CN111985379A - 基于车载雷达的目标追踪方法、装置、设备及车辆 - Google Patents
基于车载雷达的目标追踪方法、装置、设备及车辆 Download PDFInfo
- Publication number
- CN111985379A CN111985379A CN202010814028.4A CN202010814028A CN111985379A CN 111985379 A CN111985379 A CN 111985379A CN 202010814028 A CN202010814028 A CN 202010814028A CN 111985379 A CN111985379 A CN 111985379A
- Authority
- CN
- China
- Prior art keywords
- state information
- vehicle
- predicted
- actual
- tracker
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
-
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例公开了一种基于车载雷达的目标追踪方法、装置、设备及车辆。包括：根据上一帧各追踪器的状态信息确定当前帧的预测状态信息；获取车载雷达检测到的目标车辆的实际状态信息；对所述预测状态信息和所述实际状态信息进行匹配；对匹配后的预测状态信息和实际状态信息进行扩展卡尔曼滤波计算，获得当前帧修正后的状态信息。可以实现对车辆周围目标的追踪，可以提高目标追踪的精度。
Description
技术领域
本发明实施例涉及车辆目标追踪技术领域，尤其涉及一种基于车载雷达的目标追踪方法、装置、设备及车辆。
背景技术
行车安全是道路交通中的重要问题，在拥挤而且路况复杂的城市环境中该问题尤为明显。为了有效地降低交通事故发生几率，对道路上其它行驶车辆的检测与跟踪就成了车辆辅助驾驶系统中不可缺少的一个部分。道路信息经过雷达目标检测之后，得到了扫描范围内障碍物的相对位置和大小信息，为无人车的自动避障和路径规划提供了依据，即需要对检测到的物体进行跟踪。
针对目前自动驾驶跟踪的概率性滤波数据关联方法，造成的计算量和内存开销较大，从而不能充分发挥车辆跟踪的性能。
发明内容
本发明实施例提供一种基于车载雷达的目标追踪方法、装置、设备及车辆，以实现对车辆周围目标的追踪，可以提高目标追踪的精度。
第一方面，本发明实施例提供了一种基于车载雷达的目标追踪方法，包括：
根据上一帧各追踪器的状态信息确定当前帧的预测状态信息；
获取车载雷达检测到的目标车辆的实际状态信息；
对所述预测状态信息和所述实际状态信息进行匹配；
对匹配后的预测状态信息和实际状态信息进行扩展卡尔曼滤波计算，获得当前帧修正后的状态信息。
进一步地，根据上一帧各追踪器的状态信息确定当前帧的预测状态信息按照如下公式计算：
进一步地，对所述预测状态信息和所述实际状态信息进行匹配，包括：
采用矩形门限算法对所述预测状态信息和所述实际状态信息进行关联，获得关联成功的状态信息对；其中，所述状态信息对包括预测状态信息和实际状态信息；
根据关联成功的状态信息对建立各追踪器与目标车辆的关联矩阵；
采用指派算法对所述关联矩阵进行处理，获得所述预测状态信息和所述实际状态信息的一对一的匹配关系。
进一步地，采用矩形门限算法对所述预测状态信息和所述实际状态信息进行关联，获得关联成功的状态信息对，包括：
若所述预测状态信息和所述实际状态信息满足如下条件：
则所述预测状态信息和所述实际状态信息组成关联成功的状态信息对。
进一步地，根据关联成功的状态信息对建立各追踪器与目标车辆的关联矩阵，包括：
将关联成功的状态信息对采用代价方程进行计算，获得每个追踪器与每个目标车辆的关联值；
根据所述关联值组成关联矩阵。
进一步地，采用指派算法对所述关联矩阵进行处理，获得所述预测状态信息和所述实际状态信息的一对一的匹配关系，包括：
当追踪器的数量小于目标车辆的数量时，对于未与预测状态信息匹配的实际状态信息，对所述实际状态信息对应的目标车辆创建新的追踪器。
进一步地，采用指派算法对所述关联矩阵进行处理，获得所述预测状态信息和所述实际状态信息的一对一的匹配关系，包括：
当追踪器的数量大于目标车辆的数量时，对于未与实际状态信息匹配的预测状态信息，若未匹配的次数超过设定值，则将所述预测状态信息对应的追踪器删除。
第二方面，本发明实施例还提供了一种基于车载雷达的目标追踪装置，包括：
预测状态信息确定模块，用于根据上一帧各追踪器的状态信息确定当前帧的预测状态信息；
实际状态信息获取模块，用于获取车载雷达检测到的目标车辆的实际状态信息；
匹配模块，用于对所述预测状态信息和所述实际状态信息进行匹配；
状态信息修正模块，用于对匹配后的预测状态信息和实际状态信息进行扩展卡尔曼滤波计算，获得当前帧修正后的状态信息。
第三方面，本发明实施例还提供了一种计算机设备，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，所述处理器执行所述程序时实现如本发明实施例所述的基于车载雷达的目标追踪方法。
第四方面，本发明实施例还提供了一种车辆，包括车辆侧向避障装置，所述车辆侧向避障装置用于实现如本发明实施例所述的基于车载雷达的目标追踪方法。
本发明实施例公开的基于车载雷达的目标追踪方法、装置、设备及车辆，根据上一帧各追踪器的状态信息确定当前帧的预测状态信息；获取车载雷达检测到的目标车辆的实际状态信息；对预测状态信息和实际状态信息进行匹配；对匹配后的预测状态信息和实际状态信息进行扩展卡尔曼滤波计算，获得当前帧修正后的状态信息。可以实现对车辆周围目标的追踪，可以提高目标追踪的精度。
附图说明
图1是本发明实施例一中的一种基于车载雷达的目标追踪方法的流程图；
图2是本发明实施例一中的一种状态信息的展示实例图；
图3是本发明实施例一中的一种预测状态信息和实际状态信息关联成功的示例图；
图4是本发明实施例一中的一种预测状态信息和实际状态信息关联不成功的示例图；
图5是本发明实施例二中的一种基于车载雷达的目标追踪装置的结构示意图；
图6是本发明实施例三中的一种计算机设备的结构示意图；
图7是本发明实施例四中的一种车辆的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种基于车载雷达的目标追踪方法的流程图，本实施例可适用于对车辆周围的目标进行追踪的情况，该方法可以由基于车载雷达的目标追踪装置来执行，如图1所示，该方法具体包括如下步骤：
步骤110，根据上一帧各追踪器的状态信息确定当前帧的预测状态信息。
其中，追踪器可以理解为一个虚拟模块，用于记录目标车辆在各时刻的状态信息。上一帧各追踪器的状态信息可以理解为追踪器记录的目测车辆在上一帧中修正后的状态信息。状态信息可以包括位姿信息和尺寸信息，可以用向量{xk,yk,zk,lk,wk,hk}来表征，其中，xk,yk,zk为位姿信息，lk,wk,hk为尺寸信息中的长、宽、高。预测状态信息可以理解为由上一帧的状态信息预测获得的，本实施例，可以采用扩展的扩展卡尔曼滤波预测公式获得预测状态信息。预测状态信息可以是预测框的状态信息，即xk,yk,zk为预测框中心点的位姿信息，lk,wk,hk为预测框的长、宽、高。
具体的，假设在当前帧中存在n个跟踪器，根据上一帧各追踪器的状态信息确定当前帧的预测状态信息按照如下公式计算：
其中，
表示状态转移函数，
表示第j个追踪器当前帧的预测状态信息，
表示第j个追踪器上一帧的状态信息，μ表示处理噪声，Q表示协方差矩阵，P表示预测方差矩阵，JA表示状态转移矩阵。
对于每个追踪器，都按照上述公式确定当前帧的预测状态信息。
步骤120，获取车载雷达检测到的目标车辆的实际状态信息。
其中，车载雷达设置于车辆周围，以一定的频率产生雷达信号，以对车辆周围的目标进行检测。实际状态信息可以理解为检测框的状态信息，包括检测框中心点的位姿信息以及检测框的长宽高。
步骤130，对预测状态信息和实际状态信息进行匹配。
本实施例中，对于每个目标车辆，对应一个实际状态信息和预测状态信息。由于预测状态信息和实际状态信息均有多个，因此需要对预测状态信息和实际状态信息进行配对，才能实现对目标车辆的跟踪。图2是本实施例中的一种状态信息的展示实例图。其中，实线框表示预测框，虚线框表示检测框。如图2所示，检测到7个目标车辆，每个目标车辆对应一个检测框和虚线框。
具体的，对预测状态信息和实际状态信息进行匹配的过程可以是：采用矩形门限算法对预测状态信息和实际状态信息进行关联，获得关联成功的状态信息对；根据关联成功的状态信息对建立各追踪器与目标车辆的关联矩阵；采用指派算法对关联矩阵进行处理，获得预测状态信息和实际状态信息的一对一的匹配关系。
其中，状态信息对包括预测状态信息和实际状态信息。采用矩形门限算法对预测状态信息和实际状态信息进行关联，获得关联成功的状态信息对的方式可以是：若预测状态信息和实际状态信息满足如下条件：
其中，
表示第i个目标车辆的实际位姿信息；
表示第j个追踪器的预测位姿信息，Δx,Δy,Δz为设定值，则预测状态信息和实际状态信息组成关联成功的状态信息对，否则预测状态信息和实际状态信息关联不成功。示例性的，图3为预测状态信息和实际状态信息关联成功的示例图，如图3所示，点划线表示矩形波门的范围，5号车的预测状态信息和实际状态信息关联成功。图4为预测状态信息和实际状态信息关联不成功的示例图，如图4所示，2号车的预测状态信息和实际状态信息关联不成功。
具体的，对于关联成功的状态信息对，根据关联成功的状态信息对建立各追踪器与目标车辆的关联矩阵，的方式可以是：将关联成功的状态信息对采用代价方程进行计算，获得每个追踪器与每个目标车辆的关联值；根据所述关联值组成关联矩阵。
其中，代价方程的公式为：
其中，posture(i,j)表示实际状态信息与预测状态信息的位姿偏差，size(i,j)表示实际状态信息与预测状态信息的尺寸偏差。本实施例中，由于位姿偏差是比较重要的特征，因此权重取值偏大，取值范围可以设置为0.6-0.8之间的值。且
其中，
分别表示当前帧中第i个目标车辆实际状态信息中的x坐标、y坐标及z坐标；
分别表示当前帧中第j个追踪器预测状态信息中的x坐标、y坐标及z坐标；
分别表示当前帧中n个追踪器预测状态信息中的x坐标、y坐标及z坐标。其中，i＝1,2……m，j＝1,2……n。
分别表示当前帧中第i个目标车辆实际状态信息中的长宽高；
分别表示当前帧中第j个追踪器预测状态信息中的长宽高；
分别表示当前帧中n个追踪器预测状态信息中的长宽高。
本实施例中，对于关联成功的状态信息对，按照代价方程计算关联值，对于关联不成功的状态信息对，关联值设置为0。最后由关联值组成关联矩阵，如下所示：
其中，cmn表示第m目测车辆与第n个追踪器的关联值，即第m个实际状态信息与第n个预测状态信息间的关联值。cmn的取值范围为[0,1]。
具体的，采用指派算法对所述关联矩阵进行处理，获得所述预测状态信息和所述实际状态信息的一对一的匹配关系的方式是：使得关联矩阵与指派矩阵点乘后的值满足如下条件：
其中，xij为指派矩阵中的元素。指派矩阵满足如下条件：
当xij＝1时，表示第i个目标车辆与第j个追踪器一对一匹配，当xij＝0时，则表示第i个目标车辆与第j个追踪器不匹配。
本实施例中，当追踪器的数量小于目标车辆的数量时，对于未与预测状态信息匹配的实际状态信息，对实际状态信息对应的目标车辆创建新的追踪器。
本实施例中，当追踪器的数量大于目标车辆的数量时，对于未与实际状态信息匹配的预测状态信息，若未匹配的次数超过设定值，则将预测状态信息对应的追踪器删除。
本实施例中，对于匹配的预测状态信息和实际状态信息，采用扩展卡尔曼滤波公式计算，获得修正后的状态信息。
步骤140，对匹配后的预测状态信息和实际状态信息进行扩展卡尔曼滤波计算，获得当前帧修正后的状态信息。
其中，对匹配后的预测状态信息和实际状态信息进行扩展卡尔曼滤波计算的公式如下所示：
其中，zk+1为实际状态信息，
为观察函数，表示一个非线性映射，本实施例中，可以采用泰勒公式进行线性化；K表示滤波增益矩阵，R表示噪声协方差，I为单位矩阵。
在获得当前帧修正后的状态信息后，可以根据修正后的状态信息确定下一帧的预测状态信息。对于每一帧，都按照上述方式计算修正后的状态信息，从而得到目标车辆的跟踪轨迹，以对目标车辆进行跟踪。
本实施例的技术方案，根据上一帧各追踪器的状态信息确定当前帧的预测状态信息；获取车载雷达检测到的目标车辆的实际状态信息；对预测状态信息和实际状态信息进行匹配；对匹配后的预测状态信息和实际状态信息进行扩展卡尔曼滤波计算，获得当前帧修正后的状态信息。可以实现对车辆周围目标的追踪，可以提高目标追踪的精度。
实施例二
图5是本发明实施例二提供的一种基于车载雷达的目标追踪装置的结构示意图。如图5所示，该装置包括：预测状态信息确定模块210，实际状态信息获取模块220，匹配模块230和状态信息修正模块240。
预测状态信息确定模块210，用于根据上一帧各追踪器的状态信息确定当前帧的预测状态信息；
实际状态信息获取模块220，用于获取车载雷达检测到的目标车辆的实际状态信息；
匹配模块230，用于对预测状态信息和实际状态信息进行匹配；
状态信息修正模块240，用于对匹配后的预测状态信息和实际状态信息进行扩展卡尔曼滤波计算，获得当前帧修正后的状态信息。
可选的，根据上一帧各追踪器的状态信息确定当前帧的预测状态信息按照如下公式计算：
可选的，匹配模块230，还用于：
采用矩形门限算法对预测状态信息和实际状态信息进行关联，获得关联成功的状态信息对；其中，状态信息对包括预测状态信息和实际状态信息；
根据关联成功的状态信息对建立各追踪器与目标车辆的关联矩阵；
采用指派算法对关联矩阵进行处理，获得预测状态信息和实际状态信息的一对一的匹配关系。
可选的，匹配模块230还用于：
若预测状态信息和实际状态信息满足如下条件：
则预测状态信息和实际状态信息组成关联成功的状态信息对。
可选的，匹配模块230，还用于：
将关联成功的状态信息对采用代价方程进行计算，获得每个追踪器与每个目标车辆的关联值；
根据关联值组成关联矩阵。
可选的，匹配模块230，还用于：
当追踪器的数量小于目标车辆的数量时，对于未与预测状态信息匹配的实际状态信息，对实际状态信息对应的目标车辆创建新的追踪器。
可选的，匹配模块230，还用于：
当追踪器的数量大于目标车辆的数量时，对于未与实际状态信息匹配的预测状态信息，若未匹配的次数超过设定值，则将预测状态信息对应的追踪器删除。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
实施例三
图6为本发明实施例三提供的一种计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的计算机设备312的框图。图6显示的计算机设备312仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备312是典型的基于车载雷达的目标追踪功能的计算设备。
如图6所示，计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于：一个或者多个处理器316，存储装置328，连接不同系统组件(包括存储装置328和处理器316)的总线318。
总线318表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置328可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统334可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块326的程序336，可以存储在例如存储装置328中，这样的程序模块326包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信，还可与一个或者多个使得用户能与该计算机设备312交互的设备通信，和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且，计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(Local AreaNetwork，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备312使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器316通过运行存储在存储装置328中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的基于车载雷达的目标追踪方法。
实施例四
图7是本发明实施例四提供的一种车辆的结构示意图，如图7所示，该车辆包括本发明实施例的基于车载雷达的目标追踪装置，该装置包括：预测状态信息确定模块，用于根据上一帧各追踪器的状态信息确定当前帧的预测状态信息；实际状态信息获取模块，用于获取车载雷达检测到的目标车辆的实际状态信息；匹配模块，用于对所述预测状态信息和所述实际状态信息进行匹配；状态信息修正模块，用于对匹配后的预测状态信息和实际状态信息进行扩展卡尔曼滤波计算，获得当前帧修正后的状态信息。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于车载雷达的目标追踪方法，其特征在于，包括：
根据上一帧各追踪器的状态信息确定当前帧的预测状态信息；
获取车载雷达检测到的目标车辆的实际状态信息；
对所述预测状态信息和所述实际状态信息进行匹配；
对匹配后的预测状态信息和实际状态信息进行扩展卡尔曼滤波计算，获得当前帧修正后的状态信息。
2.根据权利要求1所述的方法，其特征在于，根据上一帧各追踪器的状态信息确定当前帧的预测状态信息按照如下公式计算：
3.根据权利要求1所述的方法，其特征在于，对所述预测状态信息和所述实际状态信息进行匹配，包括：
采用矩形门限算法对所述预测状态信息和所述实际状态信息进行关联，获得关联成功的状态信息对；其中，所述状态信息对包括预测状态信息和实际状态信息；
根据关联成功的状态信息对建立各追踪器与目标车辆的关联矩阵；
采用指派算法对所述关联矩阵进行处理，获得所述预测状态信息和所述实际状态信息的一对一的匹配关系。
4.根据权利要求3所述的方法，其特征在于，采用矩形门限算法对所述预测状态信息和所述实际状态信息进行关联，获得关联成功的状态信息对，包括：
若所述预测状态信息和所述实际状态信息满足如下条件：
则所述预测状态信息和所述实际状态信息组成关联成功的状态信息对。
5.根据权利要求3所述的方法，其特征在于，根据关联成功的状态信息对建立各追踪器与目标车辆的关联矩阵，包括：
将关联成功的状态信息对采用代价方程进行计算，获得每个追踪器与每个目标车辆的关联值；
根据所述关联值组成关联矩阵。
6.根据权利要求3所述的方法，其特征在于，采用指派算法对所述关联矩阵进行处理，获得所述预测状态信息和所述实际状态信息的一对一的匹配关系，包括：
当追踪器的数量小于目标车辆的数量时，对于未与预测状态信息匹配的实际状态信息，对所述实际状态信息对应的目标车辆创建新的追踪器。
7.根据权利要求3所述的方法，其特征在于，采用指派算法对所述关联矩阵进行处理，获得所述预测状态信息和所述实际状态信息的一对一的匹配关系，包括：
当追踪器的数量大于目标车辆的数量时，对于未与实际状态信息匹配的预测状态信息，若未匹配的次数超过设定值，则将所述预测状态信息对应的追踪器删除。
8.一种基于车载雷达的目标追踪装置，其特征在于，包括：
预测状态信息确定模块，用于根据上一帧各追踪器的状态信息确定当前帧的预测状态信息；
实际状态信息获取模块，用于获取车载雷达检测到的目标车辆的实际状态信息；
匹配模块，用于对所述预测状态信息和所述实际状态信息进行匹配；
状态信息修正模块，用于对匹配后的预测状态信息和实际状态信息进行扩展卡尔曼滤波计算，获得当前帧修正后的状态信息。
9.一种计算机设备，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程序时实现如权利要求1-7任一所述的基于车载雷达的目标追踪方法。
10.一种车辆，其特征在于，包括车辆侧向避障装置，所述车辆侧向避障装置用于实现如权利要求1-7任一所述的基于车载雷达的目标追踪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010814028.4A CN111985379A (zh) | 2020-08-13 | 2020-08-13 | 基于车载雷达的目标追踪方法、装置、设备及车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010814028.4A CN111985379A (zh) | 2020-08-13 | 2020-08-13 | 基于车载雷达的目标追踪方法、装置、设备及车辆 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111985379A true CN111985379A (zh) | 2020-11-24 |
Family
ID=73434274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010814028.4A Pending CN111985379A (zh) | 2020-08-13 | 2020-08-13 | 基于车载雷达的目标追踪方法、装置、设备及车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111985379A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114740448A (zh) * | 2022-06-10 | 2022-07-12 | 南京隼眼电子科技有限公司 | 用于车载雷达的目标状态估计方法、装置及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103941233A (zh) * | 2014-03-04 | 2014-07-23 | 中国人民解放军海军航空工程学院 | 一种多平台主被动传感器协同跟踪的雷达间歇交替辐射控制方法 |
| US20160109566A1 (en) * | 2014-10-21 | 2016-04-21 | Texas Instruments Incorporated | Camera Assisted Tracking of Objects in a Radar System |
| CN105809126A (zh) * | 2016-03-04 | 2016-07-27 | 重庆邮电大学 | Dsrc与车载传感器融合的智能车辆目标跟踪系统及方法 |
| CN106054169A (zh) * | 2016-05-18 | 2016-10-26 | 西安电子科技大学 | 基于跟踪信息的多站雷达信号融合检测方法 |
| CN107464256A (zh) * | 2017-07-05 | 2017-12-12 | 河海大学 | 一种目标检测与可能性判别修正的关联方法 |
| CN107993245A (zh) * | 2017-11-15 | 2018-05-04 | 湖北三江航天红峰控制有限公司 | 一种空天背景多目标检测和跟踪方法 |
| CN108053427A (zh) * | 2017-10-31 | 2018-05-18 | 深圳大学 | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 |
| CN109581302A (zh) * | 2018-12-12 | 2019-04-05 | 北京润科通用技术有限公司 | 一种车载雷达数据跟踪方法及系统 |
| CN109636829A (zh) * | 2018-11-24 | 2019-04-16 | 华中科技大学 | 一种基于语义信息和场景信息的多目标跟踪方法 |
| CN109655823A (zh) * | 2018-12-30 | 2019-04-19 | 北京经纬恒润科技有限公司 | 目标的跟踪方法及装置 |
| CN109781098A (zh) * | 2019-03-08 | 2019-05-21 | 兰州交通大学 | 一种列车定位的方法和系统 |
| CN110245565A (zh) * | 2019-05-14 | 2019-09-17 | 东软集团股份有限公司 | 车辆跟踪方法、装置、计算机可读存储介质及电子设备 |
-
2020
- 2020-08-13 CN CN202010814028.4A patent/CN111985379A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103941233A (zh) * | 2014-03-04 | 2014-07-23 | 中国人民解放军海军航空工程学院 | 一种多平台主被动传感器协同跟踪的雷达间歇交替辐射控制方法 |
| US20160109566A1 (en) * | 2014-10-21 | 2016-04-21 | Texas Instruments Incorporated | Camera Assisted Tracking of Objects in a Radar System |
| CN105809126A (zh) * | 2016-03-04 | 2016-07-27 | 重庆邮电大学 | Dsrc与车载传感器融合的智能车辆目标跟踪系统及方法 |
| CN106054169A (zh) * | 2016-05-18 | 2016-10-26 | 西安电子科技大学 | 基于跟踪信息的多站雷达信号融合检测方法 |
| CN107464256A (zh) * | 2017-07-05 | 2017-12-12 | 河海大学 | 一种目标检测与可能性判别修正的关联方法 |
| CN108053427A (zh) * | 2017-10-31 | 2018-05-18 | 深圳大学 | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 |
| CN107993245A (zh) * | 2017-11-15 | 2018-05-04 | 湖北三江航天红峰控制有限公司 | 一种空天背景多目标检测和跟踪方法 |
| CN109636829A (zh) * | 2018-11-24 | 2019-04-16 | 华中科技大学 | 一种基于语义信息和场景信息的多目标跟踪方法 |
| CN109581302A (zh) * | 2018-12-12 | 2019-04-05 | 北京润科通用技术有限公司 | 一种车载雷达数据跟踪方法及系统 |
| CN109655823A (zh) * | 2018-12-30 | 2019-04-19 | 北京经纬恒润科技有限公司 | 目标的跟踪方法及装置 |
| CN109781098A (zh) * | 2019-03-08 | 2019-05-21 | 兰州交通大学 | 一种列车定位的方法和系统 |
| CN110245565A (zh) * | 2019-05-14 | 2019-09-17 | 东软集团股份有限公司 | 车辆跟踪方法、装置、计算机可读存储介质及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| MR. PRAMOD R. GUNJAL等: "Moving Object Tracking Using Kalman Filter", 《2018 INTERNATIONAL CONFERENCE ON ADVANCES IN COMMUNICATION AND COMPUTING TECHNOLOGY (ICACCT)》 * |
| 李丰博: "视频融合后的雷达目标跟踪方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
| 李帅印: "基于激光雷达的道路信息提取及目标跟踪算法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114740448A (zh) * | 2022-06-10 | 2022-07-12 | 南京隼眼电子科技有限公司 | 用于车载雷达的目标状态估计方法、装置及存储介质 |
| CN114740448B (zh) * | 2022-06-10 | 2022-09-02 | 南京隼眼电子科技有限公司 | 用于车载雷达的目标状态估计方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111932580B (zh) | 一种基于卡尔曼滤波与匈牙利算法的道路3d车辆跟踪方法及系统 | |
| CN110134126B (zh) | 轨迹匹配方法、装置、设备和介质 | |
| CN112530202B (zh) | 一种车辆变道的预测方法、装置、设备及车辆 | |
| CN115063454B (zh) | 多目标跟踪匹配方法、装置、终端及存储介质 | |
| CN109635868B (zh) | 障碍物类别的确定方法、装置、电子设备及存储介质 | |
| Yazdian-Dehkordi et al. | Penalized Gaussian mixture probability hypothesis density filter for multiple target tracking | |
| US20170261996A1 (en) | Location and mapping device and method | |
| CN116309696B (zh) | 一种基于改进广义交并比的多类别多目标跟踪方法及装置 | |
| CN115546705A (zh) | 目标识别方法、终端设备及存储介质 | |
| KR20200068258A (ko) | 차량용 센서퓨전 타겟 예측 장치 및 그의 센서 퓨전 타겟 예측 방법과 그를 포함하는 차량 | |
| CN110646798B (zh) | 目标航迹关联方法、雷达和终端设备 | |
| CN111985379A (zh) | 基于车载雷达的目标追踪方法、装置、设备及车辆 | |
| CN114299115A (zh) | 用于多目标跟踪的方法及装置、存储介质及电子设备 | |
| CN113313739B (zh) | 目标跟踪方法、装置和存储介质 | |
| CN112528925B (zh) | 行人跟踪、图像匹配方法及相关设备 | |
| CN111912414B (zh) | 车辆位姿的验证方法、装置、设备及存储介质 | |
| CN115908498B (zh) | 一种基于类别最优匹配的多目标跟踪方法及装置 | |
| CN112034464A (zh) | 一种目标分类方法 | |
| CN109188419B (zh) | 障碍物速度的检测方法、装置、计算机设备及存储介质 | |
| Lamard et al. | Multi target tracking with cphd filter based on asynchronous sensors | |
| US11555913B2 (en) | Object recognition device and object recognition method | |
| US9514361B2 (en) | Classification of range profiles | |
| CN114817765A (zh) | 基于地图的目标航向消歧 | |
| WO2024004113A1 (ja) | 目標追尾装置、目標追尾方法、および目標追尾プログラム | |
| CN114355332A (zh) | 确定目标轨迹的方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201124 |