一种改进的三通道毫米波雷达目标识别方法的技术解析

文献概况

本文发表于《现代雷达》2026年第48卷第5期，由南京航空航天大学雷达成像与微波光子教育部重点实验室完成，受国家自然科学基金资助项目（61502228）资助。研究针对单通道区域距离多普勒（RD）谱在卷积神经网络目标识别中存在特征单一、识别率偏低的问题，提出了一种三通道 CNN 雷达目标识别方法，并构建了完整的多目标分类流程。

毫米波雷达目标识别技术背景

毫米波雷达工作在 30~300 GHz 频段，具有高分辨率、高穿透性、全天候工作能力等优点，在车载雷达、安防监控、工业检测等领域有广泛应用。目标识别是毫米波雷达的重要功能之一，通过识别目标的类型、形状、运动状态等信息，为决策系统提供输入。

传统的雷达目标识别方法主要基于信号处理技术，如匹配滤波、恒虚警率检测等，但在复杂场景下识别率较低。近年来，基于数据分析的雷达目标识别方法取得了显著进展，卷积神经网络（CNN）因其强大的特征提取能力，成为雷达目标识别的主流方法。

三通道特征提取方法

本文提出的三通道特征提取方法包括：

通过三路特征通道的融合，实现了目标特征维度的有效增强。单通道 RD 谱仅包含距离-多普勒信息，特征维度有限，难以区分复杂场景中的不同目标。三通道方法通过引入多目标干扰消除和 CFAR 检测信息，丰富了特征维度，提高了识别的鲁棒性。

改进的 S-MobileNet 网络

本文采用改进的 S-MobileNet 轻量化网络进行目标分类。MobileNet 是一种轻量化的 CNN 架构，通过深度可分离卷积和通道剪枝等技术，显著降低了模型的计算量和参数量，适合在嵌入式设备和实时系统中部署。

改进后的网络在保持轻量化结构的前提下，进一步降低了模型复杂度与计算量，在车载雷达等工程应用中具有一定的应用价值。

与无损检测技术的关联思考

虽然本文研究的是雷达目标识别，但其核心技术——信号处理、特征提取、模式识别——与无损检测（NDT）技术具有内在联系。在钢管和管件的无损检测中，同样面临信号处理、特征提取和缺陷识别的挑战。

例如，在超声检测中，回波信号的处理和分析与雷达信号处理类似。超声回波信号需要通过滤波、放大、解调等处理，提取缺陷特征，然后进行缺陷分类和定量评估。这与雷达目标识别中的信号处理流程类似。

此外，基于数据分析的无损检测方法近年来也取得了显著进展。通过将超声、射线、涡流等检测信号输入数据分析模型，可以实现缺陷的自动识别和分类。这与雷达目标识别中的 CNN 方法类似，都是利用数据分析强大的特征提取和分类能力，提高检测的准确性和效率。

工程应用价值分析

本文方法在复杂场景下目标识别准确率与鲁棒性方面取得了显著提升，同时改进后的网络在保持轻量化结构的前提下降低了模型复杂度与计算量。这对于车载雷达等实时性要求高的应用场景具有重要价值。

在工业检测领域，类似的轻量化识别方法也具有应用前景。例如，在管道检测中，通过轻量化神经网络对超声或射线检测图像进行实时分析，可以实现缺陷的快速识别和分类，提高检测效率和准确性。

学习心得与启示

本文的研究体现了数据分析技术在雷达目标识别领域的应用价值。通过多通道特征融合和轻量化网络设计，在提高识别准确率的同时降低了计算复杂度，这对于实时性要求高的应用场景具有重要意义。

从跨学科借鉴的角度看，雷达目标识别中的信号处理和特征提取方法，可以为无损检测技术提供新的思路。例如，多通道特征融合的思想可以应用于多物理场无损检测数据的融合分析；轻量化网络设计可以应用于嵌入式检测设备的实时缺陷识别。

同时，本文也提醒我们，在实际工程应用中，算法的性能提升需要与计算复杂度、实时性、可靠性等因素进行综合权衡。在无损检测领域，同样需要在检测精度和检测效率之间找到最佳平衡点。过于复杂的算法虽然可能提高检测精度，但会增加检测时间和成本，降低工程实用性。因此，在实际应用中，需要根据具体需求选择合适的算法，实现检测精度、效率和成本的最优平衡。