雷达恒虚警目标检测处理技术综述

秦天慈 ,王中训,黄 勇,刘 言,尉豪轩

(1. 烟台大学物理与电子信息学院,山东 烟台 264005;2. 海军航空大学,山东 烟台 264001)

0 引言

非平稳背景中若采取固定门限进行雷达目标检测,虚警率(Pfa)会随杂波功率增加而急剧增加。虚警率是衡量雷达信号检测性能的重要指标,恒虚警(constant false alarm rate,CFAR)目标检测技术是根据杂波水平的变化自适应地改变检测门限,以获得恒定虚警率条件下的最大检测概率[1]。

对不同杂波环境模型要采取不同的CFAR检测策略以尽可能逼近最优检测性能。杂波模型主要分为高斯和非高斯杂波两大类。早期雷达分辨力较低,认为雷达杂波幅度服从高斯分布,接收机包络检波输出服从瑞利分布,进行平方律检波后服从指数分布。随着雷达分辨力的提高或在低视角观测时,尖杂波使杂波包络的分布相对于瑞利分布有一个长的拖尾,文献[2]发现用对数正态分布和污染正态分布可以描述海杂波,但对数正态分布会过高地估计实际杂波分布的动态范围;文献[3]研究发现韦布尔分布描述杂波更为准确;文献[4]引入了一类新的概率分布,即K分布,在描述海尖杂波等非均匀杂波时,K分布比韦布尔分布更加准确。在均匀地面散射体中若存在着与周围环境差异较大的分类目标,则杂波的统计特性常常可以用莱斯分布描述[5]。

由于实际海杂波特性更为复杂,进行CFAR处理时往往要进行大量预处理工作,传统检测算法的选取及改进显得尤为重要。针对不同CFAR目标检测处理技术应用场景的不同,介绍各类CFAR处理技术的原理、缺陷及其最新的研究与改进算法,并对其未来研究热点与难点进行展望,为CFAR处理领域研究与创新提供参考。

1 经典恒虚警检测器

1.1 高斯背景下的恒虚警检测器

1.1.1均值类CFAR

针对早期分辨力较低的雷达,其海杂波回波幅度分布可视为瑞利分布,文献[6]首次提出了单元平均恒虚警(CA-CFAR)检测算法,将待检测单元周围的临近参考单元数据作平均处理,作为背景杂波功率估计以获得检测门限。当目标处于检测单元而其周围参考单元存在其他目标时,则可能会出现检测单元目标漏检,即遮蔽效应。为改善遮蔽效应,可以采取选择前后半窗求和后的较小者再取平均作为背景杂波估计,防止背景估计偏大从而避免目标漏检,即单元最小选择(SO)-CFAR,如图1所示。

图1 SO-CFAR改善目标遮蔽实例Fig.1 Example of SO-CFAR improving target masking

当前后沿参考滑窗的杂波功率差异较大时会出现杂波边缘效应,此时采用CA算法与SO算法进行检测时均会出现杂波边缘处的虚警提升,为改善杂波边缘引起的虚警提升,可以采用单元最大(GO)-CFAR,通过选择杂波功率较大的半窗参考单元取平均作为背景杂波估计,以改善杂波边缘处的虚警提升问题,如图2所示。

图2 GO-CFAR改善杂波边缘处虚警概率提升示例Fig.2 Example of GO-CFAR improves false alarm probability at clutter edge

上述CFAR算法都是基于参考滑窗的平均处理,因此称之为均值类CFAR。均值类CFAR算法如图3所示。

图3 均值类CFAR算法图Fig.3 Mean level CFAR algorithm

CA-CFAR的检测概率Pd的计算方式为

(1)

式(1)中,门限因子T只与预设Pfa以及参考窗长度有关,即

(2)

文献[7]对CA,SO以及GO三类算法在不同杂波环境下的性能进行了详细分析。后续又有学者提出了加权单元平均(weighted cell-averaging ,WCA)-CFAR[8]改进算法,分别对前后窗按杂波强度加权得到杂波估计,即Z=αx+βy,α和β是在保持恒定Pfa的同时使Pd最大得到的,WCA在均匀背景中的虚警概率为

(3)

文献[9]在高斯噪声背景下,对CA算法在线性和平方律两种检波方式下的恒虚警损失进行了较全面的分析与比较,得出了在同一虚警率下线性检波要比平方律检波的CFAR损失高,同时CFAR损失会随参考单元数的增大而减小的结论。

均值类CFAR在均匀背景中的检测性能最好,然而在多目标环境中性能较差。

1.1.2有序统计类CFAR

为改善均值类CFAR在多目标环境中的检测性能下降问题,Rohling首次提出了有序统计(ordered statistics,OS)-CFAR检测器[10],将参考单元内的数据排序处理,取排序后的第k个值作为背景杂波功率估计值来计算检测门限,OS类CFAR算法框图如图4所示。

图4 有序统计类CFAR算法Fig.4 Ordered statistics CFAR algorithm

OS的门限因子T与预设Pfa的关系如式(4)所示,可以看出虚警概率与杂波参数无关;OS的检测概率Pd如式(5)所示。

(4)

(5)

k的选取合适与否关系到检测结果的优劣,在关于OS的参考窗长度N及有序统计量k的取值问题上,Rohling总结了关于OS的双边参考滑窗长度N与k的取值对检测器性能的影响,即当k

k≤N-I(2b+1),

(6)

式(6)中,N为总参考单元数,I和b分别为参考窗内目标个数和目标左右能量旁瓣所占据的距离单元。分析OS性能随k的变化规律,即在多目标条件下检测性能随k的减小而提升。前后参考窗内各有1个跨距离单元的干扰目标环境中OS检测性能随k值变化如图5所示。

图5 多目标环境中CA与OS的检测性能对比Fig.5 Comparison of CA and OS detection performance in multi-target environment

OS本质还是依赖于参考滑窗内的所有样本数据,但由于只保留了一个参考数据值,其CFAR损失比均值类要高。在OS-CFAR检测器基础上,派生出了删除均值 (censored mean level detector,CMLD)-CFAR以及削减平均(trimmed mean,TM)-CFAR等OS类CFAR检测器。CMLD与TM通过预选删除点能够保留较多的有序参考采样,同时兼顾多目标环境中的优势以及较小的CFAR损失[5]。针对OS类CFAR存在排序处理导致响应时间较长的问题,文献[13]提出了一种重复排序算法来减小响应时间,即滑窗围绕着待测单元按顺序对n个连续参考单元的滑动窗口进行重复排序,该算法的计算复杂度与传统排序相比降低了n/4倍;此外,具有自动筛选技术的GOS类方法也可以改善排序时长问题[14]。

多目标环境中OS类CFAR表现优于均值类CFAR,但在杂波边缘环境中的性能也存在一定程度上的下降。

1.1.3自适应CFAR

以上几种CFAR检测器只有在一定的杂波环境中才能接近最佳检测性能,且需获得数据的先验信息。自适应CFAR可以自适应地选择算法和参数,例如删除单元平均(censored cell-averaging,CCA)-CFAR,自适应杂波边缘位置(heterogeneous clutter estimate,HCE)-CFAR,变化指数(variability index,VI)-CFAR等等。其中,VI-CFAR和HCE-CFAR算法作为常规自适应恒虚警的研究较多。VI-CFAR和HCE-CFAR算法分别如图6(a)和图6(b)所示。

图6 VI-CFAR算法与HCE-CFAR算法图Fig.6 VI-CFAR and HCE-CFAR algorithm

VI算法首先计算参考窗的VI值和MR值,VI值用来判断参考窗采样值是否均匀,MR值用来判断前后参考窗功率均值是否一致。VI和MR值计算方式如下：

(7)

(8)

表1 VI-CFAR检测策略选择Tab.1 VI-CFAR detection strategy selection

HCE-CFAR算法先估计杂波边缘位置,获得待测单元处在哪一个杂波区,再求得杂波区的背景功率作为相应的背景估计。HCE-CFAR算法在杂波边缘中的表现如图7所示。

图7 HCE-CFAR算法与CA-CFAR算法在杂波边缘环境中的表现Fig.7 Performance of HCE-CFAR and CA algorithm in clutter edge environment

可以看到HCE-CFAR算法并没有发生CA算法检测门限曲线的“过渡带”,说明HCE-CFAR算法可以准确地判断杂波边缘位置,且在高杂波区对比CA算法的虚警提升有着良好的控制能力。但若在均匀背景中使用了HCE检测算法,则会带来额外的CFAR检测损失,文献[17]提出了改进的HCE检测器,先判断杂波背景是否均匀,若均匀则采用CA算法,否则再使用HCE-CFAR算法检测,弥补了HCE-CFAR算法的一个缺陷。

当杂波背景较复杂时,通常通过Monte Carlo仿真求得一定虚警概率下的门限因子,但往往需要巨大的计算量,例如在虚警率为10-6时至少需要107次循环计算。文献[19]中给出了基于BP神经网络中的CFAR检测器标称化因子的算法,BP神经网络具有良好的近似任意非线性函数关系式能力,再通过对数变换处理后,极大程度上降低了近似过程所需的训练时间,证明了BP神经网路标称化因子的准确性。文献[20]提出了一种基于神经网络的CFAR检测方法,可在不同场景下自适应地选择CFAR算法及检测门限进行最优检测。文献[17]对基于神经网络和基于K近邻算法的两种自适应恒虚警检测算法进行了研究,对比分析了其在不同杂波背景下的检测性能。基于机器学习的CFAR检测算法结构如图8所示。

图8 基于机器学习的CFAR检测算法Fig.8 CFAR detection algorithm based on machine learning

基于机器学习的CFAR算法不需要计算统计量,也无需其他参数,具有强大的自适应能力,通过改进训练策略,增大训练样本等方式能够让该类算法有更强的性能。

1.1.4杂波图CFAR

杂波图(CM)即雷达威力范围内的杂波强度分布图。通过建立剩余杂波图,并根据杂波图对输入作归一化平滑,以达到近似恒虚警率的效果,因此这种杂波图平滑处理亦称杂波图CFAR。该算法在时间上对各次雷达回波的测量值通过迭代算法更新来估计背景杂波功率,适合于空域或距离方向变化十分剧烈,但随时间变化却比较平稳的情况,如地杂波。

针对经典Nitzberg杂波图检测方法在拖尾较重的非高斯杂波背景中性能会恶化的问题,文献[21]提出了一种在尖锐杂波环境中的检测性能较好的算法——基于非相干积累杂波图检测算法,该算法加入了二进制积累模块,算法结构如图9所示。

图9中qi(n)(i=1,…,M)表示在第n次扫描过程中来自某个距离分辨单元第i个脉冲的回波信号;q(n)表示脉冲积累的结果;q(n)乘一个可以控制衰减速率的加权因子α并加上前一次杂波背景强度的估计值的1-α倍,得到当前杂波背景强度新的估计值为

(9)

采用二进制积累准则对M个脉冲信号的判决结果进行非相干积累,若M个脉冲信号中至少有K个脉冲探测到了目标,则判定在该距离单元中存在目标,较高的二进制积累门限K(K/M)可以用来抑制较“尖锐”的杂波,从而获得较好的雷达目标检测性能。增加二进制非相干积累模块后的算法,相比经典杂波图检测方法的性能有较大改善,在虚警率Pfa=10-6、杂波形状参数c=0.8时,该算法仅需10 dB的信杂比即可达到50%的检测概率,而经典杂波图检测方法需要约30 dB的信杂比。

杂波图CFAR的另一个缺点是：多个扫描周期中的低速目标检测效果较差,即慢移动目标有自遮掩问题。针对这一问题,文献[22]提出将时域和空域结合起来进行检测的技术(CM/L-CFAR),首先将雷达分辨单元中将多个回波信号先后通过匹配滤波器和L滤波器(空域处理),再进行时域的迭代处理进行目标检测,该方法可以有效克服自遮掩现象,其算法流程如图10所示。

图10 CM/L混合检测器原理图Fig.10 Schematic diagram of CM/L mixed detector

图10中,L滤波器的输出z(n)为时域处理系统的输入,h(n)为离散系统的脉冲相应,该离散系统即时域杂波图的迭代处理,h(n)=w(1-w)n·u(n)。

1.2 非高斯背景下的恒虚警检测器

对于韦布尔分布杂波环境中的目标检测问题,用最大似然法(maximum likelihood,MLH)估计形状参数与尺度参数时相应时间较长,文献[23]提出了循环剔除TLM-CFAR检测器,该算法基于TL矩估计方法,通过获得韦布尔分布的两参数估计值确定CFAR检测门限,然后利用循环剔除法剔除干扰目标和强散射点的影响,该算法拥有MLH的性能并且运行时间仅为MLH算法的1/3。

为了实现对数正态纹理复合高斯海杂波背景下运动目标的快速检测,文献[24]提出了一种累积前白化和非相干累积级联的检测方法,证明了该方法对海杂波幅度分布的尺度参数以及散斑协方差矩阵均是恒虚警率的。在检测性能上幅度累积优于功率累积,在信杂比为4.5 dB时,幅度积累最高能达到1.0的检测概率,而功率积累在±2 500 Hz处也只能达到0.75左右的检测概率;且累积前白化总体上提高了运动目标的信杂比,同时对于位于主杂波区之外的高速运动目标也能带来明显的性能改善。

图11 M-MED检测器算法图Fig.11 M-MED Detector Algorithm

该算法仅需N次加法运算,极大降低了计算复杂度;通过对实测数据验证,该算法拥有比其他现有方法更优的检测性能。

文献[26—29]推导了OSCA、OSGO、OSSO在K分布杂波边缘中虚警概率的解析表达式,结果表明虚警概率Pfa均与尺度参数无关,从而证明了OSCA、OSGO、OSSO在均匀统计独立的K分布杂波背景下具有恒虚警性能,并在仿真分析后得出在K分布杂波边缘环境中检测性能为OSGO>OSCA>OS,在K分布均匀杂波背景以及多目标背景下OSCA具有最好检测性能的结论。

文献[30]在大量试验的基础上,发现噪声和海况因素引起的船海对比度较低时的合成孔径雷达(synthetic aperture radar,SAR)图像海杂波用莱斯分布能更好地描述,基于此提出了基于该分布的CFAR舰船检测算法：

(10)

首先对原始感兴趣的幅度图像进行局部莱斯分布建模,通过式(10)计算获得阈值IT,遍历待测图像局部区域的像素值,与阈值I2比较,若大于IT则为舰船目标。

图12展示了使用不同分布模型拟合SAR图像后的检测结果。可以发现使用莱斯分布模型拟合时,舰船目标漏检情况最好,证明莱斯分布能更好地拟合海杂波分布类型。另外,该算法在处理速度方面也较为理想,对两种SAR图像的检测处理分别耗时为1.18 s和2.04 s,可以满足实时性要求。

图12 不同分布模型对于两种SAR图像舰船目标CFAR检测结果Fig.12 CFAR detection results of ship targets in two SAR images with different distribution models

2 非参量CFAR

非参量CFAR对大量杂波采样与信号加杂波采样进行比较统计判断目标是否存在,该类算法的虚警率与杂波背景的分布无关,因此也称为分布自由的 CFAR检测方法。符号检测器和Wilcoxon检测器是经典的单样本非参量检测器,但它们要求杂波中值水平已知,同时对于有限的样本数目其检测损失很大[1]。文献[31]基于改进秩检验提出了两种非参数CFAR检测器：改进排序广义符号 (modified-rank-based generalized sign,MRGS) 检测器和改进排序Mann-Whitney(MRMW) 检测器,它们均通过定义排序统计量的值函数(inverse-normal-score,INS)实现CFAR检测,两种新型非参量CFAR算法如图13所示。

图13中M是参考单元数,N为脉冲(方位)数,Xki(k=1,…,N;i=1,…,M),Xj,i(j=1,…,N;i=1,…,M)是对应的某个方位某个距离单元的参考样本,k,j是对应的脉冲索引,R是N次扫描的所有参考样本样本y的秩,阈值K是预设虚警概率下的门限阈值,Φ-1(·)是逆正态得分函数。文中通过Monte Carlo仿真对Swerling II型目标的检测性能进行了分析,发现该非参量检测器对K分布的尺度参数并不敏感,只依赖于形状参数的选取,该算法适用于具有海尖峰的K分布杂波下的低观测目标检测。

非参量CFAR单次扫描下的虚警率较高,需要多次扫描积累降低虚警率,且CFAR损失较高,但在一定条件下,如参量CFAR无法有效检测时,非参量CFAR仍为一种可取的检测方式。

3 其他CFAR处理

3.1 变换域CFAR

单时频域时常不能有效地进行目标检测,变换域CFAR处理将雷达回波信号进行变换以提高检测性能。文献[32]提出了变换域分形检测技术——基于分数阶傅里叶变换(FRFT)域分形特征的运动目标检测算法,以区分纯海杂波单元与“海杂波+目标”单元,如图14所示。该特征能有效增强小目标的回波特征以便于CFAR检测。

图14 变换域CFAR目标特征增强Fig.14 CFAR target feature enhancement in transform domain

文献[33]分别从分数阶傅里叶变换域中的信息熵,奇异值分解域中的最大奇异值,以及复值经验模态分解域中的低频本征模态函数能量比三个特征出发,分析海杂波信号和目标信号在不同变换域所表现出的不同特征,来进行目标检测。文献[34]提出了STFT-Radon变换域恒虚警检测算法,将传统时域的处理转变为SRT变换域的处理,获得了更高的局部信噪比,有效提高了对非平稳背景下对弱脉冲信号的检测能力。SRT变换域CFAR检测器对线性调频信号LFM信号有较高的检测性能,如以检测概率为0.9作为指标时,SRT变换域检测所需信噪比仅为0.5 dB,而时域CFAR检测则需要2 dB的信噪比。

3.2 多维信息联合

雷达接收端接收到的信息包括距离维、脉冲维、方位维、多普勒等多维数据,联合多维数据信息进行目标检测可以有效地抑制杂波、减少虚警,提高检测性能。多维度信息联合示例如图15所示。

文献[35]借鉴多维信号联合以及杂波抑制的思想,提出一种杂波背景条件下将脉冲压缩、Radon傅里叶变换(ARFT)与自适应杂波抑制联合的时距联合检测前聚焦方法(A-PCRFT)。该方法首先将脉内时间与脉间时间两个雷达信号处理维度相联合,引入与高速目标相对应的二维导向矢量,补偿脉内和脉间的多普勒频移,然后根据辅助数据估计脉冲压缩前的杂波协方差矩阵,最后根据杂波协方差矩阵和导向矢量确定最优滤波器权矢量。在距离-速度的二维空间中,该方法能有效地抑制杂波,同时对目标能量进行最佳聚焦。与ARFT方法相比,A-PCRFT方法的聚焦能力优于ARFT方法,ARFT聚焦后的平均信杂噪比为34.73 dB,A-PCRFT达到了37.75 dB。

文献[36]提出了多维联合相参积累的空时频检测前聚焦(STF-FBD)雷达信号处理理论和方法,将目标长时间相参积累问题转化为参数化的模式匹配问题,在相应的参数空间内形成目标的多维聚焦图像并将传统雷达波束形成、脉冲压缩、多普勒滤波相结合,实现目标空间和运动参数的匹配估计。该方法能有效克服“三跨”效应(长时间照射时运动目标极产生的跨距离单元(ARU)、跨多普勒单元(ADU)及跨波束单元(ABU)),抑制强杂波及有源干扰,提高能量积累以及目标检测等方面的性能。

图15 多维度信息联合示例Fig.15 Example of multi-dimensional information federation

3.3 多传感器分布式CFAR

通过多传感器分布式检测与CFAR的联合,能够有效提高检测器检测性能。针对现有分布式多传感器系统中系统误差估计与配准难的问题,文献[37]采用基于与航迹相关的检验统计量研究了系统误差的实时检测,以采取补偿措施消除系统误差的影响,提高系统的精度与性能。

文献[38]选取两类在局部传感器采用OS-CFAR检测的分布式检测算法,对两部分散部署的雷达,以扩展覆盖范围为指标,分析了扩展覆盖范围的区域分布和比例,以及在多传感器系统中应用分布式检测算法时需要考虑的时空对准问题,为实际工程应用提供了指导方案。以OS-CFAR为例,多传感器分布式检测的局部二元判决算法和局部检测统计量算法与单传感器检测性能对比如图16所示。

图16 单传感器与多传感器分布式检测算法性能对比Fig.16 Performance comparison of single sensor and multi-sensor distributed detection algorithms

由图16可见,多传感器分布式检测算法可以明显改善系统的检测性能,对于OS-CFAR,在信噪比为20 dB时,能够提升约20%的检测概率。

3.4 极化CFAR

极化雷达能够通过对目标的散射矩阵测量来分辨目标与杂波,更好地进行CFAR检测。文献[39]提出了一种高斯杂背景下的相干雷达极化恒虚警检测算法SPD。该算法计算复杂度小,检测性能比传统的极化广义似然比PGLRT算法更优,并具有一定的自适应能力,其虚警概率表达式为

(11)

式(11)中,L为极化回波接收通道数,N为天线单元数。可见,虚警概率只与维数K以及L、N有关,而与杂波协方差矩阵无关,证明了该极化算法具有恒虚警特性。在相同L、N、K的条件下,SPD算法的检测性能均优于PGLRT算法。

4 结论及展望

近年来,对于恒虚警处理领域的成果非常之多,尤其对于传统一维恒虚警改进算法的研究,但仍存在着很多有待深入研究的热点和难点。

1) 二维CFAR处理

雷达回波信号往往会在距离和多普勒维同时存在杂噪,二维CFAR能同时估计距离与多普勒维(或方位维)单元,在多目标以及动态杂波背景中具有很好的抗干扰能力,在现代雷达信号处理系统中已得到广泛应用。

2) 基于海杂波特性分析的改进CFAR算法

传统CFAR检测策略是针对算法本身进行优化。与传统改进CFAR的方式不同,现代CFAR的改进策略往往是针对海杂波进行多维特征分析与提取,以更好地进行针对参考单元的筛选获得更准确的背景杂波估计。例如,在对海雷达目标检测中大多使用相参雷达,若对大量海杂波加以分析,可得到杂波与目标的不同相位特性,那么可以根据这种特性区分目标和杂波。类似的,还有如基于时域能量和频谱差异的特征,基于时频分析的适用于微动目标的微多普勒特征和基于海杂波归一化时频分布差异的特征,以及极化特征等[40],然后借助凸包学习算法进行多维特征检测。

3) 多维信息融合与多手段融合处理

近年来,基于雷达多维信息融合与多手段融合处理技术的研究愈发火热。采用多手段联合对海探测,把不同平台的雷达、光学红外信息进行融合或将多传感器信息融合,能够得到目标的多层信息,如目标位置、运动轨迹、外形轮廓等等,充分利用多层信息提高目标检测与识别的性能[41]。该技术在传统雷达信号的CFAR处理以及雷达图像处理领域都具有极高应用价值,发展潜力巨大。

4) 基于深度学习的雷达图像处理

对于雷达图像的目标识别有多种检测方法,如基于结构特征、灰度特征、几何特征、纹理特征等。其中基于灰度特征的检测最经典的方法是CFAR算法[42],目前CFAR算法在舰船检测领域已十分成熟,但在复杂背景下的多舰船目标检测领域表现仍然较差。且以上传统检测方法难以实时性检测。

深度网络有着很好的提取特征能力与泛化能力,基于深度学习的雷达图像的目标检测问题已成为雷达目标检测领域的研究热点。2018年,李健伟开创性地构建了第一个公开的SAR图像数据集——SSDD[43],并利用卷积神经网络对SAR图像处理,自此基于卷积神经网络SAR图像目标检测的研究越来越多。文献[44]综述了近年来各种改进深度网络的SAR图像检测方法。利用神经网络对其他雷达图像目标识别的研究也愈发火热,如文献[45]提出的基于雷达实时P显图的目标检测等。但利用神经网络处理雷达图像的方法往往需要高性能的硬件设备,以满足网络巨大的计算量,对于改进网络以减少网络参数实现更轻型的网络也是一个有潜力的发展方向。随着深度学习在雷达图像领域的深入研究,此领域发展进程会愈发迅速,检测能力会不断提升。

5) 人工神经网络与CFAR的结合

目前已有很多神经网络与CFAR处理的研究。如通过对雷达回波数据的误差反馈训练识别杂波背景,自动选择相应的CFAR检测器,如BP神经网络、多层感知机等训练得到最优参数的CFAR检测器;或通过对雷达回波数据进行解调、脉压、STFT等预处理得到二维时频图,再通过卷积神经网络对时频图进行训练完成对动目标的分类与检测[46-47]等等。

6) 认知雷达

Simon Haykin首次提出了认知雷达的概念[48],认知雷达通过人工神经网络与目标检测联合,实时地判断背景杂波分布模型、确定检测门限及目标检测算法的参数,实现智能自适应目标检测跟踪一体化,这将是一个值得关注研究的崭新课题。

本文详细地介绍了各类CFAR检测算法的原理、缺陷以及近年来各种衍生改进算法,并对其未来研究热点与难点进行分析预测,为恒虚警领域初学者提供参考,为相关研究人员提供创新突破思路。