1. 海空小目标识别到底在解决什么问题1.1 从一次海边测试说起几年前我在沿海某试验场跟过一次外场测试当时用的是一台X波段导航雷达架在离海面大概十五米的塔架上。屏幕上同时出现了三类东西一艘三公里外的渔船、一群贴海飞行的海鸟、还有几个若隐若现的点状回波。操作员盯着屏幕看了半天最后判断那几个点状回波是杂波。结果事后比对光电记录那其实是两架低空小型飞行器。这件事让我印象很深。海空小目标识别之所以难不是因为我们没有传感器而是因为目标太小、背景太杂、特征太弱三者叠加之后传统检测到就算识别的思路直接失效。你检测到了但你不知道那是什么你甚至不确定那到底是不是目标。所谓海空小目标通常指雷达截面积RCS在0.01到1平方米量级、飞行或航行高度低、速度跨度大、且处于海面或地物强杂波背景下的目标。典型代表包括低空小型无人机、巡飞弹、海面小型快艇、漂浮物、以及部分空间再入碎片在末段的回波。它们的共同点是信噪比低、机动性强、背景非平稳。1.2 为什么小是原罪从雷达距离方程看接收功率与RCS成正比、与距离四次方成反比。这意味着RCS缩小一个数量级探测距离大约缩短到原来的56%。一架RCS为2平方米的常规飞机在同样雷达下能探测100公里换成RCS为0.02平方米的小型无人机理论探测距离只剩约33公里而且这还是在没有考虑海杂波和大气衰减的理想情况下。更麻烦的是小目标往往飞得低。低空意味着雷达波要贴着海面或地面传播多径效应、海杂波、地物遮挡全部涌上来。海杂波在近距离的功率可以比小目标回波高出40到60分贝这个量级差距相当于你在一个嘈杂的菜市场里听一根针掉地上的声音。所以海空小目标识别研究的核心命题不是如何把目标看得更清楚而是如何在强干扰背景下把目标从背景里抠出来并且判断它是什么、要干什么。这就把问题从单纯的信号检测推向了特征提取、多源融合和意图推断的层面。1.3 这篇综述想理清的三件事市面上关于小目标识别的资料不少但很多要么停留在算法公式要么泛泛谈多传感器融合。我打算按自己的理解把这件事拆成三层来讲第一层是概念边界——什么算小目标什么不算边界在哪里为什么这个边界会随场景漂移。第二层是目标特征——小目标在雷达、光电、声学等不同传感器下到底呈现什么特征哪些特征是可用的、哪些是陷阱。第三层是技术体系——从信号处理到特征提取再到融合决策整条链路是怎么搭起来的每一环的关键点和坑在哪里。这篇是上篇重点放在概念、特征和技术体系的框架上。下篇会展开具体的算法实现、数据集构建和典型场景的工程落地。如果你是从业者希望这篇能帮你把脑子里的碎片串成一条线如果你是刚入行的学生希望它能让你少走一些我当年走过的弯路。2. 概念边界什么才算海空小目标2.1 小目标没有绝对定义只有相对定义很多人一上来就问RCS小于多少算小目标这个问题本身就问错了。小目标是一个相对概念取决于雷达体制、探测距离、背景环境和任务需求四个变量。同样一架四旋翼无人机RCS约0.01到0.05平方米。对于一部架在岸边、探测距离20公里的X波段雷达它是典型小目标但对于一部机载火控雷达在5公里内照射它就是个大目标。同样一个目标在平静海面和五级海况下可检测性完全不同。所以我更愿意用一个操作性定义当目标回波在检测单元内的信噪比SNR低于常规检测门限、且目标特征在特征空间中与背景杂波不可分时该目标对本系统而言就是小目标。这个定义的好处是它把小绑定到了具体系统上而不是给一个拍脑袋的数值。2.2 三类典型目标及其边界在实际工程中海空小目标大致可以分成三类每类的边界和难点都不一样。目标类型典型RCS典型高度/深度主要难点代表场景低空小型飞行器0.01-0.5 m²10-1000 m低空杂波、机动性强无人机、巡飞弹海面小型目标0.1-2 m²0-5 m海杂波、多径快艇、漂浮物空间小目标末段0.001-0.1 m²再入段高速、等离子鞘碎片、诱饵第一类低空小型飞行器是目前研究最热的。它的边界在于低空和小型两个词的交集高度低于1000米RCS小于0.5平方米。这类目标的机动过载可以到5g以上而且飞行轨迹可以贴地、贴海利用地形遮蔽。第二类海面小型目标的边界更模糊。一艘5米长的橡皮艇RCS可能只有0.5平方米但它和海浪尖的回波在雷达上几乎一样。这里的关键区分特征是运动特性——船有稳定的航向和速度浪没有。第三类空间小目标属于另一个极端。速度极高几公里每秒但持续时间短而且等离子鞘会改变回波特性。这类目标的识别更多依赖弹道特征而非外形特征。2.3 边界为什么会漂移我特别想强调一点小目标的边界不是固定的它会随技术演进而漂移。十年前RCS 0.1平方米算小目标现在随着数字阵列和长时间相参积累的应用0.01平方米也能在较远距离上稳定检测。边界漂移带来两个后果一是老方法会失效。过去靠检测门限简单分类的流程在目标更小、背景更复杂时直接崩溃。二是新问题会涌现。当你能检测到更小的目标时虚警源也变多了——一片浪花、一只鸟、一片树叶都可能触发检测。所以做这个方向不能死守某个RCS数值而要盯着信杂比SCR和特征可分性这两个动态指标。这也是我在实际项目里判断这个目标能不能做的第一标准。3. 目标特征小目标在不同传感器下长什么样3.1 雷达域特征微多普勒是金矿雷达是海空小目标识别的主力传感器因为它能全天时、全天候工作而且作用距离远。小目标在雷达域的特征主要有四类RCS起伏、距离像、多普勒、微多普勒。RCS起伏是最基础也最不稳定的特征。小目标的RCS随姿态角变化剧烈同一架无人机机头朝向雷达和侧面朝向雷达RCS可能差10倍以上。所以单靠RCS均值做分类基本不可靠。距离像HRRP在宽带雷达下能提供目标在距离维的散射点分布。对于小型无人机旋翼、机身、电池仓会在距离像上形成几个散射中心。但小目标的距离像长度往往只有几十厘米要求雷达带宽足够大通常大于500MHz而且运动补偿要非常精确。多普勒提供径向速度信息。小目标速度跨度大无人机可能5到30米每秒快艇可能10到20米每秒而海杂波的多普勒展宽在低海况下可能只有1到2米每秒。所以多普勒是一个有效的粗筛特征。微多普勒是我认为最有价值的特征。旋翼的周期性转动会在回波上叠加一个周期性的频率调制形成独特的时频脊线。不同旋翼数量、转速、桨叶长度的目标微多普勒谱完全不同。一架四旋翼的微多普勒谱上能看到四条主要的调制脊线而固定翼无人机的微多普勒更接近机身振动的宽带调制。实操提示微多普勒的提取对相参积累时间有要求。积累时间太短频率分辨率不够脊线糊成一团积累时间太长目标机动导致脊线展宽。经验值是积累时间取旋翼转动周期的3到5倍对于转速3000转每分的旋翼大约60到100毫秒。3.2 光电域特征形状和纹理的补充光电传感器可见光、红外在小目标识别里扮演的是确认角色。雷达负责发现和粗定位光电负责精细识别。可见光下的小目标在远距离时只有几个像素形状特征几乎不可用。这时候主要靠运动特征——光流、轨迹连续性。当目标靠近到几十个像素时形状和纹理才开始起作用。红外则依赖热特征无人机的电机和电池是热源在红外上呈现明显的热点而鸟类和漂浮物的热分布完全不同。光电的短板是受天气和光照影响大。雾天、夜间、强逆光下可见光基本失效红外的作用距离也会大幅缩水。所以光电很少单独用于海空小目标识别更多是和雷达配合。3.3 多传感器融合不是简单叠加多传感器融合的核心价值在于互补。雷达提供距离和速度光电提供角度和形状声学提供低频特征。但融合不是把数据堆在一起而是要解决三个问题时空对齐、特征级融合、决策级融合。时空对齐是基础。雷达和光电的采样率不同、坐标系不同、时间戳不同必须先做标定和同步。我见过不少项目融合效果差最后查出来是标定误差导致的。特征级融合是把不同传感器的特征拼成一个联合特征向量。这里要注意特征尺度归一化否则量纲大的特征会淹没量纲小的特征。决策级融合是各传感器先独立出结果再投票或加权。这种方式鲁棒性好但信息损失大。实际工程中常用的是特征级和决策级混合的架构。融合层级优点缺点适用场景数据级信息最全通信量大、对齐难同源多雷达特征级信息较全、灵活需归一化雷达光电决策级鲁棒、易实现信息损失异构传感器3.4 特征选择的三个陷阱做特征工程时我踩过三个典型的坑这里分享出来。第一个坑是过度依赖单一特征。有段时间我们团队特别迷信微多普勒觉得只要提取到脊线就能分类。结果遇到一款转速可变的无人机微多普勒谱随转速漂移分类器直接失效。后来改成微多普勒多普勒RCS起伏的联合特征鲁棒性才上来。第二个坑是忽视特征的时间稳定性。有些特征在单帧上很漂亮但帧间抖动大导致跟踪时频繁切换类别。解决办法是加时间平滑或者用序列模型而不是单帧分类。第三个坑是训练集和测试集背景不一致。用平静海面数据训练的模型拿到五级海况下直接崩。这个问题的根源是背景杂波本身也是特征模型学到了背景而不是目标。解决办法是数据增强或者在特征提取阶段就做背景抑制。4. 技术体系从信号到决策的完整链路4.1 整体架构长什么样海空小目标识别的技术体系我习惯把它画成一条五级流水线信号预处理 → 检测 → 特征提取 → 分类识别 → 融合决策。每一级的输出是下一级的输入但实际系统中会有反馈回路比如分类置信度低时回退到检测级重新处理。这条链路看起来线性但每一级都有讲究。信号预处理要做脉冲压缩、杂波抑制、运动补偿检测要做恒虚警率CFAR处理和多帧积累特征提取要从时域、频域、时频域多个角度挖分类识别要选合适的模型融合决策要把多源信息整合成最终判断。4.2 信号预处理把目标从背景里洗出来预处理的目标是提高信杂比。常用的手段有三个脉冲压缩、杂波抑制、运动补偿。脉冲压缩用大带宽信号换取距离分辨率。对于小目标带宽至少要几百兆赫兹否则目标在距离维上就是一个点没有形状信息。杂波抑制是重头戏。海杂波的能量主要集中在零多普勒附近所以最简单的方法是用高通滤波器把零频附近滤掉。但小目标如果速度也很低比如悬停的无人机就会被一起滤掉。这时候要用更精细的方法比如基于子空间的正交投影或者基于杂波图的自适应对消。运动补偿针对的是平台运动或目标机动导致的相位误差。小目标的相参积累时间往往在几十到几百毫秒这段时间内如果目标有加速度相位会二次项变化导致积累增益下降。解决办法是先用低阶多项式拟合相位再补偿。实操心得杂波抑制和运动补偿是有矛盾的。抑制得越狠目标能量损失越大补偿得越精细计算量越大。实际工程中要根据目标速度范围做折中通常把速度门限设在1到2米每秒低于这个速度的目标用长时间积累高于的用短时间积累。4.3 检测CFAR只是起点恒虚警率检测是雷达检测的经典方法。它的核心思想是让虚警概率保持恒定不管背景功率怎么变。常用的CFAR有单元平均CA-CFAR、有序统计OS-CFAR、以及它们的变种。但CFAR在海空小目标场景下有两个问题。一是多目标遮蔽当多个目标靠得很近时参考单元里混入了其他目标导致门限抬高弱目标漏检。二是杂波边缘效应在海天交界处杂波功率突变CFAR的参考单元跨越了边界导致门限估计错误。针对这两个问题工程上常用双参数CFAR或者基于杂波图的CFAR。双参数CFAR同时估计杂波的均值和方差对非均匀背景更鲁棒。基于杂波图的CFAR则利用历史帧的杂波统计对慢变背景更有效。检测之后还要做多帧积累。单帧检测的虚警率再低帧数一多总虚警也会累积。多帧积累利用目标运动的连续性把多帧能量沿轨迹累加能显著提高小目标的检测概率。4.4 特征提取时频域是主战场特征提取是把检测到的回波转换成可分类的描述子。对于小目标我通常从三个域提取特征。时域特征包括回波幅度起伏、包络的统计量均值、方差、偏度、峰度。小目标的幅度起伏通常比杂波更剧烈因为目标姿态变化快。频域特征主要是多普勒谱。除了主峰位置谱宽、谱对称性、谱峰数量都是有用特征。比如旋翼目标的多普勒谱会有多个边带而固定翼目标只有一个主峰。时频域特征是微多普勒的载体。常用的时频分析方法有短时傅里叶变换STFT、魏格纳-维尔分布WVD、以及小波变换。STFT最简单但时频分辨率受不确定性原理限制WVD分辨率高但有交叉项干扰小波变换适合非平稳信号但参数选择依赖经验。时频方法分辨率交叉项计算量适用场景STFT中等无低实时系统WVD高有中离线分析小波可调无中高非平稳信号4.5 分类识别从模板匹配到深度学习分类识别的方法经历了三代演进。第一代是模板匹配。把目标的特征和预先存储的模板比对取最相似的类别。这种方法简单但对目标姿态和背景变化敏感模板库要做得很大。第二代是统计分类器比如支持向量机SVM、随机森林。它们把特征映射到高维空间找最优分类面。相比模板匹配泛化能力更强但需要人工设计特征。第三代是深度学习。卷积神经网络CNN可以直接从时频图里学特征循环神经网络RNN和Transformer可以处理序列信息。深度学习的优势是端到端省去了人工特征工程劣势是需要大量标注数据而且模型可解释性差。在实际工程中我倾向于混合方案用人工特征做粗分类用深度学习做细分类。这样既能保证鲁棒性又能利用深度学习的表达能力。4.6 融合决策把多源信息拧成一股绳融合决策是最后一步也是最能体现工程经验的一步。常见的融合策略有三种加权投票、贝叶斯推理、D-S证据理论。加权投票最简单每个传感器出一个类别按置信度加权。适合传感器数量少、独立性强的场景。贝叶斯推理需要知道各传感器的似然函数理论上最优但实际中似然函数很难准确估计。D-S证据理论能处理不确定和不知道的区别适合传感器可靠性不一致的场景。但它的组合规则在证据冲突时会产生反直觉结果需要做冲突处理。我的经验是融合策略要和任务需求匹配。如果任务是宁可漏报不可虚警就用保守策略如果任务是宁可虚警不可漏报就用激进策略。没有万能的最优融合。5. 常见问题与排查技巧实录5.1 检测到了但分类不准怎么查这是最常见的问题。排查思路是逐级回溯先看检测级的信杂比够不够再看特征提取有没有失真最后看分类器的训练数据是否匹配。如果信杂比低于10分贝分类基本靠猜这时候要先想办法提高信杂比比如增加积累时间、优化杂波抑制。如果信杂比够但分类不准就要检查特征提取。我遇到过一次时频图看起来正常但分类器总把无人机判成鸟。后来发现是时频图的动态范围压缩参数设错了导致微多普勒脊线被压平。5.2 虚警太多怎么办虚警来源主要有三类杂波残余、干扰、以及真实但非目标的对象鸟、浪花。排查时先做虚警源统计把虚警按距离、多普勒、幅度分类看它们集中在哪个区域。如果集中在零多普勒附近说明杂波抑制不够如果分散在各处可能是干扰。针对杂波残余可以加杂波图更新让系统自适应学习背景。针对干扰可以用频率捷变或极化滤波。针对鸟和浪花就要靠特征分类了——鸟的微多普勒是翅膀扑动频率通常在几赫兹到十几赫兹和旋翼的几十到几百赫兹完全不同。5.3 多传感器时间不同步怎么处理时间同步的误差来源有三个硬件时钟漂移、通信延迟、以及数据处理延迟。硬件层面最好用统一时钟源比如GPS秒脉冲或者IEEE 1588协议。通信层面要记录每个数据包的时间戳并在融合前做插值对齐。数据处理层面要尽量让各传感器的处理链路延迟一致或者把延迟作为已知量补偿。我见过一个项目雷达和光电的融合效果一直不好最后查出来是光电的编码器有200毫秒的固定延迟补偿之后就正常了。所以时间同步一定要实测不能只信标称值。5.4 常见问题速查表问题现象可能原因排查方法解决思路小目标漏检信杂比不足看检测前SNR增加积累、优化杂波抑制分类混淆特征不可分画特征散点图增加特征维度、换模型虚警高杂波残余统计虚警分布杂波图、极化滤波跟踪丢失机动过载大看轨迹残差换机动模型、加预测融合效果差时空不同步查时间戳统一时钟、延迟补偿5.5 几个容易被忽视的细节第一个细节是极化信息。很多系统只用单极化其实双极化能提供额外的区分度。海杂波在HH和VV极化下的特性不同小目标的极化响应也和杂波有差异。第二个细节是天线扫描方式。机械扫描的帧率低对小目标的多帧积累不利相控阵可以灵活调度波束但资源分配要优化。第三个细节是数据标注质量。深度学习的上限由数据决定。我见过标注错误的训练集把鸟标成无人机导致模型学偏。标注一定要有复核机制。6. 写在最后的一点个人体会做海空小目标识别这些年我最大的体会是这不是一个纯算法问题而是一个系统工程问题。算法再先进如果传感器选型不对、标定不准、数据质量差结果一样不行。反过来即使用传统方法只要把每一环做扎实也能得到可用的结果。另一个体会是不要迷信单一指标。检测概率、虚警率、分类准确率这些指标要放在一起看而且要结合任务需求。一个检测概率99%但虚警率也99%的系统在实际中毫无价值。最后分享一个我常用的思路把复杂问题拆成可验证的小问题。不要一上来就想端到端解决而是先确保检测可靠再确保特征可分最后才做分类融合。每一步都有量化指标每一步都能独立验证。这样即使最终效果不完美你也能清楚知道问题出在哪一环。下篇我会展开讲具体的算法实现、数据集构建方法以及几个典型场景的完整工程案例包括低空无人机探测、海面小目标跟踪和空间碎片末段识别。如果你正在做相关方向欢迎交流。
海空小目标识别：概念边界、特征提取与多传感器融合技术体系
1. 海空小目标识别到底在解决什么问题1.1 从一次海边测试说起几年前我在沿海某试验场跟过一次外场测试当时用的是一台X波段导航雷达架在离海面大概十五米的塔架上。屏幕上同时出现了三类东西一艘三公里外的渔船、一群贴海飞行的海鸟、还有几个若隐若现的点状回波。操作员盯着屏幕看了半天最后判断那几个点状回波是杂波。结果事后比对光电记录那其实是两架低空小型飞行器。这件事让我印象很深。海空小目标识别之所以难不是因为我们没有传感器而是因为目标太小、背景太杂、特征太弱三者叠加之后传统检测到就算识别的思路直接失效。你检测到了但你不知道那是什么你甚至不确定那到底是不是目标。所谓海空小目标通常指雷达截面积RCS在0.01到1平方米量级、飞行或航行高度低、速度跨度大、且处于海面或地物强杂波背景下的目标。典型代表包括低空小型无人机、巡飞弹、海面小型快艇、漂浮物、以及部分空间再入碎片在末段的回波。它们的共同点是信噪比低、机动性强、背景非平稳。1.2 为什么小是原罪从雷达距离方程看接收功率与RCS成正比、与距离四次方成反比。这意味着RCS缩小一个数量级探测距离大约缩短到原来的56%。一架RCS为2平方米的常规飞机在同样雷达下能探测100公里换成RCS为0.02平方米的小型无人机理论探测距离只剩约33公里而且这还是在没有考虑海杂波和大气衰减的理想情况下。更麻烦的是小目标往往飞得低。低空意味着雷达波要贴着海面或地面传播多径效应、海杂波、地物遮挡全部涌上来。海杂波在近距离的功率可以比小目标回波高出40到60分贝这个量级差距相当于你在一个嘈杂的菜市场里听一根针掉地上的声音。所以海空小目标识别研究的核心命题不是如何把目标看得更清楚而是如何在强干扰背景下把目标从背景里抠出来并且判断它是什么、要干什么。这就把问题从单纯的信号检测推向了特征提取、多源融合和意图推断的层面。1.3 这篇综述想理清的三件事市面上关于小目标识别的资料不少但很多要么停留在算法公式要么泛泛谈多传感器融合。我打算按自己的理解把这件事拆成三层来讲第一层是概念边界——什么算小目标什么不算边界在哪里为什么这个边界会随场景漂移。第二层是目标特征——小目标在雷达、光电、声学等不同传感器下到底呈现什么特征哪些特征是可用的、哪些是陷阱。第三层是技术体系——从信号处理到特征提取再到融合决策整条链路是怎么搭起来的每一环的关键点和坑在哪里。这篇是上篇重点放在概念、特征和技术体系的框架上。下篇会展开具体的算法实现、数据集构建和典型场景的工程落地。如果你是从业者希望这篇能帮你把脑子里的碎片串成一条线如果你是刚入行的学生希望它能让你少走一些我当年走过的弯路。2. 概念边界什么才算海空小目标2.1 小目标没有绝对定义只有相对定义很多人一上来就问RCS小于多少算小目标这个问题本身就问错了。小目标是一个相对概念取决于雷达体制、探测距离、背景环境和任务需求四个变量。同样一架四旋翼无人机RCS约0.01到0.05平方米。对于一部架在岸边、探测距离20公里的X波段雷达它是典型小目标但对于一部机载火控雷达在5公里内照射它就是个大目标。同样一个目标在平静海面和五级海况下可检测性完全不同。所以我更愿意用一个操作性定义当目标回波在检测单元内的信噪比SNR低于常规检测门限、且目标特征在特征空间中与背景杂波不可分时该目标对本系统而言就是小目标。这个定义的好处是它把小绑定到了具体系统上而不是给一个拍脑袋的数值。2.2 三类典型目标及其边界在实际工程中海空小目标大致可以分成三类每类的边界和难点都不一样。目标类型典型RCS典型高度/深度主要难点代表场景低空小型飞行器0.01-0.5 m²10-1000 m低空杂波、机动性强无人机、巡飞弹海面小型目标0.1-2 m²0-5 m海杂波、多径快艇、漂浮物空间小目标末段0.001-0.1 m²再入段高速、等离子鞘碎片、诱饵第一类低空小型飞行器是目前研究最热的。它的边界在于低空和小型两个词的交集高度低于1000米RCS小于0.5平方米。这类目标的机动过载可以到5g以上而且飞行轨迹可以贴地、贴海利用地形遮蔽。第二类海面小型目标的边界更模糊。一艘5米长的橡皮艇RCS可能只有0.5平方米但它和海浪尖的回波在雷达上几乎一样。这里的关键区分特征是运动特性——船有稳定的航向和速度浪没有。第三类空间小目标属于另一个极端。速度极高几公里每秒但持续时间短而且等离子鞘会改变回波特性。这类目标的识别更多依赖弹道特征而非外形特征。2.3 边界为什么会漂移我特别想强调一点小目标的边界不是固定的它会随技术演进而漂移。十年前RCS 0.1平方米算小目标现在随着数字阵列和长时间相参积累的应用0.01平方米也能在较远距离上稳定检测。边界漂移带来两个后果一是老方法会失效。过去靠检测门限简单分类的流程在目标更小、背景更复杂时直接崩溃。二是新问题会涌现。当你能检测到更小的目标时虚警源也变多了——一片浪花、一只鸟、一片树叶都可能触发检测。所以做这个方向不能死守某个RCS数值而要盯着信杂比SCR和特征可分性这两个动态指标。这也是我在实际项目里判断这个目标能不能做的第一标准。3. 目标特征小目标在不同传感器下长什么样3.1 雷达域特征微多普勒是金矿雷达是海空小目标识别的主力传感器因为它能全天时、全天候工作而且作用距离远。小目标在雷达域的特征主要有四类RCS起伏、距离像、多普勒、微多普勒。RCS起伏是最基础也最不稳定的特征。小目标的RCS随姿态角变化剧烈同一架无人机机头朝向雷达和侧面朝向雷达RCS可能差10倍以上。所以单靠RCS均值做分类基本不可靠。距离像HRRP在宽带雷达下能提供目标在距离维的散射点分布。对于小型无人机旋翼、机身、电池仓会在距离像上形成几个散射中心。但小目标的距离像长度往往只有几十厘米要求雷达带宽足够大通常大于500MHz而且运动补偿要非常精确。多普勒提供径向速度信息。小目标速度跨度大无人机可能5到30米每秒快艇可能10到20米每秒而海杂波的多普勒展宽在低海况下可能只有1到2米每秒。所以多普勒是一个有效的粗筛特征。微多普勒是我认为最有价值的特征。旋翼的周期性转动会在回波上叠加一个周期性的频率调制形成独特的时频脊线。不同旋翼数量、转速、桨叶长度的目标微多普勒谱完全不同。一架四旋翼的微多普勒谱上能看到四条主要的调制脊线而固定翼无人机的微多普勒更接近机身振动的宽带调制。实操提示微多普勒的提取对相参积累时间有要求。积累时间太短频率分辨率不够脊线糊成一团积累时间太长目标机动导致脊线展宽。经验值是积累时间取旋翼转动周期的3到5倍对于转速3000转每分的旋翼大约60到100毫秒。3.2 光电域特征形状和纹理的补充光电传感器可见光、红外在小目标识别里扮演的是确认角色。雷达负责发现和粗定位光电负责精细识别。可见光下的小目标在远距离时只有几个像素形状特征几乎不可用。这时候主要靠运动特征——光流、轨迹连续性。当目标靠近到几十个像素时形状和纹理才开始起作用。红外则依赖热特征无人机的电机和电池是热源在红外上呈现明显的热点而鸟类和漂浮物的热分布完全不同。光电的短板是受天气和光照影响大。雾天、夜间、强逆光下可见光基本失效红外的作用距离也会大幅缩水。所以光电很少单独用于海空小目标识别更多是和雷达配合。3.3 多传感器融合不是简单叠加多传感器融合的核心价值在于互补。雷达提供距离和速度光电提供角度和形状声学提供低频特征。但融合不是把数据堆在一起而是要解决三个问题时空对齐、特征级融合、决策级融合。时空对齐是基础。雷达和光电的采样率不同、坐标系不同、时间戳不同必须先做标定和同步。我见过不少项目融合效果差最后查出来是标定误差导致的。特征级融合是把不同传感器的特征拼成一个联合特征向量。这里要注意特征尺度归一化否则量纲大的特征会淹没量纲小的特征。决策级融合是各传感器先独立出结果再投票或加权。这种方式鲁棒性好但信息损失大。实际工程中常用的是特征级和决策级混合的架构。融合层级优点缺点适用场景数据级信息最全通信量大、对齐难同源多雷达特征级信息较全、灵活需归一化雷达光电决策级鲁棒、易实现信息损失异构传感器3.4 特征选择的三个陷阱做特征工程时我踩过三个典型的坑这里分享出来。第一个坑是过度依赖单一特征。有段时间我们团队特别迷信微多普勒觉得只要提取到脊线就能分类。结果遇到一款转速可变的无人机微多普勒谱随转速漂移分类器直接失效。后来改成微多普勒多普勒RCS起伏的联合特征鲁棒性才上来。第二个坑是忽视特征的时间稳定性。有些特征在单帧上很漂亮但帧间抖动大导致跟踪时频繁切换类别。解决办法是加时间平滑或者用序列模型而不是单帧分类。第三个坑是训练集和测试集背景不一致。用平静海面数据训练的模型拿到五级海况下直接崩。这个问题的根源是背景杂波本身也是特征模型学到了背景而不是目标。解决办法是数据增强或者在特征提取阶段就做背景抑制。4. 技术体系从信号到决策的完整链路4.1 整体架构长什么样海空小目标识别的技术体系我习惯把它画成一条五级流水线信号预处理 → 检测 → 特征提取 → 分类识别 → 融合决策。每一级的输出是下一级的输入但实际系统中会有反馈回路比如分类置信度低时回退到检测级重新处理。这条链路看起来线性但每一级都有讲究。信号预处理要做脉冲压缩、杂波抑制、运动补偿检测要做恒虚警率CFAR处理和多帧积累特征提取要从时域、频域、时频域多个角度挖分类识别要选合适的模型融合决策要把多源信息整合成最终判断。4.2 信号预处理把目标从背景里洗出来预处理的目标是提高信杂比。常用的手段有三个脉冲压缩、杂波抑制、运动补偿。脉冲压缩用大带宽信号换取距离分辨率。对于小目标带宽至少要几百兆赫兹否则目标在距离维上就是一个点没有形状信息。杂波抑制是重头戏。海杂波的能量主要集中在零多普勒附近所以最简单的方法是用高通滤波器把零频附近滤掉。但小目标如果速度也很低比如悬停的无人机就会被一起滤掉。这时候要用更精细的方法比如基于子空间的正交投影或者基于杂波图的自适应对消。运动补偿针对的是平台运动或目标机动导致的相位误差。小目标的相参积累时间往往在几十到几百毫秒这段时间内如果目标有加速度相位会二次项变化导致积累增益下降。解决办法是先用低阶多项式拟合相位再补偿。实操心得杂波抑制和运动补偿是有矛盾的。抑制得越狠目标能量损失越大补偿得越精细计算量越大。实际工程中要根据目标速度范围做折中通常把速度门限设在1到2米每秒低于这个速度的目标用长时间积累高于的用短时间积累。4.3 检测CFAR只是起点恒虚警率检测是雷达检测的经典方法。它的核心思想是让虚警概率保持恒定不管背景功率怎么变。常用的CFAR有单元平均CA-CFAR、有序统计OS-CFAR、以及它们的变种。但CFAR在海空小目标场景下有两个问题。一是多目标遮蔽当多个目标靠得很近时参考单元里混入了其他目标导致门限抬高弱目标漏检。二是杂波边缘效应在海天交界处杂波功率突变CFAR的参考单元跨越了边界导致门限估计错误。针对这两个问题工程上常用双参数CFAR或者基于杂波图的CFAR。双参数CFAR同时估计杂波的均值和方差对非均匀背景更鲁棒。基于杂波图的CFAR则利用历史帧的杂波统计对慢变背景更有效。检测之后还要做多帧积累。单帧检测的虚警率再低帧数一多总虚警也会累积。多帧积累利用目标运动的连续性把多帧能量沿轨迹累加能显著提高小目标的检测概率。4.4 特征提取时频域是主战场特征提取是把检测到的回波转换成可分类的描述子。对于小目标我通常从三个域提取特征。时域特征包括回波幅度起伏、包络的统计量均值、方差、偏度、峰度。小目标的幅度起伏通常比杂波更剧烈因为目标姿态变化快。频域特征主要是多普勒谱。除了主峰位置谱宽、谱对称性、谱峰数量都是有用特征。比如旋翼目标的多普勒谱会有多个边带而固定翼目标只有一个主峰。时频域特征是微多普勒的载体。常用的时频分析方法有短时傅里叶变换STFT、魏格纳-维尔分布WVD、以及小波变换。STFT最简单但时频分辨率受不确定性原理限制WVD分辨率高但有交叉项干扰小波变换适合非平稳信号但参数选择依赖经验。时频方法分辨率交叉项计算量适用场景STFT中等无低实时系统WVD高有中离线分析小波可调无中高非平稳信号4.5 分类识别从模板匹配到深度学习分类识别的方法经历了三代演进。第一代是模板匹配。把目标的特征和预先存储的模板比对取最相似的类别。这种方法简单但对目标姿态和背景变化敏感模板库要做得很大。第二代是统计分类器比如支持向量机SVM、随机森林。它们把特征映射到高维空间找最优分类面。相比模板匹配泛化能力更强但需要人工设计特征。第三代是深度学习。卷积神经网络CNN可以直接从时频图里学特征循环神经网络RNN和Transformer可以处理序列信息。深度学习的优势是端到端省去了人工特征工程劣势是需要大量标注数据而且模型可解释性差。在实际工程中我倾向于混合方案用人工特征做粗分类用深度学习做细分类。这样既能保证鲁棒性又能利用深度学习的表达能力。4.6 融合决策把多源信息拧成一股绳融合决策是最后一步也是最能体现工程经验的一步。常见的融合策略有三种加权投票、贝叶斯推理、D-S证据理论。加权投票最简单每个传感器出一个类别按置信度加权。适合传感器数量少、独立性强的场景。贝叶斯推理需要知道各传感器的似然函数理论上最优但实际中似然函数很难准确估计。D-S证据理论能处理不确定和不知道的区别适合传感器可靠性不一致的场景。但它的组合规则在证据冲突时会产生反直觉结果需要做冲突处理。我的经验是融合策略要和任务需求匹配。如果任务是宁可漏报不可虚警就用保守策略如果任务是宁可虚警不可漏报就用激进策略。没有万能的最优融合。5. 常见问题与排查技巧实录5.1 检测到了但分类不准怎么查这是最常见的问题。排查思路是逐级回溯先看检测级的信杂比够不够再看特征提取有没有失真最后看分类器的训练数据是否匹配。如果信杂比低于10分贝分类基本靠猜这时候要先想办法提高信杂比比如增加积累时间、优化杂波抑制。如果信杂比够但分类不准就要检查特征提取。我遇到过一次时频图看起来正常但分类器总把无人机判成鸟。后来发现是时频图的动态范围压缩参数设错了导致微多普勒脊线被压平。5.2 虚警太多怎么办虚警来源主要有三类杂波残余、干扰、以及真实但非目标的对象鸟、浪花。排查时先做虚警源统计把虚警按距离、多普勒、幅度分类看它们集中在哪个区域。如果集中在零多普勒附近说明杂波抑制不够如果分散在各处可能是干扰。针对杂波残余可以加杂波图更新让系统自适应学习背景。针对干扰可以用频率捷变或极化滤波。针对鸟和浪花就要靠特征分类了——鸟的微多普勒是翅膀扑动频率通常在几赫兹到十几赫兹和旋翼的几十到几百赫兹完全不同。5.3 多传感器时间不同步怎么处理时间同步的误差来源有三个硬件时钟漂移、通信延迟、以及数据处理延迟。硬件层面最好用统一时钟源比如GPS秒脉冲或者IEEE 1588协议。通信层面要记录每个数据包的时间戳并在融合前做插值对齐。数据处理层面要尽量让各传感器的处理链路延迟一致或者把延迟作为已知量补偿。我见过一个项目雷达和光电的融合效果一直不好最后查出来是光电的编码器有200毫秒的固定延迟补偿之后就正常了。所以时间同步一定要实测不能只信标称值。5.4 常见问题速查表问题现象可能原因排查方法解决思路小目标漏检信杂比不足看检测前SNR增加积累、优化杂波抑制分类混淆特征不可分画特征散点图增加特征维度、换模型虚警高杂波残余统计虚警分布杂波图、极化滤波跟踪丢失机动过载大看轨迹残差换机动模型、加预测融合效果差时空不同步查时间戳统一时钟、延迟补偿5.5 几个容易被忽视的细节第一个细节是极化信息。很多系统只用单极化其实双极化能提供额外的区分度。海杂波在HH和VV极化下的特性不同小目标的极化响应也和杂波有差异。第二个细节是天线扫描方式。机械扫描的帧率低对小目标的多帧积累不利相控阵可以灵活调度波束但资源分配要优化。第三个细节是数据标注质量。深度学习的上限由数据决定。我见过标注错误的训练集把鸟标成无人机导致模型学偏。标注一定要有复核机制。6. 写在最后的一点个人体会做海空小目标识别这些年我最大的体会是这不是一个纯算法问题而是一个系统工程问题。算法再先进如果传感器选型不对、标定不准、数据质量差结果一样不行。反过来即使用传统方法只要把每一环做扎实也能得到可用的结果。另一个体会是不要迷信单一指标。检测概率、虚警率、分类准确率这些指标要放在一起看而且要结合任务需求。一个检测概率99%但虚警率也99%的系统在实际中毫无价值。最后分享一个我常用的思路把复杂问题拆成可验证的小问题。不要一上来就想端到端解决而是先确保检测可靠再确保特征可分最后才做分类融合。每一步都有量化指标每一步都能独立验证。这样即使最终效果不完美你也能清楚知道问题出在哪一环。下篇我会展开讲具体的算法实现、数据集构建方法以及几个典型场景的完整工程案例包括低空无人机探测、海面小目标跟踪和空间碎片末段识别。如果你正在做相关方向欢迎交流。
