左林虎 王 謙 劉國浩
(1.西安電子工程研究所 西安 710100;2.陸軍裝備部駐西安地區(qū)軍事代表局 西安 710000)
恒虛警(Constant false alarm rate, CFAR)檢測是雷達信號處理中的關鍵技術之一,即通過估計背景噪聲功率自動形成檢測閥值,從而保持恒定的虛警率。常見的CFAR技術有單元平均恒虛警(CA-CFAR)、單元平均取小恒虛警(SO-CFAR)、單元平均取大恒虛警(GO-CFAR)、有序排序恒虛警(OS-CFAR)以及剔除平均恒虛警(TM-CFAR)等。其中,在均勻雜波背景下,CA-CFAR獲得接近最優(yōu)的檢測性能,但在雜波邊緣場景會有虛警或者漏警,在多目標場景會出現目標遮蔽現象;SO-CFAR、OS-CFAR以及TM-CFAR改善多目標場景下的目標遮蔽現象,相應地在雜波邊緣場景和均勻場景下檢測性能下降;GO-CFAR能有效地避免雜波邊緣的虛警,但在多目標場景下更容易出現目標遮蔽現象。以上CFAR檢測器均是在距離維對目標進行檢測,沒有考慮多普勒維度信息,二維恒虛警檢測(2D-CFAR)則是同時在距離維和多普勒維度選取參考單元對背景噪聲功率進行估計。
CFAR的檢測性能與參考單元個數相關,在相同的虛警率下,當參考單元個數增加時,CFAR損失下降。對于一維CFAR而言,距離維上參考窗長增加的同時也意味著待檢單元附近的干擾更易進入參考窗內,同樣也不利于準確估計背景噪聲功率。與一維CFAR相比,在相同的參考單元個數下,二維CFAR的參考窗在距離維的長度可以更小,意味著待檢單元附近的干擾對目標檢測影響更小。與一維TM-CFAR類似,也可以在二維CFAR中加上剔除,進一步提升二維CFAR檢測在多目標場景下的檢測性能。
本文利用雷達模擬器產生地雜波邊緣場景、多目標干擾等非均勻雜波場景,通過Matlab仿真分析CA-CFAR、SO-CFAR、GO-CFAR、OS-CFAR、TM-CFAR、2D-CFAR算法以及二維TM-CFAR算法(TM2D-CFAR)的檢測性能。在GPU中實現上述CFAR算法,在同等的輸入條件下,統(tǒng)計各CFAR算法的運算時間。結合檢測性能和運算效率綜合分析相關CFAR檢測器的性能。
二維參考窗同時在距離維和多普勒維選取參考單元對噪聲背景進行估計。假設二維參考窗在距離維和多普勒維度的數目分別為和,保護窗在距離維和多普勒維度的數目分別為和,則二維參考窗其結構如圖1所示。
由圖1可知,二維CA-CFAR檢測器的噪聲估計值可以表示為式(1)。
圖1 CFAR處理參考窗
(1)
其中,表示二維參考窗內距離維上第個、多普勒維上第個參考單元的采樣值。
對二維參考窗內的采樣值進行排序,再剔除從最小采樣值起的個較小參考單元個數,從最大采樣值起的個較大參考單元個數。二維TM-CFAR檢測器的噪聲估計值可以表示為式(2)所示。
(2)
其中()表示二維參考窗內參考單元的采樣值經排序后的第個采樣值。
檢測門限可表示如式(3)所示。
=×
(3)
其中,為門限因子。
通過待檢單元的采樣值與檢測門限比較來判斷目標是否存在,如式(4)所示。
(4)
1.2.1 雜波邊緣場景
雷達模擬器在32.25km處設置靜止目標,在28.25~31.75km范圍內添加丘陵地貌的雜波?;夭〝祿浢}壓、MTD等處理后,距離-多普勒數據矩陣如圖2(a)所示,多普勒通道1的距離維數據局部圖如圖2(b)所示。
圖2 雜波邊緣場景下雷達回波數據
從圖2中,可以看出來目標在多普勒1通道的距離單元423附近,雜波區(qū)域約在距離單元340到414之間。
CA-CFAR、GO-CFAR、SO-CFAR、OS-CFAR、TM-CFAR的保護單元個數均設置為3,參考單元個數設置為16,OS-CFAR排序后選擇第13個參考單元,TM-CFAR剔除最大和最小的3個參考單元采樣值。二維CFAR的保護圈數為1圈,參考圈數為2圈。調整各個CFAR的門限乘積因子,使得在均勻雜波背景下,它們的虛警率均為1×10。邊緣場景下,相關CFAR檢測器的多普勒通道1的檢測結果如圖3所示。
圖3 雜波邊緣場景下CFAR檢測結果
圖3(a)為CA-CFAR檢測結果,可以看出雜波邊緣目標被遮蔽;圖3(b)為GO-CFAR檢測結果,與圖3(a)類似;圖3(c)為SO-CFAR檢測結果,雜波邊緣目標可以檢測到,同時雜波邊緣有虛警點;圖3(d)為OS-CFAR檢測結果,與圖3(c)類似;圖3(e)為TMCA-CFAR檢測結果,與圖3(a)類似,雜波邊緣目標被遮蔽;圖3(f)為二維CFAR檢測結果,雜波邊緣目標可以檢測到,同時雜波區(qū)域也有虛警;圖3(g)為二維TM-CFAR檢測結果,與檢測結果圖3(f)類似。
相關CFAR的所有多普勒通道上的檢測結果統(tǒng)計如表1所示。
表1 雜波邊緣場景下的相關CFAR檢測結果對比
從表1中,可以看出CA-CFAR、GO-CFAR、TMCA-CFAR檢測的虛警點較少,但是位于雜波邊緣附近的目標沒有被檢測到,而SO-CFAR、OS-CFAR能夠檢測到雜波邊緣附近的目標,但是同時有很多虛警點,相對而言,2D-CFAR和TM2D-CFAR的檢測結果比較均衡,沒有漏警,虛警較少,再對比2D-CFAR和TM2D-CFAR的檢測結果,可見在雜波邊緣場景應用剔除技術并沒有收益。從整體結果看,在雜波邊緣場景下,可見二維CFAR的檢測效果好于一維CFAR的。
1.2.2 多目標場景
雷達模擬器在49.5km、50km、50.25km處設置靜止目標,RCS依次為10m、1m、10m?;夭〝祿浢}壓、MTD等處理后,距離-多普勒數據如圖4(a)所示,多普勒通道1的距離維數據局部圖如圖4(b)所示。
圖4 多目標場景下雷達回波數據
相關CFAR的參數配置與上一致,相關CFAR檢測器的多普勒通道1的檢測結果如圖5所示。
圖5(a)為CA-CFAR檢測結果,位于中間的小目標被遮蔽;圖5(b)為GO-CFAR檢測結果,與CA-CFAR類似;圖5(c)為SO-CFAR檢測結果,位于中間的小目標被遮蔽,這是由于目標的前后參考窗內都有干擾;圖5(d)為OS-CFAR檢測結果,三個目標均能被檢測,OS-CFAR的檢測性能與值有關,可通過調整值優(yōu)化檢測性能;圖5(e)為TMCA-CFAR檢測結果,三個目標均能檢測到,同樣TMCA-CFAR檢測結果與剔除個數值有關;圖5(f)為2D-CFAR檢測結果三個目標均能檢測到;圖5(g)為TM2D-CFAR檢測結果三個目標均能檢測到,對比二維CFAR和二維TM-CFAR的檢測結果,可以看出在多目標場景下應用剔除技術是有收益的。
圖5 多目標場景下CFAR檢測結果
對于一維的排序類CFAR檢測來說,在多目標場景下的檢測性能與值選擇有關,而值與參考窗內的干擾個數有關聯(lián),以TMCA-CFAR為例,若剔除個數小于參考窗內的干擾個數,仍有可能出現目標遮蔽現象,而如果剔除個數太多時,造成參與噪聲估計的參考單元個數太少,對檢測仍有影響。從圖5可見,在多目標場景下,2D-CFAR檢測器不作剔除或排序等處理就能把3個目標都檢測到,可見二維CFAR窗的受干擾影響更小,進一步我們可以推斷得出,在多目標場景下,同樣使用剔除恒虛警,在二維CFAR參考窗的剔除個數可以少于一維CFAR參考窗,即采用二維CFAR窗的噪聲估計會更準確一些。
結合雜波邊緣場景和多目標場景的仿真結果,我們可以看出基于二維檢測窗的CFAR檢測器的檢測性能要優(yōu)于基于一維檢測窗的CFAR檢測器。
基于中央處理器(Central Processing Unit, CPU)和圖形處理器(Graphic Proces-sing Unit, GPU)的異構計算已逐步發(fā)展為高性能計算領域的主流模式。CPU的主頻比較高,采用多核架構,每個核都能獨立完成計算、邏輯和數據讀寫功能,可以運行操作系統(tǒng),可以操作外設,并可以配置超大的內存空間和存儲空間;GPU是近年來在大數據計算方面發(fā)展非常迅速的器件,它擁有超多的運算核心,與CPU相比,每個核心不能單獨使用,但每組核心具有一定的管理能力,同時對內存的訪問速度比CPU要快的多,這種架構非常適合對整塊數據進行并行處理計算。采用CPU+ GPU的異構計算架構使CPU和GPU的優(yōu)勢形成互補,兼顧CPU的復雜任務處理能力和GPU的并行計算能力。
CUDA(Compute Unified Device Architecture)作為GPU高性能計算的主要開發(fā)工具之一,已經在計算機、物理、信號處理等眾多領域發(fā)揮重要作用。本文基于NVIDIA公司旗下的型號為Tesla P6的GPU,使用CUDA C/C++實現CA-CFAR、GO-CFAR、SO-CFAR、OS-CFAR、TM-CFAR以及二維CFAR檢測器。其實現流程大致如圖6所示。
圖6 基于GPU的CFAR處理流程圖
如圖6所示,首先分配主機與設備內存,在主機中初始化待處理數據和保護單元個數、參考單元個數,剔除個數等CFAR參數后,將這些數據拷貝到設備中,然后執(zhí)行核函數,根據不同的CFAR檢測器類型進行相應的CFAR處理,最終將結果返回到主機中,進行后續(xù)處理。
由于OS-CFAR與TM-CFAR正常處理時,需要進行完全排序,排序較為耗時,對它們進行處理上的優(yōu)化。對于OS-CFAR檢測,不進行排序,只對待檢單元的采樣值和參考單元的采樣值的比較,然后判斷待檢單元采樣值是否超過個參考單元的采樣值;對于TM-CFAR檢測,進行不完全排序,只從大往小只排前k個參考單元的采樣值,然后剔除后進行求平均。
對于二維CFAR而言,通過使用紋理內存進行處理優(yōu)化。紋理內存針對二維空間的局部訪問性進行了優(yōu)化,所以通過紋理內存訪問二維矩陣的鄰域會獲得加速。如圖7所示,圖7中的4個地址并非連續(xù),一般的緩存中,這些地址不會緩存,如果在這種情況下使用紋理內存而不是全局內存,那么將獲得性能的提升。
圖7 紋理內存應用場景
雷達波束個數為102個,脈沖積累數為20個,回波信號的采樣點數為1408個。服務器所用的GPU型號為Tesla P6,CPU型號為FT2000。各CFAR的參考窗長、保護窗長等參數設置與上文的仿真參數設置一致,則各CFAR檢測算法在GPU中耗時統(tǒng)計如表2所示。
表2 相關CFAR運行時間對比
從表2中可以看出,經優(yōu)化處理后,OS-CFAR和二維CFAR的運算時間和CA-CFAR、GO-CFAR、SO-CFAR是一個量級的,而TMCA-CFAR和TM2D-CFAR仍涉及到部分排序,相對于其他CFAR檢測仍耗時更多。
本文利用雷達模擬器產生地雜波邊緣場景、多目標干擾等非均勻雜波場景,通過Matlab仿真分析CA-CFAR、SO-CFAR、GO-CFAR、OS-CFAR、TM-CFAR以及二維CFAR算法的檢測性能。在GPU中實現上述CFAR算法,在同等的輸入條件下,統(tǒng)計各CFAR算法的運算時間。從實驗結果中可以看出二維CFAR算法在雜波邊緣場景、多目標干擾場景下有良好的檢測性能,同時在工程實現上也具備著高效性和低運算開銷,因此二維CFAR在工程應用上是一個不錯的選擇。由于本文中的數據來源是由雷達模擬器產生的,而現實雷達面臨的雜波背景更復雜,因此單一地應用二維CFAR檢測不能解決所有問題,此時需要依據雜波圖等手段獲取真實雜波特性,對檢測區(qū)域進行CFAR策略分段,對每一段的區(qū)域使用最合適的CFAR檢測方法,以達到最優(yōu)的整體檢測性能。