CFAR 目标检测算法详解（附 MATLAB 示例）
CFAR 目标检测算法，毫米波雷达工程师必须掌握的第一种检测算法
一、为什么雷达需要“目标检测算法”？
在毫米波雷达中，我们最终想知道的不是“信号长什么样”，而是：
哪里有目标？目标有多少？哪些是噪声？
然而，雷达接收到的信号永远是下面三者的混合：
- 真实目标回波
- 环境杂波（地面、墙面、人体、车辆反射）
- 系统噪声（热噪声、量化噪声等）
在经过 ADC → FFT → 距离谱 / 多普勒谱 后，你会看到大量起伏的谱线。
问题来了：
在一个噪声水平不断变化的环境中，如何“公平、稳定”地判断某个峰值是不是目标？
这正是 CFAR（Constant False Alarm Rate，恒虚警率）算法存在的意义。
二、CFAR 的核心思想（一句话版）
门限不固定，而是根据“周围环境噪声”动态调整。
换句话说：
- 噪声大 → 门限自动抬高
- 噪声小 → 门限自动降低
- 始终保持一个“近似恒定”的虚警概率
这比“固定阈值法”工程上可靠得多。
三、CFAR 的物理意义（非常重要）
1️⃣ 雷达不是在“找最大值”，而是在“找异常”
CFAR 的本质不是：
“这个点是不是很大？”
而是：
“这个点是否显著高于它周围的统计背景？”
如果你把雷达距离谱想象成一条“地形起伏的山脉”：
- 噪声 = 起伏的地面
- 目标 = 突然冒出的山峰
CFAR 做的事情就是：
先估计地面高度，再判断某个山峰是否“足够突出”。
2️⃣ 为什么必须是“周围噪声”？
因为在雷达系统中：
- 噪声功率随距离变化
- 杂波随场景变化
- AGC、窗口函数都会改变谱形
固定门限 = 工程灾难
CFAR 利用 局部统计，是唯一实用的方法。
四、CFAR 的基本结构（工程视角）
对每一个被检测单元（Cell Under Test, CUT），CFAR 都会定义三类区域：
| Training | Guard | CUT | Guard | Training | 1️⃣ CUT（被检测单元）
- 当前要判断是否为目标的点
2️⃣ Guard Cells（保护单元）
- 防止目标能量泄漏进噪声估计
- 一般 1–4 个
3️⃣ Training Cells（训练单元）
- 用来估计背景噪声功率
- 一般 8–32 个（甚至更多）
五、最常见的 CFAR 类型
1️⃣ CA-CFAR（Cell Averaging CFAR）——最基础
思想：
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：
- 多目标、强杂波下性能下降
公式（功率域）：
T = α ⋅ 1 N ∑ i = 1 N P i T = \alpha \cdot \frac{1}{N}\sum_{i=1}^{N} P_i T=α⋅N1i=1∑NPi
其中：
- α ：门限系数（由虚警率决定）
- N：训练单元数
2️⃣ OS-CFAR（Order Statistic CFAR）
思想：
不用均值，用排序后的第 k 大值
优点：
- 抗强杂波
- 抗多目标
缺点：
- 计算量略大
3️⃣ GO-CFAR / SO-CFAR（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、遮挡目标 场景。
六、CFAR 在毫米波雷达中的位置
在典型 FMCW 雷达处理链路中：
ADC ↓ Range FFT ↓ Doppler FFT ↓ Range-Doppler Map ↓ CFAR（2D） ↓ 目标点云 - 1D CFAR：距离检测
- 2D CFAR：距离-速度联合检测（工程中更常见）
七、MATLAB 示例：一维 CA-CFAR 演示
下面给出一个 可直接运行的 MATLAB 示例，适合初学者理解 CFAR 的工作方式。
📌 示例功能
- 构造一条含噪声的距离谱
- 人工加入目标
- 使用 CA-CFAR 检测目标
✅ MATLAB 示例代码（ca_cfar.m）
%% CFAR 目标检测算法演示% 作者：雷达物联 clc; clear; close all;%% 1. 构造模拟距离谱 N =256;% 距离单元数 noise_power =1; signal =sqrt(noise_power/2)*...(randn(1,N)+1j*randn(1,N));% 加入两个目标signal(80)=signal(80)+10;signal(150)=signal(150)+15;% 功率谱 power_spectrum =abs(signal).^2;%% 2. CFAR 参数 num_train =12;% 训练单元数（单侧） num_guard =2;% 保护单元数 P_fa =1e-4;% 虚警概率 N_train =2* num_train; alpha = N_train *(P_fa^(-1/N_train)-1);%% 3. CA-CFAR 检测 threshold =zeros(1, N); cfar_out =zeros(1, N);fori= num_train + num_guard +1: N - num_train - num_guard % 左右训练单元 training_cells =...[power_spectrum(i-num_guard-num_train :i-num_guard-1),...power_spectrum(i+num_guard+1:i+num_guard+num_train)]; noise_est =mean(training_cells);threshold(i)= alpha * noise_est;ifpower_spectrum(i)>threshold(i)cfar_out(i)=power_spectrum(i);endend%% 4. 绘图 figure;plot(10*log10(power_spectrum),'b'); hold on;plot(10*log10(threshold),'r--','LineWidth',1.2);stem(find(cfar_out),...10*log10(cfar_out(cfar_out>0)),...'g','filled'); grid on;xlabel('Range Bin');ylabel('Power (dB)');legend('Range Spectrum','CFAR Threshold','Detected Targets');title('CA-CFAR Target Detection Example');八、如何理解这段代码（工程直觉版）
- training_cells：模拟“你站在 CUT 周围观察地面高度”
- noise_est：背景噪声估计
- alpha：控制“你有多谨慎”
- threshold：动态门限
- cfar_out：最终被认为是“目标”的点
九、CFAR 工程实践中的常见坑
⚠️ 1. 直接在幅度域做 CFAR
✔ 正确：功率域（|x|²）
⚠️ 2. Guard Cell 太少
- 目标能量泄漏 → 门限抬高 → 漏检
⚠️ 3. 虚警率随便选
- 工程常用：
1e-3 ~ 1e-6 - 需要结合系统帧率、算力
⚠️ 4. 忽略窗口函数影响
FFT 窗口会改变噪声统计分布，需注意门限系数是否匹配。
十、总结（给初学者的关键结论）
- CFAR 不是“雷达算法”，而是“统计检测算法”
- 它解决的是：在不确定噪声环境下，如何稳定找目标
- CA-CFAR 是所有 CFAR 的起点
- 几乎所有毫米波雷达系统都离不开 CFAR
- 理解 CFAR = 理解“雷达如何做决策”
十一、进阶学习建议
如果你希望进一步学习：
- 2D CFAR（Range-Doppler）
- OS-CFAR / GO-CFAR
- 多目标遮挡下的 CFAR 行为
- CFAR + 聚类 + 跟踪（工程完整链路）
建议在 真实 FMCW 雷达数据 上动手实验。
关注我们（雷达物联），一起学习。
