CN113189560B - 基于贝叶斯干扰控制的变异指数的bvi-cfar目标检测算法 - Google Patents

基于贝叶斯干扰控制的变异指数的bvi-cfar目标检测算法 Download PDF

Info

Publication number
CN113189560B
CN113189560B CN202110540434.0A CN202110540434A CN113189560B CN 113189560 B CN113189560 B CN 113189560B CN 202110540434 A CN202110540434 A CN 202110540434A CN 113189560 B CN113189560 B CN 113189560B
Authority
CN
China
Prior art keywords
cfar
interference
bvi
bayesian
detector
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
CN202110540434.0A
Other languages
English (en)
Other versions
CN113189560A (zh
Inventor
巩朋成
朱鑫潮
李婕
王兆彬
邓薇
周顺
贺章擎
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.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202110540434.0A priority Critical patent/CN113189560B/zh
Publication of CN113189560A publication Critical patent/CN113189560A/zh
Application granted granted Critical
Publication of CN113189560B publication Critical patent/CN113189560B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

公开了一种基于贝叶斯干扰控制的变异指数的BVI‑CFAR目标检测算法，所述算法首先将滑动窗口分为前后检测窗后，再次将前后检测窗口分为两份，得到四个检测窗口，然后采用变异指数对四个滑动窗口过程进行分析，判断干扰可能存在的窗口位置，然后采用贝叶斯滑动窗口干扰控制方法，对窗口干扰进行预测和补偿，推导出了贝叶斯变异指数算法的检测过程的表达式。本发明首次将贝叶斯滑动窗口干扰控制的方法运用于变异指数检测过程，具有很好的多目标检测效果，相对于传统的VI‑CFAR算法，解决了VI‑CFAR检测器在两侧都出现目标时，检测概率大大降低的问题，贝叶斯干扰控制的运用，减少了干扰对检测过程的影响，提高了雷达在复杂环境和多目标环境下的检测性能，为CFAR算法提供了新方法。

Description

基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法
技术领域
本发明涉及雷达多目标检测及其抗干扰技术领域，尤其涉及一种基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法。
背景技术
随着社会和科技的发展，人工智能和汽车工业的快速发展,毫无疑问，驾驶员配合辅助驾驶系统是未来汽车出行的主要形态，而车载毫米波雷达作为辅助驾驶系统的重要组成，具有很高的研究价值。然而雷达在检测过程中，接收到的信号不仅仅是目标信号，还包含了一些实时变化的杂波信号，面对这种情况，雷达恒虚警率(Constant False AlarmRate，CFAR)处理也就应运而生。CFAR处理技术的问世可以使雷达检测目标的虚警概率保持一定范围不变，减少了进行检测时的信杂比损失，使得目标的检测概率最大化。相对于传统的固定门限检测，CFAR可以根据雷达杂波背景分布提供的先验信息，通过特定的算法，自适应的改变检测门限，对目标有无进行判决，从而方便对目标进行下一步的处理。因此，雷达恒虚警处理技术在雷达信号处理和目标检测领域中是最为关键的环节。
伴随着雷达技术的发展，许多恒虚警检测算法诞生，但其仍然存在缺陷。传统CFAR的假设只能在某种特定环境下获得较好检测性能，然而随着雷达应用场景的复杂化，实际工程中并不能满足理想的设计条件，CFAR检测性能严重下降。因此，对于多目标，其最大的挑战是复杂背景下的检测问题，如何在该背景下自适应选择检测门限，提升检测器抗干扰能力，成为雷达研究领域的重要目标。
发明内容
本申请发明了基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法，解决了VI-CFAR在双侧都存在目标时，检测概率下降严重的问题，同时提高了VI-CFAR检测器在均匀环境下的检测性能，为CFAR检测提供了一种全新的方法。
与此同时。本文对于贝叶斯检测多目标情况下计算复杂的问题，提出了贝叶斯分类干扰控制方法，对背景中的多个干扰同时进行预测推理，在提高抗干扰能力的同时，降低了计算的复杂度。
与现有技术相比，本发明的优点在于：
1.首次发明将贝叶斯干扰控制运用于变异指数检测器(VI-CFAR)，并且优化了变异指数检测器，解决了VI-CFAR在双侧都存在目标时，检测概率下降严重的问题，同时提高了VI-CFAR检测器在均匀环境下的检测性能。
2.推导了贝叶斯干扰控制运用于变异指数检测器的过程，得到了BVI-CFAR检测器的检测表达式。
3.可以进一步扩展成多窗口模式的BVI-CFAR检测器，也可应用贝叶斯多窗口干扰控制，适应于更加复杂的环境，提高目标检测精度。
4.提出了分类贝叶斯干扰控制方法，在提高抗干扰能力的同时，降低了计算的复杂度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1是基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法流程图。
图2是VI-CFAR检测算法流程图。
图3是BVI-CFAR检测器的算法流程图。
图4是自适应门限和决策选择表。
图5a是均匀环境和含有一个单侧干扰环境下的检测性能曲线。
图5b是均匀环境和含有两个双侧干扰环境下的检测性能曲线。
图6a是KMR阈值与检测决策变化概率曲线。
图6b是KVI阈值与检测决策变化概率曲线
具体实施方式
图1展示了一种基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法，该方法包括以下步骤：
步骤1，与传统的变异指数检测器(VI-CFAR)相比，如图2所示。本文采用更为细化的分割方式，将滑窗分为四个部分，然后对每一个部分求其二阶统计量VVI和统计和，如图3所示。步骤2，将求得得二阶统计量VVIA,VVIB,VVIC,VVID和统计量阈值KVI进行比较，将均值比MR0,MR1,MR2和均值阈值KMR进行对比。
选择阈值KBVI＝5时，均匀环境下检测器超过该值的概率不到1％，故可以选择KBVI＝5为VI-CFAR检测器的二次统计量阈值，并且BVI-CFAR检测器阈值受干扰杂波影响小。
选择阈值KMR＝3时，均匀环境下检测器超过该值的概率不到1％，故可以选择KMR＝3为BVI-CFAR检测器的均值统计量阈值。
步骤3，VVI≤KVI时为均匀杂波，KMR -1≤VMR≤KMR为两窗口均值相同，然后根据图4所示规则进行门限选择；其中1，5，等价于CA-CFAR检测器，CN为滑动大小为N时的门限阈值因子，∑ABCD为四个滑动窗口单元的求和，2,3,4为本文所发明的贝叶斯干扰控制方法，其具体细节如下：
假设背景杂波服从参数为λ的指数分布，干扰服从参数为μ的指数分布，贝叶斯假设检验判决方法由下式表示：
Figure BDA0003071499900000031
则贝叶斯检测虚警率表示为：
Figure BDA0003071499900000032
其中：
Figure BDA0003071499900000033
当系统存在一个干扰的情况下的表达式为：
Figure BDA0003071499900000034
Figure BDA0003071499900000035
其中，
Figure BDA0003071499900000036
以此类推，Yj为第j个单元有干扰，而出现的概率为πj，N为滑动窗口总数，m为滑窗划分的个数(m<<n)，此算法选择的m＝4；最终PFA可以由下式展示：
Figure BDA0003071499900000037
由于(6)式的τ很难反解出来，因子贝叶斯规则改为下式：
Figure BDA0003071499900000041
化简(7)式可得：
Figure BDA0003071499900000042
其中图4决策表中：
Figure BDA0003071499900000043
最后通过蒙特卡洛实验验证算法的可靠性，此处滑动窗口总数N＝24,虚警率PFA＝1e-4，蒙特卡洛次数M＝1e6,二次统计量阈值KVI＝3,均值阈值KMR＝1.8。在滑动窗口第一个单元和第24个单元加上20dB干扰，将固定阈值门限设置为限制表示为Limt,对比了OPT-CFAR,CA-CFAR,VI-CFAR和BVI-CFAR算法在均匀环境(无干扰)和两个干扰情况下的性能，得到了检测性能曲线如图5所示。由图可知，在均匀环境下,CA-CFAR性能相对于其他算法较好，但是在存在干扰的情况下，性能严重下降。BVI-CFAR算法相对于传统的VI-CFAR算法，在均匀环境下较好于前者，但是VI-CFAR在前后滑窗都存在干扰的情况下，性能严重下降，BVI-CFAR运用多滑窗决策解决这个问题的同时，运用贝叶斯干扰控制技术提高了在多目标和复杂情况的检测概率，仿真结果验证了该算法相对于传统算法优势。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法，其特征在于，包括：
步骤1、将雷达收到的数据{x1,x2,...,xn/2-1,xn/2+1,...,xn}分成Y1,Y2,Y3,Y4四份，其中Yi＝x(i-1)n/4+1+…+xin/4,其中i＝1,2,3,4；
步骤2、分别计算二阶统计量VVI和VMR，
Figure FDA0004121656380000011
其中
Figure FDA0004121656380000012
为方法的估计值，
Figure FDA0004121656380000013
为均值的估计值，
Figure FDA0004121656380000014
为n个单元的算术平均值，
Figure FDA0004121656380000015
Figure FDA0004121656380000019
为四个窗口的均值；
步骤3、选择VVI的阈值KVI，VMR的阈值KMR,并比较统计量或者均值和阈值的大小，当VVI≤KVI时为均匀杂波；KMR -1≤VMR≤KMR为两窗口均值相同，通过对比的结果选择合适的CFAR处理器,具体表述为如下所示：
当检测器检测到系统背景为均匀杂波，即
Figure FDA0004121656380000016
同时满足时，选择CA-CFAR作为检测器，当系统检测到背景含有干扰，即
Figure FDA0004121656380000017
有一个不满足时，选择BVI-CFAR作为检测器；
步骤4、分析比较结果，对初步确定有干扰的窗口采用贝叶斯干扰方法进行干扰控制，得到最终的自适应门限和CFAR选择的判决方法，并输出结果，定义对于非均匀杂波和待侧单元CUT两侧窗口均值不同的情况，所述步骤3中，通过对比的结果选择合适的CFAR处理器基于以下条件：
Figure FDA0004121656380000018
其中1，5等价于CA-CFAR检测器，2,3,4采用贝叶斯干扰控制方法；
所述步骤4中，采用贝叶斯干扰方法进行干扰控制的具体方法包括，将参考单元分成四等份：
步骤4.1、假设第j个等分之中存在目标，求出检测器在干扰存在的条件下的联合概率密度
Figure FDA0004121656380000021
其中λ为背景杂波参数，μ为干扰的参数，N为参考单元个数，πj为第j个等份之中存在干扰的先验概率,Zi表示第i个等份区域；
步骤4.2、对于感兴趣的区域，采用Jeffreys先验，这个先验为杂波参数的倒数，求出联合先验分布
Figure FDA0004121656380000022
步骤4.3、然后通过联合概率密度和联合先验分布求出贝叶斯预测密度
Figure FDA0004121656380000023
步骤4.4、将步骤4.3的贝叶斯预测密度代入虚警率表达式得到
Figure FDA0004121656380000024
然后通过步骤4.4求出检测器的决策方法
Figure FDA0004121656380000025
2.根据权利要求1所述的一种基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法，其特征在于，选择VVI的阈值KVI，VMR的阈值KMR,选取要求具体过程如下所示：
选择阈值KBVI＝M时，均匀环境下检测器超过该值的概率不到1％，故选择KBVI＝M为VI-CFAR检测器的二次统计量阈值，并且BVI-CFAR检测器阈值受干扰杂波影响小；
选择阈值KMR＝N时，均匀环境下检测器超过该值的概率不到1％，故选择KMR＝N为BVI-CFAR检测器的均值统计量。
CN202110540434.0A 2021-05-18 2021-05-18 基于贝叶斯干扰控制的变异指数的bvi-cfar目标检测算法 Active CN113189560B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110540434.0A CN113189560B (zh) 2021-05-18 2021-05-18 基于贝叶斯干扰控制的变异指数的bvi-cfar目标检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110540434.0A CN113189560B (zh) 2021-05-18 2021-05-18 基于贝叶斯干扰控制的变异指数的bvi-cfar目标检测算法

Publications (2)

Publication Number Publication Date
CN113189560A CN113189560A (zh) 2021-07-30
CN113189560B true CN113189560B (zh) 2023-04-28

Family

ID=76982379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110540434.0A Active CN113189560B (zh) 2021-05-18 2021-05-18 基于贝叶斯干扰控制的变异指数的bvi-cfar目标检测算法

Country Status (1)

Country Link
CN (1) CN113189560B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114660554B (zh) * 2022-05-25 2022-09-23 中国人民解放军空军预警学院 一种雷达目标和干扰的检测分类方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10039008B2 (en) * 2014-11-26 2018-07-31 University Of Notre Dame Du Lac Method and apparatus for wideband spectrum sensing
CN106526545B (zh) * 2016-11-09 2018-11-23 西安空间无线电技术研究所 一种鲁棒cfar检测器的检测方法
CN107271973B (zh) * 2017-05-27 2020-05-22 南京理工大学 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
CN107703495B (zh) * 2017-09-01 2019-10-01 中国科学院声学研究所 一种目标信号检测方法及系统
CN108765403A (zh) * 2018-05-30 2018-11-06 合肥工业大学 一种多目标环境下的sar图像双参数cfar检测方法
CN111551903A (zh) * 2020-04-29 2020-08-18 南京理工大学 改进型二维变化指数恒虚警目标检测方法
CN111693961B (zh) * 2020-06-15 2023-05-16 哈尔滨工业大学 一种基于kl散度单元筛选的cfar检测器

Also Published As

Publication number Publication date
CN113189560A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
Greensmith et al. Variance Reduction Techniques for Gradient Estimates in Reinforcement Learning.
An et al. An improved iterative censoring scheme for CFAR ship detection with SAR imagery
Civicioglu Using uncorrupted neighborhoods of the pixels for impulsive noise suppression with ANFIS
CN111551903A (zh) 改进型二维变化指数恒虚警目标检测方法
KR20160039383A (ko) 적응 배경 선택에 의한 일정 오경보율 검파 방법 및 장치
CN111693961A (zh) 一种基于kl散度单元筛选的cfar检测器
CN113189560B (zh) 基于贝叶斯干扰控制的变异指数的bvi-cfar目标检测算法
CN110932807B (zh) 一种非高斯噪声下mimo系统的频谱感知方法及系统
CN112965040B (zh) 一种基于背景预筛选的自适应cfar目标检测方法
CN109447161B (zh) 一种基于汽车雷达数据的实时增量与自适应聚类方法
CN112346029A (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
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
Hyun et al. A new OS-CFAR detector design
CN113253235A (zh) 一种严重非均匀环境中的自适应信号检测方法与系统
CN113267758B (zh) 一种复合高斯环境下存在干扰时的目标检测方法与系统
IL181820A (en) Method for detecting and tracking punctual targets in an optoelectronic surveillance system
CN108196238B (zh) 高斯背景下基于自适应匹配滤波的杂波图检测方法
Zhou et al. Robust sliding window CFAR detection based on quantile truncated statistics
CN113391306A (zh) 恒虚警率车载雷达目标检测方法及装置、设备、存储介质
CN115856819A (zh) 一种基于平稳高斯过程的雷达目标恒虚警检测方法
CN114994628A (zh) 一种基于背景感知的超视距雷达多策略cfar检测方法
Musa’ed et al. A Backward Automatic Censored Cell Averaging Detector for Multiple Target Situations in Log-normal Clutter
CN113030928A (zh) 非均匀环境中极化雷达扩展目标自适应检测方法与系统
El Mashade Target multiplicity performance analysis of radar CFAR detection techniques for partially correlated chi-square targets
Bakry El_Mashade Performance comparison of a linearly combined ordered-statistic detectors under postdetection integration and nonhomogeneous situations

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