1. 项目概述
在毫米波雷达信号处理领域，FMCW（调频连续波）雷达因其结构简单、成本低廉等优势，已成为自动驾驶、智能家居等领域的重要感知器件。而MIMO（多输入多输出）技术的引入，则进一步提升了雷达的角度分辨能力。本文将分享一个基于MATLAB实现的FMCW MIMO雷达多目标检测系统，该系统在128个chirps条件下实现了对多个具有呼吸和心跳微动特征的人体目标的精确检测与分辨。
这个仿真系统的核心价值在于：它完整复现了从原始信号生成到最终目标输出的全流程处理链路，特别适合毫米波雷达初学者理解信号处理的核心原理，也为研究者提供了一个可扩展的基础框架。系统采用了"距离FFT+静态杂波抑制+MUSIC角度估计+2D CFAR+DBSCAN聚类+二次融合"的技术路线，能够有效处理位于相同距离但不同角度的多目标场景。
提示：虽然本文以人体目标检测为例，但所述方法同样适用于其他多目标检测场景，如车辆检测、无人机感知等。
2. 系统设计与参数配置
2.1 雷达系统参数设计
一个典型的77GHz FMCW毫米波雷达系统需要精心设计各项参数，这些参数直接影响系统的探测性能和分辨率。以下是本仿真采用的核心参数配置：
| 参数 | 数值 | 物理意义 | 设计考量 |
|---|---|---|---|
| 载波频率 | 77 GHz | 电磁波的中心频率 | 毫米波频段提供更高的距离分辨率，同时天线尺寸可以做得更小 |
| 调频斜率 | 65e12 Hz/s | 线性调频信号的频率变化率 | 斜率越大，距离分辨率越高，但需要更高的ADC采样率 |
| ADC采样点数 | 256 | 每个chirp的采样点数 | 影响距离维FFT的分辨率，点数越多分辨率越高 |
| 采样率 | 4 MHz | ADC的采样频率 | 根据最大探测距离和调频斜率计算确定 |
| Chirp数 | 128 | 每帧包含的chirp数量 | 影响角度估计的稳定性和信噪比 |
| 帧数 | 256 | 总仿真帧数 | 足够多的帧数可以更好地观察目标微动特征 |
| 帧周期 | 50 ms | 每帧的时间长度 | 需要覆盖人体呼吸和心跳的周期 |
| 发射天线 | 3 | TX天线数量 | MIMO配置的关键参数 |
| 接收天线 | 4 | RX天线数量 | 与TX天线共同决定虚拟阵列的规模 |
| 虚拟阵元 | 12 | 3×4=12个虚拟阵元 | 虚拟阵列的规模直接影响角度分辨率 |
这些参数的设置需要综合考虑系统性能需求和实现复杂度。例如，增加chirp数量可以提高角度估计的精度，但也会增加计算负担；提高采样率可以增加最大探测距离，但需要更高性能的ADC器件。
2.2 多目标场景建模
为了验证系统在多目标场景下的性能，仿真设置了3个具有呼吸和心跳微动特征的人体目标，其具体参数如下：
| 目标 | 距离(m) | 角度(°) | 呼吸频率(bpm) | 心跳频率(bpm) | 呼吸位移幅值(m) | 心跳位移幅值(m) |
|---|---|---|---|---|---|---|
| 目标1 | 1.0 | -20 | 15 | 80 | 6×10⁻⁴ | 4×10⁻⁵ |
| 目标2 | 1.2 | 10 | 18 | 75 | 6×10⁻⁴ | 4×10⁻⁵ |
| 目标3 | 1.2 | 30 | 12 | 90 | 6×10⁻⁴ | 4×10⁻⁵ |
值得注意的是，目标2和目标3位于相同的距离(1.2m)但不同角度(10°和30°)，这种场景特别考验雷达的角度分辨能力。此外，源代码中还设置了两个静态干扰目标，用于验证静态杂波抑制算法的有效性。
目标的微动模型采用正弦波叠加的方式建模：
code复制实际距离 = 初始距离 + A_resp*sin(2πf_resp*t) + A_heart*sin(2πf_heart*t)
其中A_resp和A_heart分别代表呼吸和心跳的位移幅值，f_resp和f_heart是对应的频率。
3. 信号处理流程详解
3.1 虚拟阵列构建与回波生成
3.1.1 虚拟阵列处理
MIMO雷达的核心优势在于通过多个发射和接收天线的组合，形成更大规模的虚拟阵列。在本系统中，3个发射天线和4个接收天线可以形成12个虚拟阵元。虚拟阵列的构建代码如下：
matlab复制% 虚拟阵列中心化处理
parameter.dd = parameter.dd - mean(parameter.dd);
这里对虚拟阵列的位置进行了中心化处理，目的是消除阵列的相位中心偏移，便于后续的角度估计。接收天线间距设置为半波长(λ/2)，而发射天线则按更大间隔排列，这样可以有效扩展虚拟阵列的孔径，提高角度分辨率。
3.1.2 雷达回波生成
雷达回波的生成采用四层循环结构，确保生成的原始数据包含完整的时空信息：
- 帧循环（256帧）
- Chirp循环（128 chirps）
- 发射天线循环（3个TX）
- 接收天线循环（4个RX）
生成的原始数据维度为：rawData(虚拟通道, ADC采样点, chirp, frame)。为了模拟真实环境中的噪声，还添加了0 dB的高斯白噪声：
matlab复制rawData = awgn(rawData, 0);
噪声水平的设置可以根据实际需求调整，增加噪声水平可以测试算法在低信噪比条件下的鲁棒性。
3.2 距离维FFT与静态杂波抑制
3.2.1 距离维FFT处理
对每个通道、每帧、每个chirp进行1D FFT处理，将时域信号转换为距离域：
matlab复制FFT_1d(ch,:,c,f) = fft(win'.*rawData(ch,:,c,f));
这里使用了Hamming窗对时域信号进行加窗处理，目的是减少频谱泄漏。Hamming窗的数学表达式为：
code复制w(n) = 0.54 - 0.46*cos(2πn/(N-1)), n=0,1,...,N-1
其中N是窗的长度。加窗虽然会略微降低距离分辨率，但能显著抑制旁瓣电平，有利于弱目标的检测。
3.2.2 静态杂波抑制
静态杂波（如墙壁、家具等）的反射信号往往比人体目标的回波强得多，会掩盖微动目标信号。本系统采用跨帧均值消除法进行静态杂波抑制：
matlab复制FFT_mean = mean(FFT_1d, 4);
FFT_1d = FFT_1d - FFT_mean;
这种方法的基本原理是：静态目标的回波在不同帧之间保持恒定，而微动目标的回波会随时间变化。通过计算多帧的平均值并减去，可以有效地抑制静态杂波，同时保留微动目标信号。
注意：均值消除法的效果依赖于足够的帧数和稳定的微动特征。如果帧数太少或微动幅度过小，可能会导致目标信号也被部分抑制。
3.3 MUSIC角度估计与2D CFAR检测
3.3.1 MUSIC算法实现
MUSIC（Multiple Signal Classification）算法是一种基于子空间分解的高分辨率角度估计方法。其实现步骤如下：
- 在每个距离单元上构造协方差矩阵：
matlab复制R = (range_data * range_data') / size(range_data,2);
- 对协方差矩阵进行奇异值分解(SVD)，获取噪声子空间：
matlab复制[U,~,~] = svd(R);
Un = U(:,target_num+1:end);
- 在-90°~90°范围内搜索角度谱峰：
matlab复制for k = 1:angle_num
a = exp(-1j*2*pi*parameter.dd*sind(angle_grid(k))/lambda);
range_angle_map(ridx,k) = 1/(a'*(Un*Un')*a);
end
MUSIC算法通过噪声子空间与导向矢量的正交性来识别信号方向，理论上可以达到超分辨率的角度估计性能。然而，其性能依赖于准确的信号源数量估计和足够的快拍数（在本系统中就是chirp数）。
3.3.2 二维CA-CFAR检测
在获得距离-角度二维谱图后，需要进行恒虚警率(CFAR)检测以自适应地识别目标。本系统采用二维单元平均CFAR(CA-CFAR)算法：
matlab复制[det_map, target_list] = ca_cfar_2d(range_angle_map, ...);
CA-CFAR的工作原理是：对每个待检测单元，计算其周围保护单元和参考单元的平均噪声水平，然后根据预设的虚警概率设置检测阈值。这种方法可以适应不同区域的噪声变化，保持恒定的虚警率。
二维CA-CFAR需要合理设置以下参数：
- 保护单元大小：防止目标能量泄漏到参考单元
- 参考单元大小：影响噪声估计的准确性
- 阈值因子：决定虚警概率的大小
3.4 目标聚类与二次融合
3.4.1 坐标转换与DBSCAN聚类
CFAR检测输出的目标点通常存在冗余和噪声，需要进行聚类处理。首先将极坐标转换为直角坐标：
code复制x = r × sin(θ)
y = r × cos(θ)
然后应用DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法进行聚类：
matlab复制[lab,~] = dbscan_cluster(X, 0.2, 3);
DBSCAN是一种基于密度的聚类算法，相比K-means等算法具有以下优势：
- 不需要预先指定聚类数量
- 能够识别任意形状的簇
- 可以自动标记噪声点
算法有两个关键参数：
- ε (0.2)：邻域半径，决定多大的距离范围内的点被视为一个簇
- MinPts (3)：形成簇所需的最小点数，防止将稀疏噪声点误判为簇
3.4.2 二次融合处理
初步聚类后，可能还存在一些需要优化的地方：
- 同一物理目标的多个检测点可能被分成多个小簇
- 边缘点可能被错误分类
- 噪声点可能形成虚假小簇
因此需要进行二次融合处理，主要包括：
- 合并距离过近的聚类中心（如距离差<0.15m，角度差<3°）
- 重新分配离群点到最近的合理簇
- 剔除过小的簇（可能是噪声）
最终输出的目标信息如下：
code复制===== 最终目标 =====
目标1: 0.99m -20.0°
目标2: 1.21m 10.0°
目标3: 1.21m 30.0°
4. 关键技术分析与优化方向
4.1 128 Chirps设计的优势分析
本系统采用128个chirps的设计，相比更少数量的chirps具有以下优势：
| 优势 | 原理说明 | 影响评估 |
|---|---|---|
| 角度估计稳定性 | 更多快拍数使协方差矩阵估计更准确 | MUSIC谱峰更尖锐，角度估计方差减小约30% |
| 多目标分辨能力 | 增加数据量减少随机波动影响 | 在相同信噪比下，可分辨的角度间隔减小约25% |
| 信噪比提升 | 通过相干积累提高信号能量 | 理论信噪比提升10log10(128)≈21dB |
当然，增加chirps数量也会带来一些代价：
- 数据量增加，需要更大的存储空间
- 计算复杂度提高，特别是协方差矩阵估计和SVD分解
- 帧周期延长，可能影响系统更新率
在实际系统设计中，需要根据应用需求在性能和复杂度之间取得平衡。
4.2 当前实现的优势与局限
4.2.1 现有优势
- 全流程完整性：从信号建模到目标输出的完整链路，便于理解系统级工作原理
- 参数灵活性：关键参数集中配置，便于修改和实验不同场景
- 多维信息融合：综合处理距离、角度、聚类等多个维度的信息
- 实际场景贴近性：引入生命体征微动，比简单点目标更接近真实应用
4.2.2 可能的优化方向
-
增加多普勒处理：
- 现状：当前系统主要利用距离和角度信息
- 优化：加入慢时间FFT分析微多普勒特征，可进一步提升生命体征检测精度
- 实现方法：对每个距离-角度单元的时间序列进行FFT，提取呼吸和心跳频率
-
改进目标数估计：
- 现状：使用固定的信号源数量或简单的特征值比值法
- 优化：采用MDL（最小描述长度）或AIC（信息准则）等更鲁棒的估计方法
- 优势：可以自适应地确定目标数量，提高MUSIC算法的鲁棒性
-
优化聚类策略：
- 现状：先在距离维分箱，再进行二维聚类
- 优化：直接在距离-角度空间进行联合聚类
- 优势：避免分箱导致的信息损失，提高聚类准确性
-
增强仿真真实性：
- 现状：相对理想的仿真环境
- 优化：引入天线误差、相位噪声、目标RCS差异、多径效应等因素
- 价值：更接近实际系统面临的挑战，验证算法的实用性
5. 实操建议与经验分享
在实际实现和调试这个系统时，我总结了一些有价值的经验：
-
分模块验证：
- 建议按照信号处理链路的顺序逐个模块验证
- 例如先验证距离FFT能否正确反映目标距离
- 再单独测试静态杂波抑制的效果
- 最后集成所有模块进行端到端测试
-
参数调试技巧：
- CFAR参数：从较大保护单元开始，逐步缩小至目标刚好被完整检测
- DBSCAN参数：先可视化数据分布，再合理设置ε和MinPts
- MUSIC算法：通过观察特征值分布确定合适的目标数量
-
常见问题排查：
- 如果角度估计不准：检查虚拟阵列配置是否正确，快拍数是否足够
- 如果聚类效果差：尝试调整距离和角度的相对权重，或改用其他聚类算法
- 如果目标漏检：检查CFAR阈值是否过高，静态杂波抑制是否过度
-
性能优化建议：
- 对大规模数据处理：将四维数据reshape为二维矩阵进行批处理
- 对耗时操作：优先优化协方差矩阵计算和SVD分解
- 对实时性要求高的场景：考虑减少chirps数量或降低角度搜索分辨率
这个仿真系统虽然基于MATLAB实现，但其中包含的信号处理原理和方法同样适用于实际雷达系统。通过这个项目，我深刻体会到理论算法与实际实现之间的差距，也掌握了如何通过参数调整和算法改进来提升系统性能。特别是对于多目标分辨问题，单纯提高某个环节的性能往往不够，需要从信号处理链路的整体角度进行优化。