Д.Е. Борискин1, Н.В. Горбачев2, И.Д. Исаев3, А.Н. Савельев4

1–4 Федеральное государственное автономное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана» (национальный исследовательский университет) (Москва, Россия)
1 bde19k023@student.bmstu.ru, 2 gorbachevnv@student.bmstu.ru, 3 isaevid@bmstu.ru, 4 savelyev.an@bmstu.ru

Постановка проблемы. Обнаружение объектов на цифровых кадрах (ЦК) радиолокационного изображения (РЛИ) осуществляется в окнах анализа (ОА). Эффективность решения задачи обнаружения объекта определяется правилом установки порога принятия решения, фиксирующего постоянный уровень ложных тревог (ПУЛТ), а также зависит от количества окон в кадре, их размеров относительно размеров кадра и обнаруживаемых объектов, условий наблюдения.

Цель. На основе анализа типовых алгоритмов с ПУЛТ разработать модификацию алгоритма обнаружения на ЦК РЛИ и оценить его эффективность по сравнению с известными.

Результаты. Представлено краткое описание особенностей алгоритмов обеспечения ПУЛТ в условиях нестационарного наблюдения объектов на фоне подстилающей поверхности. Предложен метод адаптивного обнаружения на основе усреднённого порога защитной зоны. Приведены результаты моделирования и сравнительного анализа алгоритмов обнаружения многоточечных объектов на цифровых кадрах РЛИ. Получены характеристики обнаружения объектов.

Практическая значимость. Показана эффективность предложенного алгоритма обнаружения многоточечного объекта с усреднением порога защитной зоны в ОА по отношению сигнал/шум на кадре РЛИ.

Борискин Д.Е., Горбачев Н.В., Исаев И.Д., Савельев А.Н. Модификации адаптивных алгоритмов обнаружения объектов на цифровых кадрах радиолокационного изображения // Успехи современной радиоэлектроники. 2026. T. 80. № 6. С. 56–67. DOI: https://doi.org/10.18127/j20700784-202606-05

1. Акимов П.С., П.А. Бакут П.А., В.А. Богданович В.А. и др. Теория обнаружения сигналов / Под ред. П.А. Бакута. М.: Радио и связь. 1984. 440 с.
2. Акимов П.С., Евстратов Ф.Ф., Захаров С.И. и др. Обнаружение радиосигналов / Под ред. А.А. Колосова. М.: Радио и связь. 1989. 288 с.
3. Левин Б.Р. Теоретические основы статистической радиотехники. М.: Радио и связь. 1989. 656 с.
4. Радиоэлектронные системы: Основы построения и теория. Справочник. Изд. 2-е, перераб. и доп. / Под ред. Я.Д. Ширмана. М.: Радиотехника. 2007. 512 с.
5. Информационные технологии в радиотехнических системах: Учеб. пособие / Под ред. И.Б. Федорова.  Изд. 3-е, перераб. и доп. М.: Изд-во МГТУ им. Н.Э. Баумана. 2011. 846 с. (Информатика в техническом университете).
6. Бакулев П.А. Радиолокационные системы: Учебник для вузов.  М.: Радиотехника. 2015.  440 с.
7. Справочник по радиолокации / Под ред. М.И. Сколника. Пер. с англ. по общей ред. В.С. Вербы. В 2-х книгах. Кн. 2. М.: Техносфера. 2014.
8. Rohling H. Radar CFAR thresholding in clutter and multiple target situations // IEEE Transactions on Aerospace and Electronic Systems. 1983. V. 19. № 4. P. 608–621. doi: 10.1109/taes.1983.309350
9. Prastitis L.A. On adaptive censored CFAR detection. New Jersey Institute of Technology, 1993. 197 р.
10. Magaz B., Barkat M. Automatic threshold selection in OS-CFAR radar detection using information-theoretic criteria // Progress in Electromagnetics Research. 2014. V. 45. P. 81–94.
11. Shbat M., Tuzlukov V. Evaluation of Detection Performance under Employment of the Generalized Detector in Radar Sensor Systems // Radioengineering. 2014. V. 23. № 1. P. 50–65.
12. Christoph Bichler. Automated Detection of Security-Relevant Objects in Airport Surface Movement Radar. Master’s Thesis – Graz: Graz University of Technology. 2015. 99 с.
13. Монаков А.А. CFAR-обнаружитель цели в радиолокаторе с синтезированной апертурой // Известия вузов России. Радиоэлектроника. 2024. Т. 27. № 3. С. 52–67.
14. Белокуров В.А., Нгуен Ч.К. Алгоритм стабилизации уровня ложной тревоги на фоне шума с нестационарным средним значением // Известия вузов России. Радиоэлектроника. 2025. Т. 28. № 1. С. 77–87.
15. Zhang Y., Hao Y. A Survey of SAR Image Target Detection Based on Convolutional Neural Networks [Текст] // Remote Sensing. 2022. V. 14. № 24. Article 6240. DOI: 10.3390/rs14246240
16. Redmon J., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas. 2016. Р. 779–788.
17. Zhao Z.-Q., Zheng P., Xu S.-T., Wu X. Object detection with deep learning: a review // IEEE Transactions on Neural Networks and Learning Systems. 2019. V. 30. № 11. Р. 3212–3232.
18. National Institute of Standards and Technology. The NIST Year 2012 Speaker Recognition Evaluation Plan. Gaithersburg (MD): NIST, 2012. 39 p. URL: https://www.nist.gov/document/nistsre12evalplan-v17-r1pdf (дата обращения: 27.05.2025).
19. Lin T.-Y., Goyal P., Girshick R., He K., Dollár P. Focal Loss for Dense Object Detection // Proceedings of the IEEE International Conference on Computer Vision (ICCV, 2017). Venice: IEEE. 2017. P. 2980–2988. DOI 10.1109/ICCV.2017.324
20. Magaz B., Barkat M. Automatic threshold selection in OS-CFAR radar detection using information-theoretic criteria // Progress in Electromagnetics Research. 2014. V. 45. P. 81–94.
21. Cover T. M., Hart P. E. Nearest neighbor pattern classification // IEEE Transactions on Information Theory. 1967. V. 13. № 1. P. 21–27.
22. Breiman L. Random Forests // Machine Learning.  2001. V. 45. № 1. С. 5–32.
23. Хасти Т., Тибшарани Р, Фридман Дж. Основы статистического обучения: интеллектуальный анализ данных, прогнозирование и обнаружение зависимостей: Учеб. пособие. М.: ИД «Вильямс». 2017. 744 с.
24. Ho T. K. Random decision forests // Proceedings of the Third International Conference on Document Analysis and Recognition (ICDAR’95). Montreal, QC, 14–16 Aug. 1995. P. 278–282.
25. Bishop C.M. Pattern recognition and machine learning. New York: Springer. 2006. 738 p.