2、雷达信号处理流程：脉冲压缩、MTI/MTD、CFAR检测、目标参数估计

各位同学，今天我们来聊聊雷达信号处理的核心流程。说实话，这个流程我在不同项目里摸爬滚打了好几年，才真正吃透。你想想看，雷达回波从天线进来，到最终输出目标坐标，中间要经过好几道工序。每一道都像在「淘金」——从噪声和杂波里把目标信号捞出来。

2.1 脉冲压缩：把「胖脉冲」变「瘦脉冲」

脉冲压缩，说白了就是解决一个矛盾：既要看得远，又要看得清。

雷达发射宽脉冲，能量大，能传得远。但宽脉冲距离分辨率差——两个目标挨得近，就分不开了。怎么办？发射时把脉冲「调制」一下，接收时再用匹配滤波器「压缩」回来。

我记得第一次调脉冲压缩算法时，遇到一个坑：匹配滤波器的系数没取共轭，结果压缩出来的波形全是乱的。嗯，这里要注意——匹配滤波器的冲激响应是发射信号的共轭反转。

常见的调制方式有两种：

• 线性调频（LFM）：频率随时间线性变化。实现简单，应用最广。
• 相位编码：用伪随机序列调制相位。旁瓣控制更好，但多普勒敏感。

代码实现上，我习惯用频域方式做脉冲压缩：

// 脉冲压缩 - 频域实现（伪代码）
void pulse_compression(complex* rx_signal, complex* tx_ref, int len) {
    // 1. 对接收信号和参考信号做 FFT
    fft(rx_signal, len);
    fft(tx_ref, len);
    
    // 2. 频域相乘（匹配滤波）
    for (int i = 0; i < len; i++) {
        rx_signal[i] = rx_signal[i] * conj(tx_ref[i]);
    }
    
    // 3. IFFT 回到时域
    ifft(rx_signal, len);
}

2.2 MTI/MTD：把「不动」的杂波滤掉

脉冲压缩做完，信号里还混着大量杂波——地面、建筑物、树木……这些静止目标回波强度往往比运动目标大得多。怎么办？用 MTI（动目标显示）和 MTD（动目标检测）。

MTI 的原理很简单：静止目标回波在相邻脉冲间相位不变，运动目标回波相位会变化。用对消器把固定相位成分干掉。

最常用的是双脉冲对消器：

// 双脉冲对消器
void mti_2pulse(complex* data, int num_pulses, int num_range_bins) {
    for (int r = 0; r < num_range_bins; r++) {
        for (int p = num_pulses - 1; p >= 1; p--) {
            data[p * num_range_bins + r] -= data[(p-1) * num_range_bins + r];
        }
    }
}

但 MTI 有个问题——它只能滤掉零多普勒附近的杂波。如果杂波有频谱展宽（比如风吹动的树叶），效果就差了。这时候要用 MTD。

我曾经在一个项目中，MTI 做完后杂波残留还是很大。后来换成 MTD，加了个汉明窗，效果立竿见影。你想想看，MTD 相当于把每个距离门上的慢时间信号变换到频域，杂波和运动目标在频域上就分开了。

MTD 的典型参数：

参数	典型值	说明
FFT 点数	16 / 32 / 64	点数越多，速度分辨率越高
窗函数	汉明 / 布莱克曼	降低旁瓣，但主瓣会变宽
脉冲重复频率	1~20 kHz	决定最大不模糊速度

2.3 CFAR检测：在噪声里「找不同」

MTD 做完，我们有了距离-多普勒图。但哪些点是目标？哪些是噪声？CFAR（恒虚警率检测）就是干这个的。

CFAR 的核心思想：对每个待检测单元，用周围参考单元的统计量估计噪声功率，然后设定自适应门限。

常用的 CFAR 类型：

• CA-CFAR（单元平均）：取参考单元的平均值。均匀噪声环境下最优。
• GO-CFAR（选大）：取左右两侧参考单元中较大的均值。适合杂波边缘场景。
• SO-CFAR（选小）：取较小的均值。适合多目标场景。
• OS-CFAR（有序统计）：对参考单元排序，取第 k 个值。抗干扰能力强。

我个人习惯用 OS-CFAR。为什么？因为实际场景中杂波分布往往不是均匀的，CA-CFAR 容易在杂波边缘产生虚警。我曾经在机场雷达项目里吃过这个亏——跑道边缘的杂波导致大量虚警，后来换成 OS-CFAR 才压下来。

// OS-CFAR 实现（一维情况）
int os_cfar(float* data, int len, int guard_cells, int ref_cells, int k, float factor) {
    int half_guard = guard_cells / 2;
    int half_ref = ref_cells / 2;
    float sorted[ref_cells];
    
    for (int i = half_guard + half_ref; i < len - half_guard - half_ref; i++) {
        // 收集参考单元
        int idx = 0;
        for (int j = i - half_ref - half_guard; j < i - half_guard; j++) {
            sorted[idx++] = data[j];
        }
        for (int j = i + half_guard + 1; j <= i + half_ref + half_guard; j++) {
            sorted[idx++] = data[j];
        }
        
        // 排序，取第 k 个值
        qsort(sorted, ref_cells, sizeof(float), cmp);
        float threshold = sorted[k] * factor;
        
        if (data[i] > threshold) {
            // 检测到目标
            return i;
        }
    }
    return -1;
}

2.4 目标参数估计：距离、速度、角度

CFAR 检测出目标后，下一步就是精确估计参数。说白了，就是回答三个问题：目标在哪？跑多快？朝哪个方向？

距离估计：

• 粗估计：根据 CFAR 检测到的距离门索引，乘以距离分辨率。
• 精估计：对峰值附近做插值（抛物线拟合或 sinc 插值），精度可达亚距离门级。

速度估计：

• 粗估计：根据 MTD 多普勒通道索引，乘以速度分辨率。
• 精估计：同样做插值。注意多普勒模糊问题——如果目标速度超过最大不模糊速度，需要解模糊。

角度估计：

• 单脉冲法：利用和差波束比幅测角。精度高，计算量小。
• 比相法：利用两个接收通道的相位差。适合小间距天线。
• 超分辨算法（MUSIC/ESPRIT）：精度最高，但计算量大，嵌入式上要谨慎。

举个例子，距离精估计的抛物线插值：

// 抛物线插值求峰值位置
float parabolic_interp(float y0, float y1, float y2) {
    // y0: 峰值左侧值, y1: 峰值, y2: 峰值右侧值
    float delta = (y2 - y0) / (2 * (2 * y1 - y0 - y2));
    return delta;  // 相对于峰值索引的偏移量
}

嗯，到这里，雷达信号处理的核心流程就串起来了。从脉冲压缩到参数估计，每一步都有它的物理意义和工程考量。我在实际项目中，经常需要根据具体场景调整参数——比如城市环境杂波多，CFAR 的参考单元就要选大一些；高速目标多，MTD 的 FFT 点数就要增加。

下一章，我们会把这些算法搬到嵌入式 AI 加速器上，看看怎么用硬件加速让它们跑得更快。到时候你会发现，很多算法在硬件上实现时，思路和软件完全不同。