雷達恒虛警率檢測算法綜述

鄒成曉，張海霞，程玉堃

（1.中國船舶集團有限公司第八研究院，南京211153；2.91033部隊，山東 青島266001）

0 引 言

雷達探測由于受到噪聲、雜波和干擾的影響，在采用固定門限進行目標檢測時會產生一定的虛警，特別是當雜波背景起伏變化時虛警率會急劇上升，影響雷達的檢測性能。恒虛警（Constant False Alarm Rate，CFAR）處理技術是雷達自動檢測系統中最重要的一種目標檢測方法，能夠根據雷達雜波數據動態調整檢測門限，在虛警概率保持不變的情況下使目標檢測概率最大化。［1?2］

CFAR檢測技術自提出以來，在雷達目標檢測領域得到了廣泛而深入的研究與應用。本文針對海雜波背景下不同CFAR檢測算法進行綜述，并結合近年來公開的相關研究成果，對CFAR檢測算法發展趨勢進行分析和展望。

1 研究現狀

早期雷達分辨率較低，將海雜波回波的幅度分布假定為Rayleigh分布，針對均勻平穩的海雜波，文獻［3］首次提出單元平均恒虛警（Cell Averaging，CA?CFAR）檢測算法。該算法利用待檢單元周圍的臨近單元數據獲得背景雜波功率估計值及檢測門限，在均勻環境下具有最優檢測性能。當同一方位上的多個目標距離較近、一個目標處于檢測單元且其他一個或多個目標位于其參考單元內時，會出現目標遮蔽效應。為防止目標漏檢，對于目標遮蔽效應，一般采用單元平均選小SO（Smallest Of）?CFAR；當從雜波區到非雜波區過渡時，前后參考單元內的雜波功率差異較大，此時會出現雜波邊緣效應，導致虛警急劇增加。為控制雜波邊緣處的虛警，采用單元平均選大GO（Greatest Of）?CFAR。文獻［4］對CA?CFAR、SO?CFAR和GO?CFAR三類基于單元平均處理的CFAR算法性能進行了對比分析，為實際應用中CFAR檢測器的選取提供了指導。

在多目標檢測情況下，為改善均值類CFAR檢測算法的性能，可采用有序統計（Ordered Statistics，OS）OS?CFAR算法。該類算法不將參考單元內數據進行平均以估計雜波功率，而是將參考單元內的數據從小到大排序，然后將排序后的第k個值作為雜波功率的估計，再乘以門限系數作為檢測門限。雖然OS?CFAR算法處理時只保留了一個參考數據值，但本質上依賴于參考窗內的所有樣本數據，且k的取值直接決定了檢測結果的優劣。關于OS?CFAR算法的參考窗長度N及有序統計量k的取值，文獻［5］和［6］進行了詳細討論。當k＜N／2時，雜波邊緣效應的影響會較大，通常k的取值在3N／4左右。

隨著雷達分辨率的提高，對海浪結構的劃分也更細致。特別是當雷達波束以小掠射角照射海面時，如果繼續用Rayleigh分布描述海雜波數據，就會導致雷達CFAR檢測誤差增大。大量實測數據表明，Log?Nor?mal分布和Weibull分布能夠更加準確地擬合實測海雜波數據。對于Log?Normal分布的海雜波，文獻［7］證明了在形狀參數已知的均勻Log?Normal雜波背景下OS?CFAR檢測器的恒虛警率特性，推導了單脈沖線性OS?CFAR檢測器對非起伏目標的平均判決閾值和檢測性能表達式，并討論了最佳序值的選取以及OS?CFAR檢測器在取不同參考單元數時相對于理想CFAR的信雜比損失。

針對Weibull分布的海雜波，文獻［8］基于OS?CFAR檢測器，結合反饋控制理論，提出了一種基于OS?CFAR的反饋控制雙參數（Double Parameter，DP）DPOS?CFAR檢測器。仿真結果表明，該檢測器對Weibull分布的尺度參數和形狀參數均具有恒虛警性，且不需要對雜波模型的參數進行估計，具有較強的雜波適應性，同時避免了傳統雙參數CFAR檢測器虛警損失較大的問題。文獻［9］提出了一種雜波邊緣自動定位方法，能夠在Weibull參數未知的情況下消除參考單元內不用于雜波功率估計的數據，提高雜波邊緣處的目標檢測性能，同時保持恒虛警率。文獻［10］在假定Weibull雜波分布形狀參數已知的情況下，將雷達檢測中常用的二進制積累方法與OS?CFAR算法性能進行了對比分析研究，包括均勻背景、臨近多目標和雜波邊緣的非均勻背景，同時推導了虛警率計算的解析表達式。在此基礎上，文獻［11］對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）幾種檢測算法在均勻和非均勻Weibull雜波背景下的性能進行了分析。通過Monte Carlo仿真，在假定Weibull分布形狀參數已知的情況下，對于非均勻雜波背景，OSCAGO?CFAR和GO?CFAR對虛警概率的控制性能最好，SOSCA?CFAR和SO?CFAR對臨近多目標的檢測性能最好。

在Log?Normal分布和Weibull分布形狀參數和尺度參數未知時，Log?t檢測是一種準最優單脈沖檢測策略［12］。Log?t檢測器允許由參考單元估計形狀和尺度參數，以便在形狀和尺度參數變化較大的環境中保持恒定虛警概率，但有效性依賴于參考單元采樣的先驗條件，即要求在只有雜波時采樣得到的數據是獨立同分布的隨機變量。文獻［13］針對Weibull雜波背景，將Log?t檢測器與多脈沖非相干積累器相結合，分析和對比了不同非相干積累技術對Log?t檢測器在均勻和非均勻Weibull雜波背景下的性能。

考慮到海雜波脈沖間的相關性，復合K分布模型更適用于描述高分辨率雷達非均勻和非平穩海雜波幅度特性。對于K分布海雜波，文獻［14］針對具有空間相關性的海雜波，分析了CA?CFAR檢測器的性能。文中指出，當海雜波具有較強的相關性時，較小的CA?CFAR參考單元數能夠獲得較高的CFAR增益；對于不相關的海雜波，較小的CA?CFAR參考單元數將會導致較高的CFAR損失。文獻［15］也對K分布海雜波背景下的CA?CFAR性能進行了分析，推導了相干和非相干脈沖積累情況下CA?CFAR檢測時虛警概率的近似表達式，并通過Monte Carlo仿真對計算結果進行驗證。文獻［16］證明了當形狀參數已知時在K分布雜波背景下OS?CFAR檢測器具有恒虛警性能，并對均勻背景下OS?CFAR檢測器的性能進行了分析，研究了不同形狀參數下的SCR損失。對于未知形狀參數的K分布雜波背景，文中提出了一種參數估計方法。文獻［17］提出了一種刪除開關CFAR（Excision Switc?hing，EXS?CFAR）檢測算法，分析了K分布海雜波背景下EXS?CFAR檢測器的性能，推導了檢測概率表達式，并在均勻和非均勻背景下對Swerling I型目標的CA?CFAR、SO?CFAR和GO?CFAR算法檢測性能進行了對比。結果表明，EXS?CFAR檢測器能夠降低雜波邊緣處的虛警概率，同時對于臨近多目標場景也能夠避免目標遮蔽效應。文獻［18］基于改進排序提出了兩種非參數檢測器：改進排序廣義符號檢測器（Modified?Rank?based Generalized Sign，MRGS）和改進排 序 Mann?Whitney檢 測 器（Modified?Rank?based Mann?Whitney detector，MRMW），這兩種檢測器通過定義排序統計量的值函數（Inverse?Normal?Score，INS）實現CFAR檢測，在文中通過Monte Carlo仿真對Swerling II型目標的檢測性能進行了分析，非參數檢測器對K分布的尺度參數并不敏感，只依賴于形狀參數的選取，適用于具有海尖峰的K分布雜波下的低觀測目標檢測。

在實際應用中，不論哪一種檢測器往往都面臨一個問題，即當實測海雜波數據的幅度分布與理論假設背景不一致時檢測器檢測性能將會降低，其表現為檢測器的門限難以使其保持給定的虛警率或在保持虛警率時目標檢測概率降低。文獻［19］提出了基于均值和方差統計特性來區分不同背景的方法。根據不同背景特征，選擇CA?CFAR、SO?CFAR或者GO?CFAR進行處理。在均勻背景下，CFAR檢測損失較小，能夠有效檢測多目標且能夠控制雜波邊緣處的虛警。文獻［20］提出了適應多雜波類型的CFAR檢測方法。首先檢驗判斷雜波序列的分布類型，然后針對不同雜波分布類型選擇相應的CFAR處理器，以使雷達實時保持良好的恒虛警率檢測性能，降低CFAR損失。文獻［21］分析了高斯雜波背景下相干雷達多極化通道自適應匹配恒虛警檢測的結構，提出了一種基于雜波模型的自適應恒虛警檢測算法，推導了虛警概率表達式。仿真結果表明，所提出的檢測算法相對于雜波協方差矩陣有恒虛警的性質，比極化自適應匹配濾波器的估計損失小，檢測性能有所提高。文獻［22］提出一種基于多背景雜波分布模型的自適應CFAR檢測算法。該方法根據背景區域的不同統計特性來判斷區域類型，采用的CFAR檢測器根據區域類型選擇相應的背景雜波分布模型，在均勻區域采用高斯分布，在有雜波邊緣的區域采用Weibull分布以消除雜波邊緣的影響，在有多目標干擾的區域采用G0分布以排除干擾目標，避免相鄰目標的屏蔽效應。

一些文獻還采用了其他方法進行恒虛警檢測。文獻［23］將自動刪除算法和最小選擇方法相結合，提出了一種在強干擾目標背景下基于自動刪除算法的最小選擇恒虛警檢測方法，分析了自動刪除算法的性能，推導了該方法的平均虛警概率和平均檢測概率的解析表達式，當強干擾目標較多時該檢測方法優于自動刪除均值檢測器。文獻［24］和文獻［25］基于自動刪除單元平均（ACCA）方法分別提出了MACCA和ACCAGO?CFAR檢測器。它的前沿和后沿滑窗均采用ACCA算法產生局部估計，再計算得到背景功率水平估計，從而設置自適應檢測門限。在SwerlingⅡ型目標假設下，推導出了均勻背景下虛警概率和檢測概率的解析表達式。這兩種方法均有效地提高了在雜波邊緣環境下的虛警控制能力。

文獻［26］基于最佳線性無偏（BLU）恒虛警檢測算法，提出了最佳線性無偏選大恒虛警檢測器（BLUGO?CFAR），前后沿滑窗均采用BLU算法產生局部估計，將其中的最大值作為檢測器對雜波功率水平的估計，去設置自適應檢測門限。它在均勻背景及多目標環境中的性能均比GOSGO或OSGO有所改善，對雜波邊緣的虛警控制能力與控制能力強的GOSGO類似。文獻［27］提出了一種基于檢測統計量的恒虛警檢測算法SOSGO?CFAR。該算法將檢測單元采樣作為選擇參考單元的依據，使用了基于轉換恒虛警（S?CFAR）和排序選大恒虛警（OSGO?CFAR）的復合算法，并在均勻背景、雜波邊緣和多目標情況下用Monte Carlo方法進行了仿真分析。結果表明，該檢測器既具有均勻背景下和CA?CFAR相近的良好性能，在雜波邊緣環境中也具有接近OSGO?CFAR的性能，且在多目標環境中其性能優于S?CFAR。文獻［28］分析了廣義符號檢測算法在高斯雜波背景和實測海雜波背景下對Swerling 0型和SwerlingⅡ型目標的檢測性能，以及對實際漁船目標的檢測性能。研究表明，隨著脈沖數、參考單元數和信雜比的提高，該檢測算法的檢測性能有所提高。在低信雜比條件下，廣義符號檢測算法對SwerlingⅡ型目標的檢測性能優于對Swerling 0型目標的檢測性能。在高信雜比條件下，對Swerling 0型目標的檢測性能優于對SwerlingⅡ型目標的檢測性能。文獻［29］基于慢門限恒虛警和快門限恒虛警研究了雷達目標CFAR處理算法。針對慢門限恒虛警，使用對數減法來代替除法運算以提高效率。針對快門限恒虛警存在的邊緣效應問題，采用雙側單元平均選大的解決方案，使雷達檢測系統始終處于恒虛警狀態。

文獻［30］介紹了一種雙模式雙參數雜波圖恒虛警檢測器。該檢測器采用靜態雜波圖和動態雜波圖兩種工作模式，分別處理時域平穩和非平穩的雜波環境，并且引入雙參數恒虛警的工作原理，提高了恒虛警檢測單元的檢測性能，有效地抑制了虛警率。該檢測器采用軟件和硬件相結合的方式實現了整個處理流程，系統具有可編程性和設計靈活性。文獻［31］在研究三坐標雷達中三維雜波圖形成原理的基礎上將各種恒虛警算法應用于輪廓雜波圖中，得出采用有序統計方法更符合現代雷達對雜波圖的要求的結論，而且雜波圖作為一種慢速目標檢測方法，將有序統計方法應用于雜波圖中，可得到較好的檢測效果，且隨著信噪比的提高檢測效果更加明顯。文獻［32］論述了雜波圖恒虛警率處理的基本原理，并重點研究了雜波圖點技術和面技術兩個方面恒虛警率處理技術，將點技術和面技術處理性能做了比較；研究了混合雜波圖恒虛警率處理器改進算法，有效克服了點技術和面技術的不足之處；研究了變換域恒虛警率處理，分析了頻域恒虛警率和小波域恒虛警率處理，在頻域中重點研究了頻域單元平均、動目標快速傅里葉變化單元平均（MTI?FFT?CA?CFAR）和奇偶檢測器（OEP）恒虛警率檢測性能，并分析了離散小波域恒虛警率檢測能力。文獻［33］分析了經典的均值類恒虛警和有序統計類恒虛警的算法原理，研究了這些算法在均勻和非均勻、單目標和多目標雜波背景下的檢測性能，對于多目標下的小目標信號使用SO?CFAR檢測得到的效果比較好，GO?CFAR應用在雜波邊緣情況的效果較好，有序統計類恒虛警算法在多目標情況下檢測效果比較好；對依據雜波分布模型選擇恒虛警方法的多模型智能恒虛警算法進行了研究與設計，并對瑞利海雜波分布下的智能恒虛警目標檢測效果和檢測性能進行了分析，其在雜波均勻背景、雜波邊緣背景中的目標檢測概率都優于均值類恒虛警。

2 發展趨勢

2.1 多傳感器分布式CFAR檢測技術

分布式CFAR檢測技術是CFAR技術與多傳感器信息融合技術相結合發展而來，已成為當今雷達目標檢測的關鍵技術之一。雷達作為一種傳感器，通過與環境、目標的交互來獲取信息，但是僅靠一個傳感器獲取信息的能力必然是有限的。為提高檢測系統的可靠性和精確性，科研人員研究通過不同形式的組網融合提高雷達的檢測性能，擴大系統的監視范圍。

分布式雷達CFAR檢測研究的最初工作主要是把單傳感器的檢測理論推廣到多傳感器分布式系統中，包括多傳感器的假設檢驗問題、最優檢測、Bayes檢測、似然比判決、N?P檢測等。［34］

20世紀90年代時，Barket和Varshney等人的研究正式將CFAR檢測應用到分布式系統檢測中，并且研究了均勻高斯環境下并行分布式單元平均CFAR檢測融合問題。［35?36］嚴軍等人針對均勻高斯背景中的SwerlingⅡ型起伏目標的多傳感器分布式恒虛警檢測進行了研究，提出了廣義似然比恒虛警（GLR?CFAR）方法，并通過數據仿真得出該方法可顯著提高小目標檢測概率的結論。［37］文獻［38］針對分布式多傳感器系統中不同傳感器的信噪比會影響檢測決策的問題，提出一種利用分傳感器信噪比決定其權值的自適應刪除均值加權單元平均恒虛警（CMLWCA?CFAR）檢測方法，融合中心利用各個傳感器的雜波估計比值作為判決有無目標的依據，而非常規的二元值。文獻［39］針對實際應用中各檢測器檢測條件不一致的復雜檢測條件，以典型的3站分布式布站結構，研究了分布式統計排序恒虛警（OS?CFAR）在不同融合方式下的檢測性能，得出在不同融合方式下系統對檢測條件的適應能力有很大差異的結論。文獻［40］研究了在Neyman?Pearson（NP：奈曼?皮爾遜）檢測準則下的分布式恒虛警檢測最優化問題，分析了二元局部判決與局部檢測統計量的差別，并根據分析結果提出了一類局部檢測統計量（Local Test Statistic，LTS），經過分析得出基于LTS的分布式CFAR檢測是改善分布式CFAR檢測性能的有效途徑。文獻［41］針對分布檢測器的空間位置不同及工作狀態不同，提出多傳感器檢測空間的劃分，以及先分區融合再系統融合的方法，并且不同的檢測分區的傳感器采用不同的檢測門限，通過計算和仿真得出此種方法可以提高融合系統的檢測性能。文獻［42］在假設接收噪聲為高斯白噪聲，平方律檢波輸出服從指數分布的前提下提出基于無偏最小方差估計（UMVE）CFAR算法作為局部檢測器的并行分布式系統，得出分布式UMVE?CFAR算法在均勻背景和非均勻背景具有較好檢測性能的結論。

當前對雷達分布式CFAR檢測的研究主要集中在基礎理論方法上，比如系統結構、數據融合假設檢驗、性能測試、融合規則等問題。當實際面對復雜背景環境時，仍有很多問題有待于進一步研究和探索。

2.2 智能化認知雷達CFAR檢測技術

隨著人工智能技術的快速發展，將人工智能技術應用到雷達信號處理中，實現雷達智能目標檢測是現代雷達信號處理的重要發展方向。認知雷達通過發射電磁波與環境進行不斷交互與學習，獲取環境信息，結合先驗知識和推理，自適應調整雷達發射和接收參數，并使用最適合的系統配置信息（包括發射頻率、信號形式、信號處理形式等），以實現對目標有效、可靠和穩健的感知和跟蹤，從而大幅度提高系統的性能。［43?44］

受蝙蝠回聲定位系統及認知過程的啟發，國際著名的信號處理專家Simon Haykin于2006年首次提出認知雷達的概念。［45］智能化認知雷達具有兩大基本特征：知識輔助信號處理（Knowledge Aided Signal Pro?cessing，KA?SP）和發射自適應處理（Transmit Adaption，TA）。其實在認知雷達概念真正被提出之前，人們已經開始探索將知識輔助應用到雷達目標檢測，以提高雷達檢測和跟蹤性能輔助知識包括DTED、雷達前視數據、GIS數據、道路交通圖、目標運動信息、氣象數據以及系統校驗信息等先驗知識。［46?47］

美國空軍實驗室在基于知識的空時自適應處理（KBSTAP）項目上將知識輔助技術與恒虛警檢測技術相結合，論證了利用外部數據源信息對監視雷達的濾波、檢測和跟蹤帶來的益處。2006年，Capraro C T等人利用地形信息選擇輔助單元實現數據選擇，并結合了自適應檢測器的知識輔助檢測算法。［48］Besson O于2007年研究了在非均勻背景下的知識輔助貝葉斯檢測框架，并在此基礎上提出了一種基于知識輔助的貝葉斯檢測器。［49］

相較于國外，知識輔助技術在國內還算比較新的技術，西安電子科技大學開展的工作相對較多。鄒鯤根據貝葉斯的方法，選擇逆伽馬分布作為紋理分量的先驗分布，提出在符合高斯環境下的一種知識輔助自適應檢測算法［50］。周宇針對非均勻雜波導致均勻樣本數減少的問題，利用先驗信息獲取Wald檢測器的協方差矩陣，提出了基于知識輔助的Wald檢測器［51］。文獻［52］基于GIS信息的CFAR檢測器是一種基于地理信息系統的恒虛警檢測算法，主要是利用對雜波環境的了解程度，解決非均勻雜波環境下恒虛警檢測性能低的問題?；谥R輔助的CFAR檢測器利用GIS提供的先驗信息對參考單元進行篩選，盡量尋找到和檢測單元地貌相類似的訓練樣本，從而更加有效地進行恒虛警處理，以解決恒虛警檢測中存在的邊緣效應問題。［53］文獻［54］基于最大似然差的智能恒虛警檢測器將無偏非均勻雜波估計恒虛警檢測器和VI?CFAR檢測器的優點相結合，在雜波邊緣中能夠降低雷達目標被遮掩的概率，使得目標的檢測概率得到了大幅度的提高。

認知雷達的出現為雷達技術未來的發展提供了一個全新的方向。由于國內外的認知雷達處于初級研究階段，關于認知雷達的基本概念、工作原理和關鍵技術尚需要更多的關注與研究。

3 結束語

恒虛警率檢測技術是雷達目標檢測最重要的檢測方法之一。本文綜述了不同CFAR檢測算法研究發展現狀，針對不同應用背景的CFAR檢測器的選取進行了分析，并展望了CFAR檢測技術的發展趨勢。