CN105572651A - 一种基于杂波背景统计识别的cfar检测方法 - Google Patents

Abstract

一种基于杂波背景统计识别的CFAR检测方法，本发明涉及基于杂波背景统计识别的CFAR检测方法。本发明的目的是为了解决现有实际检测背景统计不再满足高斯背景的时候会引起检测器性能下降以及实际检测背景不再是均匀分布，引起虚警率上升或者检测概率下降的问题。具体过程为：一、开始；二、输入数据RD谱；三、对二中的RD谱进行KL散度分区，得到分区后的数据；四、对分区后的数据进行参数估计，得到估计的参数；五、利用估计的参数将背景归一化转换成指数分布，得到归一化后的检测背景；六、对归一化后的检测背景进行CFAR检测，得出CFAR检测结果。本发明应用于复杂杂波背景下目标检测处理领域。

Description

一种基于杂波背景统计识别的CFAR检测方法

技术领域

本发明涉及基于杂波背景统计识别的CFAR检测方法。

背景技术

传统的CFAR检测是基于高斯背景、杂波统计独立的假设下。存在的问题是当实际检测背景统计不再满足高斯背景的时候会引起检测器性能的急剧下降。

基于高斯背景的CFAR算法分为两大类：均值(meanlevel，ML)类CFAR检测器和有序统计(orderedstatistics，OS)类CFAR检测器。其中均值类恒虚警检测器包含CA、GO、OS-CFAR检测算法。在均匀的杂波背景中，CA-CFAR能实现最优检测，但是在非均匀环境中性能下降。GO-CFAR能改善在杂波边缘情况下的检测性能，则SO-CFAR具有较好的抗干扰能力。在多目标环境中，OS类检测算法有优于均值类CFAR的检测性能。传统的CFAR检测背景是基于高斯背景、杂波统计独立的假设下。传统CFAR算法存在的问题有两个：一是实际检测背景分布不再满足指数分布(回波服从高斯分布，经包络检波器输出为瑞利分布，平方律检波输出为指数分布)，杂波实际分布与检测器设计模型的失配，若利用传统CFAR检测器会引起检测器的检测性能下降；二是实际检测背景不再是均匀分布，背景分布复杂，在该背景下检测目标时，必然会带来性能损失，引起虚警率上升或者检测概率下降。从雷达***来看，常常希望实际的虚警概率在设定值附近，不希望虚警概率发生剧烈变化。

发明内容

本发明的目的是为了解决现有实际检测背景统计不再满足高斯背景的时候会引起检测器性能下降以及实际检测背景不再是均匀分布，引起虚警率上升或者检测概率下降的问题，而提出的一种基于杂波背景统计识别的CFAR(恒虚警)检测方法。

上述的发明目的是通过以下技术方案实现的：

步骤一、开始；

步骤二、输入数据RD谱；

步骤三、对步骤二中的RD谱进行KL散度分区，得到分区后的数据；

步骤四、对分区后的数据进行参数估计，得到估计的参数；

步骤五、利用估计的参数将背景归一化转换成指数分布，得到归一化后的检测背景；

步骤六、对归一化后的检测背景进行CFAR检测，得出CFAR检测结果。

发明效果

本发明结合KL散度分区和检测背景统计估计提出一种新的检测方法，对检测背景进行分割、杂波识别和参数估计，并进行归一化处理，可以很好地控制复杂杂波环境下的虚警概率。

本实验利用实测数据处理得到的分布参数分别仿真均匀区(背景杂波服从威布尔分布)，杂波区(背景杂波服从对数正态分布)以及杂波边缘(参考单元分布特性不同，一部分服从威布尔分布，另一部分服从对数正态分布)这三种情况，通过比较传统CA(单元平均)、GO(最大选择)、SO(最小选择)、OS(有序统计)-CFAR、对数正态分布下的Log-t和基于检测背景统计估计的CA、GO、SO、OS-CFAR的检测概率、实际虚警概率以及实际虚警概率相同下的检测概率性能来验证算法。

结果如图1至图9、表1至表3所示。在均匀区域，基于检测背景统计估计的CA、GO、SO、OS-CFAR的检测概率优于传统CA、GO、SO、OS-CFAR、对数正态分布下的Log-t，结果如图1，传统CA、GO、SO、OS-CFAR、对数正态分布下的Log-t的实际虚警概率比基于检测背景统计估计的CA、GO、SO、OS-CFAR检测器低，但是基于检测背景统计估计的检测器能够保持在设定虚警0.01左右，结果如表1所示；存在干扰目标的情况下，只有基于检测背景统计估计的OS-CFAR和传统OS-CFAR能保持稳定的检测性能，不受干扰目标的影响，结果如图2至图3所示；在相同的实际虚警概率下，基于检测背景统计估计的CA、GO、SO、OS-CFAR的检测概率和传统CA、GO、SO、OS-CFAR、对数正态分布下的Log-t相同，结果如图4所示。在杂波区域，虽然基于检测背景统计估计的CA、GO、SO、OS-CFAR的检测概率相较于传统CA、GO、SO、OS-CFAR、对数正态分布下的Log-t没有改善，结果如图5，但是传统CA、GO、SO、OS-CFAR实际虚警概率较高，基于检测背景统计估计的CA、GO、SO、OS-CFAR能保持虚警在设定的值0.01左右，结果如表2所示；存在干扰目标的情况下，只有基于检测背景统计估计OS-CFAR和传统OS-CFAR能保持稳定的检测性能，不受干扰目标的影响，结果如图6至图7所示；相同的虚警概率下，基于检测背景统计估计的CA、GO、SO、OS-CFAR的检测概率和传统CA、GO、SO、OS-CFAR、对数正态分布下的Log-t相同，结果如图8所示。在杂波边缘情况下，考虑两种情况，一是待检测单元在均匀区域，二是检测单元在杂波区域，当检测单元在均匀区域，基于检测背景统计估计的检测器的检测性能提高，结果如图9所示，当检测单元在杂波区域，基于检测背景统计估计能很好的降低虚警概率，结果如表3所示。通过仿真分析，当实际检测背景与检测器模型不匹配时，检测器的性能下降，基于背景统计估计将实际模型转换为检测器假定模型，实际虚警概率等于理论的虚警概率，保持恒虚警，具有很好的鲁棒性。因此基于杂波背景统计识别的CFAR检测达到最初设定的目标性能。

表1均匀区域各种检测器实际虚警概率(设定虚警概率Pfa＝0.01)

表2杂波区域各种检测器实际虚警概率(设定虚警概率Pfa＝0.01)

表3杂波边缘区域2(检测单元在杂波区域)各种检测器实际虚警概率(设定虚警概率Pfa＝0.01)

附图说明

图1为均匀区域各CFAR检测器性能对比图，图中CA-CFAR为单元平均恒虚警检测、GO-CFAR为最大选择恒虚警检测、SO-CFAR为最小选择恒虚警检测、OS-CFAR为有序统计恒虚警检测、logt-CFAR为对数正态分布下的Log-t检测器；

图2为存在一个干扰目标均匀区域CFAR仿真性能对比图；

图3为存在两个干扰目标均匀区域CFAR仿真性能对比图；

图4为相同实测虚警下均匀区域CFAR检测器性能对比图；

图5为杂波区域CFAR检测器性能对比图；

图6为存在一个干扰目标杂波区域CFAR仿真性能对比图；

图7为存在两个干扰目标杂波区域CFAR仿真性能对比图；

图8为相同实测虚警下杂波区域CFAR检测器性能对比图；

图9为杂波边缘区域1(检测单元在均匀区域)各种检测器性能图；

图10为本发明流程图；

图11为KL散度分区简要流程图；

图12为5*5的正方形参考滑窗示意图。

具体实施方式

具体实施方式一：结合图10说明本实施方式，本实施方式的一种基于杂波背景统计识别的CFAR检测方法，具体是按照以下步骤制备的：

步骤一、开始；

步骤二、输入数据RD谱；

步骤三、对步骤二中的RD谱进行KL散度(相对熵)分区，得到分区后的数据；

步骤四、对分区后的数据进行参数估计，得到估计的参数；

步骤五、利用估计的参数将背景归一化转换成指数分布，得到归一化后的检测背景；

步骤六、对归一化后的检测背景进行CFAR检测，得出CFAR检测结果。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤二中输入数据RD谱；具体过程为：

用matlab软件载入数据RD谱。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤三中对步骤二中的RD谱进行KL散度(相对熵)分区，得到分区后的数据；如图11，具体过程为:

KL散度是通过计算两个概率分布P和Q之间差异，实现对不同概率分布数据的区分；

对平方律检波，假设任何一个距离-多普勒单元服从指数分布，其PDF(概率密度函数)为

$p\left(x\right)=\frac{1}{\mathrm{\β}}{e}^{-(x-\mathrm{\α})/\mathrm{\β}}---\left(1\right)$

式中：p(x)为概率密度函数，β是幅度均值，x是距离-多普勒单元，α是中心偏移量；

均值μ_x和方差通过下面的式子计算

${\mathrm{\μ}}_x={\∫}_{\mathrm{\α}}^{\mathrm{\∞}}x\·p\left(x\right)dx=\mathrm{\α}+\mathrm{\β}---\left(2\right)$

${\mathrm{\σ}}_x^2={\∫}_{\mathrm{\α}}^{\mathrm{\∞}}{x}^2\·p\left(x\right)dx-{\mathrm{\μ}}_x^2={\mathrm{\β}}^2---\left(3\right)$

基于公式(1)、(2)、(3)，利用测量的标准差σ_x来辨别背景分布类型(不同的背景分布类型的PDF不同)；因此利用σ_x作为一个测度来分类背景；K-L散度定义为任意两种分布相异性量度，采用这一准则来衡量两个距离-多普勒单元的分布差异性；因此，同一参考滑窗中的服从不同分布的两个独立单元的定向距离定义为：

$\begin{array}{c}I\left(p_1\right(x),p_2(x\left)\right)={\∫}_{{\mathrm{\α}}_1}^{\mathrm{\∞}}{p}_1\left(x\right)\log \left(\frac{p_1\left(x\right)}{p_2\left(x\right)}\right)dx\\ ={\∫}_{{\mathrm{\α}}_1}^{\mathrm{\∞}}\frac{1}{{\mathrm{\β}}_1}{e}^{-(x-{\mathrm{\α}}_1)/{\mathrm{\β}}_1}\log \left(\frac{\frac{1}{{\mathrm{\β}}_1}{e}^{-(x-{\mathrm{\α}}_1)/{\mathrm{\β}}_1}}{\frac{1}{{\mathrm{\β}}_2}{e}^{-(x-{\mathrm{\α}}_2)/{\mathrm{\β}}_2}}\right)dx\\ =\log \frac{{\mathrm{\β}}_2}{{\mathrm{\β}}_1}+\frac{{\mathrm{\α}}_1+{\mathrm{\β}}_1-{\mathrm{\α}}_2-{\mathrm{\β}}_2}{{\mathrm{\β}}_2}\end{array}---\left(4\right)$

式中，p₁(x)是第i个距离-多普勒单元的概率密度函数，α₁是第i个距离-多普勒单元的中心偏移量，β₁是第i个距离-多普勒单元的幅度均值，p₂(x)是第j个距离-多普勒单元的概率密度函数，α₂是第j个距离-多普勒单元的中心偏移量，β₂是第j个距离-多普勒单元的幅度均值，i、j取值为任意正整数；

假设两个分布p₁(x)和p₂(x)有相同参数α_i，KL表达式可以写成标准差的函数

$I\left(p_1\right(x),p_2(x\left)\right)=log\frac{{\mathrm{\σ}}_2}{{\mathrm{\σ}}_1}+\frac{{\mathrm{\σ}}_1-{\mathrm{\σ}}_2}{{\mathrm{\σ}}_2}---\left(5\right)$

式中，I(p₁(x),p₂(x))是标准差的函数，σ₁是分布p₁(x)的标准差，σ₂分布p₂(x)的标准差；

在实际情况中，对每一个单元估计它的方差值是很困难的。因此，考虑到所有单元的分布是独立的，利用整个背景的估计方差和参考窗内所有单元的方差之间的距离来代替。

步骤三一、如图11，取RD谱数据中以每个距离-多普勒单元(P)为中心的正方形参考滑窗，取N*N(N为奇数，比如5*5或者9*9的滑窗，本专利中取5*5的滑窗)，*为乘号；如图12；

步骤三二、计算正方形参考滑窗的方差(利用matlab函数std2计算)，代替正方形参考滑窗中心单元的方差；

步骤三三、计算整个RD谱数据的方差；

步骤三四、根据步骤三二和步骤三三计算每一个距离-多普勒单元的KL散度；

步骤三五、当KL散度小于设定的阈值ξ，将这一区域称为杂波区域并标记，当KL散度大于设定的阈值ξ，将这一区域称为均匀区域并标记，将检测背景分为均匀区域和杂波区域。其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤四中对分区后的数据进行参数估计，得到估计的参数；具体过程为：

利用最大似然估计方法得到不同区域的参数。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤五中利用估计的参数将背景归一化转换成指数分布，得到归一化后的检测背景；具体过程为：

设随机变量(本专利指Weibull分布和Log-normal分布)X的累积分布函数为F，指数分布随机变量Y的累积分布函数为G，则G^-1(F(X))服从指数分布；

Weibull分布的累积分布函数如下：

$F_1\left(x\right)=1-\exp \[-{\left(\frac{x}{B}\right)}^C\]---\left(6\right)$

式中，F₁(x)是Weibull分布的累积分布函数，B和C分别是Weibull分布的尺度参数和形状参数；

Log-normal分布的累积分布函数如下：

$F_2\left(x\right)=\frac{1}{2}+\frac{1}{2}erf\[\frac{ln\left(x\right)-\mathrm{\μ}}{\mathrm{\σ}\sqrt{2}}\]---\left(7\right)$

其中，F₂(x)是Log-normal分布的累积分布函数，erf是误差函数，μ和σ分别是Log-normal分布的尺度参数和形状参数；

指数分布的累积分布函数如下：

$F_3\left(x\right)=1-\exp \[-\frac{x}{{\mathrm{\β}}_3}\]---\left(8\right)$

其中，F₃(x)是指数分布的累积分布函数，β₃为指数分布的均值参数；

可通过公式(6)和公式(8)将Weibull分布归一化转换为指数分布，推导变换公式如下：

$x_{\exp }={\mathrm{\β}}_3{\[\frac{x_1}{B_1}\]}^{C_1}---\left(9\right)$

其中，x_exp为雷达回波距离-多普勒幅度谱中的均匀区域数据单元经双参数归一化之后的幅度值，x₁为检测背景中均匀区域数据，B₁和C₁分别表示均匀区域数据Weibull分布估计的尺度参数和形状参数，在实际转换中取β₃＝1。

可通过公式(7)和公式(8)将Log-normal分布归一化转化为指数分布，推导变换公式如下：

$x_{\exp 1}=-{\mathrm{\β}}_{3}ln(\frac{1}{2}-\frac{1}{2}erf(\frac{{\mathrm{lnx}}_2-{\mathrm{\μ}}_2}{\sqrt{2}{\mathrm{\σ}}_2}\left)\right)---\left(10\right)$

其中，x_exp1为RD谱中杂波区域数据单元经双参数归一化之后的幅度值，x₂为检测背景中的杂波区域数据单元，μ₂和σ₂分别表示杂波区域对数正态分布估计的尺度参数和形状参数，在实际转换中取β₃＝1；

把距离-多普勒幅度谱中均匀区域数据和杂波区域数据分别由Weibull(威布尔)分布和Log-normal(对数正态)分布转换归一化成为指数分布。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤六中对归一化后的检测背景进行CFAR检测，得出CFAR检测结果；具体过程为：

采用CA-CFAR(单元平均恒虚警检测)、GO-CFAR(最大选择恒虚警检测)、SO-CFAR(最小选择恒虚警检测)、OS-CFAR(有序统计恒虚警检测)中任意一种即可得出CFAR检测结果。

其它步骤及参数与具体实施方式一至五之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

本实施例一种基于杂波背景统计识别的CFAR检测方法具体是按照以下步骤制备的：

本实验利用实测数据处理得到的分布参数分别仿真均匀区(背景杂波服从Weibull分布)，杂波区(背景杂波服从对数正态分布)以及杂波边缘(参考单元分布特性不同，一部分服从Weibull分布，另一部分服从对数正态分布)这三种情况，通过比较传统CA、GO、SO、OS-CFAR、对数正态分布下的Log-t和基于检测背景统计估计的CA、GO、SO、OS-CFAR的检测概率、实际虚警概率以及实际虚警概率相同下的检测概率性能来验证算法。

结果如图1至图9、表1至表3所示。在均匀区域，基于检测背景统计估计的CA、GO、SO、OS-CFAR的检测概率优于传统CA、GO、SO、OS-CFAR、对数正态分布下的Log-t，并且基于检测背景统计估计的检测器能够保持在设定虚警，结果如图1、表1所示；存在干扰目标的情况下，只有基于检测背景统计估计的OS-CFAR能保持稳定的检测性能，基于检测背景统计估计的SO-CFAR其次，结果如图2至图3所示；在相同的虚警概率下，基于检测背景统计估计的CA、GO、SO、OS-CFAR的检测概率和传统CA、GO、SO、OS-CFAR、对数正态分布下的Log-t相同，结果如图4所示。在杂波区域，虽然基于检测背景统计估计的CA、GO、SO、OS-CFAR的检测概率相较于传统CA、GO、SO、OS-CFAR、对数正态分布下的Log-t没有改善，但是传统CA、GO、SO、OS-CFAR虚警概率较高，基于检测背景统计估计的CA、GO、SO、OS-CFAR能保持虚警在设定的值，结果如图5、表2所示；存在干扰目标的情况下，只有基于检测背景统计估计OS-CFAR能保持稳定的检测性能，基于检测背景统计估计SO-CFAR其次，结果如图6至图7所示；相同的虚警概率下，基于检测背景统计估计的CA、GO、SO、OS-CFAR的检测概率和传统CA、GO、SO、OS-CFAR、对数正态分布下的Log-t相同，结果如图8所示。在杂波边缘情况下，考虑两种情况，一是待检测单元在均匀区域，二是检测单元在杂波区域，当检测单元在均匀区域，基于检测背景统计估计的检测器的检测性能提高，在杂波区域，基于检测背景统计估计能很好的降低虚警概率，结果如图9、表3所示。通过仿真分析，当实际检测背景与检测器模型不匹配时，检测器的性能下降，基于背景统计估计将实际模型转换为检测器假定模型，实际虚警概率等于理论的虚警概率，保持恒虚警，具有很好的鲁棒性。因此基于杂波背景统计识别的CFAR检测达到最初设定的目标性能。

表1均匀区域各种检测器实际虚警概率(设定虚警概率Pfa＝0.01)

表2杂波区域各种检测器实际虚警概率(设定虚警概率Pfa＝0.01)

表3杂波边缘区域2(检测单元在杂波区域)各种检测器实际虚警概率(设定虚警概率Pfa＝0.01)

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种基于杂波背景统计识别的CFAR检测方法，其特征在于一种基于杂波背景统计识别的CFAR检测方法具体是按照以下步骤进行的：

步骤一、开始；

步骤二、输入数据RD谱；

步骤三、对步骤二中的RD谱进行KL散度分区，得到分区后的数据；

步骤四、对分区后的数据进行参数估计，得到估计的参数；

步骤五、利用估计的参数将背景归一化转换成指数分布，得到归一化后的检测背景；

步骤六、对归一化后的检测背景进行CFAR检测，得出CFAR检测结果；CFAR为恒虚警。

2.根据权利要求1所述一种基于杂波背景统计识别的CFAR检测方法，其特征在于：所述步骤二中输入数据RD谱；具体过程为：

用matlab软件载入数据RD谱。

3.根据权利要求2所述一种基于杂波背景统计识别的CFAR检测方法，其特征在于：所述步骤三中对步骤二中的RD谱进行KL散度分区，得到分区后的数据；具体过程为：

KL散度是通过计算两个概率分布P和Q之间差异，实现对不同概率分布数据的区分；

对平方律检波，假设任何一个距离-多普勒单元服从指数分布，其PDF为

$p\left(x\right)=\frac{1}{\mathrm{\β}}{e}^{-(x-\mathrm{\α})/\mathrm{\β}}---\left(1\right)$

式中：p(x)为概率密度函数，β是幅度均值，x是距离-多普勒单元，α是距离-多普勒单元的中心偏移量；

均值μ_x和方差通过下面的式子计算

${\mathrm{\μ}}_x={\∫}_{\mathrm{\α}}^{\mathrm{\∞}}x\·p\left(x\right)dx=\mathrm{\α}+\mathrm{\β}---\left(2\right)$

${\mathrm{\σ}}_x^2={\∫}_{\mathrm{\α}}^{\mathrm{\∞}}{x}^2\·p\left(x\right)dx-{\mathrm{\μ}}_x^2={\mathrm{\β}}^2---\left(3\right)$

基于公式(1)、(2)、(3)，利用测量的标准差σ_x来辨别背景分布类型；因此利用σ_x作为一个测度来分类背景；K-L散度定义为任意两种分布相异性量度，采用这一准则来衡量两个距离-多普勒单元的分布差异性；因此，同一参考滑窗中的服从不同分布的两个独立单元的定向距离定义为：

$\begin{array}{c}I\left(p_1\right(x),p_2\left(x\right))={\∫}_{{\mathrm{\α}}_1}^{\mathrm{\∞}}{p}_1\left(x\right)log\left(\frac{p_1\left(x\right)}{p_2\left(x\right)}\right)dx\\ ={\∫}_{{\mathrm{\α}}_1}^{\mathrm{\∞}}\frac{1}{{\mathrm{\β}}_1}{e}^{-(x-{\mathrm{\α}}_1)/{\mathrm{\β}}_1}log\left(\frac{\frac{1}{{\mathrm{\β}}_1}{e}^{-(x-{\mathrm{\α}}_1)/{\mathrm{\β}}_1}}{\frac{1}{{\mathrm{\β}}_2}{e}^{-(x-{\mathrm{\α}}_2)/{\mathrm{\β}}_2}}\right)dx\\ =\log \frac{{\mathrm{\β}}_2}{{\mathrm{\β}}_1}+\frac{{\mathrm{\α}}_1+{\mathrm{\β}}_1-{\mathrm{\α}}_2-{\mathrm{\β}}_2}{{\mathrm{\β}}_2}\end{array}---\left(4\right)$

式中，p₁(x)是第i个距离-多普勒单元的概率密度函数，α₁是第i个距离-多普勒单元的中心偏移量，β₁是第i个距离-多普勒单元的幅度均值，p₂(x)是第j个距离-多普勒单元的概率密度函数，α₂是第j个距离-多普勒单元的中心偏移量，β₂是第j个距离-多普勒单元的幅度均值，i、j取值为任意正整数；

假设两个分布p₁(x)和p₂(x)有相同参数α_i，KL表达式可以写成标准差的函数

$I\left(p_1\right(x),p_2(x\left)\right)=log\frac{{\mathrm{\σ}}_2}{{\mathrm{\σ}}_1}+\frac{{\mathrm{\σ}}_1-{\mathrm{\σ}}_2}{{\mathrm{\σ}}_2}---\left(5\right)$

式中，I(p₁(x),p₂(x))是标准差的函数，σ₁是分布p₁(x)的标准差，σ₂是分布p₂(x)的标准差；

步骤三一、取RD谱数据中以每个距离-多普勒单元为中心的正方形参考滑窗，取N*N，*为乘号；

步骤三二、计算正方形参考滑窗的方差，代替正方形参考滑窗中心单元的方差；

步骤三三、计算整个RD谱数据的方差；

步骤三四、根据步骤三二和步骤三三计算每一个距离-多普勒单元的KL散度；

步骤三五、当KL散度小于设定的阈值ξ，将这一区域称为杂波区域并标记，当KL散度大于设定的阈值ξ，将这一区域称为均匀区域并标记，将检测背景分为均匀区域和杂波区域。

4.根据权利要求3所述一种基于杂波背景统计识别的CFAR检测方法，其特征在于：所述步骤四中对分区后的数据进行参数估计，得到估计的参数；具体过程为：

利用最大似然估计方法得到不同区域的参数。

5.根据权利要求4所述一种基于杂波背景统计识别的CFAR检测方法，其特征在于：所述步骤五中利用估计的参数将背景归一化转换成指数分布，得到归一化后的检测背景；具体过程为：

设随机变量X的累积分布函数为F，指数分布随机变量Y的累积分布函数为G，则G^-1(F(X))服从指数分布；

Weibull分布的累积分布函数如下：

$F_1\left(x\right)=1-\exp \[-{\left(\frac{x}{B}\right)}^C\]---\left(6\right)$

式中，F₁(x)是Weibull分布的累积分布函数，B和C分别是Weibull分布的尺度参数和形状参数；

Log-normal分布的累积分布函数如下：

$F_2\left(x\right)=\frac{1}{2}+\frac{1}{2}erf\[\frac{ln\left(x\right)-\mathrm{\μ}}{\mathrm{\σ}\sqrt{2}}\]---\left(7\right)$

其中，F₂(x)是Log-normal分布的累积分布函数，erf是误差函数，μ和σ分别是Log-normal分布的尺度参数和形状参数；

指数分布的累积分布函数如下：

$F_3\left(x\right)=1-\exp \[-\frac{x}{{\mathrm{\β}}_3}\]---\left(8\right)$

其中，F₃(x)是指数分布的累积分布函数，β₃为指数分布的均值参数；

可通过公式(6)和公式(8)将Weibull分布归一化转换为指数分布，推导变换公式如下：

$x_{\exp }={\mathrm{\β}}_3{\[\frac{x_1}{B_1}\]}^{C_1}---\left(9\right)$

其中，x_exp为雷达回波距离-多普勒幅度谱中的均匀区域数据单元经双参数归一化之后的幅度值，x₁为检测背景中均匀区域数据，B₁和C₁分别表示均匀区域数据Weibull分布估计的尺度参数和形状参数，在实际转换中取β₃＝1；

可通过公式(7)和公式(8)将Log-normal分布归一化转化为指数分布，推导变换公式如下：

$x_{\exp 1}=-{\mathrm{\β}}_{3}ln(\frac{1}{2}-\frac{1}{2}erf(\frac{{\mathrm{lnx}}_2-{\mathrm{\μ}}_2}{\sqrt{2}{\mathrm{\σ}}_2}\left)\right)---\left(10\right)$

其中，x_exp1为RD谱中杂波区域数据单元经双参数归一化之后的幅度值，x₂为检测背景中的杂波区域数据单元，μ₂和σ₂分别表示杂波区域对数正态分布估计的尺度参数和形状参数，在实际转换中取β₃＝1。

6.根据权利要求5所述一种基于杂波背景统计识别的CFAR检测方法，其特征在于：所述步骤六中对归一化后的检测背景进行CFAR检测，得出CFAR检测结果；具体过程为：

采用单元平均恒虚警检测、最大选择恒虚警检测、最小选择恒虚警检测、有序统计恒虚警检测中任意一种即可得出CFAR检测结果。