1. 简介

为了增强交通雷达在交通场景中的表现，已经开发了几种方法，这些方法大致可以分为两大类：（1）信号处理，旨在最大程度地减少或排除干扰信号，确保目标信号的清晰度；（2）改进探测机制的设计。

在抑制干扰信号的技术中，最直接的方式是移除受到干扰影响的数据样本。然而，这种方法不仅会剔除干扰，也可能影响到目标信号的有效部分，从而降低有用信号的重建精度。为此，一种基于迭代矩阵-铅笔（MP）方法的干扰抑制技术被提出，但其效果受限于干扰样本的比例。为了进一步提高信号重建的准确性，引入了汉克尔矩阵稀疏低秩分解的方法，尽管该方法增加了计算复杂度。对于雷达之间的相互干扰，也有新的解决方案出现，例如开发新型的正交噪声波形，或者利用可调Q因子小波变换（TQWT）领域的技术。此外，一些研究正在探索如何通过距离和多普勒单元的迁移校准来减少信号失真。

改进探测机制是提升雷达应用效能的另一重要途径。虽然与干扰抑制相比，这一领域的进步较为有限，但它通常不需要额外的硬件或计算资源，特别适用于那些配备较低性能处理器的低成本雷达系统。考虑到目标通常会在复杂的背景噪声中显现，且其特性随时间和空间位置的变化而变化，使用固定阈值的检测方法往往不能有效地将目标与背景噪声区分开来。为此，雷达恒定假警报率（CFAR）检测技术通过根据当前环境调整检测阈值，成为区分目标与背景噪声的重要工具。合适的CFAR算法能够提升雷达的探测效能，确保雷达数据处理过程中目标信息的准确性。

最早的CFAR算法之一是细胞平均CFAR（CA-CFAR），该算法通过估算局部噪声功率水平来进行目标检测。它利用一个参考窗口，其中心单元被视为潜在目标，窗口内其他单元的强度则用来估计背景噪声。为了改善CA-CFAR在多目标或非均匀噪声环境中检测性能不佳的问题，提出了最大选择CFAR（GO-CFAR）和最小选择CFAR（SO-CFAR）。GO-CFAR在边界区域表现出色，但在多目标环境下存在“目标遮蔽”现象；SO-CFAR在多目标识别方面表现良好，但其假警报控制力较弱。有序统计CFAR（OS-CFAR）借鉴了中值滤波的概念，依据功率值排序参考窗口中的样本，并选取某一特定样本作为判定阈值。相比CA-CFAR，OS-CFAR在多目标检测中更具鲁棒性，但可能会产生较高的CFAR损耗。为了解决这些问题，出现了结合OS和CA特点的新算法，如修剪均值CFAR（TM-CFAR）。

随着不同应用场景的需求增长，基于传统方法的CFAR算法得到了发展。有些研究者关注多目标检测能力的提升，如结合CA-CFAR和OS-CFAR的OSCA-CFAR算法。还有些研究聚焦于复杂集群环境下的检测性能改进，例如基于中心极限定理和信号对数压缩原理的Comp-CFAR方法。另外，有学者尝试将机器学习技术整合进来，通过训练前馈人工神经网络（ANN）来提高CFAR检测效率，不过这也带来了计算复杂性的增加。

表1总结了上述提到的各种CFAR算法。尽管现有的CFAR算法都是通过设计参考窗口并对其中的数据进行处理来实现目标检测，但参考窗口的设计也存在局限性。一方面，滑动窗口可能降低检测效率，尤其是在LFMCW雷达系统中，由于输入是二维的距离多普勒矩阵（RDM），CFAR的二维滑动搜索显著影响了目标检测的实时性。另一方面，窗口大小限制了可用于背景噪声估计的样本数量，这可能影响到CFAR检测的精度。

幸运的是，在道路交通场景中，相较于海洋表面等复杂背景，背景噪声相对简单。尤其在雷达监测移动目标时，采用去零多普勒技术可以有效消除背景噪声对检测结果的影响。鉴于车辆在行驶中可能出现的非理想运动情况（如转弯、刹车、换道），以及目标反射区域的不规则性和帧数据的独立性，我们假设道路移动目标的回波遵循理想的Swerling II模型。鉴于此，在背景噪声相对简单的道路交通监控应用中，或许无需设计用于应对复杂噪声和干扰的参考窗口。实际上，滑动窗口反而增加了算法的时间复杂度并降低了雷达监控效率。为了满足交通监测雷达系统对低处理延迟的需求，提出了一种基于蒙特卡罗方法的CFAR算法，以提高雷达在交通环境中的探测效率和对移动目标的敏感度。与传统方法相比，该算法不仅提升了检测灵敏度，还消除了对参考窗口设计及滑动的依赖，从而大幅降低了算法的时间复杂度，加快了检测速度。

本研究的主要贡献包括：首先，在提出的CFAR检测算法中，对整个距离多普勒矩阵（RDM）区域进行随机采样，以获取背景噪声功率估计所需的样本点。该方法的核心思想是将蒙特卡罗模拟原理——即通过重复独立试验来推断未知量的特性——应用于RDM矩阵中的随机抽样。这样做的好处在于打破了参考窗口的限制，允许使用更多的样本点来进行背景噪声估计。其次，通过对采样点的振幅值进行排序和筛选，去除非背景噪声点（如目标点或干扰点），进而提高背景噪声估计的精确度。随后，通过求均值的方式得出背景噪声的估计功率值。最终，依据背景噪声估计结果从RDM矩阵中提取出目标点。此外，文中还提供了算法参数的设定方法，这些参数值是根据当前物理平台和应用环境通过多次统计得出的。参数配置过程只需要在雷达系统环境稳定的情况下执行一次即可。仿真与实际测试表明，该方法相较于传统方法，在检测灵敏度、检测精度以及检测延迟方面均有显著优势，从而提高了交通监控中雷达探测的效率。

2. 交通场景

通常情况下，交通传感器被安装在道路两侧或是延伸至道路中央的固定支架上（如图1所示），并且它们需要具备以下基本功能：· 高检测灵敏度。能够全面检测视野中的所有目标，即使目标部分被遮挡也能识别；· 低信息延时性能。能够实时反映交通状况，这意味着从数据采集到路况信息输出之间的时间差应当尽可能短（理想情况下，延时不超过100毫秒）；· 耐候性。传感器应能最大限度地减少夜晚、雾气等恶劣天气条件对其工作效果的影响。

毫米波雷达因其不受环境因素影响、具有高范围分辨率以及较低的应用成本，被认为是用于城市交通监控的理想选择。作为雷达目标提取的重要组件，CFAR探测器已经成为了研究的重点。通过分析传统的CFAR算法并结合交通环境的具体特征，提出了一种新的CFAR检测算法，旨在提升雷达对目标的检测灵敏度和多目标检测能力，同时减少时间延迟，希望该算法能为提高雷达在城市交通监控中的适用性提供独特的见解。

3. 交通场景雷达背景噪声分析

图2展示了背景噪声数据的收集与展示过程。图2a提供了一个持续误报检测数据收集的流程示意图。在这个雷达系统中，四个接收通道负责接收来自背景环境中的雷达电磁回波信号，并通过非相干积累生成距离多普勒矩阵（RDM）。图2b则展示了在没有移动目标情况下RDM的功率幅度分布情况。我们可以看到，在零多普勒区域（即静止物体区域），功率幅值呈现突然且不均匀的分布，这是由于不同距离处物体的数量及其反射区域的大小差异所致。初步观察表明，噪声功率在非零多普勒区域（即运动目标区域）中分布均匀，没有明显的突变。此外，静止物体的功率分布不会显著地延伸到运动目标所在的区域。

采用距离维度和速度维度的数据方差作为衡量数据分散程度的有效手段，来评估RDM矩阵中移动目标区域噪声功率幅值的分布情况。该方法计算了RDM中每一行（对应速度维度）或每一列（对应距离维度）的数据集的方差，如图3所示（表示多个统计数据的平均结果）。特别需要注意的是，在计算方差前，以行人平均速度（0.5米/秒）为基准，剔除了RDM矩阵中代表静态物体的速度低于0.5米/秒的像素点。结果显示，速度维度和距离维度的方差均小于0.018，这表明在非零多普勒区域内，背景噪声的功率幅值分布是相对均匀的。

功率密度分布是背景噪声的另一个特征。以前，假设雷达噪声分布满足瑞利分布：

RDM中的非零多普勒细胞通过MATLAB分布拟合工具箱进行采样处理，然后数据分布（紫色）和瑞利分布（红色）的拟合曲线如图5a所示。图5b显示了数据概率分布与瑞利分布之间的匹配度，即数据越接近曲线，它与瑞利分布的一致性越大。