王 峰， 晉良念,2

(1.桂林電子科技大學 信息與通信學院，廣西 桂林 541004；2.桂林電子科技大學 廣西無線寬帶通信與信號處理重點實驗室，廣西 桂林 541004)

近年來，無人機產業(yè)蓬勃發(fā)展，在農業(yè)、生活方面給人們帶來方便的同時，也帶來了一系列威脅。因無人機具有飛行高度低、速度慢、體積小等特點，導致對其檢測存在巨大困難[1-3]。而且，無人機通常工作在復雜環(huán)境中，存在較強的地物雜波干擾，因此提高對“低、小、慢”目標的檢測性能是當前要解決的一個關鍵問題[4-7]。為了降低雜波環(huán)境影響，提高雷達對無人機目標的檢測性能，常采用恒虛警率(CFAR)檢測算法。

傳統(tǒng)的CFAR算法通過估計雜波背景功率水平來計算檢測門限。例如，單元平均恒虛警率(CA-CFAR)是取臨近待檢測單元兩側單元的雜波功率均值來確定目標檢測門限，類似的還有單元平均選大恒虛警率 (GO-CFAR)、單元平均選小恒虛警率(SO-CFAR)和有序統(tǒng)計恒虛警率(OS-CFAR)等[8-10]。

由于上述傳統(tǒng)CFAR檢測方法中環(huán)境類型較單一，無法適用于復雜環(huán)境。文獻[11]提出了一種基于深度學習技術的CFAR目標檢測方法，該方法證明了在不同信噪比下，DL-CFAR的性能優(yōu)于傳統(tǒng)的CFAR算法。文獻[12]針對雷達探測系統(tǒng)，提出了一種改進的SOCA-CFAR算法，通過降低目標功率對平均噪聲估計的靈敏度，來減輕多目標和大目標對檢測算法的掩蔽效應。文獻[13]利用地形覆蓋相關信息(GIS)來輔助參考單元的選擇，進而改善CFAR的檢測性能。文獻[14]提出一種參數化、結構化的雷達知識庫模型，其中包含探測區(qū)域內的多種雜波環(huán)境信息，利用雷達知識庫中的雜波分區(qū)知識來輔助選取參考單元。上述方法在一定程度上提高了目標檢測性能，但并未針對無人機工作環(huán)境進行分析，故不能滿足無人機檢測需求。

鑒于此，通過分析不同雜波背景下的CFAR檢測性能，選擇檢測效果最好的方法建立CFAR知識庫，再針對不同的雜波分布，選擇知識庫中對應的最優(yōu)檢測方法，從而實現(xiàn)對無人機目標的有效檢測。與前述方法相比，該方法有效解決了傳統(tǒng)CFAR檢測方法中環(huán)境類型單一的問題，可適用于不同雜波環(huán)境下的無人機目標檢測。

1 建立CFAR知識庫

因為均值類CFAR檢測算法通過對參考窗內采樣數據取平均來估計背景功率，能夠滿足不同雜波環(huán)境下的目標檢測，所以選用均值類CFAR檢測算法建立CFAR知識庫。知識庫中的檢測方法主要包括CA-CFAR、SO-CFAR和GO-CFAR[15]。均值類CFAR檢測框圖如圖1所示。

圖1 均值類CFAR的檢測框圖

CA-CFAR是均值類CFAR中最經典的方法，該檢測方法假定背景環(huán)境均勻且各參考單元之間獨立同分布。待檢測單元附近存在保護單元，可避免因目標占據多個距離單元而對雜波功率估計造成影響。CA-CFAR雜波背景功率估計為

(1)

其中：n為左右窗參考單元的長度；xi、yi分別為左右窗的參考單元。CA-CFAR檢測器在均勻瑞利雜波背景下的發(fā)現(xiàn)概率為

(2)

其中，λ為目標信號與噪聲平均功率的比值。由于門限S=TZ是一個隨機變量，虛警概率為

(3)

門限因子為

(4)

GO-CFAR作為CA-CFAR的一種改進方法，主要針對強雜波區(qū)域目標的檢測問題，其基本思路是取前后參考窗均值X、Y中較大者作為背景功率的估計值。GO-CFAR的雜波功率估計為

Z=max(X,Y)，

(5)

GO-CFAR的虛警概率為

(6)

檢測概率可表示為

(7)

SO-CFAR檢測器適用于雜波邊緣的強雜波區(qū)域目標的檢測，其雜波功率估計為

Z=min(X,Y),

(8)

SO-CFAR的虛警概率為

(9)

檢測概率可表示為

(10)

從以上分析可看出，均值類CFAR的虛警概率與所設的門限因子T及參數單元個數n有關。本研究將3種CFAR檢測方法應用于CFAR知識庫的建立，分別用3種CFAR檢測方法處理不同雜波分布下的雷達回波信號，將檢測效果最好的CFAR算法作為知識庫中該雜波分布下目標檢測所采用的方法。

2 雜波類型估計

2.1 雜波分布類型

確定CFAR知識庫中的3種CFAR檢測器后，對無人機雜波環(huán)境進行分析。無人機飛行的雜波環(huán)境比較復雜，一般用于雜波的幅度分布模型包括瑞利分布、對數正態(tài)分布、韋布爾分布及K分布等[16]。

1)瑞利分布

瑞利分布常用于描述地雜波和低分辨率的雷達系統(tǒng)，是描述雜波分布的一種最典型的模型。瑞利分布的概率密度函數為

(11)

其中：f(x)>0，x≥0；σ為瑞利分布的尺度參數，σ>0。

2)對數正態(tài)分布

對數正態(tài)分布能更好地描述復雜的海面或地形雜波。對數正態(tài)分布的概率密度函數為

(12)

其中：μ為尺度參數；σ為形狀參數。

3)韋布爾分布模型

韋布爾分布可用來描述處于瑞利分布和對數正態(tài)分布中間的模型的雜波。韋布爾分布的概率密度函數為

(13)

其中：p為形狀參數；q為尺度參數。

4)K分布

K分布是另一種能很好擬合海雜波的分布模型。K分布的概率密度函數為

(14)

其中：a為尺度參數；ρ為形狀參數；K(x) 為為修正函數；Γ(·) 為伽馬函數。

2.2 分布模型參數估計

對于雜波數據，確定其符合哪種分布模型，需要對4種分布模型的分布參數進行估計。然而，無人機的飛行環(huán)境主要是城市和鄉(xiāng)村，環(huán)境中主要是地雜波。針對地雜波的研究，目前主要有3種雜波模型，即瑞利分布、對數正態(tài)分布和韋布爾分布[17]。

對于雜波參數估計常采用最大似然估計和基于部分矩估計的方法，再通過擬合優(yōu)度檢驗來確定雜波分布類型。例如：瑞利分布采用最大似然估計和部分矩估計得到參數σ；對數正態(tài)分布采用最大似然估計法和矩估計方法可得到相應的形狀參數σ和尺度參數μ；韋布爾分布采用估計方法估計尺度參數q和形狀參數p。通過對雜波擬合，根據雜波的概率密度函數判斷雜波的分布類型[18-19]。

3 CFAR算法的選擇

基于上述分析，構建基于雜波知識輔助的CFAR檢測流程如圖2所示。

圖2 知識輔助的CFAR檢測流程

對回波數據進行雜波參數估計和擬合，判斷出雜波分布類型，針對不同的雜波分布類型，采用知識庫中對應的CFAR檢測方法，進行恒虛警率處理，判斷無人機目標的有無。

不同的CFAR算法適用于不同的雜波分布情況，相同的雜波分布下，不同的CFAR檢測算法也有較大差異。

4 仿真與實測數據分析

4.1 仿真數據分析

仿真基于MATLAB軟件。所采用的雷達信號為線性調頻連續(xù)波信號，信號中心頻率f0=30 GHz，帶寬B=60 MHz，周期T=512 ms，采樣點數為1 024個。2架無人機目標距離探測點分別為800、600 m。3種CFAR仿真的參考窗長度N均為80，保護單元數為4，虛警概率為10-6。

零記憶非線性變換法(ZMNL)[20]是利用相關高斯隨機序列通過某種或幾種非線性變換得到需要的雷達雜波數據序列。

采用ZMNL生成參數已知的瑞利分布、韋布爾和對數正態(tài)分布的雜波信號與含有2個目標的調頻連續(xù)波信號疊加后做CFAR處理，觀察3種CFAR處理后的檢測結果。

1)使用3種CFAR檢測器對瑞利分布雜波下的回波信號進行CFAR檢測，仿真結果如圖3所示。從圖3可看出，在相同的仿真參數下，瑞利分布雜波的CA-CFAR檢測效果最好，能夠有效檢測出2個目標，同時沒有虛警點。盡管GO-CFAR檢測能夠識別出無人機目標，但存在虛警點。而SO-CFAR在雜波環(huán)境中存在多個虛警點，性能最差。

圖3 瑞利分布雜波仿真結果

2)使用3種CFAR檢測器對韋布爾分布雜波下的回波信號進行CFAR檢測，仿真結果如圖4所示。從圖4可看出，在相同的仿真參數下，韋布爾分布雜波的GO-CFAR檢測性能最好，2個目標均被有效檢測出。盡管SO-CFAR可以檢測到目標，但存在多個虛警點目標，而CA-CFAR檢測算法無法檢測出目標。

圖4 韋布爾分布雜波仿真結果

3)使用3種CFAR檢測器對對數正態(tài)分布雜波下的回波信號進行CFAR檢測，仿真結果如圖5所示。從圖5可看出，在相同的仿真參數下，對數正態(tài)分布雜波的GO-CFAR能夠檢測出2個無人機目標，且不存在虛假目標，效果最好。盡管CA-CFAR和SO-CFAR也能檢測出運動目標，但也存在多個虛警目標，不能滿足檢測需要。

圖5 對數正態(tài)分布雜波仿真結果

綜合上述仿真結果，瑞利分布雜波下檢測性能最好的CFAR檢測器為CA-CFAR，韋布爾分布雜波下檢測性能最好的CFAR檢測器為GO-CFAR，對數正態(tài)分布雜波下檢測性能最好的CFAR檢測器為GO-CFAR。

4.2 實測數據分析

雷達實測數據是利用三角波線性調頻連續(xù)波雷達在學校周邊地區(qū)進行實測獲得。雷達體制為相控陣雷達，載波頻率為30 GHz，波長λ=8 mm，發(fā)射信號帶寬為60 MHz，周期為700 μs，采樣頻率為25 MHz。測試目標為大疆精靈PHANTOM4 Pro型號無人機，實驗場景如圖6所示。

圖6 實驗場景

對雷達采集到的實測數據，采用知識輔助CFRA檢測方法，先對瑞利分布、韋布爾分布、對數正態(tài)分布和實測數據進行擬合，判斷雜波幅度類型，雜波分布擬合結果如圖7所示。

從圖7可看出，實測數據的雜波明顯偏離對數正態(tài)分布，與瑞利分布的PDF擬合得較好。因此，實測數據的雜波類型符合瑞利分布雜波。根據建立的雷達知識庫，使用雷達知識庫中瑞利分布雜波所對應的CFAR檢測器(CA-CFAR)進行處理，檢測結果如圖8所示。

圖7 雜波分布擬合

從圖8可看出，在距離188 m處發(fā)現(xiàn)目標，且不存在虛警目標，與實際情況相符，能夠檢測出無人機目標，驗證了算法的可行性。

圖8 實驗結果

5 結束語

針對無人機目標檢測問題，提出了一種知識輔助CFAR檢測方法。相對于傳統(tǒng)CFAR檢測方法，根據對無人機所處飛行的雜波環(huán)境，建立CFAR知識庫，通過對當前無人機飛行雜波環(huán)境擬合，判斷雜波分布情況，再從知識庫中優(yōu)選CFAR檢測算法，提高無人機目標在雜波環(huán)境下的檢測性能。在今后的工作中，將繼續(xù)增加知識庫的輔助信息，以提高對無人機目標的有效檢測。