Académique Documents
Professionnel Documents
Culture Documents
Armée de Terre
Académie militaire
Direction des Etudes Universitaires
Département des Télécommunications
TRAVAUX PRATIQUE
Spécialité : Télécommunications
Algorithme de CFAR
i
0.2 Explication de la Détection de Cibles dans un
Environnement Bruité
La détection de cibles dans un environnement bruité représente une problématique
fondamentale dans des domaines tels que la surveillance radar, le traitement d’images, et
d’autres applications nécessitant une identification précise de signaux faibles. Comprendre
les fondements théoriques de ce processus est essentiel pour apprécier le rôle central de
l’algorithme CFAR dans cette quête de précision.
Dans un environnement bruité, les capteurs sont sujets à des variations indésirables
qui peuvent masquer le signal recherché. Ce bruit peut provenir de sources diverses telles
que les conditions atmosphériques, des objets non ciblés, ou des imperfections dans les
capteurs eux-mêmes. La détection de cibles efficace nécessite donc la capacité de distinguer
entre le signal souhaité et le bruit environnant.
La sensibilité du système de détection joue un rôle crucial. Trop peu de sensibilité peut
entraîner la non-détection de cibles, tandis qu’une sensibilité excessive peut conduire à des
fausses alarmes fréquentes. Trouver le juste équilibre est un défi, particulièrement dans
des environnements dynamiques et changeants.
L’algorithme CFAR se distingue par son approche adaptative. Plutôt que de fixer un
seuil statique pour la détection, il ajuste dynamiquement ce seuil en fonction du niveau
de bruit environnant. Ceci permet à l’algorithme de s’adapter aux variations du bruit,
assurant ainsi une constante fausse alarme tout en préservant une sensibilité suffisante
pour détecter des cibles potentielles.
ii
0.3 Présentation des Concepts de Base de l’Algo-
rithme CFAR et Différents Types
Cellule Sous Test (CST) : Il s’agit de la cellule de données pour laquelle la détection
est effectuée.
Cellules de Référence : Ces cellules environnantes sont utilisées pour estimer le niveau
de bruit de fond.
Statistique Locale : Une métrique locale, souvent basée sur la distribution du bruit, est
calculée pour la CST et les cellules de référence.
iii
Cette approche permet une adaptation plus précise aux variations locales et globales du
bruit.
Algorithme CFAR à Cellule Triple :
Certains contextes nécessitent une adaptation encore plus sophistiquée. L’algorithme
CFAR à cellule triple utilise trois ensembles de cellules de référence, adaptant le seuil en
fonction du bruit local, global et intermédiaire.
Algorithme CA-CFAR (Cell Averaging CFAR) :
L’algorithme CA-CFAR utilise une moyenne mobile des cellules de référence pour
mieux s’adapter aux changements lents dans le bruit.
Cela permet une adaptation plus robuste dans des environnements où le niveau de bruit
varie lentement avec le temps.
le niveau seuil est calculé en estimant le niveau de bruit autour la Coupe. Cela peut
être trouvé en prenant un bloc de cellules autour du CUT et en calculant le niveau de
puissance moyen. Pour éviter de corrompre cette estimation avec l’énergie provenant du
CUT lui-même, les cellules immédiatement adjacentes au CUT - appelées cellules de garde
- sont ignorées. Une cible est déclarée présente dans le CUT si elle est supérieure à toutes
ses cellules adjacentes et supérieure à la puissance moyenne locale.
iv
Figure 1 – Les algorithmes de CFAR
v
0.4 Avantages et limitations de l’algorithme CFAR
Performance Robuste : L’algorithme CFAR offre une performance robuste dans des
environnements changeants, ce qui en fait une solution privilégiée pour la détection de
cibles dans des conditions réalistes et dynamiques.
vi
ce qui peut être un inconvénient dans des systèmes temps réel à ressources limitées.
Figure 3 – Résultat
vii
import matplotlib.pyplot as plt
import numpy as np
viii
ix
1