2、基于深度学习的端到端自动目标识别算法解析

基于深度学习的端到端自动目标识别算法解析

1. 目标检测算法

1.1 CFAR预筛选器

CFAR预筛选器作为目标检测的第一步，采用恒虚警率（CFAR）检测器。为推导该检测器，需定义背景区域 ( \Omega_{bg} ) 和目标区域 ( \Omega_{tgt} ) 。其中， ( \Omega_{bg} ) 的内径约为最大目标尺寸，其厚度约为目标间的最小间距（受计算要求限制有上限）， ( \Omega_{tgt} ) 的直径约为最小目标尺寸。

将杂波建模为瑞利分布，背景和目标区域的瑞利形状参数的最大似然估计（MLE）分别为：
[
\hat{\sigma} {bg}^2 = \frac{1}{2|\Omega {bg}|} \sum_{\Omega_{bg}} |I|^2 \quad (1)
]
[
\hat{\sigma} {tgt}^2 = \frac{1}{2|\Omega {tgt}|} \sum_{\Omega_{tgt}} |I|^2 \quad (2)
]

异常检测可转化为如下假设检验问题：
[
H_0 : \hat{\sigma} {tgt}^2 \leq \hat{\sigma} {bg}^2
]
[
H_1 : \hat{\sigma} {tgt}^2 > \hat{\sigma} {bg}^2 \quad (3)
]

合适的检验统计量为：
[
T = \frac{\hat{\sigma}