毫米波雷达点云静态杂波滤除：Matlab完整链路与CFAR实践

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248KB：MATLAB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 = edgeR+1 : NR-edgeR for d = edgeD+1 : ND-edgeD % 取距离维训练单元，注意避开保护单元 refWin = rdPower(r-cfgCfar.trainR : r+cfgCfar.trainR, ... d-cfgCfar.guardD : d+cfgCfar.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/2+1 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/s，0 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：

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