié)果;q(n)乘一個可以控制衰減速率的加權(quán)因子α并加上前一次雜波背景強度的估計值的1-α倍,得到當前雜波背景強度新的估計值為

(9)

采用二進制積累準則對M個脈沖信號的判決結(jié)果進行非相干積累,若M個脈沖信號中至少有K個脈沖探測到了目標,則判定在該距離單元中存在目標,較高的二進制積累門限K(K/M)可以用來抑制較“尖銳”的雜波,從而獲得較好的雷達目標檢測性能。增加二進制非相干積累模塊后的算法,相比經(jīng)典雜波圖檢測方法的性能有較大改善,在虛警率Pfa=10-6、雜波形狀參數(shù)c=0.8時,該算法僅需10 dB的信雜比即可達到50%的檢測概率,而經(jīng)典雜波圖檢測方法需要約30 dB的信雜比。

雜波圖CFAR的另一個缺點是：多個掃描周期中的低速目標檢測效果較差,即慢移動目標有自遮掩問題。針對這一問題,文獻[22]提出將時域和空域結(jié)合起來進行檢測的技術(shù)(CM/L-CFAR),首先將雷達分辨單元中將多個回波信號先后通過匹配濾波器和L濾波器(空域處理),再進行時域的迭代處理進行目標檢測,該方法可以有效克服自遮掩現(xiàn)象,其算法流程如圖10所示。

圖10 CM/L混合檢測器原理圖Fig.10 Schematic diagram of CM/L mixed detector

圖10中,L濾波器的輸出z(n)為時域處理系統(tǒng)的輸入,h(n)為離散系統(tǒng)的脈沖相應(yīng),該離散系統(tǒng)即時域雜波圖的迭代處理,h(n)=w(1-w)n·u(n)。

1.2 非高斯背景下的恒虛警檢測器

對于韋布爾分布雜波環(huán)境中的目標檢測問題,用最大似然法(maximum likelihood,MLH)估計形狀參數(shù)與尺度參數(shù)時相應(yīng)時間較長,文獻[23]提出了循環(huán)剔除TLM-CFAR檢測器,該算法基于TL矩估計方法,通過獲得韋布爾分布的兩參數(shù)估計值確定CFAR檢測門限,然后利用循環(huán)剔除法剔除干擾目標和強散射點的影響,該算法擁有MLH的性能并且運行時間僅為MLH算法的1/3。

為了實現(xiàn)對數(shù)正態(tài)紋理復(fù)合高斯海雜波背景下運動目標的快速檢測,文獻[24]提出了一種累積前白化和非相干累積級聯(lián)的檢測方法,證明了該方法對海雜波幅度分布的尺度參數(shù)以及散斑協(xié)方差矩陣均是恒虛警率的。在檢測性能上幅度累積優(yōu)于功率累積,在信雜比為4.5 dB時,幅度積累最高能達到1.0的檢測概率,而功率積累在±2 500 Hz處也只能達到0.75左右的檢測概率;且累積前白化總體上提高了運動目標的信雜比,同時對于位于主雜波區(qū)之外的高速運動目標也能帶來明顯的性能改善。

圖11 M-MED檢測器算法圖Fig.11 M-MED Detector Algorithm

該算法僅需N次加法運算,極大降低了計算復(fù)雜度;通過對實測數(shù)據(jù)驗證,該算法擁有比其他現(xiàn)有方法更優(yōu)的檢測性能。

文獻[26—29]推導(dǎo)了OSCA、OSGO、OSSO在K分布雜波邊緣中虛警概率的解析表達式,結(jié)果表明虛警概率Pfa均與尺度參數(shù)無關(guān),從而證明了OSCA、OSGO、OSSO在均勻統(tǒng)計獨立的K分布雜波背景下具有恒虛警性能,并在仿真分析后得出在K分布雜波邊緣環(huán)境中檢測性能為OSGO>OSCA>OS,在K分布均勻雜波背景以及多目標背景下OSCA具有最好檢測性能的結(jié)論。

文獻[30]在大量試驗的基礎(chǔ)上,發(fā)現(xiàn)噪聲和海況因素引起的船海對比度較低時的合成孔徑雷達(synthetic aperture radar,SAR)圖像海雜波用萊斯分布能更好地描述,基于此提出了基于該分布的CFAR艦船檢測算法：

(10)

首先對原始感興趣的幅度圖像進行局部萊斯分布建模,通過式(10)計算獲得閾值IT,遍歷待測圖像局部區(qū)域的像素值,與閾值I2比較,若大于IT則為艦船目標。

圖12展示了使用不同分布模型擬合SAR圖像后的檢測結(jié)果。可以發(fā)現(xiàn)使用萊斯分布模型擬合時,艦船目標漏檢情況最好,證明萊斯分布能更好地擬合海雜波分布類型。另外,該算法在處理速度方面也較為理想,對兩種SAR圖像的檢測處理分別耗時為1.18 s和2.04 s,可以滿足實時性要求。

圖12 不同分布模型對于兩種SAR圖像艦船目標CFAR檢測結(jié)果Fig.12 CFAR detection results of ship targets in two SAR images with different distribution models

2 非參量CFAR

非參量CFAR對大量雜波采樣與信號加雜波采樣進行比較統(tǒng)計判斷目標是否存在,該類算法的虛警率與雜波背景的分布無關(guān),因此也稱為分布自由的 CFAR檢測方法。符號檢測器和Wilcoxon檢測器是經(jīng)典的單樣本非參量檢測器,但它們要求雜波中值水平已知,同時對于有限的樣本數(shù)目其檢測損失很大[1]。文獻[31]基于改進秩檢驗提出了兩種非參數(shù)CFAR檢測器：改進排序廣義符號 (modified-rank-based generalized sign,MRGS) 檢測器和改進排序Mann-Whitney(MRMW) 檢測器,它們均通過定義排序統(tǒng)計量的值函數(shù)(inverse-normal-score,INS)實現(xiàn)CFAR檢測,兩種新型非參量CFAR算法如圖13所示。

圖13中M是參考單元數(shù),N為脈沖(方位)數(shù),Xki(k=1,…,N;i=1,…,M),Xj,i(j=1,…,N;i=1,…,M)是對應(yīng)的某個方位某個距離單元的參考樣本,k,j是對應(yīng)的脈沖索引,R是N次掃描的所有參考樣本樣本y的秩,閾值K是預(yù)設(shè)虛警概率下的門限閾值,Φ-1(·)是逆正態(tài)得分函數(shù)。文中通過Monte Carlo仿真對Swerling II型目標的檢測性能進行了分析,發(fā)現(xiàn)該非參量檢測器對K分布的尺度參數(shù)并不敏感,只依賴于形狀參數(shù)的選取,該算法適用于具有海尖峰的K分布雜波下的低觀測目標檢測。

非參量CFAR單次掃描下的虛警率較高,需要多次掃描積累降低虛警率,且CFAR損失較高,但在一定條件下,如參量CFAR無法有效檢測時,非參量CFAR仍為一種可取的檢測方式。

3 其他CFAR處理

3.1 變換域CFAR

單時頻域時常不能有效地進行目標檢測,變換域CFAR處理將雷達回波信號進行變換以提高檢測性能。文獻[32]提出了變換域分形檢測技術(shù)——基于分數(shù)階傅里葉變換(FRFT)域分形特征的運動目標檢測算法,以區(qū)分純海雜波單元與“海雜波+目標”單元,如圖14所示。該特征能有效增強小目標的回波特征以便于CFAR檢測。

圖14 變換域CFAR目標特征增強Fig.14 CFAR target feature enhancement in transform domain

文獻[33]分別從分數(shù)階傅里葉變換域中的信息熵,奇異值分解域中的最大奇異值,以及復(fù)值經(jīng)驗?zāi)B(tài)分解域中的低頻本征模態(tài)函數(shù)能量比三個特征出發(fā),分析海雜波信號和目標信號在不同變換域所表現(xiàn)出的不同特征,來進行目標檢測。文獻[34]提出了STFT-Radon變換域恒虛警檢測算法,將傳統(tǒng)時域的處理轉(zhuǎn)變?yōu)镾RT變換域的處理,獲得了更高的局部信噪比,有效提高了對非平穩(wěn)背景下對弱脈沖信號的檢測能力。SRT變換域CFAR檢測器對線性調(diào)頻信號LFM信號有較高的檢測性能,如以檢測概率為0.9作為指標時,SRT變換域檢測所需信噪比僅為0.5 dB,而時域CFAR檢測則需要2 dB的信噪比。

3.2 多維信息聯(lián)合

雷達接收端接收到的信息包括距離維、脈沖維、方位維、多普勒等多維數(shù)據(jù),聯(lián)合多維數(shù)據(jù)信息進行目標檢測可以有效地抑制雜波、減少虛警,提高檢測性能。多維度信息聯(lián)合示例如圖15所示。

文獻[35]借鑒多維信號聯(lián)合以及雜波抑制的思想,提出一種雜波背景條件下將脈沖壓縮、Radon傅里葉變換(ARFT)與自適應(yīng)雜波抑制聯(lián)合的時距聯(lián)合檢測前聚焦方法(A-PCRFT)。該方法首先將脈內(nèi)時間與脈間時間兩個雷達信號處理維度相聯(lián)合,引入與高速目標相對應(yīng)的二維導(dǎo)向矢量,補償脈內(nèi)和脈間的多普勒頻移,然后根據(jù)輔助數(shù)據(jù)估計脈沖壓縮前的雜波協(xié)方差矩陣,最后根據(jù)雜波協(xié)方差矩陣和導(dǎo)向矢量確定最優(yōu)濾波器權(quán)矢量。在距離-速度的二維空間中,該方法能有效地抑制雜波,同時對目標能量進行最佳聚焦。與ARFT方法相比,A-PCRFT方法的聚焦能力優(yōu)于ARFT方法,ARFT聚焦后的平均信雜噪比為34.73 dB,A-PCRFT達到了37.75 dB。

文獻[36]提出了多維聯(lián)合相參積累的空時頻檢測前聚焦(STF-FBD)雷達信號處理理論和方法,將目標長時間相參積累問題轉(zhuǎn)化為參數(shù)化的模式匹配問題,在相應(yīng)的參數(shù)空間內(nèi)形成目標的多維聚焦圖像并將傳統(tǒng)雷達波束形成、脈沖壓縮、多普勒濾波相結(jié)合,實現(xiàn)目標空間和運動參數(shù)的匹配估計。該方法能有效克服“三跨”效應(yīng)(長時間照射時運動目標極產(chǎn)生的跨距離單元(ARU)、跨多普勒單元(ADU)及跨波束單元(ABU)),抑制強雜波及有源干擾,提高能量積累以及目標檢測等方面的性能。

圖15 多維度信息聯(lián)合示例Fig.15 Example of multi-dimensional information federation

3.3 多傳感器分布式CFAR

通過多傳感器分布式檢測與CFAR的聯(lián)合,能夠有效提高檢測器檢測性能。針對現(xiàn)有分布式多傳感器系統(tǒng)中系統(tǒng)誤差估計與配準難的問題,文獻[37]采用基于與航跡相關(guān)的檢驗統(tǒng)計量研究了系統(tǒng)誤差的實時檢測,以采取補償措施消除系統(tǒng)誤差的影響,提高系統(tǒng)的精度與性能。

文獻[38]選取兩類在局部傳感器采用OS-CFAR檢測的分布式檢測算法,對兩部分散部署的雷達,以擴展覆蓋范圍為指標,分析了擴展覆蓋范圍的區(qū)域分布和比例,以及在多傳感器系統(tǒng)中應(yīng)用分布式檢測算法時需要考慮的時空對準問題,為實際工程應(yīng)用提供了指導(dǎo)方案。以O(shè)S-CFAR為例,多傳感器分布式檢測的局部二元判決算法和局部檢測統(tǒng)計量算法與單傳感器檢測性能對比如圖16所示。

圖16 單傳感器與多傳感器分布式檢測算法性能對比Fig.16 Performance comparison of single sensor and multi-sensor distributed detection algorithms

由圖16可見,多傳感器分布式檢測算法可以明顯改善系統(tǒng)的檢測性能,對于OS-CFAR,在信噪比為20 dB時,能夠提升約20%的檢測概率。

3.4 極化CFAR

極化雷達能夠通過對目標的散射矩陣測量來分辨目標與雜波,更好地進行CFAR檢測。文獻[39]提出了一種高斯雜背景下的相干雷達極化恒虛警檢測算法SPD。該算法計算復(fù)雜度小,檢測性能比傳統(tǒng)的極化廣義似然比PGLRT算法更優(yōu),并具有一定的自適應(yīng)能力,其虛警概率表達式為

(11)

式(11)中,L為極化回波接收通道數(shù),N為天線單元數(shù)?？梢?虛警概率只與維數(shù)K以及L、N有關(guān),而與雜波協(xié)方差矩陣無關(guān),證明了該極化算法具有恒虛警特性。在相同L、N、K的條件下,SPD算法的檢測性能均優(yōu)于PGLRT算法。

4 結(jié)論及展望

近年來,對于恒虛警處理領(lǐng)域的成果非常之多,尤其對于傳統(tǒng)一維恒虛警改進算法的研究,但仍存在著很多有待深入研究的熱點和難點。

1) 二維CFAR處理

雷達回波信號往往會在距離和多普勒維同時存在雜噪,二維CFAR能同時估計距離與多普勒維(或方位維)單元,在多目標以及動態(tài)雜波背景中具有很好的抗干擾能力,在現(xiàn)代雷達信號處理系統(tǒng)中已得到廣泛應(yīng)用。

2) 基于海雜波特性分析的改進CFAR算法

傳統(tǒng)CFAR檢測策略是針對算法本身進行優(yōu)化。與傳統(tǒng)改進CFAR的方式不同,現(xiàn)代CFAR的改進策略往往是針對海雜波進行多維特征分析與提取,以更好地進行針對參考單元的篩選獲得更準確的背景雜波估計。例如,在對海雷達目標檢測中大多使用相參雷達,若對大量海雜波加以分析,可得到雜波與目標的不同相位特性,那么可以根據(jù)這種特性區(qū)分目標和雜波。類似的,還有如基于時域能量和頻譜差異的特征,基于時頻分析的適用于微動目標的微多普勒特征和基于海雜波歸一化時頻分布差異的特征,以及極化特征等[40],然后借助凸包學(xué)習算法進行多維特征檢測。

3) 多維信息融合與多手段融合處理

近年來,基于雷達多維信息融合與多手段融合處理技術(shù)的研究愈發(fā)火熱。采用多手段聯(lián)合對海探測,把不同平臺的雷達、光學(xué)紅外信息進行融合或?qū)⒍鄠鞲衅餍畔⑷诤?能夠得到目標的多層信息,如目標位置、運動軌跡、外形輪廓等等,充分利用多層信息提高目標檢測與識別的性能[41]。該技術(shù)在傳統(tǒng)雷達信號的CFAR處理以及雷達圖像處理領(lǐng)域都具有極高應(yīng)用價值,發(fā)展?jié)摿薮蟆?/p>

4) 基于深度學(xué)習的雷達圖像處理

對于雷達圖像的目標識別有多種檢測方法,如基于結(jié)構(gòu)特征、灰度特征、幾何特征、紋理特征等。其中基于灰度特征的檢測最經(jīng)典的方法是CFAR算法[42],目前CFAR算法在艦船檢測領(lǐng)域已十分成熟,但在復(fù)雜背景下的多艦船目標檢測領(lǐng)域表現(xiàn)仍然較差。且以上傳統(tǒng)檢測方法難以實時性檢測。

深度網(wǎng)絡(luò)有著很好的提取特征能力與泛化能力,基于深度學(xué)習的雷達圖像的目標檢測問題已成為雷達目標檢測領(lǐng)域的研究熱點。2018年,李健偉開創(chuàng)性地構(gòu)建了第一個公開的SAR圖像數(shù)據(jù)集——SSDD[43],并利用卷積神經(jīng)網(wǎng)絡(luò)對SAR圖像處理,自此基于卷積神經(jīng)網(wǎng)絡(luò)SAR圖像目標檢測的研究越來越多。文獻[44]綜述了近年來各種改進深度網(wǎng)絡(luò)的SAR圖像檢測方法。利用神經(jīng)網(wǎng)絡(luò)對其他雷達圖像目標識別的研究也愈發(fā)火熱,如文獻[45]提出的基于雷達實時P顯圖的目標檢測等。但利用神經(jīng)網(wǎng)絡(luò)處理雷達圖像的方法往往需要高性能的硬件設(shè)備,以滿足網(wǎng)絡(luò)巨大的計算量,對于改進網(wǎng)絡(luò)以減少網(wǎng)絡(luò)參數(shù)實現(xiàn)更輕型的網(wǎng)絡(luò)也是一個有潛力的發(fā)展方向。隨著深度學(xué)習在雷達圖像領(lǐng)域的深入研究,此領(lǐng)域發(fā)展進程會愈發(fā)迅速,檢測能力會不斷提升。

5) 人工神經(jīng)網(wǎng)絡(luò)與CFAR的結(jié)合

目前已有很多神經(jīng)網(wǎng)絡(luò)與CFAR處理的研究。如通過對雷達回波數(shù)據(jù)的誤差反饋訓(xùn)練識別雜波背景,自動選擇相應(yīng)的CFAR檢測器,如BP神經(jīng)網(wǎng)絡(luò)、多層感知機等訓(xùn)練得到最優(yōu)參數(shù)的CFAR檢測器;或通過對雷達回波數(shù)據(jù)進行解調(diào)、脈壓、STFT等預(yù)處理得到二維時頻圖,再通過卷積神經(jīng)網(wǎng)絡(luò)對時頻圖進行訓(xùn)練完成對動目標的分類與檢測[46-47]等等。

6) 認知雷達

Simon Haykin首次提出了認知雷達的概念[48],認知雷達通過人工神經(jīng)網(wǎng)絡(luò)與目標檢測聯(lián)合,實時地判斷背景雜波分布模型、確定檢測門限及目標檢測算法的參數(shù),實現(xiàn)智能自適應(yīng)目標檢測跟蹤一體化,這將是一個值得關(guān)注研究的嶄新課題。

本文詳細地介紹了各類CFAR檢測算法的原理、缺陷以及近年來各種衍生改進算法,并對其未來研究熱點與難點進行分析預(yù)測,為恒虛警領(lǐng)域初學(xué)者提供參考,為相關(guān)研究人員提供創(chuàng)新突破思路。