第３３卷 第１期 ２０１８年２月 电波科学学报 Ｖｏ１．３３，ＮＯ．１ Ｆｅｂｒｕａｒｙ，２０１８ ＣＨＩＮＥＳＥ ＪＯＵＲＮＡＬ ＯＦ ＲＡＤＩＯ ＳＣＩＥＮＣＥ 李健，孙光才，邢孟道，等．基于卷积构型的单元平均ＣＦＡＲ目标检测算法ＥＪ］．电波科学学报，２０１８，３３（１）：５６—６３．ＤＯＩ：１０．１３４４３／ｊ．ｃｊｏｒｓ． ２０１７０８２５０１ ＬＩ Ｊ，ＳＵＮ Ｇ Ｃ，ＸＩＮＧ Ｍ Ｄ，ｅｔ ａ１．Ａ ｃｅｌｌ ａｖｅｒａｇｉｎｇ ＣＦＡＲ ｄｅｔｅｃｔｏｒ ｂａｓｅｄ ｏｎ ｃｏｎｖｏｌｕｔｉｏｎ ｆｏｒ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ｉｎ ＳＡＲ ｉｍａｇｅｓ［Ｊ］．Ｃｈｉｎｅｓｅｊｏｕｒｎａｌ ｏｆ ｒａｄｉｏ ｓｃｉｅｎｃｅ，２０１８，３３（１）：５６—６３．（ｉｎ Ｃｈｉｎｅｓｅ）．ＤＯＩ：１０．１３４４３／ｉ．ｅｉｏｒｓ．２０１７０８２５０１ 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 （１．西安电子科技大学雷达信号处理国家重点实验室，西安７１００７１； ２．西安电子科技大学信息感知技术协同创新中心，西安７１００７１） 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（ｓｙｎ— ｔｈｅｔｉｃ 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阂值，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． 关键词 合成孔径雷达（ＳＡＲ）；ＳＡＲ图像；目标检测；ＣＡ—ＣＦＡＲ；矩估计 中图分类号ＴＮ９５７ 文献标志码 Ａ 文章编号 １００５—０３８８（２Ｏ１８）０１－００５６—０８ ＤｏＩ １０．１３４４３／ｊ．ｃｊｏｒｓ．２０１７０８２５０１ Ａ ｃｅｌｌ ａｖｅｒａｇｉｎｇ ＣＦＡＲ ｄｅｔｅｃｔｏｒ ｂａｓｅｄ ｏｎ ｃｏｎｖｏｌｕｔｉｏｎ ｆｏｒ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ｉｎ ＳＡＲ ｉｍａｇｅｓ ＬＩ Ｊｉａｎ ’ ＳＵＮ Ｇｕａｎｇｃａｉ · ＸＩＮＧ Ｍｅｎｇｄａｏ ’ ＺＨＡＮＧ Ｌｉｎ ’ （１．ＮａｔｉｏｎａｌＫｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆＲａｄａｒ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，Ｘｉｄｉａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉａ＇ｎ ７１００７ｌ，Ｃｈｉｎａ； ２．Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｉｎｎｏｖａｔｉｏｎ Ｃｅｎｔｅｒ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｅｎｓｉｎｇ ａｎｄ Ｕｎｄｅｒｓｔａｎｄｉｎｇ，Ｘｉｄｉａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ＇ａｎ ７１００７１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ 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 ｐａ— ｐｅｒ．Ａｓ ａ ｆｉｒｓｔ ｓｔｅｐ，ｔｈｅ ｓｔａｔｉｓｔｉｃ ｍａｔｒｉｃｅｓ ｏｆ ｔｈｅ ＳＡＲ ｉｍａｇｅ ａｒｅ ｃｏｍｐｕｔｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ｅｌｕｔｔｅｒ ｄｉｓｔｒｉｂｕｔｉｏｎ ｍｏｄｅ１．Ｔｈｅｎ，ａ ｃｏｎｖｏｌｕｔｉｏｎ ｍｏｄｅｌ ｉＳ ｂｕｉｌｔ ｆｏｒ ｔｈｅ ＣＡ—ＣＦＡＲ ｄｅｔｅｃｔｏｒ ｔｏ ｒｅａｌｉｚｅ ｔｈｅ ｍｏ— ｍｅｎｔ 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 ａｌｇｏ— ｒｉｔｈｍ 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 ｐｒｏ— ｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ． Ｋｅｙｗｏｒｄｓ ｓｙｎｔｈｅｔｉｃ ａｐｅｒｔｕｒｅ ｒａｄａｒ；ＳＡＲ ｉｍａｇｅ；ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ；ＣＡ—ＣＦＡＲ ｄｅｔｅｃｔｏｒ；ｍｏｍｅｎｔ ｅｓｔｉ— ｍａｔ ｏｎ 收稿日期：２０１７ ０８—２５ 资助项目：国家自然科学基金重大研究计划培育项目（９１４３８１０６）；国家自然科学基金创新群体（６１６２１００５） 联系人：李健Ｅ—ｍａｉｌ：ｌｉｊｉａｎｆｏｒ＠１６３．ｃｏｒｎ 第１期 李健等：基于卷积构型的单元平均ＣＦＡＲ目标检测算法 ５７ 引 言 目标检测作为合成孑Ｌ径雷达（ｓｙｎｔｈｅｔｉｃ ａｐｅｒ— ｔｕｒｅ 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 ］，同时也决定着后 续识别的精度和速度＿３］．恒虚警率（ｃｏｎｓｔａｎｔ ｆａｌｓｅ ａ— ｌａｒｍ 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 ］．随 着ＳＡＲ向着高分辨宽测绘带发展 ］，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口 ¨］．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口 ． 文献１－９］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Ｇ。 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 室（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 ｃｏｎ— ｓｔａｎｔ 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 ｒＴ １～Ｐｆ 一Ｉ ｐ（ｘ）ｄｘ． Ｊ ｏ 式中：Ｐ 为虚警率；Ｐ（．ｚ）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、Ｇｏ分布、 稳态分布等对背景杂波 进行理论建模 ”］．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 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： ．ｆｚ 加 ，… 一 骞ｚ ｚ 如 ，… 一 骞 ，… 一 骞ｚ 式中：０ ， 。，…，０ 是分布函数中的待估计参数； 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 （ｚ）．再将Ｐ（ｚ）代人式（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阶矩统计量口。 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Ｐ ｘ Ｐ ，鉴于 保护窗需要大于目标尺寸大小，保护窗大小设为Ｐ ×Ｐ。．则第ｉ行第Ｊ列的待检测像素ｚ 实际的ｍ阶 ５８ 矩为 ｉ＋Ｐ ／Ｚ ｊ＋Ｐ ／２ ｉ＋Ｐｐ／２，＋Ｐ口／ｚ 电 波科 学 学报 第３３卷 景杂波能量的均值和方差，因此这里需要计算的矩 ∑ ∑ｚ 一∑）一 ∑ｚ ． （３） 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Ｕ ＝＝＝Ｓ、 Ｕ 一Ｓ。．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 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 ’ 鋈 誓 保护窗 待检测像素 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： Ｕ 一Ｓ ． （４） 式中：Ｓ为ＳＡＲ图像的能量矩阵，该ＳＡＲ图像有ｒ× ｚ个像素．例如：经典双参数ＣＦＡＲ算法需要估计背 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： Ｅ（ ）一 州）＊ ． （５） 式中， ｗ（Ｐ ，Ｐ ）＝＝＝ １１１１１１１ Ｉ￣ｏｏｏｏｏ１ １１１１ １１１１１１１…ｌ ０００００ ｌ …１１１１ ． （６） １１１１１１１ ００ｏｏｏＪ Ｐ Ｐ １１１１ 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 ｃ， （ｒ，ｚ）＊ ｉ： ｕｒ（ｒ，ｚ） ． （７） 式中，【， （ｒ，ｚ）、 （Ｐ ，Ｐ ）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 Ｅ（ｘ ）一ＩＦＦＴ２｛ｕｒ（ｒ，ｚ） ）．（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ｒｒ（ｚ）．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： ｛Ｉ ｇＣ Ｔ＜ ，Ｔ 蓁呈誓 不是目 点．标点 。 第１期 李健等：基于卷积构型的单元平均ＣＦＡＲ目标检测算法 ５９ 图３给出了本文ＣＣＡ—ＣＦＡＲ快速检测算法的 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×ｚ个像 素，滑窗大小为Ｐ ｘ Ｐ ，保护窗大小为Ｐ ×Ｐ ，其 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 中ｒ＝＝＝ｚ．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 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 ａｌｇｏｒｉｔｈｍ ３ 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Ｅ１４］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 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 ｒ ｌｂ Ｎ次乘法，则二维傅里叶变换所需要的计算量 厶 为２Ｎ Ｉｂ Ｎ次加法和Ｎ ｌｂ Ｎ次乘法，两个统计量矩 阵做二维傅里叶变换的计算量为４Ｎ。ｌｂ Ｎ次加法和 ２Ｎ Ｉｂ Ｎ次乘法； 第三步二维矩阵相乘的计算量为２Ｎ 次乘法； 第四步二维逆傅里叶变换需要的计算量为 ４Ｎ ｌｂ Ｎ次加法和２Ｎ ｉｂ 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４ ｌｂ Ｎ＋２ 次乘法，假设加法 和乘法的计算量相同，则总的计算量为 Ｎ （１２１ｂ Ｎ＋２），其中Ｎ—ｒ＋ｍａｘ（Ｐ ，Ｐ ）一１．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（Ｐ Ｐ 一 Ｐ Ｐ。）次加法和２次乘法，则ｒ×ｚ个像素需要的计 算量为２（Ｐ Ｐ 一Ｐ Ｐ。＋１）ｒ ．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（Ｐ ，Ｐ ）＋ｍｉｎ（Ｐ ，Ｐ ））ｒ ．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（Ｐ Ｐ 一ＰｐＰ。＋１）ｒ２ 文献Ｅ１４］方法４（ｍｉｎ（Ｐ ，Ｐ ）＋ｍｉｎ（Ｐ ，Ｐ ））ｒ 本文方法 Ｎ （１２１ｂ Ｎ＋２） 电 波 科 学 学 报 第＝｛３卷 据 ｌ所爪．史献［１ｌｊ］方法汁算量 ｊ传统 Ｌ、／＼【、ＦＡＲ算法汁｛ 之比 ４（ｎｌｉｎ（』’ ，， ， ）十ｍｉＩ１（Ｐ ，Ｐ．．））， 。 ２（，’ ，’，， ，ｊ，，Ｐ．．＋１） 一 一≈ Ｐ Ｉ ｌ ． ，ｌ 、（１０） 小义【、ＣＡ Ｃｔ：ＡＲ快速检测算法汁算量 ｊ传统 Ｌ、Ａ、ＦＡＲ算法、卜 ｛ 之比为 ，Ｊ二＝ ！ ｌ！！ ± ２（Ｐ Ｊ’ Ｊ’『ｌＪ ＋１）， ６Ｉ１） ，．．、 ≈ ＿ｌ＿ ‘ …’ 从 （１ ０）ｉｌＪ‘以行｝¨．义献［１ ４］方法采川的逐像 索点达代优化减少ｒ弧复计算 ， 总计算 ！小ｆ 传统（、Ａ（＂ＦＡＲ ‘法¨‘算 。能够达到提离ＣＡ 【、ＦＡＲ算法检测速发的Ｉ１的：埘比式（１１），本史群法 利川１卷 计 对他统（、Ａ（ＴＡＲ算法的晕复汁 进 行ｒ优化．能够 ＆ 地提高运算效率，提升算法的『１ ｆ，Ｊ；愉洲速度．具体的愉测速牢提升倍数需 根据 ＳＡＲ图像、背最 波数据商以及保护窗的 寸决 定．Ｆ而仿真实验给ｆ１｛Ｊ 具体性能分析． ４ 仿真实验 为ｒ验证水义捉ｆＩ』的ＣＣＡ ＣＦＡＲ快速检测算 法．这 采』ｆｊ机械多迎道ＳＡＲ杂波对消后的动ｌｌ标 ｆ－１【聚焦图像进行ＩＩ标愉测仿真实验．测试数据『皋ｌ像 人小为ｌ ０２ ．１×１ Ｏ２ １ ｔ 分别采崩传统ＣＡ—ＣＦＡＲ 钟：法、史献［１４］ ‘法币¨小文算法榆测图像中的动ｆＩｊ ．仿真实验中采川ｆ伞心滑窗力‘式统计背景杂波特 ． 虑到ＳＡＲ 像分辨率ｆ１】罔像中动目标 十， 这 没 保护窗的火小为８１×８１，背景数据窗的大 小为ｌ０ｌ×ｌ０ｌ， 臀率，’ｈ没为１×ｌ０。． １为实洲数据动Ｕ标检测结果，其ｆｆ１．１刘（ａ） 为采用传统ＣＡ Ｌ、ＦＡＲ算法的检测结果图，『皋ｌ（Ｉ】）为 采川文献［１ １］方法的检测结果 ，图（ｃ）为采川本文 钟：法的检测结２－ ．通过对比町以看出，传统【、Ａ Ｌ、ＦＡＲ算法、义献＿１ １］并法和小文算法都能够检测 川｛ 像ＩＩＩ的动Ｉ１抓，ｌＩ＿榆测结果 示三种方法对动 Ｉｌ 的榆测数都为８９８， 彳丁ｌ卡ｆ｛㈦的目标检测性能． ｒ夺史算法址＂刈 【’Ａ（；ＦＡＲ检测器构建卷积模 ，Ｉ 改进后的快逑铆：法．则该算法检测器性能 均匀 朵波 景下是最优的．适川 不同分布模型下采川１ ＣＡ ＣＦＡＲ检测 的愉测 ：法 （ｒ１）ＣＡ（、ＦＡＲ钟：法 （ｂ）文献［１４］算法 （ａ）（、Ａ（＇ＦＡＲ ａｌｇｏｒｉｌｈｍ （ｂ）Ａｌｇｏｒｉｔｈｍ ｏｆ ｌｉｔｅｒａｌｕｒ￣ （ ·）小艾钾．法 （Ｃ）Ｔｌ１‘、【）ｒｏｔｘ）ｓｔ、（１ 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ｆ：述实验【１Ｊ‘ ，本文ＣＣＡ—ＣＦＡＲ快速检 测算法具有传统ＣＡ（；ｔｅＡＲ算法相Ｉ 的日标枪测毕『ｉ 度。 该算法的改进卞 体现 榆测速度上的提升． 检测速度直接决定ｒ ｆ１标榆测算法的实用 和１ 应ＪＨ性，因此这 父沣该算法存闩标检测速度 的性能．为了说【Ｉ』Ｊ本文（、Ｌ、八一ＣＦＡＲ快速检测锋：法 在榆测速度卜＝的提升。这 采片】Ｓａｎｄｉａ实验 的 ＭｉｎｉＳＡＲ地面场景高分辨ＳＡＲ 像数据进行¨标 枪测仿真实验，该｝冬１像分辨率为０．１ ｍ×０．１ ＦＤ．，女Ｉ１ 图５（ａ）所示，截取的实测ＳＡＲ图像像素数为１ ０００ ×ｌ ２００点．从图一 Ｊ‘以看ｆ¨，场景右侧是一个停乍 场，日标为多种类 的 川１‘辆，车辆大小约为２ ｎ ×４ ｍ．大部分车辆¨林集中在场景右侧．场景 侧 为房屋和树术，其他部分为地而．实验中，分别采』ｌｆ】 舣参数ｃＡ—ＣＦＡＲ算法、文献［１４］方法和本文算法 检测图像中的目 ．学虑剑日标像素会Ｔ扰检测结 果，实验巾采用空心滑窗方式估汁背景杂波统汁 ， 并根据ＳＡＲ图像分辨率和罔像中口标尺寸，设 保 护窗的大小为４１×４ １，背景数据窗的大小为７１× ７１．虚警率Ｐ 设为ｌ×ｌ０。． 第ｌ期 李健等：基于卷积构型的单元平均（、ＦＡＲ目标检测算法 （，Ｉ） 测ＳＡＰ， 像 ￡１）Ｔｌ１（ ｏｒｉｇｉｎａｌ ＳＡＲ ｉｍａｇ￣ （１））双参数（、Ａ Ｌ、ＦＡＲ算法检测结果 ｌ】Ｔ＼ＶＯ ｐａｒａｌｎｔ＇ｔ ｅ＇ｒ Ｌ、Ａ（、ＦＡＲ ａｌｇｏｒｉｔｈｍ （ｃ）文献 ¨ ，Ｊ。法榆测结果 （ ）Ａｌｇｏｒｉｔｈｍ ｏｆ ｌｉｔｅｒａｌｕｒｏ １ 图５ ＭｉｎｉＳＡＲ实测数据目标检测结果 Ｆｉｇ．５ Ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ｒｅｓｕｌｔｓ ｗｉｔｈ ＭｉｎｉＳＡＲ ｄａｔａ ＭｉｎｉＳＡＲ实测数据目标检测结 如 ｊ（为体 现各方法的愉测结果对比，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（＇ＦＡＲ算法的检测结果 ， 图５（Ｃ）为采用文献［１４］方法的愉测结粜图，图５ （ｄ）为采用本文算法的检测结果图．通过对比可以看 出，住场景的右侧低能量均匀地面场景区域，双参数 ＣＡ（＇ＦＡＲ算法、文献［Ｉ～１］算法和本文算法具有较 好的日标检测效果；在场景的左侧高能最杂波场景 区域（房 和森林）．Ｉ二种方法检测虚警都较高．说明 了（ Ａ—ＣＦＡＲ炎捡测器在异质性杂波环境下检测 ｌｑ－ 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，舣参 数ＣＡ—ＣＦＡＲ算法、义献［１４］算法和本文算法埘日 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丁边缘像素点。这■种 方法都能够检测｝１Ｉ图像巾的车辆口标，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（１ ０）与式（１１）口『得，相较于双参数ＣＡ ＣＦＡＲ 算法，史献［１４］方法可以提高检测速度约ｌ２倍．本 文方法口』以提高检测速度约６（）倍．实验结果女¨卜， 双参数ＣＡ（＇ＦＡＲ算法检测用时ｌ Ｏｊ．３２ ｓ．文献Ｌ１ ｒ－一］ ６２ 电 波科 学 学报 第３３卷 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 Ｅ１４］方法相比双参数ＣＡ—ＣＦＡＲ方法所需的检测时 问减小了一个数量级，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． 鼍 口 皇 厘 留 像素数（每行例） 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 ｐｉｘｅｌｓ ５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 Ｅｌｉ ＬＩ Ｘ Ｓ，ＸＩＮＧ Ｍ Ｄ，ＸＩＡ Ｘ Ｇ，ｅｔ ａ１．Ｓｉｍｕｌｔａｎｅｏｕｓ ｓｔａｔｉｏｎａｒｙ ｓｃｅｎｅ ｉｍａｇｉｎｇ ａｎｄ ｇｒｏｕｎｄ ｍｏｖｉｎｇ ｔａｒｇｅｔ ｉｎ— ｄｉｃａｔｉｏｎ ｆｏｒ ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ｗｉｄｅ－ｓｗａｔｈ ＳＡＲ ｓｙｓｔｅｍ ［Ｊ］．ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｇｅｏｓｃｉｅｎｃｅ ａｎｄ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ，２０１６，５４（７）：４２２４—４２３９． Ｅ２３ 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， ２Ｏ１５，８（１１）：５０１５－５０２９． Ｅ３］ 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ｒＪ］．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 ｒｅｓｏ—— ｌｕｔｉｏｎ ＳＡＲ ｉｍａｇｅ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ ｅｌｅｃｔｒｏｎｉｃｓ＆ｉｎｆｏｒ— ｍａｔｉｏｎ 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 ａ１．Ａ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ａｌ— ｇｏｒｉｔｈｍ 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 ａ１．ＣＦＡＲ ｄｅ— ｔｅｃｔｉｏｎ ｏｆ ｍｏｖｉｎｇ ｒａｎｇｅ－ｓｐｒｅａｄ ｔａｒｇｅｔ ｉｎ ｗｈｉｔｅ Ｇａｕｓｓｉ— ａｎ ｎｏｉｓｅ ｓｓｉｎｇ ｗａｖｅｆｏｒｍ ｃｏｎｔｒａｓｔ ＥＪ］．ＩＥＥＥ Ｇｅｏｓｃｉ— ｅｎｃｅ ａｎｄ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｌｅｔｔｅｒｓ，２０１６，１３（２）：２８２— ２８６． ｒ６］ ＷＩＥＳＢＥＣＫ Ｗ，ＳＩＴ Ｌ，ＹＯＵＮＩＳ Ｍ，ｅｔ ａ１．Ｒａｄａｒ ２０２０：ｔｈｅ ｆｕｔｕｒｅ ｏｆ ｒａｄａｒ ｓｙｓｔｅｍｓＥＣ］／／２０１５ ＩＥＥＥ Ｉｎ— ｔｅｒｎａｔｉｏｎａｌ ｇｅｏｓｃｉｅｎｃｅ ａｎｄ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｓｙｍｐｏｓｉｕｍ， Ｍｉｌａｎ，２０１５：１８８—１９１． ［７］ ＢＩＳＣＥＧＬＩＥ Ｍ Ｄ，ＧＡＬＤＩ Ｃ．ＣＦＡＲ ｄｅｔｅｃｔｉｏｎ ｏｆ ｅｘ— ｔｅｎｄｅｄ ｏｂｊｅｃｔｓ ｉｎ ｈｉｇｈ—ｒｅｓｏｌｕｔｉｏｎ ＳＡＲ ｉｍａｇｅｓ［Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｇｅｏｓｃｉｅｎｃｅ ａｎｄ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ， 第１期 李健等：基于卷积构型的单元平均ＣＦＡＲ目标检测算法 ６３ ２００５，４３（４）：８３３—８４３． ｆａｓｔ ＣＦＡＲ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ａｕｔｏｍａｔｉｃ ｃｅｎｓｏｒｉｎｇ ｆｏｒ ［８］ Ｙｕ ｗ Ｙ，ＷＡＮＧ Ｙ Ｈ，ＬＩＵ Ｈ Ｗ，ｅｔ ａ１．Ｓｕｐｅｒｐｉｘｅｌ— ｂａｓｅｄ ＣＦＡＲ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ｆｏｒ ｈｉｇｈ—ｒｅｓｏｌｕｔｉｏｎ ＳＡＲ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ｉｎ ｈｉｇｈ—ｒｅｓｏｌｕｔｉｏｎ ＳＡＲ ｉｍａｇｅｓ［Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｇｅｏｓｃｉｅｎｃｅ ａｎｄ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ， ２００９，４７（６）：１６８５—１６９７． ｉｍａｇｅｓ［Ｊ］．ＩＥＥＥ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｌｅｔ— ｔｅｒｓ，２０１６，１３（５）：７３０ ７３４． ０Ｓ Ｖ，ＬＡＭＰＲＯＰＯＵＩ ０Ｓ Ｇ Ａ． ［１５］ ＡＮＡＳＴＡＳＳＯＰＯＵＩ［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． ＺＨＡ０ Ｍ Ｂ，ＨＥ Ｊ，ＦＵ Ｑ．Ｓｕｒｖｅｙ ｏｎ ｆａｓｔ ＣＦＡＲ ｄｅ— Ｏｐｔｉｍａｌ ＣＦＡＲ ｄｅｔｅｃｔｉｏｎ ｉｎ Ｗｅｉｂｕｌｌ ｃｌｕｔｔｅｒ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ａｅｒｏｓｐａｃｅ ａｎｄ ｅｌｅｃｔｒｏｎｉｃ ｓｙｓｔｅｍｓ， １９９５，３１（１）：５２ ６４． ａ１．Ｕｓｉｎｇ ［１６］ ＬＩＡＯ Ｍ Ｓ，ＷＡＮＧ Ｃ Ｃ，ＷＡＮＧ Ｙ，ｅｔｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ＳＡＲ ｉｍａｇｅ ｔａｒｇｅｔｓ［Ｊ］．Ａｃｔａ ａｕｔｏｍａｔｉｃａ ｓｉｎｉｃａ，２０１２，３８（１２）：１８８５—１８９５．（ｉｎ ＳＡＲ ｉｍａｇｅｓ ｔｏ ｄｅｔｅｃｔ ｓｈｉｐｓ ｆｒｏｍ ｓｅａ ｃｌｕｔｔｅｒ［Ｊ］．ＩＥＥＥ Ｃｈｉｎｅｓｅ） ＥｌＯ］高贵，周蝶飞，蒋咏梅，等．ＳＡＲ图像目标检测研究 综述口］．信号处理，２００８，２４（６）：９７１ ９８１． ＧＡ０ Ｇ，ＺＨ０Ｕ Ｄ Ｆ，儿ＡＮＧ Ｙ Ｍ，ｅｔ ａ１．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 ｎｏｎｈｏｍｏｇｅ—． ｎｅｏｕｓ ｐｏｓｉｔｉｖｅ ａｌｐｈａ—ｓｔａｂｌｅ ｃｌｕｔｔｅｒ［Ｊ］．ＩＥＥＥ ｔｒａｎｓａｃ— ｔｉｏｎｓ ｏｎ ａｅｒｏｓｐａｃｅ ａｎｄ ｅｌｅｃｔｒｏｎｉｃ ｓｙｓｔｅｍｓ。２Ｏｌ５，５１ （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 ａ１．Ｉｍｐｌｅｍｅｎｔａ ｔｉｏｎ 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ＧＯ分布的 ＳＡＲ图像快速ＣＦＡＲ检测方法［Ｊ］．国防科技大学学 报，２００９，３ｌ（１）：４７—５１．（ｉｎ Ｃｈｉｎｅｓｅ） ＨＥ Ｚ Ｇ，ＺＨ０Ｕ Ｘ Ｇ，ＬＵ Ｊ，ｅｔ ａ１．Ａ ｆａｓｔ ＣＦＡＲ ｄｅ ｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｔｈｅ ＧＯ ｄｉｓｔｒｉｂｕｔｉｏｎ ｆｏｒ ＳＡＲ ｉｍａｇｅｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｎａｔｉｏｎａｌ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｄｅ ｆｅｎｓｅ Ｔｅｃｈｎｏｌｏｇｙ，２００９，３１（１）：４７ ５１．（ｉｎ Ｃｈｉｎｅｓｅ） ［１４］ ＧＡ０ Ｇ，ＬＩＵ Ｌ，ＺＨＡＯ Ｌ Ｊ，ｅｔ ａ１．Ａｎ ａｄａｐｔｉｖｅ ａｎｄ Ｇｅｏｓｃｉｅｎｅｅ ａｎｄ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｌｅｔｔｅｒｓ，２００８，５（２）： １９４ １９８． ［１７］ ＦＲＥＲＹ Ａ Ｃ。ＭＵＬＬＥＲ Ｈ Ｊ，ＹＡＮＡＳＳＥ Ｃ Ｃ Ｆ，ｅｔ ａ１．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 ａｌｇｏ— ｒｉｔｈｍ ａｓ ａｐｐｌｉｅｄ ｔｏ ｄｅｔｅｃｔｉｏｎ ｏｆ ｓｔａｔｉｏｎａｒｙ Ｇａｕｓｓｉａｎ ｓｉｇｎａｌｓ ａｇａｉｎｓｔ ａ ｎｏｒｍａｌ ｎｏｉｓｅ ｂａｃｋｇｒｏｕｎｄ［ｃ］／／２Ｏｌ６ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｋｈａｒｋｉｖ ｓｙｍｐｏｓｉｕｍ ｏｎ ｐｈｙｓｉｃｓ ａｎｄ ｅｎｇｉ— ｎｅｅｒｉｎｇ ｏｆ ｍｉｃｒｏｗａｖｅｓ．Ｋｈａｒｋｉｖ，２０１ ６：１—３， 作者简介 李健 （１９８９一），男，山西人，西安电子科技大 学电子工程学院博士研究生，研究方向为ＳＡＲ成 像、ＳＡＲ目标检测． 孙光才 （１９８４一），男，湖北人，西安电子科技 大学电子工程学院副教授，主要研究方向为雷达成 像、雷达目标检测． 邢孟道 （１９７５一），男，浙江人，西安电子科技 大学电子工程学院教授，博士生导师，主要研究方向 为雷达成像、雷达目标检测．