雷达目标检测方法总结

目标检测问题

雷达返回的信号，经A/D采样后输出。

而输出的信号，除了有目标信号外，还包含了环境的噪声信号。

​目标检测任务就是，如何从含有噪音的信号中提取有效的目标信息，最大化检测概率，最小化误报概率。

​雷达数据的特征

目标速度快慢，离雷达的远近，在雷达波形中都有直观体现，使得雷达数据信号具有数学统计特征，这主要反映在幅度、频率、相位方面：

1. 当有目标出现时，目标反射的无线电波能量较强，导致雷达接收到的信号幅度增加，雷达回波的幅度会相对较大。
2. 当目标物体靠近雷达时，回波的频率会升高；反之，当目标物体远离雷达时，回波的频率会降低，因此，目标物体的运动会引起雷达回波的频率发生变化。
3. 当目标靠近雷达时，回波的相位会提前；当目标远离雷达时，回波的相位会延后。
4. 另外，雷达系统根据目标距离和速度调整脉冲重复频率（PRF），以保持对目标的连续跟踪。当目标距离较远时，脉冲重复频率较低；当目标距离较近时，脉冲重复频率较高。

因此，相应的就可以使用数学分析方法，例如

1. 标准差：使用标准差来雷达信号的离散程度。
2. 相关性：反映雷达信号各相邻脉冲之间的相关性，可用于判断目标的运动状态。
3. 功率谱密度：反映雷达信号在不同频率上的能量分布，可用于分析目标的频率特征。

雷达目标检测方法

目标的存在会引起雷达信号的明显变化或等效地增加信号标准偏差，如下图所示:

当场景中不存在目标时，雷达信号的幅度集中在原点附近，而当存在目标时，雷达信号的幅度在更宽的范围内变化，直方图就简单的反应出了雷达回波信号的分布。

在雷达信号处理中，经常使用一个阈值去过滤噪声，但实际情况，由于噪音或者干扰信号的影响，很难选择一个合适的阈值，如下图所示，这就需要根据SNR(Signal-to-Noise) 水平，选取合适的技术或者多种技术，来减小False Alarm。

由于通常会受到噪声和干扰的影响，当我们想从噪声中提取微弱有用信号时，我们可以将多个信号集成(integration) 在一起处理，通过将信号样本相加来提高信噪比，同时对噪声和干扰进行平均，这就是相干积分(Coherent integration)和非相关积分(non-coherent integration)

积分的结果是目标信号增强了，而噪音信号减弱了。

但是，在选取阈值时，我们假设基于理论概率，并且仅限于具有已知方差(功率) 的高斯白噪声。在实际应用中，噪声通常是有色的，其功率是未知的。假设雷达信号由噪声和杂波组成，这使得检测真实目标变得困难。使用纯噪声样本估计本底噪声，这就是自适应阈值方法。这就是CFAR技术，CFAR(Constant False-Alarm Rate 恒定误报率) 方法是雷达目标检测中使用的一种信号处理技术，用于在存在噪声和杂波的情况下检测目标。CFAR 方法被称为“恒定误报率”，因为它旨在保持恒定的误报概率，而不管雷达信号中的噪声和杂波水平如何。

例如CA-CFAR的估计函数：

在存在噪声和杂波的情况下，CFAR能减小误报水平。但是，在复杂背景下，例如强杂波环境或目标与背景特性相似的情况下，CFAR算法可能出现虚警，对动态环境（如目标速度、尺寸变化等）适应性较差，因此，实际使用中，仍然可能需要结合其他方法。

上图简单的罗列了几项常见的目标检测方法，本文先作为一个阶段性总结，后续再接再厉，努力继续完善。