第二章 雷达信号处理基础：脉冲压缩、多普勒处理、CFAR检测、点迹与航迹形成
各位同学，欢迎来到雷达目标识别的核心基础课。说实话，很多搞机器学习的同行一听到「雷达信号处理」就头大，觉得全是傅里叶变换和滤波器。但我得说，如果你不懂这些底层处理，你后面做的目标识别模型，很可能就是个「空中楼阁」。
我个人习惯把雷达信号处理比作「从噪声里捞针」。你想想看，目标回波那么弱，干扰那么多，怎么把它干净地捞出来？这就是我们今天要聊的四个关键步骤。
2.1 脉冲压缩：既要远，又要精
雷达有个天生的矛盾：想看得远，就得发大能量，那就得用长脉冲。但长脉冲会让距离分辨率变差。怎么办？
脉冲压缩就是来解决这个矛盾的。它用宽脉冲发射，保证能量够大；接收时再用匹配滤波，把脉冲「压」窄，恢复出高分辨率。
核心思想：发射大时宽带宽积信号（如线性调频信号），接收时通过匹配滤波，将宽脉冲压缩为窄脉冲。
我在项目中遇到过一件事：某次外场试验，目标距离很近，但雷达就是分不清是两个目标还是一个。后来一查，脉冲压缩没做好，旁瓣把目标淹没了。嗯，这里要注意，脉冲压缩后会有旁瓣，得加窗函数抑制。
常用的窗函数有：
- 汉明窗：旁瓣抑制好，但主瓣会变宽一点
- 布莱克曼窗：旁瓣更低，但主瓣更宽
- 凯泽窗：可调参数，灵活
说白了，这就是个取舍问题。你要旁瓣低，就得牺牲一点分辨率。
% 脉冲压缩示例（MATLAB风格）
% 发射线性调频信号
T = 10e-6; % 脉冲宽度 10us
B = 10e6; % 带宽 10MHz
fs = 2*B; % 采样率
t = -T/2:1/fs:T/2;
s = exp(1j*pi*B/T*t.^2); % LFM信号
% 匹配滤波
h = conj(fliplr(s)); % 匹配滤波器
y = conv(s, h); % 脉冲压缩输出我的小技巧：实际工程中，脉冲压缩通常在频域做，用FFT实现，效率高得多。但要注意，频域卷积会有循环卷积效应，记得补零。
2.2 多普勒处理：动目标检测的命根子
雷达不光要知道目标在哪，还得知道它动没动、怎么动。多普勒效应就是干这个的。
为什么会这样？因为目标运动会让回波频率发生偏移。偏移量正比于径向速度。我们通过一组脉冲的相位变化，就能把速度算出来。
我记得刚入行时，师傅跟我说：「多普勒处理，说白了就是沿着慢时间维做FFT。」当时觉得太简单了，后来才发现，这里面坑不少。
多普勒处理的关键参数：
| 参数 | 含义 | 我的经验 |
|---|---|---|
| PRF（脉冲重复频率） | 每秒发射的脉冲数 | PRF决定了不模糊速度范围，选高了距离模糊，选低了速度模糊 |
| 相参积累时间 | 处理用的脉冲个数 × PRI | 积累时间越长，速度分辨率越高，但目标可能跨距离单元走动 |
| 多普勒滤波器组 | 通常用FFT实现 | 点数不够可以补零，但补零不提高分辨率，只是插值 |
避坑指南：我曾经在某个项目中，目标速度很快，但PRF设得太低，结果多普勒模糊了，把高速目标误判成了低速目标。后来加了多普勒解模糊算法才搞定。记住：PRF的选择一定要考虑目标的最大可能速度。
2.3 CFAR检测：自适应门限的艺术
信号处理完了，怎么判断有没有目标？简单粗暴的做法是设个固定门限。但现实中的噪声和杂波是变化的——海面杂波、地杂波、气象杂波，强度忽高忽低。
CFAR（恒虚警率检测）就是解决这个问题的。它根据背景噪声自适应地调整门限，保证虚警率恒定。
常用的CFAR方法：
- CA-CFAR（单元平均）：取参考窗的平均值做门限。均匀背景效果好，但杂波边缘会出问题。
- GO-CFAR（选大）：取左右参考窗中较大的那个。适合保护杂波边缘。
- SO-CFAR（选小）：取较小的那个。适合多目标环境。
- OS-CFAR（有序统计）：排序后取第k个值。抗干扰能力强，但计算量大。
你想想看，如果目标旁边还有个强目标，CA-CFAR会把强目标也算进背景里，门限抬高了，弱目标就漏了。这时候OS-CFAR就好使。
关键参数：参考窗长度、保护单元数、虚警概率Pfa。Pfa设得太低，门限高，漏警多；设得太高，虚警多，后端处理压力大。我个人习惯Pfa取10^-6到10^-4之间，具体看场景。
# Python风格的CFAR伪代码
def ca_cfar(rd_map, guard_cells, ref_cells, pfa):
# rd_map: 距离-多普勒图
# guard_cells: 保护单元数
# ref_cells: 参考单元数
# pfa: 虚警概率
alpha = ref_cells * (pfa**(-1/ref_cells) - 1) # 门限因子
threshold = np.zeros_like(rd_map)
for i in range(ref_cells, rd_map.shape[0] - ref_cells):
for j in range(ref_cells, rd_map.shape[1] - ref_cells):
# 取参考窗（排除保护单元）
window = rd_map[i-ref_cells:i+ref_cells+1,
j-ref_cells:j+ref_cells+1]
# 去掉保护单元
# ... 省略具体实现
noise_power = np.mean(window)
threshold[i, j] = alpha * noise_power
detections = rd_map > threshold
return detections我的经验：实际工程中，CFAR的参考窗大小很讲究。窗太小，估计不准；窗太大，计算量大，而且背景可能不均匀。我一般取参考单元数在16-32之间，保护单元取2-4个。
2.4 点迹与航迹形成：从散点到轨迹
CFAR检测完，我们得到了一堆「点迹」——每个点迹包含距离、多普勒、角度、幅度等信息。但这些点迹是散乱的，可能来自同一个目标，也可能是虚警。
点迹凝聚：把相邻的检测点合并成一个。为什么要做？因为一个目标可能跨多个距离单元和多普勒单元，不合并的话，一个目标会变成一堆点。
航迹形成：把不同时刻的点迹关联起来，形成目标的运动轨迹。这一步通常用卡尔曼滤波或粒子滤波。
我记得有个项目，目标在强杂波区，CFAR出来几千个点迹，但真正的目标只有两三个。航迹起始算法如果太激进，会生成大量虚假航迹；太保守，又会漏掉真实目标。
常用的航迹管理方法：
- 最近邻关联：简单粗暴，找最近的。适合稀疏场景。
- 概率数据关联（PDA）：考虑所有可能关联的概率。适合中等密度。
- 多假设跟踪（MHT）：维护多个假设，延迟决策。适合高密度、复杂场景。
避坑指南：我曾经在航迹起始时，用了太小的速度门限，结果把静止杂波也起始成了航迹。后来加了「速度一致性检验」——连续几帧的速度方向和大小要一致，才把虚假航迹滤掉。记住：航迹起始要保守，航迹维持要灵活。
小结
好了，这一章的内容就这些。脉冲压缩让你看得清，多普勒处理让你看得懂动没动，CFAR让你在变化的环境中稳定检测，点迹航迹让你从散点变成连续轨迹。
这四个步骤，是雷达目标识别的「前菜」。后面的机器学习模型，都是在这四个步骤的输出上做文章。如果你连这些基础都不懂，那你做的模型再花哨，也是「无源之水」。
下一章，我们会聊怎么用机器学习来做目标分类。到时候你会发现，前面这些信号处理的质量，直接决定了分类的上限。嗯，今天就到这里，有问题随时问我。