CN113567951B - 一种基于时空信息的跨毫米波雷达目标跟踪方法 - Google Patents
一种基于时空信息的跨毫米波雷达目标跟踪方法 Download PDFInfo
- Publication number
- CN113567951B CN113567951B CN202111126119.XA CN202111126119A CN113567951B CN 113567951 B CN113567951 B CN 113567951B CN 202111126119 A CN202111126119 A CN 202111126119A CN 113567951 B CN113567951 B CN 113567951B
- Authority
- CN
- China
- Prior art keywords
- track
- target
- millimeter wave
- wave radar
- cross
- 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
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种基于时空信息的跨毫米波雷达目标跟踪方法,通过引入时空信息对目标轨迹进行匹配拼接,借助于动态时间规整避免了时间因素对轨迹相似度计算的影响,极大提高了拼接算法的精度,将时间维度信息应用于单雷达中断航迹的接续,实现了单设备内雷达目标轨迹的拼接。同时在拼接过程中,采用基于动态时间规整与PCA‑KL散度的相似度算法完成匹配,从轨迹特性和概率分布两个维度对跨设备目标进行轨迹拼接,极大提高了跨毫米波雷达轨迹拼接的效果。
Description
技术领域
本发明涉及车路协同领域,特别涉及一种基于时空信息的跨毫米波雷达目标跟踪方法。
背景技术
智能化和网联化的深度融合是智能汽车领域的重点发展方向。智能化是现阶段自动驾驶技术的主要依托手段,涉及到环境感知、驾驶决策与车辆运动控制等技术领域。但是,汽车仅依靠单车环境感知实现智能化的技术路径具有一定局限性,需要网联化智慧的路来辅助单车智能。智慧的路需要实现交通环境的综合感知,交通环境与道路信息的数字化、结构化,基于场景的高效、便捷、智能的控制管理,以及信息的发布引导。作为交通环境感知数据的重要来源,毫米波雷达能够不受雨雪雾等天气和光照条件的影响,全天候工作,实现对目标位置和速度航向的检测,是实现道路目标感知跟踪的重要的手段。
目前车路协同领域的交通目标检测多采用77GHz毫米波雷达,输出目标时间戳及空间位置信息,以实现交通目标的轨迹跟踪。由于毫米波雷达的特性,对于同一目标点会形成点云,但由于毫米波雷达布设高度限制,交通目标检测会不可避免出现相互遮挡的情况,导致单毫米波雷达跟踪过程中目标轨迹中断。同时,由于单个毫米波雷达覆盖范围有限,无法实现全路段交通环境信息的综合感知,无法获取路段的车道级交通信息,无法完成更加精细化的交通疏导和管控。
因此,如何基于时空信息实现跨毫米波雷达的目标跟踪是目前车路协同领域亟待解决的问题。
发明内容
本发明的目的在于针对现有毫米波雷达跟踪技术的不足,提供一种基于时空信息的跨毫米波雷达目标跟踪方法,通过引入雷达目标轨迹点的空间和时间信息,对毫米波雷达中断的目标轨迹信息进行航迹关联匹配,基于雷达重叠区域完成跨毫米波雷达的轨迹匹配拼接,实现路段雷达覆盖范围内交通目标的全域跟踪,有效提升了毫米波雷达的道路感知能力,适用于一种基于时空信息的跨毫米波雷达目标跟踪方法。
为实现上述目的,本发明提供如下技术方案:
本发明公开了一种基于时空信息的跨毫米波雷达目标跟踪方法,包括以下步骤:
S1:架设于道路两侧的毫米波雷达获取覆盖范围内的交通目标信息;
S2:基于凸包理论处理毫米波雷达所有目标轨迹点,获取重叠区域边界,包括如下子步骤:
S21:采用单调链凸包算法分别处理毫米波雷达目标轨迹点,获得毫米波雷达各自的覆盖范围边界;
S22:筛选重叠区域轨迹点获取毫米波雷达重叠区域凸包边界;
S3:基于时空信息实现单个毫米波雷达内交通目标航迹拼接,包括如下子步骤:
S31:基于时空三维数据拟合多项式目标轨迹曲线;
S32:判断同一个毫米波雷达接受到的新的轨迹点是否为前述目标所生成轨迹点;
S321:若该轨迹点为前述目标所生成轨迹点,完成轨迹接续;
S322:若该轨迹点不是前述目标所生成轨迹点,创建新的目标轨迹序列;
S4:完成重叠区域内跨毫米波雷达目标轨迹的匹配拼接,包括如下子步骤:
S41:将重叠区域内两毫米波雷达目标轨迹数据加入待处理序列;
S44:基于相似度计算结果确定轨迹匹配结果并完成轨迹拼接。
作为优选,所述步骤S1中所述交通目标信息包括设备ID、目标ID、时间戳及经纬度信息。
作为优选,所述步骤S21中处理毫米波雷达目标轨迹点的具体方法如下:
在获得毫米波雷达各自的检测结构化目标信息后,对各自的轨迹点数据按照先经度后纬度的规则从小到大进行预排序,轨迹点分别从及遍历至及,分别确定边界凸包的下边界和上边界,合并后获得凸包边界,当新增点位于形成向量左侧时,表示新增点为凸包边界点,即判断:
作为优选,所述步骤S22的具体方法子步骤如下:
S222:比较与大小,确定任意轨迹点与毫米波雷达边界凸包之间的关系;若则任意轨迹点位于凸包外,不在毫米波雷达覆盖范围内。筛选满足即同时处于多个毫米波雷达凸包范围内的轨迹点,确定重叠区域范围,采用所述步骤S21中单调链凸包算法确定重叠区域边界凸包。
作为优选,所述步骤S3,利用带有时间戳的轨迹信息,完成由于遮挡等原因造成的同一交通目标所产生的多个毫米波雷达轨迹的匹配,其中所述子步骤S31的具体方法为:
进一步地,构建多项式曲线拟合方程为:
则当目标轨迹序列轨迹点数量不少于8个时,系数向量的最小二乘解为:
其中,
作为优选,所述步骤S41的具体方法为:根据两毫米波雷达目标轨迹点空间位置,分别筛选在重叠区域内的目标轨迹序列及,并构建邻接矩阵用于描述两毫米波雷达的匹配关系,其中N与M分别表示重叠区域内前后两毫米波雷达目标轨迹数量。
作为优选,所述步骤S42的具体方法为:针对重叠区域内目标轨迹序列,计算跨设备毫米波雷达轨迹及内两两轨迹点之间的欧式距离后,基于递归获得该组毫米波雷达轨迹规整路径距离,归一化后进而获得相似度,据此填充邻接矩阵,其中p,q分别表示目标序列的轨迹点数量;
作为优选,所述步骤S43的具体方法为:鉴于毫米波雷达所形成轨迹曲线的不稳定性,基于目标轨迹序列
进行PCA主成分分析,确定主方向后依据轨迹分布的KL散度计算相似度,其子步骤如下:
作为优选,所述步骤S44的具体方法为:针对跨设备目标轨迹及进行轨迹拼接,首先针对两设备目标匹配轨迹序列及建立kd树,选定目标轨迹的结束点后,在轨迹序列中利用最近邻查找最近的轨迹点目标,将后续轨迹点添加至轨迹序列,得到最终的毫米波雷达目标轨迹,实现跨设备目标跟踪。
本发明的有益效果:本发明提出一种基于时空信息的跨毫米波雷达目标跟踪方法,引入时空信息对目标轨迹进行匹配拼接,借助于动态时间规整避免了时间因素对轨迹相似度计算的影响,极大提高了拼接算法的精度,将时间维度信息应用于单雷达中断航迹的接续,实现了单设备内雷达目标轨迹的拼接。同时在拼接过程中,采用基于动态时间规整与PCA-KL散度的相似度算法完成匹配,从轨迹特性和概率分布两个维度对跨设备目标进行轨迹拼接,极大提高了跨毫米波雷达轨迹拼接的效果,适用于多种不同种类毫米波雷达设备所生成数据的拼接。
本发明的特征及优点将通过实施例结合附图进行详细说明。
附图说明
图1为本发明的跨毫米波雷达目标跟踪的流程图;
图2为本发明的毫米波雷达布设示意图;
图3为本发明的跨毫米波雷达目标拼接的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面通过附图及实施例,对本发明进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明的一种基于时空信息的跨毫米波雷达目标跟踪方法,通过引入空间位置和时间戳信息在雷达重叠区域对不同设备的目标轨迹进行匹配拼接,整体过程如图1所述,具体包括如下步骤:
S1:架设于道路两侧的毫米波雷达获取覆盖范围内的交通目标信息;
S2:基于凸包理论处理毫米波雷达所有目标轨迹点,获取重叠区域边界,包括如下子步骤:
S21:采用单调链凸包算法分别处理毫米波雷达目标轨迹点,获得毫米波雷达各自的覆盖范围边界;
S22:筛选重叠区域轨迹点获取毫米波雷达重叠区域凸包边界;
S3:基于时空信息实现单个毫米波雷达内交通目标航迹拼接,包括如下子步骤:
S31:基于时空三维数据拟合多项式目标轨迹曲线;
S32:判断同一个毫米波雷达接受到的新的轨迹点是否为前述目标所生成轨迹点;
S321:若该轨迹点为前述目标所生成轨迹点,完成轨迹接续;
S322:若该轨迹点不是前述目标所生成轨迹点,创建新的目标轨迹序列;
S4:完成重叠区域内跨毫米波雷达目标轨迹的匹配拼接,包括如下子步骤:
S41:将重叠区域内两毫米波雷达目标轨迹数据加入待处理序列;
S44:基于相似度计算结果确定轨迹匹配结果并完成轨迹拼接。
所述步骤S1中所述交通目标信息包括设备ID、目标ID、时间戳及经纬度信息。
所述步骤S21中处理毫米波雷达目标轨迹点的具体方法如下:
在获得毫米波雷达各自的检测结构化目标信息后,对各自的轨迹点数据按照先经度后纬度的规则从小到大进行预排序,轨迹点分别从及遍历至及,分别确定边界凸包的下边界和上边界,合并后获得凸包边界,当新增点位于形成向量左侧时,表示新增点为凸包边界点,即判断:
所述步骤S22的具体方法子步骤如下:
S222:比较与大小,确定任意轨迹点与毫米波雷达边界凸包之间的关系;若则任意轨迹点位于凸包外,不在毫米波雷达覆盖范围内。筛选满足即同时处于多个毫米波雷达凸包范围内的轨迹点,确定重叠区域范围,采用所述步骤S21中单调链凸包算法确定重叠区域边界凸包。
所述步骤S3,利用带有时间戳的轨迹信息,完成由于遮挡等原因造成的同一交通目标所产生的多个毫米波雷达轨迹的匹配,其中所述子步骤S31的具体方法为:
进一步地,构建多项式曲线拟合方程为:
则当目标轨迹序列轨迹点数量不少于8个时,系数向量的最小二乘解为:
其中,
所述步骤S41的具体方法为:根据两毫米波雷达目标轨迹点空间位置,分别筛选在重叠区域内的目标轨迹序列及,并构建邻接矩阵用于描述两毫米波雷达的匹配关系,其中N与M分别表示重叠区域内前后两毫米波雷达目标轨迹数量。
所述步骤S42的具体方法为:针对重叠区域内目标轨迹序列,计算跨设备毫米波雷达轨迹及内两两轨迹点之间的欧式距离后,基于递归获得该组毫米波雷达轨迹规整路径距离,归一化后进而获得相似度,据此填充邻接矩阵,其中p,q分别表示目标序列的轨迹点数量;
所述步骤S43的具体方法为:鉴于毫米波雷达所形成轨迹曲线的不稳定性,基于目标轨迹序列
进行PCA主成分分析,确定主方向后依据轨迹分布的KL散度计算相似度,其子步骤如下:
所述步骤S44的具体方法为:针对跨设备目标轨迹及进行轨迹拼接,首先针对两设备目标匹配轨迹序列及建立kd树,选定目标轨迹的结束点后,在轨迹序列中利用最近邻查找最近的轨迹点目标,将后续轨迹点添加至轨迹序列,得到最终的毫米波雷达目标轨迹,实现跨设备目标跟踪。
对于毫米波雷达布设方式,包括同向与对向两种,布设示意如图2所示,相邻毫米波雷达布设距离根据毫米波雷达自身实际测量距离确定,需保证相邻毫米波雷达之间有一定长度的重叠区域,重叠区域长度以40-50米为宜。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于时空信息的跨毫米波雷达目标跟踪方法,其特征在于:包括以下步骤:
S1:架设于道路两侧的毫米波雷达获取覆盖范围内的交通目标信息;
S2:基于凸包理论处理毫米波雷达所有目标轨迹点,获取重叠区域边界,包括如下子步骤:
S21:采用单调链凸包算法分别处理毫米波雷达目标轨迹点,获得毫米波雷达各自的覆盖范围边界;
S22:筛选重叠区域轨迹点获取毫米波雷达重叠区域凸包边界;
S3:基于时空信息实现单个毫米波雷达内交通目标航迹拼接,包括如下子步骤:
S31:基于时空三维数据分别拟合多项式目标轨迹曲线;
S32:判断同一个毫米波雷达接受到的新的轨迹点是否为前述目标所生成轨迹点;
S321:若该轨迹点为前述目标所生成轨迹点,完成轨迹接续;
S322:若该轨迹点不是前述目标所生成轨迹点,创建新的目标轨迹序列;
S4:完成重叠区域内跨毫米波雷达目标轨迹的匹配拼接,包括如下子步骤:
S41:将重叠区域内两毫米波雷达目标轨迹数据加入待处理序列;
S44:基于相似度计算结果确定轨迹匹配结果并完成轨迹拼接。
2.如权利要求1所述的一种基于时空信息的跨毫米波雷达目标跟踪方法,其特征在于:所述步骤S1中所述交通目标信息包括设备ID、目标ID、时间戳及经纬度信息。
9.如权利要求8所述的一种基于时空信息的跨毫米波雷达目标跟踪方法,其特征在于:所述步骤S43的具体方法为:鉴于毫米波雷达所形成轨迹曲线的不稳定性,基于目标轨迹序列
进行PCA主成分分析,确定主方向后依据轨迹分布的KL散度计算相似度,其子步骤如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111126119.XA CN113567951B (zh) | 2021-09-26 | 2021-09-26 | 一种基于时空信息的跨毫米波雷达目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111126119.XA CN113567951B (zh) | 2021-09-26 | 2021-09-26 | 一种基于时空信息的跨毫米波雷达目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113567951A CN113567951A (zh) | 2021-10-29 |
CN113567951B true CN113567951B (zh) | 2022-01-18 |
Family
ID=78174588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111126119.XA Active CN113567951B (zh) | 2021-09-26 | 2021-09-26 | 一种基于时空信息的跨毫米波雷达目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113567951B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985406B (zh) * | 2021-12-24 | 2022-05-10 | 中船(浙江)海洋科技有限公司 | 一种海上雷达目标航迹拼接方法 |
CN114518573B (zh) * | 2022-04-21 | 2022-07-19 | 山东科技大学 | 一种用于多雷达的车辆跟踪方法、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112285700A (zh) * | 2020-08-24 | 2021-01-29 | 江苏大学 | 基于激光雷达与毫米波雷达融合的机动目标跟踪方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11345342B2 (en) * | 2019-09-27 | 2022-05-31 | Intel Corporation | Potential collision warning system based on road user intent prediction |
CN111537994B (zh) * | 2020-03-24 | 2022-05-06 | 江苏徐工工程机械研究院有限公司 | 一种无人矿卡障碍物检测方法 |
CN111398947B (zh) * | 2020-04-08 | 2022-01-11 | 成都汇蓉国科微系统技术有限公司 | 一种基于航迹杂波图的脉冲多普勒雷达杂波抑制方法 |
CN113419244A (zh) * | 2021-05-28 | 2021-09-21 | 同济大学 | 一种基于毫米波雷达数据的车辆轨迹拼接方法 |
-
2021
- 2021-09-26 CN CN202111126119.XA patent/CN113567951B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112285700A (zh) * | 2020-08-24 | 2021-01-29 | 江苏大学 | 基于激光雷达与毫米波雷达融合的机动目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
面向智能交通系统的图像处理;杨明等;《计算机工程与应用》;20010501(第09期);第4-7、26页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113567951A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chandra et al. | Forecasting trajectory and behavior of road-agents using spectral clustering in graph-lstms | |
CN113567951B (zh) | 一种基于时空信息的跨毫米波雷达目标跟踪方法 | |
Wang et al. | A point cloud-based robust road curb detection and tracking method | |
Lieb et al. | Adaptive Road Following using Self-Supervised Learning and Reverse Optical Flow. | |
Bai et al. | Robust detection and tracking method for moving object based on radar and camera data fusion | |
CN114419152B (zh) | 一种基于多维度点云特征的目标检测与跟踪方法及系统 | |
Wang et al. | Speed and accuracy tradeoff for LiDAR data based road boundary detection | |
US20160203374A1 (en) | Target grouping techniques for object fusion | |
Berrio et al. | Camera-LIDAR integration: Probabilistic sensor fusion for semantic mapping | |
Magnier et al. | Automotive LIDAR objects detection and classification algorithm using the belief theory | |
CN111292366B (zh) | 一种基于深度学习和边缘计算的视觉行车测距算法 | |
Liu et al. | Dynamic vehicle detection with sparse point clouds based on PE-CPD | |
CN113989784A (zh) | 一种基于车载激光点云的道路场景类型识别方法及系统 | |
CN111259796A (zh) | 一种基于图像几何特征的车道线检测方法 | |
CN116109601A (zh) | 一种基于三维激光雷达点云的实时目标检测方法 | |
CN114973195A (zh) | 基于多信息融合的车辆追踪方法、装置及系统 | |
CN114002667A (zh) | 一种基于随机矩阵法的多近邻扩展目标跟踪算法 | |
CN110176022B (zh) | 一种基于视频检测的隧道全景监控系统及方法 | |
CN114593739B (zh) | 基于视觉检测与参考线匹配的车辆全局定位方法及装置 | |
CN113932821A (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
Zhang et al. | Rvdet: Feature-level fusion of radar and camera for object detection | |
CN113281718A (zh) | 一种基于激光雷达场景流估计的3d多目标跟踪系统及方法 | |
Yang et al. | Learn to model and filter point cloud noise for a near-infrared ToF LiDAR in adverse weather | |
CN109799477B (zh) | 一种面向毫米波车联网的序贯车辆指纹定位方法及装置 | |
Fu et al. | Behavior analysis of distant vehicles using LIDAR point cloud |
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 |