3、雷达数据表示：距离-时间图、距离-多普勒图、微多普勒特征、时频分析
好，咱们进入正题。雷达数据怎么表示，这事儿我琢磨了挺久。你想想看，雷达回波本质上就是个时间序列，但直接拿原始信号去训练深度学习模型，效果往往不理想。为什么？因为原始信号里信息太杂，噪声、杂波、目标特征全混在一起。所以，我们需要把数据“翻译”成更适合网络理解的形式。
我个人习惯把雷达数据表示分成四大类：距离-时间图、距离-多普勒图、微多普勒特征，还有时频分析。每种表示都有它的脾气，咱们一个一个聊。
3.1 距离-时间图（Range-Time Map）
这个最简单，也最直观。横轴是时间，纵轴是距离，每个像素点的亮度代表回波强度。说白了，就是看目标在距离上怎么随时间移动。
我在项目中遇到过一个问题：用距离-时间图做行人检测，结果模型老是误检。后来发现，是因为雷达安装位置有轻微震动，导致静止背景在距离-时间图上出现了“伪运动”。嗯，这里要注意，预处理时一定要做运动补偿。
关键点：距离-时间图适合观察目标的整体运动趋势，比如车辆靠近、远离，或者行人走动。但它对微小的运动细节不敏感。
举个例子，一个行人从50米处走向雷达，距离-时间图上就是一条斜线。斜率的正负代表靠近还是远离，斜率大小代表速度。但如果你想知道这个行人有没有挥手、有没有背包，距离-时间图就无能为力了。
3.2 距离-多普勒图（Range-Doppler Map）
这个就厉害了。距离-多普勒图同时给出了目标的距离和径向速度信息。横轴是多普勒频率（对应速度），纵轴是距离，亮度代表回波强度。
我建议你把这个图当作雷达目标分类的“标配”。为什么？因为大多数目标都有独特的距离-速度分布模式。比如：
- 行人：在距离-多普勒图上呈现为“一团”，因为行人身体各部分运动速度不一致。
- 车辆：呈现为“一个点”或“一条短线”，因为车辆整体运动速度一致。
- 无人机：呈现为“多个点”，因为旋翼的旋转会产生额外的多普勒分量。
避坑指南：我曾经在项目里直接用原始距离-多普勒图训练CNN，结果效果很差。后来发现，是因为动态范围太大——强目标把弱目标完全淹没了。解决办法是：做对数压缩，或者用分位数归一化。你试试看，效果立竿见影。
生成距离-多普勒图，通常用二维FFT。代码大概长这样：
# 假设 radar_data 是快时间-慢时间矩阵
# 快时间维度对应距离，慢时间维度对应脉冲数
# 第一步：对快时间做FFT，得到距离信息
range_fft = np.fft.fft(radar_data, axis=0)
# 第二步：对慢时间做FFT，得到多普勒信息
range_doppler = np.fft.fftshift(np.fft.fft(range_fft, axis=1), axes=1)
# 第三步：取幅度，做对数压缩
rd_map = 20 * np.log10(np.abs(range_doppler) + 1e-6)3.3 微多普勒特征（Micro-Doppler Signature）
这个是我个人觉得最有意思的部分。微多普勒效应，说白了就是目标上微小部件的振动或旋转，会在主多普勒频率周围产生“边带”。比如：
- 行人走路时，手臂摆动会产生微多普勒
- 无人机旋翼旋转会产生微多普勒
- 车辆发动机振动也会产生微多普勒
微多普勒特征通常从距离-多普勒图中提取。具体做法是：先找到目标所在的距离单元，然后提取该距离单元的多普勒频谱随时间的变化。
为什么重要？因为微多普勒特征是目标的“指纹”。两个外形相似的目标，可能因为内部结构不同，微多普勒特征完全不同。我在做无人机和鸟类分类时，就是靠微多普勒特征把准确率从75%提到了92%。
提取微多普勒特征，我常用的方法是：
- 对每个距离单元，提取多普勒频谱
- 找到目标所在的距离单元（通常是能量最大的那个）
- 对该距离单元的多普勒频谱做短时傅里叶变换（STFT），得到微多普勒时频图
3.4 时频分析（Time-Frequency Analysis）
时频分析，说白了就是看信号的频率成分怎么随时间变化。对于雷达目标分类，最常用的是短时傅里叶变换（STFT）和小波变换。
STFT：把信号切成一段一段，对每一段做FFT。窗口越短，时间分辨率越高，但频率分辨率越低。这是个 trade-off。
小波变换：用不同尺度的母小波去匹配信号。低频部分用宽窗口，高频部分用窄窗口。我个人觉得，对于微多普勒分析，小波变换比STFT更合适，因为它能同时捕捉到慢速的手臂摆动和快速的旋翼旋转。
注意：时频分析的计算量比较大。如果你用STFT，窗口长度和重叠率要仔细调。我建议你先用默认参数跑一遍，看看效果，再根据结果调整。别一上来就追求高分辨率，计算时间会让你崩溃的。
举个例子，行人走路的微多普勒时频图，你会看到：
- 主多普勒频率（躯干运动）是一条平滑的曲线
- 手臂摆动会产生周期性的频率调制，在主频率上下波动
- 腿部的运动也会产生类似但幅度较小的调制
嗯，说到这里，我想起一个项目。当时我们要区分跑步的人和走路的人。单纯看距离-多普勒图，两者差别不大。但一看微多普勒时频图，区别就出来了：跑步时手臂摆动频率更高，幅度更大，而且躯干多普勒频率的波动也更剧烈。
实用技巧：如果你用深度学习做分类，我建议你把多种数据表示融合起来。比如：把距离-多普勒图和微多普勒时频图作为两个通道输入网络。我在一个项目里试过，融合后的准确率比单用任何一种都高5-8%。
最后总结一下这四种表示：
| 数据表示 | 维度 | 主要信息 | 适用场景 |
|---|---|---|---|
| 距离-时间图 | 2D | 目标距离随时间变化 | 运动轨迹分析、目标检测 |
| 距离-多普勒图 | 2D | 目标距离和径向速度 | 目标分类、速度估计 |
| 微多普勒特征 | 1D/2D | 目标内部微小运动 | 精细分类（人/车/无人机） |
| 时频分析 | 2D | 频率随时间变化 | 微多普勒分析、运动模式识别 |
我个人建议，刚开始做雷达目标分类时，先从距离-多普勒图入手。它信息量够大，计算量适中，而且大多数深度学习模型都能直接处理。等你把基础打牢了，再慢慢加入微多普勒和时频分析，效果会更好。