Модификации адаптивных алгоритмов обнаружения объектов на цифровых кадрах радиолокационного изображения

Д.Е. Борискин; Н.В. Горбачев; И.Д. Исаев; А.Н. Савельев

doi:10.18127/j20700784-202606-05

Модификации адаптивных алгоритмов обнаружения объектов на цифровых кадрах радиолокационного изображения

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

научная статья УДК 621.396.607 Страницы: 56-67 doi.org/10.18127/j20700784-202606-05

^1,2,3,4 Федеральное государственное автономное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана» (национальный исследовательский университет) (Москва, Россия)

Ключевые слова: Радиолокационная станция управление воздушным движением система управления движением судов обзор летного поля алгоритм обнаружения окно анализа вероятность правильного обнаружения вероятность ложной тревоги постоянный уровень ложных тревог

Аннотация

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.

Поступила: 17.04.2026
Одобрена: 19.05.2026
Принята: 29.05.2026

Для цитирования

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

Список источников

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.
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.
Левин Б.Р. Теоретические основы статистической радиотехники. М.: Радио и связь. 1989. 656 с.
Радиоэлектронные системы: Основы построения и теория. Справочник. Изд. 2-е, перераб. и доп. / Под ред. Я.Д. Ширмана. М.: Радиотехника. 2007. 512 с.
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).
Бакулев П.А. Радиолокационные системы: Учебник для вузов.  М.: Радиотехника. 2015.  440 с.
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.
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
Prastitis L.A. On adaptive censored CFAR detection. New Jersey Institute of Technology, 1993. 197 р.
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.
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.
Christoph Bichler. Automated Detection of Security-Relevant Objects in Airport Surface Movement Radar. Master’s Thesis – Graz: Graz University of Technology. 2015. 99 с.
Монаков А.А. CFAR-обнаружитель цели в радиолокаторе с синтезированной апертурой // Известия вузов России. Радиоэлектроника. 2024. Т. 27. № 3. С. 52–67.
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.
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
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.
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.
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).
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
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.
Cover T. M., Hart P. E. Nearest neighbor pattern classification // IEEE Transactions on Information Theory. 1967. V. 13. № 1. P. 21–27.
Breiman L. Random Forests // Machine Learning.  2001. V. 45. № 1. С. 5–32.
Хасти Т., Тибшарани Р, Фридман Дж. Основы статистического обучения: интеллектуальный анализ данных, прогнозирование и обнаружение зависимостей: Учеб. пособие. М.: ИД «Вильямс». 2017. 744 с.
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.
Bishop C.M. Pattern recognition and machine learning. New York: Springer. 2006. 738 p.

[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.

Аннотация

Для цитирования

Похожие статьи