République Tunisienne

Ministère de la défense Nationale

Armée de Terre
Académie militaire
Direction des Etudes Universitaires
Département des Télécommunications

TRAVAUX PRATIQUE
Spécialité : Télécommunications

Algorithme de CFAR

Encadré par Réalisé par

— Mr Sahbi Mazlout — SLT Bennassar Montassar

— SLT Saihi Chehine

Promotion : Mohamed Moncef Bey

2023/2024
0.1 Introduction
Dans le domaine de la détection de cibles, la gestion efficace du bruit et la minimisa-
tion des fausses alarmes demeurent des défis cruciaux. Dans ce contexte, notre projet se
focalise sur l’algorithme de Constant False Alarm Rate (CFAR), une approche qui s’est
révélée essentielle dans la détection de signaux faibles au sein d’environnements complexes
et bruités. En effet, que ce soit dans des applications radar, de traitement d’image, ou
d’autres domaines nécessitant une détection précise, l’algorithme CFAR offre une solution
adaptative et robuste.

Cette initiative découle de la reconnaissance de l’importance croissante de la détection

fiable des cibles, que ce soit pour des applications militaires, la surveillance environnemen-
tale, ou encore la sécurité. Notre objectif principal est d’explorer, implémenter, et évaluer
les différentes variantes de l’algorithme CFAR afin de proposer une solution optimisée
pour un contexte d’application spécifique.

Ce projet, par sa nature interdisciplinaire, combine des éléments de traitement du si-

gnal, de l’apprentissage automatique, et de la technologie de détection, offrant ainsi une
opportunité unique d’approfondir notre compréhension des défis inhérents à la détection
de cibles dans des environnements complexes. Les résultats de cette étude pourraient po-
tentiellement avoir des implications significatives dans des secteurs variés, allant de la
sécurité nationale aux applications industrielles.

Au travers de cette introduction, nous esquisserons les fondements théoriques de l’algo-

rithme CFAR, discuterons de son importance, et présenterons le contexte de notre projet,
avant d’explorer plus en détail la méthodologie que nous adopterons pour atteindre nos
objectifs.

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.

0.2.1 Le Défi du Bruit

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.

0.2.2 Importance de la Sensibilité

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.

0.2.3 L’Adaptabilité de l’Algorithme CFAR

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

0.3.1 Concept de Base de l’Algorithme CFAR

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.

0.3.2 Différents Types de l’algorithme de CFAR

Algorithme CFAR à Cellule Simple :

Dans le CFAR à cellule simple, le seuil de détection est ajusté en fonction d’une seule
cellule de référence.
La statistique locale de la CST est comparée à celle de la cellule de référence, et le seuil
est adapté en conséquence.

Algorithme CFAR à Cellule Double :

Le CFAR à cellule double utilise deux ensembles de cellules de référence, l’un pour le
bruit environnant et l’autre pour le bruit global.

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.

Algorithme OS-CFAR (Order Statistic CFAR) :

L’OS-CFAR utilise les statistiques d’ordre pour calculer le seuil de détection, ce qui
peut offrir une meilleure robustesse face à des distributions de bruit non gaussiennes.

iv
Figure 1 – Les algorithmes de CFAR

v
0.4 Avantages et limitations de l’algorithme CFAR

0.4.1 Avantages de l’Algorithme CFAR :

Adaptabilité au Bruit : L’algorithme CFAR est conçu pour s’adapter dynamiquement

aux variations du bruit, assurant ainsi une constante fausse alarme même dans des envi-
ronnements fortement bruités.

Flexibilité : Il existe plusieurs variantes de l’algorithme CFAR (cellule simple, cellule

double, etc.), offrant une flexibilité pour s’adapter à des scénarios spécifiques et répondre
à des exigences particulières.

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.

Maintien d’une Fausse Alarme Constante : En ajustant le seuil de détection en fonc-

tion du niveau de bruit local, l’algorithme CFAR maintient une fausse alarme constante,
évitant ainsi des détections erronées dues à des fluctuations normales du bruit.

0.4.2 Limitations de l’Algorithme CFAR :

Sensibilité aux Paramètres : Le bon fonctionnement de l’algorithme CFAR dépend

fortement du réglage approprié de ses paramètres, et des ajustements inadéquats peuvent
entraîner une diminution de la performance.
Défi dans les Environnements Complexes : Bien que robuste, l’algorithme CFAR peut
rencontrer des difficultés dans des environnements extrêmement complexes où la nature
du bruit est difficile à modéliser.
Dépendance à la Distribution du Bruit : Certains algorithmes CFAR supposent une
distribution de bruit spécifique, et leur performance peut être affectée si cette hypothèse
n’est pas satisfaite.
Coût en Termes de Calcul : Certains types d’algorithme CFAR, notamment ceux qui
utilisent des méthodes statistiques plus avancées, peuvent nécessiter des calculs intensifs,

vi
ce qui peut être un inconvénient dans des systèmes temps réel à ressources limitées.

0.5 Exemple d’algorithme et résultats

Figure 2 – algorithme de CFAR

Figure 3 – Résultat

vii
 import matplotlib.pyplot as plt
import numpy as np

Génération de données synthétiques pour l’exemple

taille-radar = 100
donnees = np.random.randn(taille-radar)
Remplacez cela par vos données radar réelles
Paramètres de l’algorithme CFAR
taille-CST = 1
taille-fenetre-reference = 10
facteur-surbrillance = 1.5
Initialisation
detections = np.zeros-like(donnees)
Parcours des données
for i in range(taille-radar) :
Calcul de la statistique locale pour la CST
statistique-CST = np.mean(donnees[i :i + taille-CST])
Calcul de la statistique locale pour les cellules de référence
statistique-reference = np.mean(donnees[max(0, i - taille-fenetre-reference) :i])
Calcul du seuil
seuil = facteur-surbrillance * statistique-reference
Décision de détection
if statistique-CST > seuil :
detections[i] = 1
Affichage des résultats
plt.plot(donnees, label=’Données Radar’)
plt.plot(detections, label=’Détection CFAR’, linestyle=’dashed’, marker=’o’, markersize=5)
plt.xlabel(’Index de la Cellule Radar’)
plt.ylabel(’Valeur de la Statistique / Détecté’)
plt.title(’Détection de Cibles avec CFAR’)
plt.legend()
plt.show()

viii
ix
1