CN110780289B - 基于场景雷达的多目标车辆跟踪方法及装置 - Google Patents
基于场景雷达的多目标车辆跟踪方法及装置 Download PDFInfo
- Publication number
- CN110780289B CN110780289B CN201911011405.4A CN201911011405A CN110780289B CN 110780289 B CN110780289 B CN 110780289B CN 201911011405 A CN201911011405 A CN 201911011405A CN 110780289 B CN110780289 B CN 110780289B
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- observation
- point
- matrix
- points
- 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.)
- Active
Links
Images
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
Abstract
本发明公开了一种基于场景雷达的多目标车辆跟踪方法及装置,该方法包括:通过雷达监测多个目标车辆得到观测数据,从观测数据中筛选出与各个目标车辆的预测点关联的观测点;根据观测点与目标车辆的预测点之间的关联关系构建预聚合矩阵;并依据观测点到目标车辆的预测点的统计距离权重,对该预聚合矩阵的各行排序,提取预设行数的元素,得到聚合矩阵;根据该聚合矩阵构建多个聚合关系矩阵,使每个聚合关系矩阵中每个观测点有且仅有一个源头;计算当前时刻各个聚合关系矩阵的概率,并依据最大概率的聚合关系矩阵中的观测点,预测目标车辆下一时刻预测点的位置;循环执行以上步骤,完成各个目标车辆的轨迹跟踪。本发明能提高多目标车辆跟踪的实时性。
Description
技术领域
本发明涉及智能交通领域,尤其涉及一种基于场景雷达的多目标车辆跟踪方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
车辆跟踪,不仅有利于减少交通事故的发生,而且有助于推进智能交通的发展进程。目前,尽管有很多基于图像的多目标跟踪算法,但是在实际的交通环境中这些方法易受天气、环境以及光照等因素的影响,无法保证良好的适应性。
由于雷达信号能够很好地适应复杂场景,越来越多的研究人员开始采用毫米波雷达来解决多目标车辆的跟踪问题。然而,在交通场景中,由于车辆轨迹数据具有不确定性,雷达的观测数据也具有不确定性,因而,如何将不确定性观测数据与轨迹数据进行准确关联,是雷达多目标车辆跟踪中非常关键的一个问题。
现有技术在将观测信息与轨迹信息进行关联时,考虑观测数据中所有观测点与各个目标车辆的预测点的关联性,导致数据关联的计算量很大,大大影响了雷达多目标车辆跟踪的实时性。
发明内容
本发明实施例提供一种基于场景雷达的多目标车辆跟踪方法,用以解决现有雷达实现多目标车辆跟踪的方案,由于车辆观测数据和轨迹数据的不确定性,导致数据关联计算量大,影响车辆跟踪实时性的技术问题,该方法包括:接收当前时刻来自雷达的回波信号,并根据回波信号确定当前时刻多个目标车辆的观测数据,其中,观测数据中包含多个观测点的位置数据,观测点的数量大于或等于目标车辆的数量;从观测数据中筛选出与各个目标车辆的预测点关联的观测点,其中,每个目标车辆当前时刻的预测点根据上一时刻的观测数据确定;根据筛选出的各个观测点与每个目标车辆的预测点之间的关联关系,以及每个观测点到各个目标车辆的预测点的统计距离权重,构建第一预聚合矩阵,其中,第一预聚合矩阵的每一行代表观测数据中的一个观测点,第一预聚合矩阵的每一列代表一个目标车辆的预测点;按照统计距离权重从小到大的顺序对第一预聚合矩阵的各行排序,得到排序后的第二预聚合矩阵;提取第二预聚合矩阵中排序在前预设行数的元素,得到聚合矩阵,其中,聚合矩阵的行数大于或等于目标车辆的预测点数量,且小于或等于观测点的数量;根据聚合矩阵,构建多个聚合关系矩阵,其中,每个聚合关系矩阵中每个观测点仅关联一个目标车辆的预测点或背景杂波;计算当前时刻各个聚合关系矩阵的概率,并以最大概率的聚合关系矩阵为依据,筛选出最大概率的聚合关系矩阵中所有与目标车辆的预测点关联的观测点,对筛选出的观测点进行卡尔曼滤波,预测出目标车辆下一时刻预测点的位置;循环执行以上步骤,完成各个目标车辆的轨迹跟踪。
本发明实施例还提供一种基于场景雷达的多目标车辆跟踪装置,用以解决现有雷达实现多目标车辆跟踪的方案,由于车辆观测数据和轨迹数据的不确定性,导致数据关联计算量大,影响车辆跟踪实时性的技术问题,该装置包括:雷达数据采集模块,用于接收当前时刻来自雷达的回波信号,并根据回波信号确定当前时刻多个目标车辆的观测数据,其中,观测数据中包含多个观测点的位置数据,观测点的数量大于或等于目标车辆的数量;雷达数据预处理模块,用于从观测数据中筛选出与各个目标车辆的预测点关联的观测点,其中,每个目标车辆当前时刻的预测点根据上一时刻的观测数据确定;第一数据处理模块,用于根据筛选出的各个观测点与每个目标车辆的预测点之间的关联关系,以及每个观测点到各个目标车辆的预测点的统计距离权重,构建第一预聚合矩阵,其中,第一预聚合矩阵的每一行代表观测数据中的一个观测点,第一预聚合矩阵的每一列代表一个目标车辆的预测点;第二数据处理模块,用于按照统计距离权重从小到大的顺序对第一预聚合矩阵的各行排序,得到排序后的第二预聚合矩阵;第三数据处理模块,用于提取第二预聚合矩阵中排序在前预设行数的元素,得到聚合矩阵,其中,聚合矩阵的行数大于或等于目标车辆的预测点数量,且小于或等于观测点的数量;第四数据处理模块,用于根据聚合矩阵,构建多个聚合关系矩阵,其中,每个聚合关系矩阵中每个观测点仅关联一个目标车辆的预测点或背景杂波;车辆位置预测模块,用于计算当前时刻各个聚合关系矩阵的概率,并以最大概率的聚合关系矩阵为依据,筛选出最大概率的聚合关系矩阵中所有与目标车辆的预测点关联的观测点,对筛选出的观测点进行卡尔曼滤波,预测出目标车辆下一时刻预测点的位置;循环控制模块,用于控制循环执行雷达数据采集模块、雷达数据预处理模块、第一数据处理模块、第二数据处理模块、第三数据处理模块、第四数据处理模块和车辆位置预测模块的功能,完成各个目标车辆的轨迹跟踪。
本发明实施例还提供一种计算机设备,用以解决现有雷达实现多目标车辆跟踪的方案,由于车辆观测数据和轨迹数据的不确定性,导致数据关联计算量大,影响车辆跟踪实时性的技术问题,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述基于场景雷达的多目标车辆跟踪方法。
本发明实施例还提供一种计算机可读存储介质,用以解决现有雷达实现多目标车辆跟踪的方案,由于车辆观测数据和轨迹数据的不确定性,导致数据关联计算量大,影响车辆跟踪实时性的技术问题,该计算机可读存储介质存储有执行上述基于场景雷达的多目标车辆跟踪方法的计算机程序。
本发明实施例中,通过雷达监测多个目标车辆,当接收到来自雷达的回波信号后,对回波信号进行预处理得到当前时刻多个目标车辆的观测数据;然后,筛选出观测数据中与各个目标车辆的预测点关联的观测点,并根据筛选出的所有观测点与各个目标车辆的预测点关联关系,构建第一预聚合矩阵;计算每个观测点到各个目标车辆的预测点的统计距离权重,并按照统计距离权重从小到大的顺序对第一预聚合矩阵的各行排序,得到排序后的第二预聚合矩阵,提取第二预聚合矩阵中排序在前预设行数的元素,得到聚合矩阵,进而根据该聚合矩阵,构建多个聚合关系矩阵,使得每个聚合关系矩阵中的每个观测点仅关联一个目标车辆的预测点或背景杂波;最后计算当前时刻各个聚合关系矩阵的概率,并以最大概率的聚合关系矩阵为依据,筛选出最大概率的聚合关系矩阵中所有与目标车辆的预测点关联的观测点,对筛选出的观测点进行卡尔曼滤波,预测出目标车辆下一时刻预测点的位置,循环执行直到完成各个目标车辆的轨迹跟踪。
本发明实施例通过构建聚合矩阵将车辆不确定性的观测数据与轨迹数据进行准确关联,解决了雷达多目标车辆跟踪中数据关联的问题,并且根据观测点与预测点之间统计距离权重对聚合矩阵中的观测点进行筛选,大大减少了数据关联的计算量,能够在确保高精度的同时保证良好的实时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中提供的一种基于场景雷达的多目标车辆跟踪方案示意图;
图2为本发明实施例中提供的一种基于场景雷达的多目标车辆跟踪方法流程图;
图3为本发明实施例中提供的某一道路场景的示意图;
图4为本发明实施例中提供的对图3中道路场景进行恒虚警率检测的结果示意图;
图5为本发明实施例中提供的多目标车辆跟踪方法的跟踪结果示意图;
图6为本发明实施例中提供的多目标车辆跟踪方法RMSE误差分析示意图;
图7为本发明实施例中提供的多目标车辆跟踪方法耗时结果示意图;
图8为本发明实施例中提供的多目标车辆跟踪方法在跟踪过程中产生的聚合相关事件的数量情况示意图;
图9为本发明实施例中提供的采用不同观测点数量情况下车辆数据关联算法运行时间对比示意图;
图10为本发明实施例中提供的一种上位机界面示意图;
图11为本发明实施例中提供的一种基于场景雷达的多目标车辆跟踪装置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
本发明实施例中提供了一种基于场景雷达的多目标车辆跟踪方案,适用于密集的多目标以及背景复杂的环境中,能够在确保较高的数据关联精度情况下保持很好的运行效率。图1为本发明实施例中提供的一种基于场景雷达的多目标车辆跟踪方案示意图,如图1所示,利用雷达获取观测数据,通过对车辆观测数据与轨迹数据进行准确关联,完成对多个目标车辆的跟踪过程。
基于图1所示的发明构思,本发明实施例提供了一种基于场景雷达的多目标车辆跟踪方法,图2为本发明实施例中提供的一种基于场景雷达的多目标车辆跟踪方法流程图,如图2所示,该方法包括如下步骤:
S201,接收当前时刻来自雷达的回波信号,并根据回波信号确定当前时刻多个目标车辆的观测数据,其中,观测数据中包含多个观测点的位置数据,观测点的数量大于或等于目标车辆的数量。
具体地,由于雷达接收到的原始数据为时域信号,因而,作为一种可选的实施方式,上述S201可以通过如下步骤来实现:
A.接收当前时刻来自雷达的回波信号;
B.将回波信号从时域变换到频域,得到回波信号的频谱信息;可选地,可以采用FFT算法将回波信号从时域变换到频域;
C.通过如下公式,根据回波信号的频谱信息,确定目标车辆与雷达之间的距离:
其中,R表示雷达到目标车辆的距离;c表示光速;T表示发射信号周期;Δf表示发射信号和接收信号的差频;B表示信号带宽;
D.通过如下公式,根据回波信号的频谱信息,确定目标车辆与雷达之间的夹角:
E.通过如下公式,根据目标车辆与雷达之间的距离和夹角,确定目标车辆在平面直角坐标系的二维坐标位置(x,y):
x=R·sinθ (3)
其中,h表示雷达距离道路平面的高度;平面直角坐标系为在道路平面建立的直角坐标系,平面直角坐标系的原点为雷达在道路平面上的投影位置。通过处于极坐标系的坐标(R,θ)变换到直角坐标系的坐标(x,y),能够直观显示车辆轨迹。
在对雷达采集的原始数据进行二维快速傅里叶变换之后,可以获得距离-速度的二维图。其中,距离和速度为径向距离和径向速度,假设速度相对雷达靠近为负,远离为正。图3为本发明实施例中提供的某一道路场景的示意图,通过恒虚警率(Constant False-Alarm Rate,CFAR)检测得到所监测的目标,检测结果如图4所示。通过对雷达信号进行预处理,将处理后的车辆数据保存为观测数据,需要注意的是,车辆数据包括但不限于:车辆的位置坐标、速度和距离等。这些数据在数据关联的过程中极其重要。
S202,筛选出观测数据中与各个目标车辆的预测点关联的观测点,其中,每个目标车辆当前时刻的预测点根据上一时刻的观测数据确定。
需要说明的是,由于雷达在检测目标车辆时,除了会接收目标车辆的回波信号外,还会接收到噪声、杂波或干扰信号。因而,为了降低计算量,提高车辆跟踪准确率,在利用观测数据对车辆跟踪之前,需要判断观测数据中观测点是否有效。
作为一种可选的实施方式,上述S202可以具体通过如下步骤来实现:以各个目标车辆的预测点为中心,创建各个目标车辆的预测点对应的关联波门;基于各个关联波门的预设阈值,根据当前时刻观测数据中各个观测点到每个目标车辆的预测点的距离,确定当前时刻落入各个关联波门内的观测点。
需要注意的是,在选择关联波门阈值的时候,需要使得关联波门内包含目标车辆真实的观测点。以各个目标车辆关联波门为标准,滤除波门外的观测点。未落入关联波门内的观测点被判定为背景杂波或是虚警,这些点与航迹不相关。假设利用卡尔曼滤波方法对目标车辆的位置进行预测,此时观测点与目标车辆的预测点的归一化统计距离可以定义如下:
其中,表示第j个观测点到第i个目标车辆的预测点的统计距离;eji(t)表示残差,即观测误差矩阵,是t时刻的观测值Zj(t)与预测值的差;Sji(t)表示eji(t)的协方差矩阵;表示Sji(t)的逆矩阵。
判断观测数据中各个观测点是否落入关联波门内,需要判断观测点与目标车辆的预测点的统计距离是否满足如下阈值条件:
其中,γ可以是根据实际情况确定的一个值。
计算统计距离的公式展开如下式:
S203,根据筛选出的各个观测点与每个目标车辆的预测点之间的关联关系,构建第一预聚合矩阵,其中,第一预聚合矩阵的每一行代表观测数据中的一个观测点,第一预聚合矩阵的每一列代表一个目标车辆的预测点。
假设观测点的数量为mk,则利用j表示观测点,其取值范围是j=1,2,...,mk;目标车辆的预测点的数量为I,则利用i表示目标车辆的预测点,其取值范围是i=0,1,...,I,其中,i=0表示第0个目标车辆,即背景杂波。为了实现对观测点的筛选,本发明实施例引入统计距离权重,进而根据筛选出的各个观测点与每个目标车辆的预测点之间的关联关系,构建第一预聚合矩阵。
S204,计算每个观测点到各个目标车辆的预测点的统计距离权重,并按照统计距离权重从小到大的顺序对第一预聚合矩阵的各行排序,得到排序后的第二预聚合矩阵。
作为一种可选的实施方式,通过如下公式计算每个观测点到各个目标车辆的预测点的统计距离权重:
其中,表示第j个观测点到第i个目标车辆的预测点的统计距离权重;mk表示观测点的数量;I表示预测点的数量;表示第j个观测点到第i个目标车辆的预测点的统计距离。本发明实施例中取第j个观测点到第i个目标车辆的预测点之间最小的统计距离作为计算标准。
进一步地,通过如下公式构建第一预聚合矩阵Δ:
将第一预聚合矩阵Δ左侧矩阵的各行按照第一预聚合矩阵Δ右侧矩阵统计距离权重从小到大的顺序排序,得到第二预聚合矩阵Δ':
S205,提取第二预聚合矩阵中排序在前预设行数的元素,得到聚合矩阵,其中,聚合矩阵的行数大于或等于目标车辆的预测点数量,且小于或等于观测点的数量。
假设k表示筛选的观测点的数量,其取值范围应满足I≤k≤mk,即筛选出的观测点数量大于或等于目标车辆的预测点数量;提取第二预聚合矩阵Δ'左侧矩阵的前k行,并在第一列加入一列1,表示观测来源于背景杂波,得到聚合矩阵Ω:
其中,ωji表示第j个观测点与第i个目标车辆的预测点的关联关系;若第j个观测点来源于第i个目标车辆的预测点,则ωji=1;若第j个观测点不是来源于第i个目标车辆的预测点,则ωji=0;Ω的第一列所有元素被设置为1,表示观测点来源于背景杂波,通过加入第一列元素,表示每个观测点必须有一个源头,来源于预测点或者背景杂波,能够为后续拆解为聚合关系矩阵做铺垫。
S206,根据聚合矩阵,构建多个聚合关系矩阵,其中,每个聚合关系矩阵中每个观测点仅关联一个目标车辆的预测点或背景杂波。
公式(12)表示第m个聚合相关事件(m=1,2,...,mk)中,mk个观测点匹配于各个目标车辆的预测点的一种可能,表示在第m个聚合相关事件m=1,2,...,mk中观测点j源于目标车辆的预测点i的事件,表示第m个聚合相关事件m=1,2,...,mk中观测点j源于背景杂波或虚警的事件。
利用公式(13)表示t时刻第j个观测点与第i个目标车辆的预测点聚合相关的事件:
聚合相关事件θm(t),可以用聚合关系矩阵表示:
得到的聚合关系矩阵为:
其中,要确保每一行元素中有且只有一个元素的值为1,并且保证除了第一列以外的每一列元素中最多有一个元素的值为1;的每一行元素中有且只有一个元素的值为1表示每个观测点只有一个源头,来源于某一目标车辆的预测点或者背景杂波,其中,i=0表示第0个目标车辆,即背景杂波;除了第一列以外的每一列元素中最多有一个元素的值为1,表示对于一个目标车辆的预测点最多有一个观测点以其为源头;的第一列可以有多个元素值为1代表可以有多个观测点是来自于背景杂波;为二值元素,当第j个观测点来源于第i个目标车辆的预测点时取值为1,否则取值为0。
S207,计算当前时刻各个聚合关系矩阵的概率,并以最大概率的聚合关系矩阵为依据,筛选出最大概率的聚合关系矩阵中所有与目标车辆的预测点关联的观测点,对筛选出的观测点进行卡尔曼滤波,预测出目标车辆下一时刻预测点的位置。
由于每个聚合关系矩阵代表一个聚合相关事件,即当前时刻聚合关系矩阵中所有观测点与目标车辆的预测点或背景杂波的关系,计算当前时刻各个聚合关系矩阵在当前时刻所有聚合关系矩阵中出现的概率,获取最大概率的聚合关系矩阵,最大概率的聚合关系矩阵代表当前时刻聚合关系矩阵中所有观测点来源于预测点或是背景杂波的事件集合的最大概率,因而,可以以最大概率的聚合关系矩阵为依据,确定最大概率聚合矩阵中所有观测点的来源(来源于目标车辆或背景杂波),筛选出最大概率的聚合关系矩阵中所有与目标车辆的预测点关联的观测点,对筛选出的观测点进行卡尔曼滤波,预测出目标车辆下一时刻预测点的位置。
设第j个观测点来源于第i个目标车辆的预测点的事件为θji(t),设第j个观测点来源于背景杂波的事件定为θ0i(t)。此时观测点与目标车辆的预测点聚合相关的概率βji(t)为:
βji(t)=P{θji(t)|Zt} (16)
其中,Zt是从航迹开始到时刻t落入关联波门内的所有回波。由公式(16)可知:
在公式(16)中:
其中,PD表示检测目标概率,Nτ表示轨迹数量;表示与某个目标车辆的预测点关联的观测点服从高斯分布;λ表示错误观测点密度;φ表示杂波数量;ci表示归一化常数;δi表示一个二进制量,即在聚合相关事件θji(t)中是否存在观测点与目标车辆的预测点互联,若存在,则δi的值为1,若不在,则δi的值为0;τj是一个二进制量,表示第j个观测点在聚合相关事件中是否和一个真实的目标车辆的预测点关联,若是,则τj的值为1,若不是,则τj的值为0。
设在t时刻通过滤波得到的第j个观测点来源于第i个目标车辆的预测点的状态估计(即当前时刻目标车辆预测点的位置)为:
其中,A和B是系统参数,分别表示状态转移矩阵和状态控制矩阵。
t时刻的协方差的更新过程为:
其中Ki(t)为增益矩阵,Si(t)是新息协方差。
S208,循环执行S201、S202、S203、S204、S205、S206和S207,完成各个目标车辆的轨迹跟踪。
具体地,在根据t时刻的观测数据,通过执行上述S201、S202、S203、S204、S205、S206和S207得到t+1时刻各个目标车辆的预测点后,可以继续执行S201、S202、S203、S204、S205、S206和S207,得到t+2时刻各个目标车辆的预测点,继续循环执行,直到完成各个目标车辆的轨迹跟踪。
可选地,本发明实施例提供的基于场景雷达的多目标车辆跟踪方法还可以包括如下步骤:采用卡尔曼滤波,根据各个目标车辆的预测点更新各个目标车辆的轨迹位置。
本发明实施例提供的基于场景雷达的多目标车辆跟踪方法,通过雷达监测多个目标车辆,当接收到来自雷达的回波信号后,对回波信号进行预处理得到当前时刻多个目标车辆的观测数据;然后,筛选出观测数据中与各个目标车辆的预测点关联的观测点,并根据筛选出的所有观测点与各个目标车辆的预测点关联关系,构建第一预聚合矩阵;计算每个观测点到各个目标车辆的预测点的统计距离权重,并按照统计距离权重从小到大的顺序对第一预聚合矩阵的各行排序,得到排序后的第二预聚合矩阵,提取第二预聚合矩阵中排序在前预设行数的元素,得到聚合矩阵,进而根据该聚合矩阵,构建多个聚合关系矩阵,使得每个聚合关系矩阵中的每个观测点仅关联一个目标车辆的预测点或背景杂波;最后计算当前时刻各个聚合关系矩阵的概率,并以最大概率的聚合关系矩阵为依据,筛选出最大概率的聚合关系矩阵中所有与目标车辆的预测点关联的观测点,对筛选出的观测点进行卡尔曼滤波,预测出目标车辆下一时刻预测点的位置,循环执行直到完成各个目标车辆的轨迹跟踪。
通过本发明实施例提供的基于场景雷达的多目标车辆跟踪方法,解决了雷达多目标车辆跟踪中数据关联的问题,并且根据观测点与目标车辆的预测点之间统计距离权重对聚合矩阵中的观测点进行筛选,大大减少了数据关联的计算量,能够在确保高精度的同时保证良好的实时性。
下面,结合仿真实验数据来对本发明实施例提供的多目标车辆跟踪效果进行分析。本发明实施例采用的雷达系统主要包括:雷达、摄像机和报警器。它可以安装在公路的斜侧或正顶位置5米到12米之间,能够探测到纵向50到300米之间、横向4-5个车道中的车辆,并对这些车辆目标进行监测。该雷达具有对道路上的过往车辆进行监控以及智能控制红绿灯的功能。雷达采集的数据可以跟踪当前监视场景中所有车辆的行驶轨迹,并获取各个车辆的位置、车速等信息。
可视化交通场景监视雷达采用调频连续波体制,中心频率为76.5GHz。雷达天线为3发4收:3个发射天线分别为10×12patch、1×12patch和1×12patch,方位波束宽度为12°、120°和120°;4个接收天线都是1×12patch,采用非均匀布阵,4个接收天线间阵元位置为0、1、4、6倍半波长。
本次仿真采用的实际道路测试场景为某地四车道城市道路,测试数据来自于交通场景监视雷达。将Matlab平台建立的仿真模型实验数据和实际道路测试数据进行展示,滤波方法采用卡尔曼滤波,车辆数据聚合关联方法的参数k选取为3。
本发明实施例在杂波环境下设计了一种多目标运动模型,并在Matlab平台上进行了仿真。假设有两个目标在二维平面坐标系内做轨迹有交叉的匀速直线运动。检测概率pd=1,门概率pg=0.99,关联波门阈值γ=16,采样周期T=1s,采样次数n=50次,观测噪声是具有已知协方差且均值为零的高斯白噪声。
坐标(x,y)中的x和y分别为横坐标和纵坐标。目标1的初始位置是(50m,150m),初始速度是(40m/s,30m/s);目标2的初始位置是(1000m,150m),初始速度是(-20m/s,40m/s)。两个目标均在直角坐标系中做匀速直线运动。采用50次蒙特卡洛仿真实验给出车辆数据聚合关联方法的结果。车辆数据聚合关联方法对两个目标的位置跟踪结果如图5所示。为了验证本本发明实施例的跟踪精度,本发明实施例中仿真使用位置均方根误差RMSE作为评价标准,如图6所示,为了在数据上体现差别,每隔10s计算一次RMSE的平均值,记录在表1。
表1 RMSE统计表
从图5的跟踪图中可以看出,本发明实施例提供的多目标车辆跟踪方法可以很好地完成跟踪过程,但无法定量比较。故本发明实施例采用RMSE的标准来对跟踪精度进行评价,RMSE数值越小,说明跟踪的轨迹越准确。从图6的曲线以及表1的数据中清晰地看出来,本发明实施例提供的多目标车辆跟踪方法在跟踪精度上有很好的表现。
接下来,对本发明实施例提供的多目标车辆跟踪方法的耗时情况进行验证。
假设只改变单位面积内产生的杂波个数,其他一切条件不变,本发明实施例提供的多目标车辆跟踪方法耗时结果如图7所示。同时,为了验证更加复杂场景中的效率,在单位面积内产生的杂波个数改变,其他所有条件不变时,通过观察车辆跟踪过程中产生聚合相关事件数量的多少,来评价本发明实施例多目标车辆跟踪方法的性能,结果如图8所示。
由图7和图8可以看出,在假设的条件下,随着背景逐渐复杂,车辆数据聚合关联方法只要选取好k的数值,就可以保证聚合相关事件个数变化的稳定性,具有运算时间短且稳定的特点。k的数值由经验得出,可以选择为目标数加1或2,本次仿真选取的k值为3。由Matlab仿真结果可以得出结论:本发明实施例提供的多目标车辆跟踪方法,在保证较高跟踪精度的情况下,也可以保证良好的实时性。
车辆数据聚合关联方法中的k值决定了算法运行的时间和精度。接下来就算法的运行时间以及精度在不同k值的情况下进行对比实验。实验条件除k值外均不变。图9为不同k值情况下算法运行时间的对比图。对于算法精度,采用位置RMSE作为评价标准,每10秒计算一次RMSE的平均值,记录在表2。
表2RMSE对比表
通过分析仿真结果,本发明实施例提供的多目标车辆跟踪方法,在实现车辆数据关联时,随着k值的增加,算法消耗的时间和精度都会增加。在实际的交通场景运行当中,实时性尤为重要,在规定的时间内必须要完成算法的运算。故应在一定的时间内选择精度更高的k值。在下一小节的实际路测交通场景下,k值选择为3或4均可,k值可以根据不同的场景进行调整。
另外,在对某四车道城市道路进行实测时,采用的测试设备有:PC、雷达、相机等。通过上位机显示相机画面、速度-距离二维图、检测到的目标信息以及可靠航迹,其中一个场景上位机界面如图10所示:
采集四个不同场景,每个场景100帧的图像为数据基础,分别对这四个不同场景做数据分析。统计车辆数据聚合关联方法在实际的城市道路场景中,可以达到的平均关联正确率以及在四个场景中算法的平均运行时间。对比结果如表3所示。
表3车辆数据聚合关联方法性能测试结果
场景1 | 场景2 | 场景3 | 场景4 | |
车辆数 | 13 | 8 | 11 | 12 |
正确关联数 | 759 | 658 | 713 | 736 |
错误关联数 | 42 | 28 | 37 | 44 |
未关联数 | 79 | 64 | 50 | 70 |
平均每帧运行时间 | 34ms | 33ms | 35ms | 34ms |
有效关联率 | 94.8% | 95.9% | 95.1% | 94.3% |
其中,关联正确率计算公式如公式(24)所示:
经过实际道路测试得出结论,车辆数据聚合关联方法总体上可以达到95%以上的关联正确率,并且可以在34ms左右运行结束。
通过实际道路测试结果可以看出,通过使用车辆数据聚合关联方法可以很好地区分多个不同目标,并准确反映出目标的位置信息、运动状态等,同时满足实时性要求,达到预期状态,符合交通场景监视雷达的需求。
通过仿真数据的对比可以看出,本发明实施例提供的基于场景雷达的多目标车辆跟踪方法,在保证较高精度的同时,提高了运行效率,增强了算法的适用性。在实际的道路测试中,本文算法可以很好地对多个目标的观测点与航迹进行数据关联,从而完成对多目标的跟踪,较好地解决了在实际交通场景中正顶安装的雷达对通过车辆的多目标跟踪问题,符合实际需要。需要注意的是,本发明实施例只对监测4个车道的情况进行了分析,对于其它车道数量以及更加复杂的交通道路情况,本发明不做限定。
基于同一发明构思,本发明实施例中还提供了一种基于场景雷达的多目标车辆跟踪装置,如下面的实施例所述。由于该装置实施例解决问题的原理与基于场景雷达的多目标车辆跟踪方法相似,因此该装置实施例的实施可以参见方法的实施,重复之处不再赘述。
图11为本发明实施例中提供的一种基于场景雷达的多目标车辆跟踪装置示意图,如图11所示,该装置包括:雷达数据采集模块11、雷达数据预处理模块12、第一数据处理模块13、第二数据处理模块14、第三数据处理模块15、第四数据处理模块16、车辆位置预测模块17和循环控制模块18;
其中,雷达数据采集模块11,用于接收当前时刻来自雷达的回波信号,并根据回波信号确定当前时刻多个目标车辆的观测数据,其中,观测数据中包含多个观测点的位置数据,观测点的数量大于或等于目标车辆的数量;雷达数据预处理模块12,用于从观测数据中筛选出与各个目标车辆的预测点关联的观测点,其中,每个目标车辆当前时刻的预测点根据上一时刻的观测数据确定;第一数据处理模块13,用于根据筛选出的各个观测点与每个目标车辆的预测点之间的关联关系,构建第一预聚合矩阵,其中,第一预聚合矩阵的每一行代表观测数据中的一个观测点,第一预聚合矩阵的每一列代表一个目标车辆的预测点;第二数据处理模块14,用于计算每个观测点到各个目标车辆的预测点的统计距离权重,并按照统计距离权重从小到大的顺序对第一预聚合矩阵的各行排序,得到排序后的第二预聚合矩阵;第三数据处理模块15,用于提取第二预聚合矩阵中排序在前预设行数的元素,得到聚合矩阵,其中,聚合矩阵的行数大于或等于目标车辆的预测点数量,且小于或等于观测点的数量;第四数据处理模块16,用于根据聚合矩阵,构建多个聚合关系矩阵,其中,每个聚合关系矩阵中每个观测点仅关联一个目标车辆的预测点或背景杂波;车辆位置预测模块17,用于计算当前时刻各个聚合关系矩阵的概率,并以最大概率的聚合关系矩阵为依据,筛选出最大概率的聚合关系矩阵中所有与目标车辆的预测点关联的观测点,对筛选出的观测点进行卡尔曼滤波,预测出目标车辆下一时刻预测点的位置;循环控制模块18,用于控制循环执行雷达数据采集模块11、雷达数据预处理模块12、第一数据处理模块13、第二数据处理模块14、第三数据处理模块15、第四数据处理模块16和车辆位置预测模块17的功能,完成各个目标车辆的轨迹跟踪。
由上可知,本发明实施例提供的基于场景雷达的多目标车辆跟踪装置,通过雷达数据采集模块11接收来自雷达的回波信号,对回波信号进行预处理得到当前时刻多个目标车辆的观测数据;通过雷达数据预处理模块12筛选出观测数据中与各个目标车辆的预测点关联的观测点,并通过第一数据处理模块13根据筛选出的所有观测点与各个目标车辆的预测点关联关系,构建第一预聚合矩阵;通过第二数据处理模块14计算每个观测点到各个目标车辆的预测点的统计距离权重,并按照统计距离权重从小到大的顺序对第一预聚合矩阵的各行排序,得到排序后的第二预聚合矩阵,通过第三数据处理模块15提取第二预聚合矩阵中排序在前预设行数的元素,得到聚合矩阵,进而通过第四数据处理模块16根据该聚合矩阵,构建多个聚合关系矩阵,使得每个聚合关系矩阵中的每个观测点仅关联一个目标车辆的预测点或背景杂波;通过车辆位置预测模块17计算当前时刻各个聚合关系矩阵的概率,并以最大概率的聚合关系矩阵为依据,筛选出最大概率的聚合关系矩阵中所有与目标车辆的预测点关联的观测点,对筛选出的观测点进行卡尔曼滤波,预测出目标车辆下一时刻预测点的位置,通过循环控制模块18控制循环执行雷达数据采集模块11、雷达数据预处理模块12、第一数据处理模块13、第二数据处理模块14、第三数据处理模块15、第四数据处理模块16和车辆位置预测模块17的功能,完成各个目标车辆的轨迹跟踪。
通过本发明实施例提供的基于场景雷达的多目标车辆跟踪装置,解决了雷达多目标车辆跟踪中数据关联的问题,并且根据观测点与目标车辆的预测点之间统计距离权重对聚合矩阵中的观测点进行筛选,大大减少了数据关联的计算量,能够在确保高精度的同时保证良好的实时性。
本发明实施例还提供一种计算机设备,用以解决现有雷达实现多目标车辆跟踪的方案,由于车辆观测数据和轨迹数据的不确定性,导致数据关联计算量大,影响车辆跟踪实时性的技术问题,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任意一种可选的或优选的基于场景雷达的多目标车辆跟踪方法。
本发明实施例还提供一种计算机可读存储介质,用以解决现有雷达实现多目标车辆跟踪的方案,由于车辆观测数据和轨迹数据的不确定性,导致数据关联计算量大,影响车辆跟踪实时性的技术问题,该计算机可读存储介质存储有执行上述任意一种可选的或优选的基于场景雷达的多目标车辆跟踪方法的计算机程序。
综上所述,本发明实施例提供了一种基于车辆数据聚合关联的多目标车辆跟踪方法,利用雷达获取过往车辆的回波信号,在对接收到的信号进行一定的预处理后,可以准确地完成车辆观测数据与航迹数据的关联,从而完成对多个目标车辆的跟踪过程。实验结果表明,该方法能够较好地解决在交通场景下车辆数据的数据关联问题,在精度以及运行效率方面都有很好的效果。将本发明实施例提供的多目标车辆跟踪方法应用于跟踪并测试车辆的驾驶行为,能够在交通场景中采用一些预警措施能够有效地减少交通事故发生。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于场景雷达的多目标车辆跟踪方法,其特征在于,包括:
接收当前时刻来自雷达的回波信号,并根据所述回波信号确定当前时刻多个目标车辆的观测数据,其中,所述观测数据中包含多个观测点的位置数据,观测点的数量大于或等于目标车辆的数量;
筛选出所述观测数据中与各个目标车辆的预测点关联的观测点,其中,每个目标车辆当前时刻的预测点根据上一时刻的观测数据确定;
根据筛选出的各个观测点与每个目标车辆的预测点之间的关联关系,构建第一预聚合矩阵,其中,所述第一预聚合矩阵的每一行代表观测数据中的一个观测点,所述第一预聚合矩阵的每一列代表一个目标车辆的预测点;
计算每个观测点到各个目标车辆的预测点的统计距离权重,并按照统计距离权重从小到大的顺序对所述第一预聚合矩阵的各行排序,得到排序后的第二预聚合矩阵;
提取所述第二预聚合矩阵中排序在前预设行数的元素,得到聚合矩阵,其中,聚合矩阵的行数大于或等于目标车辆的预测点数量,且小于或等于观测点的数量;
根据所述聚合矩阵,构建多个聚合关系矩阵,其中,每个聚合关系矩阵中每个观测点仅关联一个目标车辆的预测点或背景杂波;
计算当前时刻各个聚合关系矩阵的概率,并以最大概率的聚合关系矩阵为依据,筛选出最大概率的聚合关系矩阵中所有与目标车辆的预测点关联的观测点,对筛选出的观测点进行卡尔曼滤波,预测出目标车辆下一时刻预测点的位置;
循环执行以上步骤,完成各个目标车辆的轨迹跟踪;
通过如下公式计算每个观测点到各个目标车辆的预测点的统计距离权重:
其中,表示第j个观测点到第i个目标车辆的预测点的统计距离权重;mk表示观测点的数量;I表示预测点的数量;表示第j个观测点到第i个目标车辆的预测点的统计距离;eji(t)表示残差,等于t时刻的观测值Zj(t)与预测值的差;Sji(t)表示eji(t)的协方差矩阵;表示Sji(t)的逆矩阵;
通过如下公式构建第一预聚合矩阵Δ:
提取第二预聚合矩阵Δ'左侧矩阵的前k行,并在第一列加入一列代表观测点来源于背景杂波的元素,得到聚合矩阵Ω:
其中,k表示筛选的观测点的数量,I≤k≤mk;ωji表示第j个观测点与第i个目标车辆的预测点的关联关系;若第j个观测点来源于第i个目标车辆的预测点,则ωji=1;若第j个观测点不是来源于第i个目标车辆的预测点,则ωji=0;Ω的第一列所有元素的值均为1,表示观测点来源于背景杂波。
2.如权利要求1所述的方法,其特征在于,筛选出所述观测数据中与各个目标车辆的预测点关联的观测点,包括:
以各个目标车辆的预测点为中心,创建各个目标车辆的预测点对应的关联波门;
基于各个关联波门的预设阈值,根据当前时刻观测数据中各个观测点到每个目标车辆的预测点的距离,确定当前时刻落入各个关联波门内的观测点。
其中,
其中,要确保每一行元素中有且只有一个元素的值为1,并且保证除了第一列以外的每一列元素中最多有一个元素的值为1;的每一行元素中有且只有一个元素的值为1表示每个观测点只有一个源头,来源于某一目标车辆的预测点或者背景杂波;除了第一列以外的每一列元素中最多有一个元素的值为1,表示对于一个目标车辆的预测点最多有一个观测点以其为源头;的第一列有多个元素值为1代表有多个观测点是来自于背景杂波;表示t时刻所有可能的聚合相关事件的集合;nt表示集合θ(t)中元素的个数;θm(t)表示集合θ(t)第m个聚合相关事件;表示第m个聚合相关事件中观测点j源于预测点i的事件;表示第m个聚合相关事件中第j个观测点来源于背景杂波的事件;表示二值元素,当第j个观测点来源于第i个目标车辆的预测点时取值为1,否则取值为0;θji(t)表示t时刻第j个观测点与第i个目标车辆聚合相关的事件。
4.如权利要求1至3任一项所述的方法,其特征在于,接收当前时刻来自雷达的回波信号,并根据所述回波信号确定当前时刻多个目标车辆的观测数据,包括:
接收当前时刻来自雷达的回波信号;
将回波信号从时域变换到频域,得到回波信号的频谱信息;
通过如下公式,根据所述回波信号的频谱信息,确定目标车辆与雷达之间的距离:
通过如下公式,根据所述回波信号的频谱信息,确定目标车辆与雷达之间的夹角:
通过如下公式,根据目标车辆与雷达之间的距离和夹角,确定目标车辆在平面直角坐标系的二维坐标位置(x,y):
x=R·sinθ;
其中,R表示雷达到目标车辆的距离;θ表示目标与雷达的法向夹角;h表示雷达距离道路平面的高度;c表示光速;T表示发射信号周期;△f表示发射信号和接收信号的差频;B表示信号带宽;λ表示天线发射电磁波波长;表示第l根天线与第l+1根天线之间的相位差;dl表示第l根天线与第l+1根天线之间的距离;
其中,所述平面直角坐标系为在道路平面建立的直角坐标系,所述平面直角坐标系以雷达在道路平面上的投影位置为坐标原点,水平向右延伸方向为x轴正方向,垂直向前延伸方向为y轴正方向。
5.如权利要求1所述的方法,其特征在于,通过如下公式计算筛选出的观测点与目标车辆的预测点聚合相关的概率:
βji(t)=P{θji(t)|Zt};
其中,Zt是从航迹开始到时刻t落入关联波门内的所有回波;PD表示检测目标概率,Nτ表示轨迹数量;Nij[Zj(t)]表示与某个目标车辆的预测点关联的观测点服从高斯分布;λ表示错误观测点密度;φ表示杂波数量;ci表示归一化常数;δi表示一个二进制量,即在聚合相关事件θji(t)中是否存在观测点与目标车辆的预测点互联,若存在,则δi的值为1,若不在,则δi的值为0;τj表示一个二进制量,即第j个观测点在聚合相关事件中是否和一个真实的目标车辆的预测点关联,若是,则τj的值为1,若不是,则τj的值为0。
6.一种基于场景雷达的多目标车辆跟踪装置,其特征在于,包括:
雷达数据采集模块,用于接收当前时刻来自雷达的回波信号,并根据所述回波信号确定当前时刻多个目标车辆的观测数据,其中,所述观测数据中包含多个观测点的位置数据,观测点的数量大于或等于目标车辆的数量;
雷达数据预处理模块,用于筛选出所述观测数据中与各个目标车辆的预测点关联的观测点,其中,每个目标车辆当前时刻的预测点根据上一时刻的观测数据确定;
第一数据处理模块,用于根据筛选出的各个观测点与每个目标车辆的预测点之间的关联关系,构建第一预聚合矩阵,其中,所述第一预聚合矩阵的每一行代表观测数据中的一个观测点,所述第一预聚合矩阵的每一列代表一个目标车辆的预测点;
第二数据处理模块,用于计算每个观测点到各个目标车辆的预测点的统计距离权重,并按照统计距离权重从小到大的顺序对所述第一预聚合矩阵的各行排序,得到排序后的第二预聚合矩阵;
第三数据处理模块,用于提取所述第二预聚合矩阵中排序在前预设行数的元素,得到聚合矩阵,其中,聚合矩阵的行数大于或等于目标车辆的预测点数量,且小于或等于观测点的数量;
第四数据处理模块,用于根据所述聚合矩阵,构建多个聚合关系矩阵,其中,每个聚合关系矩阵中每个观测点仅关联一个目标车辆的预测点或背景杂波;
车辆位置预测模块,用于计算当前时刻各个聚合关系矩阵的概率,并以最大概率的聚合关系矩阵为依据,筛选出最大概率的聚合关系矩阵中所有与目标车辆的预测点关联的观测点,对筛选出的观测点进行卡尔曼滤波,预测出目标车辆下一时刻预测点的位置;
循环控制模块,用于控制循环执行所述雷达数据采集模块、雷达数据预处理模块、所述第一数据处理模块、所述第二数据处理模块、所述第三数据处理模块、所述第四数据处理模块和所述车辆位置预测模块的功能,完成各个目标车辆的轨迹跟踪;
其中,所述第二数据处理模块还用于通过如下公式计算每个观测点到各个目标车辆的预测点的统计距离权重:
其中,表示第j个观测点到第i个目标车辆的预测点的统计距离权重;mk表示观测点的数量;I表示预测点的数量;表示第j个观测点到第i个目标车辆的预测点的统计距离;eji(t)表示残差,等于t时刻的观测值Zj(t)与预测值的差;Sji(t)表示eji(t)的协方差矩阵;表示Sji(t)的逆矩阵;
其中,所述第一数据处理模块还用于通过如下公式构建第一预聚合矩阵Δ:
提取第二预聚合矩阵Δ'左侧矩阵的前k行,并在第一列加入一列代表观测点来源于背景杂波的元素,得到聚合矩阵Ω:
其中,k表示筛选的观测点的数量,I≤k≤mk;ωji表示第j个观测点与第i个目标车辆的预测点的关联关系;若第j个观测点来源于第i个目标车辆的预测点,则ωji=1;若第j个观测点不是来源于第i个目标车辆的预测点,则ωji=0;Ω的第一列所有元素的值均为1,表示观测点来源于背景杂波。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述基于场景雷达的多目标车辆跟踪方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至5任一项所述基于场景雷达的多目标车辆跟踪方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911011405.4A CN110780289B (zh) | 2019-10-23 | 2019-10-23 | 基于场景雷达的多目标车辆跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911011405.4A CN110780289B (zh) | 2019-10-23 | 2019-10-23 | 基于场景雷达的多目标车辆跟踪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110780289A CN110780289A (zh) | 2020-02-11 |
CN110780289B true CN110780289B (zh) | 2021-07-30 |
Family
ID=69386494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911011405.4A Active CN110780289B (zh) | 2019-10-23 | 2019-10-23 | 基于场景雷达的多目标车辆跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110780289B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113311448A (zh) * | 2020-02-27 | 2021-08-27 | 郑州宇通客车股份有限公司 | 一种基于多特征信息的动态目标跟踪方法与装置 |
WO2021174445A1 (zh) * | 2020-03-04 | 2021-09-10 | 华为技术有限公司 | 预测车辆驶出口的方法和装置 |
CN111562570A (zh) * | 2020-04-30 | 2020-08-21 | 南京理工大学 | 基于毫米波雷达的面向自动驾驶的车辆感知方法 |
CN112099042B (zh) * | 2020-08-07 | 2024-04-12 | 武汉万集信息技术有限公司 | 车辆跟踪方法以及系统 |
CN112507957B (zh) * | 2020-12-21 | 2023-12-15 | 阿波罗智联(北京)科技有限公司 | 一种车辆关联方法、装置、路侧设备及云控平台 |
CN113077492A (zh) * | 2021-04-26 | 2021-07-06 | 北京华捷艾米科技有限公司 | 位置跟踪方法、装置、设备及存储介质 |
CN113191427B (zh) * | 2021-04-29 | 2022-08-23 | 无锡物联网创新中心有限公司 | 一种多目标车辆跟踪方法及相关装置 |
CN113985393B (zh) * | 2021-10-25 | 2024-04-16 | 南京慧尔视智能科技有限公司 | 一种目标检测方法、装置及系统 |
CN115113206B (zh) * | 2022-06-23 | 2024-04-12 | 湘潭大学 | 井下有轨车辅助驾驶的行人与障碍物检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901153A (zh) * | 2019-03-29 | 2019-06-18 | 西安电子科技大学 | 基于信息熵权和最近邻域数据关联的目标航迹优化方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7626535B2 (en) * | 2006-11-09 | 2009-12-01 | Raytheon Company | Track quality based multi-target tracker |
FR2949567B1 (fr) * | 2009-09-01 | 2012-02-24 | Thales Sa | Traitement de donnees multi-cibles pour radars passifs multi-recepteurs en mode sfn ou mfn |
CN103901427B (zh) * | 2014-04-02 | 2016-08-17 | 北京川速微波科技有限公司 | 一种测速雷达多目标跟踪的方法和装置 |
CN106443622B (zh) * | 2016-09-13 | 2018-12-07 | 哈尔滨工程大学 | 一种基于改进联合概率数据关联的分布式目标跟踪方法 |
KR101913214B1 (ko) * | 2017-01-03 | 2018-12-28 | 국방과학연구소 | 가림환경에서의 표적 형상정보를 활용한 표적 추적 방법 |
CN106872955B (zh) * | 2017-01-24 | 2020-02-18 | 西安电子科技大学 | 基于联合概率数据关联算法的雷达多目标跟踪优化方法 |
EP3502747B1 (en) * | 2017-12-22 | 2020-06-10 | Trimble Inc. | Advanced navigation satellite system positioning method and system using seeding information |
CN109188423B (zh) * | 2018-08-29 | 2020-11-10 | 电子科技大学 | 一种基于多源聚类的分布式多目标跟踪方法 |
CN109581353B (zh) * | 2018-11-27 | 2022-11-25 | 北京信息科技大学 | 一种基于汽车雷达的多目标跟踪方法及系统 |
CN109521420B (zh) * | 2018-12-20 | 2022-10-04 | 西安电子科技大学 | 基于多特征匹配的多目标跟踪方法 |
-
2019
- 2019-10-23 CN CN201911011405.4A patent/CN110780289B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901153A (zh) * | 2019-03-29 | 2019-06-18 | 西安电子科技大学 | 基于信息熵权和最近邻域数据关联的目标航迹优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110780289A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110780289B (zh) | 基于场景雷达的多目标车辆跟踪方法及装置 | |
US11340332B2 (en) | Method and apparatus for processing radar data | |
Daun et al. | Tracking in multistatic passive radar systems using DAB/DVB-T illumination | |
CN109581353B (zh) | 一种基于汽车雷达的多目标跟踪方法及系统 | |
CN107861107B (zh) | 一种适用于连续波雷达的双门限cfar与点迹凝聚方法 | |
CN102968799B (zh) | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 | |
CN107507417B (zh) | 一种基于微波雷达回波信号的智能车道划分方法及装置 | |
CN103217673B (zh) | 一种非均匀Weibull杂波背景下的CFAR检测方法 | |
CN110531337B (zh) | 基于隶属度分析的目标可信度计算方法及装置 | |
EP3349038A1 (en) | Method to classify objects in a vehicle environment based on radar detections | |
CN110146873B (zh) | 分布式非相参雷达的目标位置和速度的估计方法 | |
CN113933790A (zh) | 一种相控阵雷达工作模式的反演识别方法、装置及介质 | |
Bocquel et al. | Multitarget particle filter addressing ambiguous radar data in TBD | |
CN112881993A (zh) | 自动识别雷达分布杂波引起虚假航迹的方法 | |
CN110673130A (zh) | 一种基于航迹关联的运动目标航迹跟踪方法 | |
US20230184926A1 (en) | Radar anti-spoofing system for identifying ghost objects created by reciprocity-based sensor spoofing | |
CN113408504B (zh) | 基于雷达的车道线识别方法、装置、电子设备及存储介质 | |
CN115546526B (zh) | 三维点云聚类方法、装置及存储介质 | |
Perlovsky et al. | Moving target detection and characterization with circular SAR | |
CN113093174B (zh) | 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法 | |
CN115220002A (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
Zhong et al. | A False Alarm Elimination Algorithm of Foreign Objects Debris Detection Based on Duffing Oscillator | |
Kohlleppel | Ground target tracking with signal adaptive measurement error covariance matrix | |
CN108646235B (zh) | 基于点迹位置聚合识别空间散布固定杂波的方法 | |
CN116879863B (zh) | 一种连续波4d毫米波雷达多目标测量方法及系统 |
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 |