简介：面向毫米波雷达感知与自动驾驶应用，这份资源提供静态目标去除算法的Matlab实现，主要解决雷达回波中静止杂波干扰动态目标检测的实用问题。压缩包为rar格式，共2个文件：一个.m脚本包含完整算法流程，一个.mat数据文件用于实验验证，包体仅348KB，轻量便于快速部署测试。已有2021人学习该资源，适合雷达信号处理初学者及需要工程参考的开发者。通过脚本可复现基于运动特征与统计模型的静态杂波滤除过程，结合配套数据可直观对比去除前后的频谱或点云差异；同时可用作基线，进一步尝试CFAR、机器学习或深度学习等进阶方案。整体实现简洁，有助于理解毫米波雷达动静态目标区分的关键思路，并为后续算法改进提供可运行的起点。

1. 静态目标去除：毫米波雷达为什么必须先解决"静止的墙"

一堵静止的混凝土墙，回波强度比行人高出 20dB 以上。不做任何处理时，CFAR 检测器会被这堵墙的能量直接顶到"永远报警"的状态，而墙角那个缓慢移动的行人反而淹没在背景里完全选不出来。这听起来像常识，但真正的问题比"墙太亮"更隐蔽：静态目标不是简单的速度为零。雷达坐标系里，静止物体的多普勒是零，但运动目标也可能在某时刻径向速度为零，而雷达自身也在移动。静态目标去除算法要解决的，正是这个"动与静"的判断如何在时间、频率、空间三个维度上同时成立的问题——它决定了毫米波雷达在复杂环境中能否真正"看见"慢速运动目标，也是从 ADC 原始数据到干净点云之间最关键的一道闸门。

2. FMCW 测速机制：静态目标在多普勒维的"藏身之处"

2.1 一次快拍里，静止目标与运动目标唯一的区别

FMCW（调频连续波）雷达发射的是频率随时间线性增长的 chirp 信号。回波从目标返回后与本地发射信号混频，得到的中频频率f_b正比于目标距离：f_b = S × τ = S × 2R/c，其中 S 是调频斜率，τ 是回波延迟，R 是距离。对一次 chirp 采样做距离 FFT，所有目标都会在各自距离 bin 上形成峰值——此时此刻，静止目标和运动目标在距离维上是无法区分的，它们的差异只藏在相位里。

每个 chirp 重复发射时，同一个目标在相邻周期回来的相位会累积一个增量。静止目标的距离不变，相位增量恒定；运动目标距离逐周期变化，相位以正比于径向速度的速率线性旋转。多普勒维 FFT 做的就是这个事：对每个距离 bin 沿慢时间轴做 FFT，把相位变化率换算成速度。静止目标落在第 0 个多普勒 bin 附近，运动目标落在非零 bin。用一段合成数据很容易验证这个机制：

import numpy as np # 模拟一个静止目标和一个运动目标的慢时间序列 n_chirp = 128 # 一帧内的 chirp 数 t = np.arange(n_chirp) / 100.0 # chirp 重复周期 10ms # 静止目标：相位恒定 static_signal = np.full(n_chirp, 1.0 + 0.0j) # 运动目标：相位线性旋转，对应多普勒频率 5Hz fd = 5.0 moving_signal = np.exp(1j * 2 * np.pi * fd * t) # 多普勒 FFT 后，静止目标能量集中在 0 bin 附近 static_dop = np.fft.fftshift(np.fft.fft(static_signal)) moving_dop = np.fft.fftshift(np.fft.fft(moving_signal))

这段代码展示了静态与动态在频谱上的根本差异：静止目标的所有能量汇聚在零多普勒处，运动目标则偏离开一个频率值。这里有个容易忽略的细节——FFT 是离散处理，多普勒 bin 宽度由帧时长决定。目标径向速度很小（比如 0.1m/s）时，它的能量会同时落在第 0 个和第 1 个 bin 里，被均摊开。这就是后面一切"误杀"问题的根源，也是静态目标去除算法必须精细设计的原因。

2.2 "静态"是相对的：车载雷达平台自运动的拆解

如果把雷达装在移动的车载平台上，局面立刻反转。路边静止的广告牌在雷达坐标系里以车速迎面而来，它的多普勒频率不再是零；而一个与自车同向同速行走的行人，他的多普勒频率才接近零——但他恰恰是必须被检测的运动目标。静态目标去除里的"静态"，定义的是雷达坐标系下的相对速度为零，而不是全局坐标系的静止。这一条不掰扯清楚，后面所有参数都会全线崩掉。

标准的处理流程先把平台自身运动补偿掉。补偿有两条路线：外部补偿用轮速计或 IMU 直接给出平台速度；数据补偿则从雷达回波里估计——常见做法是找地面或大块静止物的多普勒峰值，反推出平台速度，再对整个距离-多普勒图做频率搬移。搬移之后，真正的全局静止目标回到零多普勒位置，运动目标保留在非零多普勒处。

这一步一旦出错，后面所有静态消除都会基于错误的速度参考系工作。实际工程里经常看到这种情况：自速度估计偏差 0.3m/s，MTI 对消器把路边栏杆当作"运动目标"保留下来，同向慢速行人反而被当成"静态目标"删掉。算法没有错，错的是参考系。判断一个系统有没有自运动补偿的痕迹，最直接的现象就是看静止目标是否真的稳定落在零多普勒行，还是落在一个随车速缓慢漂移的带状区域里。

2.3 为什么单纯的高通滤波会翻车

最直观的静态目标去除方法，是在多普勒维做一个高通滤波，把零频附近的能量切掉。实现上可以简单到把距离-多普勒图的第 0 行直接清零。理想条件下这确实有效，实际场景里至少有三类问题。

第一类是慢速目标损失。人步行的径向速度通常 0.3—1.5m/s，在 77GHz 雷达（波长约 3.9mm）下对应多普勒频率约 154Hz—770Hz。如果帧率低、多普勒分辨率粗，慢速目标的分量会与零频靠得很近，直接清零等于把人也删了。第二类是谱泄漏。加窗不是完美的，强静态目标的旁瓣能量会拖到相邻多普勒 bin，形成看起来像运动的伪峰，单纯清零零 bin 根本拦不住这些泄漏旁瓣。第三类是相位噪声。本振的相位噪声在强反射体附近会产生以零频为中心、缓慢随机变化的边带，形态上与慢速运动目标几乎无法区分，高通滤波拦不住这种与信号相关的噪声，反而会在边缘频率处把它放大。

所以静态目标去除不能靠一个滤波器一刀切，需要 MTI 对消、杂波图建模这类带时间记忆的结构化方法。这也是接下来重点拆解的机制。

3. MTI 对消器：时域相减为什么能"抹掉"静止目标

3.1 二脉冲对消：一个延迟单元的减法原理

MTI（Moving Target Indication）的核心逻辑朴素得惊人：把相邻两次 chirp 的回波相减。目标静止时，两次回波在距离域的复数值几乎相同，相减后趋近于零；目标运动时，相位随慢时间变化，相减后留下一个与运动速度相关的残差。用 Python 表达就是一个沿慢时间轴的差分：

def mti_2pulse(rd_matrix): """二脉冲 MTI 对消。 参数: rd_matrix: 距离-多普勒矩阵，shape 为 [n_chirp, n_range_bin] （已完成距离 FFT，尚未做多普勒 FFT） 返回: mti_out: 对消后的矩阵，第一行因无历史参考被丢弃 """ # 沿慢时间轴做相邻相减 mti_out = rd_matrix[1:, :] - rd_matrix[:-1, :] return mti_out

这段代码只做了一件事，但它等价于一个 FIR 滤波器，传递函数 H(z) = 1 - z⁻¹，频率响应幅值为 |H(f)| = 2|sin(πfT)|，T 是 chirp 重复周期。因为这个正弦形状，频率为零（静止目标）时幅值严格为 0，频率越高的运动目标增益越大。问题也藏在形状里：低频段增益近乎线性上升，速度 0.2m/s 的目标增益只有速度 2m/s 目标的十分之一。慢速目标虽然不会被完全消除，但在输出端的信噪比被大幅压低，后续 CFAR 很可能检不出来。换句话说，二脉冲对消器给了慢速目标"生存权"，却没给它"被检测权"。

3.2 三脉冲对消：更陡的零频陷波与慢速保留

二脉冲对消的抑制频带太宽，工程上常用三脉冲（二阶级）对消器替代，它对零频附近的抑制曲线更陡，靠近零频的慢速分量损失更小：

def mti_3pulse(rd_matrix): """三脉冲 MTI 对消，二阶 FIR。 传递函数 H(z) = 1 - 2z^(-1) + z^(-2) 零频处增益为 0，且接近零频的增益斜率更陡。 """ # 三点加权差分：y[n] = x[n] - 2x[n-1] + x[n-2] mti_out = rd_matrix[2:, :] - 2 * rd_matrix[1:-1, :] + rd_matrix[:-2, :] return mti_out

三脉冲对消的频响是 |H(f)| = 4sin²(πfT)，在零频附近增益随频率的平方上升，而二脉冲只随频率线性上升。对同一个低速目标，三脉冲对消器的输出增益显著更高，慢速检测能力明显更好。代价是三个连续 chirp 才能输出一个结果，数据维度从 n_chirp 降到 n_chirp-2，而且高阶 FIR 在高频段有通带过冲，会轻微放大某些速度区间的噪声。

实际雷达处理器里有个常见变体：用两级二脉冲对消器串行替代三脉冲。每一级延迟更短，流水线更友好，代价是时域特性不如真正的三脉冲干净。选哪个，本质是在慢速保留能力、处理时延和硬件面积之间做权衡。

3.3 从 MTI 到 MTD：多普勒滤波器组才是真正的静态去除

MTI 输出的是一维的"有无运动"判定，MTD（Moving Target Detection）则更进一步：对每个距离 bin 沿慢时间做一组带通滤波器，把多普勒维分割成若干速度通道。工程实现时，这组滤波器通常就是一次多普勒 FFT。FFT 之后，距离-多普勒图上第 0 行（零多普勒通道）对应的每一个距离 bin，理论上都是静态目标或零径向速度目标——直接把这个通道清零，就是最常用的静态目标去除实现。

但这条"标准答案"有一个前提：平台自速度必须已补偿。多普勒 bin 宽度由公式决定：Δf = 1/(N_chirp × T_prt)。帧时长 1 秒时，bin 宽 1Hz，对应速度分辨率约 0.002m/s（77GHz 频段很细）；帧时长只有 50ms 时，bin 宽 20Hz，对应约 0.04m/s。短帧意味着低速行人的能量几乎全部落在零 bin 附近，静态去除和慢速保留之间几乎没有容差。所以实际方案里，慢速检测从来不是靠静态去除模块单独解决的，而是靠拉长帧积累时间、提高多普勒分辨率，把行人的能量"推"到非零 bin 里去。

4. 杂波图背景估计：把"环境记忆"写进算法

4.1 指数滑动平均：一个遗忘因子管理背景更新

MTI 对消器有一个天生缺陷：它没有记忆。对消只基于最近两三个脉冲，如果某个静止结构物恰好在当前时刻出现微小抖动（风吹树叶、车辆振动），对消会留下一个残留，被当成运动目标输出。更稳健的思路是给算法一个长期记忆，让系统"记住"环境的常态样貌，再把新帧与记忆做比较——这就是杂波图（Clutter Map）方法。它的更新公式是一个指数滑动平均：

def clutter_map_update(clutter_map, current_frame, alpha=0.1): """更新杂波图背景估计。 参数: clutter_map: 与当前帧同尺寸的复背景估计 current_frame: 当前帧距离-多普勒幅度值（或复数） alpha: 遗忘因子，0 < alpha < 1。 越大背景更新越快，越小背景越稳定。 返回: 更新后的杂波图 """ assert clutter_map.shape == current_frame.shape # 指数滑动平均：新背景 = 旧背景吸收一小部分的当前帧 clutter_map = (1 - alpha) * clutter_map + alpha * current_frame return clutter_map

alpha 的取值决定了对环境变化的响应速度。alpha 接近 0 时，背景需要几百帧才更新一次，适合厂房内部这类几乎不变的环境；alpha 取 0.1—0.2 时，十几帧就能重建背景，适合户外有植被摆动、风吹草动的场景。

这里有一个工程界反复踩的坑：慢速移动目标如果在场景中停留时间足够长，比如 alpha=0.1、帧率 20Hz 时大约 0.5 秒，它会被逐步"溶解"进背景数据里。之后目标一旦移动，原位置会留下一个虚影（背景中还残留目标能量），新位置又因为刚开始不属于背景而异常突出。正确的做法是更新前先对当前帧做一个初步的目标检测掩膜，把高概率运动目标区域排除在背景更新之外，避免把活目标"腌"进背景。

4.2 形态学后处理：去掉谱泄漏制造的假静态

杂波图能剔除稳定背景，但处理不了"背景位置在相邻帧间轻微漂移"的情况。雷达天线的安装支架在车辆行驶时会有微振动，导致静止目标的峰值在距离或多普勒维抖动一到两个 bin。做帧间差分时，这些抖动位置会产生一对正负脉冲——一个像新出现的目标，一个像消失的目标，两者都会被当成运动输出。

常见的补救手段是形态学后处理：对距离-多普勒图做开运算（先腐蚀后膨胀），把孤立的小能量点移除，再丢弃区域面积小于阈值的检测结果。在实装代码里这是性价比极高的滤波器，计算量几乎可以忽略。需要强调的是，形态学处理不能替代背景去除，它只是把背景去除的残留噪声再压一层。两者的错误来源不同：背景去除解决时间维度的稳态错误，形态学解决空间维度的瞬态错误，各管一段，缺一不可。

4.3 4D 雷达的静态去除：从强度滤波到全维背景建模

4D 毫米波雷达在距离、多普勒之外还提供方位角和俯仰角，目标输出是四维点云。静态目标去除在这个场景下的形态发生了质变——不再只是多普勒维清零，而是要在四个维度上区分静态与运动。

角度维加入后，静态目标最显著的特征是它在方位-俯仰平面上的位置高度稳定，运动目标即使速度很慢，角度也在持续漂移。因此 4D 处理链里静态目标去除通常分两步：先做经典的多普勒域对消压低零多普勒目标，再做空间一致性检测——跟踪同一个点云目标在连续多帧里的方位、俯仰变化率，若位置变化小于阈值就判定静态并抑制。

这一步算法的本质是多维度的背景建模：对每个空间网格维护位置历史或角速度历史。好处是能处理一类特殊场景——正对雷达匀速逼近的行人，径向速度可能很低，但角度连续变化，空间一致性仍能识别出它在运动。这种思路和点云处理天然契合，所以 4D 雷达的静态去除模块通常不是二维矩阵滤波，而是直接写在点云聚类或配准环节里。这也是为什么 4D 雷达的 SDK 中，"静态目标去除"往往以点云预处理插件的形态出现，而不是一个独立的矩阵函数。

5. 静态目标去除实战：处理链、参数与避坑清单

5.1 完整信号处理链：从 ADC 采样到点云输出

把前三章的机制拼起来，一条完整的静态目标去除处理链是这样的：每个 chirp 的 ADC 采样 → 距离维 FFT → 帧内所有 chirp 组成慢时间矩阵 →（可选）平台自速度补偿 → MTI 对消或杂波图背景估计 → 多普勒维 FFT → CFAR 检测 → 角度估计 → 点云输出。用伪代码表达：

def static_removal_pipeline(frame_adc, clutter_map=None, alpha=0.1): """完整的静态目标去除处理链。 参数: frame_adc: 本帧 ADC 数据，shape [n_chirp, n_sample] clutter_map: 上次更新的杂波图，首帧为 None alpha: 杂波图遗忘因子 返回: detection_mask: 布尔矩阵，True 为保留目标 updated_clutter_map: 更新后的杂波图 """ # 1. 距离 FFT：每个 chirp 沿采样维做 FFT range_profile = np.fft.fft(frame_adc, axis=1) # 2. 平台自速度补偿（简化：此处假设已由外部模块完成） # 3. 杂波图背景估计 if clutter_map is None: clutter_map = np.abs(range_profile) # 首帧直接用本帧初始化 updated_map = clutter_map else: residual = np.abs(range_profile) - clutter_map updated_map = (1 - alpha) * clutter_map + alpha * np.abs(range_profile) # 4. 多普勒 FFT：在慢时间轴（chirp 维）上做 doppler_map = np.fft.fft(residual, axis=0) # 5. 零多普勒 bin 清零（静态去除的关键步骤） doppler_map[0, :] = 0 # 6. CFAR 检测（简化：幅度阈值） detection_mask = np.abs(doppler_map) > 0.5 * np.percentile(np.abs(doppler_map), 90) return detection_mask, updated_map

逻辑上，第四步和第五步的组合是核心：先做杂波图对消，再做多普勒 FFT，最后零行清零，三重防护叠加，把强静止目标的残留压到阈值以下，慢速运动目标则靠对消后的残差和非零多普勒分量保留下来。

这段流程里 CFAR 的简化写法非常危险，真实系统绝不能用全局百分位当阈值。雷达回波近距天然强、远距天然弱，阈值必须按距离 bin 独立计算噪声水平，常见实现是单元平均 CFAR：参考窗取 16—32 个多普勒 bin，保护单元取 2—4 个。参考窗太小，阈值跟着局部噪声剧烈抖动，虚警率飙升；参考窗太大，弱目标会被噪声统计平均掉，检测率下降。

5.2 关键参数怎么定：脉冲数、遗忘因子与 CFAR 门限

参数表不是死公式，每一行背后都有代价。多普勒分辨率与帧时长的换算前面算过：帧长 50ms 时 bin 宽 20Hz，对应约 0.04m/s。很多方案为了帧率牺牲积累时间，结果 bin 宽太大，低速行人直接贴零频，静态去除一动手就误杀。这解释了为什么 4D 雷达普遍搭配较长的帧积累周期——分辨率不够，后面的静态去除算法再精巧也施展不开。

5.3 避坑：5 条真实场景的踩坑记录

坑 1：行人贴墙走，人被当成静态目标删了

现象：杂波图更新和零多普勒清除同时开启后，紧贴墙体慢速行走的行人在输出点云里消失。

原因：行人径向速度低于静态判断阈值，或他的多普勒能量落进了零 bin 的谱泄漏区域，被后续清除直接抹掉。

解决：把静态判断从"速度等于 0"放宽为"速度绝对值小于 0.3m/s 才删"，同时把 CFAR 保护单元调大，给慢速目标留出搜索空间。实测能恢复大多数贴墙行人的检测。

坑 2：车辆静止等红灯，周围行人全部丢失

现象：自车停稳时，横向穿过的行人（速度约 1m/s）在点云里全部消失。

原因：平台速度为 0 时，雷达坐标系的静态目标几乎覆盖了低速行人的整个分量，零 bin 清除把它们一并杀掉。

解决：引入平台运动状态位。平台静止时不启用零 bin 清零，改用杂波图对消加强空间一致性判断，靠角度维变化识别低速行人。

坑 3：雨后地面回波变化，杂波图背景跟不上

现象：雨停后地面积水导致反射增强，杂波图把积水区域误判成动态目标，虚警数量暴增。

原因：遗忘因子太小，背景更新速度跟不上环境突变，积水反射的增量全部进入了残差。

解决：把 alpha 临时提高到 0.15—0.2，并给杂波图加差分速率检测——背景变化率超过正常范围时强制重置该区域，避免污染累积。

坑 4：强反射体旁边出现"幽灵"目标

现象：路灯、铁栏杆等强反射体旁总有一个跟随移动的假目标。

原因：强静态目标的高旁瓣泄漏进相邻多普勒 bin，CFAR 把这些泄漏成分当成了真实目标。

解决：距离 FFT 前加汉明窗抑制旁瓣；CFAR 前增加谱峰通断检测，拒绝多普勒谱形异常（过宽或过扁）的检测结果。

坑 5：MTI 对消输出出现无目标的"假运动"噪声

现象：空旷场景下，对消器输出仍散布随机亮点。

原因：本振相位噪声两次采样不相关，差分后无法抵消，反而在幅度上叠加放大，形成低电平随机噪声。

解决：增加参考通道做相位噪声估计，先扣除真实回波中的噪声分量再做对消；或在低信噪比区域改用非相参积累代替相参对消，避免噪声被相参处理增益放大。

6. 设计取舍：对消器阶数与算法复杂度之间的平衡

二脉冲对消计算量最小，一个减法就能完成，但对慢速目标不友好；三脉冲对消在零频附近有更陡的陷波，慢速保留更好，代价是额外一个 CPI 的延迟；杂波图方法精度最高，但每个距离-多普勒单元都要维护背景状态，内存开销随分辨率提升呈平方增长。到了 4D 雷达，若每个空间网格再维护位置历史，内存压力的增长还会再上一个数量级。

我经历过一次典型的取舍失误：在某嵌入式平台上做 4D 点云处理，为了追求慢速目标召回率，把杂波图分辨率直接顶到最高距离配置，结果背景数据吃掉了大半可用内存，其他处理模块只能排队等待。最后砍掉一半分辨率，内存立刻宽裕到能完整跑完全部处理链，而慢速目标的召回率只掉了一个百分点。那一刻才真正意识到，静态目标去除的困难从来不在算法本身，而在它与整个系统资源预算的耦合关系。

从那以后，每次碰静态目标去除，我都会先问三个问题：平台动不动、环境变得多快、内存与实时性哪个更值钱。这三个答案决定了 MTI 阶数、遗忘因子甚至整个处理链的形态。如果你也在调参数时遇到类似翻车，建议先别急着改 alpha 或加窗函数，重新审视一遍算法在整条链中的位置——多数问题的根源不在静态去除模块，而在它和参考系、分辨率和资源约束的关系里。希望这些机制拆解能帮你少走几步弯路。

本文还有配套的精品资源，点击获取