Exponenta Banner

2-D CFAR Detector

Двумерный постоянный детектор частоты ложных предупреждений (CFAR)

развернуть все на странице
  • Библиотека:

  • Phased Array System Toolbox/Обнаружение

  • 2-D CFAR Detector block

Описание

Блок 2-D CFAR Detector реализует постоянный детектор скорости ложного предупреждения для двухмерных данных изображения. Обнаружение объявляется, когда значение камеры изображения превышает порог. Чтобы поддерживать постоянную частоту ложных предупреждений, порог устанавливается на значение, кратное степени шума изображения. Детектор оценивает степень шума от соседних камер, окружающих испытываемую ячейку (CUT), используя один из трех методов усреднения камеры или метод статистики порядка. Способами усреднения ячейки являются среднее по ячейкам (CA), наибольшее среднее по камерам (GOCA) или наименьшее среднее по камерам (SOCA).

Для каждой тестовой камеры детектор:

  1. оценивает статистику шума из значений камер в обучающей полосе, окружающей камеру CUT.

  2. вычисляет порог путем умножения оценки шума на пороговый коэффициент.

  3. сравнивает значение камеры CUT с порогом, чтобы определить, присутствует ли цель или отсутствует. Если значение больше порога, присутствует цель.

Порты

Вход

расширить все

Входное изображение, заданное как матрица M -by- N или матрица M -by- N -by- P. M и N представляют строки и столбцы матрицы. Каждая страница является различным 2-D сигналом.

Размер первой размерности матрицы входа может варьироваться, чтобы симулировать изменяющуюся длину сигнала. Изменение размера может произойти, например, в случае импульсного сигнала с переменной частотой повторения импульса.

Размер первой размерности матрицы входа может варьироваться, чтобы симулировать изменяющуюся длину сигнала. Изменение размера может произойти, например, в случае импульсного сигнала с переменной частотой повторения импульса.

Типы данных: double
Поддержка комплексного числа: Да

Расположение тестовых камер, заданное как 2 -by L матрица положительных целых чисел, где L количество тестовых камер. Каждый столбец idx задает индекс строки и столбца для камеры CUT. Местоположения камер CUT ограничены, так что их области обучения полностью находятся в входе изображениях.

Типы данных: double

Пороговый коэффициент, используемый для вычисления порога обнаружения, заданный как положительная скалярная величина.

Зависимости

Чтобы включить этот порт, установите параметр Threshold factor method равным 'Input port'

Типы данных: double

Выход

расширить все

Результаты обнаружения, чей формат зависит от Output Format свойство

  • Когда OutputFormat является 'Cut result', Y - D матрица P, содержащая логические результаты обнаружения для камер. D - длина cutidx и P количество страниц X. Строки Y соответствуют строкам cutidx. Для каждой строки, Y содержит 1 в столбце, если существует обнаружение в соответствующей камере в X. В противном случае Y содержит 0.

  • Когда OutputFormat является Detection index, Y - матрица K -by L, содержащая индексы обнаружений. K - количество размерностей X. L - количество обнаружений, обнаруженных во входных данных. Когда X является матрицей, Y содержит индексы строка и столбец каждого обнаружения в X в форме [detrow;detcol]. Когда X является массивом, Y содержит строку, столбец и индексы страниц каждого обнаружения в X в форме [detrow;detcol;detpage]. Когда NumDetectionsSource для свойства задано значение 'Property', L равняется значению NumDetections свойство. Если количество фактических обнаружений меньше этого значения, столбцы без обнаружений устанавливаются в NaN.

Типы данных: double

Вычисленный порог обнаружения для каждой обнаруженной камеры, возвращенный как действительная матрица. Th имеет те же размерности, что и Y.

  • Когда OutputFormat является 'CUT result', Th возвращает порог обнаружения каждый раз, когда элемент Y является 1 и NaN каждый раз, когда элемент Y является 0.

  • Когда OutputFormat является Detection index, th возвращает порог обнаружения для каждого соответствующего обнаружения в Y. Когда NumDetectionsSource для свойства задано значение 'Property', L равняется значению NumDetections свойство. Если количество фактических обнаружений меньше этого значения, столбцы без обнаружений устанавливаются в NaN.

Зависимости

Чтобы включить этот порт, установите флажок Output detection threshold.

Типы данных: double

Оценка степени шума для каждой обнаруженной камеры, возвращенная как действительная матрица. noise имеет те же размерности, что и Y.

  • Когда OutputFormat является 'CUT result', noise возвращает степень каждый раз, когда элемент Y является 1 и NaN каждый раз, когда элемент Y является 0.

  • Когда OutputFormat является 'Detection index', noise возвращает степень для каждого соответствующего обнаружения в Y. Когда NumDetectionsSource для свойства задано значение 'Property', L равняется значению NumDetections свойство. Если количество фактических обнаружений меньше этого значения, столбцы без обнаружений устанавливаются в NaN.

Зависимости

Чтобы включить этот порт, установите флажок Output estimated noise power.

Типы данных: double

Параметры

расширить все

Алгоритм оценки степени шума, заданный как CA, GOCA, SOCA, или OS. Для CA, GOCA, SOCA, степень является средним значением выборки, полученным из обучающей полосы. Для OS, степень шума является k-м значением ячейки, полученным из численного упорядоченного расположения всех значений обучающих камер. Установите k параметром Rank of order statistic. См. Обучение камер.

Метод усредненияОписание
CA - Алгоритм усреднения ячеек

Вычисляет среднее значение выборки для всех обучающих камер, окружающих камеру CUT.

GOCA - Наибольший алгоритм усреднения ячеек

Разделяет 2-D окно обучения, окружающее камеру CUT, на левую и правую половины. Затем алгоритм вычисляет среднее значение выборки для каждой половины и выбирает самое большое среднее.

SOCA - Наименьший алгоритм усреднения ячеек

Разделяет 2-D окно обучения, окружающее камеру CUT, на левую и правую половины. Затем алгоритм вычисляет среднее значение выборки для каждой половины и выбирает наименьшее среднее.

OS - Алгоритм упорядочивания статистики

Сортировки камер в порядке возрастания числовых значений. Затем алгоритм выбирает k-е значение из списка. k - ранг, заданный Rank параметр.

Укажите ранг статистики порядка, используемой в 2-D алгоритме CFAR в качестве положительного целого числа. Значение этого параметра должно лежать между 1 и Ntrain, где Ntrain количество обучающих камер. Значение 1 выбирает наименьшее значение в области обучения.

Зависимости

Чтобы включить этот параметр, установите параметр CFAR Algorithm равным OS.

Количество защитных камер строк и столбцов на каждой стороне тестируемой камеры в виде неотрицательных целых чисел. Первый элемент задает размер защитной полосы вдоль размерности строки. Второй элемент определяет размер защитной полосы вдоль размерности строки. Установка Size in cells of the guard region band в качестве скаляра эквивалентна заданию вектора с тем же значением для обеих размерностей. Для примера значение [1 1], указывает, что вокруг каждой камеры CUT имеется область с одной камеры защиты.

Размер в камерах полосы обучения, заданный как неотрицательное целое число или матрица 1 на 2 неотрицательных целых чисел. Первый элемент задает размер полосы вдоль размерности строки, а второй - вдоль размерности столбца. Установка Size in cells of the training region band в качестве скаляра эквивалентна заданию вектора с тем же значением для обеих размерностей. Для примера значение [1 1] указывает, что существует область с одной камерой обучения, окружающая область защиты для каждого тестируемой камеры.

Метод для определения порогового коэффициента, заданный как Auto, Input port, или Custom.

  • Когда вы выбираете Autoкоэффициент порога определяется из оценочной статистики шума и вероятности ложного предупреждения.

  • Когда вы выбираете Input Port, установите пороговый коэффициент с помощью K входной порт.

  • Когда вы выбираете Customустановите пороговый коэффициент с помощью параметра Custom threshold factor.

Пользовательский коэффициент порога, заданный как положительная скалярная величина.

Зависимости

Чтобы включить этот параметр, установите параметр Threshold factor method равным Custom.

Вероятность ложного предупреждения, заданная как действительный скаляр между 0 и 1. Можно вычислить пороговый коэффициент из необходимой вероятности ложного предупреждения.

Зависимости

Чтобы включить этот параметр, задайте значение свойства Threshold factor method Auto.

Формат результатов обнаружения, заданный как CUT result или Detection index.

  • Когда установлено значение 'CUT result', результатами обнаружения являются логические значения обнаружения (1 или 0) для каждой тестируемой камеры.

  • Когда установлено значение 'Detection index'результаты формируют вектор или матрицу, содержащую индексы тестируемых камер, которые превышают порог обнаружения.

Установите этот флажок, чтобы включить выход порогов обнаружения через Th выходной порт.

Установите этот флажок, чтобы включить выход расчетной степени шума через N выходной порт.

Источник количества обнаружений, заданный как Auto или Property. Когда вы выбираете Auto, количество сообщенных индексов обнаружения является общим количеством камер, которые имеют обнаружения. Если вы выбираете Propertyколичество сообщенных обнаружений определяется значением параметра Maximum number of detections.

Зависимости

Чтобы включить этот параметр, установите параметр Output format равным Detection index.

Типы данных: char

Максимальное количество отчетных индексов обнаружения, заданное как положительное целое число.

Зависимости

Чтобы включить этот параметр, установите параметр Output format равным Detection index и параметр Source of the number of detections для Property.

Типы данных: double

Алгоритмы

CFAR 2-D требует оценки степени шума. Степень шума вычисляется из камер, которые приняты, что не содержат никакого целевого сигнала. Эти камеры являются training cells. Обучающие камеры образуют полосу вокруг тестируемой ячейки (CUT), но могут быть отделены от CUT камеры защитной полосой. Порог обнаружения вычисляется путем умножения степени шума на пороговый коэффициент.

Для усреднения GOCA и SOCA степень определяется средним значением одной из левой или правой половин области обучающей камеры.

Поскольку количество столбцов в области обучения нечетно, камеры в среднем столбце присваиваются равной либо левой, либо правой половине.

При использовании метода order-statistic ранг не может быть больше, чем количество камер в области обучающих камер, Ntrain. Можно вычислить Ntrain.

  • NTC - количество обучающих полосных столбцов.

  • NTR - количество обучающих строк полосы.

  • NGC - количество защитных полосных столбцов.

  • NGR - количество строк защитной полосы.

Общее количество камер в объединенной области обучения, защитной области и камере CUT Ntotal = (2NTC + 2NGC + 1)(2NTR+ 2NGR + 1).

Общее количество камер в объединенной защитной области и камере CUT Nguard = (2NGC + 1)(2NGR + 1).

Количество обучающих камер Ntrain = Ntotal – Nguard.

По конструкции количество обучающих камер всегда ровное. Поэтому для реализации медианного фильтра можно выбрать ранг Ntrain/2 или Ntrain/2 + 1.

См. также

Функции

Объекты

Блоки

Введенный в R2016b

Документация по Phased Array System Toolbox

Поддержка