HAL Id: hal-02495007
https://hal.archives-ouvertes.fr/hal-02495007
Submitted on 29 Feb 2020
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Propriété CFAR-Matrice du Détecteur BORD -Application Radar sur Signaux Expérimentaux
non-Gaussiens
Frédéric Pascal, Jean-Philippe Ovarlez, Philippe Forster, Pascal Larzabal
To cite this version:
Frédéric Pascal, Jean-Philippe Ovarlez, Philippe Forster, Pascal Larzabal. Propriété CFAR-Matrice
du Détecteur BORD -Application Radar sur Signaux Expérimentaux non-Gaussiens. Vingt-cinquième
Colloque GRETSI 2005, Sep 2005, Louvain-la-Neuve, Belgique. �hal-02495007�
Propri´ et´ e CFAR-Matrice du D´ etecteur BORD - Application Radar sur Signaux Exp´ erimentaux non-Gaussiens
Fr´ ed´ eric Pascal 1,2,3 , Jean-Philippe Ovarlez 1 , Philippe Forster 2 , Pascal Larzabal 3
1 ONERA DEMR/TSI
Chemin de la Huni` ere, F-91761 Palaiseau Cedex, France
2 GEA
1 Chemin Desvalli` eres, F-92410 Ville d’Avray, France
3 ENS Cachan/SATIE
61 Avenue du Pr´ esident Wilson, F-94235 Cachan Cedex, France
pascal@onera.fr, ovarlez@onera.fr, philippe.forster@cva.u-paris10.fr, pascal.larzabal@satie.ens-cachan.fr
R´esum´e – Cet article propose d’´ etudier, dans une premi` ere partie, la propri´ et´ e ”CFAR-Matrice” du d´ etecteur BORD de mani` ere th´ eorique, et par la suite, d’utiliser ce r´ esultat sur signaux exp´ erimentaux. Son application sur donn´ ees exp´ erimentales ouvre une nouvelle voie pour l’ajustement du seuil de d´ etection dans la communaut´ e radar (probl` eme de la r´ egulation de fausse alarme sur donn´ ees h´ et´ erog` enes). L’analyse exp´ erimentale de signaux valide plusieurs r´ esultats th´ eoriques importants.
Abstract – This paper is devoted, in a first section, to the BORD theoretical analysis. The ”CFAR-Matrix” property is derived in a first time, and in a second section, this property is used on experimental radar signals. This application allows to adjust the detection threshold for a given probability of False Alarm when the clutter is non-Gaussian and modelled by a SIRP. Moreover, experimental analysis confirms several theoretical results, developed in other papers.
1 Introduction
Depuis plusieurs ann´ ees, la caract´ erisation de l’envi- ronnement non-Gaussien (fouillis de sol ou de mer) dans la communaut´ e radar connaˆıt un int´ erˆ et grandissant [1, 2, 3], notamment depuis que des mesures exp´ erimentales [4] ont montr´ e que celles-ci pouvaient ˆ etre correctement d´ ecrites par des processus sph´ eriques al´ eatoires invariants (SIRP), englobant de nombreuses lois classiques (Gauss, K-distribution, Weibull,...).
En d´ etection radar, le probl` eme fondamental consiste
`
a d´ etecter, dans un vecteur d’observation y de dimension m , un signal complexe s connu, caract´ erisant une cible, corrompu par un bruit de fouillis c additif non-Gaussien.
Ce probl` eme se formalise g´ en´ eralement par un test d’hy- poth` eses :
H 0 : y = c y i = c i i = 1 , . . . , N
H 1 : y = s + c y i = c i i = 1 , . . . , N (1) o` u les y i sont des vecteurs d’observations ind´ ependants appel´ es ”donn´ ees secondaires”, contenant uniquement le bruit de fouillis et permettant d’estimer les param` etres du fouillis (Matrice de covariance, puissance, densit´ e, ...).
La r´ esolution de ce probl` eme dans le cadre d’un bruit additif non-Gaussien SIRP a permis de construire plu- sieurs tests de rapports de vraisemblance g´ en´ eralis´ es (GL- RT), comme le GLRT-Linear Quadratic (GLRT-LQ) [1, 2]
ou le BORD (Bayesian Optimum Radar Detector) Asymp-
totique [3]. Un des probl` emes majeurs de ces d´ etecteurs est que la matrice de covariance des donn´ ees est inconnue.
Il faut par cons´ equent l’estimer puis la substituer dans le d´ etecteur qui sera qualifi´ e d` es lors de d´ etecteur adaptatif.
Dans cet article nous nous proposons d’´ etudier les per- formances de deux estimateurs de la matrice de covariance des donn´ ees. La premi` ere partie fait un rapide ´ etat de l’art dans le domaine de la d´ etection radar, en pr´ esentant la mod´ elisation du fouillis et les estimateurs utilis´ es. Dans la deuxi` eme partie, une ´ etude th´ eorique originale va per- mettre d’´ etablir la propri´ et´ e de ”CFAR-Matrice” du d´ etec- teur adaptatif selon l’estimateur utilis´ e, c’est un des ap- ports de ce papier. Enfin, dans la troisi` eme partie, une ap- plication r´ ealis´ ee sur des donn´ ees exp´ erimentales, va ˆ etre pr´ esent´ ee, avec les deux estimateurs de la matrice ´ etudi´ es, elle permet de valider certains r´ esultats th´ eoriques d´ ej` a
´ etablis.
2 Formulation du probl` eme et En- vironnement
Rappelons qu’un SIRP [5] est le produit d’une variable
al´ eatoire positive τ (texture) de densit´ e de probabilit´ e
p ( τ ) et d’un vecteur Gaussien x de dimension m (spe-
ckle ), ind´ ependant de τ , de moyenne nulle et de covariance
M = E(xx † ) v´ erifiant la normalisation Tr(M) = m , o` u †
d´ esigne l’op´ erateur ”transpos´ e-conjugu´ e” :
c = √ τ x .
La densit´ e de probabilit´ e de c est alors d´ efinie par : p m (c) = 1
( π τ ) m |M|
+∞
0 exp
− c † M −1 c τ
p ( τ ) dτ , (2) Le probl` eme majeur des d´ etecteurs ´ evoqu´ es pr´ esent´ es dans l’introduction est la non connaissance de la matrice de covariance M . En pratique, M est inconnue et une estim´ ee est n´ ecessaire. Cette derni` ere doit ´ evidemment v´ erifier la condition de normalisation Tr( M) = m . Plu- sieurs estimateurs ont ´ et´ e propos´ es dans la litt´ erature com- me la ”Normalized Sample Covariance Matrix Estimate”
(NSCME) [6, 7], d´ efinie comme : M NSCME = m
N N i=1
c i c † i c † i c i = m
N N i=1
x i x † i
x † i x i , (3) o` u pour 1 ≤ i ≤ N , c i = √
τ i x i .
Par ailleurs, dans [8], nous avons ´ etudi´ e certaines pro- pri´ et´ es de l’estimateur M F P du Point Fixe, issu de la th´ eorie du maximum de vraisemblance et d´ efini comme
´ etant l’unique solution de l’´ equation suivante [9] : M F P = m
N N i=1
c i c † i c † i M −1 F P c i
. (4)
Dans cet article, nous nous proposons d’´ etudier les pro- pri´ et´ es de la version adaptative du BORD asymptotique.
Ce d´ etecteur est d´ efini dans [3] de la fa{ccon suivante : Λ( ˆ M) = |p † M −1 y| 2
(p † M −1 p)(y † M −1 y)
H
1H ≷
0λ, (5)
o` u p est le ”steering vector” caract´ erisant la vitesse de la cible (Doppler). Ce d´ etecteur, construit avec l’estima- teur du point fixe ou la NSCME, ne d´ epend pas de la loi statistique de la texture, c’est la propri´ et´ e de Taux de Fausse Alarme Constant (CFAR) quelle que soit la texture (”CFAR-texture”) ´ etablie ` a plusieurs reprises.
3 R´ esultats Th´ eoriques
Dans cette partie, nous allons ´ etablir la propri´ et´ e ”CFAR- Matrice” de ˆ Λ( M F P ). Avant tout, d´ efinissons la propri´ et´ e
”CFAR-Matrice” d’un d´ etecteur adaptatif.
D´efinition 1 Un d´ etecteur adaptatif Λ( ˆ M) v´ erifie la pro- pri´ et´ e ”CFAR-Matrice” si sa distribution statistique est ind´ ependante de la matrice M de covariance estim´ ee par M.
Cette propri´ et´ e est, comme nous allons le voir par la suite, d’un int´ erˆ et pratique majeur, elle fait l’objet du th´ eor` eme suivant :
Th´eor`eme 1 Soient M 1 et M 2 deux matrices de cova- riance distinctes (M 1 = M 2 ), soit M F P,1 (respectivement M F P,2 ) l’estimateur du point fixe de M 1 (respectivement
de M 2 ),
alors, sous l’hypoth` ese H 0 (pas de cible), L
Λ( ˆ M F P,1 )
= L
Λ( ˆ M F P,2 )
(6) o` u L ( X ) repr´ esente la loi de la variable al´ eatoire X .
Ainsi, le th´ eor` eme 1 ´ etablit la propri´ et´ e ”CFAR-Matrice”
du d´ etecteur BORD adaptatif construit avec l’estimateur du point fixe M F P . Voici la d´ emonstration de ce th´ eor` eme.
Preuve 1 Nous devons montrer que la distribution de Λ( ˆ M F P,1 ) ne d´ epend pas de la matrice de covariance M 1 . Consid´ erons tout d’abord N donn´ ees secondaires ayant pour matrice de covariance M 1 , i.e. pour i = 1 , . . . , N ,
x i ∼ N ( 0, M 1 ) .
Dans cette d´ emonstration, des donn´ ees secondaires Gaus- siennes vont ˆ etre utilis´ ees car l’estimateur du point fixe ainsi que le d´ etecteur sont ind´ ependants de la texture : on peut donc prendre τ i = 1 , ∀i .
L’estimateur du point fixe de M 1 est d´ efini par M F P,1 = m
N N i=1
x i x † i x † i M −1 F P,1 x i
,
et le d´ etecteur adaptatif BORD est d´ efini par Λ( ˆ M F P,1 ) = |p † M −1 F P,1 x| 2
(p † M −1 F P,1 p)(x † M −1 F P,1 x)
H
1H ≷
0λ,
o` u x repr´ esente le vecteur d’observation avec, x ∼ N (0, M 1 ) . La premi` ere ´ etape consiste ` a blanchir les donn´ ees par le changement de variables y = M −1/2 1 x . Alors, y ∼ N (0, I) . On effectue ce changement dans l’estimateur du point fixe,
M F P,1 = m N
N i=1
M 1/2 1 y i y † i M 1/2 1 y † i
M −1/2 1 M F P,1 M −1/2 1 −1 y i . En posant maintenant
T = M −1/2 1 M F P,1 M −1/2 1 ,
on constate que T est l’unique estimateur du point fixe (` a une rotation pr` es) dans le cas de donn´ ees y i ayant comme matrice de covariance, l’identit´ e I .
On s’int´ eresse maintenant au d´ etecteur, auquel on ap- plique aussi le changement de variable
Λ( ˆ M F P,1 ) = |p † 1 T −1 y| 2 (p † 1 T −1 p 1 )(y † T −1 y)
H
1H ≷
0λ,
o` u p 1 = M −1/2 1 p . La distribution de Λ( ˆ M) ne d´ epend pas de p , et ainsi, la loi de Λ( ˆ M F P,1 ) est la mˆ eme que la loi de Λ( ˆ T). Ceci conclut la d´ emonstration du th´ eor` eme 1 .
Remarque : Λ( ˆ M NSCME ) ne v´ erifie pas la propri´ et´ e
”CFAR-Matrice”.
Les propri´ et´ es du d´ etecteur construit avec les deux es-
timateurs M NSCME et M F P sont synth´ etis´ ees dans le
tableau suivant :
Propri´ et´ es de ˆ Λ( M) M F P M NSCME
CFAR-texture Oui Oui
CFAR-Matrice Oui Non
Les r´ esultats contenus dans le tableau montrent que, d’un point de vue op´ erationnel, l’estimateur du point fixe M F P est plus int´ eressant. En effet, les deux propri´ et´ es concernant le d´ etecteur construit avec M F P , affirment l’ind´ ependance de ce d´ etecteur avec la texture et avec la matrice de covariance des donn´ ees. Ceci signifie que, bien que prenant en compte l’impulsivit´ e du fouillis dans sa mod´ elisation non-Gaussienne, ˆ Λ( M F P ) aura la mˆ eme distribution quel que soit le SIRP utilis´ e, et cette distribu- tion peut-ˆ etre calcul´ ee analytiquement dans le cas o` u les donn´ ees sont des variables al´ eatoires ind´ ependantes Gaus- siennes, centr´ ees et de matrice de covariance l’identit´ e, il s’agit l` a d’un cas ”d’´ ecole”. Il en est ´ evidemment de mˆ eme, pour la relation entre la probabilit´ e de fausse alarme et le seuil d´ etection ; cette relation n’´ etant rien d’autre que la fonction de r´ epartition de ˆ Λ( M F P ) .
4 R´ esultats Exp´ erimentaux
Carte de fouillis
Distance
Azimut
100 200 300 400 500 600 700 800
10
20
30
40
50
60
70
Fig. 1 : Carte distance-azimut
Cette partie pr´ esente des r´ esultats exp´ erimentaux ob- tenus ` a partir de l’analyse de donn´ ees r´ eelles de fouillis de sol. La figure 1 est une carte ”distance-azimut” de donn´ ees radar collect´ ees par un radar de Thales Air De- fence 1 pour m = 8 impulsions. Elle pr´ esente des donn´ ees h´ et´ erog` enes non-Gaussiennes. La zone fonc´ ee, de niveau faible, repr´ esente le buit thermique blanc et Gaussien (zo- nes ”distance” au del` a de l’horizon radio´ electrique du ra- dar). Les zones plus claires, de niveau fort, repr´ esentent le fouillis de sol, de nature impulsive et tr` es corr´ el´ e. Pour mettre en ´ evidence les zones de bruit impulsif, la figure 2
1
Les auteurs tiennent ` a remercier Thales Air Defence pour l’ex- ploitation de leurs donn´ees
repr´ esente la carte distance-azimut de la figure 1 en 3 di- mensions (la troisi` eme dimension codant la puissance du bruit).
L’analyse de ces donn´ ees radar par comptage permet l’ajustement du seuil de d´ etection λ en fonction de la Pro- babilit´ e de Fausse Alarme (PFA). Le r´ eglage exp´ erimental du seuil de d´ etection λ a donc ´ et´ e d´ etermin´ e par comp- tage en d´ epla¸cant, sur l’image de la figure 1, un masque CFAR rectangulaire de taille 5 x 5. Pour chaque case cen- trale du masque (case de test), la matrice M F P a ´ et´ e es- tim´ ee grˆ ace aux N = 24 vecteurs de taille m consid´ er´ es comme donn´ ees secondaires et entourant la case test´ ee.
Fig. 2 : Carte distance-azimut en 3 dimensions
Une relation th´ eorique liant λ ` a la PFA a ´ et´ e ´ etablie dans les deux cas suivants : M connue [3] et M inconnue [10]. L’analyse des donn´ ees radar, par comptage, permet la validation de la relation th´ eorique lorsque M est estim´ ee par M F P . Cette validation exp´ erimentale n’est possible que grˆ ace ` a la propri´ et´ e CFAR-Matrice du d´ etecteur.
100 102 104 106 108
10−3 10−2 10−1 100
Seuil λ
PFA
Courbes "PFA-seuil"
NSCME Point fixe Théorie M connu