1. 从“看不见”到“看得清”海空小目标识别到底在解决什么问题第一次接触“海空小目标识别”这个概念是在一个做雷达信号处理的朋友那里。他当时指着屏幕上一堆杂波问我“你能从这里面找出那架无人机吗”我盯了半天只看到一片花花绿绿的斑点。他笑了笑圈出一个比指甲盖还小的亮点说“就这个信噪比不到6dB传统检测门限一卡就没了。”这个场景几乎就是海空小目标识别领域的日常。所谓“海空小目标”通常指雷达截面积RCS在0.01到1平方米量级、飞行或运动高度低、速度慢、回波微弱的目标比如小型无人机、巡飞弹、海面漂浮物、小型快艇、甚至鸟群。它们和常规飞机、大型舰船最大的区别在于回波能量弱、背景杂波强、运动特征不明显导致传统雷达检测手段经常“视而不见”。这个方向为什么最近几年热度持续上升原因很直接低空经济、无人系统、海面监控、要地防护等场景都在爆发式增长而现有雷达体系对这类目标的检测概率和识别准确率远远不够。你可能会问雷达不是能看几百公里吗怎么连个小无人机都搞不定这里有个常见的误解——雷达的探测距离和它能不能“稳定发现并识别”一个目标完全是两码事。雷达距离方程告诉我们接收功率与目标RCS成正比、与距离四次方成反比。一个RCS为0.01平方米的小目标在10公里处的回波功率可能比一架大型客机在200公里处的回波还要弱。再加上海面反射、地物杂波、多径效应信号处理链路的每一个环节都在跟噪声“抢”目标。所以海空小目标识别不是单一技术点而是一整套从信号层到信息层再到决策层的技术体系。它涉及雷达波形设计、杂波抑制、微弱信号检测、微多普勒特征提取、多传感器融合、目标分类识别等多个环节。适合谁来参考如果你是做雷达信号处理、多传感器融合、边缘计算部署的工程师或者是对低空安防、海面监控、无人系统感知感兴趣的技术人员这套内容会帮你把“小目标识别”从概念到落地路径理清楚。如果你只是刚入门也没关系我会尽量用生活化的类比把原理讲透让你知道每一步“为什么这么做”。2. 概念边界什么算“小目标”什么不算2.1 小目标的定义不是只看RCS很多人一提到小目标第一反应就是“RCS小”。这话对但不全对。在实际工程中判断一个目标是否属于“小目标”范畴通常要看三个维度雷达截面积、信噪比水平、以及目标与背景的对比度。RCS小是基础条件。一般来说RCS小于1平方米的目标就可以被归入小目标范畴而RCS小于0.1平方米的则属于“微小型目标”。但光看RCS不够因为一个RCS为0.5平方米的目标如果出现在干净的高空背景中检测难度并不大反过来一个RCS为2平方米的目标如果贴着海面飞行被海杂波淹没那它在实际处理中仍然会被当作“小目标”来对待。信噪比水平是更直接的判据。当目标回波的信噪比低于12dB时传统恒虚警率CFAR检测的性能就会明显下降低于8dB时检测概率可能掉到50%以下。这时候就需要引入积累、滤波、特征提取等额外手段。所以我在实际项目中通常把“信噪比低于10dB且需要额外处理才能稳定检测”的目标统称为小目标。目标与背景的对比度则决定了“识别”的难度。一个目标即使信噪比不低但如果它的多普勒频率和杂波重叠、或者它的运动模式与背景中的其他物体高度相似那识别起来依然很困难。比如海面上的小艇和波浪在低分辨率雷达下几乎无法区分。2.2 海空小目标与空间目标的区别热搜词里出现了“空间目标识别”这里需要做一个明确区分。空间目标通常指卫星、碎片、导弹等在高空或外层空间运动的目标它们的运动速度极快、背景相对干净、雷达截面积可能不小但距离极远。海空小目标则相反距离近、高度低、背景复杂、速度慢。两者的技术路线差异很大。空间目标识别更依赖高精度轨道预测、宽带成像、以及大孔径雷达海空小目标识别则更依赖杂波抑制、长时间积累、微多普勒特征、以及多传感器融合。把这两者混为一谈很容易在方案选型时走弯路。我见过一个团队试图用空间目标的高分辨率成像思路去处理海面小目标结果发现海杂波的动态范围完全淹没了目标信号最后不得不重新设计信号处理链路。2.3 小目标识别的边界条件还有一个容易被忽略的问题小目标识别不是“越远越好”。在实际应用中探测距离和识别距离是两个概念。雷达可能在20公里处就发现了目标但直到5公里处才能稳定识别它的类型。这是因为识别需要更多的特征信息比如微多普勒调制、极化特性、高分辨距离像等而这些特征在远距离上会被噪声和分辨率限制严重削弱。所以在定义项目指标时我通常会分开写检测距离、跟踪距离、识别距离。这三个指标对应的信号处理链路和算法复杂度完全不同。检测可以靠长时间积累和低门限跟踪需要稳定的航迹关联识别则需要高分辨特征提取和分类器。把这三个混在一起写成一个“作用距离”后期验收时很容易扯皮。3. 目标特征小目标到底“长什么样”3.1 雷达截面积与频率的关系小目标的RCS不是固定值它随雷达工作频率、极化方式、观测角度剧烈变化。一个典型的四旋翼无人机在2.4GHz频段下RCS可能只有0.01平方米但在77GHz毫米波频段下由于机身尺寸与波长可比拟RCS可能上升到0.05到0.1平方米。这就是为什么毫米波雷达在小目标检测中越来越受重视。但频率升高也带来问题大气衰减增大、器件成本上升、功率受限。所以选频不是一个简单的“越高越好”。我一般会建议根据应用场景来定如果要地防护、距离几百米到几公里77GHz毫米波雷达是很好的选择如果是海面监控、距离十几公里X波段或Ku波段更合适如果是广域低空监视S波段或L波段在成本和覆盖上更均衡。3.2 微多普勒特征小目标的“指纹”微多普勒是小目标识别中最有价值的特征之一。简单说目标除了整体平动它的部件还在振动、旋转、摆动这些微动会在回波频谱上产生额外的调制边带。比如无人机的旋翼转速通常在每分钟几千转叶片数2到4片会在主多普勒峰两侧产生一系列对称的边带。这些边带的间隔、幅度、对称性就是识别无人机类型的重要依据。我实测过一款四旋翼无人机在X波段雷达下它的微多普勒谱在±200Hz到±800Hz范围内有清晰的边带结构而一只鸟的微多普勒谱则更杂乱、没有稳定的周期性。这就是为什么微多普勒被称为小目标的“指纹”。但要注意微多普勒特征对雷达的相干积累时间有要求。积累时间太短频率分辨率不够边带分不开积累时间太长目标已经飞出波束或运动状态发生变化。通常需要在0.1到1秒之间做权衡。3.3 极化特征与多维度信息极化是另一个被低估的特征维度。小目标对极化方式通常比大目标更敏感。比如海面小目标在HH极化下海杂波较强但在VV极化下海杂波会明显减弱而目标回波可能相对稳定。利用极化滤波可以有效提升信杂比。多传感器融合则是从另一个角度补全目标特征。雷达提供距离和速度光电提供角度和纹理红外提供热特征声学提供频谱特征。把这些信息在特征层或决策层融合可以显著提升识别准确率。但融合不是简单叠加时间同步、空间标定、置信度加权都是坑。我后面会专门讲。4. 技术体系从信号到决策的完整链路4.1 信号层波形设计与杂波抑制海空小目标识别的第一道难关在信号层。雷达发射什么波形直接决定了后续处理的难度。常见的选择包括线性调频信号、相位编码信号、以及正交频分复用信号。线性调频信号因为大时宽带宽积、易于脉冲压缩在工程中最常用。但它的距离分辨率和速度分辨率存在耦合需要多脉冲处理来解耦。杂波抑制是信号层的核心任务。海杂波和地杂波的能量通常比小目标回波高几十个dB如果不抑制目标根本看不见。常用的方法包括动目标显示、动目标检测、以及自适应杂波抑制。动目标显示通过多脉冲对消来抑制零多普勒杂波但对慢速小目标效果有限动目标检测通过多普勒滤波器组来区分目标和杂波更适合小目标场景。自适应方法则根据杂波统计特性动态调整滤波器系数性能更好但计算量更大。这里有个实操心得杂波抑制不是越干净越好。过度抑制会同时削弱目标回波尤其是当目标多普勒频率接近杂波边缘时。我通常会在杂波抑制后保留一定的残余杂波然后在检测阶段用低门限加长时间积累来补偿。这个平衡点需要通过实测数据反复调整。4.2 检测层微弱信号检测与恒虚警率处理检测层的目标是在给定虚警率下最大化检测概率。传统CFAR检测假设背景杂波服从某种分布如瑞利分布、韦布尔分布然后根据估计的杂波功率设定门限。但海杂波往往不服从这些标准分布尤其是在高分辨率雷达下海杂波呈现出明显的非高斯、长拖尾特性。这时候用标准CFAR要么虚警率失控要么检测概率暴跌。我常用的替代方案是有序统计CFAR和自适应CFAR。有序统计CFAR通过对参考单元排序后取中间值来估计杂波功率对异常值更鲁棒自适应CFAR则根据局部杂波特性动态调整参考单元数量和门限系数。实测下来在信杂比5到10dB的场景下有序统计CFAR比标准单元平均CFAR的检测概率能提升15%到20%。另一个关键手段是长时间相干积累。小目标回波弱但如果在多个脉冲之间保持相干性能量可以累积起来。理论上积累N个脉冲信噪比提升N倍。但实际中目标运动会导致相位变化破坏相干性。所以需要做运动补偿比如通过Keystone变换或分数阶傅里叶变换来校正距离走动和多普勒走动。4.3 特征层微多普勒提取与高分辨成像特征层的任务是从检测到的目标回波中提取有区分度的特征。微多普勒提取通常用时频分析比如短时傅里叶变换、魏格纳-维尔分布、或者小波变换。短时傅里叶变换最简单但时频分辨率受海森堡不确定性原理限制魏格纳-维尔分布分辨率高但存在交叉项干扰小波变换适合非平稳信号但参数选择需要经验。高分辨距离像则是另一种思路。通过发射大带宽信号可以获得目标在距离维上的精细结构。对于小目标高分辨距离像可能只有几个距离单元但不同目标的散射中心分布不同可以作为分类依据。比如无人机的机身、机臂、旋翼在距离像上会形成不同的峰值模式。这里要注意特征提取的前提是目标已经被稳定跟踪。如果目标航迹不稳定特征提取的窗口就会跳动导致特征不一致。所以我在实际系统中通常会在跟踪滤波之后再做特征提取用跟踪输出的位置和速度来引导特征提取窗口。4.4 决策层分类器设计与多传感器融合决策层是把特征映射到目标类别。常用分类器包括支持向量机、随机森林、以及深度神经网络。小目标识别中样本量通常有限深度网络容易过拟合。我一般会先用传统分类器做基线再根据数据量决定是否上深度模型。多传感器融合在决策层有两种方式特征层融合和决策层融合。特征层融合把不同传感器的特征拼接成一个高维向量再送分类器决策层融合则让每个传感器独立分类再通过投票或贝叶斯推理融合结果。特征层融合信息保留更完整但对时间同步和标定要求高决策层融合更灵活但可能丢失跨传感器的关联信息。我个人的经验是如果传感器已经完成时空标定优先用特征层融合如果标定误差较大用决策层融合更稳妥。在矿山场景的BEVFusion训练数据中坐标标定和雷达标定仪器的精度直接决定了融合效果标定误差超过0.5度融合后的BEV特征就会出现明显错位。5. 实操过程从数据采集到识别输出的完整链路5.1 数据采集与标定任何小目标识别项目的第一步都是数据采集。雷达数据采集需要确定几个关键参数采样率、脉冲重复频率、相干积累脉冲数、波束驻留时间。采样率要满足带宽要求通常取带宽的1.2到1.5倍脉冲重复频率要避免距离模糊和速度模糊同时要考虑目标的最大径向速度相干积累脉冲数决定了多普勒分辨率但受目标运动限制波束驻留时间则影响信噪比积累。标定是另一个关键环节。雷达标定包括距离标定、角度标定、以及极化标定。距离标定用已知距离的角反射器角度标定用转台或已知方位的目标极化标定则需要发射已知极化状态的信号并测量接收响应。我见过很多项目在标定上偷懒结果后期数据处理时发现目标位置总是偏排查半天才发现是角度标定没做准。5.2 信号处理链路搭建信号处理链路的典型流程是脉冲压缩、动目标检测、杂波抑制、CFAR检测、点迹凝聚、航迹关联、特征提取、分类识别。每一步都有参数需要调优。脉冲压缩用匹配滤波参考函数就是发射波形的共轭反转。动目标检测用多普勒滤波器组通常用FFT实现。杂波抑制可以用自适应滤波比如最小均方算法或递归最小二乘算法。CFAR检测的门限系数根据虚警率要求设定比如虚警率1e-6对应门限系数约4.75瑞利分布假设下。点迹凝聚把同一目标的多个检测点合并成一个点迹常用聚类算法。航迹关联用卡尔曼滤波或粒子滤波。这里有个实操细节CFAR的参考单元数量要匹配目标尺寸。参考单元太少杂波估计方差大参考单元太多杂波边缘处容易把目标也当成杂波。我通常取参考单元数量为目标在距离维和方位维占据单元数的3到5倍。5.3 微多普勒特征提取实操微多普勒特征提取的实操步骤先对目标回波做时频分析得到时频图然后在时频图上检测主多普勒峰和边带再计算边带间隔、边带数量、边带对称性、边带幅度衰减率等特征。时频分析窗口长度需要权衡。窗口太长时间分辨率不够微多普勒边带随时间的变化看不出来窗口太短频率分辨率不够边带分不开。我一般先用目标运动速度估计多普勒频率然后根据多普勒频率的预期变化率来选窗口长度。对于旋翼无人机窗口长度通常取0.05到0.2秒。边带检测可以用峰值搜索或图像处理中的边缘检测。边带间隔对应旋翼转速乘以叶片数边带数量对应叶片数边带对称性反映旋翼的对称程度。这些特征组合起来可以区分多旋翼、固定翼、直升机、以及鸟群。5.4 分类器训练与部署分类器训练需要标注数据。标注数据来自实测或仿真。实测数据更真实但成本高仿真数据成本低但存在域差异。我通常用仿真数据做预训练再用少量实测数据做微调。特征选择上我会优先选物理意义明确的特征比如微多普勒边带间隔、RCS均值、极化比、高分辨距离像的峰值数。这些特征对样本量要求低可解释性强。深度特征虽然性能可能更好但需要大量数据和算力而且部署到嵌入式平台时压缩和加速是个问题。部署时要注意雷达信号处理板上的算力通常有限。我见过一个项目在PC上跑深度网络识别准确率95%移植到DSP上后因为算力不足只能降采样准确率掉到80%。所以选模型时就要考虑目标平台的算力预算宁可选轻量模型加好特征也不要选大模型然后被迫裁剪。6. 常见问题与排查技巧实录6.1 目标检测不到或时断时续这是最常见的问题。排查思路先看原始回波信噪比如果信噪比低于6dB检测不到是正常的需要增加积累时间或降低门限如果信噪比不低但检测不到检查CFAR参考单元是否被杂波污染或者目标多普勒频率是否落在杂波抑制的零陷里如果时断时续检查目标是否在波束边缘或者航迹关联的门限是否太紧。我遇到过一次目标在某个方位角上总是丢点后来发现是那个方位的天线增益低了2dB导致信噪比刚好在检测门限附近。换了天线或者调整了波束指向后问题解决。6.2 虚警太多虚警太多通常是因为CFAR门限太低或者杂波抑制不够。先统计虚警在距离-多普勒平面上的分布如果虚警集中在低多普勒区域说明杂波残余太多如果虚警均匀分布说明门限太低。调整门限系数或增加杂波抑制级数。另一个原因是点迹凝聚没做好。一个目标被检测成多个点航迹关联时就会产生大量虚假航迹。检查聚类半径是否合适通常取目标尺寸的1.5到2倍。6.3 微多普勒特征不稳定微多普勒特征不稳定的原因通常是积累时间不够或目标姿态变化。增加积累时间可以提高频率分辨率但要注意目标是否已经飞出波束。如果目标姿态变化快可以考虑用短时傅里叶变换的滑动窗口取多个窗口特征的统计量作为最终特征。还有一个坑雷达本振相位噪声。相位噪声会恶化微多普勒谱的质量导致边带模糊。如果发现微多普勒边带总是糊在一起检查本振相位噪声指标必要时换低相噪源。6.4 多传感器融合时目标关联错误多传感器融合中目标关联错误通常是因为时空标定不准。先检查时间同步雷达和光电的时间戳是否对齐再检查空间标定用已知目标验证坐标转换矩阵。如果标定没问题检查关联门限是否太松导致不同目标被关联到一起。在BEVFusion这类融合框架中坐标标定误差会直接导致BEV特征错位。我通常会用标定仪器定期校验并在融合前做一次在线标定微调。问题现象可能原因排查方法解决措施检测不到目标信噪比低、杂波抑制过度、波束未覆盖查原始回波、查杂波抑制前后对比、查波束指向增加积累、调整杂波抑制参数、调整波束虚警多门限低、杂波残余、点迹凝聚差统计虚警分布、查杂波图、查聚类半径提高门限、增加抑制级数、调整聚类参数微多普勒不稳积累时间短、姿态变化、相位噪声查时频图、查目标姿态、查相噪指标增加积累、多窗口统计、换低相噪源融合关联错误时间不同步、空间标定不准、门限太松查时间戳、查标定矩阵、查关联门限时间对齐、重新标定、收紧门限7. 几个容易踩的坑和我的个人体会第一个坑是盲目追求高分辨率。高分辨率确实能提供更多特征但也会让目标分裂成多个散射中心增加检测和关联的难度。我见过一个项目用0.1米分辨率去检测小无人机结果无人机被拆成十几个点航迹关联直接崩溃。后来降到0.5米分辨率反而稳定了。分辨率要匹配目标尺寸和应用需求不是越高越好。第二个坑是忽略数据质量。很多团队把精力全放在算法上数据采集和标定却很随意。结果算法调来调去性能就是上不去。后来发现是采集时天线没对准、或者标定用了错误的参考目标。数据质量是上限算法只是逼近这个上限。第三个坑是融合层级选错。特征层融合和决策层融合各有适用场景选错了怎么调都别扭。我的经验是传感器同质、标定好用特征层传感器异质、标定差用决策层。不要为了追求“高级”而强行用特征层融合。第四个坑是忽视算力约束。算法在PC上跑得再好部署到嵌入式平台跑不动就是零。选算法时先看目标平台的算力、内存、功耗预算再决定模型复杂度。我通常会在项目初期就做一个算力估算表把每个模块的计算量列出来确保总和不超过平台能力的70%。最后分享一个小技巧建立自己的小目标数据集。公开数据集虽然方便但场景和你的实际应用往往有差异。我习惯在项目初期就规划数据采集覆盖不同天气、不同背景、不同目标类型哪怕每个场景只采几百帧对后期调参和验证都有巨大帮助。数据是自己的算法才是自己的。 
长河君 · 2026/9/30 13:02:13 · 阅读 1.2k 海空小目标识别全链路解析：从信号处理到多传感器融合的工程实践
1. 从“看不见”到“看得清”海空小目标识别到底在解决什么问题第一次接触“海空小目标识别”这个概念是在一个做雷达信号处理的朋友那里。他当时指着屏幕上一堆杂波问我“你能从这里面找出那架无人机吗”我盯了半天只看到一片花花绿绿的斑点。他笑了笑圈出一个比指甲盖还小的亮点说“就这个信噪比不到6dB传统检测门限一卡就没了。”这个场景几乎就是海空小目标识别领域的日常。所谓“海空小目标”通常指雷达截面积RCS在0.01到1平方米量级、飞行或运动高度低、速度慢、回波微弱的目标比如小型无人机、巡飞弹、海面漂浮物、小型快艇、甚至鸟群。它们和常规飞机、大型舰船最大的区别在于回波能量弱、背景杂波强、运动特征不明显导致传统雷达检测手段经常“视而不见”。这个方向为什么最近几年热度持续上升原因很直接低空经济、无人系统、海面监控、要地防护等场景都在爆发式增长而现有雷达体系对这类目标的检测概率和识别准确率远远不够。你可能会问雷达不是能看几百公里吗怎么连个小无人机都搞不定这里有个常见的误解——雷达的探测距离和它能不能“稳定发现并识别”一个目标完全是两码事。雷达距离方程告诉我们接收功率与目标RCS成正比、与距离四次方成反比。一个RCS为0.01平方米的小目标在10公里处的回波功率可能比一架大型客机在200公里处的回波还要弱。再加上海面反射、地物杂波、多径效应信号处理链路的每一个环节都在跟噪声“抢”目标。所以海空小目标识别不是单一技术点而是一整套从信号层到信息层再到决策层的技术体系。它涉及雷达波形设计、杂波抑制、微弱信号检测、微多普勒特征提取、多传感器融合、目标分类识别等多个环节。适合谁来参考如果你是做雷达信号处理、多传感器融合、边缘计算部署的工程师或者是对低空安防、海面监控、无人系统感知感兴趣的技术人员这套内容会帮你把“小目标识别”从概念到落地路径理清楚。如果你只是刚入门也没关系我会尽量用生活化的类比把原理讲透让你知道每一步“为什么这么做”。2. 概念边界什么算“小目标”什么不算2.1 小目标的定义不是只看RCS很多人一提到小目标第一反应就是“RCS小”。这话对但不全对。在实际工程中判断一个目标是否属于“小目标”范畴通常要看三个维度雷达截面积、信噪比水平、以及目标与背景的对比度。RCS小是基础条件。一般来说RCS小于1平方米的目标就可以被归入小目标范畴而RCS小于0.1平方米的则属于“微小型目标”。但光看RCS不够因为一个RCS为0.5平方米的目标如果出现在干净的高空背景中检测难度并不大反过来一个RCS为2平方米的目标如果贴着海面飞行被海杂波淹没那它在实际处理中仍然会被当作“小目标”来对待。信噪比水平是更直接的判据。当目标回波的信噪比低于12dB时传统恒虚警率CFAR检测的性能就会明显下降低于8dB时检测概率可能掉到50%以下。这时候就需要引入积累、滤波、特征提取等额外手段。所以我在实际项目中通常把“信噪比低于10dB且需要额外处理才能稳定检测”的目标统称为小目标。目标与背景的对比度则决定了“识别”的难度。一个目标即使信噪比不低但如果它的多普勒频率和杂波重叠、或者它的运动模式与背景中的其他物体高度相似那识别起来依然很困难。比如海面上的小艇和波浪在低分辨率雷达下几乎无法区分。2.2 海空小目标与空间目标的区别热搜词里出现了“空间目标识别”这里需要做一个明确区分。空间目标通常指卫星、碎片、导弹等在高空或外层空间运动的目标它们的运动速度极快、背景相对干净、雷达截面积可能不小但距离极远。海空小目标则相反距离近、高度低、背景复杂、速度慢。两者的技术路线差异很大。空间目标识别更依赖高精度轨道预测、宽带成像、以及大孔径雷达海空小目标识别则更依赖杂波抑制、长时间积累、微多普勒特征、以及多传感器融合。把这两者混为一谈很容易在方案选型时走弯路。我见过一个团队试图用空间目标的高分辨率成像思路去处理海面小目标结果发现海杂波的动态范围完全淹没了目标信号最后不得不重新设计信号处理链路。2.3 小目标识别的边界条件还有一个容易被忽略的问题小目标识别不是“越远越好”。在实际应用中探测距离和识别距离是两个概念。雷达可能在20公里处就发现了目标但直到5公里处才能稳定识别它的类型。这是因为识别需要更多的特征信息比如微多普勒调制、极化特性、高分辨距离像等而这些特征在远距离上会被噪声和分辨率限制严重削弱。所以在定义项目指标时我通常会分开写检测距离、跟踪距离、识别距离。这三个指标对应的信号处理链路和算法复杂度完全不同。检测可以靠长时间积累和低门限跟踪需要稳定的航迹关联识别则需要高分辨特征提取和分类器。把这三个混在一起写成一个“作用距离”后期验收时很容易扯皮。3. 目标特征小目标到底“长什么样”3.1 雷达截面积与频率的关系小目标的RCS不是固定值它随雷达工作频率、极化方式、观测角度剧烈变化。一个典型的四旋翼无人机在2.4GHz频段下RCS可能只有0.01平方米但在77GHz毫米波频段下由于机身尺寸与波长可比拟RCS可能上升到0.05到0.1平方米。这就是为什么毫米波雷达在小目标检测中越来越受重视。但频率升高也带来问题大气衰减增大、器件成本上升、功率受限。所以选频不是一个简单的“越高越好”。我一般会建议根据应用场景来定如果要地防护、距离几百米到几公里77GHz毫米波雷达是很好的选择如果是海面监控、距离十几公里X波段或Ku波段更合适如果是广域低空监视S波段或L波段在成本和覆盖上更均衡。3.2 微多普勒特征小目标的“指纹”微多普勒是小目标识别中最有价值的特征之一。简单说目标除了整体平动它的部件还在振动、旋转、摆动这些微动会在回波频谱上产生额外的调制边带。比如无人机的旋翼转速通常在每分钟几千转叶片数2到4片会在主多普勒峰两侧产生一系列对称的边带。这些边带的间隔、幅度、对称性就是识别无人机类型的重要依据。我实测过一款四旋翼无人机在X波段雷达下它的微多普勒谱在±200Hz到±800Hz范围内有清晰的边带结构而一只鸟的微多普勒谱则更杂乱、没有稳定的周期性。这就是为什么微多普勒被称为小目标的“指纹”。但要注意微多普勒特征对雷达的相干积累时间有要求。积累时间太短频率分辨率不够边带分不开积累时间太长目标已经飞出波束或运动状态发生变化。通常需要在0.1到1秒之间做权衡。3.3 极化特征与多维度信息极化是另一个被低估的特征维度。小目标对极化方式通常比大目标更敏感。比如海面小目标在HH极化下海杂波较强但在VV极化下海杂波会明显减弱而目标回波可能相对稳定。利用极化滤波可以有效提升信杂比。多传感器融合则是从另一个角度补全目标特征。雷达提供距离和速度光电提供角度和纹理红外提供热特征声学提供频谱特征。把这些信息在特征层或决策层融合可以显著提升识别准确率。但融合不是简单叠加时间同步、空间标定、置信度加权都是坑。我后面会专门讲。4. 技术体系从信号到决策的完整链路4.1 信号层波形设计与杂波抑制海空小目标识别的第一道难关在信号层。雷达发射什么波形直接决定了后续处理的难度。常见的选择包括线性调频信号、相位编码信号、以及正交频分复用信号。线性调频信号因为大时宽带宽积、易于脉冲压缩在工程中最常用。但它的距离分辨率和速度分辨率存在耦合需要多脉冲处理来解耦。杂波抑制是信号层的核心任务。海杂波和地杂波的能量通常比小目标回波高几十个dB如果不抑制目标根本看不见。常用的方法包括动目标显示、动目标检测、以及自适应杂波抑制。动目标显示通过多脉冲对消来抑制零多普勒杂波但对慢速小目标效果有限动目标检测通过多普勒滤波器组来区分目标和杂波更适合小目标场景。自适应方法则根据杂波统计特性动态调整滤波器系数性能更好但计算量更大。这里有个实操心得杂波抑制不是越干净越好。过度抑制会同时削弱目标回波尤其是当目标多普勒频率接近杂波边缘时。我通常会在杂波抑制后保留一定的残余杂波然后在检测阶段用低门限加长时间积累来补偿。这个平衡点需要通过实测数据反复调整。4.2 检测层微弱信号检测与恒虚警率处理检测层的目标是在给定虚警率下最大化检测概率。传统CFAR检测假设背景杂波服从某种分布如瑞利分布、韦布尔分布然后根据估计的杂波功率设定门限。但海杂波往往不服从这些标准分布尤其是在高分辨率雷达下海杂波呈现出明显的非高斯、长拖尾特性。这时候用标准CFAR要么虚警率失控要么检测概率暴跌。我常用的替代方案是有序统计CFAR和自适应CFAR。有序统计CFAR通过对参考单元排序后取中间值来估计杂波功率对异常值更鲁棒自适应CFAR则根据局部杂波特性动态调整参考单元数量和门限系数。实测下来在信杂比5到10dB的场景下有序统计CFAR比标准单元平均CFAR的检测概率能提升15%到20%。另一个关键手段是长时间相干积累。小目标回波弱但如果在多个脉冲之间保持相干性能量可以累积起来。理论上积累N个脉冲信噪比提升N倍。但实际中目标运动会导致相位变化破坏相干性。所以需要做运动补偿比如通过Keystone变换或分数阶傅里叶变换来校正距离走动和多普勒走动。4.3 特征层微多普勒提取与高分辨成像特征层的任务是从检测到的目标回波中提取有区分度的特征。微多普勒提取通常用时频分析比如短时傅里叶变换、魏格纳-维尔分布、或者小波变换。短时傅里叶变换最简单但时频分辨率受海森堡不确定性原理限制魏格纳-维尔分布分辨率高但存在交叉项干扰小波变换适合非平稳信号但参数选择需要经验。高分辨距离像则是另一种思路。通过发射大带宽信号可以获得目标在距离维上的精细结构。对于小目标高分辨距离像可能只有几个距离单元但不同目标的散射中心分布不同可以作为分类依据。比如无人机的机身、机臂、旋翼在距离像上会形成不同的峰值模式。这里要注意特征提取的前提是目标已经被稳定跟踪。如果目标航迹不稳定特征提取的窗口就会跳动导致特征不一致。所以我在实际系统中通常会在跟踪滤波之后再做特征提取用跟踪输出的位置和速度来引导特征提取窗口。4.4 决策层分类器设计与多传感器融合决策层是把特征映射到目标类别。常用分类器包括支持向量机、随机森林、以及深度神经网络。小目标识别中样本量通常有限深度网络容易过拟合。我一般会先用传统分类器做基线再根据数据量决定是否上深度模型。多传感器融合在决策层有两种方式特征层融合和决策层融合。特征层融合把不同传感器的特征拼接成一个高维向量再送分类器决策层融合则让每个传感器独立分类再通过投票或贝叶斯推理融合结果。特征层融合信息保留更完整但对时间同步和标定要求高决策层融合更灵活但可能丢失跨传感器的关联信息。我个人的经验是如果传感器已经完成时空标定优先用特征层融合如果标定误差较大用决策层融合更稳妥。在矿山场景的BEVFusion训练数据中坐标标定和雷达标定仪器的精度直接决定了融合效果标定误差超过0.5度融合后的BEV特征就会出现明显错位。5. 实操过程从数据采集到识别输出的完整链路5.1 数据采集与标定任何小目标识别项目的第一步都是数据采集。雷达数据采集需要确定几个关键参数采样率、脉冲重复频率、相干积累脉冲数、波束驻留时间。采样率要满足带宽要求通常取带宽的1.2到1.5倍脉冲重复频率要避免距离模糊和速度模糊同时要考虑目标的最大径向速度相干积累脉冲数决定了多普勒分辨率但受目标运动限制波束驻留时间则影响信噪比积累。标定是另一个关键环节。雷达标定包括距离标定、角度标定、以及极化标定。距离标定用已知距离的角反射器角度标定用转台或已知方位的目标极化标定则需要发射已知极化状态的信号并测量接收响应。我见过很多项目在标定上偷懒结果后期数据处理时发现目标位置总是偏排查半天才发现是角度标定没做准。5.2 信号处理链路搭建信号处理链路的典型流程是脉冲压缩、动目标检测、杂波抑制、CFAR检测、点迹凝聚、航迹关联、特征提取、分类识别。每一步都有参数需要调优。脉冲压缩用匹配滤波参考函数就是发射波形的共轭反转。动目标检测用多普勒滤波器组通常用FFT实现。杂波抑制可以用自适应滤波比如最小均方算法或递归最小二乘算法。CFAR检测的门限系数根据虚警率要求设定比如虚警率1e-6对应门限系数约4.75瑞利分布假设下。点迹凝聚把同一目标的多个检测点合并成一个点迹常用聚类算法。航迹关联用卡尔曼滤波或粒子滤波。这里有个实操细节CFAR的参考单元数量要匹配目标尺寸。参考单元太少杂波估计方差大参考单元太多杂波边缘处容易把目标也当成杂波。我通常取参考单元数量为目标在距离维和方位维占据单元数的3到5倍。5.3 微多普勒特征提取实操微多普勒特征提取的实操步骤先对目标回波做时频分析得到时频图然后在时频图上检测主多普勒峰和边带再计算边带间隔、边带数量、边带对称性、边带幅度衰减率等特征。时频分析窗口长度需要权衡。窗口太长时间分辨率不够微多普勒边带随时间的变化看不出来窗口太短频率分辨率不够边带分不开。我一般先用目标运动速度估计多普勒频率然后根据多普勒频率的预期变化率来选窗口长度。对于旋翼无人机窗口长度通常取0.05到0.2秒。边带检测可以用峰值搜索或图像处理中的边缘检测。边带间隔对应旋翼转速乘以叶片数边带数量对应叶片数边带对称性反映旋翼的对称程度。这些特征组合起来可以区分多旋翼、固定翼、直升机、以及鸟群。5.4 分类器训练与部署分类器训练需要标注数据。标注数据来自实测或仿真。实测数据更真实但成本高仿真数据成本低但存在域差异。我通常用仿真数据做预训练再用少量实测数据做微调。特征选择上我会优先选物理意义明确的特征比如微多普勒边带间隔、RCS均值、极化比、高分辨距离像的峰值数。这些特征对样本量要求低可解释性强。深度特征虽然性能可能更好但需要大量数据和算力而且部署到嵌入式平台时压缩和加速是个问题。部署时要注意雷达信号处理板上的算力通常有限。我见过一个项目在PC上跑深度网络识别准确率95%移植到DSP上后因为算力不足只能降采样准确率掉到80%。所以选模型时就要考虑目标平台的算力预算宁可选轻量模型加好特征也不要选大模型然后被迫裁剪。6. 常见问题与排查技巧实录6.1 目标检测不到或时断时续这是最常见的问题。排查思路先看原始回波信噪比如果信噪比低于6dB检测不到是正常的需要增加积累时间或降低门限如果信噪比不低但检测不到检查CFAR参考单元是否被杂波污染或者目标多普勒频率是否落在杂波抑制的零陷里如果时断时续检查目标是否在波束边缘或者航迹关联的门限是否太紧。我遇到过一次目标在某个方位角上总是丢点后来发现是那个方位的天线增益低了2dB导致信噪比刚好在检测门限附近。换了天线或者调整了波束指向后问题解决。6.2 虚警太多虚警太多通常是因为CFAR门限太低或者杂波抑制不够。先统计虚警在距离-多普勒平面上的分布如果虚警集中在低多普勒区域说明杂波残余太多如果虚警均匀分布说明门限太低。调整门限系数或增加杂波抑制级数。另一个原因是点迹凝聚没做好。一个目标被检测成多个点航迹关联时就会产生大量虚假航迹。检查聚类半径是否合适通常取目标尺寸的1.5到2倍。6.3 微多普勒特征不稳定微多普勒特征不稳定的原因通常是积累时间不够或目标姿态变化。增加积累时间可以提高频率分辨率但要注意目标是否已经飞出波束。如果目标姿态变化快可以考虑用短时傅里叶变换的滑动窗口取多个窗口特征的统计量作为最终特征。还有一个坑雷达本振相位噪声。相位噪声会恶化微多普勒谱的质量导致边带模糊。如果发现微多普勒边带总是糊在一起检查本振相位噪声指标必要时换低相噪源。6.4 多传感器融合时目标关联错误多传感器融合中目标关联错误通常是因为时空标定不准。先检查时间同步雷达和光电的时间戳是否对齐再检查空间标定用已知目标验证坐标转换矩阵。如果标定没问题检查关联门限是否太松导致不同目标被关联到一起。在BEVFusion这类融合框架中坐标标定误差会直接导致BEV特征错位。我通常会用标定仪器定期校验并在融合前做一次在线标定微调。问题现象可能原因排查方法解决措施检测不到目标信噪比低、杂波抑制过度、波束未覆盖查原始回波、查杂波抑制前后对比、查波束指向增加积累、调整杂波抑制参数、调整波束虚警多门限低、杂波残余、点迹凝聚差统计虚警分布、查杂波图、查聚类半径提高门限、增加抑制级数、调整聚类参数微多普勒不稳积累时间短、姿态变化、相位噪声查时频图、查目标姿态、查相噪指标增加积累、多窗口统计、换低相噪源融合关联错误时间不同步、空间标定不准、门限太松查时间戳、查标定矩阵、查关联门限时间对齐、重新标定、收紧门限7. 几个容易踩的坑和我的个人体会第一个坑是盲目追求高分辨率。高分辨率确实能提供更多特征但也会让目标分裂成多个散射中心增加检测和关联的难度。我见过一个项目用0.1米分辨率去检测小无人机结果无人机被拆成十几个点航迹关联直接崩溃。后来降到0.5米分辨率反而稳定了。分辨率要匹配目标尺寸和应用需求不是越高越好。第二个坑是忽略数据质量。很多团队把精力全放在算法上数据采集和标定却很随意。结果算法调来调去性能就是上不去。后来发现是采集时天线没对准、或者标定用了错误的参考目标。数据质量是上限算法只是逼近这个上限。第三个坑是融合层级选错。特征层融合和决策层融合各有适用场景选错了怎么调都别扭。我的经验是传感器同质、标定好用特征层传感器异质、标定差用决策层。不要为了追求“高级”而强行用特征层融合。第四个坑是忽视算力约束。算法在PC上跑得再好部署到嵌入式平台跑不动就是零。选算法时先看目标平台的算力、内存、功耗预算再决定模型复杂度。我通常会在项目初期就做一个算力估算表把每个模块的计算量列出来确保总和不超过平台能力的70%。最后分享一个小技巧建立自己的小目标数据集。公开数据集虽然方便但场景和你的实际应用往往有差异。我习惯在项目初期就规划数据采集覆盖不同天气、不同背景、不同目标类型哪怕每个场景只采几百帧对后期调参和验证都有巨大帮助。数据是自己的算法才是自己的。