目標屏蔽帶自適應調整的CFAR處理器

(大連海事大學,遼寧大連116026)

0 引言

單元平均恒虛警(CA-CFAR)和雙參數恒虛警(BP-CFAR)檢測方法在均勻雜波環境中通常能得到較好的檢測性能[1]。但是,在復雜環境中,當檢測目標的參考窗內出現1個或多個干擾(例如目標),檢測性能將隨著干擾強度和干擾數量的增加而下降[2]。為此,相繼提出了各種各樣的解決方法。

文獻[3]利用核密度(非參數估計)法對參考單元數據進行估計處理,為雜波特性不確知下的恒虛警處理提供了一種有效的方法,檢測性能相對已有的單樣本非參量CFAR處理器有了大幅提升,但對于參考單元中因目標而導致的對雜波統計特性的干擾問題,需要另辟蹊徑。

文獻[4]針對于強雜波背景下的小目標檢測,同時利用常規CA-CFAR與自適應匹配濾波,但需利用回波信號的幅度和相位信息,不適用于難以獲取回波相位的非相參航海雷達。

文獻[5]提出了ATM-CFAR方法,利用有序數據變率(ODV)統計量自動選擇參數進行雜波估計,使削減平均恒虛警(TM-CFAR)處理具有自適應性,在多目標背景下取得較好的檢測性能,但該方法需要對雜波分布判決門限進行合理選擇,否則會影響雜波環境的正確判決概率,并且在大目標占據參考單元數較多的情況下,仍會導致大目標鄰近的小目標無法有效檢測。

文獻[6]的自適應單元平均(ACA-CFAR)方法將參考單元分成q個長度為M的子窗,基于全程雜波均值與子窗均值的比較,刪除存在干擾目標的子窗,但因假設雜波是均勻的,對于常常工作在非均勻海雜波下的航海雷達,還需具備建立自適應保護帶的能力。

文獻[7]針對目標的遮蔽現象,利用地理信息系統(GIS)的先驗信息對參考單元進行篩選,盡可能多地選擇與待測單元地貌相同的訓練樣本,構建知識輔助的CA-CFAR器。

利用所獲得的先驗知識,對非均勻雜波的統計特性進行測試,可有效提高非均勻雜波環境下的目標的檢測性能,降低非均勻雜波環境下采用非均勻訓練采樣點可能帶來的不利影響[8]。

顯然,有效利用各種信源手段獲取知識是實現自適應CFAR的有效方法。本文的目標屏蔽帶自適應調整的CFAR(AW-CFAR)方法,針對航海雷達常遇到的目標密集分布的情況,利用船舶自動識別系統(Automatic Identification System,AIS)的目標感知信息,在CA-CFAR中加入自適應調整的目標屏蔽帶,以消除目標進入參考窗口對均值統計量估計的影響,從而有效解決常規CFAR處理因目標進入參考窗口而導致的干擾和檢測性能損失的問題。

1 基于AIS信息的AW-CFAR算法

1.1 自適應的目標屏蔽帶寬度

本文考慮在更好地保護目標檢測性能的同時,還應保障對臨近大目標的小目標的可靠檢測。為此,CFAR的保護帶在保護被檢測目標自身的同時,必須避免大目標對臨近小目標檢測的不利影響,因而需要建立目標屏蔽帶。屏蔽帶寬度W是一個對檢測性能具有重要影響的參數,仿真結果如圖1所示。

圖1(a)是瑞利雜波下的雷達回波信號波形,AIS目標縱向寬度為40個距離量化單元;圖1(b)為常規無保護帶的CA-CFAR的均值估計值,圖1(c)～圖1(e)分別為W等于、小于和大于目標尺寸的三種情況下的均值估計值。可見,當W與目標尺寸匹配和大于目標尺寸時,均可有效避免目標進入參考單元對均值估計造成的不利影響。W過小,難以避免干擾目標的影響;W過大,會造成檢測單元與參考單元偏離過大,受雜波非平穩特性的影響加大。為此,為了避免因W與目標尺寸不匹配而導致的恒虛警處理效果變差,并考慮對臨近大目標的小目標的可靠檢測,需要建立屏蔽帶寬度W隨目標尺寸自適應調整的AW-CFAR處理器。

圖1 不同W下均值統計量的估計結果

目前絕大多數機動船舶都裝設有AIS設備,利用AIS的目標信息實現目標干擾環境的感知,進而建立自適應目標屏蔽帶,以消除這些目標對鄰近目標(特別是小目標)檢測性能的影響。

圖2為來自AIS的目標尺寸信息,目標的長寬尺寸分別為A+B和C+D。圖3為目標尺寸與屏蔽帶寬度W的關系。

設由AIS獲得的目標的航向為γ,目標的方位為α,目標的距離為r,當前的雷達方位為θ,ξ為以弧度為量綱的雷達天線水平波束寬度,?=|α-γ|。

圖2 AIS6的船舶尺寸信息

圖3 AIS船舶尺寸在徑向方向的投影關系

將距離和方位離散化后,各變量用量化單元個數表示,可得如下的AIS目標的徑向尺寸的計算公式:

式中:NA,NB,NC和ND分別表示A,B,C和D的距離量化單元數;Ro表示距離量化單元;θo表示方位量化單元;Nr和Nθ分別表示用距離量化單元數和方位量化單元數表示的目標的距離和方位;τ表示發射脈沖寬度,c表示光速。則隨目標徑向尺寸自適應調整的屏蔽帶寬度為

式中,INT(·)表示取整。在不同方位上,屏蔽帶對該目標的保護作用一直持續到目標脫離雷達水平波束。

根據雷達目標的距離不同,目標所占據的方位量化單元數不同,對于尺寸小于和大于雷達水平波束橫向尺寸ΔL的遠、近距離目標,目標尺寸對CFAR處理影響的方位范圍不同,ΔL為

顯然,應分如下兩種情況考慮目標尺寸對CFAR處理的影響。

1)ΔL＞A+B

此情況下,目標對CFAR影響的方位范圍為水平波束寬度的方位范圍,F(Nθ)按式(2)計算。

2)ΔL＜A+B

此情況下,目標對CFAR影響的方位范圍大于雷達水平波束寬度的方位范圍,F(Nθ)按照下式計算:

在不能有效獲取AIS目標尺寸參數的情況下,根據圖2(b)和圖2(d),可通過分析均值估計值的變化情況,對屏蔽帶進行調整。當均值估計值明顯增大時,應調大屏蔽帶,直到均值維持相對平穩。

1.2 自適應目標屏蔽帶恒虛警算法(AW-CFAR)

設共有P個AIS目標,第i個AIS信息用向量DAi表示為DAi=[Nai,Nri,Nγi,NAi,NBi,NCi,NDi]T,i=1,2,…,P,式中各元素的意義同式(1)～式(3)。

又設當前檢測單元為(Nθ,Nr),AW-CFAR的結構模型如圖4所示。圖中,CW為屏蔽帶控制參數,如式(7)所示:

第一檢測門限處理器完成CA-CFAR或BP-CFAR(雙參數恒虛警處理器)處理。第i個檢測單元的第一檢測門限處理器輸出yi為

式中,xi為檢測單元的輸入信號,為雜波的均值估計值,為雜波的方差估計值。分別按下式計算:

式中:NmWL和NmWR分別為屏蔽帶的左單元和右單元;NR為檢測單元;N為左右參考窗口長度;EL和ER分別為左、右參考窗口求得的均值;DL和DR分別為左、右窗口求得的方差。

圖4 AW-CFAR處理器的結構模型

1.3 AW-CFAR算法的處理流程

由式(4)可見,目標屏蔽帶寬度將隨目標方位的變化而改變,這一改變由式(2)控制。本算法檢測單元是從第Nmin個距離量化單元開始,逐個量化單元進行檢測,直到最大的距離量化單元Nmax。當遇到大目標后,停止前移,直到檢測單元離開目標屏蔽帶為止。此后,目標屏蔽帶撤銷,CFAR恢復為式(12)的右窗口CFAR(RW-CFAR)處理模式,當檢測單元距離檢測目標間距為Nr+N時,恢復為式(13)常規的CFAR處理模式,NSM為被屏蔽目標的最大距離單元。

按照上述算法,瑞利雜波的AW-CFAR處理器的計算流程如圖5所示。同理,將圖5中的CA-CFAR換成BP-CFAR,即得到韋布爾雜波的AW-CFAR處理器的計算流程。圖中,Wm為θm方位的屏蔽帶寬度,Mθ為用量化單元數表示的被屏蔽目標的方位最大尺寸,NθM為用量化單元數表示的雷達監測的最大方位單元。

圖5 瑞利雜波的AW-CFAR處理流程

2 仿真分析

設在瑞利雜波背景下,一個大目標的方位為50°,距離為5 n mile,航向為80°,AIS提供的目標尺寸A為70 m,B為50 m,C為20 m,D為8 m,雷達的發射脈沖寬度τ=0.2μs,雷達的距離量化單元為3.25 m,則根據式(1)～式(4),得屏蔽寬度W為41個距離量化單元。圖6和圖7為當小目標縱向尺寸為6個量化單元時,與大目標間的間距由小變大時,利用圖5所示流程,分別對瑞利雜波環境和韋布爾雜波環境下的上述目標進行10 000次實驗所得到的小目標檢測處理結果(左右參考單元寬度分別為16,大目標信雜比為30 d B,圖中位置為250)。

圖6 瑞利雜波背景下與大目標不同距離的小目標AW-CFAR和CA-CFAR檢測處理結果比較

圖7 韋布爾雜波背景下與大目標不同距離的小目標AW-CFAR和BP-CFAR檢測處理結果比較

圖6為在瑞利雜波環境下,采用屏蔽帶自適應調整的AW-CFAR處理算法的小目標檢測處理結果和無屏蔽帶的常規CA-CFAR處理器的小目標檢測處理結果的對比圖;圖7為在韋布爾雜波環境下,采用針對韋布爾分布特性的雙AW-CFAR處理算法的小目標檢測處理結果和無屏蔽帶的常規BP-CFAR處理器的小目標檢測處理結果的對比圖。

由圖6和圖7可見,對大目標附近的小目標采用本文所給出的處理方法(AW-CFAR),相比于傳統的CA-CFAR和BP-CFAR方法,在同樣的發現概率條件下,對大目標附近的小目標的檢測能力得到極大改善,在目標間距為30個距離量化單元時,瑞利雜波背景下AW-CFAR信雜比改善8～13 dB;韋布爾雜波背景下,AW-CFAR信雜比改善20 dB。可見,韋布爾雜波背景下,AW-CFAR方法更能克服BP-CFAR對目標進入參考單元過于敏感的問題,獲得更好的大目標附近的小目標的檢測效果。此外,由實驗結果可見,當小目標與大目標的距離增大時,兩種處理方法均顯示出這種優勢會變小;當小目標遠離大目標時,本文所提出的方法對小目標的檢測能力與傳統的CA-CFAR和BP-CFAR方法相同。

3 結束語

本文利用由AIS獲得的目標位置和尺寸信息,建立目標屏蔽帶,并自適應調整屏蔽帶寬度。實驗結果表明,該處理方法既有效地保護了大目標的檢測性能,同時也有效地提高了大目標附近小目標的檢測能力。此外,該方法可應用于所有基于檢測單元和參考窗口結構的統計量估計CFAR處理器。

[1]何友,關鍵,彭應寧,等.雷達自動檢測與恒虛警處理[M].北京:清華大學出版社,1999:32-38.

[2]GANDHI P P,KASSAM S A.Analysis of CFAR Processors in Nonhomogenous Background[J].IEEE Trans on Aerospace and Electronic Systems,1988,24(4):427-445.

[3]郝凱利,易偉,董天發,等.未知雜波背景下恒虛警檢測門限獲取方法[J].雷達科學與技術,2015,13(2):183-189.HAO Kaili,YI We,DONG Tianfa,et al.CFAR Detection Based on Kernel Density Estimation Under Background Unknown[J].Radar Science and Technology,2015,13(2):183-189.(in Chinese)

[4]曾浩,李潔,鑒福升.強海雜波環境下目標檢測方法對比分析[J].雷達科學與技術,2015,13(1):33-36.ZENG Hao,LI Jie,JIAN Fusheng.Comparative Analysis of Target Detection Methods in Strong Sea Clutter Background[J].Radar Science and Technology,2015,13(1):33-36.(in Chinese)

[5]杜海明,馬洪,杜保強.基于統計量ODV的自適應TM-CFAR檢測[J].北京郵電大學學報,2013,36(2):64-69.

[6]張中僅,于雪蓮,鐘琦.一種自適應CFAR方法在機場跑道FOD檢測中的應用[J].無線電工程,2014,44(2):60-62.

[7]李青華,姚云萍.一種基于知識輔助的CFAR檢測器[J].雷達科學與技術,2012,10(1):88-93.LI Qinghua,YAO Yunping.A Knowledge-Aided CFAR Detector[J].Radar Science and Technology,2012,10(1):88-93.(in Chinese)

[8]WANG Yikai,XIA Wei,HE Zishu.CFAR Knowledge-Aided Radar Detection with Heterogeneous Samples[J].IEEE Signal Processing Letters,2017,24(5):693-697.