Search within
Search within the title, abstract, claims, or full patent document: You can restrict your search to a specific field using field names.
Use TI= to search in the title, AB= for the abstract, CL= for the claims, or TAC= for all three. For example, TI=(safety belt).
Search by Cooperative Patent Classifications (CPCs): These are commonly used to represent ideas in place of keywords, and can also be entered in a search term box. If you're searching forseat belts, you could also search for B60R22/00 to retrieve documents that mention safety belts or body harnesses. CPC=B60R22 will match documents with exactly this CPC, CPC=B60R22/low matches documents with this CPC or a child classification of this CPC.
Learn More
Title
Abstract
Claims
Full Document
Find patents
Keywords and boolean syntax (USPTO or EPO format): seat belt searches these two words, or their plurals and close synonyms. "seat belt" searches this exact phrase, in order. -seat -belt searches for documents not containing either word.
For searches using boolean logic, the default operator is AND with left associativity. Note: this means safety OR seat belt is searched as (safety OR seat) AND belt. Each word automatically includes plurals and close synonyms. Adjacent words that are implicitly ANDed together, such as (safety belt), are treated as a phrase when generating synonyms.
Learn More
Search by
Chemistry searches match terms (trade names, IUPAC names, etc. extracted from the entire document, and processed from .MOL files.)
Substructure (use SSS=) and similarity (use ~) searches are limited to one per search at the top-level AND condition. Exact searches can be used multiple times throughout the search query.
Searching by SMILES or InChi key requires no special syntax. To search by SMARTS, use SMARTS=.
To search for multiple molecules, select "Batch" in the "Type" menu. Enter multiple molecules separated by whitespace or by comma.
Learn More
Patent numbers
Search specific patents by importing a CSV or list of patent publication or application numbers.
一种基于雷达的车辆跟踪检测方法及装置
CN110488273B
China
Worldwide applications
2019
CN
Application CN201910817370.7A events
2019-08-30
2019-11-22
2022-08-05
Application granted
2022-08-05
Status
Active
2039-08-30
Anticipated expiration
Description
translated from
技术领域
本发明涉及雷达目标跟踪技术领域，尤其涉及一种基于雷达的车辆跟踪检测方法及装置。
背景技术
如77GHZ类雷达硬件体系当前已广泛应用于汽车避障、安防领域等各类热点应用中。由于77GHz雷达有着更宽的工作带宽，因此该类雷达拥有着更高的距离分辨力，也正是由于这一原因，该类雷达进行目标跟踪时会存在以下问题：由于雷达分辨力的提升，一个目标在单次检测中往往占据着多个距离单元，即单个检测目标会被返回多个量测值，此时被检测的目标便不能像传统雷达一样认作成点目标，此种条件下目标跟踪则被称作是扩展目标跟踪。
传统的跟踪方法处理上述类雷达目标跟踪问题时，通常都是直接将获得的一个目标返回的所有量测值取平均，融合出一个最终平均值代表要跟踪目标的量测信息。但是现实环境中存在各种噪声，每一个返回的量测值中都会夹杂噪声，即量测值与真实值之间会存在偏差，这种偏差取决于噪声影响的大小，其中若检测目标时噪声比较大，则量测值与真实值之间的偏差也相应的较大，在噪声比较小的时候，相应的量测值与真实值之间的偏差较小，而噪声波动存在随机性，即多个量测值中每个量测值与真实值得偏差是无法确定的，上述传统跟踪方法直接将所有量测值进行求平均处理，不考虑每一个量测值被噪声影响的不同程度，因而将所有量测值求平均所获取的最终量测值与目标的真实值之间会存在较大误差，实际目标跟踪精度并不高。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种能够利用车辆表面分布特性实现车辆跟踪，且实现方法简单、目标跟踪精度高及高效的基于雷达的车辆跟踪检测方法及装置。
为解决上述技术问题，本发明提出的技术方案为：
一种基于雷达的车辆跟踪检测方法，步骤包括：
S1.雷达每次进行测量时，从返回的目标检测点云中选取对应同一车辆目标的目标点群；
S2.从所述目标点群中按照车辆的外形分布构造出目的形状的边线；
S3.提取所述步骤S2构建的目的形状的边线周围指定范围内的量测点作为边线点，融合提取的所有边线点得到最终的目标位置信息；
S4.根据所述步骤S3得到的最终的目标位置信息进行目标跟踪滤波。
进一步的，所述步骤S2中，具体从所述目标点群中构造出L形边线，若不能构造出所述L形边线，则构造I形边线。
进一步的，所述构造出L形边线的具体步骤包括：
S21.在所述目标检测点云中查找具有最大、最小角度的量测点并作为所述L形边线的两个起始端点；
S22.连接所述步骤S21得到的两个起始端点，得到起始的基准线；
S23.分别计算出每个量测点到所述基准线的距离，将其中距离所述基准线最远的量测点作为分隔端点；
S24.分别由两个所述起始端点以及所述分隔端点连接构成的两条直线得到L形边线的两条边，完成L形边线的构造。
进一步的，所述构造I形边线的具体步骤为：从所述目标检测点云中查找具有最大、最小角度的量测值作为I形边线的端点，直接连接所述目标检测点云中所述具有最大、最小角度的量测点，完成I形边线的构造。
进一步的，若所述步骤S2中构造出所述L形边线，所述步骤S3中提取所述边线点的具体步骤包括：
S311.在构造得到所述L形边线后，根据所述L形边线中三个端点的坐标按照下式求出其中两条直线边的斜截式：
y＝k1·x+b1
y＝k2·x+b2
式中：
其中，x1,y1；x2,y2；x3,y3分别为所述L形边线的三个端点的坐标，k1、k2分别为所述L形边线中两条直线边的斜率，b1、b2分别为所述L形边线中两条直线边的截距；
S312.分别计算每个量测点到所述步骤S311求出的两条直线之间的距离D，提取对应的所述距离D的值小于预设阈值Dth的量测点作为所述边线点。
进一步的，若所述步骤S2中构造出所述I形边线，所述步骤S3中提取所述边线点的具体步骤包括：
S321.在构造得到所述I形边线后，根据所述I形边线的两个端点的坐标求出该I形直线边的斜截式为：
y＝ka·x+ba
式中：
其中，xa,ya；xb,yb；分别为所述I形直线边两个端点的坐标，ka、kb分别为所述I形直线边的斜率，ba、bb分别为所述I形直线边的截距；
S322.计算每个量测点到所述I形直线边的距离D，取对应的所述距离D的值小于预设阈值Dth的量测点作为所述边线点。
进一步的，所述步骤S3中融合提取得到所有边线点具体为：将提取的所有边线点进行加权平均或进行信噪比加权，得到最终的目标位置信息。
进一步的，所述步骤S1中选取目标点群的具体步骤包括：如果角度相差Δθ的两个目标点之间距离在门限Dth内，则选取该两个量测点作为对应同一车辆目标的目标点群，所述门限Dth的计算表达式为：
其中，ri,ri+1分别为两个量测值到雷达之间的距离，Δθ为两个目标点的角度差，λ为衡量两个量测目标点是否属于的一个目标点群的角度门限，σr为测距误差。
一种基于雷达的车辆跟踪检测装置，包括：
目标点群选取模块，用于雷达每次进行测量时，从返回的目标检测点云中选取对应目的车辆目标的目标点群；
特征选取模块，用于从所述目标点群中按照车辆的外形分布构造出目的形状的边线；
目标位置信息提取模块，用于提取所述特征选取模块构建的目的形状的边线周围指定范围内的量测点作为边线点，融合提取的所有边线点得到最终的目标位置信息；
跟踪滤波模块，用于根据所述目标位置信息提取模块得到的最终的目标位置信息进行目标跟踪滤波。
一种存储有计算机程序的计算机可读存储介质，所述计算机程序执行时实现如上述基于雷达的车辆跟踪检测方法。
与现有技术相比，本发明的优点在于：
1、本发明从被跟踪目标(车辆)的目标特性出发，利用雷达跟踪车辆时偏差小的目标点群分布与车辆外形特征一致的特性，通过在同一检测目标杂乱的点云中构造出符合车辆外形分布的边线，特征选取时求取构造出的目的形状边线附近的量测点作为边线点进行融合，使得能够获取到偏差较小的所有量测点，而舍弃距离目的形状线较远的点以去除检测误差较大的量测点，可以有效降低受噪声影响大的观测值对最终目标位置信息的影响，大大降低最终目标位置信息与目标真实值之间的偏差，从而提高车辆的跟踪精度。
2、本发明进一步利用雷达检测车辆且为双侧面时车辆表面符合L形特征、单侧面时则符合I形特征的特性，通过在从雷达返回的点云中选取出目标点群后构造出一个L形边线，若无法构造出L形，则直接构造更为简单的I形，由构造的L形或I形边线可以确定各量测点的偏差程度，分布在L形或I边线周围为偏差较小的量测点，离L形或I分布较远的量测点则偏差较大，可以利用雷达检测车辆时车辆的特性来确定不同量测点的偏差程度，从而尽可能获取偏差较小的量测点进行融合，降低受噪声影响大的观测值对确定最终目标位置信息的影响。
附图说明
图1是具体实施例中得到的雷达目标检测点云的示意图。
图2是本实施例基于雷达的车辆目标跟踪检测方法的实现流程示意图。
图3是本实施例中选取目标点群的原理示意图。
图4是本发明在具体应用实施例中构造出的L形示意图。
图5是本实施例中构造L形边线的原理示意图。
图6是本发明具体应用实施例中基于雷达实现车辆跟踪检测的详细流程示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
雷达检测目标的原理是通过发射电磁波打到被跟踪物体上，电磁波返回后，通过信号处理解析出目标的方位信息，而在雷达发射电磁波频率范围里，电磁波并不能穿透物体，所以电磁波实际是打到了物体的表面上，因此实际上通过信号处理解析出目标的方位信息也即是由目标表面特性呈现出来的方位信息分布，即如果假设雷达在观测目标时，没有一点噪声的干扰，那么目标点呈现的分布规律一定符合目标的外形规律。车辆作为箱型检测目标，如雷达从侧面照射汽车车辆时，被跟踪目标表面的特性便是一个L形，但是由于实际环境噪声的影响，每一个量测值都与真实值之间存在偏差，雷达获得的实际检测值是一个杂乱的点云形状而不是L形，如图1所示。且由于噪声的影响是随机的，观测值的偏差有大有小，雷达对汽车车辆检测得到的观测值中，观测值偏差小的分布在L形周围，观测值偏差大的则离L形分布更远一些。
本实施例利用上述特性实现基于雷达的车辆目标跟踪检测，如图2所示，具体步骤包括：
S1.目标点群选取：雷达每次进行测量时，从返回的目标检测点云中选取对应同一车辆目标的目标点群；
S2.特征选取：从目标点群中按照车辆的外形分布构造出目的形状的边线；
S3.目标位置信息提取：提取步骤S2构建的目的形状的边线周围指定范围内的量测点作为边线点，融合提取的所有边线点得到最终的目标位置信息；
S4.跟踪滤波：根据步骤S3得到的最终的目标位置信息进行目标跟踪滤波。
本实施例从被跟踪目标(车辆)的目标特性出发，利用上述雷达跟踪车辆时偏差小的目标点群分布与车辆外形特征一致的特性，通过在同一检测目标杂乱的点云中构造出符合车辆外形分布的边线，特征选取时求取构造出的目的形状线附近的量测点作为边线点，使得能够获取到偏差较小的所有量测点进行融合，而舍弃距离目的形状线较远的点以去除检测误差较大的量测点，可以有效降低受噪声影响大的观测值对最终融合值的影响，大大降低最终目标位置信息与目标真实值之间的偏差，从而提高车辆的跟踪精度。
本实施例步骤S1中选取目标点群的具体步骤包括：如果角度相差Δθ的两个目标点之间距离在门限Dth内，则选取该两个量测点作为对应同一车辆目标的目标点群，上述门限Dth的计算表达式为：
其中，ri,ri+1分别为两个量测值到雷达之间的距离，Δθ为两个目标点的角度差，λ为衡量两个量测目标点是否属于的一个目标点群的角度门限，σr为测距误差。
在雷达的每次测量中，会返回很多目标的量测点云和杂波。本实施例在提取特征之前，先得到一个用于提取特征的目标点群，如图3所示，提取规则即是如果角度相差Δθ的两个目标点之间距离在如上式(1)所示的门限Dth内，则认为两个量测点属于同一个的目标点群。通过对同一目标的目标点群的选取，可以减少不同目标点和杂波的影响。
本实施例步骤S2中，具体从目标点群中构造出L形边线，若不能构造出L形边线，则构造I形边线。如上述，雷达从侧面照射汽车车辆时，被跟踪目标表面的特性便是一个L形，在从雷达返回的点云中选取出目标点群后构造出一个L形，在具体应用实施例中从点云出构造出L形如图4所示，其中观测值偏差较小的量测点会分布在L形周围，观测值偏差较大的点则离L形分布较远；由于雷达发射的电磁波可能打到汽车的单个侧面，也可能是两个侧面，而在单个侧面时便无法构造L形，本实施例在通过点云无法构造L形边线时则构造I形边线。通过从杂乱的点云中构造出L形或I形边线，可以利用车辆目标的分布特性来确定不同量测点的偏差程度，从而可疑尽可能获取偏差较小的量测点进行融合，降低受噪声影响大的观测值对确定最终目标位置信息的影响。
本实施例中，构造出L形边线的具体步骤包括：
S21.在目标检测点云中查找具有最大、最小角度的量测点并作为L形边线的两个起始端点；
S22.连接步骤S21得到的两个起始端点，得到起始的基准线；
S23.分别计算出每个量测点到基准线的距离，将其中距离基准线最远的量测点作为分隔端点；
S24.分别由两个起始端点以及分隔端点连接构成的两条直线得到L形边线的两条边，完成L形边线的构造。
如图5所示，上述构造L形边线时，先找到两个起始的端点：在检测点云中，将拥有最大和最小角度的量测值即作为起始的两个端点，如图5(a)所示，即为由虚线圆圈包裹的两个实心黑点；在得到两个起始的端点后连接二者，便可得到起始的基准线；在此之后，如图5(b)所示，分别计算出每个量测点到基准线的距离，将距离基准线最远的那个点作为分隔端点，即为图5(b)中实线圆圈包裹的黑点；最后，基准线被分成了两条直线，如图5(c)所示，L形边线构造完成。
若无法构造出L形边线时，本实施例中构造I形边线的具体步骤为：从目标检测点云中查找具有最大、最小角度的量测值作为I形的端点，直接连接目标检测点云中具有最大、最小角度的量测值，即直接连接检测点云中最大和最小角度的量测值作为I形边线的端点，完成I形边线的构造。
本实施例中，若步骤S2中构造出L形边线，步骤S3中提取边线点的具体步骤包括：
S311.在构造得到L形边线后，根据L形边线中三个端点的坐标按照下式求出其中两条直线边的斜截式：
y＝k1·x+b1 (2)
y＝k2·x+b2 (3)
式中：
其中，(x1,y1)，(x2,y2)，(x3,y3)分别为L形边线中从左到右三个端点的坐标，且可通过量测获得，属于已知量；k1、k2分别为L形边线中两条直线边的斜率，b1、b2分别为L形边线中两条直线边的截距；
S312.分别计算每个量测点到步骤S311求出的两条直线之间的距离D，提取对应的距离D的值小于预设阈值Dth的量测点作为边线点，即提取满足：
D＜Dth (6)的量测点作为边线点。
本实施例在构造出L形边线得到了L形的两条边线后，可通过三个端点(x1,y1)，(x2,y2)，(x3,y3)的直角坐标求出两条直线的斜截式表达式，在得到了直线的方程后，通过计算点到直线的距离D求取出两条直线附近的点，使得特征提取时仅提取L形附近的点而舍弃离L形较远的点，从而提高最终目标位置信息确定的精度。
本实施例中，若步骤S2中构造出I形边线，步骤S3中提取边线点的具体步骤包括：
S321.在构造得到所述I形边线后，根据I形边线的两个端点的坐标求出I形直线的斜截式为：
y＝ka·x+ba (7)
式中：
其中，(xa,ya)，(xb,yb)分别为I形直线边两个端点的坐标，ka、kb分别为I形直线边的斜率，b1、b2分别为I形直线边的截距；
S322.计算每个量测点到I形直线边的距离D，取对应的距离D的值小于预设阈值Dth的量测点作为边线点。
本实施例具体若从点云中无法构造出L形而构造出I形时，由I形边线的两个端点(xa,ya)，(xb,yb)求出I形直线边的斜截式，在得到了直线的方程后，通过计算点到直线的距离D，提取满足D＜Dth的点作为I形边线上点。
本实施例中，步骤S3中融合所有边线点时，具体将提取的所有边线点进行加权平均得到最终的目标位置信息，具体表达式为：
其中，(xfinal,yfinal)为最终的目标位置坐标，n为L形或I形所提取的量测点的个数，(xi,yi)为提取的第i个量测点的坐标，i＝1，2，……，n。
可以理解的是，还可以采用其他方法融合所有量测点，如采用信噪比加权的方式，具体步骤为：在获得了所有提取的量测点(边线点)后，假设获得的第i目标点位置信息为(xi,yi),i＝1,2,...,n,n为边线目标的数目，对应的信噪比为SNRi，按下式计算出最终的目标位置坐标：
式中，
以下以在具体应用实施例中基于雷达实现对车辆目标进行跟踪检测为例对本发明进行进一步说明，如图6所示，详细步骤为：
步骤1：目标点群选取
获取雷达的检测信息，在提取特征之前，先确定一个对应被跟踪目标的用于提取特征的目标点群，提取规则为：如果角度相差Δθ的两个目标点之间距离在如式(1)所示的门限Dth内，则认为两个量测点属于同一个的目标点群。在得到了目标点群之后便可以进行特征提取了。
步骤2：(L形或I形)特征提取
步骤2.1：构造L形边线
先找到两个起始的端点：在检测点云中，将拥有最大和最小角度的量测值作为起始的端点，在得到了起始的端点后连接二者，得到起始的基准线；分别计算出每个量测点到直线的距离，距离直线最远的那个点作为分隔端点，之后基准线就被分成了两条直线，L形边构造完成。
步骤2.2：判断是否成功构造L形边线，如果能够成功构造，转入执行步骤3.1，如果不能构造，转入执行步骤2.3。
步骤2.3：构造I形边线
直接连接检测点云中最大和最小角度的量测值作为I形的端点，I形边线构造完毕，转入步骤3.2。
步骤3：基于构造的L形边线提取边线点，计算所有边线点的融合值得到最终目标位置信息。
步骤3.1：L形构造成功时目标位置信息
在构造得到了L形的两条边线后，通过三个端点的直角坐标按式(2)～(5)求出两条直线的斜截式表达式，在得到了直线的方程后，通过计算点到直线的距离D，提取满足D＜Dth的量测点将作为边线点。
在提取得到所有的边线点后，按式(9)计算加权平均或按式(10)计算信噪比加权的融合值得到最终的目标坐标。
步骤3.2：基于构造的I形边线提取边线点，计算所有边线点的融合值得到最终目标位置信息。
根据构造的I形边线的两个端点坐标求出I形直线的方程式，在得到了直线的方程后，通过计算点到直线的距离D，提取满足D＜Dth的点将作为I形边线上点；在提取出所有的边线点后，按式(9)计算加权平均或按式(10)计算信噪比加权的融合值得到最终的目标坐标。
步骤4：将提取的所有边线点的融合值作为此次检测的目标最终位置信息进行跟踪滤波。
本实施例进一步包括基于雷达的车辆跟踪检测装置，该装置包括：
目标点群选取模块，用于雷达每次进行测量时，从返回的目标检测点云中选取对应目的车辆目标的目标点群；
特征选取模块，用于从所述目标点群中按照车辆的外形分布构造出目的形状的线；
目标位置信息提取模块，用于提取所述特征选取模块构建的目的形状的线周围指定范围内的量测点，根据提取的量测点得到最终的目标位置信息；
跟踪滤波模块，用于根据所述目标位置信息提取模块得到的最终的目标位置信息进行目标跟踪滤波。
本实施例基于雷达的车辆跟踪检测装置与上述基于雷达的车辆跟踪检测方法一一对应，在此不再一一赘述。
本实施例还包括存储有计算机程序的计算机可读存储介质，计算机程序执行时实现如上述基于雷达的车辆跟踪检测方法。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。
Claims (10)
Hide Dependent
translated from
Claims (10)
Hide Dependent
translated from
1.一种基于雷达的车辆跟踪检测方法，其特征在于，步骤包括：
S1.雷达每次进行测量时，从返回的目标检测点云中选取对应同一车辆目标的目标点群；
S2.从所述目标点群中按照车辆的外形分布构造出目的形状的边线；
S3.提取所述步骤S2构建的目的形状的边线周围指定范围内的量测点作为边线点，融合提取的所有边线点得到最终的目标位置信息；
S4.根据所述步骤S3得到的最终的目标位置信息进行目标跟踪滤波。
2.根据权利要求1所述的基于雷达的车辆跟踪检测方法，其特征在于，所述步骤S2中，具体从所述目标点群中构造出L形边线，若不能构造出所述L形边线，则构造I形边线。
3.根据权利要求2所述的基于雷达的车辆跟踪检测方法，其特征在于，所述构造出L形边线的具体步骤包括：
S21.在所述目标检测点云中查找具有最大、最小角度的量测点并作为所述L形边线的两个起始端点；
S22.连接所述步骤S21得到的两个起始端点，得到起始的基准线；
S23.分别计算出每个量测点到所述基准线的距离，将其中距离所述基准线最远的量测点作为分隔端点；
S24.分别由两个所述起始端点以及所述分隔端点连接构成的两条直线得到L形边线的两条边，完成L形边线的构造。
4.根据权利要求2所述的基于雷达的车辆跟踪检测方法，其特征在于，所述构造I形边线的具体步骤为：从所述目标检测点云中查找具有最大、最小角度的量测值作为I形边线的端点，直接连接所述目标检测点云中所述具有最大、最小角度的量测点，完成I形边线的构造。
5.根据权利要求2或3或4所述的基于雷达的车辆跟踪检测方法，其特征在于，若所述步骤S2中构造出所述L形边线，所述步骤S3中提取所述边线点的具体步骤包括：
S311.在构造得到所述L形边线后，根据所述L形边线中三个端点的坐标按照下式求出其中两条直线边的斜截式：
y＝k1·x+b1
y＝k2·x+b2
式中：
其中，x1,y1；x2,y2；x3,y3分别为所述L形边线的三个端点的坐标，k1、k2分别为所述L形边线中两条直线边的斜率，b1、b2分别为所述L形边线中两条直线边的截距；
S312.分别计算每个量测点到所述步骤S311求出的两条直线之间的距离D，提取对应的所述距离D的值小于预设阈值Dth的量测点作为所述边线点。
6.根据权利要求2或3或4所述的基于雷达的车辆跟踪检测方法，其特征在于,若所述步骤S2中构造出所述I形边线，所述步骤S3中提取所述边线点的具体步骤包括：
S321.在构造得到所述I形边线后，根据所述I形边线的两个端点的坐标求出该I形直线边的斜截式为：
y＝ka·x+ba
式中：
其中，xa,ya；xb,yb；分别为所述I形直线边两个端点的坐标，ka、kb分别为所述I形直线边的斜率，ba、bb分别为所述I形直线边的截距；
S322.计算每个量测点到所述I形直线边的距离D，取对应的所述距离D的值小于预设阈值Dth的量测点作为所述边线点。
7.根据权利要求2或3或4所述的基于雷达的车辆跟踪检测方法，其特征在于，所述步骤S3中融合提取得到所有边线点具体为：将提取的所有边线点进行加权平均或进行信噪比加权，得到最终的目标位置信息。
8.根据权利要求1～4中任意一项所述的基于雷达的车辆跟踪检测方法，其特征在于，所述步骤S1中选取目标点群的具体步骤包括：如果角度相差Δθ的两个目标点之间距离在门限Dth内，则选取该两个量测点作为对应同一车辆目标的目标点群，所述门限Dth的计算表达式为：
其中，ri,ri+1分别为两个量测值到雷达之间的距离，Δθ为两个目标点的角度差，λ为衡量两个量测目标点是否属于的一个目标点群的角度门限，σr为测距误差。
9.一种基于雷达的车辆跟踪检测装置，其特征在于，包括：
目标点群选取模块，用于雷达每次进行测量时，从返回的目标检测点云中选取对应目的车辆目标的目标点群；
特征选取模块，用于从所述目标点群中按照车辆的外形分布构造出目的形状的边线；
目标位置信息提取模块，用于提取所述特征选取模块构建的目的形状的边线周围指定范围内的量测点作为边线点，融合提取的所有边线点得到最终的目标位置信息；
跟踪滤波模块，用于根据所述目标位置信息提取模块得到的最终的目标位置信息进行目标跟踪滤波。
10.一种存储有计算机程序的计算机可读存储介质，所述计算机程序执行时实现如权利要求1～7中任意一项所述基于雷达的车辆跟踪检测方法。