3. 雷达信号处理链（下）：CFAR恒虚警率检测、角度估计（MUSIC/DBF）、点云生成

好，咱们接着聊。上一节我们把距离-多普勒谱给算出来了，拿到了一个二维矩阵。但说实话，那个矩阵里全是能量值，你根本分不清哪个是目标、哪个是噪声。今天要讲的这三个模块，就是专门干这个事的——从一堆乱七八糟的数据里，把真正的目标揪出来，再告诉你在哪个角度上。

3.1 CFAR恒虚警率检测——别把噪声当目标

CFAR，全称Constant False Alarm Rate。名字挺唬人，说白了就是：我设定一个虚警率，比如千分之一，然后算法自动算出每个点的检测门限。高于门限的，我认它是目标；低于的，就当噪声处理掉。

为什么不能直接用固定门限？我刚开始做雷达时也这么想过。结果有一次在测试场地，背景噪声忽高忽低——安静时门限太高漏目标，嘈杂时门限太低全是虚警。嗯，从那以后我就老老实实用CFAR了。

3.1.1 CFAR的核心思想

CFAR的做法其实很直观：

• 对每个待检测点（CUT，Cell Under Test），在它周围画一个“保护带”
• 保护带外面再取一圈“参考窗”
• 用参考窗里的噪声能量，估算当前点的噪声水平
• 乘以一个系数，得到自适应门限

你想想看，如果目标本身很大，它的旁瓣可能会污染参考窗。保护带就是干这个用的——把目标能量隔离开，只让纯噪声参与计算。

3.1.2 常见的CFAR变体

类型	特点	适用场景
CA-CFAR	取参考窗均值，计算简单	均匀噪声背景
SO-CFAR	取左右窗中较小的均值	多目标靠近时
GO-CFAR	取左右窗中较大的均值	噪声边缘区域
OS-CFAR	排序后取第k个值	杂波环境复杂

我个人习惯在车载雷达场景下用OS-CFAR。为什么？因为路上经常有多个目标挨得很近，CA-CFAR会把旁边的目标也算进噪声里，导致门限抬太高，漏掉弱目标。OS-CFAR排序后取中间值，抗干扰能力强很多。

3.1.3 代码实现要点

def cfar_2d(rd_map, guard_len, ref_len, pfa):
    # rd_map: 距离-多普勒谱
    # guard_len: 保护带半长
    # ref_len: 参考窗半长
    # pfa: 虚警率
    
    n_rows, n_cols = rd_map.shape
    threshold = np.zeros_like(rd_map)
    detections = np.zeros_like(rd_map, dtype=bool)
    
    # 计算门限因子
    n_ref = (2*ref_len+1)**2 - (2*guard_len+1)**2
    alpha = n_ref * (pfa ** (-1/n_ref) - 1)
    
    for i in range(ref_len, n_rows - ref_len):
        for j in range(ref_len, n_cols - ref_len):
            # 提取参考窗
            ref_win = rd_map[i-ref_len:i+ref_len+1, j-ref_len:j+ref_len+1]
            # 挖掉保护带
            guard_win = rd_map[i-guard_len:i+guard_len+1, j-guard_len:j+guard_len+1]
            # 计算噪声均值
            noise = (np.sum(ref_win) - np.sum(guard_win)) / n_ref
            # 设置门限
            threshold[i, j] = alpha * noise
            # 判决
            detections[i, j] = rd_map[i, j] > threshold[i, j]
    
    return detections, threshold

3.2 角度估计——目标到底在哪个方向？

CFAR检测完，我们知道了目标在哪个距离、哪个速度上。但还缺一个关键信息——角度。没有角度，你只知道目标在某个距离圈上，但不知道具体方位，这跟没检测差不多。

角度估计依赖的是多根接收天线之间的相位差。信号到达不同天线时，走过的路程不一样，相位也就不同。通过这个相位差，就能反推出角度。

3.2.1 DBF——数字波束形成

DBF是最直观的方法。说白了就是：我假设目标在某个角度θ，然后给每根天线的信号补一个相位偏移，让它们对齐。如果对齐后信号叠加起来能量最大，那θ就是真实角度。

数学上就是做加权求和：

def dbf_angle(data, theta_range, d, lambda_):
    # data: 各天线数据，shape=(n_ant,)
    # theta_range: 扫描角度范围
    # d: 天线间距
    # lambda_: 波长
    
    n_ant = len(data)
    spectrum = []
    
    for theta in theta_range:
        # 计算导向矢量
        steering = np.exp(-1j * 2*np.pi * d * np.arange(n_ant) * np.sin(theta) / lambda_)
        # 波束形成
        output = np.abs(np.dot(steering.conj(), data))
        spectrum.append(output)
    
    # 找峰值
    peak_idx = np.argmax(spectrum)
    return theta_range[peak_idx], spectrum

DBF的好处是计算量小，适合实时处理。但分辨率受限于天线数量——天线越多，波束越窄，分辨能力越强。我做过一个4天线的雷达，DBF只能分辨出大概15°间隔的两个目标，再近就糊在一起了。

3.2.2 MUSIC——超分辨率算法

当两个目标挨得很近，DBF分不开时，就该MUSIC上场了。MUSIC的全称是Multiple Signal Classification，它利用了信号子空间和噪声子空间的正交性。

核心思路是这样的：

1. 把多帧数据拼成协方差矩阵
2. 做特征值分解，把特征向量分成信号子空间和噪声子空间
3. 在噪声子空间里搜索，找到使“投影最小”的角度——那就是目标

def music_angle(data, n_sources, theta_range, d, lambda_):
    # data: 多快拍数据，shape=(n_ant, n_chirps)
    # n_sources: 目标数量
    
    n_ant = data.shape[0]
    
    # 协方差矩阵
    R = np.dot(data, data.conj().T) / data.shape[1]
    
    # 特征值分解
    eigvals, eigvecs = np.linalg.eigh(R)
    
    # 取噪声子空间（最小的n_ant - n_sources个特征向量）
    noise_subspace = eigvecs[:, :n_ant - n_sources]
    
    # 搜索角度
    spectrum = []
    for theta in theta_range:
        steering = np.exp(-1j * 2*np.pi * d * np.arange(n_ant) * np.sin(theta) / lambda_)
        # 投影到噪声子空间
        proj = np.dot(steering.conj(), noise_subspace)
        power = 1 / np.abs(np.dot(proj, proj.conj()))
        spectrum.append(power)
    
    # 找峰值
    peaks = find_peaks(spectrum, n_sources)
    return theta_range[peaks], spectrum

3.3 点云生成——把检测结果变成可用数据

CFAR给了我们距离-多普勒单元，角度估计给了我们角度。现在要把这些信息拼起来，生成一个完整的点云——每个点包含距离、速度、角度、信噪比四个维度。

3.3.1 点云结构

一个标准的雷达点云，通常长这样：

字段	含义	单位
x	横向位置	米
y	纵向位置	米
z	高度（部分雷达支持）	米
v	径向速度	米/秒
snr	信噪比	dB

从距离-角度转换到xy坐标，其实就是极坐标转直角坐标：

x = range * sin(azimuth)
y = range * cos(azimuth)

3.3.2 点云聚合与过滤

CFAR检测出来的点，往往一个目标会对应好几个相邻单元。直接全部输出的话，点云会非常密集，而且很多是冗余的。我一般会做两步处理：

1. 聚类：把空间上相邻的点归到一个目标里，取质心作为最终位置
2. 过滤：去掉SNR低于阈值的点，去掉速度异常的点（比如突然出现的静止目标）

3.4 本章知识体系总览

下面这张图，把今天讲的三个模块串起来了。你可以看到数据是怎么一步步从原始回波变成点云的：

嗯，到这里，雷达信号处理链的核心部分就讲完了。从原始回波到点云，每一步都有它的道理，也都有它的坑。CFAR帮你过滤噪声，角度估计告诉你方位，点云生成把结果整理成可用的格式。这三步走完，你手里的数据才真正能拿去给上层算法用——比如跟踪、分类、或者直接送给自动驾驶的决策模块。

可可精品资料库