CFAR（恒虚警率检测）详细的原理解读与实现

CFAR（恒虚警率检测）详细的原理解读与实现

目录

1. 前言
2. CFAR的背景与意义
   2.1 为什么固定阈值不适用
   2.2 CFAR核心思想
3. CFAR的数学原理
   3.1 噪声模型与分布
   3.2 检测阈值的推导与虚警率
   3.2.1 单个脉冲高斯模型下的阈值计算
   3.2.2 瑞利/指数分布模型及其阈值
   3.3 训练单元数量与$\alpha$因子的关系
4. CFAR的类型与对比
   4.1 CA-CFAR：Cell-Averaging CFAR
   4.2 GO-CFAR：Greatest-Of CFAR
   4.3 SO-CFAR：Smallest-Of CFAR 与 LO-CFAR：Largest-Of CFAR
   4.4 OS-CFAR：Ordered-Statistics CFAR
5. 滑窗结构与1D/2D CFAR实现
   5.1 滑窗结构
   5.2 保护单元与训练单元
   5.3 1D CFAR与2D CFAR
6. CFAR在实际雷达中的应用流程
   6.1 距离-多普勒平面中的CFAR
   6.2 多普勒-角度平面或三维空间中的扩展
7. CFAR的优缺点与改进方向
8. 参考资料
9. 代码示例：1D与2D CFAR
10. 代码简要解读

---

前言

在雷达信号处理中，需要从噪声和杂波中可靠地检测目标。然而，真实环境下的噪声强度并不固定，如果直接使用一个固定阈值，很难在不同噪声水平的区域中维持相同的检测性能。恒虚警率检测（CFAR, Constant False Alarm Rate）就是在此背景下产生，它可以根据局部环境噪声的变化自适应地调整阈值，从而在各种环境中保持一个相对恒定的虚警概率。

---

CFAR的背景与意义

为什么固定阈值不适用

1. 环境杂波变化大：地面/海面反射、气象杂波等会随着雷达所在位置、姿态以及天气条件显著变化。
2. 电子系统噪声随机性：硬件电路带来的热噪声、量化噪声等并非常量。
3. 远近处差异明显：随着距离增大，回波信号衰减；在远距离若仍用同一门限，可能导致漏检或虚警增多。

CFAR核心思想

• 局部自适应：在检测目标单元（测试单元）附近寻找一批训练单元（参考单元），统计背景噪声水平；
• 基于统计分布计算阈值：根据期望的虚警概率，确定阈值因子 $\alpha$，将噪声估计值放大后形成检测阈值；
• 恒虚警率：理想情况下，无论噪声环境如何变化，系统都能维持一个接近预期的虚警率。

---

CFAR的数学原理

噪声模型与分布

在CFAR的理论推导中，常见的噪声或杂波分布假设有：

1. 高斯分布(Gaussian)：多用于脉冲雷达检测同相/正交分量；
2. 瑞利分布(Rayleigh)：幅度起伏的常见模型；
3. 指数分布(Exponential)：如果考虑功率检测后则符合指数分布；
4. 威布尔分布(Weibull)、对数正态分布(Log-normal)、卡方分布(Chi-square) 等。

不同分布下的数学推导可能略有差异，但核心思想类似：通过噪声分布的尾部概率（与虚警概率相关）反推出$\alpha$。

检测阈值的推导与虚警率

3.2.1 单个脉冲高斯模型下的阈值计算

假设：

• 回波信号经过相干接收后的I/Q分量服从独立的零均值高斯分布；
• 或者在非相干检测下，功率服从指数分布。

假设我们仅以回波功率 $|X{|}^2$ 为检测量，噪声功率均值为 ${\sigma }^2$。如果噪声是高斯模型，在功率域上通常表现为指数分布，PDF为：
$$p(x)=\frac{1}{{\sigma }^2}{e}^{-x/{\sigma }^2},x\ge 0.$$
若设定虚警概率$P_{fa}$，即
$$P(X$$