KR101546421B1 - 적응 cfar 처리방법 - Google Patents

Abstract

본 발명은 지면, 바다, 비, 장해물, 방해 전파 등에 의해 레이더 화면에 불필요하게 발생하는 반사상인 클러터(Clutter)의 경계영역 및 다중 표적 환경에서 오경보율의 증가를 억제하면서 표적 탐지 성능을 높일 수 있고, 특히 해상 클러터 환경 하에서 소형 표적 탐지 시 오경보 제어에 효과적인 적응 CFAR(Constant False Alarm Rate) 처리방법에 관한 것이다.

Description

적응 CFAR 처리방법{ADAPTIVE CONSTANT FALSE ALARM RATE PROCESSING METHOD}

본 발명은 적응 CFAR 처리방법에 관한 것으로,

보다 상세하게는 지면, 바다, 비, 장해물, 방해 전파 등에 의해 레이더 화면에 불필요하게 발생하는 반사상인 클러터(Clutter)의 경계영역 및 다중 표적 환경에서 오경보율의 증가를 억제하면서 표적 탐지 성능을 높일 수 있고, 특히 해상 클러터 환경 하에서 소형 표적 탐지 시 오경보 제어에 효과적인 적응 CFAR(Constant False Alarm Rate) 처리방법에 관한 것이다.

레이더 CFAR 처리는 여러 가지 환경에서 오경보 확률을 안정되게 유지하기 위한 잘 알려진 기술이다.

이러한 CFAR과 관련한 종래기술로, 공개특허 제10-2014-0083568호 (2014년 07월 04일)[레퍼런스 셀 분할 평균 기법에 의한 CFAR 검파 방법 및 이를 적용한 레이더 시스템] 및 등록특허 제10-1188301호 (2012년 09월 27일)[CFAR 처리 속도 개선을 위한 레이더 탐색기 및 그 개선 방법]등이 있다.

상기 종래기술 및 그 외 종래기술에서 제시되는 CFAR 탐지 방법은 표적을 둘러싼 배경 환경의 통계분포와 관련된 모든 파라미터를 알 수 없거나 지속적으로 변동될 때 레이더 표적 탐지에 널리 사용된다. 오경보율(false alarm rate)을 일정 수준으로 유지하기 위하여 CFAR 방법은 테스트 셀 인근의 간섭신호(잡음+클러터) 전력을 평가하여 cell- by- cell 기준으로 탐지 기준 값을 정한다. 이러한 평가는 테스트 셀 인근의 거리 기준 셀로 이루어진 배경 샘플 값을 처리하여 정한다. 즉 테스트 셀의 배경이 통계적으로 독립이고 동질성의 분포특성을 갖는 랜덤변수로 표현되는 균일 특성을 가지면 테스트 셀을 중심으로 미리 설정된 참조 윈도우의 샘플 값의 평균을 테스트 셀의 탐지 기준 값으로 정한다. 이러한 평균값을 탐지 기준 값으로 사용하는 방법을 cell averaging(CA) CFAR라 한다. 배경 특성이 클러터 경계 영역이나 간섭신호의 존재로 균일하지 않으면 CA CFAR 방법의 탐지 및 오경보 성능은 심각 하게 저하된다.

간섭신호 나 통상적으로 클러터 경계(clutter edge)라고 하는 클러터 경계 영역의 존재는 참조 윈도우 내에 균일성(homogeneity)의 부족으로 CFAR 처리의 특징적인 문제로 알려져 있다. 간섭신호나 클러터 경계 영역이 참조 윈도우에 나타나 참조 윈도우의 균일성을 파괴하는 샘플들을 이상점(Outlier)으로 이후 칭하며 배경특성을 비 균일한 특성(non-homogeneity)으로 바꾼다.

비 균일 환경 하에서 탐지 및 오경보 성능을 개선하기 위하여 CA CFAR에 여러 가지 수정된 방법들이 적용 되었다.

특정한 비 균일 조건(heterogeneous)하에서 CFAR 성능을 개선하기 위하여 고안된 robust CFAR 계열이 있다. Greatest-of CA-CFAR(GOCA-CFAR), smallest-of CA-CFAR(SOCA-CFAR), trimmed mean(TM), 또는 censored(CS) CFAR 와 순서통계(order statics) CFAR, GOCA-CFAR등이 여기에 속한다. GOCA-CFAR 는 클러터 경계영역에서 오경보 수를 줄이기 위해 고안되었다. SOCA-CFAR, TM-CFAR 또는 CS-CFAR와 OS- CFAR는 다중 표적 환경 하에서 표적 탐지 성능을 개선하기 위하여 고안 되었다. robust CFAR 는 가장 적절한 CFAR 방법과 그것의 파라미터를 결정하기 위해서는 간섭 환경을 미리 알아야 하는 단점을 가지고 있다. 이러한 사전 지식에 대한 불확실성을 극복 할 수 있는 CFAR 방법으로 환경에 대한 가정에 근거하는 대신 측정을 통한 CFAR 파라미터를 조정하도록 고안된 적응 CFAR 방법이 매우 매력적인 방법이라 할 수 있다.

적응 CFAR에 관하여 3가지 수정된 방법이 제안 되어졌다. 첫 번째로 클러터 경계 문제를 고려한 GO/SO CFAR 검파기로 전체 참조 윈도우에 가장 작은 샘플 그룹 또는 가장 큰 샘플 그룹을 선택한다. 두 번째로 ACMLD( automatic censored mean level detector)로 간섭신호 문제를 고려하였으며 세 번째로 GTL-CMLD(generalized two-level censored mean level detector) 간섭신호와 클러터 경계 문제 둘 다를 고려하였다.

상기 제안한 기법들은 참조윈도우내의 이상점 개수를 추정하지 않고 실제 측정된 데이터를 기반으로 동작한다. 참조윈도우의 이상점 개수를 추정하고 테스트 셀이 이상점 영역 또는 이상점이 없는 영역에 존재하는지 결정하기 위해 참조윈도우에 오직 하나의 클러터 경계가 존재한다고 가정하는 자동 검사 절차를 적용한다. 이 절차는 샘플의 크기에 따라 오름차순으로 정렬된 참조 샘플들을 순차적으로 처리한다. 이 알고리즘은 k번째 단계(k=1, 2, … , M-1)에서 (k+1)번째 샘플인 X(k+1)를 검사 기준치인 Tkㅇ Sk와 비교한다. Tk는 적절한 오검사 확률을 달성하기 위해 선택된 스케일링 상수이며, Sk는 정렬된 참조 샘플에서 k번째 샘플까지의 합으로, Sk=X(1)+X(2)+…+X(k)이다. 만약 X(k+1)≥ TkㅇSk인 경우 X(k+1)가 가장 작은 이상점으로 결정된다. 이 비교 과정은 가장 작은 이상점이 결정되기 전까지 (k+1)번째 단계까지 계속된다. 따라서 참조윈도우에서 이상점 개수 q는 X(k+1)≥ TkㅇSk인 경우 q = M-k 이고, 모든 k(1 ~ M-1)에 대하여 X(k+1)< TkㅇSk인 경우 q = 0 이다.

GO/SO CFAR 탐지기에 대해서도, 참조 샘플 개수 M이 짝수라는 가정 하에, 테스트 셀이 클러터 영역 또는 깨끗한 영역에 존재하는지 결정하기 위해 다음과 같은 규칙이 적용된다. 산출된 이상점 q가 q < M/2 인 경우 테스트 셀이 클러터 영역에 존재한다고 판단하며, q ≥ M/2 인 경우 테스트 셀이 클러터 영역에 존재한다고 판단한다. 테스트 셀이 깨끗한 영역에 존재할 경우 참조윈도우에서 클러터 영역에 존재하는 샘플들이 제거되고, 테스트 셀이 클러터 영역에 존재할 경우 깨끗한 영역에 존재하는 샘플들이 제거된다. 참조윈도우상에서 살아남은 샘플들은 테스트 셀 주변의 균일한 잡음 또는 클러터를 나타내며, 테스트 셀에 대한 탐지 기준치를 결정하기 위한 평균 주변 전력을 산출하는 데 사용된다.

ACMLD 기법은 이상점 개수를 추정하기 위해 동일한 검사 절차를 사용하지만, 테스트 셀 상의 잡음이 상기 가정한 바에 같이 모든 참조샘플의 잡음과 함께 동일한 분포를 가지므로 클러터 영역의 샘플을 항상 제거한다.

GTL-CMLD 기법은 간섭 표적과 클러터 경계 문제를 해결하기 위해 GO/SO CFAR 탐지기와 ACMLD의 규칙을 조합하여 사용한다. GTL-CMLD의 경우에는 검사 절차가 두 번 이루어질 수도 있다. 첫 번째 검사에서 이상점 개수 q가 q < M/2인 경우 GO/SO CFAR 탐지기 규칙이 적용된다. 예를 들어 테스트 셀이 깨끗한 영역에 있을 경우 M-q개의 깨끗한 영역의 샘플들이 탐지 기준치를 산출하는 데 사용되고 검사 절차는 종료된다. 하지만 q ≥ M/2 인 경우 q개의 클러터 영역 샘플들을 새로운 참조윈도우로 취하여 다시 검사가 수행되고, ACMID 규칙이 적용된다. 검사 결과 q개의 샘플들이 두 개의 서로 다른 평균 전력을 가진 두 개의 분포로부터 나온 것이라면, 높은 평균 전력을 가진 분포로부터 나온 샘플들은 제거되고 낮은 평균 전력을 가진 분포로부터 나온 샘플들이 탐지 기준치를 산출하는 데 사용된다. 테스트 셀의 방해 분포는 항상 더 낮은 평균 전력을 가진 분포로부터 나온다고 추정하기 때문이다. 검사 결과 모든 q개의 샘플들이 하나의 분포로부터 나온 것이라면, q개 모두 탐지 기준치를 산출하는 데 사용된다.

GO/SO CFAR 탐지기 및 ACMLD, GTL-CMLD가 참조윈도우의 이상점 개수에 대한 사전 정보 없이 동작하긴 하지만, 이 기법들도 단점은 있다.

첫 번째, ACMLD 기법은 참조윈도우에 클러터 경계가 존재하는 경우에 적합하지 않다. ACMLD는 항상 낮은 평균 전력을 가진 분포의 샘플들을 선택하기 때문에 클러터에 대한 오경보 성능이 심각하게 저하될 수 있다. 실제로 클러터가 존재하고 참조윈도우의 이상점 개수가 M/2를 초과하면 [도 4 [A]]에서 보여주는 경우 중 하나) 성능이 심각하게 저하된다. 이 경우에 테스트 셀이 클러터 영역에 있지만 탐지 기준치는 깨끗한 영역에 존재하는, 테스트 셀의 분포보다 낮은 평균 전력을 가진 분포로부터 나온 샘플들을 이용해 산출된다. 따라서 탐지 기준치가 비정상적인 수준으로 낮게 산출되어 오경보율이 심각하게 높아진다.

두 번째, GO/SO CFAR 탐지기의 탐지 및 오경보 성능은 심각하게 저하될 수 있다. 예를 들어 다수의 표적이 존재하는 환경에서 참조윈도우의 이상점 개수가 M/2를 초과하고 테스트 셀이 깨끗한 영역에 존재하는 경우, 이 탐지기의 성능은 비정상적인 수준으로 저하된다. [도 4 [B]-a]는 방해 표적이 존재하고 이상점 개수가 M/2를 초과했을 때의 발생할 수 있는 시나리오 중 하나를 보여준다. 작은 선박과 보트들이 밀집되어 있는 조업 구역에서 운용하는 항해레이더는 통상적으로 이런 시나리오를 겪는다. 이 경우에 탐지기 알고리즘은 테스트 셀이 이상점 영역에 존재한다고 판단할 가능성이 높고, [도 4 [B]-b]를 보면 이상점 샘플들이 테스트 셀 주변의 평균 전력을 추정하는 데 사용된다는 것을 확인할 수 있다. 이상점들의 평균 전력은 테스트 셀의 평균 전력보다 상당히 높게 산출되어 탐지 기준치가 비정상적인 수준으로 올라가고, 그 결과 탐지 확률 및 오경보율은 크게 낮아지며 특히 RCS(Radar Cross Section) 1 m2미만의 소형 표적의 경우에는 이 문제는 더욱 심각하다.

이전에 언급했듯이 GO/SO CFAR 탐지기의 탐지 및 오경보 성능은 참조윈도우에 2개 이상의 클러터 경계가 존재하고 이상점 개수가 M/2를 초과하고 테스트 셀이 깨끗한 영역에 존재할 때(도 4 [C]-a 참조) 심각하게 저하된다. GO/SO CFAR 탐지기의 오경보율은 참조윈도우의 클러터 샘플의 개수가 M/2 미만이고 테스트 셀이 클러터 영역에 있다고 하더라도 클러터 경계가 2개 존재하는 경우 [도 4 [D]-a]에는 비정상적으로 증가한다. 이 경우에 탐지기 알고리즘은 테스트 셀이 실제로 클러터 영역에 있다고 하더라도 깨끗한 영역에 있다고 판단할 가능성이 높다. 이는 [도 4 [D]-b]에서 탐지기 알고리즘의 입력으로 사용되는 정렬된 reference sample을 살펴보면 명확히 확인할 수 있다. 잡음 샘플들이 테스트 셀 주변 전력을 추정하는 데 사용되므로, 잡음 샘플에 대한 평균 전력은 클러터 영역에 있는 테스트 셀의 전력보다 크게 낮아진다. 따라서 탐지 기준치가 크게 낮아져 오경보율이 비정상적으로 증가한다.

세 번째, 이전에 언급한 바에 같이 GTL-CMLD 기법은 [도 4 [A]]와 유사한 시나리오에서는 ACMLD 및 GO/SO CFAR 탐지기의 단점에서 벗어날 수 있으나, [도 4 [B], [C], [D]]와 유사한 시나리오에서는 GO/SO CFAR의 3가지 단점을 공유한다. 예를 들어 [도 4 [D]]와 같이 참조윈도우에 방해 표적과 클러터가 존재하는 시나리오나 [도 5 [A]-a]와 같이 참조윈도우에 클러터 경계와 방해 표적이 존재하는 시나리오가 바로 그런 경우이다. [도 5 [A]-a, b]를 살펴보면, 테스트 셀이 실제로 깨끗한 영역에 존재하고 있더라도 GTL-CMLD의 판단 기준에 따르면 테스트 셀이 클러터 영역에 존재한다고 결정되어 버린다. 즉 탐지 기준치가 불필요하게 높아져 탐지 확률 및 오경보율이 심각하게 낮아지며, 이는 소형 RCS 표적의 경우에 심각한 문제다.

그밖에 참조윈도우의 알려지지 않은 위치에 클러터 경계가 하나 존재하는 비 균일(non omogeneous) Weibull 클러터 환경에서 표적을 탐지하는 적응 CFAR 기법을 제안한다. 이 CFAR 기법은 클러터 경계 식별 및 참조윈도우에서의 그 위치를 추정하기 위해 ML(Maximum Likelihood) 원칙에 기반을 둔 알고리즘을 사용한다. 이 ML 기반 알고리즘은 정렬되지 않은 참조샘플을 사용한다는 점이 특징이다. ML 추정 방법은 참조윈도우에서 클러터 경계 위치를 추정하고 이를 통해 이상점 개수를 추정한다. 이 CFAR 기법은 참조윈도우에 다수의 표적이 존재하거나 2개 이상의 클러터 에지가 존재하는 경우 성능이 심각하게 저하된다. 예를 들어 이상점이 참조윈도우에서 임의로 비연속적인 위치를 차지하는 경우 상기에서 정의된 최대치 산출 함수의 결과로 다수의 최대치를 얻게 되는데, 이 기법은 정렬되지 않은 참조샘플을 사용하기 때문에 정확한 이상점 개수 산출이 불가능하게 된다. 이러한 현상은 참조윈도우에 2개 이상의 클러터 경계가 존재하는 경우에도 발생할 수 있다.

따라서 기존의 적응 CFAR 기법들이 갖는 단점들을 보완하여, 참조윈도우에 2개 이상의 클러터 경계가 존재하거나 다수의 표적이 존재하는 환경에서도 적정 수준의 탐지 성능과 오경보율을 유지할 수 있는 적응 CFAR 기법을 개발하는 것이 필요하다.

이에 본 발명은 상기한 바와 같은 문제점을 해결하기 위해 안출된 것으로,

테스트 셀이 첫 번째 이상점이 없는 영역에 있는지 두 번째 이상점이 없는 영역에 있는지를 결정하는 규칙에 전체 참조 윈도우에 나타나는 이상점의 위치 정보를 이용하여 테스트 셀의 탐지 기준 값 계산 시 동질성 적응 참조 윈도우를 적절히 선택하여 탐지 및 오경보 성능을 개선하여 종래의 CFAR 방법의 단점을 개선하는 것을 목적으로 한다.

또한 참조윈도우 내에 클러터 경계와 간섭신호의 존재로부터 일어나는 비균질성 배경의 오경보 및 탐지성능 저하를 극복하는 것을 목적으로 한다.

아울러 하나 이상의 클러터 경계 영역으로 참조 윈도우내에 이상점 존재 시 고정 오경보율을 유지하는 개선된 능력을 가진 적응 CFAR 방법을 제공하는 것을 목적으로 한다.

또한 하나 이상의 클러터 경계 영역으로 참조 윈도우에서 이상점 존재 하에서 오경보율의 증가 없이 개선된 표적 탐지 성능을 가진 적응 CFAR 방법을 제공하는 것을 목적으로 한다.

아울러 다중 표적 환경 하에서 개선된 표적 탐지 성능을 가진 적응 CFAR 방법을 제공하는 것을 목적으로 한다.

상기와 같은 목적을 갖는 본 발명은

전체참조윈도우(Reference Window)의 참조샘플을 크기에 따라 정렬하여 정렬참조벡터를 구성하고, 상기 정렬참조벡터의 각 정렬샘플의 위치를 나타내는 색인으로 구성된 전체색인집합을 구하는 단계(S100);

상기 정렬참조벡터에서 클러터(Clutter) 경계영역과 간섭 표적에 의해 나타나는 이상점(Outlier)의 수(q0)를 추정하는 단계(S200);

상기 정렬참조벡터에서 첫 번째 '이상점이 없는 영역'인 제1영역의 참조샘플의 위치를 상기 전체색인집합으로 부터 검색하여 제1부분색인집합을 구하고, 상기 제1부분색인집합으로 부터 첫 번째 '이상점이 없는 샘플'인 제1샘플 값을 포함하는 제1부분벡터를 구하는 단계(S300);

상기 정렬참조벡터 중 상기 제1영역을 제외한 나머지 영역에서 상기 S200단계에서 추정된 이상점의 수(q0)에서 다시 간섭 표적이 있을 경우의 이상점의 수(q1)를 추정하고, 두 번째 '이상점이 없는 영역'인 제2영역으로부터 두 번째 '이상점이 없는 샘플'인 제2샘플 값을 포함하는 제2부분벡터를 구하는 단계(S400);

상기 부분색인집합을 이용하여 테스트 셀이 상기 제1영역 또는 제2영역 중 어느 위치에 존재하는지에 따라, 상기 정렬참조벡터에서 균질배경길이를 갖는 적응참조윈도우를 생성하는 단계(S500);

상기 적응참조윈도우에서 상기 테스트 셀 부근의 위치한 적응참조샘플 값을 이용하여 동질성(Homogeneous) 배경 평균전력을 추정하는 단계(S600);

상기 평균전력에 승수 값을 곱하여 적응탐지기준 값을 결정하는 단계(S700); 및

상기 적응탐지기준 값과 상기 테스트 셀의 임의의 샘플 값인 테스트샘플 값을 비교하여 상기 테스트샘플 값이 상기 적응탐지기준 값 보다 크거나 같으면 출력탐지신호를 발생하는 단계(S800);를 포함하여 이루어진다.

또한 상기 S100단계에서 전체참조윈도우의 정렬은 크기에 따라 오름차순으로 정렬되는 것을 특징으로 한다.

아울러 상기 S200단계 및 S400단계에서 클러터와 간섭 표적에 의해 추정된 이상점의 수(q0) 및 간섭 표적이 있을 경우의 이상점의 수(q1)의 추정은

상기 정렬샘플

의 순서 시퀀스 기반으로 동작하며, m 번째 스텝(m= 1,2,…, M-1)에서 (m+1)번째 순서 샘플

과 센서링 기준 값

을 비교하되, 상기 순서통계상수(

)와 대표샘플랭크(Rm)는 미리 계산된 제1룩업테이블(Look Up Table)의 각 m 번째 스텝에서 추출되는 것을 특징으로 한다.

나아가 상기 S500단계는 상기 추정된 이상점의 수(q0)와 다시 추정된 이상점의 수(q1)를 이용하여, 상기 적응참조윈도우 및 정렬참조벡터에서 '이상점이 없는 영역'인 제3영역의 제3샘플 위치를 나타내는 제2부분색인집합을 생성하는 단계(S510)를 포함하여 이루어진다.

추가로 상기 S700단계에서 승수 값은 기 저장된 제2룩업테이블로부터 검색되며, 미리 결정된 오경보 확률, 상기 균질배경길이 및 상기 S600 단계에서 추정된 평균전력 값의 통계 분포 함수를 이용해 계산되는 것을 특징으로 한다.

상기와 같은 구성을 갖는 본 발명은

테스트 셀이 첫 번째 이상점이 없는 영역에 있는지 두 번째 이상점이 없는 영역에 있는지를 결정하는 규칙에 전체 참조 윈도우에 나타나는 이상점의 위치 정보를 이용하여 테스트 셀의 탐지 기준 값 계산 시 동질성 적응 참조 윈도우를 적절히 선택하여 탐지 및 오경보 성능을 개선하여 종래의 CFAR 방법의 단점을 개선할 수 있다.

또한 참조윈도우 내에 클러터 경계와 간섭신호의 존재로부터 일어나는 비균질성 배경의 오경보 및 탐지성능 저하를 극복할 수 있다.

아울러 하나 이상의 클러터 경계 영역으로 참조 윈도우내에 이상점 존재 시 고정 오경보율을 유지하는 개선된 능력을 갖는다.

또한 하나 이상의 클러터 경계 영역으로 참조 윈도우에서 이상점 존 재하에서 오경보율의 증가 없이 개선된 표적 탐지 성능을 제공한다.

아울러 다중 표적 환경 하에서 개선된 표적 탐지 성능을 가진다.

도 1은 본 발명의 전체 과정도.
도 2는 S200 내지 S400단계의 세부 과정도.
도 3은 S500 및 S600단계의 세부 과정도.
도 4 및 도 5는 본 발명의 실시예.
도 6 내지 도 8은 본 발명의 효과를 도시한 그래프.

이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하도록 한다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 구현예(態樣, aspect)(또는 실시예)들을 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

각 도면에서 동일한 참조부호, 특히 십의 자리 및 일의 자리 수, 또는 십의 자리, 일의 자리 및 알파벳이 동일한 참조부호는 동일 또는 유사한 기능을 갖고, 특별한 언급이 없을 경우 도면의 각 참조부호가 지칭하는 구성요소는 이러한 기준에 준하는 요소로 파악하면 된다.

본 명세서에서 사용한 용어는 단지 특정한 구현예(태양, 態樣, aspect)(또는 실시예)를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, ~포함하다~ 또는 ~이루어진다~ 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

본 명세서에서 기재한 ~제1~, ~제2~ 등은 서로 다른 구성 요소들임을 구분하기 위해서 지칭할 것일 뿐, 발명의 상세한 설명과 청구범위에서 그 명칭이 일치하지 않을 수 있다.

본 발명은 지면, 바다, 비, 장해물, 방해 전파 등에 의해 레이더 화면에 불필요하게 발생하는 반사상인 클러터(Clutter)의 경계영역 및 다중 표적 환경에서 오경보율의 증가를 억제하면서 표적 탐지 성능을 높일 수 있고, 특히 해상 클러터 환경 하에서 소형 표적 탐지 시 오경보 제어에 효과적인 적응 CFAR(Constant False Alarm Rate) 처리방법에 관한 것이다.

이하 첨부된 도면을 참고하여 본 발명에 따른 적응 CFAR 처리방법에 대해 보다 상세하게 설명하기로 한다.

본 발명은 전체참조윈도우(Reference Window)의 참조샘플을 크기에 따라 정렬하여 정렬참조벡터를 구성하고, 이 정렬참조벡터의 각 정렬샘플의 위치를 나타내는 색인으로 구성된 전체색인집합을 구하는 단계(S100)를 포함하여 이루어진다.

상기 S100단계에서 전체참조윈도우는 n개의 거리 셀 또는 도플러 셀로 표시되는 연속적인 레이더 반사 신호(

)를 입력받고, m개의 시퀀스로 처리하여

으로 표현될 수 있다.

도 1에서 확인 가능한 바와 같이, 테스트 셀은 M+2G+1셀의 중간에 있다. 여기에서 G는 테스트 셀의 양쪽에 있는 가드 셀(Guard cell)로 전체참조윈도우에서 표적신호가 테스트 셀과 바로 인접한 셀에 넘치는(Spillover) 것을 막기 위한 셀이다.

또한 가이드 셀과 테스트 셀의 샘플은 전체참조윈도우에 포함되지 않는 반면, 제1참조 셀 및 제2참조 셀은 전체참조윈도우

를 나타낸다.

아울러 크기에 따라 정렬된 정렬참조벡터

는 특히 오름차순으로 정렬되는 것이 바람직하다. 이는 도면에서 확인 가능한 바와 같이, 이상점은 일반 신호보다 큰 크기를 갖기 때문에, 이상점이 없는 영역을 앞쪽에 배치하여 하기할 첫 번째 '이성점이 없는 영역'을 이용한 계산을 보다 수월하도록 하게 하기 위함이다.

아울러 색인(Index)으로 구성된 전체색인집합에는 상기 정렬참조벡터의 각 정렬샘플의 위치에 관한 정보를 포함하고 있다. 이 전체색인집합을 통해 테스트 셀이 위치하고 있는 영역을 판단할 수 있다. 아울러 테스트 셀의 위치를 판단함에 따라 적응탐지기준 값 계산을 위한 적응참조윈도우를 선택하여 탐지 및 오경보 성능을 개선할 수 있게 된다.

추가로 전체참조윈도우를 정렬하여 정렬참조벡터로 구성하는 알고리즘으로는 기존의 공지 기술인 "Quick Sort Algorithm"이 사용될 수 있다. 이러한 정렬 알고리즘은 정렬된 값의 정렬 전 초기 배열의 위치를 나타내는 전체색인집합을 제공한다.

다음으로 본 발명은 정렬된 전체참조윈도우에서 클러터(Clutter) 경계영역과 다중 표적에 의해 나타나는 이상점(Outlier)의 수(q0)를 추정하는 단계(S200)와,

또한 본 발명은 정렬참조벡터에서 첫 번째 '이상점이 없는 영역'인 제1영역의 참조샘플의 위치를 전체색인집합으로 부터 검색하여 제1부분색인집합을 구하고, 이 제1부분색인집합으로 부터 첫 번째 '이상점이 없는 샘플'인 제1샘플 값을 포함하는 제1부분벡터를 구하는 단계(S300)와,

아울러 정렬참조벡터 중 제1영역을 제외한 나머지 영역에서 상기 S200단계에서 추정된 이상점의 수(q0)에서 다시 이상점의 수(q1)를 추정하고, 두 번째 '이상점이 없는 영역'인 제2영역으로부터 두 번째 '이상점이 없는 샘플'인 제2샘플 값을 포함하는 제2부분벡터를 구하는 단계(S400)를 더 포함하여 이루어진다.

도 2를 참조하여 상기 단계를 보다 상세하게 설명하면, 도 2에 도시된 바와 같이 상기 S200 및 S400단계에서 클러터와 간섭 표적에 의해 추정된 이상점의 개수(q0)와 간섭 표적이 있을 경우 이상점의 개수(q1)를 결정하고, 전체색인집합 및 제1부분벡터와 제2부분벡터를 점검한다. 도 2에 도시된 알고리즘은 크기에 따라 정렬된 정렬샘플

의 순서 시퀀스 기반으로 동작하며 순서 통계(Order Statics CFAR) 원리에 따라 Step-by-Step Censoring 알고리즘을 사용한다. m 번째 스텝(m= 1,2,…, M-1)에서 센서링 알고리즘은 (m+1)번째 순서 샘플

과 센서링 기준 값

을 비교한다. 여기에서

은 m 번째 스텝에서 순서통계(OS CFAR)상수(기준 값 승수)고,

은 정렬샘플

로부터 선택된 Rm번째 샘플이고, Rm은 m번째 스탭에서 대표샘플랭크이다.

아울러 순서통계상수(

)와 대표샘플랭크(Rm)는 미리 계산된 제1룩업테이블1(Look Up Table)(이하 첨부)의 각 m 번째 스텝에서 추출되는 것이 바람직하다.

표1. 룩업테이블1

또한 m = 1,2,…, M-1 값에 대한 Rm값은 공지된 방식에 의해 정의된 평균 결정 최소 기준 값에 해당하는 최적 값으로 미리 계산되는 것이 바람직하나, 이는 당업자라면 얼마든지 이해하고 추론하여 실시할 수 있는 것으로 구체적인 설명은 생략하기로 한다.

아울러 제1부분벡터와 제2부분벡터는 각각 첫 번째, 두 번째 이상점이 없는 영역으로부터 이상점이 제거된 샘플을 담고 있는 것이다.

한편, 본 발명은 부분색인집합을 이용하여 테스트 셀이 제1영역 또는 제2영역 중 어느 위치에 존재하는지에 따라, 정렬된 전체참조윈도우에서 균질배경길이를 갖는 적응참조윈도우를 생성하는 단계(S500)와,

적응참조윈도우에서 테스트 셀 부근의 위치한 적응참조샘플 값을 이용하여 동질성(Homogeneous) 배경 평균전력을 추정하는 단계(S600)를 더 포함하여 이루어진다.

아울러 상기 S500단계는 추정된 이상점의 수(q0)와 다시 추정된 이상점의 수(q1)를 이용하여, 적응참조윈도우 및 정렬참조벡터에서 '이상점이 없는 영역'인 제3영역의 제3샘플 위치를 나타내는 제2부분색인집합을 생성하는 단계(S510)를 포함하여 이루어진다.

도 3은 상기 S500 및 S600의 일련의 알고리즘이 도시된 도면이다. 도 3을 참고하여 상기 S500 및 S600 단계에 대해 보다 상세하게 설명하면, 먼저 S500단계에서 테스트 셀이 제1영역에 있는지, 또는 제2영역에 있는지에 대해 결정하는 과정은 고정 정수 Q1, Q2에 의해 결정되는데, 이 고정정수 Q1, Q2는 클러터 오경보 확률과 간섭신호 하에서 관심 표적 탐지 확률을 제어하기 위해 다음의 범위 내에서 조정될 수 있다.

Q1, Q2의 조정 범위:

아울러 도 3에 도시된 바와 같이, 평균전력을 추정하는 S600단계는 다음의 과정을 통하여 실현될 수 있다. 먼저 평균전력을 유도하기 위하여 저장된 제2룩업테이블로부터 적응참조윈도우 길이에 해당하는 대표 랭크 K 값을 추출하고 적응참조윈도우

로부터 K번째 순서의 샘플 값

를 추출한다. 추출된

값은 평균전력

를 만족하고, 제2룩업테이블은 L=1, 2, …, M에 대하여 순차적으로 계산된 대표 랭크 K값을 담고 있다. 아울러 L=1, 2, …, M에 대한 K 값은 공지된 방식에 의해 미리 계산되는 것이 바람직하다.

표2. 룩업테이블2

또한 본 발명은 평균전력에 승수(a) 값을 곱하여 적응탐지기준 값을 결정하는 단계(S700)를 더 포함하여 이루어지는데, 상기한 제2룩업테이블에는 평균전력 추정 값의 통계 분포 함수, 균질배경길이(Z의 길이), 미리 결정된 오경보 확률에 따라 미리 결정된 기준 값 승수(a)를 저장하고 있다. 미리 결정된 기준 값 승수는 결정된 길이(L)에 따라 적응탐지기준 값

계산에 쓰인다.

아울러 도 1에 도시된 바와 같이, 본 발명은 적응탐지기준 값과 테스트 셀의 임의의 샘플 값인 테스트샘플 값을 비교하여 테스트샘플 값이 적응탐지기준 값 보다 크거나 같으면 출력탐지신호를 발생하는 단계(S800)를 더 포함하여 이루어진다.

이하 첨부된 도면을 참고하여 상기와 같은 과정을 갖는 본 발명이 갖는 특징 및 효과에 대해 보다 상세하게 설명하기로 한다.

도 4는 본 발명에 따른 적응 CFAR 처리방법의 오경보 성능 향상에 관한 도면이다.

예를 들면 도 4 [C]에 표시된 실시예에서 테스트 셀 근방에 12개의 잡음 샘플이 있으며 그 중 2개는 전체참조윈도우에서 색인

번째 위치를 차지한다. 가드 셀을 제외할 경우 이위치는 테스트 셀 양쪽으로 가장 가까운 위치이다. 이 잡음 샘플은 정렬 샘플 시퀀스에서 최하위 12랭크를 차지한다. 이에 높은 확률로 q0 = 20, q1 = 0이 되고, 도 4 [C] 하부에서 확인 가능하듯이 이 잡음 샘플은 첫 번째 이상점이 없는 영역, 즉 제1영역에 있다. 그러므로 전체참조윈도우에서 잡음 샘플의 위치를 나타내는 색인 집합 B0는

과

을 포함한다. Q1 = 9. Q2 =20 으로 가정하면 테스트 셀이 제1영역에 있는 것으로 결정하고, 적응참조윈도우 Z를 12개의 잡음 샘플로 이루어진

로 결정한다. 따라서 소형 레이더 단면적을 갖는 표적에도 탐지 성능 저하와 오경보 확률의 상당한 감소가 일어나지 않는다.

또 다른 실시예인 도 4 [D]의 경우, 테스트 셀이 클러터 영역에 위치하며, 테스트 셀 양쪽으로

색인을 갖는 샘플을 포함 12개의 클러터 샘플이 있다. 이를 분석하면, 제1부분색인집합(

)에는 두 수 16과 17이 없다. 그러므로 테스트 셀은 두 번째 이상점이 없는 영역인 제2영역에 있는 것으로 결정한다. 이 때 적응참조윈도우 Z는 12개의 클러터 샘플을 포함한

으로 결정되고, 이에 따라 오경보 확률은 받아들일 수 없을 정도로 증가하지 않는다.

이하 첨부된 도면을 참고하여 본 발명에 따라 구현된 적응 CFAR 처리방법과 테스트 셀이 위치한 영역을 결정하는 절차가 없는 종래의 적응 CFAR 방법을 동일 입력 데이터를 사용하여 탐지 성능과 오경보 성능을 비교하기로 한다.

후자에 사용된 결정 절차는 GTL-CMLD의 것과 동일하다. GTL-CMLD는 GO/SO CFAR 와 ACMLD의 결정 절차들을 조합한 것이다. 두 CFAR의 탐지 및 오경보 성능 비교는 컴퓨터 시뮬레이션으로 한다.

먼저 잡음과 클러터는 평균값 0을 가지는 가우시안 분포를 가지며 입력 샘플

는 제곱형 검파기(square detector) 출력에서 얻어진

의 통계적으로 독립인 펄스를 비디오 적분한 결과를 나타낸다. 제곱형 검파기의 출력은 잡음 샘플 분산값이 1 이 되도록 정규화를 하면 클러터 샘플의 평균전력은 제곱형 검파기 입력에서 클러터 전력 대 잡음전력 비, CNR로 단순히 표시 된다.

이러한 제곱형 검파기 출력에서 지수 분포를 가진 잡음과 클러터 샘플을 비디오 적분을 하면

의 통계적으로 독립인 지수 분포를 가진 잡음과 클러터 샘플은 감마 분포를 바뀐다. 이에 클러터 샘플의 확률 밀도 함수(PDF)

와 누적확률분포 함수(CDF)

는 다음과 같이 주어진다.

클러터 샘플의 확률 밀도 함수(PDF)와 누적확률분포 함수(CDF)

여기에서 파라미터

이고 잡음 샘플의 확률 밀도 함수와 누적확률분포 함수는 두 식에서

인 경우이다.

관심 표적(여기로부터 주표적이라 함)과 간섭 표적에 대하여 Swerling 2 변동 모델이라고 가정한다. 제곱형 검파기의 출력에서 샘플들은 지수 분포를 갖는 독립 동일 분포(independent identically distributed) 랜덤 변수이다. 따라서

의 독립인 지수 분포의 관심 표적이나 간섭표적 샘플을 비디오 적분 후 적분된 샘플들은 감마 분포를 따른다. 그러므로 관심 표적이나 간섭표적의 PDF 와 CDF는 상기 식에서

대신에 관심 표적인 경우

를 대입하면 얻을 수 있다. 여기에서

는 관심표적의 신호 대 잡음비 이다. 또한 간섭표적에 대해서는

대신에

를 대입할 수 있고, 여기에서

는 간섭표적의 신호 대 잡음비 이다. 아울러 신호 대 잡음비는 제곱형검파기 입력에서 정의한 것이다.

이러한 식에서 어떤 간섭 시나리오에 대해 테스트 셀이 첫 번째 또는 두 번째 이상점이 없는 영역에 있는지를 결정하는 것은 평가된 이상점의 개수 q0와 제1영역의 샘플의 위치를 나타내는 제1부분색인집합(

)에 두 수 M/2와 M/2+1 존재 여부에 따른다. 아울러 평가된 이상점의 개수 q0는 폐구간 [0, M-1]을 갖는 정수형 랜덤 값을 가진다. 따라서 전체참조윈도우 안에 평균전력이 다른 두 분포의 샘플들이 존재한다고 가정 하면, 총 확률 법칙(law of total probability) 에 따라 본 발명에 따른 적응 CFAR의 오경보 확률의 정확한 식은 아래와 같다.

한편, GTL-CMLD의 경우 오경보 확률의 정확한 식은 아래와 같다.

GTL-CMLD는 강제 결정 규칙(brute force decision rule)을 사용하므로 q0 <M/2이면 테스트 셀이 첫 번째 이상점이 없는 영역에 있는 것으로 결정하고, q0 ≥ M/2이면 테스트 셀은 클러터 내에 있는 것으로 결정한다.

위 식에서 확률질량함수

는 알려져 있지 않다. 따라서 본 발명의 실시예에서는 GTL-CMLD보다 나은 특성을 개시하기 위해 상기 확률질량함수를 수차례 시뮬레이션 하여 평가하였다. 각 고정 값 q에 대해 Mont-Carlo 시행 수는 1000, 2000, 4000,…로 변경 수행 한다. 각 시행의 수를 반복하여 22번안에 평가된 오경보 확률 차이가 0.1(10%)을 초과하지 않을 때 까지 시행을 반복하였고, 상기 첨부한 제1 및 제2룩업테이블이 시뮬레이션에 의한 결과이다.

도 6에서는 GTL-CMD 와 본 발명의 오경보 성능을 비교한 결과를 도시하였는데, 이 도면에서와 같이 분석 결과는 CNR= 5 와 15 dB에서 두 방법은 오경보률 규정(false alarm rate regulation)에서 유사하나 CNR=10 dB 인 경우 본 발명이 상당히 우수한 것으로 확인된다.

한편, 도 7 [A]에서는 Q1이 감소하면 본 발명은 테스트 셀 근방의 오경보 확률을 상당히 줄어듦을 알 수 있다.

또한 도 7 [B]로 부터 Q2를 증가하면 오경보 확률은 증가는 하나 수용 할 수 있을 정도임이 확인되고, 더욱이 Q2의 큰 값에서 간섭 표적의 존재 시 본 발명의 탐지 성능은 상당히 개선됨을 알 수 있다. (도 8 참조)

아울러 도 7 [C]에서는 시나리오(테스트 셀이 12개의 클러터 샘플이 셀 14에서 25를 점유 하는 클러터 영역에 있는 경우)에서 오경보율 규정에 관한 본 발명의 장점을 입증한다.

또한 도 7 [D]에서는 도 4 [D]의 경우(20개 클러터 샘플이 셀 1, 2, …, 10과 23, 24, …, 32를 점유)에서 간섭표적이 존재하지 않을 때 탐지 성능에 관한 본 발명의 장점을 입증한다.

추가로, 도 8 [A]는 간섭 표적이 존재 하는 경우, 도 4 [C]의 실시에서 간섭신호가 셀1에서 10을 점유할 때 탐지 성능에 관한 본 발명의 장점을 입증한다.

또한 도 8 [B]는 이상점의 개수에 따른 간섭 표적이 존재하는 도 4 [B]의 실시에서 탐지 성능에 관한 본 발명의 장점을 입증한다.

아울러 도 8 [C]는 주표적의 신호 대 잡음비 에 대한 간섭 표적이 존재하는 도 4 [B]의 실시에서 탐지 성능에 관한 본 발명의 장점을 입증한다.

나아가 도 8 [D]는 간섭표적의 간섭신호 대 잡음비에 대한 간섭 표적이 존재하는 도 4 [B]실시에서 탐지 성능에 관한 본 발명의 장점을 입증한다.

이상에서 설명한 본 발명을 통해 개선된 효과를 갖는 적응 CFAR 처리방법을 제공하고자 한다.

X: 전체참조윈도우

: 정렬참조벡터
q0(

): 이상점의 수 q1(

):q0에서 다시 추정된 이상점의 수
B: 전체색인집합

: 제1부분색인집합

: 제2부분색인집합

: 제1 및 제2부분벡터
Z: 적응참조윈도우

Claims (6)

1. 전체참조윈도우(Reference Window)의 참조샘플을 크기에 따라 정렬하여 정렬참조벡터를 구성하고, 상기 정렬참조벡터의 각 정렬샘플의 위치를 나타내는 색인으로 구성된 전체색인집합을 구하는 단계(S100);
   상기 정렬참조벡터에서 클러터(Clutter) 경계영역과 간섭 표적에 의해 나타나는 이상점(Outlier)의 수(q0)를 추정하는 단계(S200);
   상기 정렬참조벡터에서 첫 번째 '이상점이 없는 영역'인 제1영역의 참조샘플의 위치를 상기 전체색인집합으로 부터 검색하여 제1부분색인집합을 구하고, 상기 제1부분색인집합으로 부터 첫 번째 '이상점이 없는 샘플'인 제1샘플 값을 포함하는 제1부분벡터를 구하는 단계(S300);
   상기 정렬참조벡터 중 상기 제1영역을 제외한 나머지 영역에서 상기 S200단계에서 추정된 이상점의 수(q0)에서 다시 간섭 표적이 있을 경우의 이상점의 수(q1)를 추정하고, 두 번째 '이상점이 없는 영역'인 제2영역으로부터 두 번째 '이상점이 없는 샘플'인 제2샘플 값을 포함하는 제2부분벡터를 구하는 단계(S400);
   상기 부분색인집합을 이용하여 테스트 셀이 상기 제1영역 또는 제2영역 중 어느 위치에 존재하는지에 따라, 상기 정렬참조벡터에서 균질배경길이를 갖는 적응참조윈도우를 생성하는 단계(S500);
   상기 적응참조윈도우에서 상기 테스트 셀 부근의 위치한 적응참조샘플 값을 이용하여 동질성(Homogeneous) 배경 평균전력을 추정하는 단계(S600);
   상기 평균전력에 승수 값을 곱하여 적응탐지기준 값을 결정하는 단계(S700); 및
   상기 적응탐지기준 값과 상기 테스트 셀의 임의의 샘플 값인 테스트샘플 값을 비교하여 상기 테스트샘플 값이 상기 적응탐지기준 값 보다 크거나 같으면 출력탐지신호를 발생하는 단계(S800);
   를 포함하여 이루어진 적응 CFAR 처리 방법.
   
2. 제 1 항에 있어서,
   상기 S100단계에서 전체참조윈도우의 정렬은 크기에 따라 오름차순으로 정렬되는 것을 특징으로 하는 적응 CFAR 처리 방법.
   
3. 제 1 항에 있어서,
   상기 S200단계 및 S400단계에서 클러터와 간섭 표적에 의해 추정된 이상점의 수(q0) 및 간섭 표적이 있을 경우의 이상점의 수(q1)의 추정은
   상기 정렬샘플

   

   의 순서 시퀀스 기반으로 동작하며, m 번째 스텝(m= 1,2,…, M-1)에서 (m+1)번째 순서 샘플

   

   과 센서링 기준 값

   

   을 비교하되, 상기 순서통계상수(

   

   )와 대표샘플랭크(Rm)는 미리 계산된 제1룩업테이블(Look Up Table)의 각 m 번째 스텝에서 추출되는 것을 특징으로 하는 적응 CFAR 처리 방법.
   
4. 제 1 항에 있어서,
   상기 S500단계는
   상기 추정된 이상점의 수(q0)와 다시 추정된 이상점의 수(q1)를 이용하여, 상기 적응참조윈도우 및 정렬참조벡터에서 '이상점이 없는 영역'인 제3영역의 제3샘플 위치를 나타내는 제2부분색인집합을 생성하는 단계(S510)를 포함하여 이루어진 적응 CFAR 처리 방법.
   
   
5. 제 1 항에 있어서,
   상기 S700단계에서 승수 값은
   기 저장된 제2룩업테이블로부터 검색되며, 미리 결정된 오경보 확률, 상기 균질배경길이 및 상기 S600 단계에서 추정된 평균전력 값의 통계 분포 함수를 이용해 계산되는 것을 특징으로 하는 적응 CFAR 처리 방법.
   
6. 제 5 항에 있어서,
   상기 미리 결정된 오경보 확률은
   

   

   
   
   상기 식으로부터 얻어지되,
   상기

   

   는 M by N 행렬로 이루어진 평가된 이상점의 개수의 확률질량함수이고,
   상기

   

   는 이상점의 추정 개수가 q0=k, q1=m이고 상기 테스트 셀이 첫 번째 이상점이 없는 영역에 있다고 결정할 조건부 오경보 확률이고,
   상기

   

   는 이상점의 추정 개수가 q0=k, q1=m이고 상기 테스트 셀이 첫 번째 이상점이 없는 영역에 있다고 결정할 조건부 오경보 확률이고,
   상기

   

   는 k가 Q1 이상, Q2 이하이고, m이 0 이상, M-1 이하이고, k-m이 1 이상인 경우 상기 테스트 셀이 첫 번째 이상점이 없는 영역에 있는 것으로 결정할 확률인 것을 특징으로 하는 적응 CFAR 처리 방법.

Images