CN111708021B - 一种基于毫米波雷达的人员跟踪与识别算法 - Google Patents

Abstract

本发明涉及毫米波雷达信号处理技术领，公开了一种基于毫米波雷达的人员跟踪与识别算法，用以提高毫米波雷达在可视范围内的跟踪精度和识别准确率。本发明采用毫米波雷达结合固有的信号处理模块得到回波点云数据之后，采用MCMC得到目标数量和点迹和轨迹的最终关联，然后采用EKF进行状态估计得到人员轨迹数据，完成跟踪；对点云数据和轨迹数据分别进行特征提取、特征选择，然后采用AdaBoost算法进行单帧识别，最后采用多帧融合的方法得到最终的识别结果。本发明适用于人员跟踪与识别。

Description

一种基于毫米波雷达的人员跟踪与识别算法

技术领域

本发明涉及毫米波雷达信号处理技术领域，特别涉及一种基于毫米波雷达的人员跟踪与识别算法。

背景技术

场景内人员的运动参数和属性参数是进行场景态势智能感知中不可缺少的数据，如机场、商场、连锁店、车站、博物馆、会议室等场景。人员目标的跟踪和识别在重要场所的安全管理、基于人机交互的智能服务、高级驾驶员辅助系统等领域有着重要的应用。

常见的人员跟踪和识别主要基于光学成像和红外成像，结合计算机视觉技术和人工智能技术完成。基于成像的人员跟踪和识别不仅容易受到天气、环境光照和温度湿度的影响，而且成本较高，且高精度成像在更为严格的应用场景中存在隐私泄露的风险，因此在经济性和通用性上很难达到理想的效果。毫米波雷达具有成本低、全天候、隐私性高的特点，因此在人员跟踪和识别中有其独特的优势。

在目前基于毫米波雷达的人员跟踪和识别中，存在以下问题：采用启发式的数据关联算法，如最近邻数据关联(Nearest Neighbor,NN)算法，其原理简单，但是在目标密集及虚警率较高的场景下关联错误率较高；采用卡尔曼或者扩展卡尔曼滤波算法，在非高斯和非线性条件下无法实现准确地进行状态估计；人员识别中采用简单的机器学习算法，如k近邻(kNN)算法或者逻辑斯蒂回归(Logistic Regression,LR)算法，无法准确鲁棒地对目标进行识别。

发明内容

本发明要解决的技术问题是：提供一种基于毫米波雷达的人员跟踪与识别算法，用以提高毫米波雷达在可视范围内的跟踪精度和识别准确率。

为解决上述问题，本发明采用的技术方案是：一种基于毫米波雷达的人员跟踪与识别算法，包括如下步骤：

S1、通过毫米波雷达得到目标的回波点云数据；

S2、采用近邻连通点云聚类算法并结合MCMC算法将点云数据中点迹和已有轨迹进行点轨关联，并对已关联的各个目标进行状态估计更新，实现目标跟踪；

S3、对跟踪得到的各个目标进行识别。

具体的，所述点云数据包括点迹的数量、每个点迹的距离、每个点迹的多普勒信息和每个点迹的角度参数。

具体的，步骤S2进行点轨关联的具体步骤包括：

在输入点云数据后，随机初始化关联，然后对前一次迭代的关联结果从多种轨迹变换方式中随机等概率选择一样进行新关联采样，得到新采样的关联样本后，计算采样前后的关联概率，然后判断是否接受新关联或者保留旧关联，重复前述过程，得到最终的目标数量和点轨关联结果。

具体的，所述多种轨迹变换方式包括轨迹新生、轨迹消亡、轨迹分裂、轨迹合并、轨迹延拓、轨迹缩减、轨迹更新和轨迹切换。

进一步的，步骤S2采用EKF算法进行状态估计更新。

具体的，步骤S3具体包括：

S31、对点云数据和轨迹数据进行特征提取；

S32、对提取的点云数据特征和轨迹数据特征进行选择；

S33、基于所选的点云数据特征和轨迹数据特征，采用特征加权的加性提升算法进行单帧目标识别；

S34、基于单帧目标识别结果，进行多帧目标识别结果融合。

具体的，步骤S31提取的特征包括点云位置特征、点云多普勒特征和轨迹位置特征，提取这些特征的方法如下：

对点云数据计算目标位置参数在单帧的统计量，然后对各帧得到的最大值和最小值形成的包络序列，再次计算序列的统计量，作为点云数据位置信息的统计特征；

对点云数据计算目标多普勒信息在单帧的统计量，然后对各帧得到的最大值和最小值形成的包络序列，再次计算序列的统计量，作为点云数据多普勒信息的统计特征；

对轨迹数据计算目标位置参数在单帧的统计量，然后对各帧得到的最大值和最小值形成的包络序列，再次计算序列的统计量，作为轨迹数据位置信息的统计特征。

具体的，所述统计量包括均值、方差、最大值和最小值。

进一步的，步骤S33中所述加性提升算法为AdaBoost算法。

具体的，步骤S34采用投票法进行多帧目标识别结果融合。

本发明脱离现有毫米波雷达跟踪算法中采用启发式的数据关联策略和启发式的轨迹起始和终止策略。现有的毫米波雷达跟踪算法直接对点云数据和轨迹进行数据关联，计算量大且关联性能低，本发明首先采用近邻连通算法对点云数据进行聚类形成点堆，然后对聚类结果进一步用点云多普勒进行修正，剔除点堆中多普勒明显偏离正常值的异常点云，从而改善异常点云造成的关联性能下降，然后对点堆数据和轨迹数据进行双向单一映射关联。对于双向单一映射关联，基于变分推断的马尔科夫链蒙特卡洛(Markov ChainMonte Carlo,MCMC)多帧关联算法在低检测率、高虚警率的条件下，相对于现有的启发式的数据关联策略，能够更准确更鲁棒且能够自动地实现轨迹起始和终止，从而提升算法在密集目标环境下的跟踪性能。

在状态估计更新中，本发明采用在非线性非高斯条件下性能更强的扩展卡尔曼滤波(EKF)，实现了更准确的目标状态估计。

毫米波雷达数据样本量小，且数据维度较低，特征的质量也不完全相同。现有毫米波雷达识别算法中采用的机器学习算法对所有特征和样本进行同样的处理，在小样本和低维数据条件下识别率，针对这个问题，本发明首先采用“类内方差较小，类间方差较大”的判决准则对点云位置、点云多普勒、航迹位置特征进行特征质量的量化评价，然后根据计算得到的特征质量，采用较大的权值增强区分度高的多普勒特征，采用较小的权值弱化区分度低的位置特征和回波幅度特征，采用泛化性能更高、特征利用率更好的加性提升算法AdaBoost，采用先简单后困难的策略，先用分类性能较弱的位置特征和回波幅度特征进行初次分类，对出现错误的样本，提高样本权值并进一步采用分类性能较强的多普勒特征进行分类，从而实现对特征和样本的自适应处理，提升算法的识别准确率。

由上可见，本发明的有益效果是：1.通过毫米波雷达实现人员的跟踪，通用性强，隐私性高；2.能够实现高虚警率条件下密集目标的准确跟踪；3.能够实现小样本条件下人员对应的低维雷达特征的分类识别；4.本发明的算法有较强的实用性。

附图说明

图1是实施例中雷达信号处理流程图。

图2是实施例中MCMC算法的流程图。

具体实施方式

为了提高毫米波雷达在可视范围内的跟踪精度和识别准确率，本发明提供一种基于毫米波雷达的人员跟踪和识别算法，该方法使用毫米波雷达得到的回波点云数据，进行点迹和轨迹的点轨关联，实时计算更新人员数量，基于关联结果采用无迹卡尔曼滤波算法对人员状态进行估计，实现人员跟踪；结合目标的点云数据和轨迹数据，提取选择目标特征，然后采用机器学习算法结合已经建立的目标样本库进行训练、推理，实现人员识别(人、窗帘、风扇等)。

为实现上述目的，本发明的技术方案可概括为：

(1)采用毫米波雷达结合固有的信号处理模块得到目标的回波点云数据；

(2)根据点云数据估计目标数目和目标运动参数，实现目标跟踪。包括以下操作：

1)点云数据中点迹和已有轨迹的点轨关联；

2)已关联的各个目标的状态估计更新；

3)基于未关联点迹的轨迹起始；

4)未关联轨迹的终止；

(3)根据得到的点云数据和轨迹数据，进行人员识别。包括以下操作：

1)点云数据和轨迹数据预处理；

2)点云数据特征提取、轨迹数据特征提取；

3)点云数据特征选择、轨迹数据特征选择；

4)单帧目标识别；

5)多帧目标识别结果融合。

以下结合具体的实施例对本发明做进一步说明。

实施例公开了一种基于毫米波雷达的人员跟踪识别算法，算法流程如图1所示，主要包括以下三个部分：

S1、采用毫米波雷达结合固有的信号处理模块得到目标的回波点云数据。其中，点云数据为雷达接受单元RX接收到的数据立方进行测距测速测角以及恒虚警率检测后的结果，点云数据包括点迹的数量、每个点迹的距离、每个点迹的多普勒(速度)信息和每个点迹的角度参数。

S2、根据点云数据估计目标数目和目标运动参数，实现目标跟踪。

1)目标跟踪接收点云数据后，进行如图2所示的MCMC点轨数据关联：在输入点云数据后，随机初始化关联，然后对前一次迭代的关联结果从八种变换方式中随机等概率选择一样进行新关联采样，八种轨迹变换方式包括轨迹新生、轨迹消亡、轨迹分裂、轨迹合并、轨迹延拓、轨迹缩减、轨迹更新和轨迹切换，得到新采样的关联样本后，计算采样前后的关联概率，然后采用Metropolis Hasting算法判断是否接受新关联或者保留旧关联，此过程反复进行，迭代一定次数后迭代终止，得到最终的点轨关联结果和目标数量。

2)针对点轨数据关联后得到的每一个目标，首先设定第一帧的初始化值，然后采用EKF计算量测预测值，结合关联的测量值计算新息，然后用新息及其统计量对目标状态和过程噪声、测量噪声的协方差矩阵进行更新，此过程反复迭代进行，从而得到每一个目标在每一帧的状态。

S3、根据得到的点云数据和轨迹数据，进行人员识别。

人员识别分为以下步骤：

S31、对点云数据计算目标位置参数在单帧的统计量(均值、方差、最大值和最小值)，然后对各帧得到的最大值和最小值形成的包络序列，再次计算序列的统计量(均值、方差、最大值和最小值等)，作为点云数据位置信息的统计特征；采用同样的方法对点云数据的多普勒信息计算统计特征；

S32、对轨迹数据的位置参数采用与S31同样的方法计算统计特征；

S33、选用点云数据位置信息的统计特征和轨迹数据的位置信息的统计特征作为分类特征(目前方案为最大值、最小值、均值、带宽(最大值-最小值))；

4)采用AdaBoost算法对提取得到的目标特征进行识别，判断为人或者为普通物体(窗帘、风扇等)；

5)根据单帧的识别结果进行多帧融合，即采用投票法，将一段时间内出现次数最多的结果作为最终结果。

Claims (8)

1.一种基于毫米波雷达的人员跟踪与识别算法，其特征在于，包括如下步骤：

S1、通过毫米波雷达得到目标的回波点云数据；

S2、采用近邻连通点云聚类算法并结合MCMC算法将点云数据中点迹和已有轨迹进行点轨关联，并对已关联的各个目标进行状态估计更新，实现目标跟踪；

S3、对跟踪得到的各个目标进行识别；

步骤S3具体包括：

S31、对点云数据和轨迹数据进行特征提取；

S32、对提取的点云数据特征和轨迹数据特征进行选择；

S33、基于所选的点云数据特征和轨迹数据特征，采用特征加权的加性提升算法进行单帧目标识别；

S34、基于单帧目标识别结果，进行多帧目标识别结果融合；

步骤S31提取的特征包括点云位置特征、点云多普勒特征和轨迹位置特征，提取这些特征的方法如下：

对点云数据计算目标位置参数在单帧的统计量，然后对各帧得到的最大值和最小值形成的包络序列，再次计算序列的统计量，作为点云数据位置信息的统计特征；

对点云数据计算目标多普勒信息在单帧的统计量，然后对各帧得到的最大值和最小值形成的包络序列，再次计算序列的统计量，作为点云数据多普勒信息的统计特征；

对轨迹数据计算目标位置参数在单帧的统计量，然后对各帧得到的最大值和最小值形成的包络序列，再次计算序列的统计量，作为轨迹数据位置信息的统计特征。

2.如权利要求1所述一种基于毫米波雷达的人员跟踪与识别算法，其特征在于，所述点云数据包括点迹的数量、每个点迹的距离、每个点迹的多普勒信息和每个点迹的角度参数。

3.如权利要求1所述一种基于毫米波雷达的人员跟踪与识别算法，其特征在于，步骤S2进行点轨关联的具体步骤包括：

在输入点云数据后，随机初始化关联，然后对前一次迭代的关联结果从多种轨迹变换方式中随机等概率选择一样进行新关联采样，得到新采样的关联样本后，计算采样前后的关联概率，然后判断是否接受新关联或者保留旧关联，重复前述过程，得到最终的目标数量和点轨关联结果。

4.如权利要求3所述一种基于毫米波雷达的人员跟踪与识别算法，其特征在于，所述多种轨迹变换方式包括轨迹新生、轨迹消亡、轨迹分裂、轨迹合并、轨迹延拓、轨迹缩减、轨迹更新和轨迹切换。

5.如权利要求1所述一种基于毫米波雷达的人员跟踪与识别算法，其特征在于，步骤S2采用EKF算法进行状态估计更新。

6.如权利要求1所述一种基于毫米波雷达的人员跟踪与识别算法，其特征在于，所述统计量包括均值、方差、最大值和最小值。

7.如权利要求1所述一种基于毫米波雷达的人员跟踪与识别算法，其特征在于，步骤S33中所述加性提升算法为AdaBoost算法。

8.如权利要求1所述一种基于毫米波雷达的人员跟踪与识别算法，其特征在于，步骤S34采用投票法进行多帧目标识别结果融合。

Images