CN112965040B - 一种基于背景预筛选的自适应cfar目标检测方法 - Google Patents
一种基于背景预筛选的自适应cfar目标检测方法 Download PDFInfo
- Publication number
- CN112965040B CN112965040B CN202110163565.1A CN202110163565A CN112965040B CN 112965040 B CN112965040 B CN 112965040B CN 202110163565 A CN202110163565 A CN 202110163565A CN 112965040 B CN112965040 B CN 112965040B
- Authority
- CN
- China
- Prior art keywords
- background
- detection
- target
- clutter
- cfar
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 106
- 238000012216 screening Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims description 32
- 238000005314 correlation function Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 12
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011077 uniformity evaluation Methods 0.000 description 1
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
- G01S7/418—Theoretical aspects
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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
本发明涉及一种基于背景预筛选的自适应CFAR目标检测方法,属于雷达目标检测技术领域。该方法首先对参考窗口进行参数估计剔除背景中的疑似目标,避免目标遮蔽效应;其次对背景均匀性进行评估,确保背景均匀时背景功率估计能使用到更多的参考窗口;对不均匀的背景检测杂波边缘,确定只保留属于本检测单元所在背景的参考窗口进行背景功率估计,提高算法在边缘环境的检测效果,避免由于背景功率估计的不准确导致边缘处出现漏警或虚警;最后再用得到的参考窗口利用CA‑CFAR对检测单元进行判决。本发明能够避免目标遮蔽效应,提升边缘环境中的目标检测效果,对复杂环境中的目标检测具有自适应性。
Description
技术领域
本发明属于雷达目标检测技术领域,涉及一种基于背景预筛选的自适应CFAR目标检测方法,适用于在多目标、杂波边缘、均匀环境情况下自适应地检测目标。
背景技术
雷达系统中常用恒虚警率((Constant False Alarm Rate,CFAR))方法对回波信号进行目标检测,目前常用的五种CFAR检测器为:单元平均CFAR检测器(CA-CFAR)、最大选择CFAR检测器(GO-CFAR)、最小选择CFAR检测器(SO-CFAR)、有序统计量CFAR检测器(OS-CFAR)、自适应CFAR检测器,包含分布式CFAR检测器(VI-CFAR)、非均匀杂波估计CFAR检测器(HCE-CFAR)以及其他的各种新型CFAR。CA-CFAR技术适用于局部均匀杂波中存在单个小目标的情况,在均匀杂波背景下取得了接近最优的检测性能,在杂波边缘和多目标情况下检测性能严重下降。针对这个问题,出现了OS-CFAR,适合大目标和多个目标情况,改善了多目标背景下的性能严重下降问题,但是在均匀杂波背景下的检测性能严重下降,并且在杂波边缘情况下的虚警尖峰控制能力差。针对杂波边缘情况,出现了GO-CFAR,GO-CFAR在杂波边缘环境有较好的检测性能,而在均匀杂波环境下,检测性能反而下降。SO-CFAR检测器是一种选小CFAR检测器,在多目标环境中具有很好的检测性能。由于在杂波边缘环境中得到的检测阈值偏低,会比CA-CFAR检测器带来更多的虚警。为了克服CFAR的上述缺点,出现了自适应CFAR检测器。VI-CFAR是CA-CFAR、OS-CFAR、GO-CFAR、SO-CFAR四个CFAR检测器的组合或变体,可以根据杂波背景自适应地选择CFAR检测器,但是在多目标环境下会呈现检测性能的下降。公开号为CN111337894A的专利申请“一种智能参考单元平均恒虚警检测方法”,将两种CFAR检测的输出结果进行融合,并建立剔除信息矩阵提高目标检测效果,但该方法实现较为耗时。HCE-CFAR检测器是一种适用于非均匀背景下的自适应CFAR方法,该方法首先找出不同背景下的临界单元,判断检测单元位于哪个背景区域,然后对该区域进行背景功率评估,最后进行CFAR检测。该方法在杂波边缘检测较好,但如果参考窗分布均匀,HCE-CFAR算法同样只采用一部分参考窗进行背景功率估计,这样会损失一部分检测性能且增加算法复杂度去寻找杂波临界点。为了寻找一种可在多目标、杂波边缘、均匀环境下均具有良好检测性能的自适应CFAR检测器。公开号为CN111929679A的专利申请“一种自适应加权截断统计恒虚警检测方法”,根据参考单元中的数据确定截断深度,比较参考单元数据与截断深度并进行迭代更新直至参考单元所有数据小于截断深度方可进行背景功率估计,由于涉及迭代计算,该方法效率不高。
因此,亟需一种能够在多目标、杂波边缘、均匀环境情况下自适应地检测目标的新方法。
发明内容
有鉴于此,本发明的目的在于提供一种基于背景预筛选的自适应CFAR目标检测方法,直接利用均值和方差进行潜在目标检测,利用背景功率均值代替潜在目标进行背景功率估计使得多目标情况下检测效率更高;另外,还在杂波边缘检测前增加了背景均匀性评估,提高HCE-CFAR在均匀背景下的检测效果;最终可在多目标、杂波边缘以及均匀环境下自适应地检测目标。
为达到上述目的,本发明提供如下技术方案:
一种基于背景预筛选的自适应CFAR目标检测方法,首先对参考窗口进行参数估计剔除背景中的疑似目标,避免目标遮蔽效应;其次对背景均匀性进行评估,确保背景均匀时背景功率估计能使用到更多的参考窗口;对不均匀的背景检测杂波边缘,确定只保留属于本检测单元所在背景的参考窗口进行背景功率估计,提高算法在边缘环境的检测效果,避免由于背景功率估计的不准确导致边缘处出现漏警或虚警;最后再用得到的参考窗口利用CA-CFAR对检测单元进行判决。具体包括以下步骤:
S1:接收雷达回波信号,并对信号进行平方律检波处理;
S2:设置检测单元左右参考窗的大小,将平方律检波后的数据载入滑窗;
S3:通过下式计算参考窗口的均值μb及方差σb 2,检测出潜在目标点用均值μb替代;
S4:通过最大似然法计算似然相关函数值和l0,估计背景参考窗口的均匀性,若背景均匀,则用原参考窗口作为背景进行步骤S6;若背景不均匀,则进行步骤S5;其中l0为背景均匀时的似然相关函数值,/>为杂波边缘临界单元所处位置的似然相关函数值;
S5:利用步骤S4中的计算杂波临界值,将目标一侧的参考窗口选出进行步骤S6;
S6:进行背景功率估计;
S7:将背景功率估计值与标称因子相乘得到检测门限;
S8:将检测单元数据与检测门限进行比较从而做出判决。
进一步,步骤S1中,通过匹配滤波器获取雷达回波信号各个距离单元的I、Q两路数据,将I、Q两路数据进行平方求和即平方律检波处理,此时可将处理后的数据看作符合瑞利分布模型进行后续的检测操作。
进一步,步骤S2中,设置检测单元左右参考窗的大小,设置左右参考窗长度相等,为n/2,设置检测单元两侧的若干个距离单元b1···bn为背景窗口,将步骤一中经过平方律检波处理后的数据载入检测单元背景窗口。
进一步,步骤S3中,均值μb及方差σb 2的计算公式为:
其中,bi表示参考窗口中的第i个参考单元的数据,n表示检测单元s的参考窗口中共有n个参考单元,μb和σb 2分别为检测单元s的参考窗口的均值及方差。
更进一步,步骤S3中,对潜在目标的检测用以下方式判定:
bi-μb>k·σb 2,i=1,...,n
其中,k为常数。
进一步,步骤S4中,设M为两种背景分布的临界单元,则M-1位于背景区域1,M+1位于背景区域2。设检测单元s所处位置为S,当S<M用背景区域1的功率估计λ1 2进行检测,参考单元数为M。当S>M用背景区域2的功率估计λ2 2进行检测,参考单元数为N-M。
背景均匀时的似然相关函数为:
其中,为经过步骤S3处理后的参考窗口的功率,表示为:/>其中xi为当前参考窗口中的第i个参考单元的数据,N为剔除疑似目标后参考单元的数量;
背景均匀性判断具体为:
若则杂波背景具有一致性;若/>则背景杂波不均匀。
更进一步,步骤S4中,杂波边缘临界单元所处位置的似然相关函数为:
其中,和/>分别为杂波临界单元位置/>分割后背景区域1和背景区域2的背景功率,l0为背景均匀时的似然相关函数值,/>为经过步骤S3处理后的参考窗口的功率。
进一步,步骤S5中,杂波临界值的计算公式为:
其中,是对对背景区域1和背景区域2分界临界点的估计值;估计值/>求解后,比较检测目标所处位置S与/>的大小关系。如果/>则目标处于背景区域1,使用杂波功率估计λ1 2计算检测门限XT。如果/>则目标处于背景区域2,使用功率估计λ2 2计算检测门限XT。
进一步,步骤S6中,计算经过预筛选后剩余的数据的和值,具体过程为:
其中,xi(i=1...j)为第i个参考单元数据,j为预筛选后参考窗口中检测单元的数目,Z为参考单元的功率估计值,背景均匀时可直接使用步骤四中已经计算出的作为背景功率。
进一步,步骤S7中,自适应检测门限为:
XT=T*Z
其中,Z为经过预筛选后剩余的数据的和值;T为门限因子,在杂波符合高斯分布的假设下为:
T=Pfa -1/2j-1
其中,Pfa的值为人为设置的虚警率,通常取10-3。
进一步,步骤S8中,将检测单元数据与检测门限进行比较:
其中,H1和H0分别表示有目标和无目标。
本发明的有益效果在于:
(1)本发明方法进行了潜在目标剔除,可以更好地在多目标的情况下对目标进行检测,避免目标遮蔽效应。
(2)本发明方法对背景的均匀性进行评估,可以保证在均匀环境下得到更准确的背景功率估计。
(3)本发明方法对杂波临界单元进行检测,可以使得目标检测方法在杂波环境有更好的检测效果。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为基于背景预筛选的自适应CFAR目标检测方法系统框图;
图2为各方法在单目标环境中的检测结果对比图及局部放大图;
图3为各方法在多目标环境中的检测结果对比图及局部放大图;
图4为各方法在杂波边缘环境中的检测结果对比图及局部放大图;
图5为各方法在复杂环境中的检测结果对比图及局部放大图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图5,图1为本发明提供的一种基于背景预筛选的自适应CFAR目标检测方法,通过多次对背景进行预筛选,使得目标检测方法在多目标以及不均匀情况下具有自适应性,并尽量保证检测的效率。具体步骤为:
步骤一:接收雷达回波信号,并对信号进行平方律检波处理;
通过匹配滤波器获取雷达回波信号各个距离单元的I、Q两路数据,将I、Q两路数据进行平方求和即平方律检波处理,将处理后的数据看作符合瑞利分布模型进行后续的检测操作。
步骤二:设置检测单元左右参考窗的大小,将平方律检波后的数据载入滑窗;
设置检测单元左右参考窗的大小,左右均n=10个参考单元,假设检测单元两侧的若干个距离单元b1···bn为背景窗口,将步骤一中经过平方律检波处理后的数据载入检测单元背景窗口。
步骤三:计算参考窗口的均值μb及方差σb 2,通过比较剔除背景中的潜在目标,检测出的潜在目标点的数据用均值μb替代;
其中均值μb及方差σb 2的计算方式为:
步骤三中对潜在目标的检测用以下方式判定:
bi-μb>k·σb 2,i=1,...,n. (3)
本实施例中k取4。
步骤四:通过最大似然法计算似然相关函数值和l0,估计背景参考窗口的均匀性,若背景均匀,则用原参考窗口作为背景进行步骤六,若背景不均匀,则进行步骤五;
设M为两种背景分布的临界单元,则M-1位于背景区域1,M+1位于背景区域2。设检测单元s所处位置为S,当S<M用背景区域1的功率估计λ1 2进行检测,参考单元数为M。当S>M用背景区域2的功率估计λ2 2进行检测,参考单元数为N-M。背景均匀和杂波临界点的似然相关函数分别为:
其中,分别为:
其中xi为当前参考窗口中的第i个参考单元的数据,为杂波边缘临界单元所处位置/>的似然相关函数值,/>和/>分别为杂波临界单元位置/>分割后背景区域1和背景区域2的背景功率,l0为背景均匀时的似然相关函数值,/>为经过步骤三处理后的参考窗口的功率。
将l0与进行对比,若/>则杂波背景具有一致性,则用原参考窗口作为背景进行步骤六。若/>则背景杂波不均匀,则进行步骤五。
步骤五:利用步骤四中的计算杂波临界值,将目标一侧的参考窗口选出进行步骤六;
由于步骤四中因此背景区域1和背景区域2的临界点可以表示为:
由此可知,是对背景区域1和背景区域2分界临界点的估计值。估计值/>求解后,比较检测目标所处位置S与位置/>的大小关系。如果/>则目标处于背景区域1,使用杂波功率估计λ1 2计算检测门限XT。如果/>则目标处于背景区域2,使用功率估计λ2 2计算检测门限XT。
步骤六:进行背景功率估计;
计算经过预筛选后剩余的数据的和值,具体过程为:
其中xi(i=1...j)为第i个参考单元数据,j为预筛选后参考窗口中检测单元的数目,Z为参考单元的功率估计值,背景均匀时可直接使用步骤四中已经计算出的作为背景功率。
步骤七:将背景功率与标称因子相乘得到检测门限;
自适应检测门限为:
XT=T*Z (11)
其中T为门限因子,在杂波符合高斯分布的假设下为:
T=Pfa -1/2j-1 (12)
步骤八:将检测单元数据与检测门限进行比较从而做出判决。
其中H1和H0分别表示该检测单元有目标或无目标。
通过以下仿真实验对本发明效果作进一步验证说明。
(一)实验条件
实验运行平台:Matlab R2016a、Intel Core i5-7400处理器、8.00GB内存、3.00GHz主频。
(二)仿真实验内容
分别在单目标环境、多目标环境、杂波边缘环境、同时存在多目标及杂波边缘的复杂环境下进行目标检测,对比方法为CA-CFAR、SO-CFAR、OS-CFAR。三个对比方法的参数设置均为:检测单元前后沿各有3个保护单元和10个参考单元。本方法(在仿真图中用pre-cfar表示)前后窗各设置10个参考单元,不设置保护单元,参数k取4。
单目标环境下的对比实验中,SNR=20dB,目标处于距离单元50处,信噪比为35dB。从仿真对比图2中可看出单目标环境下各方法均能正确检测出目标,且不会产生虚警。
多目标环境下的对比实验中,SNR=20dB,目标处于距离单元50处及距离单元58处,信噪比分别为35dB和40dB。从仿真对比图3中可看出多目标环境下CA-CFAR不能同时把两个目标检测出来,本方法和另外两个方法均能检测出目标,但是SO-CFAR在某些杂波处产生了虚警。
杂波边缘环境下的对比实验中,前100个距离单元SNR=20dB,后100个距离单元SNR=30dB,目标处于距离单元95处,信噪比为40dB。从仿真对比图4中可看出杂波边缘环境下CA-CFAR不能同时把两个目标检测出来,本方法和SO-CFAR能够准确地在边缘将目标检测出来,但是SO-CFAR依旧会在某些杂波处产生虚警。
复杂环境下的对比实验中,前100个距离单元SNR=20dB,后100个距离单元SNR=30dB,目标分别处于距离单元50、58、95处,信噪比分别为35dB、40dB、40dB。从仿真对比图5中可看出复杂环境下CA-CFAR未在多目标背景下检测出目标,而SO-CFAR和OS-CFAR虽然准确检测处理紧挨着的两个目标以及杂波边缘的目标,但是同时在杂波处产生了虚警。
综上所述,仿真实验验证了本发明的正确性,有效性和可靠性。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于背景预筛选的自适应CFAR目标检测方法,其特征在于,该方法具体包括以下步骤:
S1:接收雷达回波信号,并对信号进行平方律检波处理;
S2:设置检测单元左右参考窗的大小,将平方律检波后的数据载入滑窗;
S3:通过计算公式参考窗口的均值μb及方差σb 2,检测出潜在目标点用均值μb替代;
S4:通过最大似然法计算似然相关函数值和l0,估计背景参考窗口的均匀性,若背景均匀,则用原参考窗口作为背景进行步骤S6;若背景不均匀,则进行步骤S5;其中l0为背景均匀时的似然相关函数值,/>为杂波边缘临界单元所处位置的似然相关函数值;
步骤S4中,设M为两种背景分布的临界单元,则M-1位于背景区域1,M+1位于背景区域2;设检测单元s所处位置为S,当S<M用背景区域1的功率估计λ1 2进行检测,参考单元数为M;当S>M用背景区域2的功率估计λ2 2进行检测,参考单元数为N-M;
背景均匀时的似然相关函数为:
其中,为经过步骤S3处理后的参考窗口的功率,表示为:/>其中xi为当前参考窗口中的第i个参考单元的数据,N为剔除疑似目标后参考单元的数量;
背景均匀性判断具体为:
若则杂波背景具有一致性;若/>则背景杂波不均匀;
杂波边缘临界单元所处位置的似然相关函数为:
其中, 和/>分别为杂波临界单元位置/>分割后背景区域1和背景区域2的背景功率;
S5:利用步骤S4中的计算杂波临界值,将目标一侧的参考窗口选出进行步骤S6;
杂波临界值的计算公式为:
其中,是对不同背景区域分界临界点的估计值;估计值/>求解后,比较检测目标所处位置S与/>的大小关系;如果/>则目标处于背景区域1,使用杂波功率估计λ1 2计算检测门限XT;如果/>则目标处于背景区域2,使用功率估计λ2 2计算检测门限XT;
S6:进行背景功率估计;
S7:将背景功率估计值与标称因子相乘得到检测门限;
S8:将检测单元数据与检测门限进行比较从而做出判决。
2.根据权利要求1所述的自适应CFAR目标检测方法,其特征在于,步骤S3中,均值μb及方差σb 2的计算公式为:
其中,bi表示参考窗口中的第i个参考单元的数据,n表示检测单元s的参考窗口中共有n个参考单元,μb和分别为检测单元s的参考窗口的均值及方差。
3.根据权利要求2所述的自适应CFAR目标检测方法,其特征在于,步骤S3中,对潜在目标的检测用以下方式判定:
bi-μb>k·σb 2,i=1,...,n
其中,k为常数。
4.根据权利要求1所述的自适应CFAR目标检测方法,其特征在于,步骤S7中,检测门限为:
XT=T*Z
其中,Z为经过预筛选后剩余的数据的和值,T为门限因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110163565.1A CN112965040B (zh) | 2021-02-05 | 2021-02-05 | 一种基于背景预筛选的自适应cfar目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110163565.1A CN112965040B (zh) | 2021-02-05 | 2021-02-05 | 一种基于背景预筛选的自适应cfar目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112965040A CN112965040A (zh) | 2021-06-15 |
CN112965040B true CN112965040B (zh) | 2024-01-23 |
Family
ID=76274710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110163565.1A Active CN112965040B (zh) | 2021-02-05 | 2021-02-05 | 一种基于背景预筛选的自适应cfar目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112965040B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114089301A (zh) * | 2021-11-05 | 2022-02-25 | 哈尔滨工程大学 | 一种基于神经网络的新型自适应声呐目标检测方法及计算机设备 |
CN115032606B (zh) * | 2022-08-11 | 2022-11-04 | 湖北工业大学 | 一种基于局部最小选定单元平均的恒虚警检测器 |
CN116559810A (zh) * | 2023-04-10 | 2023-08-08 | 北京盛安同力科技开发有限公司 | 一种有序的杂波图恒虚警检测算法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5499030A (en) * | 1994-03-18 | 1996-03-12 | The United States Of America As Represented By The Secretary Of The Air Force | Expert system constant false alarm rate (CFAR) processor |
US6078281A (en) * | 1996-06-28 | 2000-06-20 | Milkovich Systems Engineering | Signal processing architecture which improves sonar and pulse Doppler radar performance and tracking capability |
CN101975940A (zh) * | 2010-09-27 | 2011-02-16 | 北京理工大学 | 基于分割组合的sar图像自适应恒虚警率目标检测方法 |
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 |
CN103353594A (zh) * | 2013-06-17 | 2013-10-16 | 西安电子科技大学 | 二维自适应雷达恒虚警检测方法 |
CN103995258A (zh) * | 2014-06-06 | 2014-08-20 | 中国人民解放军海军航空工程学院 | 复杂杂波边缘环境下雷达目标自适应融合检测方法 |
CN104391290A (zh) * | 2014-11-17 | 2015-03-04 | 电子科技大学 | 一种适用于复杂非均匀杂波下的cfar检测器 |
CN104502899A (zh) * | 2014-12-27 | 2015-04-08 | 长安大学 | 一种自适应的恒虚警率目标检测方法 |
KR101546421B1 (ko) * | 2015-02-16 | 2015-08-24 | 에스티엑스엔진 주식회사 | 적응 cfar 처리방법 |
CN105738883A (zh) * | 2016-04-08 | 2016-07-06 | 南京邮电大学 | 一种部分均匀海杂波背景下的平滑广义似然比检测方法 |
EP3040737A2 (en) * | 2014-12-30 | 2016-07-06 | Propagation Research Associates, Inc. | Using orthogonal space projections to generate a constant false alarm rate control parameter |
CN106872958A (zh) * | 2017-04-27 | 2017-06-20 | 中国人民解放军海军航空工程学院 | 基于线性融合的雷达目标自适应检测方法 |
CN107884757A (zh) * | 2016-09-30 | 2018-04-06 | 比亚迪股份有限公司 | 恒虚警目标检测方法、装置及车辆 |
CN109859242A (zh) * | 2019-01-16 | 2019-06-07 | 重庆邮电大学 | 一种预测自适应学习的目标跟踪方法 |
CN111337894A (zh) * | 2020-03-04 | 2020-06-26 | 清华大学 | 一种智能参考单元平均恒虚警检测方法 |
CN111538012A (zh) * | 2020-04-27 | 2020-08-14 | 东南大学 | 一种基于干扰消除的自适应恒虚警检测方法 |
CN111929679A (zh) * | 2020-08-04 | 2020-11-13 | 南京理工大学 | 一种自适应加权截断统计恒虚警检测方法 |
CN112180341A (zh) * | 2020-09-29 | 2021-01-05 | 中国船舶重工集团公司第七二四研究所 | 一种背景自适应cfar算法选择的实现方法 |
-
2021
- 2021-02-05 CN CN202110163565.1A patent/CN112965040B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5499030A (en) * | 1994-03-18 | 1996-03-12 | The United States Of America As Represented By The Secretary Of The Air Force | Expert system constant false alarm rate (CFAR) processor |
US6078281A (en) * | 1996-06-28 | 2000-06-20 | Milkovich Systems Engineering | Signal processing architecture which improves sonar and pulse Doppler radar performance and tracking capability |
CN101975940A (zh) * | 2010-09-27 | 2011-02-16 | 北京理工大学 | 基于分割组合的sar图像自适应恒虚警率目标检测方法 |
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 |
CN103353594A (zh) * | 2013-06-17 | 2013-10-16 | 西安电子科技大学 | 二维自适应雷达恒虚警检测方法 |
CN103995258A (zh) * | 2014-06-06 | 2014-08-20 | 中国人民解放军海军航空工程学院 | 复杂杂波边缘环境下雷达目标自适应融合检测方法 |
CN104391290A (zh) * | 2014-11-17 | 2015-03-04 | 电子科技大学 | 一种适用于复杂非均匀杂波下的cfar检测器 |
CN104502899A (zh) * | 2014-12-27 | 2015-04-08 | 长安大学 | 一种自适应的恒虚警率目标检测方法 |
EP3040737A2 (en) * | 2014-12-30 | 2016-07-06 | Propagation Research Associates, Inc. | Using orthogonal space projections to generate a constant false alarm rate control parameter |
KR101546421B1 (ko) * | 2015-02-16 | 2015-08-24 | 에스티엑스엔진 주식회사 | 적응 cfar 처리방법 |
CN105738883A (zh) * | 2016-04-08 | 2016-07-06 | 南京邮电大学 | 一种部分均匀海杂波背景下的平滑广义似然比检测方法 |
CN107884757A (zh) * | 2016-09-30 | 2018-04-06 | 比亚迪股份有限公司 | 恒虚警目标检测方法、装置及车辆 |
CN106872958A (zh) * | 2017-04-27 | 2017-06-20 | 中国人民解放军海军航空工程学院 | 基于线性融合的雷达目标自适应检测方法 |
CN109859242A (zh) * | 2019-01-16 | 2019-06-07 | 重庆邮电大学 | 一种预测自适应学习的目标跟踪方法 |
CN111337894A (zh) * | 2020-03-04 | 2020-06-26 | 清华大学 | 一种智能参考单元平均恒虚警检测方法 |
CN111538012A (zh) * | 2020-04-27 | 2020-08-14 | 东南大学 | 一种基于干扰消除的自适应恒虚警检测方法 |
CN111929679A (zh) * | 2020-08-04 | 2020-11-13 | 南京理工大学 | 一种自适应加权截断统计恒虚警检测方法 |
CN112180341A (zh) * | 2020-09-29 | 2021-01-05 | 中国船舶重工集团公司第七二四研究所 | 一种背景自适应cfar算法选择的实现方法 |
Non-Patent Citations (10)
Title |
---|
A multiple intelligent software agent based technique for improving radar detection of low observable small craft in sea clutter;E.J. Hughes 等;The IEE Seminar on Signal Processing Solutions for Homeland Security, 2005. (Ref. No. 2005/11108);全文 * |
Introducing Deep Learning Self-Adaptive Misuse Network Intrusion Detection Systems;Dimitrios Papamartzivanos 等;IEEE Access;全文 * |
一种基于有序统计的鲁棒CFAR检测器;胡文琳;王永良;王首勇;;电子学报(第03期);全文 * |
一种基于自适应非线性滤波的UWB SAR目标检测预处理方法;王红岗 等;雷达科学与技术;全文 * |
一种改进的VI CFAR检测器;范时胜;王立振;;空军雷达学院学报(第05期);全文 * |
加权平均模糊恒虚警检测方法研究;郝程鹏;李军;侯朝焕;;现代雷达(第09期);全文 * |
基于删除平均的VI-CFAR检测器;原慧;陶建锋;安磊;;现代防御技术(第04期);全文 * |
基于局部对比度测量的红外弱小目标恒虚警检测;姚朝霞 等;红外技术;全文 * |
基于排序数据变率的最大似然恒虚警检测方法;曲付勇;孟祥伟;;探测与控制学报(第01期);全文 * |
自适应CA-CFAR的心电信号R波检测技术;包志强 等;信号处理;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112965040A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112965040B (zh) | 一种基于背景预筛选的自适应cfar目标检测方法 | |
CN107884757B (zh) | 恒虚警目标检测方法、装置及车辆 | |
KR101871874B1 (ko) | 불균일 환경에 효과적인 적응형 cfar 처리 방법 및 시스템 | |
CN111427021B (zh) | 车载毫米波雷达信号峰值检测的动态阈值计算方法及系统 | |
CN107024682B (zh) | 一种基于自适应剔除算法的目标检测方法 | |
CN109188388B (zh) | 一种对抗多目标干扰的恒虚警检测方法 | |
CN107153180B (zh) | 一种目标信号检测方法及系统 | |
CN111693961A (zh) | 一种基于kl散度单元筛选的cfar检测器 | |
CN112180341B (zh) | 一种背景自适应cfar算法选择的实现方法 | |
CN114114192B (zh) | 集群目标检测方法 | |
CN112346029B (zh) | 基于待检测单元的可变参考窗单元平均恒虚警检测方法 | |
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 | |
GB2265461A (en) | Signal tracking,estimation,and removal processes using a maximum,a posteriori algorithm, and sequential signal detection | |
CN111551903A (zh) | 改进型二维变化指数恒虚警目标检测方法 | |
CN111929679B (zh) | 一种自适应加权截断统计恒虚警检测方法 | |
CN107703495B (zh) | 一种目标信号检测方法及系统 | |
CN105699949A (zh) | 一种目标检测方法及装置 | |
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 | |
US8416118B1 (en) | Chaff cloud detection and centroid estimation | |
CN106526545A (zh) | 一种鲁棒cfar检测器的检测方法 | |
CN107024680A (zh) | 一种基于双删除门限的目标检测方法 | |
KR102092278B1 (ko) | 비균질 클러터 환경에서 표적을 탐지하는 2d go ca-cfar 탐지 방법 및 그 시스템 | |
CN115616514A (zh) | 一种基于背景熵的密集目标快速检测方法及系统 | |
CN115032606B (zh) | 一种基于局部最小选定单元平均的恒虚警检测器 | |
CN114415135A (zh) | 基于变化指数的多策略韦布尔cfar检测方法 |
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 |