CA-CFAR恒虚警检测：原理、MATLAB实现与参数调优

简介：这是一份用于雷达信号处理中恒虚警率检测的算法实现资源，面向雷达工程、电子对抗、遥感目标检测等方向的学生与研究人员。压缩包内包含三个脚本文件，既有完整的恒虚警率（CA-CFAR）检测主程序，也有计算虚警概率与绘制理想检测曲线的配套函数，整体仅两KB大小，代码精简、入口明确，适合作为算法模板直接嵌入仿真项目。已有七百一十人学习使用。CA-CFAR算法采用单元平均方式估计背景噪声功率，并依据预设虚警率生成自适应门限，能在均匀噪声背景下有效平衡检测概率与虚警概率；资源覆盖了从参考窗构造、保护单元设置到门限比较输出的完整流程，并通过概率函数帮助读者验证虚警率设置是否准确。对于初学者而言，这是一套能快速跑通算法、理解统计检测原理的实用脚本；对于有经验的工程师，也可以借此辅助开展不同恒虚警率算法变体的性能对比与参数调优。

1. 从目标检测的阈值问题，到 CA-CFAR 的 MATLAB 落地

你在雷达距离谱上盯住一个目标，最自然的第一反应是“设个固定阈值，高出就算目标”。实际一跑就露馅：城市路口的杂波电平随车流起伏，固定阈值设在低处，护栏和地面杂波会让虚警多到没法看；把阈值一抬，行人、无人机这类弱回波又被削干净。问题不在信噪比，而在门限没有跟着杂波功率走。CA-CFAR（Cell-Averaging Constant False Alarm Rate，单元平均恒虚警）就是解决这个问题的经典算法：每个检测单元用两侧参考窗的平均功率估计当地杂波基底，再乘一个系数形成自适应门限。这样无论杂波整体抬高还是降低，虚警率都被绑定在设定值附近。这篇文章从门限因子怎么算、保护单元怎么放，到 MATLAB 里滑窗实现、多目标和杂波边缘的坑，最后给一套蒙特卡洛验证流程，全程不依赖 Phased Array System Toolbox，适合想真正把算法吃透而不是只调库的工程师。

2. CA-CFAR 的检测原理与门限因子计算：参考窗、保护单元怎么设

2.1 为什么固定阈值在雷达杂波里不可用

雷达接收机输出的噪声和杂波叠加后，功率谱不是平的。气象杂波、海面反射、电磁干扰都会让同一部雷达在不同方向上看到完全不同的基底电平。固定阈值只能匹配某一个功率水平，一旦环境变化，虚警概率（Pfa）或检测概率（Pd）就同时失控。恒虚警的初衷不是让门限变得聪明，而是让它对所有功率都保持同样的“超阈值概率”——门限必须和杂波平均功率成正比。

CA-CFAR 是 CFAR 家族里数学最干净、实现最直接的一个。它假设参考窗内的杂波经过平方率检波后服从指数分布，也就是幅度为瑞利分布。检测单元两侧各取 N 个参考单元，再留出保护单元避开目标自身泄漏。杂波功率估计就是两侧参考功率的平均值，门限为这个平均值乘以门限因子 T。只要分布假设成立，T 只和设定的虚警概率、参考窗长度有关，和杂波绝对功率无关。

2.2 单元平均的数学表达与虚警概率推导

设待检测单元的下标为 n，它的功率为 $x_n$。左右两侧各取 N 个参考单元，单侧保护单元数为 G。杂波功率估计 $\hat{Z}$ 写作：

$$ \hat{Z} = \frac{1}{2N} \left( \sum_{i=n-N-G}^{n-G-1} x_i + \sum_{i=n+G+1}^{n+G+N} x_i \right) $$

检测判定为：$x_n > T \cdot \hat{Z}$。当所有参考单元里的杂波来自同一指数分布，且均值是 $\mu$ 时，可以推导出虚警概率的闭合式：

$$ P_{fa} = (1 + T)^{-2N} $$

注意这里的 $2N$ 是左右两侧参考单元总数，不是单侧。这个公式反解出来的门限因子是：

$$ T = P_{fa}^{-1/(2N)} - 1 $$

一个容易被忽略的点：虚警概率表达式中没有 $\mu$。也就是说，只要杂波均匀且服从指数分布，门限因子相同，实际虚警率就是恒定的。这正是“恒虚警”三个字的由来。工程中常见做法是用 MATLAB 直接按这个公式算 T，不必查表。

Pfa = 1e-6; % 期望虚警概率 total_ref = 24; % 左右参考单元总数 2N T = Pfa^(-1 / total_ref) - 1; fprintf('门限因子 T = %.3f\n', T);

代码里total_ref是两边的参考单元总数，所以指数是 $-1/total_ref$。Pfa越小，T越大，门限越严；total_ref越大，平均估计越稳定，T也能适当放小。初学者最常犯的错误是把total_ref写成单侧 N，导致实际虚警率比目标值低 1 到 2 个数量级。

2.3 门限因子的查表与近似公式

虽然公式简单，但实际嵌入式系统里为了省掉浮点幂运算，通常提前烧一张 T 的表。MATLAB 原型验证阶段则无所谓，直接计算即可。下面给出一组常见参数下的 T 值，方便你快速核对代码是否算对。

从表里能看出一个反直觉规律：参考窗越长，需要的 T 越小。因为平均估计更准，杂波波动对门限的影响被摊薄，可以用更低的门限保住弱目标，同时虚警率不变。实际选参数时，2N太小，T 会变大，弱目标丢失；2N太大，参考窗跨越杂波或包含其他目标的风险也会变大。第 4 章会细说这个矛盾。

3. 用 MATLAB 从零实现 CA-CFAR 检测器：逐行代码与参数表

3.1 生成带杂波和目标的仿真距离-多普勒谱

要验证 CA-CFAR，第一步是造一份带标签的仿真数据。我一般用复高斯随机数模拟瑞利杂波，再注入几个不同强度的目标点。目标点周围相邻单元也填入相近功率，模拟真实雷达目标在距离谱上的主瓣展宽，这样保护单元的参数设置才有意义。

rng(2024); N = 2000; noise_power = 10; x = sqrt(noise_power/2) * (randn(1, N) + 1i*randn(1, N)); power = abs(x).^2; target_idx = [100 500 1500]; target_amp = [10*sqrt(2) 12*sqrt(2) 6*sqrt(2)]; for k = 1:numel(target_idx) idx = target_idx(k); power(idx) = abs(target_amp(k))^2; power(idx-1) = abs(target_amp(k))^2 * 0.8; power(idx+1) = abs(target_amp(k))^2 * 0.8; end

生成的power是平方率检波后的功率谱，基底为 10，三个目标分别位于第 100、500、1500 点，其中第三个是弱目标，主峰功率只有 72。代码里target_amp用的是幅度，乘到功率里要取平方。相邻单元乘 0.8 是为了模拟目标主瓣泄漏，这样使用保护单元时能看到真实效果；如果只放单点目标，删掉保护单元影响反而不大。

3.2 CA-CFAR 核心函数：滑窗、求和、取门限

CA-CFAR 在 MATLAB 里最直观的实现是for循环滑窗。下面的函数接收功率向量power、单侧参考单元数N、单侧保护单元数G和门限因子T，返回检测掩码和每个位置的门限：

function [detections, threshold] = ca_cfar_1d(power, N, G, T) len = numel(power); detections = false(1, len); threshold = zeros(1, len); for idx = N+G+1 : len - (N+G) left = power(idx-G-N : idx-G-1); right = power(idx+G+1 : idx+G+N); z = (sum(left) + sum(right)) / (2*N); threshold(idx) = T * z; detections(idx) = power(idx) > threshold(idx); end end

循环从N+G+1开始，到len-(N+G)结束，这是为了让检测单元两侧都能凑够完整的参考窗。left的索引起点是idx-G-N，终点是idx-G-1，正好隔开 G 个保护单元；right从idx+G+1开始，同样隔开保护单元。z是两侧参考单元的平均功率，门限就是T * z。这个实现逻辑清晰，适合教学和单元测试，但性能不是最优。

调用方式如下：

N_cell = 12; G_cell = 2; Pfa = 1e-6; T = Pfa^(-1/(2*N_cell)) - 1; [det, th] = ca_cfar_1d(power, N_cell, G_cell, T); figure; plot(power); hold on; plot(th, 'r--', 'LineWidth', 1.2); plot(find(det), power(det), 'ro', 'MarkerSize', 8); legend('功率谱', 'CA-CFAR门限', '检测点'); legend('Location', 'northwest'); xlabel('距离单元'); ylabel('功率');

画图后能看到门限线是随杂波起伏的曲线，而不是固定水平线。第 100 和第 500 点信噪比较高，被正确检出；第 1500 点功率只有 72，门限大约在 95 附近，所以漏检。这个结果直接说明了“固定阈值”和“自适应门限”的差异。

3.3 关键参数对检测结果的影响（表）

在实际调参过程中，通常需要同时看目标检测数量、漏检数量和虚警点数量。下面用同一份功率谱，改变N_cell、G_cell和Pfa，得到一组对比结果：

配置 A 是基线结果。配置 B 把 Pfa 放宽到 1e-4，T 变小，弱目标被检出，但代价是杂波背景中出现了零星虚警。配置 C 把参考窗从 12 缩到 4，门限因子变大，同时估计波动也变大，500 点目标都丢了——这显示参考窗太短会让自适应门限失去意义。配置 D 把保护单元设为 0，三个目标虽然还在，但如果目标主瓣很宽，泄漏进参考窗会拉高门限，下一章的多目标遮蔽就是这个问题。

提示：参数表不是让你照抄。不同雷达数据的主瓣宽度、杂波类型不一样，必须用自己仿真的数据重新调一遍。

4. 目标遮蔽与杂波边缘：CA-CFAR 的两个坑及 MATLAB 改进方案

4.1 当你放了保护单元，为什么多目标还是丢？

保护单元只负责挡住主目标自身泄漏，拦不住参考窗里其他目标。假设在第 500 点目标旁边约 30 个单元处，再放一个强度 800 的强目标，那么第 500 点右侧的参考窗就会包含那个强目标，平均值被硬生生拉高，门限跟着涨，原本看得到的第 500 点就消失了。这就是“多目标遮蔽”的典型现象。

用 MATLAB 试验时，可以在上一章的功率谱基础上追加一个强目标：

power_2 = power; power_2(530) = 800; power_2(529) = 640; power_2(531) = 640; [det2, th2] = ca_cfar_1d(power_2, N_cell, G_cell, T);

把这组结果和基线对比，会看到第 500 点被漏检，而第 530 点的强目标也不在检测列表里，因为它自身周围有保护单元隔开却没有参考窗的强点。这种场景在真实回波中很常见：编队飞机、海上密集目标群、风电塔群都会让参考窗里混入不止一个目标。直觉反应是“把 N 调小”，让其他目标落在窗外，但 N 太小会降低估计精度，反而增加虚警。

4.2 杂波边缘的虚警尖峰

另一种破坏均匀性的情况是杂波功率阶跃。例如前 1000 个距离单元基底功率是 10，后 1000 个是 1000。当检测单元还处在低功率区，右侧参考窗已经开始包含高功率单元，门限被过度抬高；反过来当检测单元跨进高功率区，左侧参考窗还残留低功率单元，门限被低估，于是边缘内侧出现一串虚警。

构造这份数据只需要拼接两次randn：

power_edge = [sqrt(10/2)*(randn(1,1000)+1i*randn(1,1000)), ... sqrt(1000/2)*(randn(1,1000)+1i*randn(1,1000))]; power_edge = abs(power_edge).^2; power_edge(1300) = 2000; [det_edge, th_edge] = ca_cfar_1d(power_edge, 12, 2, T);

运行后，在功率跳变点附近大约第 1010 到 1040 个单元之间会看到虚警群。这些虚警并不是真的目标，而是门限估计滞后于杂波变化造成的。雷达气象上管这个叫“CFAR 尖峰”。如果你处理的是距离-多普勒二维谱，杂波边缘还会呈带状分布，排错时一眼就能看出。

4.3 从 CA-CFAR 到 GO/SO-CFAR：一行判断实现的改进

针对多目标遮蔽和杂波边缘，最常见的两个变体是 GO-CFAR 和 SO-CFAR。GO（Greatest Of）取左右两侧参考平均值的较大者做门限，专门压杂波边缘内侧的虚警；SO（Smallest Of）取较小者，适合多目标密集环境，避免其他目标抬高门限。把前面ca_cfar_1d的均值计算部分改成三类可切换，即可同时验证：

function [detections, threshold] = select_cfar_1d(power, N, G, T, mode) len = numel(power); detections = false(1, len); threshold = zeros(1, len); for idx = N+G+1 : len - (N+G) left = power(idx-G-N : idx-G-1); right = power(idx+G+1 : idx+G+N); avg_left = mean(left); avg_right = mean(right); switch mode case 'CA' z = (avg_left + avg_right) / 2; case 'GO' z = max(avg_left, avg_right); case 'SO' z = min(avg_left, avg_right); end threshold(idx) = T * z; detections(idx) = power(idx) > threshold(idx); end end

GO模式在杂波边缘场景中会明显减少 4.2 节里的虚警尖峰，代价是门限整体偏高，可能损失一部分弱目标检测率。SO模式在 4.1 节的双目标场景中能保住第 500 点目标，但它对杂波边缘更敏感，边缘外侧的虚警会增多。工程上的常见做法是先根据场景判断：目标之间距离近就用 SO，杂波功率突变明显就用 GO，都不确定就做 CA 和 GO 的双通道判决。

注意：T在本代码里沿用 CA-CFAR 的计算值，但 GO/SO 的 $P_{fa}$ 与 $T$ 关系并不等于 $(1+T)^{-2N}$，需要用数值仿真重新标定。工程原型阶段先按近似值跑，最后用第 5 章的蒙特卡洛流程校准。

5. 用蒙特卡洛仿真验证你的 CA-CFAR 实现：从检测概率到虚警概率

5.1 生成带标签的仿真数据，统计检测率

一个 CA-CFAR 实现是否写对，不能靠肉眼看图，必须用大量无目标数据统计实测虚警率，再用带目标数据统计检测概率。我常用的脚本是循环 200 次，每次生成相同噪声功率、不同随机种子的功率谱，统计检测点总数：

rng(42); trials = 200; fa_total = 0; cells_total = 0; for t = 1:trials x = sqrt(10/2)*(randn(1,2000)+1i*randn(1,2000)); x = abs(x).^2; [det, ~] = ca_cfar_1d(x, 12, 2, T); % 只统计有效检测区：去掉两侧边界单元 valid = det(N_cell+G_cell+1 : end-N_cell-G_cell); fa_total = fa_total + sum(valid); cells_total = cells_total + numel(valid); end actual_pfa = fa_total / cells_total; fprintf('理论 Pfa = 1e-6，实测 Pfa = %.2e\n', actual_pfa);

这里把循环边界排除在统计区外，避免窗口不完整造成的偏差。实测值一般会比理论值高一点，因为检测单元自身不参与平均，但功率起伏会让边界处出现额外超阈值点。如果实测值偏大超过 2 倍，优先检查T和2N的对应关系。

5.2 用 MATLAB 向量化把滑窗跑进毫秒级

for循环版本在 2000 点数据上够用，但雷达距离-多普勒谱经常是 2048×128 的矩阵，逐行循环会拖慢仿真。常见做法是把一维循环改成索引矩阵求和，一次算出所有参考窗均值：

len = numel(power); idx = (N_cell+G_cell+1) : (len - N_cell - G_cell); left_idx = (idx.' - G_cell - N_cell) + (0:N_cell-1); right_idx = (idx.' + G_cell + 1) + (0:N_cell-1); left_avg = sum(power(left_idx), 2) / N_cell; right_avg = sum(power(right_idx), 2) / N_cell; z = (left_avg + right_avg) / 2; threshold = zeros(1, len); threshold(idx) = T .* z; detections = false(1, len); detections(idx) = power(idx) > threshold(idx);

left_idx和right_idx是二维索引矩阵：每行对应一个检测单元，每列是该检测单元对应的一个参考单元下标。sum(...,2)按行求和，得到所有检测单元的左参考窗累加值。这种写法对初学者有点绕，但它把滑动窗彻底向量化，在tic/toc下通常比循环快 5 到 20 倍，而且边界处理和循环版完全一致。

5.3 性能验证清单：三个最容易写错的点

三个反复踩到的坑：一是2N写成N，导致门限因子整体偏大；二是保护单元索引写成idx-N : idx-1，让目标主瓣泄漏进参考窗；三是边界单元没有排除统计，边缘不完整的窗口贡献一堆假虚警。把这三项纳入自动化验证，CA-CFAR 实现基本能直接用于下一阶段的测向和跟踪算法。

本文还有配套的精品资源，点击获取