CN110542885B - 一种复杂交通环境下的毫米波雷达目标跟踪方法 - Google Patents

Abstract

本发明公开一种复杂交通环境下的毫米波雷达目标跟踪方法，适用于复杂交通环境下雷达目标的跟踪。该方法通过改进了传统JPDA算法中量测的选取方式以及关联事件的生成条件，使得算法变得简单，运算量大幅减小，使得有效航迹的保留性变大，航迹是虚警的可能越小，同时跟踪的稳定性也得到了提高。该方法主要包括的步骤是：1)实时对雷达目标库中航迹状态更新；2)将航迹与新量测生成确认矩阵；3)通过确认矩阵判断航迹与量测是否关联，关联成功的航迹更新生命状态，对于生命状态L_t≤0的航迹不再跟踪，对于生命状态L_t＞0的航迹继续跟踪；4)将继续跟踪的航迹与量测生成关联矩阵，计算关联概率；5)对航迹运动状态动态估计。

Description

一种复杂交通环境下的毫米波雷达目标跟踪方法

技术领域

本发明涉及智能驾驶汽车主动安全技术领域，具体涉及利用雷达感知的车辆目标跟踪技术，特别是一种基于复杂交通环境下的毫米波雷达目标跟踪方法。

背景技术

汽车的智能化技术是解决交通安全问题的重要手段，而目标检测是智能驾驶系统中的重要组成部分，目标检测的精确性、连贯性、实时性是影响系统性能优劣的重要因素。

近年来，国内外学者在智能驾驶领域提出了多种目标检测的方法，常用的车载环境感知传感器包括激光雷达、毫米波雷达、红外雷达、摄像机等。其中毫米波雷达相较于其他传感器而言，对雨雪、雾霾、烟尘等恶劣环境有很强的抗干扰能力，不会被光线变化影响，且检测距离远、价格低。因此车载毫米波雷达成为了大多数智能驾驶环境感知系统中不可或缺的传感器，其通常会与摄像机和激光雷达等传感器组成融合系统来配合使用。

毫米波雷达目标跟踪的本质就是如何确定量测和目标的关联关系，即数据关联问题。代表性的数据关联算法有最近邻数据关联(NN)、联合概率数据关联(JPDA)、多假设数据关联(MHT)、航迹分裂法和多维分配数据关联等。其中最近邻数据关联、航迹分裂法、多维分配方法实现较为简单，计算量较小，但是抗杂波干扰能力弱，仅适用于信噪比高而目标密集程度较低的场合；多假设数据关联能够保留真实目标的所有假设，并让其继续传递，从后续的观测数据中来消除当前扫描周期的不确定性，适用于目标密集的复杂环境，但是算法实现难度极高，且该算法过于依赖目标和杂波的先验知识；联合概率数据关联算法相较于最近邻数据关联等简单算法而言，对于含有大量杂波的环境具有更强的抗干扰能力，更为适用于目标杂波密集的环境，相较于多假设数据关联而言实现难度更低，但是其缺点是运算量随着目标的线性增加而发生指数级的倍增，如果目标过大可能会出现组合爆炸现象。

车载环境下的毫米波雷达的运行工况是极为复杂的，尤其是对于交叉口、拥堵路段等目标密集且包含大量杂波的场景，杂波会严重的影响真实目标的跟踪，而大量的目标会导致运算时间的大幅波动，极大的增加了交通安全事故发生的风险。

因此，现有的车载毫米波雷达跟踪方法为了避免目标数量密集而导致运算时间大幅增加、实时性降低，通常会采用最近邻数据关联、K-NN算法、航迹分裂法等较为简单算法来作为关联算法。可是这样的关联选择虽然确保了算法的实时性和稳定性，但是牺牲了跟踪的精度，复杂环境下的大量杂波会严重干扰真实目标的数据关联，进而会导致跟错、跟丢等现象的发生。因此现有的车载毫米波雷达跟踪算法虽然能够满足部分相对简单的道路交通环境的需求，但很难适用于复杂的交通环境，如交叉口、拥堵路段等。

发明内容

针对上述问题，本发明提供了一种适用于复杂交通环境的车载毫米波雷达目标跟踪方法，该方法在满足了跟踪实时性和稳定性需求的同时，确保了跟踪的精确性，解决了现有的车载毫米波雷达跟踪方法无法同时保证实时性、稳定性和精确性的问题。

因此，本发明所采取的技术方案如下：

一种复杂交通环境下的毫米波雷达目标跟踪方法，其特征在于，包括如下步骤：

步骤1)实时对雷达目标库中的航迹状态进行更新；

步骤2)将状态更新的航迹与雷达跟踪的新量测生成确认矩阵；

步骤3)通过确认矩阵判断航迹与量测是否关联，对于关联成功的航迹更新其生命状态，对于生命状态L_t≤0的航迹不再跟踪，对于生命状态L_t＞0的航迹继续跟踪；

步骤4)将继续跟踪的航迹与量测生成关联矩阵，计算关联概率；

其中：

在步骤2)中，将航迹与新量测生成确认矩阵的方法如下：

①利用JPDA算法选取一个关联门阈值C，设

为航迹t的关联门内的量测，l＝1,2,...m(t)为门内量测数量，则量测应满足：

Z_t(k)为航迹t的关联门内的量测集合，C为关联门阈值，是一个固定值，

为状态协方差矩阵的逆，m_j为量测的状态向量，

为航迹的状态向量；

②定义门内量测与航迹之间的距离如下：

③判断门内量测的数量m(t)的多少，如果m(t)≤3则选取所有门内量测作为有效量测；如果m(t)>3，则将距离

按大小顺序排列，从大到小依次去掉

较大的量测，直到剩余量测数量小于等于2，或剩余量测计算的相应距离之和与

之比小于阈值α，即：

l_t(k)为从大到小依次去掉

较大的量测后，剩余量测数量；阈值α为1/3；

④利用①～③步的方法对所有航迹关联门内量测进行筛选，最终输出有效量测的集合

其中t＝1,2,…,n_k-1表示航迹数量；

⑤然后利用有效的量测生成确认矩阵Ω：

Ω＝[ω_jt],j＝1,2,...,m_k；t＝0,1,...,n_k-1 (6)

其中ω_jt是二进制变量，用ω_jt＝1表示量测j落入航迹t的关联门内，ω_jt＝0表示量测j没有落入航迹t的关联门内，t＝0表示没有航迹；

在步骤4)中，采用生命周期理论简化关联事件的生成，方法是：

①定义航迹生命状态L_t如下：

0≤L_t≤L_max,L_t为整数 (23)

L_max为生命状态的最大值，自定义；

②用生命状态定义航迹的状态如下：

L_e为判断该航迹是否为有效航迹的阈值，自定义；tr_t(k)为k时刻航迹状态向量；

③定义L_t的迭代方式如下：

L_init为新航迹的起始生命状态，L_t0为已有航迹的上一时刻生命状态，a为航迹的关联域内有量测时生命状态的增加量，b为航迹的关联域内没有量测时生命状态的减少量；

④k时刻，对于有效航迹tr_t(k)，如果存在量测m_j(k)与之一一对应，则不考虑关联事件

如果一个量测与多个航迹关联，则为生命状态L_t(k)更大的航迹优先分配量测。

进一步地，在步骤1)中，采用常加速度运动模型，对雷达目标库中的航迹进行状态更新。

进一步地，在步骤3)中，判断航迹与量测是否关联成功的方法是：

在确认矩阵Ω＝[ω_jt]中，如果

则航迹t与量测关联成功，反之则关联失败；如果

则量测j与航迹关联成功，反之则关联失败；

对于关联成功的航迹，更新其生命状态为L_t＝L_t0+1；对于关联失败的航迹，更新生命状态为L_t＝L_t0-2；对于关联失败的量测，认为是新的航迹，定义其生命状态为L_t＝3，L_t0代表上一时刻的已有航迹生命状态。

进一步地，在步骤4)中，定义L_max＝5，L_e＝4，L_init＝3。

进一步地，在步骤4)中，将航迹与量测生成关联矩阵，并计算关联概率的方法是：

定义航迹与量测的关联矩阵表示为：

其中，

是一个m_k行n_k+1列的矩阵，j＝1,2,...,m_k表示量测的数量，t＝0,1,2,...,n_k表示航迹的数量，

表示在第i个关联事件中，如果量测j源于航迹t，

为1；否则，

为0；

在得到关联矩阵

后，利用Bayes法则，通过关联矩阵计算得到对应的关联事件θ_i(k)发生的条件概率：

其中：

假定不与任何航迹关联的量测在体积为V的关联域中服从均匀分布，而与某个目标关联的量测服从高斯分布，则有：

式中

表示高斯分布；

通过计算航迹的状态向量

和与之对应的量测的状态向量m_j之间的马氏距离，计算符合高斯分布的事件

发生的可能性，则：

式中σ＝C/3；

为

与m_j之间的马氏距离，进而得到：

上式中c″是归一化常数，τ_j(θ_i(k))是量测互联指示，表示量测j在关联事件θ_i(k)中是否和一个真实航迹关联；δ_t(θ_i(k))目标检测指示，表示在关联事件θ_i(k)中是否存在量测与航迹t互联，

是航迹t的检测概率；

最终得到第j个量测与航迹t关联的概率为：

进一步地，还包括继步骤4)之后，将关联矩阵的雷达目标运动状态，采用匀加速度运动模型和线性观测模型进行Kalman滤波估计的步骤，最终输出k时刻航迹集合T(k)。

与现有技术相比，本发明显著的有益效果体现在：1、本发明通过根据车载毫米波雷达运行的实际工况改进了传统JPDA算法的量测数目选取方式，采用二次判断法，限制了关联域内量测的数量，使得计算量大大降低，跟踪稳定性得到了保证。2、本发明将生命周期理论融入了雷达目标跟踪的过程，改进了JPDA算法中关联矩阵的生成条件，在跟踪的起始时为每一个航迹设置了生命状态，最后利用航迹的生命状态对关联事件的选取进行了简化，该改进方法通过每个数据帧对航迹生命状态的更新与迭代，解决了毫米波雷达原始数据中存在的大量虚警和漏检现象；同时通过简化运算，解决了JPDA算法在密集目标环境下的组合爆炸问题，提高算法在复杂交通环境下的实时性和稳定性。3、本发明还采用常加速度模型对雷达目标库中的航迹实时进行更新，还结合Kalman滤波对雷达目标运动状态进行估计，使得关联后得到的不连贯的目标状态变的稳定而连续，满足了智能驾驶系统对于毫米波雷达目标检测的精确性要求。

本发明的其他特征和优点将在随后的说明书中阐述，并且部分的从说明书中变得显而易见，或者通过实施本发明而了解。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为毫米波雷达目标跟踪算法流程图；

图2(a)～图2(c)为毫米波雷达目标跟踪实际效果图，其中图2(a)为有效航迹在车辆坐标系下的俯视位置图，图2(b)为全部航迹(有效航迹和未确认航迹)在车辆坐标系下的俯视位置图，图2(c)为雷达目标原始数据在车辆坐标系下的俯视位置图；

图3为传统JPDA算法和本发明改进算法的运算时间对比；

图4(a)～图4(e)为用卡尔曼滤波器对目标的状态进行估计的结果，其中图4(a)纵向相对距离估计，图4(b)横向相对距离估计，图4(c)目标方向角估计，图4(d)纵向相对速度估计，图4(e)横向相对速度估计。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述，本领域的技术人员应该知道，附图和实施例都是为了更好的阐释本发明，这并不是对本发明技术方案作的唯一限定，凡是在本发明技术方案精神实质下所做的任何等同变换或改动，均应视为属于本发明的保护范围。

在复杂交通环境下，毫米波雷达跟踪目标时会经常出现下列问题：

(1)由于毫米波雷达自身工作的不稳定及回波能量的不均匀性，其检测得到的目标中会出现大量的虚警和漏检现象，其中虚警是指目标并不对应真实物体，漏检是指在跟踪过程中的某一帧突然跟丢目标，最终导致目标跟踪不稳定；

(2)复杂交通环境下毫米波雷达的回波数量大，大量的回波会使得雷达目标跟踪的运算时间大幅增加，实时性和稳定性下降；

(3)由于车载毫米波雷达每一帧的目标检测都是独立的，且存在大量噪声，因此同一目标的前后帧运动状态信息存在突变现象，甚至可能不连贯，目标状态信息精确性较低。

为了实现复杂交通环境下毫米雷达目标跟踪的稳定性、实时性和精确性，本发明采取的策略如下：

针对问题(1)和问题(2)，本发明提出了一种对于传统JPDA算法的改进方法，该方法分为两步，本发明首先根据车载毫米波雷达运行的实际工况改进了传统JPDA算法的点迹选取方式，该方式限制了关联域内量测的数量，使得稳定性得以保证；然后本发明将生命周期理论融入了雷达目标跟踪的过程，在跟踪的起始时为每一个航迹设置了生命状态，最后利用航迹的生命状态对关联事件的选取进行了简化。该改进方法通过每个数据帧对航迹生命状态的更新与迭代，解决了毫米波雷达原始数据中存在的大量虚警和漏检现象；同时通过简化运算，解决了JPDA算法在密集目标环境下的组合爆炸问题，提高算法在复杂交通环境下的实时性和稳定性。

针对问题(3)，本发明采用常加速度模型结合Kalman滤波(卡尔曼滤波)对雷达目标运动状态进行了估计，使得关联后得到的不连贯的目标状态变的稳定而连续，满足了智能驾驶系统对于毫米波雷达目标检测的精确性要求。

具体的，本发明提供的复杂交通环境下毫米波雷达目标跟踪方法流程如图1所示，整体步骤如下：

步骤1、更新雷达目标库内的航迹状态

采用常加速度运动模型，实时地对雷达目标库进行更新，在k时刻，对雷达目标库中上一时刻(k-1)雷达目标集合T(k-1)中的n_k-1条航迹tr_t(t＝1,2,…,n_k-1)进行状态更新，得到k时刻状态更新航迹

步骤2、通过改进的量测选取方法生成关于航迹和量测的确认矩阵

利用JPDA算法，首先选取固定的第t条航迹关联门阈值C，通过关联门筛选量测(即雷达目标)集合M(k)＝{m_j，j＝1,2,…,m_k}，得到第t条航迹的关联域内的量测集合Z_t(k)；

然后计算门内量测Z_t(k)与航迹

之间的距离

对门内量测Z_t(k)进行二次筛选得到有效的门内量测集合Z_t(k)′；

对n_k-1条航迹都进行量测筛选，最终得到有效的量测集合

最终生成关于航迹和量测的确认矩阵Ω，Ω＝[ω_jt]。

步骤3、更新航迹的生命状态

首先通过确认矩阵Ω＝[ω_jt]判断航迹与量测是否关联；

然后对于关联成功的航迹，定义其生命状态为L_t＝L_t0+1；对于关联失败的航迹，其生命状态为L_t＝L_t0-2；对于关联失败的量测，可以认为是新的航迹，设其生命状态为L_t＝3，L_t0代表上一时刻的航迹生命状态。

判断航迹的生命状态L_t是否小于等于0，如果是则认为航迹终止；如果否则继续进行跟踪，跳转至步骤4。

步骤4、生成关联矩阵并计算关联概率

假设对于k时刻生命状态更新后留下来的有效航迹共有n_k条(包括有效航迹、未确定是否有效的航迹、新产生的航迹)，对比全部航迹tr_t(k)(t＝1,2,…,n_k)生命状态大小，通过本发明改进后的关联矩阵生成方法，生成关联矩阵

并计算关联概率β_jt(k)。

步骤5、基于Kalman滤波的雷达目标运动状态估计

采用匀加速度运动模型和线性观测模型，对生命状态L_t大于0的航迹进行Kalman滤波，最终输出k时刻n_k条航迹的集合T(k)＝{tr_t，t＝1,2,…,n_k}。

注：毫米波雷达输出的数据是航迹的位置信息，该信息是极坐标下的，为方便后续处理本发明将雷达目标信息转换至笛卡尔坐标系下，得到航迹和新雷达目标所包含的状态参数信息：

设tr_t为航迹的状态向量，m_j为新雷达目标的状态向量，则：

式(1)和(2)中t为航迹的序号，j为新雷达目标(新量测)的序号；L_t为航迹/雷达目标的生命状态；x_r、y_r为航迹/雷达目标的纵向和横向相对位置；

为航迹/雷达目标纵向和横向相对速度；

为航迹/雷达目标纵向和横向相对加速度，初始设为0。

下面对每个步骤进行详细说明。

一，本发明优选采用匀加速度运动模型，实时地对雷达目标库进行更新。更新的方法是：在k时刻，通过匀加速度模型对k-1时刻的航迹状态进行更新。将k-1时刻的第t条航迹的状态向量tr_t(k-1)带入更新方程：

上式中A为状态转移矩阵，对于匀加速度模型而言A具体形式为：

上式中Δt为毫米波雷达每一帧数据的采集时间。最终得到k时刻第t条航迹的状态向量

二，本发明采用改进的JPDA算法，对状态更新后的航迹集合

和新量测集合(也即新雷达目标集合)Mk＝mj，j＝1,2,…,mk进行关联。

JPDA算法的基本思路是：假设杂波环境下仅有一条航迹存在，如果回波有多个，则认为所有有效回波都可能源于这条航迹，只是每个回波源于这条航迹的概率有所不同。

数据关联模块的输入为状态更新后的n_k-1个航迹

和新检测到的m_k个新量测M(k)＝{m_j，j＝1,2,…,m_k}。

JPDA算法通过

表示在k时刻所有可能的关联事件的集合，即事件空间，s_k表示θ(k)中元素的个数，其中：

θ_i(k)为第i个关联事件，表示m_k个量测(本发明指雷达目标)匹配于各个航迹的一种可能，

表示在第i个关联事件中量测j源于目标t的事件，

表示在第i个联合事件中量测j源于杂波或虚警，θ_0t(k)表示k时刻没有任何量测源于目标t的事件。

为了表示有效回波与各个航迹的关联复杂关系，JPDA引入了确认矩阵的概念，确认矩阵定义为：

Ω＝[ω_jt],j＝1,2,...,m_k；t＝0,1,...,n_k-1 (6)

其中ω_jt是二进制变量，用ω_jt＝1表示量测j落入航迹t的关联门内，而ω_jt＝0表示量测j没有落入航迹t的关联门内，t＝0表示没有航迹。矩阵Ω的第一列元素ω_j0全都是1，这是因为传统的JPDA算法认为任一量测都可能源于杂波或者虚警。

从上述确认矩阵可以看出，JPDA算法中不仅需要考虑量测是真实的障碍物的情况，还要考虑量测有可能是虚警，因此即便某一条航迹的关联域内仅有一个量测，JPDA算法仍然需要考虑该量测“为真”和“为虚警”两种情况，最终使得计算量随着航迹数量的增加呈指数形式上升，导致组合爆炸，尤其是对于城市道路交通这样的密集回波环境下的雷达目标数据关联而言，采用传统的JPDA算法无法保证雷达目标跟踪的实时性和稳定性需求。

传统的JPDA算法会选取一个固定值作为关联门阈值。设

为航迹t的关联门内的量测，l＝1,2,...m(t)为门内量测数量，则传统的JPDA算法对于关联门内量测的选取方式为：

上式中Z_t(k)为第t条航迹的关联域内的量测集合，C为关联门阈值，是一个固定值，

为状态协方差矩阵的逆，m_j为量测的状态向量，

为航迹的状态向量。可以看出，如果选取固定的关联门阈值会使得跟踪算法运算速度大幅波动。特别是对于车载毫米波雷达而言，车辆运行的道路状况是不断变化的，雷达回波时而密集时而稀疏，这会导致JPDA算法的运算量时大时小，进而导致算法的运算稳定性下降。

因此为了解决上述问题，提升算法的稳定性，本发明在选取了一个固定的关联门阈值C的基础上，设计了一种去除关联域内对航迹影响较小的量测的方法。定义门内量测与航迹之间的距离为：

然后判断门内量测的数量m(t)的大小，如果m(t)≤3则选取所有门内量测作为有效量测；如果m(t)>3，将距离

从小到大排列，从大到小依次去掉

较大的量测，直到剩余量测数量小于等于2，或剩余量测计算的相应距离之和与

之比小于阈值α，即：

l_t(k)为从大到小依次去掉

较大的量测后，剩余量测数量；上式中，本发明选取的阈值α值为1/3，其原因是阈值α＝1/3时能够保证关联域内的量测不会被全部去掉，即至少会有一个量测被保留。此外，之所以在m(t)>3时需要考虑剩余量测数量l_t≤2这条件，是因为量测在关联域内分布较为平均的情况下，仅考虑数值之和与

之比小于阈值α这一个条件，会去掉绝大部分的量测，去掉的量测中有可能包含关键点导致跟踪精度下降。

通过上述步骤，最终输出有效量测集合

由此可见，经过二次筛选，大大缩减了计算量，提高了运算的稳定性，并且并没有丢失“真”的量测。

三，通过确认矩阵Ω＝[ω_jt]判断航迹与量测是否关联，进而更新航迹的生命状态。

在确认矩阵Ω＝[ω_jt],j＝1,2,...,m_k,t＝0,1,...,n_k-1中，如果

即航迹t的关联域内有量测，则航迹t与该量测关联成功，反之则关联失败；如果

即量测j落入了某一条航迹的关联门内，则量测j与该航迹关联成功，反之则关联失败。

对于关联成功的航迹，定义其生命状态为L_t＝L_t0+1；对于关联失败的航迹，其生命状态为L_t＝L_t0-2；对于关联失败的量测，可以认为是新的航迹，设其生命状态为L_t＝3，L_t0代表上一时刻的航迹生命状态。

更新了新的生命状态的航迹，判断航迹的生命状态L_t是否小于等于0，如果是，则认为航迹终止，不再跟踪；如果否，则继续进行跟踪，生成关联矩阵并计算航迹与量测的关联概率。

四，生成关联矩阵并计算关联概率

在JPDA算法中认为满足下面两个假设的事件称为关联事件：

1)每一量测都有唯一的源，即任一量测如果不源于某个目标，则必然源于杂波或虚警；

2)对于一个给定的目标，最多有一个量测以其为源，如果一个目标有可能与多个量测相匹配，则将取一个为真，其它为假。

因此每一个不同的关联事件之间是彼此不相关的。设

为直到k时刻为止的积累的量测集合，则有：

M^k＝M^k-1+M(k) (10)

则k时刻的关联事件

发生的概率可通过下式计算得到：

设有n_k条航迹需要关联，由于关联矩阵和关联事件是一一对应的，因此有：

上式包括了j＝0、t＝0的情况，j＝0意味着没有量测与目标t关联，t＝0意味着没有目标。

则，结合确认矩阵和关联事件的概念，对于第i个关联事件θ_i(k)，可以用关联矩阵表示航迹与量测的关系：

是一个m_k行n_k+1列的矩阵。

其中：

表示在第i个关联事件中，如果量测j源于航迹t，

为1；否则，

为0。

因此对于一个多航迹跟踪问题，一旦给定反映有效回波与航迹或杂波互联态势的确认矩阵Ω，则可以通过拆分确认矩阵来得到所有的关联矩阵

JPDA算法对确认矩阵的拆分要遵循以下两个原则：

1)在确认矩阵的每一行，选出且仅选出一个1，作为关联矩阵在该行唯一非零的元素。即满足可能事件的第一个假设：每个量测有唯一的源。

2)在关联矩阵中，除第一例外，每列最多只能有一个非零元素。即满足可能事件的第二个假设：每个目标最多有一个量测以它为源。

上述原则用公式语言可描述为：

在得到关联矩阵

后，则可以利用Bayes(贝叶斯)法则，通过关联矩阵计算得到对应的关联事件θ_i(k)发生的条件概率：

其中：

假定不与任何航迹关联的量测在体积为V的关联域中服从均匀分布，而与某个目标关联的量测服从高斯分布，则有：

上式中

表示高斯分布，V为关联域的体积。

本发明通过计算第t个航迹的状态向量

和与之对应的第j个量测的m_j之间的马氏距离，来计算符合高斯分布的事件

发生的可能性，则：

上式中σ的选择与关联域阈值C有关，通常选择σ＝C/3；

为

与m_j之间的马氏距离。进而可以得到：

上式中c″是归一化常数，τ_j(θ_i(k))是量测互联指示，表示量测j在关联事件θ_i(k)中是否和一个真实航迹关联；δ_t(θ_i(k))目标检测指示，表示在关联事件θ_i(k)中是否存在量测与航迹t互联，

是航迹t的检测概率。

最终得到第j个量测与目标t关联的概率为：

从上述确认矩阵Ω拆分得到关联矩阵

的过程中可以看出，不仅需要考虑量测的数量对量测的选取方法做出改进，还要考虑关联事件θ_i(k)的个数，即不对所有的关联事件θ_i(k)都进行计算，只计算那些高可能性事件。

本发明利用生命周期理论简化关联事件的生成。

生命周期是一个被广泛应用的概念，早期主要应用于心理学中的个体生命周期和家庭生命周期，是指个体或家庭的诞生、成长、衰老和死亡的过程，之后这一概念逐渐应用于其他领域。在航迹跟踪领域，生命周期可以用于航迹“新旧”状态的表征，定义L_t为每条航迹的生命状态，生命状态L_t越大表示该航迹的生命状态越活跃，即该航迹被长时间跟踪；反之该航迹可能由虚警产生或即将结束；当定义L_t≤0时认为航迹结束，停止跟踪。生命状态L_t定义如下：

0≤L_t≤L_max,L_t、L_max为整数 (23)

上式中L_max为生命状态的最大值，可人为定义，本发明中取L_max＝5。本发明通过生命状态的大小对航迹的状态进行了定义：

上式中L_e为判断该航迹是否为有效航迹的阈值，也可人为定义，本发明此处选择L_e＝4。定义L_t的迭代方式如下：

上式中L_init为新航迹的起始生命状态，本发明此处选择L_init＝3；L_t0为已有航迹的上一时刻生命状态，a为航迹的关联域内有量测时生命状态的增加量，本发明选为1；b为航迹的关联域内没有量测时生命状态的减少量，本发明选为2。

从式(23)-(25)中可以看出，如果k时刻检测到的某个新航迹实际上是虚警，那么由于虚警的本质是短暂出现的错误回波，所以该航迹会在3帧左右内快速的消失，也就是说该航迹成为有效航迹的概率极小，因此以上通过迭代生命状态来得到有效航迹的方法可以较好的滤去虚警的干扰；同时，如果一条有效航迹在某帧或某几帧出现漏检现象，只要其生命状态大于0，则仍然可以用状态预测的方式继续跟踪该航迹，因此以上方法很好的解决了跟踪过程中的漏检问题。

因为生命状态L_t越大表示该航迹为有效航迹的可能性越大，即该航迹是虚警的可能越小。因此如果k-1时刻某条航迹tr_t(k-1)具有较大的L_t(k-1)值，则在k时刻有量测与该航迹关联的可能性更大。同理，如果k时刻某量测m_j(k)同时出现在多个有效航迹的关联域内(且未被前文所述的量测选取方法所去掉)，则说明该量测更有可能是一个真实的量测而非虚警。

根据上述分析，本发明通过对比k时刻全部航迹生命状态大小，对传统JPDA算法生成关联矩阵

的方法进行了改进，具体原则如下：

1)对于有效航迹tr_t(k)，如果存在量测m_j(k)与之一一对应，则不考虑关联事件

2)如果一个量测与多个航迹关联，则为生命状态L_t(k)更大的航迹优先分配量测，同时尽量不考虑该量测没有航迹与之关联的可能性。即对于某一个量测m_j(k)，如果航迹tr_ta(k)生命状态

大于航迹tr_ta(k)生命状态

则关联事件

的优先程度大于关联事件

而关联事件

的优先程度则最低。

通过上述规则，传统JPDA算法中的大量低概率的关联事件集合θ_i(k)都被剔除了，航迹和量测之间的数据关联更加符合车载毫米波雷达的实际检测工况，计算量大大减少。

五，在得到了关联概率β_jt(k)之后，为了满足毫米波雷达目标检测的精确性要求，减少数据关联后前后帧目标的状态不连续问题，以及电磁波和震动带来的噪声，本发明采用Kalman滤波对生命状态大于等于0的航迹进行状态估计，形成k时刻新航迹的集合T(k)。

首先建立离散系统的状态空间模型如下：

系统方程：

X_k＝F_kX_k-1+W_k (26)

测量方程：

Z_k＝H_kX_k+V_k (27)

其中F_k为状态转移矩阵，H_k为测量矩阵，X_k为k时刻的系统状态，Z_k为k时刻的测量值，W_k和V_k分别表示过程噪声和测量噪声，他们的协方差分别为Q_k、R_k。

然后构建目标状态向量x_k＝[x,y,v_x,v_y,a_x,a_y]^T，构建测量向量z_k＝[x,y,v_x,v_y]^T。其中x、y分别为纵向和侧向相对位置；v_x、v_y分别为纵向和侧向相对速度；a_x、a_y分别为纵向和侧向相对加速度。则状态转移矩阵和测量矩阵分别为：

其中Δt为数据采集周期。

Kalman滤波的迭代过程分为预测和更新两个部分。其中预测过程分为状态预测和均方差预测两步：

对于JPDA算法而言，在跟新目标的状态过程中，需要计算全部量测{m_j(k),j＝1,2,...,mk对于航迹trt(k)的组合更新vt(k)：

则目标状态的更新方程为：

其中：

协方差矩阵的更新方程为

其中：

其中：

P^C(k|k)＝[I-K(k)H(k)]P(k|k-1) (37)

在上述Kalman滤波迭代过程的基础上，本文还同时考虑了毫米波雷达可能会出现的漏检情况：如果某条航迹在本周期内没有量测关联，但生命周期不为0，此时无法计算航迹tr_t(k)的组合更新v_t(k)，则通过状态方程X_k＝F_kX_k-1对轨迹进行更新，该过程相当于对航迹状态的一步预测。

实施例：

下面是本发明采用76-77GHzDelphiESR毫米波雷达和好好开车那狗N2摄像头作为传感器，毫米波雷达和摄像头的探测频率分别为20Hz和25Hz，通过毫米波雷达信息和视觉信息融合识别的方法识别前方车辆，采集自南京市南京中国近代史遗址博物馆至禄口机场的内环东线及机场高速，全程41公里的目标跟踪实施例。

从采集得到的数据中抽取了自晨光立交桥至雨花台区政府路程中，交通情况最为拥堵的4分钟路程进行实验验证，图2(a)～2(c)所示是雷达目标跟踪第100帧时实际效果图，其中图2(a)为有效航迹在车辆坐标系下的俯视位置图，图2(b)为全部航迹(有效航迹和未确认航迹)在车辆坐标系下的俯视位置图，图2(c)为雷达目标原始数据在车辆坐标系下的俯视位置图。可以看出，随着不断地迭代、更新每条航迹的生命状态，本发明设计的毫米波雷达跟踪算法成功的滤去了大量无用的虚警，得到了连续的、稳定的有效航迹。本发明算法的实验统计数据如表1所示，可以看出本发明的雷达跟踪算法能够滤去大量虚警的干扰，稳定的对毫米波雷达检测得到的目标进行跟踪。

表1毫米波雷达跟踪算法统计数据

Tab.1 Statistics of millimeter wave radar tracking algorithm

为了验证本发明毫米波雷达跟踪算法的稳定性和实时性，本发明在保持设置的参数大小不变的前提下，分别记录了使用传统JPDA的雷达目标跟踪算法，与本发明雷达目标跟踪算法的运算时间，如图3所示。

可以看出传统JPDA算法在密集回波环境下极易出现组合爆炸的情况，运算实时性较低，稳定性极差，平均运算时间为30.55ms；本发明的毫米波雷达跟踪算法相较于前者，平均运算时间为15.44ms，运算实时性有所提升；同时通过计算方差，可以得到本发明算法的稳定性提升了78.46％。基本能够满足如AEBS、FCW等对于环境感知系统实时性和稳定性要求较为苛刻的智能驾驶辅助系统的需求。

为了验证本发明毫米波雷达跟踪算法对于雷达信息的滤波效果，图4显示了目标状态估计结果。取图4(a)、4(b)、4(c)中的39号有效航迹进行了数据记录，截取全部数据中的150帧，滤波结果如下：

从图4(a)～4(c)可以看出，39号有效航迹在第194帧是发生了一次漏检，本发明通过设置航迹生命状态的方式有效的避免了漏检带来的雷达目标跟踪不连贯问题，同时通过Kalman滤波算法有效的滤除雷达数据中噪声，以及前后数据帧雷达目标关联导致的目标瞬时位置变化问题，最终为智能驾驶系统的多传感器融合模块或决策模块提供连续的、稳定的、实时的目标运动状态信息。

Claims (6)

1.一种复杂交通环境下的毫米波雷达目标跟踪方法，其特征在于，包括如下步骤：

步骤1)实时对雷达目标库中的航迹状态进行更新；

步骤2)将状态更新的航迹与雷达跟踪的新量测生成确认矩阵；

步骤3)通过确认矩阵判断航迹与量测是否关联，对于关联成功的航迹更新其生命状态，对于生命状态L_t≤0的航迹不再跟踪，对于生命状态L_t＞0的航迹继续跟踪；

步骤4)将继续跟踪的航迹与量测生成关联矩阵，计算关联概率；

其中：

在步骤2)中，将航迹与新量测生成确认矩阵的方法如下：

①利用JPDA算法选取一个关联门阈值C，设

为航迹t的关联门内的量测，l＝1,2,...m(t)为门内量测数量，则量测应满足：

Z_t(k)为航迹t的关联门内的量测集合，C为关联门阈值，是一个固定值，

为状态协方差矩阵的逆，m_j为量测的状态向量，

为航迹的状态向量；

②定义门内量测与航迹之间的距离如下：

③判断门内量测的数量m(t)的多少，如果m(t)≤3则选取所有门内量测作为有效量测；如果m(l)>3，则将距离

按大小顺序排列，从大到小依次去掉

较大的量测，直到剩余量测数量小于等于2，或剩余量测计算的相应距离之和与

之比小于阈值α，即：

l_t(k)为从大到小依次去掉

较大的量测后，剩余量测数量；阈值α为1/3；

④利用①～③步的方法对所有航迹关联门内量测进行筛选，最终输出有效量测的集合

其中t＝0,1,2,…,n_k-1表示航迹数量；

⑤然后利用有效的量测生成确认矩阵Ω：

Ω＝[ω_jt],j＝1,2,...,m_k；t＝0,1,...,n_k-1 (6)

其中ω_jt是二进制变量，用ω_jt＝1表示量测j落入航迹t的关联门内，ω_jt＝0表示量测j没有落入航迹t的关联门内，t＝0表示没有航迹，j＝1,2,...,m_k表示量测的数量；

在步骤4)中，采用生命周期理论简化关联事件的生成，方法是：

①定义航迹生命状态L_t如下：

0≤L_t≤L_max,L_t为整数 (23)

L_max为生命状态的最大值，自定义；

②用生命状态定义航迹的状态如下：

L_e为判断该航迹是否为有效航迹的阈值，自定义；tr_t(k)为k时刻航迹状态向量；

③定义L_t的迭代方式如下：

L_init为新航迹的起始生命状态，L_t0为已有航迹的上一时刻生命状态，a为航迹的关联域内有量测时生命状态的增加量，b为航迹的关联域内没有量测时生命状态的减少量；

④k时刻，对于有效航迹tr_t(k)，如果存在量测m_j(k)与之一一对应，则不考虑关联事件

如果一个量测与多个航迹关联，则为生命状态L_t(k)更大的航迹优先分配量测。

2.根据权利要求1所述的复杂交通环境下的毫米波雷达目标跟踪方法，其特征在于，步骤1)中，采用常加速度运动模型，对雷达目标库中的航迹进行状态更新。

3.根据权利要求1所述的复杂交通环境下的毫米波雷达目标跟踪方法，其特征在于，步骤3)中，判断航迹与量测是否关联成功的方法是：

在确认矩阵Ω＝[ω_jt]中，如果

则航迹t与量测关联成功，反之则关联失败；如果

则量测j与航迹关联成功，反之则关联失败；

对于关联成功的航迹，更新其生命状态为L_t＝L_t0+1；对于关联失败的航迹，更新生命状态为L_t＝L_t0-2；对于关联失败的量测，认为是新的航迹，定义其生命状态为L_t＝3，L_t0代表上一时刻的已有航迹生命状态。

4.根据权利要求1或3所述的复杂交通环境下的毫米波雷达目标跟踪方法，其特征在于，定义L_max＝5，L_e＝4，L_init＝3。

5.根据权利要求1所述的复杂交通环境下的毫米波雷达目标跟踪方法，其特征在于，步骤4)中，将航迹与量测生成关联矩阵，并计算关联概率的方法是：

定义航迹与量测的关联矩阵表示为：

其中，

是一个m_k行n_k列的矩阵，j＝1,2,...,m_k表示量测的数量，t＝0,1,2,...,n_k-1表示航迹的数量，

表示在第i个关联事件中，如果量测j源于航迹t，

为1；否则，

为0；

在得到关联矩阵

后，利用Bayes法则，通过关联矩阵计算得到对应的关联事件θ_i(k)发生的条件概率：

其中：

M(k)＝{m_j，j＝1,2,…,m_k}表示量测集合，

M^k为直到k时刻为止的积累的量测集合，M^k＝M^k-1+M(k)；

假定不与任何航迹关联的量测在体积为V的关联域中服从均匀分布，而与某个目标关联的量测服从高斯分布，则有：

式中

表示高斯分布；

通过计算航迹的状态向量

和与之对应的量测的状态向量m_j之间的马氏距离，计算符合高斯分布的事件

发生的可能性，则：

式中σ＝C/3；

为

与m_j之间的马氏距离，进而得到：

上式中c″是归一化常数，τ_j(θ_i(k))是量测互联指示，表示量测j在关联事件θ_i(k)中是否和一个真实航迹关联；δ_t(θ_i(k))目标检测指示，表示在关联事件θ_i(k)中是否存在量测与航迹t互联，

是航迹t的检测概率；

最终得到第j个量测与航迹t关联的概率为：

6.根据权利要求1所述的复杂交通环境下的毫米波雷达目标跟踪方法，其特征在于，还包括继步骤4)之后，将关联矩阵的雷达目标运动状态，采用匀加速度运动模型和线性观测模型进行Kalman滤波估计的步骤，最终输出k时刻航迹集合T(k)。

Images