CN110361727A - 一种毫米波雷达多目标跟踪方法 - Google Patents

Abstract

本发明公开了一种基于毫米波雷达的多目标跟踪方法，该方法使用毫米波雷达采集点云数据，对点云数据进行聚类处理以区分不同目标的回波信号，根据聚类结果估计观测到的多个目标的状态信息，进而实现多目标跟踪。本发明根据毫米波雷达的特性，对DBSCAN聚类算法进行了改进，提高了对目标数目和目标状态估计的准确度，并使用卡尔曼滤波和数据关联算法，实现在较为复杂的环境下对多个目标轨迹的预测与跟踪。

Description

一种毫米波雷达多目标跟踪方法

技术领域

本发明涉及雷达信号处理领域，尤其涉及一种毫米波雷达多目标跟踪方法。

背景技术

智能化时代的到来，将给人们带来越来越多的便利。而智能感知作为智能化生活的一部分，通过时刻感知周围环境，了解周围目标的状态信息，跟踪周围目标的运动轨迹，在行人跟踪，交通管控等方面，都将发挥重要的作用。

目前常用的传感器包括视觉传感器，激光雷达等，但视觉传感器无法测量目标的距离信息，激光雷达价格昂贵，且他们都易受天气影响，无法在恶劣环境下保证对周围环境的准确感知，而毫米波雷达作为一种探测距离远、抗干扰能力强、价格适中的传感器，必将获得广泛的使用。

由于毫米波雷达的特性，对于同一目标点会形成点云，为了对同一时刻的多个目标进行目标区分和状态估计，首先需要通过聚类方法将点云进行划分。传统的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法是基于密度对点云进行划分，它要求在一定距离范围内所包含点的数目不小于所设定的数目阈值，不需要预先划分聚类个数和聚类形状，该方法可以在具有噪声的空间中自由生长出任意形状的簇，但是该方法过于依赖距离信息，存在当目标交汇时，不同目标的点云彼此靠近，DBSCAN算法存在无法将不同目标的点云区分出来的问题，且没有使用到毫米波雷达的速度信息。

发明内容

针对现有技术的不足，本发明提出一种毫米波雷达多目标跟踪方法，具体技术方案如下：

一种毫米波雷达多目标跟踪方法，其特征在于，包括以下步骤：

S1：毫米波雷达通过发射毫米波信号，并在回波信号中筛选出能量较高的点作为有效点云，得到包括速度、角度和距离信息的点云数据，并将其转化为空间坐标信息与速度信息；

S2：采用改进的DBSCAN聚类算法对S1的点云数据进行聚类，具体如下：

S3：根据聚类结果估计目标数目和目标状态信息；

S4：根据S3所得结果实现对多个目标的跟踪，并绘制跟踪轨迹。

进一步地，所述的S2通过以下子步骤来实现：

S2.1：设定包括邻域距离阈值epsilon、每一类点的核心点数量阈值Minpts、每一类点的速度标准差阈值Vstd；

S2.2：按照坐标对点云中所有点进行排序，并标记为未分类；

S2.3：计算距离矩阵，得出每个点与其余所有点的距离。

S2.4：按照顺序判断是否对该点进行分类：若已分类，则按顺序判断下一个点，直至结束；否则，执行子S2.5；

S2.5:将该点注明为已分类，并设为核心点，进行分类，若该核心点分类为噪声点，返回子S2.4；否则，执行子S2.6；

S2.6：将该核心点作为新的一类点，并注上新标签；

S2.7：将该核心点邻域内所有点作为核心点，重复S2.5再次分类，若分类结果为非噪声点，注上与子S2.6相同的标签，并继续对该点进行扩充，直至无非噪声点，执行子步骤S2.8；

S2.8：返回子步骤S2.4，直至点云中所有点都被分类完毕并注上标签。

进一步地，所述的S2.5对核心点进行分类的判断准则为

同时满足N_∈＞Minpts和两个条件，才能将该核心点作为非噪声点进行分类，其中：

N_∈＝{x_j∈D|distance(x_i，x_j)≤epsilon}

N_∈为当前帧中核心点邻域内所有点的数目，D为该帧点云数据中所有点的集合，x_i为核心点，v_k为邻域范围内任一点的速度，为邻域范围内所有点的均值。

进一步地，所述的估计目标数量和状态信息具体为

S3.1求聚类所得的类别数量，作为该帧数据目标数目的估计；

S3.2对同一类点的坐标取均值，作为该目标的量测点坐标，也即为该目标坐标信息的估计；

S3.3计算该类点x轴坐标与中心点x轴坐标差值的绝对值，取最大的绝对值作为长轴，计算该类点y轴坐标与中心点y轴坐标差值的绝对值，取最大的绝对值作为短轴，根据长轴和短轴作椭圆，作为该目标的大小的估计；

S3.4对同一类点的速度取均值，作为该目标的速度信息的估计。

进一步地，所述的S4通过以下子步骤来实现：

S4.1：若该时刻为起始时刻，将所得的多个目标中心点作为轨迹的起点；若该时刻并非起始时刻，将该时刻的多个目标中心与上一时刻所得的预测轨迹点进行数据关联；

S4.2：根据数据关联的结果对量测点和轨迹进行匹配，若经过多帧数据后某轨迹仍未匹配到量测点，则删除该轨迹；若某点未与任何轨迹进行匹配，则该点作为新轨迹的起点；若轨迹匹配到量测点，则选择最近的量测点执行子步骤S4.3；

S4.3：根据选择的量测点与该轨迹上一时刻所得的该时刻的预测点，进行卡尔曼滤波，实现对该时刻轨迹的更新，作为该轨迹的跟踪值，并根据更新结果对目标下一时刻的状态进行预测；

S4.4：根据每一时刻的跟踪值，作出跟踪轨迹。

本发明的有益效果是，本发明使用毫米波雷达获取目标点云数据，保证了其在恶劣环境下也能较好地实现对周围环境的感知；在DBSCAN聚类算法中加入速度维信息，提高了聚类的准确度；同时，卡尔曼滤波和数据关联算法的使用减小了传感器的测量误差，实现了更高精度的多目标跟踪。

附图说明

图1是毫米波雷达多目标跟踪方法的流程图；

图2是改进的DBSCAN算法聚类方法的流程图；

图3是使用DBSCAN算法对仿真数据处理所得聚类结果图；

图4是使用改进的DBSCAN算法聚类方法对仿真数据处理所得聚类结果图；

图5是使用DBSCAN算法对仿真数据处理后以速度为z轴的聚类三维效果图；

图6是使用改进的DBSCAN算法聚类方法对仿真数据处理后所得以速度为z轴的聚类三维效果图；

图7是在实际场景下使用本发明进行多目标跟踪的形成的轨迹图。

具体实施方式

下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明的毫米波雷达多目标跟踪方法，其包括以下步骤：

S1：毫米波雷达通过发射毫米波信号，并在回波信号中筛选出能量较高的点作为有效点云，得到包括速度、角度和距离信息的点云数据，并将其转化为空间坐标信息与速度信息；

S2：采用改进的DBSCAN聚类算法对步骤一的点云数据进行聚类，如图2所示，具体如下：

S2.1：设定包括邻域距离阈值epsilon、每一类点的核心点数量阈值Minpts、每一类点的速度标准差阈值Vstd；

S2.2：按照坐标对点云中所有点进行排序，并标记为未分类；

S2.3：计算距离矩阵，得出每个点与其余所有点的距离；

S2.4：按照顺序判断是否对该点进行分类：若已分类，则按顺序判断下一个点，直至结束；否则，执行子S2.5；

S2.5:将该点注明为已分类，并设为核心点，进行分类，若该核心点分类为噪声点，返回子S2.4；否则，执行子S2.6；

S2.6：将该核心点作为新的一类点，并注上新标签；

S2.7：将该核心点邻域内所有点作为核心点，重复S2.5再次分类，若分类结果为非噪声点，注上与子S2.6相同的标签，并继续对该点进行扩充，直至无非噪声点，执行子步骤S2.8；

S2.8：返回子步骤S2.4，直至点云中所有点都被分类完毕并注上标签；

S3：根据聚类结果估计目标数目和目标状态信息，具体如下：

S3.1求聚类所得的类别数量，作为该帧数据目标数目的估计；

S3.2对同一类点的坐标取均值，作为该目标的量测点坐标，也即为该目标坐标信息的估计；

S3.3计算该类点x轴坐标与中心点x轴坐标差值的绝对值，取最大的绝对的值作为长轴，计算该类点y轴坐标与中心点y轴坐标差值的绝对值，取最大的绝对值作为短轴，根据长轴和短轴作椭圆，作为该目标的大小的估计；

S3.4对同一类点的速度取均值，作为该目标的速度信息的估计；

S4：根据步骤三所得结果实现对多个目标的跟踪，并绘制跟踪轨迹，具体如下：

S4.1：若该时刻为起始时刻，将所得的多个目标中心点作为轨迹的起点；若该时刻并非起始时刻，将该时刻的多个目标中心与上一时刻所得的预测轨迹点进行数据关联；

S4.2：根据数据关联的结果对量测点和轨迹进行匹配，若经过多帧数据后某轨迹仍未匹配到量测点，则删除该轨迹；若某点未与任何轨迹进行匹配，则该点作为新轨迹的起点；若轨迹匹配到量测点，则选择最近的量测点执行子步骤S4.3；

S4.3：根据选择的量测点与该轨迹上一时刻所得的该时刻的预测点，进行卡尔曼滤波，实现对该时刻轨迹的更新，作为该轨迹的跟踪值，并根据更新结果对目标下一时刻的状态进行预测；

S4.4：根据每一时刻的跟踪值，作出跟踪轨迹。

优选地，所述的S2.5对核心点进行分类的判断准则为

同时满足N_∈＞Minpts和两个条件，才能将该核心点作为非噪声点进行分类，其中：

N_∈＝{x_j∈D|distance(x_i，x_j)≤epsilon}

N_∈为当前帧中核心点邻域内所有点的数目，D为该帧点云数据中所有点的集合，x_i为核心点，v_k为邻域范围内任一点的速度，为邻域范围内所有点的均值。

假设目标a的坐标为x＝0，y＝1.1m，速度分量为1m/s，该目标产生20个点云数据，目标b的坐标为x＝0，y＝0.9m，速度分量为-1m/s，该目标也产生20个点云数据，且产生的点云数据距离、速度方差均为0.1，若使用DBSCAN聚类算法，所得聚类结果如图3所示，来自两个目标a与b产生的点云被聚为一类，无法区分；该类点的速度均值如图5所示，并不能反映真实速度。在使用本发明采用的方法进行聚类后，所得结果如图4所示，来自两个目标的点云被区分开来，且两类点云的中心点与目标原位置非常接近，证明本发明能对目标位置信息实现良好的估计；对每一类点的速度取均值后，其结果如图6所示，两目标的速度大小有明显的区分度，可以实现对目标速度的估计。

为了验证该发明的跟踪效果，使用毫米波雷达采集两人交叉行走时的点云数据，并使用该发明对两人行走时的轨迹进行跟踪，其跟踪结果如图7所示，可以发现两条轨迹并没有产生交叉或丢失的情况，较好的实现了对两行人的路径跟踪。

本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (5)

1.一种毫米波雷达多目标跟踪方法，其特征在于，包括以下步骤：

S1：毫米波雷达通过发射毫米波信号，并在回波信号中筛选出能量较高的点作为有效点云，得到包括速度、角度和距离信息的点云数据，并将其转化为空间坐标信息与速度信息；

S2：采用改进的DBSCAN聚类算法对S1的点云数据进行聚类，具体如下：

S3：根据聚类结果估计目标数目和目标状态信息；

S4：根据S3所得结果实现对多个目标的跟踪，并绘制跟踪轨迹。

2.根据权利要求1所述的毫米波雷达多目标跟踪方法，其特征在于，所述的S2通过以下子步骤来实现：

S2.1：设定包括邻域距离阈值epsilon、每一类点的核心点数量阈值Minpts、每一类点的速度标准差阈值Vstd；

S2.2：按照坐标对点云中所有点进行排序，并标记为未分类；

S2.3：计算距离矩阵，得出每个点与其余所有点的距离。

S2.4：按照顺序判断是否对该点进行分类：若已分类，则按顺序判断下一个点，直至结束；否则，执行子S2.5；

S2.5:将该点注明为已分类，并设为核心点，进行分类，若该核心点分类为噪声点，返回子S2.4；否则，执行子S2.6；

S2.6：将该核心点作为新的一类点，并注上新标签。

S2.7：将该核心点邻域内所有点作为核心点，重复S2.5再次分类，若分类结果为非噪声点，注上与子S2.6相同的标签，并继续对该点进行扩充，直至无非噪声点，执行子步骤S2.8；

S2.8：返回子步骤S2.4，直至点云中所有点都被分类完毕并注上标签。

3.根据权利要求2所述的毫米波雷达多目标跟踪方法，其特征在于，所述的S2.5对核心点进行分类的判断准则为

同时满足N_∈＞Minpts和两个条件，才能将该核心点作为非噪声点进行分类，其中：

N_∈＝{x_j∈D|distance(x_i，x_j)≤epsilon}

N_∈为当前帧中核心点邻域内所有点的数目，D为该帧点云数据中所有点的集合，x_i为核心点，v_k为邻域范围内任一点的速度，为邻域范围内所有点的均值。

4.根据权利要求1所述的毫米波雷达多目标跟踪方法，其特征在于，所述的估计目标数量和状态信息具体为

S3.1求聚类所得的类别数量，作为该帧数据目标数目的估计；

S3.2对同一类点的坐标取均值，作为该目标的量测点坐标，也即为该目标坐标信息的估计；

S3.3计算该类点x轴坐标与中心点x轴坐标差值的绝对值，取最大的绝对值作为长轴，计算该类点y轴坐标与中心点y轴坐标差值的绝对值，取最大的绝对值作为短轴，根据长轴和短轴作椭圆，作为该目标的大小的估计；

S3.4对同一类点的速度取均值，作为该目标的速度信息的估计。

5.根据权利要求1所述的毫米波雷达多目标跟踪方法，其特征在于，所述的S4通过以下子步骤来实现：

S4.1：若该时刻为起始时刻，将所得的多个目标中心点作为轨迹的起点；若该时刻并非起始时刻，将该时刻的多个目标中心与上一时刻所得的预测轨迹点进行数据关联；

S4.2：根据数据关联的结果对量测点和轨迹进行匹配，若经过多帧数据后某轨迹仍未匹配到量测点，则删除该轨迹；若某点未与任何轨迹进行匹配，则该点作为新轨迹的起点；若轨迹匹配到量测点，则选择最近的量测点执行子步骤S4.3；

S4.3：根据选择的量测点与该轨迹上一时刻所得的该时刻的预测点，进行卡尔曼滤波，实现对该时刻轨迹的更新，作为该轨迹的跟踪值，并根据更新结果对目标下一时刻的状态进行预测；

S4.4：根据每一时刻的跟踪值，作出跟踪轨迹。