CN113191427B - 一种多目标车辆跟踪方法及相关装置 - Google Patents

一种多目标车辆跟踪方法及相关装置 Download PDF

Info

Publication number
CN113191427B
CN113191427B CN202110474334.2A CN202110474334A CN113191427B CN 113191427 B CN113191427 B CN 113191427B CN 202110474334 A CN202110474334 A CN 202110474334A CN 113191427 B CN113191427 B CN 113191427B
Authority
CN
China
Prior art keywords
target vehicle
measurement
measurement sample
target
data
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
Application number
CN202110474334.2A
Other languages
English (en)
Other versions
CN113191427A (zh
Inventor
章军辉
郭晓满
付宗杰
王静贤
陈大鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Internet Of Things Innovation Center Co ltd
Jiangsu IoT Research and Development Center
Original Assignee
Wuxi Internet Of Things Innovation Center Co ltd
Jiangsu IoT Research and Development Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Internet Of Things Innovation Center Co ltd, Jiangsu IoT Research and Development Center filed Critical Wuxi Internet Of Things Innovation Center Co ltd
Priority to CN202110474334.2A priority Critical patent/CN113191427B/zh
Publication of CN113191427A publication Critical patent/CN113191427A/zh
Application granted granted Critical
Publication of CN113191427B publication Critical patent/CN113191427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种多目标车辆跟踪方法，包括：从传感器的量测数据中筛选有效量测数据，得到量测样本；通过HS‑FCM算法计算所述量测样本与聚类中心的隶属度，并根据所述隶属度将所述量测样本与目标车辆的运动轨迹关联；根据所述量测样本以及多目标观测模型，通过概率加权融合的方式进行滚动估计得到与所述量测样本关联的所述目标车辆的运动状态。该方法能够在有效跟踪车辆的同时，降低计算的复杂度，实现快速跟踪，并且一定程度上避免航迹合并现象。本申请还公开了一种多目标车辆跟踪装置、设备及计算机可读存储介质，均具有上述技术效果。

Description

一种多目标车辆跟踪方法及相关装置
技术领域
本申请涉及智能车辆技术领域，特别涉及一种多目标车辆跟踪方法；还涉及一种多目标车辆跟踪装置、设备以及计算机可读存储介质。
背景技术
实现精准可靠的目标轨迹跟踪是多目标跟踪的主要任务，而强杂波环境下的数据关联、多源数据融合策略等问题一直是多目标跟踪研究的热难点。目标的表达通常是采用形状或外观来描述的。对于点表达的目标跟踪问题，点关联的方法主要包括确定性方法与统计性方法。确定性方法通常是在一系列约束条件下寻求关联成本最小化的解，如贪婪搜索法。统计性方法利用位置、速度、加速度等目标的属性来建立状态空间模型，并在一定程度上考虑了模型不确定性以及观测噪声，如JPDA(joint probability data association，联合概率数据关联)等。
车辆跟随行驶是日常道路交通环境中最主要的行车工况。在强杂波环境下经典数据关联方法的跟踪效果往往不太理想。传统的通过穷举量测-目标所有可能的关联事件或关联假设来估计最优关联的方法，无法在多项式时间内完成精确求解，在一定程度上制约了技术的可实施性，无法快速有效的实现目标跟踪。
有鉴于此，如何在有效跟踪车辆的同时，降低计算的复杂度，实现快速跟踪已成为本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种多目标车辆跟踪方法，能够在有效跟踪车辆的同时，降低计算的复杂度，实现快速跟踪。本申请的另一个目的是提供一种多目标车辆跟踪装置、设备以及计算机可读存储介质，均具有上述技术效果。
为解决上述技术问题，本申请提供了一种多目标车辆跟踪方法，包括：
从传感器的量测数据中筛选有效量测数据，得到量测样本；
通过HS-FCM算法计算所述量测样本与聚类中心的隶属度，并根据所述隶属度将所述量测样本与目标车辆的运动轨迹关联；
根据所述量测样本以及多目标观测模型，通过概率加权融合的方式进行滚动估计得到与所述量测样本关联的所述目标车辆的运动状态。
可选的，从传感器的量测数据中筛选有效量测数据包括：
计算所述量测数据与相应的预测值的马氏距离；
判断所述马氏距离是否小于或等于预设门限；
若所述马氏距离小于或等于所述预设门限，则所述量测数据为有效量测数据。
可选的，所述通过HS-FCM算法计算所述量测样本与聚类中心的隶属度包括：
当行车工况为密集工况时，根据包含所述量测样本与聚类中心的马氏距离的聚类损失函数与隶属度迭代式计算所述量测样本与聚类中心的隶属度。
可选的，通过概率加权融合的方式进行滚动估计时量测更新过程中状态估计协方差为：
Figure BDA0003046482750000021
其中，Pi(k)表示状态估计协方差，Pi(k|k-1)表示对k时刻目标车辆i的状态预测的协方差，Gi(k)表示卡尔曼增益，Si(k)表示量测协方差，δi,j(k)表示量测新息，δi(k)表示组合新息，μi,j(k)表示k时刻量测样本j源于目标车辆i的概率，μi,0(k)表示没有量测样本与目标车辆i关联。
可选的，所述传感器为视觉传感器。
可选的，还包括：
调整在滚动估计所述目标车辆的运动状态过程中使用的卡尔曼增益，以抑制量测更新。
可选的，还包括：
通过雷达传感器的量测数据或V2V模块获取的数据更新滚动估计得到的各阶段所述目标车辆的纵向速度，以及通过所述雷达传感器的量测数据校正所述目标车辆的纵向距离。
为解决上述技术问题，本申请还提供了一种多目标车辆跟踪装置，包括：
筛选模块，用于从传感器的量测数据筛选有效量测数据，得到量测样本；
计算模块，用于通过HS-FCM算法计算所述量测样本与聚类中心的隶属度，并根据所述隶属度将所述量测样本与目标车辆的运动轨迹关联；
估计模块，用于根据所述量测样本以及多目标观测模型，通过概率加权融合的方式进行滚动估计得到与所述量测样本关联的所述目标车辆的运动状态。
为解决上述技术问题，本申请还提供了一种多目标车辆跟踪设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上任一项所述的多目标车辆跟踪方法的步骤。
为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的多目标车辆跟踪方法的步骤。
本申请所提供的多目标车辆跟踪方法，包括：从传感器的量测数据中筛选有效量测数据，得到量测样本；通过HS-FCM算法计算所述量测样本与聚类中心的隶属度，并根据所述隶属度将所述量测样本与目标车辆的运动轨迹关联；根据所述量测样本以及多目标观测模型，通过概率加权融合的方式进行滚动估计得到与所述量测样本关联的所述目标车辆的运动状态。
可见，本申请所提供的多目标车辆跟踪方法，基于模糊理论将点迹-航迹关联问题转换成量测模糊聚类问题，利用模糊隶属度来代替联合概率关联中不确定性量测与各目标的关联概率，由此能够在快速有效跟踪车辆的同时，在一定程度上降低计算的复杂度。此外，通过合理设置HS-FCM算法中的抑制因子与抑制门限，可以改善聚类效果，一定程度上避免航迹合并现象。
本申请所提供的多目标车辆跟踪装置、设备以及计算机可读存储介质均具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例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申请的一些实施例，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。
图1为本申请实施例所提供的一种多目标车辆跟踪方法的流程示意图；
图2为本申请实施例所提供的一种多目标车辆跟踪坐标系的示意图；
图3为本申请实施例所提供的一种相机标定示意图；
图4为本申请实施例所提供的一种航迹合并现象的示意图。
具体实施方式
本申请的核心是提供一种多目标车辆跟踪方法，能够在有效跟踪车辆的同时，降低计算的复杂度，实现快速跟踪。本申请的另一个核心是提供一种多目标车辆跟踪装置、设备以及计算机可读存储介质，均具有上述技术效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种多目标车辆跟踪方法的流程示意图，参考图1所示，该方法包括：
S101：从传感器的量测数据中筛选有效量测数据，得到量测样本；
具体的，在车辆跟踪过程中，车辆被视为一种小机动性目标，常用的机动目标运动模型有匀速运动模型、匀加速运动模型等。综合考虑计算实时性与目标的机动性，本申请定义目标运动模型为分段式匀速运动模型。在多目标车辆跟踪过程中，OOI(Objects ofInterest，感兴趣目标)是位于本车道以及左右车道且距离自车最临近的前方车辆。如图2所示，以自车作为坐标原点，建立多目标车辆跟踪的水平坐标系，并忽略目标车辆的垂向运动。
预先构建多目标车辆跟踪模型：对于第i个感兴趣的目标车辆，令该目标的纵向距离为di,y(k)，纵向速度为vi,y(k)，横向距离为di,x(k)，横向速度为vi,x(k)，以xi(k)＝[di,y(k),vi,y(k),di,x(k),vi,x(k)]T作为状态向量，yi(k)＝[di,y(k),di,x(k)]T作为观测模型输出，建立多目标车辆跟踪模型：
Figure BDA0003046482750000051
上式中，xi(k-1|k)表示基于k-1时刻对k时刻第i个目标的状态预测，yi(k)表示对第i个目标的量测预测，Fi是目标i的状态转移矩阵，H是视觉传感器的量测矩阵，Ci是状态校正项，wi(k)是过程噪声，v(k)是视觉传感器的量测噪声。其中，i∈[1,3]是目标标签。
假设过程噪声wi(k)为服从N(0,Q)分布，量测噪声v(k)服从N(0,R)分布。多目标观测模型中各系数矩阵满足：
Figure BDA0003046482750000052
其中，Ts表示采样周期，Δvi,y表示纵向相对速度，Δvi,y用于定期校正分段式匀速运动模型。
在多目标车辆跟踪的过程中，通过传感器进行量测，得到量测数据。其中传感器具体可为视觉传感器。由于传感器的量测数据可能一些对于车辆跟踪没有意义的数据，例如与本车相距较远的一些车辆的量测数据等，因此在得到量测数据后，首选从量数据中筛选出有效量测数据，以后续基于有效量测数据进行车辆跟踪。
其中，从传感器的量测数据中筛选有效量测数据的方式可以为：计算量测数据与相应的预测值的马氏距离；判断马氏距离是否小于或等于预设门限；若马氏距离小于或等于预设门限，则量测数据为有效量测数据。
具体而言，定义L维模型预测向量与量测向量之间的马氏距离为：
Figure BDA0003046482750000053
式中，dM为马氏距离，y为模型的预测向量，z为当前周期内的量测向量，Σ为协方差矩阵，且满足：
Figure BDA0003046482750000054
马氏距离是一种加权欧氏距离，当协方差矩阵为单位矩阵时，马氏距离即为欧式距离。由于不同特征的度量标准之间存在着较大的差异，通过欧氏距离来量化评估往往缺乏一定的合理性，而马氏距离在一定程度上归一化了不同变量之间量纲的影响，使得特征之间的关系更加符合实际情况。然在求解过程中存在协方差矩阵求逆运算，当协方差矩阵为奇异矩阵时会影响到马氏距离计算的数值稳定性，为此要求总体样本数大于样本的维数，以确保协方差矩阵可逆。
如果计算所得马氏距离小于或等于预设门限，则表明相应的量测数据为有效量测数据。即若量测数据落入有效观测集所描述的区域，则表明量测数据为有效量测数据。有效观测集表示如下：
z*＝{z:dM≤δ}；
式中，z*表示有效观测集，δ表示约束上界即预设门限。
另外，从传感器的量测数据中筛选出有效量测数据前还包括：将传感器获取的传感器坐标系下的量测数据转换到世界坐标系下。对于传感器采用视觉传感器即相机的情况，即将量测数据从相机坐标系转换到世界坐标系。
具体而言，结合图3所示，图像数组(即像素坐标)与像平面坐标之间的关系如下：
Figure BDA0003046482750000061
式中，u、v分别表示像素在图像数组中的列数、行数，(u0,v0)是投影中心点，dx、dy分别表示像素在像平面坐标系中x轴、y轴上的物理尺寸。
像平面坐标与相机坐标之间的关系如下：
Figure BDA0003046482750000062
上式中，f表示焦距。
相机坐标与世界坐标之间的关系如下：
Figure BDA0003046482750000063
上式中，R3×3为旋转矩阵，且R3×3＝Rx(α)Ry(β)Rz(θ)，t3×1为平移向量，α、β、θ分别表示世界坐标系中x轴、y轴、z轴的旋转角，且满足：
Figure BDA0003046482750000071
Figure BDA0003046482750000072
Figure BDA0003046482750000073
由此，三维世界点P与其在像平面上投影点p的关系满足：
ξp＝ψ[R3×3|t3×1]P；
其中，ξ是比例因子，p＝[u,v,1]T是二维图像中投影点p的齐次坐标，P＝[Xw,Yw,Zw,1]T是三维世界点P的齐次坐标，
Figure BDA0003046482750000074
是相机的内参矩阵，用以实现相机3D坐标到2D坐标的转换，[R3×3|t3×1]是相机的外参矩阵，用以实现将点从世界坐标系到相机坐标系的转换。
从而依据上述关系将相机坐标系下的量测数据转换到世界坐标系下。
S102：通过HS-FCM算法计算量测样本与聚类中心的隶属度，并根据隶属度将量测样本与目标车辆的运动轨迹关联；
具体的，数据关联是将源自各传感器的量测数据与相应的目标航迹进行关联的过程。对于回波落入跟踪门重叠区域的情形，引入关联概率，用以表示不确定性量测与各个源目标之间的关联程度。然而，随着跟踪目标与有效回波数量的增多，对确认矩阵的拆分次数将会骤增，一般呈指数增长趋势，容易导致组合爆炸问题，影响计算实时性。另外，如图4所示，稀疏工况下，目标之间相距较远，公共量测源自于杂波的可能性较大；车辆密集工况下，落入公共区域的量测数相对偏多，用来更新目标航迹的组合量测趋于接近，容易产生航迹合并问题，造成目标短暂跟丢的现象。图4中三角形表示目标车辆，小圆表示量测数据。
对于一个航迹或目标来说，所有落入其跟踪波门内的有效量测与目标的关联概率之和为1，构成一个完备事件组，可将点迹-航迹关联问题视为一种量测模糊聚类问题，为此，本申请通过求解量测样本与聚类中心的隶属度来间接地计算量测与目标车辆的运动航迹的关联概率。并且本申请具体采用HS-FCM算法来计算隶属度。
具体而言，HCM(Hard C-Means，硬C-均值)聚类算法的隶属度取值为0与1，聚类速度较快，但其对样本的分类标准是硬性的，聚类结果往往不够准确。FCM(Fuzzy C-Means，模糊C-均值)聚类算法是基于HCM对样本与聚簇之间的隶属关系进行模糊化，将隶属度取值从HCM算法的二值{0,1}扩展到[0,1]区间，使得聚类结果更加合理。
令量测样本集Z＝{z1,z2,…,zm}，簇类中心C＝{c1,c2,…,cn}，模糊隶属度矩阵U＝[μi,j]n×m。
定义聚类损失函数如下：
Figure BDA0003046482750000081
式中，di,j＝||zj-ci||表示量测样本至聚类中心的欧式距离，n是聚类的簇数，m是量测样本数。
FCM算法是通过最小化聚类损失函数来实现量测的模糊分类。采用Lagrange乘子法，可得隶属度、聚类中心的迭代式：
Figure BDA0003046482750000082
Figure BDA0003046482750000083
其中，迭代终止条件满足|Δci|＜ε，ε是约束上界，或者通过限制最大迭代次数来终止。
FCM算法存在如下缺陷：对初始聚类中心敏感；目标函数的非凸性易致求解极值陷入局部最优，且收敛速度较慢；未考虑特征的差异性,即有用特征与冗余特征对聚类的贡献值相同。
S-FCM(suppressed fuzzy c-means，抑制式模糊C-均值)算法通过调整隶属度来突出主要因素并抑制次要因素，以增强量测样本对第p类聚类中心的吸引力，减弱对其余类聚类中心的吸引力，从而提高了算法的收敛速度。
对隶属度进行修正
Figure BDA0003046482750000091
式中，μp,j＝max{μi,j},i∈[1,n]表示量测样本对第p类聚类中心的隶属度是极大的，α是抑制因子，α∈[0,1]，当α＝0时，S-FCM退化为HCM，当α＝1时，S-FCM即为FCM。
然而，S-FCM算法存在如下缺陷：S-FCM提高了模糊聚类算法的收敛速度，但其聚类效果不及FCM；当最大隶属度较小时，S-FCM存在过早收敛的隐患。
HS-FCM(half suppressed fuzzy c-means，半抑制式模糊C均值聚类)算法引入抑制门限，对隶属度进一步修正，即
当i＝p时，
Figure BDA0003046482750000092
当i≠p时，
Figure BDA0003046482750000093
式中，β是抑制门限，当β越小时，HS-FCM算法效果越趋近于S-FCM，当β越大时，HS-FCM算法效果越趋近于FCM。优选的抑制因子α选取0.5，抑制门限β选取0.5。
鉴于HS-FCM算法可以在收敛速度与聚类效果之间寻求平衡，为此，本申请采用HS-FCM通过计算隶属度而得到有效量测数据与目标车辆的运动轨迹关联概率，进而依据关联概率将有效量测数据与目标车辆的运动轨迹相关联。
其中，当行车工况为稀疏工况时，此时聚类损失函数与隶属度迭代式中可采用如上文中聚类损失函数与隶属度迭代式中的欧式距离，采用欧式距离进行聚类，以在聚类可靠性与计算复杂度之间寻求平衡。而当行车工况为密集工况时，虽然量测样本与目标车辆之间的欧式距离较近，但是该量测样本未必来源于该目标车辆，因此在行车工况为母鸡工况时，将上文中聚类损失函数与隶属度迭代式中的欧式距离替换为马氏距离，根据包含量测样本与聚类中心的马氏距离的聚类损失函数与隶属度迭代式计算量测样本与聚类中心的隶属度。
S103：根据所述量测样本以及多目标观测模型，通过概率加权融合的方式进行滚动估计得到与所述量测样本关联的所述目标车辆的运动状态。
具体的，基于模糊数学中的模糊聚类方法，计算各候选量测与观测区域内不同目标的关联概率，再利用概率加权融合方法对各目标状态与协方差进行更新。下一采样时刻，时域移动一步，并重复上述过程，以实现对各目标车辆的运动状态的滚动估计。一步迭代算式如下：
预测更新
Figure BDA0003046482750000101
式中，xi(k|k-1)表示对k时刻目标i的状态进行预测，Pi(k|k-1)是对k时刻目标i状态预测的协方差，Q是过程噪声的协方差。
关联概率更新
基于HS-FCM算法得到量测样本的隶属度，对关联概率进行更新。
量测更新
Figure BDA0003046482750000102
式中，Si(k)是量测协方差，Gi(k)是卡尔曼增益，zj(k)是量测向量，δi,j(k)是量测新息，δi(k)是组合新息，μi,j(k)是k时刻量测j源于目标i的概率，μi,0(k)表示没有量测与目标i关联，xi,j(k)表示基于量测j对目标i的标准卡尔曼滤波估计，xi(k)、Pi(k)是k时刻的滤波估计，作为下一步迭代的输入。其中，
Figure BDA0003046482750000111
Figure BDA0003046482750000112
进一步，为了减少计算量，在一种具体的实施方式中，通过概率加权融合的方式进行滚动估计时量测更新过程中状态估计协方差为：
Figure BDA0003046482750000113
其中，Pi(k)表示状态估计协方差，Pi(k|k-1)表示对k时刻目标车辆i的状态预测的协方差，Gi(k)表示卡尔曼增益，Si(k)表示量测协方差，δi,j(k)表示量测新息，δi(k)表示组合新息，μi,j(k)表示k时刻量测样本j源于目标车辆i的概率，μi,0(k)表示没有量测样本与目标车辆i关联，mk表示量测样本数。
即对上文量测更新中的状态估计协方差Pi(k)进行优化，优化后的状态估计协方差Pi(k)为：
Figure BDA0003046482750000114
优化后将无需额外计算各个量测样本j对目标车辆i的卡尔曼滤波估计xi,j(k)，从而一定程度上降低了计算复杂度。
进一步，在上述实施例的基础上，还包括：调整在滚动估计目标车辆的运动状态过程中使用的卡尔曼增益，以抑制量测更新。
具体而言，考虑到机动目标的惯性因素，在车辆密集工况下可通过调整卡尔曼增益对量测更新进行抑制，以克服目标短暂跟丢的问题。
进一步，在上述实施例的基础上，还包括：
通过雷达传感器的量测数据或V2V(Vehicle to Vehicle，车车互联)模块获取的数据更新滚动估计得到的各阶段目标车辆的纵向速度，以及通过雷达传感器的量测数据校正目标车辆的纵向距离。
具体而言，鉴于视觉传感器测距的局限性，本实施例辅以雷达传感器来实施校正滚动估计得到的车间纵向距离。另外，还通过雷达传感器的量测数据或V2V模块获取的数据更新滚动估计得到的各阶段目标车辆的纵向速度，以避免与实际存在较大偏差。
综上所述，本申请所提供的多目标车辆的跟踪方法，基于模糊理论将点迹-航迹关联问题转换成量测模糊聚类问题，利用模糊隶属度来代替联合概率关联中不确定性量测与各目标的关联概率，由此能够在快速有效跟踪车辆的同时，在一定程度上降低计算的复杂度。此外，通过合理设置HS-FCM算法中的抑制因子与抑制门限，可以改善聚类效果，一定程度上避免航迹合并现象。
本申请还提供了一种多目标车辆跟踪装置，下文描述的该装置可以与上文描述的方法相互对应参照。该装置包括：
筛选模块，用于从传感器的量测数据中筛选有效量测数据，得到量测样本；
计算模块，用于通过HS-FCM算法计算所述量测样本与聚类中心的隶属度，并根据所述隶属度将所述量测样本与目标车辆的运动轨迹关联；
估计模块，用于根据所述量测样本以及多目标观测模型，通过概率加权融合的方式进行滚动估计得到与所述量测样本关联的所述目标车辆的运动状态。
对于本申请所提供的装置的介绍请参照上述方法实施例，本申请在此不做赘述。
本申请还提供了一种多目标车辆跟踪设备，该设备包括存储器和处理器。
存储器，用于存储计算机程序；
处理器，用于执行计算机程序实现如下的步骤：
从传感器的量测数据中筛选有效量测数据，得到量测样本；通过HS-FCM算法计算所述量测样本与聚类中心的隶属度，并根据所述隶属度将所述量测样本与目标车辆的运动轨迹关联；根据所述量测样本以及多目标观测模型，通过概率加权融合的方式进行滚动估计得到与所述量测样本关联的所述目标车辆的运动状态。
对于本申请所提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下的步骤：
从传感器的量测数据中筛选有效量测数据，得到量测样本；通过HS-FCM算法计算所述量测样本与聚类中心的隶属度，并根据所述隶属度将所述量测样本与目标车辆的运动轨迹关联；根据所述量测样本以及多目标观测模型，通过概率加权融合的方式进行滚动估计得到与所述量测样本关联的所述目标车辆的运动状态。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请所提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的多目标车辆跟踪方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围。

Claims (9)

1.一种多目标车辆跟踪方法，其特征在于，包括：
从传感器的量测数据中筛选有效量测数据，得到量测样本；
通过HS-FCM算法计算所述量测样本与聚类中心的隶属度，并根据所述隶属度将所述量测样本与目标车辆的运动轨迹关联；
根据所述量测样本以及多目标观测模型，通过概率加权融合的方式进行滚动估计得到与所述量测样本关联的所述目标车辆的运动状态；
通过概率加权融合的方式进行滚动估计时量测更新过程中状态估计协方差为：
Figure FDA0003656535410000011
其中，Pi(k)表示状态估计协方差，Pi(k|k-1)表示对k时刻目标车辆i的状态预测的协方差，Gi(k)表示卡尔曼增益，Si(k)表示量测协方差，δi,j(k)表示量测新息，δi(k)表示组合新息，μi,j(k)表示k时刻量测样本j源于目标车辆i的概率，μi,0(k)表示没有量测样本与目标车辆i关联。
2.根据权利要求1所述的多目标车辆跟踪方法，其特征在于，从传感器的量测数据中筛选有效量测数据包括：
计算所述量测数据与相应的预测值的马氏距离；
判断所述马氏距离是否小于或等于预设门限；
若所述马氏距离小于或等于所述预设门限，则所述量测数据为有效量测数据。
3.根据权利要求1所述的多目标车辆跟踪方法，其特征在于，所述通过HS-FCM算法计算所述量测样本与聚类中心的隶属度包括：
当行车工况为密集工况时，根据包含所述量测样本与聚类中心的马氏距离的聚类损失函数与隶属度迭代式计算所述量测样本与聚类中心的隶属度。
4.根据权利要求1所述的多目标车辆跟踪方法，其特征在于，所述传感器为视觉传感器。
5.根据权利要求1所述的多目标车辆跟踪方法，其特征在于，还包括：
调整在滚动估计所述目标车辆的运动状态过程中使用的卡尔曼增益，以抑制量测更新。
6.根据权利要求1所述的多目标车辆跟踪方法，其特征在于，还包括：
通过雷达传感器的量测数据或V2V模块获取的数据更新滚动估计得到的各阶段所述目标车辆的纵向速度，以及通过所述雷达传感器的量测数据校正所述目标车辆的纵向距离。
7.一种多目标车辆跟踪装置，其特征在于，包括：
筛选模块，用于从传感器的量测数据中筛选有效量测数据，得到量测样本；
计算模块，用于通过HS-FCM算法计算所述量测样本与聚类中心的隶属度，并根据所述隶属度将所述量测样本与目标车辆的运动轨迹关联；
估计模块，用于根据所述量测样本以及多目标观测模型，通过概率加权融合的方式进行滚动估计得到与所述量测样本关联的所述目标车辆的运动状态；
通过概率加权融合的方式进行滚动估计时量测更新过程中状态估计协方差为：
Figure FDA0003656535410000021
其中，Pi(k)表示状态估计协方差，Pi(k|k-1)表示对k时刻目标车辆i的状态预测的协方差，Gi(k)表示卡尔曼增益，Si(k)表示量测协方差，δi,j(k)表示量测新息，δi(k)表示组合新息，μi,j(k)表示k时刻量测样本j源于目标车辆i的概率，μi,0(k)表示没有量测样本与目标车辆i关联。
8.一种多目标车辆跟踪设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的多目标车辆跟踪方法的步骤。
9.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的多目标车辆跟踪方法的步骤。
CN202110474334.2A 2021-04-29 2021-04-29 一种多目标车辆跟踪方法及相关装置 Active CN113191427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110474334.2A CN113191427B (zh) 2021-04-29 2021-04-29 一种多目标车辆跟踪方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110474334.2A CN113191427B (zh) 2021-04-29 2021-04-29 一种多目标车辆跟踪方法及相关装置

Publications (2)

Publication Number Publication Date
CN113191427A CN113191427A (zh) 2021-07-30
CN113191427B true CN113191427B (zh) 2022-08-23

Family

ID=76980666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110474334.2A Active CN113191427B (zh) 2021-04-29 2021-04-29 一种多目标车辆跟踪方法及相关装置

Country Status (1)

Country Link
CN (1) CN113191427B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537411B (zh) * 2021-09-15 2021-11-23 湖北工业大学 一种基于毫米波雷达的改进模糊聚类方法
CN116777950B (zh) * 2023-04-19 2024-05-03 长沙理工大学 基于相机参数的多目标视觉跟踪方法、装置、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110780289A (zh) * 2019-10-23 2020-02-11 北京信息科技大学 基于场景雷达的多目标车辆跟踪方法及装置
CN112098993A (zh) * 2020-09-16 2020-12-18 中国北方工业有限公司 一种多目标跟踪数据关联方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101783020B (zh) * 2010-03-04 2011-08-17 湖南大学 一种联合概率数据关联的视频多目标快速跟踪方法
US9436174B2 (en) * 2013-03-01 2016-09-06 Fisher-Rosemount Systems, Inc. Kalman filters in process control systems
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
CN111007454B (zh) * 2019-10-28 2022-07-01 重庆邮电大学 一种基于合作目标信息的扩展目标跟踪方法
CN111007495B (zh) * 2019-12-10 2023-06-13 西安电子科技大学 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110780289A (zh) * 2019-10-23 2020-02-11 北京信息科技大学 基于场景雷达的多目标车辆跟踪方法及装置
CN112098993A (zh) * 2020-09-16 2020-12-18 中国北方工业有限公司 一种多目标跟踪数据关联方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A robust unscented Kalman filter and its application in estimating dynamic positioning ship motion states;Peng xiuyan等;《Journal of Marine Science & Technology》;20191231;第1265-1279页 *

Also Published As

Publication number Publication date
CN113191427A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN107424177B (zh) 基于连续相关滤波器的定位修正长程跟踪方法
US7929730B2 (en) Method and system for object detection and tracking
CN113191427B (zh) 一种多目标车辆跟踪方法及相关装置
CN106338733B (zh) 基于蛙眼视觉特性的前视声呐目标跟踪方法
Kalandros et al. Tutorial on multisensor management and fusion algorithms for target tracking
JP2010061655A (ja) 線形特徴を用いた対象追跡
CN110689576A (zh) 一种基于Autoware的动态3D点云正态分布AGV定位方法
CN114565616B (zh) 一种非结构化道路状态参数估计方法及系统
Konrad et al. Localization in digital maps for road course estimation using grid maps
CN110349188B (zh) 基于tsk模糊模型的多目标跟踪方法、装置及存储介质
US20220168900A1 (en) Visual positioning method and system based on gaussian process, and storage medium
CN115063454B (zh) 多目标跟踪匹配方法、装置、终端及存储介质
CN112052802A (zh) 一种基于机器视觉的前方车辆行为识别方法
CN112634333A (zh) 一种基于eco算法和卡尔曼滤波的跟踪装置方法及装置
Xia et al. Extended object tracking with automotive radar using learned structural measurement model
CN114137562B (zh) 一种基于改进全局最邻近的多目标跟踪方法
CN111765883B (zh) 机器人蒙特卡罗定位方法、设备及存储介质
Ebert et al. Deep radar sensor models for accurate and robust object tracking
CN111274529B (zh) 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法
CN116758153A (zh) 用于机器人精准位姿获取的基于多因子图的后端优化方法
CN113511194A (zh) 一种纵向避撞预警方法及相关装置
CN113702941A (zh) 一种基于改进icp的点云测速方法
Ahmed et al. An Extensive Analysis and Fine-Tuning of Gmapping’s Initialization Parameters.
Dikici et al. Best linear unbiased estimator for Kalman filter based left ventricle tracking in 3d+ t echocardiography
CN114088086B (zh) 一种抗测量野值干扰的多目标鲁棒定位方法

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