CFAR 恒虚警率目标检测算法详解
在毫米波雷达领域，我们最终关心的不是信号波形本身，而是：哪里有目标？有多少个？哪些是噪声干扰？
雷达接收到的信号通常是真实回波、环境杂波（地面、墙体反射）以及系统噪声的混合体。经过 ADC 采样和 FFT 变换后，我们会得到距离谱或多普勒谱，其中包含大量起伏的谱线。
核心问题在于：在一个噪声水平不断变化的环境中，如何公平、稳定地判断某个峰值是否代表真实目标？ 这正是 CFAR（Constant False Alarm Rate，恒虚警率）算法存在的意义。
一、CFAR 的核心思想
CFAR 的核心非常直观：门限不固定，而是根据'周围环境噪声'动态调整。
- 当背景噪声大时，门限自动抬高，避免误报；
- 当背景噪声小时，门限自动降低，防止漏检；
- 始终保持一个近似恒定的虚警概率。
这比传统的固定阈值法在工程上要可靠得多。
从物理意义上讲，CFAR 不是在简单地'找最大值'，而是在'找异常'。如果把雷达距离谱想象成一条地形起伏的山脉，噪声就是起伏的地面，目标是突然冒出的山峰。CFAR 的工作流程是先估计地面高度，再判断某个山峰是否足够突出。
之所以必须依赖'周围噪声'，是因为雷达系统中噪声功率随距离变化，杂波随场景改变，AGC 和窗口函数也会影响谱形。固定门限往往会导致工程灾难，而利用局部统计进行自适应估计是唯一实用的方法。
二、CFAR 的基本结构
对每一个被检测单元（Cell Under Test, CUT），CFAR 通常定义三类区域：
| Training | Guard | CUT | Guard | Training |
- CUT（被检测单元）：当前要判断是否为目标的点。
- Guard Cells（保护单元）：位于 CUT 两侧，防止目标能量泄漏进噪声估计，一般设置 1–4 个。
- Training Cells（训练单元）：用于估计背景噪声功率，一般设置 8–32 个或更多。
三、常见的 CFAR 类型
1. CA-CFAR（Cell Averaging CFAR）
最基础的类型，用训练单元的平均功率估计噪声。
- 优点：简单、易实现，适合噪声均匀场景。
- 缺点：在多目标或强杂波环境下性能下降。
公式（功率域）： T = α · (1/N) Σ Pi
其中 α 为门限系数（由虚警率决定），N 为训练单元数。
2. OS-CFAR（Order Statistic CFAR）
不用均值，而是取排序后的第 k 大值作为噪声估计。
- 优点：抗强杂波能力强，抗多目标干扰。
- 缺点：计算量略大。
3. GO-CFAR / SO-CFAR
针对左右不对称场景：
- GO-CFAR：取左右两侧噪声估计中的较大者。
- SO-CFAR：取较小者。 常用于边缘目标或遮挡目标场景。
四、CFAR 在雷达处理链路中的位置
在典型的 FMCW 雷达处理链路中：
ADC → Range FFT → Doppler FFT → Range-Doppler Map → CFAR（2D） → 目标点云
- 1D CFAR：仅做距离检测。
- 2D CFAR：距离 - 速度联合检测，工程中更为常见。
五、MATLAB 示例：一维 CA-CFAR 演示
下面给出一个可直接运行的 MATLAB 示例，帮助初学者理解 CFAR 的工作方式。我们将构造一条含噪声的距离谱，人工加入目标，然后使用 CA-CFAR 进行检测。
