CN108445480A - 基于激光雷达的移动平台自适应扩展目标跟踪系统及方法 - Google Patents
基于激光雷达的移动平台自适应扩展目标跟踪系统及方法 Download PDFInfo
- Publication number
- CN108445480A CN108445480A CN201810106661.0A CN201810106661A CN108445480A CN 108445480 A CN108445480 A CN 108445480A CN 201810106661 A CN201810106661 A CN 201810106661A CN 108445480 A CN108445480 A CN 108445480A
- Authority
- CN
- China
- Prior art keywords
- target
- mobile platform
- tracking
- point
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种基于激光雷达的移动平台自适应扩展目标跟踪系统及方法,该系统包括全局定位、局部地图生成、目标检测与识别、运动目标分类和自适应跟踪模块。其中,全局定位模块用于获取移动平台实时位置与运动状态信息;局部地图生成模块根据激光雷达数据生成当前位置对应的局部地图;目标检测与识别模块对当前时刻局部地图进行聚类、特征提取处理,检测与识别运动目标;运动目标分类模块将目标分类为扩展目标与点目标;自适应跟踪模块在同一时刻实现扩展目标和点目标混合跟踪,在不同时刻实现同一目标自适应跟踪模型切换。本发明实现扩展目标跟踪处理来增强目标跟踪效果,有助于提高移动平台环境感知性能及适应能力。
Description
技术领域
本发明属于智能车辆、移动机器人等无人移动平台的环境感知技术领域,主要涉及一种基于激光雷达的移动平台自适应扩展目标跟踪系统及方法。
背景技术
在智能车辆、移动机器人等无人移动平台中,环境感知是最基础、关键的技术之一。为了提高上述移动平台在复杂环境下感知能力,无人移动平台需要具备对不同目标感知的适应能力,但传统方法中一般仅利用单一模型对单一类型目标进行感知与描述,也不具备对同一目标不同形态的跟踪切换能力,使得移动平台感知能力受到实际环境的极大约束。
中国专利申请:一种基于改进联合概率数据关联的分布式目标跟踪方法(申请号:CN201610821318.5)公开了一种改进的分布式目标跟踪方法,该方法通过对分布式系统中每个传感器分别进行数据关联与滤波,得到各自传感器关于检测范围内的目标的状态估计,然后再对个传感器估计结果进行空间上的融合,以此提高JPDA算法的时间性能,但该方法在数据关联和滤波过程中对传感器重叠区域目标存在重复计算步骤,并且该方法只适用于点目标跟踪环境的假设。
中国专利申请:基于多尺度模型的红外/激光雷达数据融合目标跟踪方法(申请号:CN201510080015.8)公开了一种多尺度融合的目标跟踪方法,该方法将多尺度模型引用到跟踪系统中,通过在不同尺度上对目标状态进行滤波估计,以此提高目标状态的估计精度和跟踪系统的鲁棒性,但该方法一方面没有对多尺度进行量化分析,另一方面,其融合跟踪系统只考虑了目标的位置状态,没有充分考虑目标自身尺度变化对跟踪系统的影响。
中国专利申请:多传感器存在监测区域部分重叠的扩展目标跟踪方法(申请号:CN201510166517.2)公开了一种多传感器重叠区域扩展目标跟踪方法,该方法充分考虑了多传感器融合方法在实际应用中存在监测区域重叠的情况,并针对该问题,提出了一种改进的序贯滤波算法(GM-PHD)并应用到扩展目标跟踪中。但由于该方法所改进得到的序贯滤波算法没有使用目标关联技术,在重叠区域,由于多传感器观测角度不同导致重叠区域内的目标量测不同,进而会导致GM-PHD方法中量测划分失败的问题。
中国专利申请:一种基于几何比例关系的扩展目标跟踪方法(申请号:CN201410114293.6)公开了一种基于几何比例关系的扩展目标跟踪方法,该方法根据所跟踪目标的几何比例不变性,主要解决当目标出现自遮挡时导致跟踪点丢失的问题,尽管该方法充分利用了跟踪目标的尺寸扩展特性,但其基于目标的比例不变性是在目标几何特征等先验知识已知的假设条件下进行的。
中国专利申请:基于无迹卡尔曼滤波的机动扩展目标跟踪方法(申请号:CN201610809777.1)公开了一种基于无迹卡尔曼滤波的扩展目标跟踪方法,该方法充分考虑了高精度传感器能观测到目标宽度或大小等扩展信息,以此对跟踪目标进行建模,并利用无迹卡尔曼滤波方法对扩展目标的运动状态和扩展形态进行联合估计,主要解决了扩展目标的运动状态和扩展形态的联合描述与估计,但该方法仅考虑目标扩展形态存在情况下的目标跟踪问题,没有考虑目标扩展形态从有到无或从无到有的变化。
中国专利申请:近邻传播观测聚类的多扩展目标跟踪方法(申请号:CN201510218848.6)公开了一种划分聚类与扩展目标跟踪方法,该方法通过椭球门限与量测欧氏距离进行初始量测划分,且仅对目标运动状态和数量进行估计,没有考虑目标的扩展特性。
本发明针对现有智能车辆、移动机器人等无人移动平台环境感知系统中目标跟踪模型单一,没有考虑跟踪过程中根据目标特征变化进行模型切换的问题,提出一种基于激光雷达的移动平台自适应扩展目标跟踪系统及方法。在该系统中,通过对激光雷达传感器生成的局部栅格地图进行聚类、特征提取等处理,并采用基于目标形状特征和运动特征的运动目标检测与识别方法,同时根据目标扩展特征大小及变化情况,在同一时刻建立扩展目标跟踪滤波器和点目标跟踪滤波器分别对扩展目标和点目标实现混合跟踪,并对同一目标不同跟踪时刻实现自适应跟踪模型切换,从而提高了智能车辆、移动机器人等无人移动平台在复杂环境下环境感知适应能力。
发明内容
本发明为了解决现有智能车辆、移动机器人等无人移动平台中环境感知系统仅利用单一模型对单一目标进行感知与描述,也不具备对同一目标不同形态的跟踪切换能力的问题,提出了一种有效提高无人移动平台环境感知系统对复杂环境适应能力与跟踪性能的基于激光雷达的移动平台自适应扩展目标跟踪系统及方法。
本发明的技术方案如下:
一种基于激光雷达的移动平台自适应扩展目标跟踪系统,其包括:全局定位模块、局部地图生成模块、目标检测与识别模块、运动目标分类模块和自适应跟踪模块,其中:所述全局定位模块,用于通过卫星定位设备获取移动平台在地理坐标系下的位置与运动状态信息;所述局部地图生成模块,用于通过激光雷达传感器检测平台周围环境,根据激光雷达量测数据,生成移动平台当前位置对应的局部地图;所述目标检测与识别模块,用于对当前时刻局部地图进行聚类、特征提取处理,并根据历史局部地图数据和移动平台位置、运动状态信息,采用基于形状特征和运动特征两种方法检测并识别运动目标;所述运动目标分类模块,用于根据运动目标距离远近、形状特征大小将目标分类为扩展目标与点目标,并采用扩展目标运动状态向量和点目标运动状态向量分别进行描述;所述自适应跟踪模块,用于根据运动目标分类结果,在同一时刻分别建立扩展目标跟踪滤波器和点目标跟踪滤波器对扩展目标和点目标实现混合跟踪,在不同时刻对同一目标实现自适应跟踪模型切换。
进一步的,所述全局定位模块通过卫星定位设备采集并计算移动平台自身在地理坐标系下的位置和运动速度。
进一步的,所述局部地图生成模块生成的移动平台周围局部地图的格式为栅格地图,每个栅格用一个向量表示,局部地图表示为以栅格向量为元素的矩阵,栅格状态表示该栅格中包含的激光雷达传感器扫描点集合。如果栅格包含激光雷达扫描点个数大于等于某一阈值,则该栅格为占据状态,反之为非占据状态。
进一步的,所述目标检测与识别模块对当前时刻局部栅格地图进行聚类、特征提取处理,同时根据历史时刻局部地图,以及移动平台位置与运动状态信息,从当前局部地图中检测与识别候选运动目标,其步骤包括:
(1)栅格点聚类:将当前局部栅格地图转化为二值图像格式,对该图像进行形态学闭运算、连通区域分析,将属于同一连通区域的占据栅格视为一个聚类,得到当前时刻栅格聚类集合。
(2)特征提取:根据(1)中每一个聚类包含栅格点个数是否大于阈值,如果大于阈值则表示目标距离移动平台较近,需要考虑目标扩展特性,对该聚类内部激光雷达扫描点集合进行特征提取处理。
(3)基于形状特征目标检测:从聚类集合中筛选出特征信息符合条件的聚类,将其标记为候选运动目标。
(4)基于运动特征目标检测:对于聚类集合中不能提取特征信息的聚类,根据移动平台位置与运动状态信息,将前N个时刻的局部地图数据进行空间对准到当前时刻局部地图中,如果该聚类位置信息在N+1个时刻内发生连续变化,则将该聚类标记为候选运动目标。
(5)候选运动目标确认:根据(4)、(5)检测结果,确认当前时刻候选运动目标。
进一步的,所述步骤2)对聚类内部激光雷达扫描点集合进行特征提取处理具体包括点云聚类、分割、直线拟合,提取该聚类宽度和长度扩展信息,根据扩展信息的大小,采用包含特征信息与不包含特征信息两种方式来表示目标。
进一步的,所述局部地图生成模块中,激光雷达传感器检测并获取移动平台周围环境信息,如果某个栅格中包含的激光雷达扫描点数量大于等于某一阈值,则设置该栅格状态为占据状态,反之为非占据状态。
进一步的,所述运动目标分类模块根据运动目标距离远近、形状特征大小将目标分类为扩展目标与点目标,并分别采用不同状态向量描述。
进一步的,所述自适应跟踪模块在同一时刻分别建立扩展目标跟踪滤波器和点目标跟踪滤波器对扩展目标和点目标实现混合跟踪,并对同一目标不同跟踪时刻实现自适应跟踪模型切换,其步骤包括:
(1)根据运动目标分类结果,分别对扩展目标和点目标建立跟踪状态空间模型。
(2)建立多目标跟踪管理器,对目标跟踪起始、终止进行管理,基于最近邻目标关联和卡尔曼滤波器原理,同时建立扩展目标跟踪滤波器和点目标跟踪滤波器对当前确认候选运动目标实现混合跟踪。
(3)在跟踪过程中,根据目标扩展特征大小变化情况,并对同一目标不同跟踪时刻实现自适应跟踪模型切换。
一种基于所述系统的激光雷达的移动平台自适应扩展目标跟踪方法,其包括以下步骤:
(1)移动平台位置与运动状态检测:在当前时刻,全局定位模块通过卫星定位设备采集并计算移动平台自身在地理坐标系下的位置和运动速度k;
(2)局部地图生成:激光雷达传感器采集移动平台周围环境信息,生成当前时刻的局部栅格地图;
(3)目标检测与识别:目标检测与识别模块首先对当前时刻局部栅格地图进行栅格点聚类处理,同时对聚类内部激光雷达扫描点云进行特征提取,然后根据历史局部地图信息,以及移动平台位置、运动状态信息,采用基于形状特征和运动特征两种方法从所有聚类中检测与识别候选运动目标。
(4)运动目标分类:运动目标分类模块主要根据运动目标距离远近、形状特征大小将目标分类为扩展目标与点目标,如果目标距离小于某一阈值,且目标长度、宽度大于某一阈值,则将该目标标记为扩展目标,反之,标记为点目标。
(5)自适应目标跟踪:自适应目标跟踪模块主要根据运动目标分类结果,分别建立扩展目标跟踪滤波器和点目标跟踪滤波器,在同一时刻对扩展目标和点跟踪实现混合跟踪处理,在不同时刻对同一目标实现自适应跟踪模型切换。
进一步的,所述步骤(5)自适应目标跟踪步骤包括:
(1)状态空间模型建立:根据扩展目标和点目标状态向量模型,定义扩展目标跟踪模型;
(2)多模型混合跟踪:建立多目标跟踪管理器,对目标跟踪起始、终止进行管理,基于最近邻目标关联和卡尔曼滤波器原理,根据运动目标分类结果,同时建立扩展目标跟踪滤波器和点目标跟踪滤波器对当前确认候选运动目标集合中扩展目标和点目标实现混合跟踪,更新当前时刻各目标最优状态估计;
(3)同一目标跟踪模型切换:在跟踪过程中,根据目标扩展特征大小变化情况,对目标跟踪模型实现自适应切换,具体包括由点目标跟踪模型切换为扩展目标跟踪模型和由扩展目标跟踪模型切换为点目标跟踪模型两种切换类型。
本发明的优点及有益效果如下:
本发明提出一种基于激光雷达的移动平台自适应扩展目标跟踪系统及方法。一方面,该方法通过对局部栅格地图进行聚类、特征提取处理,同时采用基于目标形状特征和运动特征两种方法进行多维度的运动目标检测与识别,以此提高跟踪系统运动目标检测与识别概率;另一方面,根据提取到的运动目标特征信息大小,将候选目标分为扩展目标和点目标,在同一时刻,分别建立扩展目标跟踪滤波器和点目标跟踪滤波器对扩展目标和点跟踪实现混合跟踪处理,在不同时刻,根据目标特征信息变化情况,实现对同一目标不同跟踪模型的自适应切换。通过以上两方面,本发明有效提高了智能车辆、移动机器人等无人移动平台环境感知系统对复杂环境下多类型目标感知的适应能力与性能,对无人移动平台具有重要意义和应用价值。
附图说明
图1是本发明提供优选实施例基于激光雷达的移动平台自适应扩展目标跟踪系统总体框架;
图2是本发明移动平台局部地图的格式及坐标系定义;
图3是本发明基于激光雷达的移动平台自适应扩展目标跟踪方法流程图;
图4是本发明目标检测与识别方法流程图;
图5是本发明自适应目标跟踪方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
本发明提出一种基于激光雷达的移动平台自适应扩展目标跟踪系统及方法,该系统和方法通过根据目标扩展特征大小对运动目标进行分类,在同一时刻对扩展目标和点目标实现混合跟踪,同时根据目标扩展特征变化情况,在不同时刻对同一目标实现自适应跟踪模型切换,增强了诸如智能车辆、移动机器人等无人移动平台对复杂环境感知的适应能力与性能。
以下结合附图和具体实例对本发明的具体实施方式进行描述。
1.如图1所示为本发明提出的基于激光雷达的移动平台自适应扩展目标跟踪系统的总体框架。该系统包括全局定位模块、局部地图生成模块、目标检测与识别模块、运动目标分类模块和自适应跟踪模块。其中:全局定位模块用于通过卫星定位设备获取移动平台在地理坐标系下的位置Lk=(xk,yk,zk)和运动速度vk;局部地图生成模块用于通过激光雷达传感器检测平台周围环境,根据激光雷达量测数据,生成移动平台当前位置对应的局部地图Mapk;目标检测与识别模块用于对当前时刻局部地图进行聚类、特征提取处理,并根据历史局部地图数据和移动平台位置、运动状态信息,采用基于形状特征和运动特征两种方法检测并识别运动目标Tk;运动目标分类模块用于根据运动目标距离远近、形状特征大小将目标分类为扩展目标与点目标,并采用相应运动状态向量分别进行描述;自适应跟踪模块用于根据运动目标分类结果,在同一时刻分别建立扩展目标跟踪滤波器和点目标跟踪滤波器对扩展目标和点目标实现混合跟踪,在不同时刻对同一目标实现自适应跟踪模型切换。
2.如图2所示为本发明采用的移动平台局部地图的格式及坐标系定义。移动平台局部地图的格式为栅格地图,局部地图表示为以移动平台当前位置为原点,平台前方为y轴正向,垂直y轴方向向右为x轴正向,长为L、宽为W的矩形区域。选取规格为R*R的单元栅格将局部地图离散化为n*m个栅格,n=L/R,m=W/R,每个栅格用一个向量表示为sj=(sxj,syj,fj,pointlist(j))T,局部地图表示为以栅格向量sj为元素的矩阵Grid=[sj]1,n*m,其中xj、yj为栅格中心坐标,fj为栅格状态,表示该栅格中包含的激光雷达传感器扫描点转换到移动平台坐标系下的坐标数据集合,其中a(j)表示该栅格包含激光雷达扫描点个数,i∈[1,a(j)]表示第i个扫描点在移动平台坐标系下坐标,如果a(j)大于等于某一阈值,则该栅格为占据状态,fj=1,反之为非占据状态,fj=0。
3.如图3所示为本发明提出的一种基于激光雷达的移动平台自适应扩展目标跟踪方法流程,该方法包括以下步骤:
(1)移动平台位置与运动状态检测:在当前时刻k,全局定位模块通过卫星定位设备采集并计算移动平台自身在地理坐标系下的位置Lk=(xk,yk,zk)和运动速度vk;
(2)局部地图生成:激光雷达传感器采集移动平台周围环境信息,生成当前k时刻的局部栅格地图Mapk={L,W,Grid}。
(3)目标检测与识别:目标检测与识别模块首先对当前时刻局部栅格地图进行栅格点聚类处理,同时对聚类内部激光雷达扫描点云进行特征提取,然后根据历史局部地图信息,以及移动平台位置、运动状态信息,采用基于形状特征和运动特征两种方法从所有聚类中检测与识别候选运动目标如果能提取到第i个候选运动目标的特征信息且特征尺寸大于某一阈值,则将目标用特征向量描述为反之,用特征向量进行描述,其中di为目标中心距移动平台距离,xi和yi分别为目标中心在移动平台坐标系下坐标,wi表示目标沿移动平台坐标系x轴扩展,即目标宽度,li表示目标沿y轴向扩展的目标长度信息;
(4)运动目标分类:运动目标分类模块主要根据运动目标距离远近、形状特征大小将目标分类为扩展目标与点目标,如果目标距离小于某一阈值,且目标长度、宽度大于某一阈值,则将该目标标记为扩展目标,反之,标记为点目标。采用向量XE=[x,vx,y,vy,w,l]描述扩展目标运动状态,向量XP=[x,vx,y,vy]描述点目标运动状态,其中x和y分别为目标中心在移动平台坐标系下坐标,vx和vy分别为目标在移动平台坐标系下x轴和y轴方向速度分量,w和l分别为目标宽度和长度;
(5)自适应目标跟踪:自适应目标跟踪模块主要根据运动目标分类结果,分别建立扩展目标跟踪滤波器和点目标跟踪滤波器,在同一时刻对扩展目标和点跟踪实现混合跟踪处理,在不同时刻对同一目标实现自适应跟踪模型切换。
4.如图4所示为本发明目标检测与识别方法流程,主要采用基于目标形状特征和运动特征两个维度的检测方法识别当前时刻局部地图中的候选运动目标,其步骤包括:
(1)栅格点聚类:将当前局部栅格地图转化为二值图像格式,其中占据状态栅格像素值为0,表示图像的黑色,未占据状态栅格像素值为255,表示图像的白色,图像的背景颜色为白色,得到分辨率为n*m的图像,对该图像进行形态学闭运算、连通区域分析,将属于同一连通区域的占据栅格视为一个聚类,得到当前k时刻栅格聚类集合ck为聚类个数,第i个聚类{sj}表示第i个聚类包含的栅格点集合,ni为所包含栅格点个数。
(2)特征提取:根据(1)中每一个聚类包含栅格点个数ni是否大于阈值n_threshold,如果ni≥n_threshold,则表示目标距离移动平台较近,应考虑目标扩展特性,对第i个聚类内部激光雷达扫描点集合进行特征提取处理,主要步骤包括点云聚类、分割、直线拟合,提取该聚类宽度wi和长度li扩展信息,用特征向量描述该目标;如果ni<n_threshold,表示该目标距离移动平台较远,可以不考虑该目标扩展特性,故不对其进行特征提取处理,即其对应扩展特征信息wi和li为空,其特征向量为
(3)基于形状特征目标检测:设实际目标宽度为Wc,长度为Lc,从聚类集合Ck中筛选特征信息wi和li分量为非空,且满足|wi-Wc|≤aw,|li-Lc|≤al两个条件的聚类aw和al为比较小的范围阈值,将其标记为候选运动目标,当前时刻基于形状特征目标检测特征向量集合为fn为基于形状特征检测候选运动目标个数。
(4)基于运动特征目标检测:对于聚类集合Ck中特征信息wi和li分量为空的聚类根据移动平台位置与运动状态信息,将前N个时刻的局部地图数据进行空间对准到当前时刻局部地图中,如果该聚类位置信息在N+1个时刻内发生连续变化,则将该聚类标记为候选运动目标,当前时刻基于运动特征目标检测特征向量集合为sn为基于运动特征检测候选运动目标个数。
(5)候选运动目标确认:根据(4)、(5)检测结果,确认当前时刻候选运动目标Ok={Ofk,Osk},候选运动目标数量为On=fn+sn。
5.如图5所示为本发明自适应目标跟踪方法流程,自适应目标跟踪模块主要根据跟踪模型分类结果,分别建立扩展目标跟踪滤波器和点目标跟踪滤波器,在同一时刻对扩展目标和点跟踪实现混合跟踪处理,且在不同时刻对同一目标实现自适应跟踪模型切换,其步骤包括:
(1)状态空间模型建立:根据扩展目标和点目标状态向量模型,定义扩展目标量测为ZE=(x,y,w,l)T,点目标量测为ZP=(x,y)T,则扩展目标跟踪模型描述为:
点目标跟踪模型描述为:
其中AE和AP分别为各自模型的状态转移矩阵,其值随目标运动模型不同而不同;HE和HP分别为各自模型的观测向量矩阵,其值随状态向量和观测向量之间的变换关系而定;qE、rE和qP、rP分别为各自模型的过程误差和量测误差;
(2)多模型混合跟踪:建立多目标跟踪管理器,对目标跟踪起始、终止进行管理,基于最近邻目标关联和卡尔曼滤波器原理,根据运动目标分类结果,同时建立扩展目标跟踪滤波器和点目标跟踪滤波器对当前确认候选运动目标集合Ok中扩展目标和点目标实现混合跟踪,更新当前时刻各目标最优状态估计;
(3)同一目标跟踪模型切换:在跟踪过程中,根据目标扩展特征大小变化情况,对目标跟踪模型实现自适应切换,具体包括由点目标跟踪模型切换为扩展目标跟踪模型和由扩展目标跟踪模型切换为点目标跟踪模型两种切换类型。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (9)
1.一种基于激光雷达的移动平台自适应扩展目标跟踪系统,其特征在于,包括:全局定位模块、局部地图生成模块、目标检测与识别模块、运动目标分类模块和自适应跟踪模块,其中:所述全局定位模块,用于通过卫星定位设备获取移动平台在地理坐标系下的位置与运动状态信息;所述局部地图生成模块,用于通过激光雷达传感器检测平台周围环境,根据激光雷达量测数据,生成移动平台当前位置对应的局部地图;所述目标检测与识别模块,用于对当前时刻局部地图进行聚类、特征提取处理,并根据历史局部地图数据和全局定位模块获得的移动平台位置与运动状态信息,采用基于形状特征和运动特征两种方法检测并识别运动目标;所述运动目标分类模块,用于根据运动目标距离远近、形状特征大小将目标分类为扩展目标与点目标,并采用扩展目标运动状态向量和点目标运动状态向量分别进行描述;所述自适应跟踪模块,用于根据运动目标分类结果,在同一时刻分别建立扩展目标跟踪滤波器和点目标跟踪滤波器对扩展目标和点目标实现混合跟踪,在不同时刻对同一目标实现自适应跟踪模型切换。
2.根据权利要求1所述的基于激光雷达的移动平台自适应扩展目标跟踪系统,其特征在于,所述局部地图生成模块生成的移动平台周围局部地图的格式为栅格地图,局部地图表示为以移动平台当前位置为原点,平台前方为y轴正向,垂直y轴方向向右为x轴正向,长为L、宽为W的矩形区域,选取规格为R*R的单元栅格将局部地图离散化为n*m个栅格,n=L/R,m=W/R,每个栅格用一个向量表示为sj=(sxj,syj,fj,pointlist(j))T,局部地图表示为以栅格向量sj为元素的矩阵Grid=[sj]1,n*m,其中xj、yj为栅格中心坐标,fj为栅格状态,pointlist(j)={pj 1,pj 2,…,pj a(j)}表示该栅格中包含的激光雷达传感器扫描点转换到移动平台坐标系下的坐标数据集合,其中a(j)表示该栅格包含激光雷达扫描点个数,pj i=(pxi,pyi),i∈[1,a(j)]表示第i个扫描点在移动平台坐标系下坐标。
3.根据权利要求1所述的基于激光雷达的移动平台自适应扩展目标跟踪系统,其特征在于,所述目标检测与识别模块对当前时刻局部栅格地图进行聚类、特征提取处理,同时根据历史时刻局部地图,以及移动平台位置与运动状态信息,从当前局部地图中检测与识别候选运动目标,其步骤包括:
(1)栅格点聚类:将当前局部栅格地图转化为二值图像格式,其中占据状态栅格像素值为0,表示为黑色,未占据状态栅格像素值为255,表示为白色,并设图像的背景颜色为白色,得到分辨率为n*m的图像。对该图像进行形态学闭运算、连通区域分析,将属于同一连通区域的占据栅格视为一个聚类,得到当前k时刻栅格聚类集合Ck={ck 1,c2 k,…,ck ck},ck为聚类个数,第i个聚类ck i=({sj},ni),{sj}表示第i个聚类包含的栅格点集合,ni为所包含栅格点个数;
(2)特征提取:根据(1)中每一个聚类ck i包含栅格点个数ni是否大于阈值n_threshold,如果ni≥n_threshold,则表示目标距离移动平台较近,考虑目标扩展特性,对第i个聚类内部激光雷达扫描点集合进行特征提取处理;
(3)基于形状特征目标检测:设实际目标宽度为Wc,长度为Lc,从聚类集合Ck中筛选特征信息wi和li分量为非空,且满足|wi-Wc|≤aw,|li-Lc|≤al两个条件的聚类ck i,aw和al为比较小的范围阈值,将其标记为候选运动目标,当前时刻基于形状特征目标检测特征向量集合为Ofk={tk 1,tk 2,…,tk fn},fn为基于形状特征检测候选运动目标个数;
(4)基于运动特征目标检测:对于聚类集合Ck中特征信息wi和li分量为空的聚类ck i,根据移动平台位置与运动状态信息,将前N个时刻的局部地图数据进行空间对准到当前时刻局部地图中,如果该聚类ck i位置信息在N+1个时刻内发生连续变化,则将该聚类标记为候选运动目标,当前时刻基于运动特征目标检测特征向量集合为Osk={tk 1,tk 2,…,tk sn},sn为基于运动特征检测候选运动目标个数;
(5)候选运动目标确认:根据(4)、(5)检测结果,确认当前时刻候选运动目标Ok={Ofk,Osk},候选运动目标数量为On=fn+sn。
4.根据权利要求3所述的基于激光雷达的移动平台自适应扩展目标跟踪系统,其特征在于,所述步骤(2)对第i个聚类内部激光雷达扫描点集合进行特征提取处理,具体包括点云聚类、分割、直线拟合,提取该聚类宽度wi和长度li扩展信息,用特征向量tk i=(di,xi,yi,wi,li)描述该目标;如果ni<n_threshold,表示该目标距离移动平台较远,可以不考虑该目标扩展特性,故不对其进行特征提取处理,即其对应扩展特征信息wi和li为空,其特征向量为tk i=(di,xi,yi)。
5.根据权利要求3所述的基于激光雷达的移动平台自适应扩展目标跟踪系统,其特征在于,所述局部地图生成模块中,激光雷达传感器检测并获取移动平台周围环境信息,如果某个栅格中包含的激光雷达扫描点数量a(j)大于等于某一阈值,则设置该栅格状态fj=1,反之fj=0,生成的局部栅格地图为Mapk={L,W,Grid}。
6.根据权利要求3所述的基于激光雷达的移动平台自适应扩展目标跟踪系统,其特征在于,所述运动目标分类模块根据运动目标距离远近、形状特征大小将目标分类为扩展目标与点目标,并分别采用向量XE=[x,vx,y,vy,w,l]描述扩展目标状态,向量XP=[x,vx,y,vy]描述点目标状态。
7.根据权利要求1所述的基于激光雷达的移动平台自适应扩展目标跟踪系统,其特征在于,所述自适应跟踪模块在同一时刻分别建立扩展目标跟踪滤波器和点目标跟踪滤波器对扩展目标和点目标实现混合跟踪,并对同一目标不同跟踪时刻实现自适应跟踪模型切换,其步骤包括:
(1)根据运动目标分类结果,分别对扩展目标和点目标建立跟踪状态空间模型;
(2)建立多目标跟踪管理器,对目标跟踪起始、终止进行管理,基于最近邻目标关联和卡尔曼滤波器原理,同时建立扩展目标跟踪滤波器和点目标跟踪滤波器对当前确认候选运动目标实现混合跟踪;
(3)在跟踪过程中,根据目标扩展特征大小变化情况,并对同一目标不同跟踪时刻实现自适应跟踪模型切换。
8.一种基于权利要求1所述系统的激光雷达的移动平台自适应扩展目标跟踪方法,其特征在于,包括以下步骤:
(1)移动平台位置与运动状态检测:在当前时刻k,全局定位模块通过卫星定位设备采集并计算移动平台自身在地理坐标系下的位置Lk=(xk,yk,zk)和运动速度vk;
(2)局部地图生成:激光雷达传感器采集移动平台周围环境信息,生成当前k时刻的局部栅格地图Mapk={L,W,Grid};
(3)目标检测与识别:目标检测与识别模块首先对当前时刻局部栅格地图进行栅格点聚类处理,同时对聚类内部激光雷达扫描点云进行特征提取,然后根据历史局部地图信息,以及移动平台位置与运动状态信息,采用基于形状特征和运动特征两种方法从所有聚类中检测与识别候选运动目标Tk={tk i}。如果能提取到第i个候选运动目标的特征信息且特征尺寸大于某一阈值,则将目标用特征向量描述为tk i=(di,xi,yi,wi,li),反之,用特征向量tk i=(di,xi,yi)进行描述,其中di为目标中心距移动平台距离,xi和yi分别为目标中心在移动平台坐标系下坐标,wi表示目标沿移动平台坐标系x轴扩展,即目标宽度,li表示目标沿y轴向扩展的目标长度信息;
(4)运动目标分类:运动目标分类模块主要根据运动目标距离远近、形状特征大小将目标分类为扩展目标与点目标,如果目标距离小于某一阈值,且目标长度、宽度大于某一阈值,则将该目标标记为扩展目标,反之,标记为点目标。采用向量XE=[x,vx,y,vy,w,l]描述扩展目标运动状态,向量XP=[x,vx,y,vy]描述点目标运动状态,其中x和y分别为目标中心在移动平台坐标系下坐标,vx和vy分别为目标在移动平台坐标系下x轴和y轴方向速度分量,w和l分别为目标宽度和长度;
(5)自适应目标跟踪:自适应目标跟踪模块主要根据运动目标分类结果,分别建立扩展目标跟踪滤波器和点目标跟踪滤波器,在同一时刻对扩展目标和点跟踪实现混合跟踪处理,在不同时刻对同一目标实现自适应跟踪模型切换。
9.根据权利要求8所述的激光雷达的移动平台自适应扩展目标跟踪方法,其特征在于,所述步骤(5)自适应目标跟踪的步骤包括:
(1)状态空间模型建立:根据扩展目标和点目标状态向量模型,定义扩展目标量测为ZE=(x,y,w,l)T,点目标量测为ZP=(x,y)T,则扩展目标跟踪模型描述为:
点目标跟踪模型描述为:
其中AE和AP分别为各自模型的状态转移矩阵,其值随目标运动模型不同而不同;HE和HP分别为各自模型的观测向量矩阵,其值随状态向量和观测向量之间的变换关系而定;qE、rE和qP、rP分别为各自模型的过程误差和量测误差;
(2)多模型混合跟踪:建立多目标跟踪管理器,对目标跟踪起始、终止进行管理,基于最近邻目标关联和卡尔曼滤波器原理,根据运动目标分类结果,同时建立扩展目标跟踪滤波器和点目标跟踪滤波器对当前确认候选运动目标集合Ok中扩展目标和点目标实现混合跟踪,更新当前时刻各目标最优状态估计;
(3)同一目标跟踪模型切换:在跟踪过程中,根据目标扩展特征大小变化情况,对目标跟踪模型实现自适应切换,具体包括由点目标跟踪模型切换为扩展目标跟踪模型和由扩展目标跟踪模型切换为点目标跟踪模型两种切换类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810106661.0A CN108445480B (zh) | 2018-02-02 | 2018-02-02 | 基于激光雷达的移动平台自适应扩展目标跟踪系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810106661.0A CN108445480B (zh) | 2018-02-02 | 2018-02-02 | 基于激光雷达的移动平台自适应扩展目标跟踪系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108445480A true CN108445480A (zh) | 2018-08-24 |
CN108445480B CN108445480B (zh) | 2022-05-03 |
Family
ID=63191342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810106661.0A Active CN108445480B (zh) | 2018-02-02 | 2018-02-02 | 基于激光雷达的移动平台自适应扩展目标跟踪系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108445480B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558854A (zh) * | 2018-12-05 | 2019-04-02 | 百度在线网络技术(北京)有限公司 | 障碍物感知方法、装置、电子设备及存储介质 |
CN109686031A (zh) * | 2018-12-21 | 2019-04-26 | 北京智行者科技有限公司 | 基于安防的识别跟随方法 |
CN109934870A (zh) * | 2019-01-30 | 2019-06-25 | 西安天伟电子系统工程有限公司 | 目标检测方法、装置、设备、计算机设备和存储介质 |
CN109946731A (zh) * | 2019-03-06 | 2019-06-28 | 东南大学 | 一种基于模糊自适应无迹卡尔曼滤波的车辆高可靠融合定位方法 |
CN110298865A (zh) * | 2019-05-22 | 2019-10-01 | 西华大学 | 基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法 |
CN110349192A (zh) * | 2019-06-10 | 2019-10-18 | 西安交通大学 | 一种基于三维激光点云的在线目标跟踪系统的跟踪方法 |
CN110895332A (zh) * | 2019-12-03 | 2020-03-20 | 电子科技大学 | 一种扩展目标的分布式跟踪方法 |
CN110927712A (zh) * | 2019-10-28 | 2020-03-27 | 珠海格力电器股份有限公司 | 跟踪方法和装置 |
CN110954912A (zh) * | 2018-10-02 | 2020-04-03 | Ibeo汽车系统有限公司 | 用于光学距离测量的方法和设备 |
CN111077494A (zh) * | 2019-11-27 | 2020-04-28 | 江苏理工学院 | 一种跟踪方法及装置 |
WO2020135183A1 (zh) * | 2018-12-29 | 2020-07-02 | 广州文远知行科技有限公司 | 点云地图的构建方法、装置、计算机设备和存储介质 |
CN111678516A (zh) * | 2020-05-08 | 2020-09-18 | 中山大学 | 一种基于激光雷达的有界区域快速全局定位方法 |
CN112731324A (zh) * | 2020-12-16 | 2021-04-30 | 中交第一公路勘察设计研究院有限公司 | 高速公路多雷达跨区域组网多目标跟踪方法 |
CN112731371A (zh) * | 2020-12-18 | 2021-04-30 | 重庆邮电大学 | 一种激光雷达与视觉融合的集成化目标跟踪系统及方法 |
CN113048884A (zh) * | 2021-03-17 | 2021-06-29 | 西安工业大学 | 一种扩展目标跟踪实验平台及其试验方法 |
CN114581781A (zh) * | 2022-05-05 | 2022-06-03 | 之江实验室 | 一种高分辨率遥感图像的目标检测方法及装置 |
WO2022142948A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳市普渡科技有限公司 | 动态目标跟踪定位方法、装置、设备和存储介质 |
CN114779230A (zh) * | 2022-03-22 | 2022-07-22 | 福瑞泰克智能系统有限公司 | 一种对象跟踪方法、装置、电子设备及车辆 |
JP2022547766A (ja) * | 2019-06-14 | 2022-11-16 | ケーピーアイティ テクノロジーズ リミテッド | ライダおよびレーダに基づくトラッキングおよびマッピングシステムならびにその方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6300865B1 (en) * | 1996-05-08 | 2001-10-09 | Daimlerchrysler Ag | Process for detecting the road conditions ahead for motor vehicles |
CN1382997A (zh) * | 2002-06-13 | 2002-12-04 | 上海交通大学 | 基于神经网络的机动目标精确跟踪方法 |
AU2007259030A1 (en) * | 2006-06-13 | 2007-12-21 | Bae Systems Plc | Improvements relating to target tracking |
CN104020466A (zh) * | 2014-06-17 | 2014-09-03 | 西安电子科技大学 | 基于变结构多模型的机动目标跟踪方法 |
CN104880707A (zh) * | 2014-11-30 | 2015-09-02 | 中国科学院沈阳自动化研究所 | 一种基于自适应转移概率矩阵的交互多模型跟踪方法 |
KR101628154B1 (ko) * | 2015-03-05 | 2016-06-08 | 국방과학연구소 | 수신 신호 세기를 이용한 다중 표적 추적 방법 |
CN105785359A (zh) * | 2016-05-19 | 2016-07-20 | 哈尔滨工业大学 | 一种多约束机动目标跟踪方法 |
-
2018
- 2018-02-02 CN CN201810106661.0A patent/CN108445480B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6300865B1 (en) * | 1996-05-08 | 2001-10-09 | Daimlerchrysler Ag | Process for detecting the road conditions ahead for motor vehicles |
CN1382997A (zh) * | 2002-06-13 | 2002-12-04 | 上海交通大学 | 基于神经网络的机动目标精确跟踪方法 |
AU2007259030A1 (en) * | 2006-06-13 | 2007-12-21 | Bae Systems Plc | Improvements relating to target tracking |
CN104020466A (zh) * | 2014-06-17 | 2014-09-03 | 西安电子科技大学 | 基于变结构多模型的机动目标跟踪方法 |
CN104880707A (zh) * | 2014-11-30 | 2015-09-02 | 中国科学院沈阳自动化研究所 | 一种基于自适应转移概率矩阵的交互多模型跟踪方法 |
KR101628154B1 (ko) * | 2015-03-05 | 2016-06-08 | 국방과학연구소 | 수신 신호 세기를 이용한 다중 표적 추적 방법 |
CN105785359A (zh) * | 2016-05-19 | 2016-07-20 | 哈尔滨工业大学 | 一种多约束机动目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
C KREUCHER 等: "Multitarget tracking using the joint multitarget probability density", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 * |
徐本连 等: "一种基于切换模型的快速机动目标跟踪算法研究", 《控制与决策》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110954912A (zh) * | 2018-10-02 | 2020-04-03 | Ibeo汽车系统有限公司 | 用于光学距离测量的方法和设备 |
CN110954912B (zh) * | 2018-10-02 | 2023-08-08 | 微视公司 | 用于光学距离测量的方法和设备 |
CN109558854A (zh) * | 2018-12-05 | 2019-04-02 | 百度在线网络技术(北京)有限公司 | 障碍物感知方法、装置、电子设备及存储介质 |
CN109686031A (zh) * | 2018-12-21 | 2019-04-26 | 北京智行者科技有限公司 | 基于安防的识别跟随方法 |
WO2020135183A1 (zh) * | 2018-12-29 | 2020-07-02 | 广州文远知行科技有限公司 | 点云地图的构建方法、装置、计算机设备和存储介质 |
CN109934870A (zh) * | 2019-01-30 | 2019-06-25 | 西安天伟电子系统工程有限公司 | 目标检测方法、装置、设备、计算机设备和存储介质 |
CN109946731A (zh) * | 2019-03-06 | 2019-06-28 | 东南大学 | 一种基于模糊自适应无迹卡尔曼滤波的车辆高可靠融合定位方法 |
CN109946731B (zh) * | 2019-03-06 | 2022-06-10 | 东南大学 | 一种基于模糊自适应无迹卡尔曼滤波的车辆高可靠融合定位方法 |
CN110298865A (zh) * | 2019-05-22 | 2019-10-01 | 西华大学 | 基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法 |
CN110349192A (zh) * | 2019-06-10 | 2019-10-18 | 西安交通大学 | 一种基于三维激光点云的在线目标跟踪系统的跟踪方法 |
JP7372350B2 (ja) | 2019-06-14 | 2023-10-31 | ケーピーアイティ テクノロジーズ リミテッド | ライダおよびレーダに基づくトラッキングおよびマッピングシステムならびにその方法 |
JP2022547766A (ja) * | 2019-06-14 | 2022-11-16 | ケーピーアイティ テクノロジーズ リミテッド | ライダおよびレーダに基づくトラッキングおよびマッピングシステムならびにその方法 |
CN110927712A (zh) * | 2019-10-28 | 2020-03-27 | 珠海格力电器股份有限公司 | 跟踪方法和装置 |
CN111077494A (zh) * | 2019-11-27 | 2020-04-28 | 江苏理工学院 | 一种跟踪方法及装置 |
CN110895332A (zh) * | 2019-12-03 | 2020-03-20 | 电子科技大学 | 一种扩展目标的分布式跟踪方法 |
CN111678516A (zh) * | 2020-05-08 | 2020-09-18 | 中山大学 | 一种基于激光雷达的有界区域快速全局定位方法 |
CN111678516B (zh) * | 2020-05-08 | 2021-11-23 | 中山大学 | 一种基于激光雷达的有界区域快速全局定位方法 |
CN112731324A (zh) * | 2020-12-16 | 2021-04-30 | 中交第一公路勘察设计研究院有限公司 | 高速公路多雷达跨区域组网多目标跟踪方法 |
CN112731371A (zh) * | 2020-12-18 | 2021-04-30 | 重庆邮电大学 | 一种激光雷达与视觉融合的集成化目标跟踪系统及方法 |
CN112731371B (zh) * | 2020-12-18 | 2024-01-23 | 重庆邮电大学 | 一种激光雷达与视觉融合的集成化目标跟踪系统及方法 |
WO2022142948A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳市普渡科技有限公司 | 动态目标跟踪定位方法、装置、设备和存储介质 |
CN113048884B (zh) * | 2021-03-17 | 2022-12-27 | 西安工业大学 | 一种扩展目标跟踪实验平台及其试验方法 |
CN113048884A (zh) * | 2021-03-17 | 2021-06-29 | 西安工业大学 | 一种扩展目标跟踪实验平台及其试验方法 |
CN114779230A (zh) * | 2022-03-22 | 2022-07-22 | 福瑞泰克智能系统有限公司 | 一种对象跟踪方法、装置、电子设备及车辆 |
CN114779230B (zh) * | 2022-03-22 | 2024-03-08 | 福瑞泰克智能系统有限公司 | 一种对象跟踪方法、装置、电子设备及车辆 |
CN114581781B (zh) * | 2022-05-05 | 2022-08-09 | 之江实验室 | 一种高分辨率遥感图像的目标检测方法及装置 |
CN114581781A (zh) * | 2022-05-05 | 2022-06-03 | 之江实验室 | 一种高分辨率遥感图像的目标检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108445480B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108445480A (zh) | 基于激光雷达的移动平台自适应扩展目标跟踪系统及方法 | |
CN111462200B (zh) | 一种跨视频行人定位追踪方法、系统及设备 | |
CN113506317B (zh) | 一种基于Mask R-CNN和表观特征融合的多目标跟踪方法 | |
Sidla et al. | Pedestrian detection and tracking for counting applications in crowded situations | |
CN107767400B (zh) | 基于层次化显著性分析的遥感图像序列动目标检测方法 | |
Rout | A survey on object detection and tracking algorithms | |
KR100866380B1 (ko) | 물체인식을 바탕으로 한 로봇의 자기위치 추정 방법 | |
CN111259706B (zh) | 一种车辆的车道线压线判断方法和系统 | |
CN104378582A (zh) | 一种基于ptz摄像机巡航的智能视频分析系统及方法 | |
CN111259704B (zh) | 一种虚线车道线端点检测模型的训练方法 | |
CN102075686B (zh) | 一种鲁棒的实时在线摄像机跟踪方法 | |
CN101167086A (zh) | 用于安全应用的人体检测和跟踪 | |
CN105160649A (zh) | 基于核函数非监督聚类的多目标跟踪方法及系统 | |
CN105913459B (zh) | 基于高分辨率连拍图像的运动目标检测方法 | |
CN111192297A (zh) | 一种基于度量学习的多摄像头目标关联跟踪方法 | |
Gomaa et al. | Real-time algorithm for simultaneous vehicle detection and tracking in aerial view videos | |
CN102289822A (zh) | 一种多摄像机协同跟踪运动目标的方法 | |
CN106296708B (zh) | 车辆追踪方法和装置 | |
CN112634368A (zh) | 场景目标的空间与或图模型生成方法、装置及电子设备 | |
CN112613668A (zh) | 基于人工智能的景区危险区域管控方法 | |
Revaud et al. | Robust automatic monocular vehicle speed estimation for traffic surveillance | |
CN116664851A (zh) | 一种基于人工智能的自动驾驶数据提取方法 | |
CN113628251B (zh) | 一种智慧酒店终端监测方法 | |
CN115767424A (zh) | 一种基于rss与csi融合的视频定位方法 | |
JP2019174910A (ja) | 情報取得装置及び情報集計システム並びに情報集計装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |