一种自适应的恒虚警率目标检测方法

摘要

本发明涉及一种自适应的恒虚警率目标检测方法，包括以下步骤：1)：将雷达接收到的数据传入匹配滤波器中；2)：将匹配滤波器输出的信号传入平方律检波器中进行处理；3)：最后将平方律检波器中输出的信号传入CFAR检测器进行处理，获得参考单元采样根据相应CFAR算法产生的杂波功率水平的估计值Z；4)：根据3)获得的获得参考单元采样根据相应CFAR算法产生的杂波功率水平的估计值Z，CFAR检测器输出最终判决，即检测单元内是否存在目标。该方法根据参考滑窗内采样值的统计均值和方差，将方差大于一定数值的采样值删除，用剩余的有效的采样值的均值代替该采样值，重新计算采样值的均值。

说明书

技术领域

本发明属于信号检测领域，具体涉及一种自适应的恒虚警率目标检测方法。

背景技术

恒虚警率检测(CFAR)就是使用自适应阈值估计技术来对目标进行自动信号检测。其中检测门限是与局部环境噪声或杂波的平均功率有关。所以，为了设计一个良好的CFAR接收机，背景噪声或杂波的统计信息就显得尤为重要。通常它们服从各种特定的分布，如瑞利分布、对数正态分布、韦布尔分布或者k分布。

在背景噪声服从均匀瑞利分布时，单元平均(CA-CFAR)算法具有最优的检测性能。这时背景噪声采样需要满足一定的假设条件，即所有采样是独立同分布的。而实际的工作条件要比上述假设条件要复杂的多，主要以下两种情况，使得检测环境不再满足独立同分布：1)来自于干扰目标、脉冲式干扰等的异常值；2)当检测环境位于海陆交界处杂波特性不再均匀。第一种情况下，强目标对弱目标会产生遮蔽效应，使得检测阈值高于实际值，进而使得检测概率下降。第二种情况下，在杂波交界处即所谓的杂波边缘，当检测单元位于弱功率区域时，会产生和第一种情况类似的检测概率下降的结果；当检测单元位于强功率区域时，使得检测阈值小于实际值，会产生过高的虚警率，对杂波交界处会产生目标漏检。此时，CA检测器检测性能将受到严重影响。

为了解决上述问题，提高和改善CFAR算法在多目标和非均匀杂波情况下的检测性能，学多学着做出了贡献，主要可以归为两类方法。一类是在传统的CA-CFAR基础上提出了各种改进的均值类CFAR算法。这些方法主要集中在设计不同的方法来检测并删除掉参考滑窗采样内的异常值。另外一批学者提出利用不同方法的优点并将它们组合起来，在某些特定检测环境下可以获得较好的检测性能。或者借用一些方法确定检测背景的不均匀性，再进行合适地CFAR处理。

实际上，对于干扰目标来说，无论其数目还是分布都是具有随机性的。正如前面分析所示，当干扰目标数目随机变化时，会使得背景噪声功率水平值偏离实际值，进而使得虚警概率和检测概率发生偏离，无法实现恒虚警率检测，甚至影响检测结果的可靠性。就上述分析可知，大多数方法在干扰目标个数随机变化时，其检测性能会下降。因此，就需要新的CFAR检测算法，在适应背景分布和干扰目标数目随机变化的同时，也可在杂波边缘位置变化时保持较好的检测性能。

发明内容

本发明的目的在于克服上述现有技术中存在的缺点，提供一种自适应的恒虚警率目标检测方法，具有能够自动调节检测阈值的优点。

为实现上述目的，本发明采用以下技术方案：包括以下步骤：

步骤1)：将雷达接收到的数据传入匹配滤波器中；

步骤2)：将匹配滤波器输出的信号传入平方律检波器中进行处理；

步骤3)：最后将平方律检波器中输出的信号传入CFAR检测器进行处理，获得参考单元采样根据相应CFAR算法产生的杂波功率水平的估计值Z；

步骤4)：根据步骤3)获得的获得参考单元采样根据相应CFAR算法产生的杂波功率水平的估计值Z，CFAR检测器输出最终判决，即检测单元内是否存在目标。

所述的步骤1)中，雷达接收到的数据类型为：由幅度、相位信息所组成的复数数据。

所述的步骤3)中信号传入CFAR检测器进行处理的具体步骤为：

3-1)X₀为接收到的检测单元信号，参考单元采样x₁到x_2n，参考滑窗被两等分，每个子滑窗长度为n，分别称作前沿滑窗和后沿滑窗，后将参考单元信号被送入恒虚警处理器中；

3-2)计算参考滑窗内2n个采样值的统计均值和方差

3-3)针对滑窗内所有采样值计算其

3-4)将与σ²比较：若其中K_δ据下式取值，则删除x_i，用剩余的有效的采样值的均值代替x_i；否则，则保持x_i不变；

$>1-P\left\{\right|{\delta }_i-\bar{\delta }|<K_{\delta }\}=\alpha$>

其中α为指定的错误概率，即δ_i未落入[-δ，δ]的概率,可据实际情况设定；

3-5)根据保留下的新的采样值x′_i，重新计算采样值的均值假设，最后剩余k个采样值保持不变，其余n-k个采样值被改写，则

$>\overline{x^{\prime }}=\frac{1}{2n}\underset{i=1}{\overset{2n}{\Sigma }}{x}_i^{\prime }=\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{x}_i+(2n-k)\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{x}_i$>

故，可引入符号

$>y_i=(\frac{1}{k}+2n/k-1)x_i$>

令则在一个滑窗内得到的背景噪声的局部估计值

$>z=\underset{i=1}{\overset{k}{\Sigma }}\beta x_i.$>

所述的步骤4)部分中CFAR检测器输出最终判决的方法为：从步骤3)中获得参考单元采样根据相应CFAR算法产生的杂波功率水平的估计值Z后，根据N-P判决准则，即可进行判决；

所述的N-P判决准则为指定一个虚警概率的容许值P_FD，使得检测概率达P_D到最大；

使用拉格朗日乘子法，引入一个乘子μ，其中μ≥0且构造一个目标函数：

J＝μ(P_F-P_FD)+(1-P_D)

其中P_F为虚警概率，P_FD为指定的虚警概率的容许值；上式经过化简可得如下等效判决形式：

$>\left(\begin{array}{ccc}{X}_0& \left(\begin{array}{c}{H}_1\\ >\\ <\\ H_0\end{array}\right)& \mathrm{TZ}\end{array}\right)$>

若X₀>TZ则H₁假设成立，若X₀<TZ则H₀假设成立；其中，H₁表示有目标，H₀表示没有目标，T为指定虚警概率下的阈值因子；最后得到CFAR检测器输出的最终判决结果。

本发明具有以下的有益效果：相比较现有技术，本发明针对干扰目标数目不确定的情况，提出了一种基于参考滑窗内样本的统计信息——方差的方法，来估计背景噪声功率水平，能够自动调节检测阈值。该方法根据参考滑窗内采样值的统计均值和方差，将方差大于一定数值的采样值删除，用剩余的有效的采样值的均值代替该采样值，重新计算采样值的均值。通过步骤3)即在CFAR检测器中的信号处理方法采用参考样本中的统计信息来估计检测背景噪声功率水平值，即检测器的检测阈值。从而能够根据检测背景噪声的变化来自适应的调节检测检测阈值，检测目标。

进一步的，由于步骤3-4)中提到的利用参考滑窗内样本的统计信息，能有效的将样本中可能的干扰目标去除，从而减少干扰目标的影响。进而使得该方法可以根据检测环境中干扰目标的个数自适应的调整检测阈值，提高系统的检测性能，同时保持较好的虚警控制能力。因而本发明既可以根据干扰数目的变化或杂波边缘位置来自适应的调整阈值，又保留了CA方法在均匀检测环境中的最优的检测性能，具有良好的适用性，同时实施简单。

附图说明

图1是本发明流程图；

图2是基于统计信息的恒虚警率方法结构图；

图3是均匀检测环境下检测器检测性能；

图4是多目标环境下检测器检测性能(r＝4)；

图5是多目标环境下检测器检测性能(r＝8)；

图6是多目标环境下检测器检测性能(r＝9)；

图7是多目标环境下检测器检测性能(r＝10)；

图8是改进的单元平均恒虚警率方法(MCA)的检测性能(r＝0,……,30)。

具体实施方式

下面结合附图，对本发明作进一步详细说明。

参见图1，本发明包括以下步骤：

步骤1)：将雷达接收到的数据传入匹配滤波器中；

步骤2)：将匹配滤波器输出的信号传入平方律检波器中进行处理；

步骤3)：最后将平方律检波器中输出的信号传入CFAR检测器进行处理，获得参考单元采样根据相应CFAR算法产生的杂波功率水平的估计值Z；

步骤4)：根据步骤3)获得的获得参考单元采样根据相应CFAR算法产生的杂波功率水平的估计值Z，CFAR检测器输出最终判决，即检测单元内是否存在目标。

步骤1)中，雷达接收到的数据类型为：由幅度、相位信息所组成的复数数据。

步骤3)中信号传入CFAR检测器进行处理的具体步骤为：

3-1)X₀为接收到的检测单元信号，参考单元采样x₁到x_2n，参考滑窗被两等分，每个子滑窗长度为n，分别称作前沿滑窗和后沿滑窗，后将参考单元信号被送入恒虚警处理器中；

3-2)计算参考滑窗内2n个采样值的统计均值和方差

3-3)针对滑窗内所有采样值计算其

3-4)将与σ²比较：若其中K_δ据下式取值，则删除x_i，用剩余的有效的采样值的均值代替x_i；否则，则保持x_i不变；

$>1-P\left\{\right|{\delta }_i-\bar{\delta }|<K_{\delta }\}=\alpha$>

其中α为指定的错误概率，即δ_i未落入[-δ，δ]的概率，可据实际情况设定；

3-5)根据保留下的新的采样值x′_i，重新计算采样值的均值假设，最后剩余k个采样值保持不变，其余n-k个采样值被改写，则

$>\overline{x^{\prime }}=\frac{1}{2n}\underset{i=1}{\overset{2n}{\Sigma }}{x}_i^{\prime }=\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{x}_i+(2n-k)\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{x}_i$>

故，可引入符号

$>y_i=(\frac{1}{k}+2n/k-1)x_i$>

令则在一个滑窗内得到的背景噪声的局部估计值

$>z=\underset{i=1}{\overset{k}{\Sigma }}\beta x_i.$>

步骤4)部分中CFAR检测器输出最终判决的方法为：从步骤3)中获得参考单元采样根据相应CFAR算法产生的杂波功率水平的估计值Z后，根据N-P判决准则，即可进行判决；

N-P判决准则为指定一个虚警概率的容许值P_FD，使得检测概率达P_F到最大；

使用拉格朗日乘子法，引入一个乘子μ，其中μ≥0且构造一个目标函数：

J＝μ(P_F-P_FD)+(1-P_D)

其中P_F为虚警概率，P_FD为指定的虚警概率的容许值；上式经过化简可得如下等效判决形式：

$>\left(\begin{array}{ccc}{X}_0& \left(\begin{array}{c}{H}_1\\ >\\ <\\ H_0\end{array}\right)& \mathrm{TZ}\end{array}\right)$>

若X₀>TZ则H₁假设成立，若X₀<TZ则H₀假设成立；其中，H₁表示有目标，H₀表示没有目标，T为指定虚警概率下的阈值因子；最后得到CFAR检测器输出的最终判决结果。

本方法用于实施的硬件环境是：Intel Pentium 2.93GHz CPU计算机、2.0GB内存，运行的软件环境是：Matlab R2011b和Windows XP。我们用Matlab软件实现了本发明提出的方法。

蒙特卡洛仿真实验次数为1,000,000。仿真实验中所涉及到检测器参数和检测门限值T见表1。

表1 检测器的部分参数

步骤1：如图2所示，在CFAR检测器中，雷达接收到的数据第一步先进入匹配滤波器；

步骤2：接着进入平方律检波器输出；

步骤3：最后进入CFAR检测器进行处理；

步骤4：CFAR检测器部分，假设X₀为检测单元信号，参考单元采样x₁到x_2n，参考滑窗被两等分，每个子滑窗长度为n，分别称作前沿滑窗和后沿滑窗。参考单元信号被送入恒虚警处理器；

步骤5：计算参考滑窗内2n个采样值的统计均值和方差

步骤6：并针对滑窗内所有采样值计算其

步骤7：将与σ²比较：若(其中K_δ据下式取值)，则删除x_i，用剩余的有效的采样值的均值代替x_i；否则，则保持x_i不变；

$>1-P\left\{\right|{\delta }_i-\bar{\delta }|<K_{\delta }\}=\alpha$>

其中α为指定的错误概率，即δ_i未落入[-δ，δ]的概率,可据实际情况设定；

此次仿真实验中，α＝3.3×10^-4，K_δ＝4.76；

步骤8：根据保留下的新的采样值x′_i，重新计算采样值的均值

假设，最后剩余k个采样值保持不变，其余n-k个采样值被改写，则

$>\overline{x^{\prime }}=\frac{1}{2n}\underset{i=1}{\overset{2n}{\Sigma }}{x}_i^{\prime }=\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{x}_i+(2n-k)\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{x}_i$>

故，可引入新的符号

$>y_i=(\frac{1}{k}+2n/k-1)x_i$>

若令则在一个滑窗内得到的背景噪声的局部估计值；

$>z=\underset{i=1}{\overset{k}{\Sigma }}\beta x_i$>

步骤9：

Z是参考单元采样根据相应CFAR算法产生的杂波功率水平的估计值。其判决准则为：

$>\left(\begin{array}{ccc}{X}_0& \left(\begin{array}{c}{H}_1\\ >\\ <\\ H_0\end{array}\right)& \mathrm{TZ}\end{array}\right)$>

若X₀>TZ则H₁假设成立，若X₀<TZ则H₀假设成立，其中，H₁表示有目标，H₀表示没有目标，T为指定虚警概率下的阈值因子。

检测结果评价：

均匀环境：附图3给出了，检测环境为均匀高斯噪声环境时，检测器性能对比曲线。从图3可以看出均匀高斯背景噪声情况下，本文提出的方法检测性能与CA检测性能一致，这一点也可以从检测概率的解析式中得到证明，当没有干扰时，即式(1)中k＝2n的情况。同时，由于本方法保留了更多的参考单元采样，效果也明显优于OS检测器。

多目标情况：附图4－图6分别给出了不同干扰目标个数(以下用r表示)时，三种检测器的检测概率曲线。由图4-6可以看出，此时，CA检测器检测性能损失严重，而OS和MCA检测器的检测性能同具有明显的优势。特别是在低信噪比(<15dB)时，本文提出的算法(MCA)检测器检测性能要优于OS检测器；但是在较高信噪比时(>15dB)时，OS检测器性能具有明显优势。

由附图4-图6可知，随着干扰目标数目的增加，CA检测器检测性能恶化最为严重，OS和MCA检测性能会有所下降，但是具有较好的抗干扰目标的性能。

附图7是当干扰目标数为10时，不同恒虚警检测方法的检测性能。从图中可以看出，当干扰目标数目超出OS的容忍范围时，可以看出相比MCA方法，OS方法检测性能下降明显。

有结论表明，当干扰目标数目为随机数时，检测器所带来的虚警损失随出现干扰目标数目数量的随机性增大而急剧增大，远大于固定目标数模型的虚警损失。从附图6可知，MCA方法在多目标检测环境中，能够随着干扰目标数目的随机变化而自适应的调整检测阈值，避免了OS类检测器只针对固定干扰数目及以下的缺陷。

附图8给出了随干扰数目不同时，MCA的检测性能。由附图7可知随着干扰数目增加，MCA检测器检测性能呈线性衰落，自适应均值算法是针对改善CFAR检测器抗击多个干扰目标的性能提出的。在多干扰目标环境中，信噪比较低或干扰目标数不确定条件下，它表现出比其它方法更好的性能。与OS(k)相比，在干扰目标信号较强的环境中；本文提出的算法稍有逊色；对于多目标情况，该算法更可取。在干扰目标较密集的环境中，本文提出的算法的具有较好的检测能力，并且它可以容纳的干扰目标数不会受到限制。

本文常用缩略语及符号说明：

CFAR：constant false alarm rate，恒虚警率；

CA：cell average，单元平均；

OS:order statistics，顺序统计量；

MCA：modified cell average，改进的单元平均算法；

X₀：检测单元信号；

x₁……x_2n：参考单元采样，参考滑窗；

n：子滑窗长度；

参考滑窗内2n个采样值的统计均值

参考滑窗内2n个采样值的方差；

i＝1,^,2n：滑窗内第i个采样值的准方差；

α：指定的错误概率；

δ_k：指定的错误概率下的阈值因子；

x′_i：保留下的新的采样值；

k：保留下的新的采样值的个数；

计算保留下的新的采样值的均值

y_i：新的等价采样值

保留下的新采样值的系数；

Z：一个滑窗内得到的背景噪声的局部估计值；

H₁：表示有目标；

H₀：表示没有目标；

T：指定虚警概率下的阈值因子；

N-P准则：奈曼皮尔逊准则；

P_F：虚警概率；

P_FD：指定的虚警概率的容许值；

P_D：检测概率；

μ：拉格朗日乘子；

J：目标函数；

r：滑窗内干扰目标的个数；

dB：Decibel，分贝。