一种基于检测统计量的SOSGO-CFAR检测算法
- 格式:pdf
- 大小:229.61 KB
- 文档页数:5
基于瞬态极化统计量的微弱信号检测及优化算法设计刘涛;王雪松;李永祯;徐振海;肖顺平【期刊名称】《电子学报》【年(卷),期】2008(036)006【摘要】针对窄带极化雷达系统,首先给出了极化聚类中心的统计分布函数,构造了GLRT检测似然比,据此提出了特征极化基下的微弱信号检测算法,同时计算出CFAR检测概率的解析表达式.然后通过极化基变换的方法证明了所选极化检验统计量分布具有极化不变性质,解决了一般极化基下的微弱信号检测问题,并给出了此种检测方案的优化算法.最后,我们通过仿真分析了此种检测算法的性能,结果说明低信噪比下新算法可以很大地改善雷达系统的检测性能,对于反隐身、预警和空间探测等领域有着重要的指导意义.【总页数】6页(P1158-1163)【作者】刘涛;王雪松;李永祯;徐振海;肖顺平【作者单位】国防科技大学电子科学与工程学院,湖南长沙,410073;国防科技大学电子科学与工程学院,湖南长沙,410073;国防科技大学电子科学与工程学院,湖南长沙,410073;国防科技大学电子科学与工程学院,湖南长沙,410073;国防科技大学电子科学与工程学院,湖南长沙,410073【正文语种】中文【中图分类】TN95【相关文献】1.基于瞬态极化统计量的微弱信号检测 [J], 刘涛;王雪松;李永祯;徐振海;肖顺平2.瞬态极化雷达接收滤波器的优化设计 [J], 李棉全;马梁;李永祯;刘勇;王雪松3.新体制极化测量雷达的瞬态极化测量性能分析 [J], 刘勇;戴幻尧;常宇亮;李永祯;李棉全;王雪松4.瞬态极化雷达中极化测量与校准的数学原理及实验验证 [J], 常宇亮;戴幻尧;李永祯;王雪松5.基于极化起伏度的微弱信号检测 [J], 李永祯;王雪松;肖顺平;庄钊文因版权原因,仅展示原文概要,查看原文内容请购买。
一种基于局部分形维的CFAR检测算法张锋;邹焕新;雷琳【期刊名称】《信号处理》【年(卷),期】2012(028)001【摘要】目标检测是图像处理领域和计算机视觉中一项非常重要的研究课题.针对光学遥感图像自然背景下人造目标检测中检测时间长,虚警率偏高的问题,本文提出一种基于局部分形维的CFAR检测算法.该算法首先引入重标极差分析法,把图像的局部窗转化为一维序列的形式,且通过对一维序列极差和偏差的运算得到反映图像局部纹理特征的局部分形维,并以此构造出图像的分维像.然后在分维像基础上进行快速CFAR检测,确定滑窗中心点像素是否为目标像素.最后对目标像素进行聚类以提取感兴趣目标区域.利用本文提出的算法对不同地区的光学图像进行了大量的实验,得到了较好的检测结果.实验结果证明了该算法在高分辨光学图像中能有效、快速地地检测自然背景中的人造目标.与传统的人造目标检测算法相比,本文提出的算法能有效地减少检测时间,降低虚警率.%Target detection is an very important research subject in image processing field and computer vision. Aim at the problem of long time detection and higher false alarm during detection artificial target under nature background in optical remote sensing image, A CFAR algorithm based on local fractal dimension is proposed in this paper. The algorithm firstly introduce rescaled range analysis, by changing the local glide image into the sequences of one dimension, and calculating its range and deviation, produce local fractal dimension that reflects local texture feature of the image, and construct fractal dimension image of theimage based on the fractal dimension. Secondly, a fast constant false alarm rate (CFAR) detection algorithm is used for fractal dimension image to ensure whether the center of the glide window pixel is the target one. Finally, a region of interest target is obtained by clustered the target pixel based on detection result. A lot of experiment has down in different region optical remote sensing images, using the algorithm proposed by this paper, and lots of good result has been gained. The experimental result prove that the algorithm can detect the artificial target under nature background effectively and rapidly in optical remote sensing image. Compared with the traditional artificial target detection algorithm, the presented method can reduce the computational complexity effectively, lessen the probability of false detection successfully.【总页数】7页(P105-111)【作者】张锋;邹焕新;雷琳【作者单位】国防科技大学电子科学与工程学院,湖南长沙410073;国防科技大学电子科学与工程学院,湖南长沙410073;国防科技大学电子科学与工程学院,湖南长沙410073【正文语种】中文【中图分类】TP391;TP751【相关文献】1.一种基于检测统计量的SOSGO-CFAR 检测算法 [J], 宋玉珍;孟祥伟;曲付勇2.一种基于图像分割和归一化灰度Hough变换的SAR图像舰船尾迹CFAR检测算法 [J], 艾加秋;齐向阳;禹卫东;刘凡3.基于局部分形维数的多目标检测算法 [J], 董文明;吴乐华;韩超;姜德雷4.一种基于多尺度局部分形维轮廓不规则特征提取算法 [J], 郭安哲;马莉;和瑞勇;毛俊勇;王文峰5.基于局部模糊分形维度的图像边缘检测算法 [J], 张红;陆谊因版权原因,仅展示原文概要,查看原文内容请购买。
回波检测算法
以下是几种常见的回波检测算法:
- 恒虚警检测器(CFAR):是一种广泛使用的自适应阈值检测算法,能够在不同的背景噪声下保持虚警率恒定。
常见的CFAR算法有:CA-CFAR(单元平均CFAR)、GO-CFAR(最大值保护CFAR)、SO-CFAR(序列排序CFAR)等。
- 能量检测法:该方法基于目标信号在时间或频率域具有较高能量的特点。
通过计算接收信号的能量并将其与预定阈值进行比较,以检测目标是否存在。
- 高阶统计量检测:这类方法利用高阶统计特性(如偏度、峰度等)来检测目标,因为目标信号和背景噪声的高阶统计特性通常有明显差异。
- 基于模型的检测:这种方法通过对信号进行建模来区分目标信号和背景噪声。
例如,在径向速度上应用多普勒滤波器可以检测出运动目标。
- 联合检测与估计(JDE):JDE方法将目标检测与参数估计相结合,可以在检测到目标的同时估计其参数,如速度、距离等。
- 空时自适应处理(STAP):STAP是一种在空域和时域上同时进行自适应滤波的方法,能够有效抑制杂波和干扰,提高目标检测性能。
- 机器学习和深度学习方法:近年来,基于机器学习和深度学习的方法在雷达目标检测领域取得了显著的进展。
例如,支持向量机(SVM)、随机森林(RF)、神经网络(NN)和卷积神经网络(CNN)等算法已成功应用于雷达信号处理。
这些算法可以单独使用,也可以结合使用以提高检测性能。
实际应用中,需要根据具体的雷达系统、场景和目标特性来选择合适的目标检测算法。
cfar检测原理matlab -回复CFAR(Constant False Alarm Rate)是一种常用的雷达信号检测算法,主要用于在复杂背景噪声下提高雷达系统的探测性能。
CFAR检测算法通过自适应地调整检测门限来保持恒定的虚警率,从而在不同环境条件下实现可靠的目标检测。
CFAR检测原理基于目标和背景的统计特性之间的差异。
它利用了背景噪声在统计上是随机的这一特点,通过估计背景噪声的统计参数并以此来确定门限值。
CFAR方法可以通过在雷达图像上移动窗口来逐个像元地进行处理,从而检测到目标的存在。
下面我们将详细介绍CFAR检测算法的原理及其在MATLAB中的实现步骤。
CFAR检测算法的原理可以分为以下几步:1. 数据预处理:首先,我们需要对原始雷达数据进行预处理,包括去掉直流分量、调整数据范围和增加滤波器等。
这些操作旨在提取有效的信号,减小背景噪声的影响。
2. 确定窗口大小和形状:在CFAR检测算法中,我们需要选择窗口的大小和形状。
窗口的大小决定了检测算法的灵敏度和分辨率,而窗口的形状决定了背景噪声估计的准确性。
通常情况下,窗口的大小应根据目标的大小来选择,而窗口的形状可以选择矩形、圆形等。
3. 估计背景噪声统计参数:在CFAR检测算法中,我们需要通过估计背景噪声的统计参数来确定检测门限。
常用的估计方法包括计算窗口内像素的均值、中值等。
这些统计参数可以反映出背景噪声的分布特点,从而实现准确的目标检测。
4. 计算检测门限:一旦背景噪声的统计参数得到估计,我们就可以使用它们来计算检测门限。
门限值通常根据期望的虚警率来确定,例如,我们可以选择保持低于0.1的虚警率。
具体计算方法可以根据具体的CFAR算法而有所不同。
5. 目标检测:一旦检测门限值确定,我们就可以利用它来进行目标检测。
通过在雷达图像上移动窗口,并计算每个窗口内像素的统计参数,我们可以与先前计算的门限进行比较。
如果窗口内的统计参数超过了门限值,则判断该窗口内存在目标。
基于卷积构型的单元平均CFAR目标检测算法李健;孙光才;邢孟道;章林【摘要】提出一种基于卷积构型的单元平均恒虚警率 (convolution based cell averaging constant false alarm rate, CCA-CFAR)快速检测算法.该算法首先根据背景杂波分布模型计算待检测合成孔径雷达 (synthetic aperture radar, SAR)图像统计量矩阵,然后对单元平均恒虚警率 (cell averaging constant false alarm rate, CA-CFAR)检测器构建卷积模型,利用卷积运算实现对背景杂波的矩估计,并求出详细的背景杂波分布函数,最后根据分布函数计算出每个像素的判定阈值,并对所有待检测像素是否为目标点进行判定.该检测算法复杂度低,运算效率高,能够快速实现SAR图像实时目标检测.仿真实验证明了该方法的有效性和工程实用价值.%A fast convolution based cell averaging constant false alarm rate (CCA-CFAR) detector based on convolution for target detection in synthetic aperture radar (SAR) images is proposed in this paper. As a first step, the statistic matrices of the SAR image are computed according to the background clutter distribution model. Then, a convolution model is built for the CA-CFAR detector to realize the moment estimation, and background clutter distribution function of all pixels can be obtained. Finally, the detect threshold for each pixel is calculated to determine whether the pixel is the target point. The algorithm has the advantages of low complexity and high computational efficiency, and can achieve SAR image real-time target detection. Experimental results demonstrate the effectiveness and usefulness of the proposed algorithm.【期刊名称】《电波科学学报》【年(卷),期】2018(033)001【总页数】8页(P56-63)【关键词】合成孔径雷达(SAR);SAR图像;目标检测;CA-CFAR;矩估计【作者】李健;孙光才;邢孟道;章林【作者单位】西安电子科技大学雷达信号处理国家重点实验室, 西安 710071;西安电子科技大学信息感知技术协同创新中心, 西安 710071;西安电子科技大学雷达信号处理国家重点实验室, 西安 710071;西安电子科技大学信息感知技术协同创新中心, 西安 710071;西安电子科技大学雷达信号处理国家重点实验室, 西安 710071;西安电子科技大学信息感知技术协同创新中心, 西安 710071;西安电子科技大学雷达信号处理国家重点实验室, 西安 710071;西安电子科技大学信息感知技术协同创新中心, 西安 710071【正文语种】中文【中图分类】TN957引言目标检测作为合成孔径雷达(synthetic aperture radar, SAR)图像自动目标识别(automatic target recognition, ATR)的重要步骤,其检测性能和效率会影响SAR 成像质量[1-2],同时也决定着后续识别的精度和速度[3].恒虚警率(constant false alarm rate,CFAR)检测算法由于其稳定高效的特性,在SAR图像目标检测中受到了广泛应用[4-5].随着SAR向着高分辨宽测绘带发展[6-8],SAR图像数据量成倍地增加,如何快速有效、实时地检测目标显得尤为关键[9].大多数CFAR算法基于滑窗对SAR图像进行逐像素检测,图像中每个像素多次参与了滑窗计算,导致算法计算速度普遍不高[10-11].为了增加算法的实用性,迫切需要能够工程化应用的快速算法[12].文献[9]提出一种融合了快速预筛选和迭代计算方法的CFAR快速检测算法基本框架,提高了CFAR检测算法的执行效率;文献[13]提出一种基于G0分布的快速检测算法,利用全局阈值对整幅图像进行快速检测,但是在场景变化复杂时失配严重;文献[14]提出一种逐像素点迭代的优化方法,通过减小参考滑窗对SAR图像遍历时的重复计算量提高计算效率,但是该方法算法复杂度仍然较高.本文提出一种基于卷积构型的单元平均恒虚警率(convolution based cell averaging constant false alarm rate,CCA-CFAR)快速检测算法.该算法根据背景杂波分布模型计算待检测SAR图像统计量矩阵,通过对单元平均恒虚警率(cell averaging constant false alarm rate,CA-CFAR)检测器构建卷积模型,利用卷积计算实现传统CA-CFAR算法逐像素点滑窗估计背景杂波分布参数.该方法通过降低CA-CFAR算法的运算复杂度,减少目标检测时间,在精确得到背景杂波的分布模型参数估计的同时,快速实现SAR图像实时目标检测.本文的余下部分安排如下:第1节简单介绍了通用CA-CFAR算法的基本原理及存在的问题;第2节介绍了本文提出的CCA-CFAR算法;第3节分析了传统算法与本文算法的计算复杂度;第4节通过仿真实验验证了该算法的有效性.1 CA-CFAR检测算法及问题对于非复杂均匀场景而言,采用CA-CFAR检测器即可达到检测需求.CA-CFAR算法通过对图像中单个像素的能量与检测阈值比较来判定是否为检测目标,其自适应检测阈值根据背景杂波的分布函数和设定的虚警率计算得到.检测阈值T的计算公式为1-Pfa=p(x)dx.(1)式中:Pfa为虚警率; p(x)为背景杂波概率密度函数,不同的分布模型对应不同的背景杂波概率密度函数.而背景杂波分布模型由SAR图像场景的散射特性决定,根据均匀、非均匀、极不均匀等不同分布的SAR图像场景,学者们提出了正态分布、瑞利分布、韦布尔分布、G0分布、α稳态分布等对背景杂波进行理论建模[15-17].在确定背景杂波分布模型后,需要对分布函数的参数进行估计,目前主要的估计方法分为最大似然估计和矩估计方法.在实际应用中,通常采用计算相对简单的矩估计方法,该方法的具体思路为:当给定n个背景杂波数据,可以计算得到实际的m阶矩;在给定概率分布函数的条件下,结合m阶矩的理论值,则可得到如下一组方程:(2)式中:θ1,θ2,…,θm是分布函数中的待估计参数;xi为背景杂波数据.求解式(2)的方程组即可得到分布函数中的未知参数,从而获得该分布模型下的背景杂波概率密度函数p(x).再将p(x)代入式(1)能够求出该待检测像素的检测阈值.具体的CA-CFAR算法检测流程如图1所示,对SAR图像中一个像素点采用CA-CFAR检测器计算其所需的m阶矩,然后确定详细的背景杂波分布函数,并利用给定的恒虚警率,计算该待检测像素点的自适应检测阈值,再将该待检测像素与检测阈值进行比较,判定该像素点是否为目标点.完成一个像素点的检测后,滑动空心滑窗对下一个像素点进行阈值估计和检测,直到SAR图像中所有像素点全部完成检测.传统CA-CFAR算法估计m阶矩统计量[18]时通常采用空心滑窗逐像素点计算,如图2空心滑窗示意图所示,图中杂波数据窗大小为Pm×Pn,鉴于保护窗需要大于目标尺寸大小,保护窗大小设为Pp×Pq.则第i行第j列的待检测像素xij实际的m 阶矩为(3)根据式(3)逐像素点计算背景杂波的m阶矩时,相邻像素的背景杂波数据大量重复,因此在计算过程会涉及到大量的重复计算,导致算法运算效率不高.这严重影响了SAR图像的目标检测速度,限制了SAR图像的实时目标检测性能.图1 CA-CFAR检测算法流程图Fig.1 Flowchart of the CA-CFAR detection algorithm图2 空心滑窗示意图Fig.2 Schematic diagram of hollow sliding window 2 CCA-CFAR快速检测算法针对传统CA-CFAR检测算法计算背景杂波矩估计时,算法复杂度高且运算效率较低,本文提出一种CCA-CFAR快速检测算法.该算法首先根据背景杂波分布模型及式(2)中的待估计参数确定要计算的矩估计统计量,并得到需要计算的m阶矩估计的统计量矩阵:Um=Sm.(4)式中:S为SAR图像的能量矩阵,该SAR图像有r×l个像素.例如:经典双参数CFAR算法需要估计背景杂波能量的均值和方差,因此这里需要计算的矩估计统计量为背景杂波能量的一阶和二阶矩估计,则一阶和二阶矩估计的统计量矩阵分别为U1=S、U2=S2.传统的逐像素点统计矩估计量如式(3)所示,每个像素的m阶矩估计通过计算其杂波数据窗内的统计量矩阵数据的平均值得到,该过程可以看作SAR 图像统计量矩阵与空心滑窗函数相卷积.这里根据CA-CFAR检测器原理构建上述等效的卷积模型,则相较于传统方法需要计算每个像素点的m阶矩估计,该方法能够直接得到整个SAR图像所有像素点的背景杂波m阶矩估计:式中,w(Pm,Pn)=(6)根据卷积定理,两个函数在空间域中的卷积等于其求傅里叶变换后的乘积的逆傅里叶变换.这里对SAR图像统计量矩阵和空心滑窗权矩阵作二维傅里叶变换,将其变换到二维频域进行矩阵相乘得(7)式中,UF(r,l)、wF(Pm,Pn)分别为SAR图像统计量矩阵和空心滑窗权矩阵做二维傅里叶变换后的二维频域矩阵.对式(7)右边相乘得到的矩阵再做二维逆傅里叶变换,从而得到整个SAR图像所有像素点的背景杂波m阶矩估计,即(8)在得到所有像素的矩估计统计量后,可以根据式(2)求出分布函数中的未知参数,从而确定详细的背景杂波分布函数.最后,根据式(1)计算所有像素点的检测阈值T(x).再比较每个像素点能量值与检测阈值的大小,判断该像素是否为目标点,具体的判断表达式如下:(9)图3给出了本文CCA-CFAR快速检测算法的具体流程图,该算法完整的实现步骤如下:1)确定虚警率,根据背景杂波分布模型确定需要统计的背景杂波矩估计量,计算待检测SAR图像统计量矩阵;并根据数据窗和保护窗的大小,计算空心滑窗权矩阵.2)对SAR图像统计量矩阵和空心滑窗权矩阵补零,做二维傅里叶变换到二维频域,完成矩阵相乘后再逆傅里叶变换得到SAR图像所有像素的背景杂波矩估计统计量,并求出详细的分布模型函数.3)根据给定的虚警率以及背景杂波分布函数,计算SAR图像所有像素的自适应检测阈值.4)比较每一个待检测像素点能量值与检测阈值,判定该像素点是否为目标点,直至完成整幅SAR图像所有像素的目标检测.图3 CCA-CFAR检测算法流程图Fig.3 Flowchart of the CCA-CFAR detection algorithm3 算法复杂度分析为了证明本文所提出的CCA-CFAR快速检测算法具有更低的算法复杂度,这里对经典的双参数CFAR算法、文献[14]方法和本文算法的详细步骤进行了分析.本文算法的步骤1)、步骤3)及步骤4)与文献[14]方法及传统CA-CFAR算法具有相同的算法复杂度,这里不再对比分析.而本文算法节省的计算量来自于利用卷积计算实现传统CA-CFAR算法逐像素点滑窗统计背景杂波矩估计量,因此这里主要对比分析步骤2)(即图3虚线框中步骤)与文献[14]方法及传统CA-CFAR算法相区别的计算量.本文CCA-CFAR算法步骤2)具体分为以下四步:① 确定需要统计的背景杂波矩估计量,计算待检测SAR图像统计量矩阵,并对SAR图像统计量矩阵和空心滑窗权矩阵进行补零;② 对补零后的矩阵做二维傅里叶变换;③ 二维频域SAR图像统计量矩阵与空心滑窗权矩阵相乘;④ 对相乘后得到的矩阵做二维逆傅里叶变换.这里为了方便对比三种算法的计算量,统一规定SAR图像具有r×l个像素,滑窗大小为Pm×Pn,保护窗大小为Pp×Pq,其中r=l.上述四个步骤具体的计算量为:第一步需要统计背景杂波能量的一阶矩和二阶矩,求出统计量矩阵并对SAR图像统计量矩阵和空心滑窗权矩阵进行补零,上述操作的计算量较小,可以忽略不计;第二步需要对补零后的矩阵做二维傅里叶变换,N点一维信号傅里叶变换需要Nlb N次加法和 N次乘法,则二维傅里叶变换所需要的计算量为2N2lb N次加法和N2lb N次乘法,两个统计量矩阵做二维傅里叶变换的计算量为4N2lb N次加法和2N2lb N次乘法;第三步二维矩阵相乘的计算量为2N2次乘法;第四步二维逆傅里叶变换需要的计算量为4N2lb N次加法和2N2lb N次乘法.综合上述四个步骤,则总共需要的计算量为8N2lb N次加法和4N2lb N+2N2次乘法,假设加法和乘法的计算量相同,则总的计算量为N2(12lb N+2),其中N=r+max(Pm,Pn)-1.通过步骤2)能够得到整个SAR图像所有像素的背景杂波矩估计统计量,而后续处理步骤与传统CA-CFAR算法及文献[14]算法大致相同,这里不再赘述.传统CA-CFAR算法统计一个像素点的背景杂波一阶矩和二阶矩需要的计算量为2(PmPn-PpPq)次加法和2次乘法,则r×l个像素需要的计算量为2(PmPn-PpPq+1)r2.文献[14]方法采用了一种逐像素点迭代的优化方法,减小了参考滑窗对SAR图像遍历时的重复计算量,此方法需要的计算量大致为4(min(Pm,Pn)+min(Pp,Pq))r2.综合上述计算结果,三种算法所需的计算量如表1所示.表1 目标检测算法计算量结果Tab.1 Computation of the target detection algorithms检测方法总计算量CA-CFAR算法2(PmPn-PpPq+1)r2文献[14]方法4(min(Pm,Pn)+min(Pp,Pq))r2本文方法N2(12lbN+2)根据表1所示,文献[14]方法计算量与传统CA-CFAR算法计算量之比为(10)本文CCA-CFAR快速检测算法计算量与传统CA-CFAR算法计算量之比为(11)从式(10)可以看出,文献[14]方法采用的逐像素点迭代优化减少了重复计算量,其总计算量小于传统CA-CFAR方法计算量,能够达到提高CA-CFAR算法检测速度的目的;对比式(11),本文算法利用卷积计算对传统CA-CFAR算法的重复计算进行了优化,能够更好地提高运算效率,提升算法的目标检测速度.具体的检测速率提升倍数需要根据SAR图像、背景杂波数据窗以及保护窗的尺寸决定.下面仿真实验给出了具体性能分析.4 仿真实验为了验证本文提出的CCA-CFAR快速检测算法,这里采用机载多通道SAR杂波对消后的动目标粗聚焦图像进行目标检测仿真实验.测试数据图像大小为1 024×1 024点.分别采用传统CA-CFAR算法、文献[14]方法和本文算法检测图像中的动目标.仿真实验中采用空心滑窗方式统计背景杂波特性,考虑到SAR图像分辨率和图像中动目标尺寸,这里设置保护窗的大小为81×81,背景数据窗的大小为101×101,虚警率Pfa设为1×10-3.图4为实测数据动目标检测结果,其中,图(a)为采用传统CA-CFAR算法的检测结果图,图(b)为采用文献[14]方法的检测结果图,图(c)为采用本文算法的检测结果图.通过对比可以看出,传统CA-CFAR算法、文献[14]算法和本文算法都能够检测出图像中的动目标,且检测结果显示三种方法对动目标的检测数都为898,具有相同的目标检测性能.基于本文算法是针对CA-CFAR检测器构建卷积模型改进后的快速算法,则该算法检测器性能在均匀杂波背景下是最优的, 适用于不同分布模型下采用CA-CFAR检测器的检测算法.(a) CA-CFAR算法(b)文献[14]算法(a) CA-CFAR algorithm (b) Algorithm of literature [14](c) 本文算法(c) The proposed algorithm图4 实测数据动目标检测结果Fig.4 Moving target detection results using measured data通过上述实验可知,本文CCA-CFAR快速检测算法具有传统CA-CFAR算法相同的目标检测精度,而该算法的改进主要体现在检测速度上的提升,检测速度直接决定了目标检测算法的实用性和工程应用性,因此这里更关注该算法在目标检测速度上的性能.为了说明本文CCA-CFAR快速检测算法在检测速度上的提升,这里采用Sandia实验室的MiniSAR地面场景高分辨SAR图像数据进行目标检测仿真实验,该图像分辨率为0.1 m×0.1 m,如图5(a)所示,截取的实测SAR图像像素数为1 000×1 200点.从图中可以看出,场景右侧是一个停车场,目标为多种类型的民用车辆,车辆大小约为2 m×4 m.大部分车辆目标集中在场景右侧,场景左侧为房屋和树木,其他部分为地面.实验中,分别采用双参数CA-CFAR算法、文献[14]方法和本文算法检测图像中的目标.考虑到目标像素会干扰检测结果,实验中采用空心滑窗方式估计背景杂波统计量,并根据SAR图像分辨率和图像中目标尺寸,设置保护窗的大小为41×41,背景数据窗的大小为71×71,虚警率Pfa设为1×10-4.(a) 实测SAR图像(a) The original SAR image(b) 双参数CA-CFAR算法检测结果(b) Two-parameter CA-CFAR algorithm(c) 文献[14]方法检测结果(c) Algorithm of literature [14](d) 本文算法检测结果(d) The proposed algorithm图5 MiniSAR实测数据目标检测结果Fig.5 Target detection results with MiniSAR dataMiniSAR实测数据目标检测结果如图5(为体现各方法的检测结果对比,并没有对检测结果进行聚类),其中,图5 (a)为原始实测数据SAR图像,图5 (b)为采用双参数CA-CFAR算法的检测结果图,图5 (c)为采用文献[14]方法的检测结果图,图5 (d)为采用本文算法的检测结果图.通过对比可以看出,在场景的右侧低能量均匀地面场景区域,双参数CA-CFAR算法、文献[14]算法和本文算法具有较好的目标检测效果;在场景的左侧高能量杂波场景区域(房屋和森林),三种方法检测虚警都较高,说明了CA-CFAR类检测器在异质性杂波环境下检测性能会下降,该问题可通过采用其他类检测器进行精检测得到解决,具体针对异质性杂波环境下的目标检测算法还需进一步研究.根据目标检测结果,双参数CA-CFAR算法、文献[14]算法和本文算法对目标的检测像素数分别为2 626、2 562、2 552,其中检测出的目标像素数差异来源于边缘像素点,这三种方法都能够检测出图像中的车辆目标,因此能够认为这三种方法具有相同的检测性能.将仿真参数代入式(10)与式(11)可得,相较于双参数CA-CFAR算法,文献[14]方法可以提高检测速度约12倍,本文方法可以提高检测速度约60倍.实验结果如下,双参数CA-CFAR算法检测用时105.32s,文献[14]算法用时7.51 s,本文算法用时0.93 s(仿真环境:MATLAB2016a,CPU I7 3.4 GHz,4 GB RAM).实验结果与理论值基本相同,说明了本文算法在目标检测性能与传统CA-CFAR算法相同的情况下,提高了算法运算效率,大大缩短了目标检测时间.为了进一步说明本文算法的快速检测性能,这里对不同数据大小的SAR图像进行目标检测仿真实验.仿真中分别对256×256点、512×512点、1 024×1 024点、2 048×2 048点、4 096×4 096点、8 192×8 192点的SAR图像进行目标检测.图6给出了完成目标检测所需的时间,鉴于检测时间呈几何级增长,此处采用对数时间作为时间刻度.从图中可以看出,本文算法对于256×256点、512×512点、1 024×1 024点及2 048×2 048点SAR图像能够数秒内得到检测结果,对于4 096×4 096点和8 192×8 192点的多像素数SAR图像也能够实现数十秒内获得检测结果.在此仿真实验参数下,文献[14]方法相比双参数CA-CFAR方法所需的检测时间减小了一个数量级,而本文方法相比文献[14]方法所需检测时间又减小了近一个数量级,具有最快的检测速度和最优的检测效率.综上所述,本文方法通过降低算法复杂度大大降低了目标检测时间,提高了目标检测速度,能够快速实现SAR图像实时目标检测.图6 不同像素数SAR图像目标检测所用时间Fig. 6 Target detection time of SAR images with different pixels5 结论本文提出了一种CCA-CFAR快速检测算法,该算法首先根据背景杂波分布模型计算待检测SAR图像统计量矩阵,然后对CA-CFAR检测器构建卷积模型,利用卷积运算实现传统CA-CFAR算法逐像素点滑窗计算背景杂波矩估计统计量,并确定详细的背景杂波分布函数.最后根据分布函数计算出每个像素的检测阈值,并对所有待检测像素是否为目标点进行判定.该方法降低了CA-CFAR检测算法的算法复杂度,可用于图像目标快速预检测,且适用于不同分布模型下所有采用CA-CFAR检测器的目标检测算法.参考文献[1] LI X S, XING M D, XIA X G, et al. Simultaneous stationary scene imaging and ground moving target indication for high-resolution wide-swath SAR system[J]. IEEE transactions on geoscience and remote sensing, 2016, 54(7): 4224-4239.[2] BAUMGARTNER S V, KRIEGER G. Simultaneous high-resolution wide-swath SAR imaging and ground moving target indication: processing approaches and system concepts[J]. IEEE journal of selected topics in applied earth observations and remote sensing, 2015, 8(11): 5015-5029. [3] 宋文青,王英华,刘宏伟. 高分辨SAR图像自动区域筛选目标检测算法[J]. 电子与信息学报,2016,38(05):1017-1025.SONG W Q, WANG Y H, LIU H W. An automatic block-to-block censoring target detector for high resolution SAR image[J]. Journal of electronics & information technology, 2016, 38(05): 1017-1025. (in Chinese)[4] 李庆忠, 李瑞芹, 黎明, 等. 基于时频分析的高频地波雷达目标检测算法[J]. 电波科学学报,2015,30(5):943-950.LI Q Z, LI R Q, LI M, et al. A target detection algorithm of HFSWR based on time-frequency analysis[J]. Chinese journal of radio science, 2015, 30(5): 943-950. (in Chinese)[5] YANG X L, WEN G J, MA C H, et al. CFAR detection of moving range-spread target in white Gaussian noise ssing waveform contrast[J]. IEEE Geoscience and remote sensing letters, 2016, 13(2): 282-286.[6] WIESBECK W, SIT L, YOUNIS M, et al. Radar 2020: the future of radar systems[C]//2015 IEEE International geoscience and remote sensing symposium, Milan, 2015: 188-191.[7] BISCEGLIE M D, GALDI C. CFAR detection of extended objects in high-resolution SAR images[J]. IEEE transactions on geoscience and remote sensing, 2005, 43(4): 833-843.[8] YU W Y, WANG Y H, LIU H W, et al. Superpixel-based CFAR target detection for high-resolution SAR images[J]. IEEE Geoscience and remote sensing letters, 2016, 13(5): 730-734.[9] 赵明波, 何峻, 付强. SAR图像CFAR检测的快速算法综述[J]. 自动化学报, 2012, 38(12): 1885-1895.ZHAO M B, HE J, FU Q. Survey on fast CFAR detection algorithms for SARimage targets[J]. Acta automatica sinica, 2012, 38(12): 1885-1895. (in Chinese)[10] 高贵, 周蝶飞, 蒋咏梅, 等. SAR图像目标检测研究综述[J]. 信号处理, 2008,24(6): 971-981.GAO G, ZHOU D F, JIANG Y M, et al. Study on target detection in SAR image: a survey[J]. Signal processing, 2008, 24(6): 971-981. (in Chinese) [11] AALO V A, PEPPAS K P, EFTHYMOGLOU G. Performance of CA-CFAR detectors in nonhomogeneous positive alpha-stable clutter[J]. IEEE transactions on aerospace and electronic systems, 2015, 51(3): 2027-2038.[12] 任磊, 陈辉, 陈建文, 等. 基于DSP的二维CFAR检测快速实现[J]. 系统工程与电子技术, 2009, 31(7): 1627-1631.REN L, CHEN H, CHEN J W, et al. Implementation of two-dimensional CFAR detection based on DSP[J]. Systems engineering and electronics, 2009,31(7): 1627-1631. (in Chinese)[13] 贺志国, 周晓光, 陆军, 等. 一种基于G0分布的SAR图像快速CFAR检测方法[J]. 国防科技大学学报, 2009, 31(1):47-51. (in Chinese)HE Z G, ZHOU X G, LU J, et al. A fast CFAR detection algorithm based on the G0 distribution for SAR images[J]. Journal of National University of Defense Technology, 2009, 31(1):47-51. (in Chinese)[14] GAO G, LIU L, ZHAO L J, et al. An adaptive and fast CFAR algorithm based on automatic censoring for target detection in high-resolution SAR images[J]. IEEE transactions on geoscience and remote sensing, 2009, 47(6): 1685-1697.[15] ANASTASSOPOULOS V, LAMPROPOULOS G A. Optimal CFARdetection in Weibull clutter[J]. IEEE Transactions on aerospace and electronic systems, 1995, 31(1): 52-64.[16] LIAO M S, WANG C C, WANG Y, et al. Using SAR images to detect ships from sea clutter[J]. IEEE Geoscience and remote sensing letters, 2008, 5(2): 194-198.[17] FRERY A C, MULLER H J, YANASSE C C F, et al. A model for extremely heterogeneous clutter[J]. IEEE transactions on geoscience and remote sensing, 1997, 35(3): 648-659.[18] GALUSHKO V G. Analysis of the CA CFAR algorithm as applied to detection of stationary Gaussian signals against a normal noise background[C]//2016 International Kharkiv symposium on physics and engineering of microwaves. Kharkiv, 2016: 1-3.。
求解分布式顺序统计CFAR检测器参数的新方法刘盼芝;郭国防;潘若禹【期刊名称】《计算机工程与应用》【年(卷),期】2014(000)002【摘要】复杂条件下,分布式顺序统计恒虚警率(OS-CFAR)检测系统的参数选择和检测性能分析是一个典型的非线性优化问题,通常采用数值求解和计算机搜索的方法。
但在复杂条件下,特别是当传感器数量较多,或采用分布式OS-CFAR这种双门限参数检测方式时,其计算量会异常庞大。
提出了一种基于模拟退火的微粒群优化算法,将模拟退火思想引入到具有杂交和高斯变异的粒子群优化算法中,并采用具有递减w算法,保证算法具有较好的全局搜索能力和较好的收敛性。
使用这种方法,在进化100代后,在保证精度达到0.000001,可使所有的系统参数同时得到优化。
仿真结果表明,同遗传算法比,虽然该方法收敛速度稍慢,但是可避免遗传算法的早熟问题,同时该方法实施简单方便,便于工程应用。
%For a distributed Ordered Statistics(OS)Constant False AlarmRation(CFAR)detection system, the searching of the optimum detector parameters and detection performance is a typical nonlinear optimization problem. It is very diffi-cult to choose system parameters to obtain optimal threshold values at the fusion center for two threshold parameters detection method like distributed OS-CFAR, especially the number of sensors is huge. This paper provides a novel solution based on an effective and flexible Particle Swarm Optimization(PSO)algorithm. The simulated annealing idea is intro-duced into the PSO algorithm with crossover andmutation of Gauss, and decreasing w algorithm is employed, to ensure the advantage of global searching ability and convergence. Using this method, while the accuracy is 0.000001, with the evolution of 100 generations,it can make all the system parameters optimize. Compared with genetic algorithm, simula-tion results show that, this method can avoid premature problem of genetic algorithm, although this method converges slightly slower. Moreover the method is easy and simple to implement, and it is convenient for engineering applications.【总页数】5页(P258-262)【作者】刘盼芝;郭国防;潘若禹【作者单位】长安大学电子与控制工程学院,西安 710064;陕西重型汽车有限公司,西安 710200;西安邮电大学通信与信息技术学院,西安 710061【正文语种】中文【中图分类】TN952【相关文献】1.一类新的分布式CFAR检测器及其性能分析 [J], 杨军2.Pearson分布杂波背景下分布式模糊CA-CFAR检测器的性能分析 [J], 蔡龙;马晓川;李宾;施博3.基于检测单元统计量的SOS-CFAR检测器 [J],4.一种基于有序统计的MIMO雷达CFAR检测器 [J], 王敦勇;马晓岩;袁俊泉;王党卫5.基于通道选择技术的统计MIMO雷达CFAR检测器 [J], 杨俭;曲长文;周强因版权原因,仅展示原文概要,查看原文内容请购买。
一种基于有序统计的鲁棒CFAR检测器
胡文琳;王永良;王首勇
【期刊名称】《电子学报》
【年(卷),期】2007(035)003
【摘要】本文提出了一种基于有序统计(OS)的VI-CFAR检测器(OSVI-CFAR).在均匀杂波背景下OSVI-CFAR较基于均值水平(ML)的VI-CFAR检测器(MLVI-CFAR)有较小的CFAR损失,在杂波边缘背景下二者的虚警控制能力基本一致,但在多个干扰目标位置随机分布的背景下检测性能较MLVI-CFAR取得了较大改善,在实际杂波环境中具有更强的鲁棒性.最后给出了OSVI-CFAR检测器的一些重要特性.
【总页数】4页(P530-533)
【作者】胡文琳;王永良;王首勇
【作者单位】国防科技大学电子科学与工程学院,湖南长沙,410073;空军雷达学院雷达兵器运用工程重点实验室,湖北武汉,430019;空军雷达学院雷达兵器运用工程重点实验室,湖北武汉,430019;空军雷达学院雷达兵器运用工程重点实验室,湖北武汉,430019
【正文语种】中文
【中图分类】TN957.51
【相关文献】
1.一种新的基于有序统计和剔除平均的最大选择恒虚警检测器 [J], 何友;孟祥伟
2.两种基于MIMO雷达体制的鲁棒CFAR检测器 [J], 王敦勇;马晓岩;袁俊泉;王党卫
3.一种新的鲁棒CFAR检测器设计方法 [J], 黎薇萍;李渝;段崇棣;陈伟超
4.有序统计恒虚警(OS-CFAR)检测器在韦布尔干扰背景中的性能 [J], 何友;RohlingH
5.一种基于有序统计的MIMO雷达CFAR检测器 [J], 王敦勇;马晓岩;袁俊泉;王党卫
因版权原因,仅展示原文概要,查看原文内容请购买。
基于改进的VI-CFAR算法的分布式CFAR检测
郝程鹏;侯朝焕;王维建
【期刊名称】《系统仿真学报》
【年(卷),期】2007(19)4
【摘要】VI-CFAR是一种结合CA-CFAR,GO-CFAR和SO-CFAR的检测算法,它在均匀环境和非均匀环境下都具有较强的自适应性。
在前后沿滑窗均存在干扰目标情况下,采用有序统计平均(OSCA)CFAR替代SO-CFAR,有效的提高了VI-CFAR在这种多目标环境下的鲁棒性。
研究了采用改进的VI-CFAR算法作为局部检测器的并行分布式CFAR系统,融合准则采用“与”融合和“或”融合准则。
给出仿真结果,并进行了讨论。
【总页数】4页(P830-832)
【关键词】检测;分布式恒虚警;有序统计平均;单元平均;选大;选小
【作者】郝程鹏;侯朝焕;王维建
【作者单位】中国科学院声学研究所
【正文语种】中文
【中图分类】TN957.51
【相关文献】
1.基于无偏最小方差估计算法的分布式CFAR检测 [J], 郝程鹏;闫晟;司昌龙;侯朝焕
2.基于自动删除算法的分布式CFAR检测算法 [J], 许江湖;刘忠;党玲
3.基于BLUE估计的分布式CFAR检测算法研究 [J], 谢超;杨大志;丁建江
4.基于自动筛选技术的分布式CFAR检测算法 [J], 刘盼芝;韩崇昭
5.基于自适应阈值选择的分布式多策略CFAR检测算法 [J], 刘佳;肖鹏斌;袁有宏因版权原因,仅展示原文概要,查看原文内容请购买。