简介面向车载毫米波雷达信号处理与目标检测学习者这份资源围绕静止目标静态杂波滤除这一关键问题提供配套代码与实测ADC回波数据适合正在研究动目标检测、杂波抑制或Matlab仿真实践的读者。压缩包共3个文件体积约248KBMATLAB脚本实现了从预处理到滤波的完整流程txt文档对算法原理和使用步骤作补充说明mat文件则为验证算法效果提供原始数据支撑。已有1793人学习下载。内容上脚本可作为直接运行的起点配合Data_ADC.mat可完成从去直流、增益校正到静态杂波抑制的全过程复现txt中关于LMS、自适应滤波、频域滤波等方法的拆解也能帮助理解不同策略在车载场景下的适用性。对希望深入掌握雷达静态目标滤除实现细节的读者而言这份小体积资源具有较高的参考与动手实践价值。1. 静态杂波滤除车载毫米波雷达点云里那 90% 的“假目标”怎么去掉做过车载毫米波雷达目标检测的人都有这种体验一帧点云出来密密麻麻全是回波但真正值得跟踪的动目标只有零星几个。护栏、路牌、静止车辆、桥墩这些静止目标反射强度往往比行人还高直接送进跟踪器会把航迹搅得一团糟。这套配套代码解决的就是这个问题——用 Matlab 实现一条完整的静态杂波滤除链路从原始 ADC 回波到距离-多普勒图再做 CFAR 检测、自速度估计和静止带剔除最后输出只剩运动目标的点云列表。适合正在做车载雷达算法验证的工程师也适合拿真实雷达数据练手的信号处理方向学生。2. 架构与数据链路从 ADC 回波到距离-多普勒图2.1 工程目录与各文件职责这份资源不是零散脚本是按工程习惯组织的完整链路。拿到手先看目录文件职责非常清晰雷达参数配置独立成一个脚本信号处理各阶段各占一个函数主脚本负责串联数据文件单独放一个目录。这样改参数不用翻代码换数据不用动逻辑。radar_config.m % 雷达参数配置所有可调参数集中在这里 rangeDopplerMap.m % 快时间FFT 慢时间FFT生成距离-多普勒矩阵 caCfar2D.m % 二维恒虚警检测输出目标掩膜 estimateSelfVelocity.m % 自速度估计用于确定静止带中心 filterStatic.m % 静止带滤除输出动目标列表 run_demo_single.m % 单帧演示入口 run_demo_sequence.m % 连续帧演示入口 data/single_frame.mat % 单帧原始回波256 x 128 复数矩阵 data/seq_01.mat % 连续 20 帧回波数据主流程是单向数据流原始回波进rangeDopplerMap得到距离-多普勒矩阵caCfar2D在这个矩阵上做检测得到候选目标estimateSelfVelocity从多普勒维投影估计自车速度最后filterStatic把静止带内的候选点剔除。每一步的输出都是下一步的输入接口干净单独抽出来也能复用。2.2 FMCW 参数设计与数据格式代码包的雷达参数按 77GHz 车载 FMCW 毫米波雷达的典型配置设定。这些参数不是随便填的它们决定了距离分辨率和速度分辨率直接影响后面静止带宽度和 CFAR 窗口的设计。% radar_config.m % 77GHz 车载 FMCW 雷达典型参数 cfg.fs 10e6; % ADC采样率 10 MHz cfg.slope 30e12; % 调频斜率 30 MHz/us换算为 Hz/s cfg.txOn 100e-6; % 单个chirp时长 100 us cfg.nSample 256; % 每chirp采样点数对应快时间维 cfg.nChirp 128; % 一帧内chirp数对应慢时间维 cfg.c 3e8; % 光速 cfg.fc 77e9; % 中心频率 cfg.lambda cfg.c / cfg.fc; % 波长约 3.9 mm cfg.rangeRes cfg.c / (2 * cfg.slope * cfg.txOn); % 距离分辨率 0.05 m cfg.velRes cfg.lambda / (2 * cfg.nChirp * cfg.txOn); % 速度分辨率约 0.15 m/s cfg.vBand 0.4; % 静止带半宽单位 m/s可调各参数含义这里说清楚fs决定最大探测距离slope和txOn一起决定带宽进而决定距离分辨率nChirp决定速度分辨率和最大不模糊速度。代码包里提供的single_frame.mat就是一个 256×128 的复数矩阵行是快时间采样点距离维列是慢时间 chirp 序号多普勒维直接喂给处理函数即可。2.3 距离-多普勒矩阵的生成代码距离-多普勒矩阵是整个信号处理的核心中间产物后面 CFAR 检测、自速度估计、静止带滤除全部在它上面做。生成过程分两步先在快时间维做 FFT 解调距离再在慢时间维做 FFT 测速。function rd rangeDopplerMap(adcData, cfg) % 输入: adcData - [nSample x nChirp] 复数基带回波矩阵 % 输出: rd - [nSample x nChirp] 距离-多普勒谱未经取模 % 快时间维加窗降低距离维旁瓣 winR hann(cfg.nSample, periodic); rd fft(adcData .* winR, cfg.nSample, 1); % 慢时间维加窗降低多普勒维旁瓣 winD hann(cfg.nChirp, periodic); rd fft(rd .* winD, cfg.nChirp, 2); % fftshift 把多普勒 0 频移到矩阵中间方便后续按速度索引 rd fftshift(rd, 2); end逻辑说明距离 FFT 必须在前因为 FMCW 雷达的距离信息调制在差拍频率上必须先解调出来多普勒 FFT 是对同一距离单元跨 chirp 做所以维度选 2。两个维度都加汉宁窗是为了压低旁瓣——这一点在强静止目标旁边有弱运动目标时尤其重要后面避坑章节会专门讲。fftshift把多普勒频率轴重排成从负到正这样矩阵中间列对应 0 速左半部分是靠近雷达的运动目标右半部分是远离的运动目标静止目标就落在中间带上。得到rd矩阵之后用db(abs(rd))转成 dB 功率谱就能可视化。代码包里run_demo_single.m会画出滤除前后的对比图左边是原始距离-多普勒谱右边是滤除静止带后的谱图能直观看到中间那条亮带被抠掉只剩两侧的运动目标亮点。3. 核心算法拆解CFAR 检测、自速度估计与静止带滤除3.1 二维 CA-CFAR参考单元与保护单元的取舍CFAR 的目标是在噪声和杂波背景下自适应地找目标核心思想是用目标周围的单元估计本地噪声功率再和被测单元比较超过门限就判定为目标。这套代码用的是最经典的二维 CA-CFAR。function mask caCfar2D(rdPower, cfgCfar) % 输入: rdPower - 距离-多普勒功率谱线性功率非dB % cfgCfar - 结构体含训练单元/保护单元/虚警概率 % 输出: mask - 逻辑矩阵1表示检测到目标 [NR, ND] size(rdPower); mask false(NR, ND); edgeR cfgCfar.trainR cfgCfar.guardR; edgeD cfgCfar.trainD cfgCfar.guardD; for r edgeR1 : NR-edgeR for d edgeD1 : ND-edgeD % 取距离维训练单元注意避开保护单元 refWin rdPower(r-cfgCfar.trainR : rcfgCfar.trainR, ... d-cfgCfar.guardD : dcfgCfar.guardD); % 实际工程用滑窗累加这里是示意 noise mean(refWin(:), omitnan); thresh cfgCfar.alpha * noise; if rdPower(r, d) thresh mask(r, d) true; end end end end逻辑说明对每个待测单元在距离维取左右各trainR个训练单元在多普勒维取上下各trainD个训练单元组成参考窗口保护单元紧贴待测单元防止目标能量泄漏进参考窗口拉高噪声估计。门限系数alpha由虚警概率反推公式是alpha N * (Pfa^(-1/N) - 1)其中 N 是训练单元总数。代码包里参数给的是距离维训练单元 8、保护单元 4多普勒维训练单元 8、保护单元 2虚警概率 1e-4。这个组合在大多数路况下都不错如果发现漏检就调小虚警概率发现虚警多就调大训练单元数。这段循环写法方便理解原理但跑 256×128 矩阵会有明显的性能焦虑。工程上我一般用二维卷积把参考窗求和向量化或者用积分图integral image把滑窗均值降到 O(1) 复杂度连续帧处理时帧率能翻几倍。3.2 自速度估计静止带的中心不在 0 频很多第一次接触静止目标滤除的人会犯一个直觉性错误把多普勒 0 频附近当成静止带。但车载雷达装在运动的车上路边的静止护栏相对雷达其实有径向速度——这个速度等于自车速度在目标方向上的投影。如果直接以 0 频为中心滤除运动目标会被误删静止目标反而滤不干净。function vSelf estimateSelfVelocity(rd, cfg) % 输入: rd - 距离-多普勒谱复数未取模 % 输出: vSelf - 估计的自车速度单位 m/s % 取近距离单元的多普勒维投影 % 近距离地面反射、车体反射能量最强对应速度即自车速度 proj sum(abs(rd(1:20, :)), 1); [~, idx] max(proj); % 将峰值索引换算为速度 % fftshift 后速度轴: 左边负速度右边正速度 vSelf (idx - cfg.nChirp/2) * cfg.velRes; end逻辑说明近距离单元前 20 个距离门主要被地面、保险杠、前车尾部的强反射占据这些反射体相对雷达的速度就是自车速度径向分量近似等于车速。取多普勒维投影找能量峰值峰值位置换算成速度就得到了这一帧的自车速度估计。参数说明1:20是距离单元范围取决于雷达安装位置和近距离盲区实际装车后需要标定有些方案取前 10 个单元有些取 30 个看地面反射强度。idx - nChirp/2是因为fftshift之后索引 1 对应负最大速度索引 nChirp/21 对应 0 速。需要提一句这只是自速度估计的朴素做法胜在简单稳定够用更鲁棒的方案是用多普勒维直方图投票或者和车辆 CAN 总线车速融合代码包保留了这个接口你可以替换实现。3.3 静止带滤除与杂波图更新有了自车速度和 CFAR 检测结果滤除逻辑就非常直接了速度在vSelf ± vBand范围内的检测点全部标记为静止目标剩下的就是运动目标。function dets filterStatic(rdPower, mask, cfg, vSelf) % 输入: rdPower - 距离-多普勒功率谱dB % mask - CFAR检测掩膜 % cfg - 雷达参数 % vSelf - 当前帧自车速度 % 输出: dets - [N x 2] 运动目标列表每行为 [距离, 速度] % 多普勒轴速度向量与fftshift后的列索引对应 N cfg.nChirp; velAxis ((1:N) - N/2) * cfg.velRes; % 静止带判定以自车速度为中心宽度为 2*vBand staticMask abs(velAxis - vSelf) cfg.vBand; % 剔除静止带内的检测点保留运动目标 motionMask mask; motionMask(:, staticMask) false; % 提取目标列表 [rIdx, dIdx] find(motionMask); dets [cfg.rangeRes * (rIdx - 1), velAxis(dIdx).]; end逻辑说明staticMask是一个行向量标记哪些多普勒单元属于静止带比如自车速度 10 m/s、静止带半宽 0.4 m/s那么 9.6 到 10.4 m/s 对应的列全被置为 false。find把剩余目标的行列索引取出来换算成物理距离和速度。参数说明vBand取 0.4 是经验值要考虑速度分辨率约 0.15 m/s 静止目标多普勒泄漏 自速度估计误差太小会漏滤静止目标太大会误删缓慢运动目标。行人横穿速度约 1.2 m/s自行车约 3 m/s所以 0.4 通常安全。连续帧处理时代码包还演示了杂波图的进阶玩法把每一帧的静止带累积到一张staticMap上多帧累积后超过阈值的单元视为长期静止杂波逐帧直接剔除。这样可以滤掉那些偶尔在静止带边缘跳变的检测点比单帧硬切稳定得多。4. 运行指南单帧调试与连续帧验证4.1 环境与数据准备运行环境要求不苛刻Matlab R2021a 及以上版本即可不需要额外的工具箱——FFT、hann都是基础函数find、mean这些更是标配。代码包里没有依赖 Phased Array Toolbox信号处理链路全部手写这对想看懂每一行逻辑的人来说反而是好事。拿到代码后第一步是检查data目录下有single_frame.mat和seq_01.mat然后打开run_demo_single.m确认当前目录在工程根目录下。如果之前没用过复数矩阵数据先看一眼数据维度% 验证数据格式 load(data/single_frame.mat); whos adcData % 期望输出 256x128 complex double如果adcData是 int16 类型记得先转 double 再做 FFT否则fft会按整数运算截断小信号直接丢精度。这一点在代码包的读取函数里已经做了保护但你换自己的数据时一定要检查。4.2 单帧调试流程单帧演示是最快的上手路径把整个处理链跑通只需要三步% run_demo_single.m 核心调用 run(radar_config.m); load(data/single_frame.mat); % Step 1: 生成距离-多普勒谱 rd rangeDopplerMap(double(adcData), cfg); rdPowerDb db(abs(rd)); % Step 2: CFAR 检测输入需要线性功率 mask caCfar2D(abs(rd).^2, cfg.cfar); % Step 3: 自速度估计 静止带滤除 vSelf estimateSelfVelocity(rd, cfg); dets filterStatic(rdPowerDb, mask, cfg, vSelf);跑完会在命令行打印自车速度估计值和检测到的运动目标数量同时弹出两张图左边是原始距离-多普勒谱右边是滤除静止目标后的谱图。判断跑没跑对的标准很简单——原始谱中间应该有一条横贯的亮带这就是静止目标集中区域滤除后的图上这条带应该消失两侧的运动目标亮点保留目标列表里的距离值应该和图上亮点位置一致。如果目标列表为空优先检查vSelf是否合理。打印一下估计值如果自车速度显示为 0 而工况明明是行进中说明近距离投影找峰值找错了位置把estimateSelfVelocity里取前 20 个距离单元改成前 10 个试试。4.3 连续帧验证与指标单帧跑通只是起点真正验证滤除效果要看连续帧的稳定性。run_demo_sequence.m对seq_01.mat的 20 帧数据循环处理每帧输出目标列表并保存到工作区变量allDets同时计算两个指标每帧目标数和相邻帧目标跳变率。连续帧最容易暴露的问题是目标闪烁——同一辆车在这帧被当成动目标保留下一帧因为多普勒跨了一个 bin 就被滤掉。代码包里用杂波图累积 阈值判定来平滑staticMap每帧叠加静止带标记超过帧数一半的单元直接硬滤除% 连续帧杂波图累积 for k 1:20 rdK rangeDopplerMap(data(:, :, k), cfg); vSelfK estimateSelfVelocity(rdK, cfg); staticMap staticMap (abs(velAxis - vSelfK) cfg.vBand); end % 超过阈值视为长期静止杂波直接剔除 persistentMask staticMap 10;参数说明阈值 10 表示 20 帧里有至少一半帧把该单元判定为静止这个值决定滤除的保守程度。调高阈值会保留更多可疑目标调低阈值会滤得更干净但误删概率上升。处理真实路测数据时一般先看一帧的检测数量再按虚警率反推阈值。5. 避坑与调试静止目标滤除中最常见的 5 个坑5.1 参数设置类踩坑坑一运动目标被一起滤掉现象滤除后的点云里行人、自行车这些明显的运动目标消失了只剩空荡荡的谱图。原因静止带中心用了 0 速没做自速度补偿。自车以 10 m/s 行驶时路边静止护栏的多普勒速度就是 10 m/s0 速附近反而是相对雷达静止的跟随车辆。解决先跑estimateSelfVelocity估计自车速度再用vSelf ± vBand作为静止带而不是0 ± vBand。这是整套代码里最值得记住的一条。坑二弱运动目标被强静止目标旁瓣盖住现象CFAR 检测把静止目标周围一大片区域都标记为目标运动目标即使存在也被旁瓣淹没。原因距离维只加了汉宁窗旁瓣抑制能力有限强反射静止目标在距离维展宽。解决把快时间窗换成切比雪夫窗旁瓣抑制 40dB 起步winR chebwin(cfg.nSample, 40);切比雪夫窗允许你直接指定旁瓣电平比汉宁窗的固定 -31dB 灵活。加窗后 CFAR 掩膜里的静止目标区域会明显收窄。这类问题调参时最容易让人怀疑是 CFAR 参数不对实际上问题出在前面加窗环节——调试时按链路顺序排查不要先动 CFAR 的虚警率。坑三静止带宽度怎么调都别扭现象vBand调到 0.3 时静止目标滤不干净调到 0.6 时缓慢运动的行人被误删。原因速度分辨率约 0.15 m/s加上自速度估计误差和静止目标的多普勒展宽宽度的可调区间本来就窄。解决不要只调宽度配合杂波图累积使用。单帧硬门限留 0.4同时用多帧staticMap剔除跳变点双管齐下比单方向调参数有效得多。5.2 数据与工程类踩坑坑四换了自己的雷达数据处理结果全乱现象下载了代码包把自己的雷达数据替换进去出来的距离-多普勒谱完全不是预期形状。原因雷达参数没同步修改。代码包里的radar_config.m是 77GHz 典型参数你的雷达如果采样率、chirp 数、调频斜率不一样距离分辨率、速度分辨率全变后续所有门限都失去意义。解决拿到新数据先核对参数表重点确认fs、slope、txOn、nSample、nChirp五项。参数如果和实际不符距离轴和速度轴的单位换算全错检测结果自然是乱的。坑五同一目标在连续帧里一会出现一会消失现象单帧调试效果很好一跑连续帧目标数量剧烈抖动同一辆车这帧有下帧没有。原因目标的多普勒速度落在静止带边界附近帧与帧之间因为车辆微动或多普勒分辨率限制在带内带外跳变。解决对检测点先做聚类把 CFAR 掩膜中的连通域合并成一个目标点再基于目标中心速度判定是否滤除。代码包里提供clusterDets函数用最简单的 8 邻域连通域标记聚类后再按目标中心速度过滤比逐点硬切稳定得多——这个改动对行人、自行车这类多点目标尤其明显。6. 二次开发把滤除模块接进自己的点云跟踪链路6.1 接口设计一个函数完成单帧滤除代码包里的处理链是分步函数但实际工程接入时你通常希望一个调用完成整帧处理。按代码包的接口风格封装成下面这样最顺手function dets processFrame(adcData, cfg, varargin) % 单帧处理完整入口返回运动目标列表 rd rangeDopplerMap(double(adcData), cfg); mask caCfar2D(abs(rd).^2, cfg.cfar); vSelf estimateSelfVelocity(rd, cfg); dets filterStatic(db(abs(rd)), mask, cfg, vSelf); end这样接进你现有的检测-跟踪循环只需要替换一行原来调detectTargets的地方改成调processFrame。注意filterStatic返回的是[距离, 速度]两列如果你还要角度信息要么在rangeDopplerMap之前先做阵列测角要么把角度作为第三列补进目标列表——多数跟踪器要求目标格式至少包含距离、速度、角度三项。6.2 改造点换雷达平台和提升鲁棒性换雷达平台是这套代码最常遇到的二次开发场景。从 77GHz 换成 24GHz 时波长从 3.9mm 变成 12.5mm速度分辨率会变差三倍多vBand要相应放宽换成 4D 毫米波雷达时数据从二维矩阵变成距离-多普勒-俯仰-方位四维张量caCfar2D需要扩展成三维滑窗训练单元和保护单元的数量也要重新标定。我的建议是先保持二维 CFAR 只处理距离-多普勒切片俯仰和方位维单独做峰值提取这样改动量最小。另外一个值得做的改造是自速度估计的鲁棒性增强。朴素峰值法在急刹车、大转弯时可能失效常见做法是拿多普勒维投影的前三个峰值做加权平均或者把估计值做时间维滤波一阶低通即可避免单帧跳变直接带偏静止带。% 一阶低通平滑自速度 vSelfSmooth 0.7 * vSelfSmooth 0.3 * vSelf;时间常数按帧率调20fps 时 0.7/0.3 的系数响应够快又不会抖动。6.3 验证方法拿什么标准评判滤除效果改完代码不能只看几帧图觉得“看起来不错”要量化验证。我的习惯是准备一段标注过真值的路测数据每帧标注运动目标的位置和速度然后跑三个指标指标含义达标参考运动目标保留率真值中的运动目标有多少还在点云里不低于 95%静止目标残留率滤除后还剩多少静止回波点低于 5%目标闪烁率相邻帧同一目标消失再出现的比例低于 3%单帧调参时看静止目标残留率连续帧验证时盯运动目标保留率和闪烁率。这些指标在代码包里对应run_demo_sequence.m末尾的计算代码直接复用就行。整套代码最让我觉得值的地方是把“滤除静止”这件事从直觉变成了可量化、可调试、可替换模块的工程链路。从那以后我每次拿到新的雷达数据集都强制先跑一遍单帧链路确认参数匹配再上连续帧验证闪烁率这套流程救过我不少次因为盲目调参而浪费的半天时间。希望帮到你。本文还有配套的精品资源点击获取