CN112180341B - 一种背景自适应cfar算法选择的实现方法 - Google Patents

一种背景自适应cfar算法选择的实现方法 Download PDF

Info

Publication number
CN112180341B
CN112180341B CN202011046403.1A CN202011046403A CN112180341B CN 112180341 B CN112180341 B CN 112180341B CN 202011046403 A CN202011046403 A CN 202011046403A CN 112180341 B CN112180341 B CN 112180341B
Authority
CN
China
Prior art keywords
cfar
background
threshold
short
estimate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011046403.1A
Other languages
English (en)
Other versions
CN112180341A (zh
Inventor
蒋跃
朱灿
王超宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
724th Research Institute of CSIC
Original Assignee
724th Research Institute of CSIC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 724th Research Institute of CSIC filed Critical 724th Research Institute of CSIC
Priority to CN202011046403.1A priority Critical patent/CN112180341B/zh
Publication of CN112180341A publication Critical patent/CN112180341A/zh
Application granted granted Critical
Publication of CN112180341B publication Critical patent/CN112180341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/414—Discriminating targets with respect to background clutter
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提出了一种背景自适应CFAR算法选择的实现方法，属于雷达信号处理技术领域。本发明针对单一CFAR算法仅适用于有限的背景环境而在复杂环境下存在检测性能下降问题，在对数检波下采用快门限长CFAR和快门限切除选大CFAR分别计算背景估值，然后利用本发明中提出的背景自适应CFAR算法选择准则，选择合适的背景估值，最后为保证不同CFAR算法在设定的虚警概率下采用同一种检测门限，对信号背景功率比值进行归一化处理，实现热噪声环境和杂波环境的自适应判断，能够提升雷达在复杂背景环境下的目标检测能力。

Description

一种背景自适应CFAR算法选择的实现方法
技术领域
本发明涉及雷达信号处理技术领域。
背景技术
在背景噪声或干扰统计特性确知情况下，雷达对目标自动检测通常采用固定门限检测法，即根据已知背景噪声或干扰统计特性，以恒虚警率为依据确定固定门限，完成目标检测。然而，雷达接收目标回波的背景是异常复杂的，背景的统计特性无法精确可知，易带来大量虚警，导致计算机处理能力饱和或系统过载，影响雷达系统正常工作。因此现代雷达大部分采用恒虚警(CFAR)技术进行目标检测，采用相关算法根据杂波环境变化而自适应地改变检测门限，以保证目标检测过程中的恒定虚警概率。通常均匀和非均匀背景可以简化为均匀杂波背景、杂波边缘、多目标三种情况。在雷达目标检测过程中，常采取快门限短CFAR来防止杂波边缘或杂波变化剧烈区域处产生大量虚警，选择快门限长CFAR来保证在均匀背景获得较高的目标检测概率，但单一CFAR算法仅适用于有限的背景环境。
发明内容
本发明提出了一种背景自适应CFAR算法选择的实现方法，实现热噪声环境和杂波环境的自适应判断，能够提升雷达在复杂背景环境下的目标检测能力。
实现本发明的技术解决方案为：在对数检波下采用快门限长CFAR和快门限切除选大CFAR分别计算背景估值，然后利用本发明中提出的背景自适应CFAR算法选择准则，选择合适的背景估值，最后为保证不同CFAR算法在设定的虚警概率下采用同一种检测门限，对信号背景功率比值进行归一化处理，实现目标检测。具体步骤为：
步骤1：计算长短CFAR背景估值：
步骤1-1：对回波数据对数检波，得到对数化回波数据；
步骤1-2：对对数化回波数据滑窗计算每个检测单元的快门限长CFAR背景估值；
步骤1-3：对对数化回波数据滑窗计算每个检测单元的快门限短CFAR背景估值；
步骤2：背景自适应CFAR算法选择：
步骤2-1：计算每个检测单元的长短CFAR背景估值差|uS(N)-uL(N)|；
步骤2-2：将长短CFAR背景估值差与门限S1比较，其中S1为统计长短CFAR背景估值差的分布所确定的门限；若背景估值差大于门限S1，则选择快门限短CFAR背景估值作为当前检测单元的背景估值，转步骤3，否则转步骤2-3；
步骤2-3：将快门限短CFAR背景估值与门限S2比较，其中S2为统计均匀背景下短CFAR的噪声功率估值分布所确定的绝对值门限；若背景估值大于门限S2，则选择快门限短CFAR背景估值作为当前检测单元的背景估值，否则选择快门限长CFAR背景估值作为当前检测单元的背景估值，转步骤3；
步骤3：对不同CFAR算法的信号背景功率比值进行归一化处理。
本发明与现有技术相比，其显著优点为：本发明针对实际雷达设备在复杂背景环境下的目标检测，可以实现热噪声环境和杂波环境的自适应判断，较好地应对杂波环境下的检测，且本发明提出的方法可在线运行。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为快门限长CFAR原理框图，标注1为待检测单元，标注2为64/128单元平均；
图2为快门限切除选大CFAR原理框图，标注1为待检测单元，标注2为21-5单元平均，标注3为峰值单元及周围4个单元不参与平均；
图3为背景自适应CFAR选择流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
本发明在对数检波下采用快门限长CFAR和快门限切除选大CFAR分别计算背景估值，然后利用背景自适应CFAR算法选择准则，选择合适的背景估值，最后对不同CFAR算法的信号背景功率比值进行归一化处理，实现目标检测，具体步骤为：
步骤1：计算长短CFAR背景估值，具体步骤为：
步骤1-1：对回波数据a(N)对数检波，得到对数化回波数据A(N)
A(N)＝20lg(a(N)) (1)
式中，A(N)为第N个距离单元的对数幅度，a(N)为第N个距离单元的原始回波幅度。
步骤1-2：对对数化回波数据A(N)滑窗计算每个检测单元的快门限长CFAR背景估值uL(N)，图1为快门限长CFAR原理框图，计算检测单元一侧的64/128个距离单元平均值作为背景估值。
步骤1-3：对对数化回波数据A(N)滑窗计算每个检测单元的快门限短CFAR背景估值uS(N)，图2为快门限切除选大CFAR原理框图，计算检测单元两侧21个距离单元(将两侧峰值距离单元及其周围四个距离单元数据剔除，实际是16个距离单元平均)平均值选大后的值作为背景估值。
步骤2：背景自适应CFAR算法选择，图3为背景自适应CFAR选择流程图，具体步骤为：
步骤2-1：计算每个检测单元的长短CFAR背景估值差|uS(N)-uL(N)|。
步骤2-2：将长短CFAR背景估值差|uS(N)-uL(N)|与门限S1比较，其中S1为统计长短CFAR背景估值差的分布所确定的门限，可作为均匀和非均匀背景下的判别依据，若背景估值差大于门限即|uS(N)-uL(N)|＞S1，则选择快门限短CFAR背景估值uS(N)作为当前检测单元的背景估值uCFAR(N)，转步骤3，否则转步骤2-3。
步骤2-3：将快门限短CFAR背景估值uS(N)与门限S2比较，其中S2为统计均匀背景下短CFAR的噪声功率估值分布所确定的绝对值门限，若超过此门限即认为是非均匀背景，若背景估值大于门限即uS(N)＞S2，则选择快门限短CFAR背景估值uS(N)作为当前检测单元的背景估值uCFAR(N)，否则选择快门限长CFAR背景估值uL(N)作为当前检测单元的背景估值uCFAR(N)，转步骤3。
步骤3：对不同CFAR算法的信号背景功率比值进行归一化处理，以保证在设定的虚警概率下采用同一种检测门限，归一化处理如下所示：
ACFAR(N)＝aCFAR*[A(N)-uCFAR(N)]+bCAFR (2)
式中，ACFAR(N)为使用CFAR背景估值对信号进行归一化后的输出，aCFAR为归一化模型所用权值，bCFAR为归一化模型所用偏差。为保证虚警的控制，一般在10-6～10-4的虚警概率区间内设置相应的检测门限，即归一化参数应保证信噪比修正后虚警概率不上升的同时，重点关注的虚警概率区间对应的门限因子与参考CFAR算法在相同范围。

Claims (1)

1.一种背景自适应CFAR算法选择的实现方法，其特征在于：
步骤1：计算长短CFAR背景估值：
步骤1-1：对回波数据对数检波，得到对数化回波数据A(N)，A(N)为第N个距离单元的对数幅度；
步骤1-2：对对数化回波数据滑窗计算每个检测单元的快门限长CFAR背景估值uL(N)，计算检测单元一侧的64/128个距离单元平均值作为背景估值；
步骤1-3：对对数化回波数据滑窗计算每个检测单元的快门限短CFAR背景估值uS(N)，选取检测单元两侧21个距离单元，分别对两侧所选距离单元进行峰值搜索，将两侧峰值距离单元及其周围四个距离单元数据剔除，然后分别计算两侧剩余的16个距离单元平均值，并从两侧平均值中选择大值作为背景估值；
步骤2：背景自适应CFAR算法选择：
步骤2-1：计算每个检测单元的长短CFAR背景估值差|uS(N)-uL(N)|；
步骤2-2：将长短CFAR背景估值差与门限S1比较，其中S1为统计长短CFAR背景估值差的分布所确定的门限；若背景估值差大于门限S1，则选择快门限短CFAR背景估值uS(N)作为当前检测单元的背景估值uCFAR(N)，转步骤3，否则转步骤2-3；
步骤2-3：将快门限短CFAR背景估值与门限S2比较，其中S2为统计均匀背景下短CFAR的噪声功率估值分布所确定的绝对值门限；若背景估值大于门限S2，则选择快门限短CFAR背景估值uS(N)作为当前检测单元的背景估值uCFAR(N)，否则选择快门限长CFAR背景估值uL(N)作为当前检测单元的背景估值uCFAR(N)，转步骤3；
步骤3：对不同CFAR算法的信号背景功率比值进行归一化处理，归一化处理如下所示：
ACFAR(N)＝aCFAR*[A(N)-uCFAR(N)]+bCAFR
式中，ACFAR(N)为使用CFAR背景估值对信号进行归一化后的输出，aCFAR为归一化模型所用权值，bCFAR为归一化模型所用偏差。
CN202011046403.1A 2020-09-29 2020-09-29 一种背景自适应cfar算法选择的实现方法 Active CN112180341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011046403.1A CN112180341B (zh) 2020-09-29 2020-09-29 一种背景自适应cfar算法选择的实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011046403.1A CN112180341B (zh) 2020-09-29 2020-09-29 一种背景自适应cfar算法选择的实现方法

Publications (2)

Publication Number Publication Date
CN112180341A CN112180341A (zh) 2021-01-05
CN112180341B true CN112180341B (zh) 2022-05-17

Family

ID=73945818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011046403.1A Active CN112180341B (zh) 2020-09-29 2020-09-29 一种背景自适应cfar算法选择的实现方法

Country Status (1)

Country Link
CN (1) CN112180341B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112965040B (zh) * 2021-02-05 2024-01-23 重庆邮电大学 一种基于背景预筛选的自适应cfar目标检测方法
CN113126054A (zh) * 2021-04-09 2021-07-16 电子科技大学 一种基于gpu的目标检测方法
CN114578384B (zh) * 2022-05-07 2022-09-09 成都凯天电子股份有限公司 一种用于激光大气系统的自适应恒虚警检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103217673A (zh) * 2013-04-18 2013-07-24 电子科技大学 一种非均匀Weibull杂波背景下的CFAR检测方法
CN103558595A (zh) * 2013-11-11 2014-02-05 上海航天测控通信研究所 雷达通用恒虚警率检测器及其数据排序方法
CN103760542A (zh) * 2014-01-10 2014-04-30 杭州电子科技大学 一种基于多模式的变化指数恒虚警目标检测方法
CN104035084A (zh) * 2014-06-24 2014-09-10 电子科技大学 一种用于非均匀杂波背景的动态规划检测前跟踪方法
CN105182312A (zh) * 2015-09-29 2015-12-23 西安知几天线技术有限公司 自适应环境变化的恒虚警检测方法
CN106291492A (zh) * 2016-07-19 2017-01-04 西安电子科技大学 一种基于精细杂波图的自适应目标检测方法
CN106443619A (zh) * 2016-09-09 2017-02-22 北京航空航天大学 目标rcs测量中基于最大概率门限与模型预测联合处理的背景提取方法
CN107861116A (zh) * 2017-10-31 2018-03-30 西安电子科技大学 一种雷达测距的优化方法
CN110412550A (zh) * 2019-07-20 2019-11-05 中国船舶重工集团公司第七二四研究所 一种基于背景认知的区域自适应海目标检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103217673A (zh) * 2013-04-18 2013-07-24 电子科技大学 一种非均匀Weibull杂波背景下的CFAR检测方法
CN103558595A (zh) * 2013-11-11 2014-02-05 上海航天测控通信研究所 雷达通用恒虚警率检测器及其数据排序方法
CN103760542A (zh) * 2014-01-10 2014-04-30 杭州电子科技大学 一种基于多模式的变化指数恒虚警目标检测方法
CN104035084A (zh) * 2014-06-24 2014-09-10 电子科技大学 一种用于非均匀杂波背景的动态规划检测前跟踪方法
CN105182312A (zh) * 2015-09-29 2015-12-23 西安知几天线技术有限公司 自适应环境变化的恒虚警检测方法
CN106291492A (zh) * 2016-07-19 2017-01-04 西安电子科技大学 一种基于精细杂波图的自适应目标检测方法
CN106443619A (zh) * 2016-09-09 2017-02-22 北京航空航天大学 目标rcs测量中基于最大概率门限与模型预测联合处理的背景提取方法
CN107861116A (zh) * 2017-10-31 2018-03-30 西安电子科技大学 一种雷达测距的优化方法
CN110412550A (zh) * 2019-07-20 2019-11-05 中国船舶重工集团公司第七二四研究所 一种基于背景认知的区域自适应海目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
复杂背景下的恒虚警检测方法研究;张欣;《信息科技》;20180415(第04期);第1-77页 *

Also Published As

Publication number Publication date
CN112180341A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN112180341B (zh) 一种背景自适应cfar算法选择的实现方法
CN109188388B (zh) 一种对抗多目标干扰的恒虚警检测方法
CN104502899B (zh) 一种自适应的恒虚警率目标检测方法
CN111157953B (zh) 一种强地杂波下两级门限恒虚警检测算法
CN107153180B (zh) 一种目标信号检测方法及系统
CN112684428B (zh) 一种基于信号代理的多目标恒虚警率检测方法
CN107271973A (zh) 韦布尔杂波环境下基于偏斜度和均值比的恒虚警检测方法
CN114114192B (zh) 集群目标检测方法
CN112965040B (zh) 一种基于背景预筛选的自适应cfar目标检测方法
CN104459644A (zh) 一种用于雷达视频信号检测的自适应恒虚警检测方法
CN115032606B (zh) 一种基于局部最小选定单元平均的恒虚警检测器
CA2422355C (en) Adaptive control of the detection threshold of a binary integrator
Hatem et al. Comparative study of various cfar algorithms for non-homogenous environments
CN116482642A (zh) 一种基于改进vi的距离扩展目标自适应恒虚警检测方法
CN112799028B (zh) 一种基于rcs起伏统计特性差异的虚假目标识别方法
JP3520016B2 (ja) レーダ信号処理装置
CN114578384B (zh) 一种用于激光大气系统的自适应恒虚警检测方法
Tabet et al. A generalized switching CFAR processor based on test cell statistics
CN113552550B (zh) 一种基于概率分布差异性的智能恒虚警检测方法
CN111337894B (zh) 一种智能参考单元平均恒虚警检测方法
CN116256709A (zh) 一种相邻多目标条件下改进的ca-cfar算法
CN109239677A (zh) 一种环境自适应恒虚警检测门限确定方法
CN116643248B (zh) 一种恒虚警检测方法、存储介质及设备
Erfanian et al. Introducing switching ordered statistic CFAR type I in different radar environments
CN116973876B (zh) 一种基于gradient检验的前向散射雷达运动目标检测方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant