雷达恒虚警率检测算法综述

2021-11-25邹成晓张海霞程玉堃

雷达与对抗 2021年2期

邹成晓，张海霞，程玉堃

（1.中国船舶集团有限公司第八研究院，南京211153；2.91033部队，山东青岛266001）

0 引言

雷达探测由于受到噪声、杂波和干扰的影响，在采用固定门限进行目标检测时会产生一定的虚警，特别是当杂波背景起伏变化时虚警率会急剧上升，影响雷达的检测性能。恒虚警（Constant False Alarm Rate，CFAR）处理技术是雷达自动检测系统中最重要的一种目标检测方法，能够根据雷达杂波数据动态调整检测门限，在虚警概率保持不变的情况下使目标检测概率最大化。［1⁃2］

CFAR检测技术自提出以来，在雷达目标检测领域得到了广泛而深入的研究与应用。本文针对海杂波背景下不同CFAR检测算法进行综述，并结合近年来公开的相关研究成果，对CFAR检测算法发展趋势进行分析和展望。

1 研究现状

早期雷达分辨率较低，将海杂波回波的幅度分布假定为Rayleigh分布，针对均匀平稳的海杂波，文献［3］首次提出单元平均恒虚警（Cell Averaging，CA⁃CFAR）检测算法。该算法利用待检单元周围的临近单元数据获得背景杂波功率估计值及检测门限，在均匀环境下具有最优检测性能。当同一方位上的多个目标距离较近、一个目标处于检测单元且其他一个或多个目标位于其参考单元内时，会出现目标遮蔽效应。为防止目标漏检，对于目标遮蔽效应，一般采用单元平均选小SO（Smallest Of）⁃CFAR；当从杂波区到非杂波区过渡时，前后参考单元内的杂波功率差异较大，此时会出现杂波边缘效应，导致虚警急剧增加。为控制杂波边缘处的虚警，采用单元平均选大GO（Greatest Of）⁃CFAR。文献［4］对CA⁃CFAR、SO⁃CFAR和GO⁃CFAR三类基于单元平均处理的CFAR算法性能进行了对比分析，为实际应用中CFAR检测器的选取提供了指导。

在多目标检测情况下，为改善均值类CFAR检测算法的性能，可采用有序统计（Ordered Statistics，OS）OS⁃CFAR算法。该类算法不将参考单元内数据进行平均以估计杂波功率，而是将参考单元内的数据从小到大排序，然后将排序后的第k个值作为杂波功率的估计，再乘以门限系数作为检测门限。虽然OS⁃CFAR算法处理时只保留了一个参考数据值，但本质上依赖于参考窗内的所有样本数据，且k的取值直接决定了检测结果的优劣。关于OS⁃CFAR算法的参考窗长度N及有序统计量k的取值，文献［5］和［6］进行了详细讨论。当k＜N／2时，杂波边缘效应的影响会较大，通常k的取值在3N／4左右。

随着雷达分辨率的提高，对海浪结构的划分也更细致。特别是当雷达波束以小掠射角照射海面时，如果继续用Rayleigh分布描述海杂波数据，就会导致雷达CFAR检测误差增大。大量实测数据表明，Log⁃Nor⁃mal分布和Weibull分布能够更加准确地拟合实测海杂波数据。对于Log⁃Normal分布的海杂波，文献［7］证明了在形状参数已知的均匀Log⁃Normal杂波背景下OS⁃CFAR检测器的恒虚警率特性，推导了单脉冲线性OS⁃CFAR检测器对非起伏目标的平均判决阈值和检测性能表达式，并讨论了最佳序值的选取以及OS⁃CFAR检测器在取不同参考单元数时相对于理想CFAR的信杂比损失。

针对Weibull分布的海杂波，文献［8］基于OS⁃CFAR检测器，结合反馈控制理论，提出了一种基于OS⁃CFAR的反馈控制双参数（Double Parameter，DP）DPOS⁃CFAR检测器。仿真结果表明，该检测器对Weibull分布的尺度参数和形状参数均具有恒虚警性，且不需要对杂波模型的参数进行估计，具有较强的杂波适应性，同时避免了传统双参数CFAR检测器虚警损失较大的问题。文献［9］提出了一种杂波边缘自动定位方法，能够在Weibull参数未知的情况下消除参考单元内不用于杂波功率估计的数据，提高杂波边缘处的目标检测性能，同时保持恒虚警率。文献［10］在假定Weibull杂波分布形状参数已知的情况下，将雷达检测中常用的二进制积累方法与OS⁃CFAR算法性能进行了对比分析研究，包括均匀背景、临近多目标和杂波边缘的非均匀背景，同时推导了虚警率计算的解析表达式。在此基础上，文献［11］对CA⁃CFAR、SO⁃CFAR、GO⁃CFAR、SOSCA⁃CFAR（the Smallest Of OS and CA⁃CFAR）和OSCAGO⁃CFAR（the OS and CA⁃CFAR Greatest Of）几种检测算法在均匀和非均匀Weibull杂波背景下的性能进行了分析。通过Monte Carlo仿真，在假定Weibull分布形状参数已知的情况下，对于非均匀杂波背景，OSCAGO⁃CFAR和GO⁃CFAR对虚警概率的控制性能最好，SOSCA⁃CFAR和SO⁃CFAR对临近多目标的检测性能最好。

在Log⁃Normal分布和Weibull分布形状参数和尺度参数未知时，Log⁃t检测是一种准最优单脉冲检测策略［12］。Log⁃t检测器允许由参考单元估计形状和尺度参数，以便在形状和尺度参数变化较大的环境中保持恒定虚警概率，但有效性依赖于参考单元采样的先验条件，即要求在只有杂波时采样得到的数据是独立同分布的随机变量。文献［13］针对Weibull杂波背景，将Log⁃t检测器与多脉冲非相干积累器相结合，分析和对比了不同非相干积累技术对Log⁃t检测器在均匀和非均匀Weibull杂波背景下的性能。

考虑到海杂波脉冲间的相关性，复合K分布模型更适用于描述高分辨率雷达非均匀和非平稳海杂波幅度特性。对于K分布海杂波，文献［14］针对具有空间相关性的海杂波，分析了CA⁃CFAR检测器的性能。文中指出，当海杂波具有较强的相关性时，较小的CA⁃CFAR参考单元数能够获得较高的CFAR增益；对于不相关的海杂波，较小的CA⁃CFAR参考单元数将会导致较高的CFAR损失。文献［15］也对K分布海杂波背景下的CA⁃CFAR性能进行了分析，推导了相干和非相干脉冲积累情况下CA⁃CFAR检测时虚警概率的近似表达式，并通过Monte Carlo仿真对计算结果进行验证。文献［16］证明了当形状参数已知时在K分布杂波背景下OS⁃CFAR检测器具有恒虚警性能，并对均匀背景下OS⁃CFAR检测器的性能进行了分析，研究了不同形状参数下的SCR损失。对于未知形状参数的K分布杂波背景，文中提出了一种参数估计方法。文献［17］提出了一种删除开关CFAR（Excision Switc⁃hing，EXS⁃CFAR）检测算法，分析了K分布海杂波背景下EXS⁃CFAR检测器的性能，推导了检测概率表达式，并在均匀和非均匀背景下对Swerling I型目标的CA⁃CFAR、SO⁃CFAR和GO⁃CFAR算法检测性能进行了对比。结果表明，EXS⁃CFAR检测器能够降低杂波边缘处的虚警概率，同时对于临近多目标场景也能够避免目标遮蔽效应。文献［18］基于改进排序提出了两种非参数检测器：改进排序广义符号检测器（Modified⁃Rank⁃based Generalized Sign，MRGS）和改进排序 Mann⁃Whitney检测器（Modified⁃Rank⁃based Mann⁃Whitney detector，MRMW），这两种检测器通过定义排序统计量的值函数（Inverse⁃Normal⁃Score，INS）实现CFAR检测，在文中通过Monte Carlo仿真对Swerling II型目标的检测性能进行了分析，非参数检测器对K分布的尺度参数并不敏感，只依赖于形状参数的选取，适用于具有海尖峰的K分布杂波下的低观测目标检测。

在实际应用中，不论哪一种检测器往往都面临一个问题，即当实测海杂波数据的幅度分布与理论假设背景不一致时检测器检测性能将会降低，其表现为检测器的门限难以使其保持给定的虚警率或在保持虚警率时目标检测概率降低。文献［19］提出了基于均值和方差统计特性来区分不同背景的方法。根据不同背景特征，选择CA⁃CFAR、SO⁃CFAR或者GO⁃CFAR进行处理。在均匀背景下，CFAR检测损失较小，能够有效检测多目标且能够控制杂波边缘处的虚警。文献［20］提出了适应多杂波类型的CFAR检测方法。首先检验判断杂波序列的分布类型，然后针对不同杂波分布类型选择相应的CFAR处理器，以使雷达实时保持良好的恒虚警率检测性能，降低CFAR损失。文献［21］分析了高斯杂波背景下相干雷达多极化通道自适应匹配恒虚警检测的结构，提出了一种基于杂波模型的自适应恒虚警检测算法，推导了虚警概率表达式。仿真结果表明，所提出的检测算法相对于杂波协方差矩阵有恒虚警的性质，比极化自适应匹配滤波器的估计损失小，检测性能有所提高。文献［22］提出一种基于多背景杂波分布模型的自适应CFAR检测算法。该方法根据背景区域的不同统计特性来判断区域类型，采用的CFAR检测器根据区域类型选择相应的背景杂波分布模型，在均匀区域采用高斯分布，在有杂波边缘的区域采用Weibull分布以消除杂波边缘的影响，在有多目标干扰的区域采用G0分布以排除干扰目标，避免相邻目标的屏蔽效应。

一些文献还采用了其他方法进行恒虚警检测。文献［23］将自动删除算法和最小选择方法相结合，提出了一种在强干扰目标背景下基于自动删除算法的最小选择恒虚警检测方法，分析了自动删除算法的性能，推导了该方法的平均虚警概率和平均检测概率的解析表达式，当强干扰目标较多时该检测方法优于自动删除均值检测器。文献［24］和文献［25］基于自动删除单元平均（ACCA）方法分别提出了MACCA和ACCAGO⁃CFAR检测器。它的前沿和后沿滑窗均采用ACCA算法产生局部估计，再计算得到背景功率水平估计，从而设置自适应检测门限。在SwerlingⅡ型目标假设下，推导出了均匀背景下虚警概率和检测概率的解析表达式。这两种方法均有效地提高了在杂波边缘环境下的虚警控制能力。

文献［26］基于最佳线性无偏（BLU）恒虚警检测算法，提出了最佳线性无偏选大恒虚警检测器（BLUGO⁃CFAR），前后沿滑窗均采用BLU算法产生局部估计，将其中的最大值作为检测器对杂波功率水平的估计，去设置自适应检测门限。它在均匀背景及多目标环境中的性能均比GOSGO或OSGO有所改善，对杂波边缘的虚警控制能力与控制能力强的GOSGO类似。文献［27］提出了一种基于检测统计量的恒虚警检测算法SOSGO⁃CFAR。该算法将检测单元采样作为选择参考单元的依据，使用了基于转换恒虚警（S⁃CFAR）和排序选大恒虚警（OSGO⁃CFAR）的复合算法，并在均匀背景、杂波边缘和多目标情况下用Monte Carlo方法进行了仿真分析。结果表明，该检测器既具有均匀背景下和CA⁃CFAR相近的良好性能，在杂波边缘环境中也具有接近OSGO⁃CFAR的性能，且在多目标环境中其性能优于S⁃CFAR。文献［28］分析了广义符号检测算法在高斯杂波背景和实测海杂波背景下对Swerling 0型和SwerlingⅡ型目标的检测性能，以及对实际渔船目标的检测性能。研究表明，随着脉冲数、参考单元数和信杂比的提高，该检测算法的检测性能有所提高。在低信杂比条件下，广义符号检测算法对SwerlingⅡ型目标的检测性能优于对Swerling 0型目标的检测性能。在高信杂比条件下，对Swerling 0型目标的检测性能优于对SwerlingⅡ型目标的检测性能。文献［29］基于慢门限恒虚警和快门限恒虚警研究了雷达目标CFAR处理算法。针对慢门限恒虚警，使用对数减法来代替除法运算以提高效率。针对快门限恒虚警存在的边缘效应问题，采用双侧单元平均选大的解决方案，使雷达检测系统始终处于恒虚警状态。

文献［30］介绍了一种双模式双参数杂波图恒虚警检测器。该检测器采用静态杂波图和动态杂波图两种工作模式，分别处理时域平稳和非平稳的杂波环境，并且引入双参数恒虚警的工作原理，提高了恒虚警检测单元的检测性能，有效地抑制了虚警率。该检测器采用软件和硬件相结合的方式实现了整个处理流程，系统具有可编程性和设计灵活性。文献［31］在研究三坐标雷达中三维杂波图形成原理的基础上将各种恒虚警算法应用于轮廓杂波图中，得出采用有序统计方法更符合现代雷达对杂波图的要求的结论，而且杂波图作为一种慢速目标检测方法，将有序统计方法应用于杂波图中，可得到较好的检测效果，且随着信噪比的提高检测效果更加明显。文献［32］论述了杂波图恒虚警率处理的基本原理，并重点研究了杂波图点技术和面技术两个方面恒虚警率处理技术，将点技术和面技术处理性能做了比较；研究了混合杂波图恒虚警率处理器改进算法，有效克服了点技术和面技术的不足之处；研究了变换域恒虚警率处理，分析了频域恒虚警率和小波域恒虚警率处理，在频域中重点研究了频域单元平均、动目标快速傅里叶变化单元平均（MTI⁃FFT⁃CA⁃CFAR）和奇偶检测器（OEP）恒虚警率检测性能，并分析了离散小波域恒虚警率检测能力。文献［33］分析了经典的均值类恒虚警和有序统计类恒虚警的算法原理，研究了这些算法在均匀和非均匀、单目标和多目标杂波背景下的检测性能，对于多目标下的小目标信号使用SO⁃CFAR检测得到的效果比较好，GO⁃CFAR应用在杂波边缘情况的效果较好，有序统计类恒虚警算法在多目标情况下检测效果比较好；对依据杂波分布模型选择恒虚警方法的多模型智能恒虚警算法进行了研究与设计，并对瑞利海杂波分布下的智能恒虚警目标检测效果和检测性能进行了分析，其在杂波均匀背景、杂波边缘背景中的目标检测概率都优于均值类恒虚警。

2 发展趋势

2.1 多传感器分布式CFAR检测技术

分布式CFAR检测技术是CFAR技术与多传感器信息融合技术相结合发展而来，已成为当今雷达目标检测的关键技术之一。雷达作为一种传感器，通过与环境、目标的交互来获取信息，但是仅靠一个传感器获取信息的能力必然是有限的。为提高检测系统的可靠性和精确性，科研人员研究通过不同形式的组网融合提高雷达的检测性能，扩大系统的监视范围。

分布式雷达CFAR检测研究的最初工作主要是把单传感器的检测理论推广到多传感器分布式系统中，包括多传感器的假设检验问题、最优检测、Bayes检测、似然比判决、N⁃P检测等。［34］

20世纪90年代时，Barket和Varshney等人的研究正式将CFAR检测应用到分布式系统检测中，并且研究了均匀高斯环境下并行分布式单元平均CFAR检测融合问题。［35⁃36］严军等人针对均匀高斯背景中的SwerlingⅡ型起伏目标的多传感器分布式恒虚警检测进行了研究，提出了广义似然比恒虚警（GLR⁃CFAR）方法，并通过数据仿真得出该方法可显著提高小目标检测概率的结论。［37］文献［38］针对分布式多传感器系统中不同传感器的信噪比会影响检测决策的问题，提出一种利用分传感器信噪比决定其权值的自适应删除均值加权单元平均恒虚警（CMLWCA⁃CFAR）检测方法，融合中心利用各个传感器的杂波估计比值作为判决有无目标的依据，而非常规的二元值。文献［39］针对实际应用中各检测器检测条件不一致的复杂检测条件，以典型的3站分布式布站结构，研究了分布式统计排序恒虚警（OS⁃CFAR）在不同融合方式下的检测性能，得出在不同融合方式下系统对检测条件的适应能力有很大差异的结论。文献［40］研究了在Neyman⁃Pearson（NP：奈曼⁃皮尔逊）检测准则下的分布式恒虚警检测最优化问题，分析了二元局部判决与局部检测统计量的差别，并根据分析结果提出了一类局部检测统计量（Local Test Statistic，LTS），经过分析得出基于LTS的分布式CFAR检测是改善分布式CFAR检测性能的有效途径。文献［41］针对分布检测器的空间位置不同及工作状态不同，提出多传感器检测空间的划分，以及先分区融合再系统融合的方法，并且不同的检测分区的传感器采用不同的检测门限，通过计算和仿真得出此种方法可以提高融合系统的检测性能。文献［42］在假设接收噪声为高斯白噪声，平方律检波输出服从指数分布的前提下提出基于无偏最小方差估计（UMVE）CFAR算法作为局部检测器的并行分布式系统，得出分布式UMVE⁃CFAR算法在均匀背景和非均匀背景具有较好检测性能的结论。

当前对雷达分布式CFAR检测的研究主要集中在基础理论方法上，比如系统结构、数据融合假设检验、性能测试、融合规则等问题。当实际面对复杂背景环境时，仍有很多问题有待于进一步研究和探索。

2.2 智能化认知雷达CFAR检测技术

随着人工智能技术的快速发展，将人工智能技术应用到雷达信号处理中，实现雷达智能目标检测是现代雷达信号处理的重要发展方向。认知雷达通过发射电磁波与环境进行不断交互与学习，获取环境信息，结合先验知识和推理，自适应调整雷达发射和接收参数，并使用最适合的系统配置信息（包括发射频率、信号形式、信号处理形式等），以实现对目标有效、可靠和稳健的感知和跟踪，从而大幅度提高系统的性能。［43⁃44］

受蝙蝠回声定位系统及认知过程的启发，国际著名的信号处理专家Simon Haykin于2006年首次提出认知雷达的概念。［45］智能化认知雷达具有两大基本特征：知识辅助信号处理（Knowledge Aided Signal Pro⁃cessing，KA⁃SP）和发射自适应处理（Transmit Adaption，TA）。其实在认知雷达概念真正被提出之前，人们已经开始探索将知识辅助应用到雷达目标检测，以提高雷达检测和跟踪性能辅助知识包括DTED、雷达前视数据、GIS数据、道路交通图、目标运动信息、气象数据以及系统校验信息等先验知识。［46⁃47］

美国空军实验室在基于知识的空时自适应处理（KBSTAP）项目上将知识辅助技术与恒虚警检测技术相结合，论证了利用外部数据源信息对监视雷达的滤波、检测和跟踪带来的益处。2006年，Capraro C T等人利用地形信息选择辅助单元实现数据选择，并结合了自适应检测器的知识辅助检测算法。［48］Besson O于2007年研究了在非均匀背景下的知识辅助贝叶斯检测框架，并在此基础上提出了一种基于知识辅助的贝叶斯检测器。［49］

相较于国外，知识辅助技术在国内还算比较新的技术，西安电子科技大学开展的工作相对较多。邹鲲根据贝叶斯的方法，选择逆伽马分布作为纹理分量的先验分布，提出在符合高斯环境下的一种知识辅助自适应检测算法［50］。周宇针对非均匀杂波导致均匀样本数减少的问题，利用先验信息获取Wald检测器的协方差矩阵，提出了基于知识辅助的Wald检测器［51］。文献［52］基于GIS信息的CFAR检测器是一种基于地理信息系统的恒虚警检测算法，主要是利用对杂波环境的了解程度，解决非均匀杂波环境下恒虚警检测性能低的问题。基于知识辅助的CFAR检测器利用GIS提供的先验信息对参考单元进行筛选，尽量寻找到和检测单元地貌相类似的训练样本，从而更加有效地进行恒虚警处理，以解决恒虚警检测中存在的边缘效应问题。［53］文献［54］基于最大似然差的智能恒虚警检测器将无偏非均匀杂波估计恒虚警检测器和VI⁃CFAR检测器的优点相结合，在杂波边缘中能够降低雷达目标被遮掩的概率，使得目标的检测概率得到了大幅度的提高。

认知雷达的出现为雷达技术未来的发展提供了一个全新的方向。由于国内外的认知雷达处于初级研究阶段，关于认知雷达的基本概念、工作原理和关键技术尚需要更多的关注与研究。