雷达信号处理之恒虚警（CFAR）
恒虚警率（Constant False Alarm Rate, CFAR）是一种自适应阈值目标检测技术，在雷达信号处理中用于从噪声和杂波背景中检测出目标回波。其核心思想是：无论背景噪声或杂波的功率如何变化，都保持虚警概率 $P_{fa}$ 为一个预先设定的常数。
1. 基本原理与流程
CFAR 算法通过实时估计待检测单元（Cell Under Test, CUT）周围的背景噪声或杂波功率，并根据期望的虚警率 $P_{fa}$ 自适应地确定检测阈值 $T$。
主要步骤：
- 滑动窗口（Detection Window）：在待检测数据（通常是距离 - 多普勒图或距离向数据）上设定一个固定大小的滑动窗口。
- 单元划分：窗口内的单元被划分为三个部分：
- 待检测单元（CUT）：位于窗口中心，是我们要判断是否包含目标的单元。
- 保护单元（Guard Cells, $G$）：紧邻 CUT 两侧，用于防止目标能量泄露（Sidelobes）污染噪声估计，不参与噪声功率计算。
- 参考/训练单元（Training Cells, $N$）：位于保护单元外侧，用于估计背景噪声/杂波的平均功率。
- 目标检测：将 CUT 的功率值 $P_{\text{CUT}}$ 与阈值 $T$ 进行比较：
- 如果 $P_{\text{CUT}} \le T$，则判断不存在目标（No Target）。
- 如果 $P_{\text{CUT}} > T$，则判断存在目标（Target Detected）。
- 门限计算：根据估计的背景功率 $\hat{\sigma}^2$ 和一个比例因子（或称门限因子/门限系数）$\alpha$，确定检测阈值 $T$： $$T = \alpha \cdot \hat{\sigma}^2$$ 其中，$\alpha$ 是根据期望的虚警率 $P_{fa}$ 和噪声统计分布（如瑞利分布、韦伯分布等，通常简化为指数分布或高斯分布）推导出来的。
- 背景功率估计：计算所有参考单元的平均功率 $P_{\text{avg}}$，作为背景噪声功率的估计值 $\hat{\sigma}^2$。
2. 常见 CFAR 算法分类
CFAR 算法根据参考单元功率的计算方式不同，可以分为多种类型，以适应不同的杂波环境：
| 算法类型 | 噪声估计方式 | 适用场景 | 关键特点 |
|---|---|---|---|
| CA-CFAR (Cell Averaging) | 对所有参考单元的功率进行算术平均。 | 背景噪声/杂波均匀、同性。 | 性能最优良的基准算法，但对于多目标或杂波边界性能差。 |
| GO-CFAR (Greatest Of) | 分别计算参考单元左侧和右侧的平均功率，取两者中较大值作为背景估计。 | 适用于杂波功率突变（如杂波边界）的情况。 | 在杂波边界处能有效抑制虚警。 |
| SO-CFAR (Smallest Of) | 分别计算参考单元左侧和右侧的平均功率，取两者中较小值作为背景估计。 | 适用于多目标环境（避免强目标泄露到训练单元，抬高门限）。 | 在双目标或密集目标环境下，检测性能优于 CA-CFAR。 |
| OS-CFAR (Order Statistic) | 对所有参考单元的功率进行排序，选取排序后第 $k$ 个值作为背景估计。 | 适用于多目标、非均匀杂波环境。 | 鲁棒性强，可有效去除训练单元中的干扰目标。 |
3. MATLAB 实际用例：CA-CFAR 实现
以下提供一个基于 MATLAB 的单元平均恒虚警率（CA-CFAR）算法的简单实现，用于一维雷达距离向数据检测。
MATLAB 代码
%% 1. 模拟雷达数据生成 % 仿真参数
N_data = 1000; % 总数据点数 (距离单元数)
P_noise_dB = 0; % 背景噪声功率 (dB)
P_noise = 10^(P_noise_dB/10); % 背景噪声功率 (线性)
% 生成背景噪声 (假设为瑞利分布的平方，即指数分布)
% 实际雷达数据通常是幅度谱的平方，即功率谱，在噪声背景下服从指数分布
noise_power = exprnd(P_noise, 1, N_data);
% 添加目标 (Target)
target_amp_dB = 15; % 目标幅度高于噪声的 dB 数
target_amp = 10^(target_amp_dB/10); % 目标功率 (线性)
target_cell_1 = 200; % 目标 1 位置
target_cell_2 = 600; % 目标 2 位置
data = noise_power; % 初始数据为噪声
data(target_cell_1) = data(target_cell_1) + target_amp; % 添加目标 1
data(target_cell_2) = data(target_cell_2) + target_amp; % 添加目标 2
%% 2. CA-CFAR 参数设置
N_ref = 10; % 参考单元 (Training Cells) 数量 (单侧)
N_guard = 2; % 保护单元 (Guard Cells) 数量 (单侧)
N_window = 2*N_ref + 2*N_guard + 1; % 总窗口长度
% 期望的虚警率 (Pfa)
Pfa = 1e-4;
% 计算门限因子 (Threshold Factor) alpha
% 假设背景噪声服从指数分布 (如非相干积累后的幅度平方数据)
% Pfa = exp(-alpha * N_ref) / (N_ref!) * (alpha * N_ref)^(N_ref) (复杂)
% 近似简化公式 (CA-CFAR for Exponential Noise):
alpha = N_ref * (Pfa^(-1/N_ref) - 1);
% 初始化结果向量
threshold = zeros(1, N_data);
detection = zeros(1, N_data);
%% 3. CA-CFAR 检测主循环
for CUT = 1 : N_data
% 计算滑动窗口的索引
idx_start = CUT - N_ref - N_guard;
idx_end = CUT + N_ref + N_guard;
% 检查边界条件
if idx_start < 1 || idx_end > N_data
% 窗口不足，跳过边界单元
threshold(CUT) = NaN;
continue;
end
% 确定参考单元的索引
% 左侧参考单元索引
idx_L = [idx_start : CUT - N_guard - 1];
% 右侧参考单元索引
idx_R = [CUT + N_guard + 1 : idx_end];
% 提取参考单元功率
training_cells = [data(idx_L), data(idx_R)];
% 计算参考单元的平均功率 (背景噪声估计)
P_avg = mean(training_cells);
% 计算自适应门限
T = alpha * P_avg;
threshold(CUT) = T;
% 目标检测判断
if data(CUT) > T
detection(CUT) = 1; % 目标被检测到
end
end
%% 4. 结果可视化
figure;
subplot(2,1,1);
plot(1:N_data, 10*log10(data), 'b', 'LineWidth', 1.5);
hold on;
plot(1:N_data, 10*log10(threshold), 'r--', 'LineWidth', 2);
scatter(find(detection), 10*log10(data(find(detection))), 50, 'r', 'filled');
xlabel('距离单元 (Range Cell)');
ylabel('功率 (dB)');
title(['CA-CFAR 目标检测结果 (P_{fa} = ', num2str(Pfa), ')']);
legend('雷达功率', 'CFAR 阈值', '检测到的目标', 'Location', 'NorthEast');
grid on;
subplot(2,1,2);
plot(1:N_data, detection, 'k', 'LineWidth', 1.5);
xlabel('距离单元 (Range Cell)');
ylabel('检测状态 (1=目标)');
title('目标检测状态');
ylim([-0.1 1.1]);
grid on;
关键说明
- 数据模型：本例假设雷达数据为功率谱，背景噪声服从指数分布（这是非相干积累后，幅度平方数据在纯噪声环境下的典型分布）。
- 边界处理：在循环中，对于窗口无法完全覆盖参考单元和保护单元的边缘数据点，我们选择跳过（设置
threshold为NaN），实际应用中也可采用更复杂的填充或截断策略。 - 门限因子 $\alpha$：在指数分布假设下，$\alpha$ 的计算公式为 $\alpha = N_{\text{ref}} \cdot ({P_{fa}}^{-1/N_{\text{ref}}} - 1)$。这个公式确保了虚警率恒定在预设的 $P_{fa}$。
这个 MATLAB 示例清晰地展示了 CA-CFAR 的自适应特性：阈值 $T$ 会跟随背景噪声的功率水平变化，但在目标出现的位置，因为目标能量被保护单元隔开，阈值不会被目标自身抬高，从而实现可靠检测。
