CN113866750A - 一种基于毫米波雷达的行人目标检测和跟踪方法 - Google Patents

Abstract

本发明涉及目标检测技术领域，具体涉及一种基于毫米波雷达的行人目标检测和跟踪方法，包括：获取用于检测对应行人目标的目标雷达各个天线阵列的差拍信号；对所述差拍信号进行滤波得到对应的滤波差拍信号；对所述滤波差拍信号进行3D‑FFT处理，以将所述滤波差拍信号从时域转换到频域上并求取对应的行人目标信息；对3D‑FFT处理后的所述行人目标信息进行PF‑TBD算法处理，以实现对应行人目标的持续检测和跟踪。本发明中的行人目标检测和跟踪方法能够兼顾行人目标检测可靠性和准确性，从而提高了行人目标检测和跟踪的效果。

Description

一种基于毫米波雷达的行人目标检测和跟踪方法

技术领域

本发明涉及运动目标检测技术领域，具体涉及一种基于毫米波雷达的行人目标检测和跟踪方法。

背景技术

自动驾驶是汽车智能化发展的最终方向，众多汽车厂商纷纷开展研发及产业化布局，其中，多传感器融合是实现自动驾驶的必然趋势。对于自动驾驶过程中近距离目标和静止目标的运动检测，现有技术已经有非常成熟的传感器方案及算法进行处理和识别。但根据统计资料发现，在恶劣天气环境中更容易发生交通事故，而涉及行人的交通事故，死亡率很高。因此，研究恶劣天气环境中的行人目标检测和跟踪方法显得尤为重要。

例如，公开号为CN102253391B的中国专利就公开了《一种基于多激光雷达的行人目标跟踪方法》，其由多个单线激光雷达组成传感器网络对整个场景进行监控；每个采样时刻雷达输出行人的脚步点距离数据，不同雷达之间的数据通过系统标定统一到一个坐标系下；同时，建立行人的脚步运动模型，并通过卡尔曼滤波对行人运动状态进行跟踪，最终获得稳定的目标轨迹和相关统计信息。

但申请人发现，上述现有行人目标跟踪方法采用的激光雷达会严重受到雨、雪、雾等恶劣天气和夜晚时镜头光斑的影响，导致其在为高等级的自动驾驶场景下的跟踪效果不好。同时，激光雷在雨雾天气等恶劣天气环境中的工作性能较差，导致行人目标的检测和跟踪的效果难以得到保证。相比之下，毫米波雷达使用的是毫米波信号，其波长比形成雾、雨和雪的微小粒子大，穿透能力强，并且具有全天候全天时的特点，能够很好的应用于行人目标检测和跟踪。

然而，现有基于毫米波雷达检测跟踪方法是跟踪前检测(detect-before-trace，DBT)，这种算法的优势在于对单帧数据进行门限判断后，能够去除掉较多的干扰信息，在跟踪阶段只需要处理超过门限的相关点迹，因此减少了数据量、计算工作量和数据储存空间。但是，跟踪前检测技术的检测准确性偏低，并且，一旦单帧检测门限设置得不合理，就会出现虚警或漏检，从而影响数据关联的点迹计算以及行人目标检测的准确性。同时，在恶劣天气下或者车辆在高速情况下，行人只能被视为弱目标，而采用跟踪前检测时，弱目标反射的信号在单帧处理下单一检测容易被干扰信息淹没，导致行人目标检测的可靠性不好。因此，如何设计一种能够兼顾行人目标检测可靠性和准确性的毫米波雷达行人目标检测和跟踪方法是亟需解决的技术问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种能够兼顾行人目标检测可靠性和准确性的毫米波雷达行人目标检测和跟踪方法，从而提高行人目标检测和跟踪的效果。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于毫米波雷达的行人目标检测和跟踪方法，包括以下步骤：

S1：获取用于检测对应行人目标的目标雷达各个天线阵列的差拍信号；

S2：对所述差拍信号进行滤波得到对应的滤波差拍信号；

S3：对所述滤波差拍信号进行3D-FFT处理，以将所述滤波差拍信号从时域转换到频域上并求取对应的行人目标信息；

S4：对3D-FFT处理后的所述行人目标信息进行PF-TBD算法处理，以实现对应行人目标的持续检测和跟踪。

优选的，步骤S1中，所述目标雷达基于MIMO毫米波雷达改造得到；所述MIMO毫米波雷达通过N个发射天线和M个接收天线生成虚拟天线阵列；所述目标雷达通过对所述MIMO毫米波雷达进行改造形成1个发射天线和N×M个接收天线的单输入多输出系统。

优选的，所述目标雷达由N×M个接收天线形成的虚拟天线阵列的间隔d＝λ/2，λ表示所述目标雷达的波长；虚拟天线阵列的天线孔径D＝(N-1)d，N表示天线总数，等效为N×M。

优选的，步骤S2中，滤除所述差拍信号中的静止杂波信号得到对应的滤波差拍信号。

优选的，步骤S3中，对所述滤波差拍信号进行3D-FFT处理时，分别基于所述滤波差拍信号求取对应的距离维、速度维和角度维的行人目标信息。

优选的，步骤S4中，进行PF-TBD算法处理时，使用粒子滤波近似状态的后验概率密度，并通过重要性采样和粒子重采样分别定义概率密度函数q(x_k|Z_k)和解决粒子权值退化问题；

其中，重要权重表示为

重要权重的归一化处理表示为

优选的，步骤S4中，进行PF-TBD算法处理时，利用采样的目标样本集合来近似计算目标状态及其存在概率的联合密度；然后将采样得到的粒子分为新生粒子和继续粒子，目标状态可以通过新生粒子和继续粒子的概率密度加权求和得到；

所述存在概率表示为两个因子的乘积：p(x_k,E_k∣Z_k)＝p(x_k∣E_k,Z_k)P(E_k∣Z_k)；

式中：x_k表示目标状态；Z_k表示从时间1到k的所有测量值，即Z_k＝{z_k,k＝1,2,…k}；E_k表示目标存在状态的变量，其值只能取0或者1，取值为0代表目标不存在，取值为1代表存在；

化简得到后验概率密度表示为：

式中：L是利用粒子及其权重计算得到的似然函数。

优选的，步骤S4中，求解k时刻的行人目标存在概率P(E_k∣Z_k)，通过有效粒子的状态来近似计算出k时刻的行人目标状态。

本发明中的行人目标检测跟踪方法与现有技术相比，具有如下有益效果：

首先，本发明采用的毫米波雷达适合在雨、雪、雾等恶劣天气下使用，在夜晚行驶时受到镜头光斑的影响也较小，具有全天候全天时、受环境噪声干扰较小的特点，因而能够有效的在恶劣天气环境中实现行人目标检测和跟踪，能够保证行人目标检测可靠性。

其次，相比于传统的跟踪前检测(detect-before-trace，DBT)方法，本发明采用的检测前跟踪算法将原先分开进行的检测和跟踪两个处理过程相结合完成一体化处理，在得到行人目标轨迹的同时可以对该行人目标轨迹的有效性进行判断；同时，检测前跟踪算法不局限于单帧的回波数据，而是结合前几帧的回波数据及结果同时实现检测和跟踪，能够保证毫米波雷达的检测准确性，并可以实现低虚警、高检测，且抗干扰性能好，即能够保证行人目标检测的可靠性和准确性，从而提高行人目标检测和跟踪的效果。而基于粒子滤波的检测前跟踪算法能够求解后验概率密度，在处理非高斯非线性的问题中，具有简单易实现的特点，能够为行人目标状态估计提供有效的解决方案。

最后，本发明采用3D-FFT+PF-TBD算法结合的方式，将时域信号转换到频域上并且不提取信号峰值，进而抗干扰能力更强、更适用于微弱(行人)目标检测，能够在恶劣天气或地面多径反射影响下准确识别、检测和跟踪行人目标，能够在不使用其他昂贵传感器和天线阵元个数有限的情况下提高行人目标检测和跟踪的精度，从而兼顾了行人目标检测和跟踪的成本和效果。

附图说明

为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为实施例中行人目标检测跟踪方法的逻辑框图；

图2为实施例中粒子滤波的流程图；

图3为实施例中PF-TBD算法的流程图。

具体实施方式

下面通过具体实施方式进一步详细的说明：

实施例：

本实施例中公开了一种基于毫米波雷达的行人目标检测和跟踪方法。

如图1所示，基于毫米波雷达的行人目标检测和跟踪方法，包括以下步骤：

S1：获取用于检测对应行人目标的目标雷达各个天线阵列的差拍信号。

S2：对差拍信号进行滤波得到对应的滤波差拍信号。具体的，通过运动目标检测算法滤除差拍信号中的静止杂波信号。

S3：对滤波差拍信号进行3D-FFT(三维快速傅里叶变换)处理，以将滤波差拍信号从时域转换到频域上并求取对应的行人目标信息。具体的，对滤波差拍信号进行3D-FFT处理时，分别基于滤波差拍信号求取对应的距离维、速度维(多普勒维)和角度维的行人目标信息。

S4：对3D-FFT处理后的行人目标信息进行PF-TBD(基于粒子滤波的检测前跟踪)算法处理，以实现对应行人目标的持续检测和跟踪。

在本发明中，采用的毫米波雷达适合在雨、雪、雾等恶劣天气下使用，在夜晚行驶时受到镜头光斑的影响也较小，具有全天候全天时、受环境噪声干扰较小的特点，因而能够有效的在恶劣天气环境中实现行人目标检测和跟踪，能够保证行人目标检测可靠性。其次，相比于传统的跟踪前检测(detect-before-trace，DBT)方法，本发明采用的检测前跟踪算法将原先分开进行的检测和跟踪两个处理过程相结合完成一体化处理，在得到行人目标轨迹的同时可以对该行人目标轨迹的有效性进行判断；同时，检测前跟踪算法不局限于单帧的回波数据，而是结合前几帧的回波数据及结果同时实现检测和跟踪，能够保证毫米波雷达的检测准确性，并可以实现低虚警、高检测，且抗干扰性能好，即能够保证行人目标检测的可靠性和准确性，从而提高行人目标检测和跟踪的效果。而基于粒子滤波的检测前跟踪算法能够求解后验概率密度，在处理非高斯非线性的问题中，具有简单易实现的特点，能够为行人目标状态估计提供有效的解决方案。最后，本发明采用3D-FFT+PF-TBD算法结合的方式，将时域信号转换到频域上并且不提取信号峰值，进而抗干扰能力更强、更适用于微弱(行人)目标检测，能够在恶劣天气或地面多径反射影响下准确识别、检测和跟踪行人目标，能够在不使用其他昂贵传感器和天线阵元个数有限的情况下提高行人目标检测和跟踪的精度，从而兼顾了行人目标检测和跟踪的成本和效果。

具体实施过程中，步骤S1中，目标雷达基于MIMO(Multiple-Input-Multiple-Output，多输入多输出)毫米波雷达改造得到；MIMO毫米波雷达通过N个发射天线和M个接收天线生成虚拟天线阵列；目标雷达通过对MIMO毫米波雷达进行改造形成1个发射天线和N×M个接收天线的单输入多输出系统(Single-Input-Multiple-Output，SIMO)。具体的，目标雷达由N×M个接收天线形成的虚拟天线阵列的间隔d＝λ/2，λ表示目标雷达的波长；虚拟天线阵列的天线孔径D＝(N-1)d，N表示天线总数，等效为N×M。

在本发明中，通过设置虚拟天线阵列间隔和天线孔径的方式，能够在一定程度上使得目标雷达的虚拟孔径最大化，进而使得目标雷达的角度分辨率最高，从而能够进一步保证行人目标检测的可靠性和准确性，提高行人目标检测和跟踪的效果。

具体实施过程中，结合图2所示，使用以粒子滤波为基础的TBD算法解决非线性系统下的行人目标检测与跟踪问题，即使用粒子滤波近似状态的后验概率密度，并通过重要性采样和粒子重采样分别定义概率密度函数q(x_k|Z_k)和解决粒子权值退化问题；

其中，重要权重表示为

重要权重的归一化处理表示为

具体的，利用采样的目标样本集合来近似计算目标状态及其存在概率的联合密度；然后将采样得到的粒子分为新生粒子和继续粒子，目标状态可以通过新生粒子和继续粒子的概率密度加权求和得到；

存在概率表示为两个因子的乘积：p(x_k,E_k∣Z_k)＝p(x_k∣E_k,Z_k)P(E_k∣Z_k)；

式中：x_k表示目标状态；Z_k表示从时间1到k的所有测量值，即Z_k＝{z_k,k＝1,2,…k}；E_k表示目标存在状态的变量，其值只能取0或者1，取值为0代表目标不存在，取值为1代表存在；

将其分解为：

p(x_k∣E_k＝1,Z_k)＝p(x_k∣E_k＝1,E_k-1＝1,Z_k)Pr(E_k-1＝1∣E_k＝1,Z_k)

+p(x_k∣E_k＝1,E_k-1＝0,Z_k)Pr(E_k-1＝0∣E_k＝1,Z_k)；

前一项采样得到新生粒子，后一项采样得到继续粒子，新生粒子表示前一时刻没有目标而当前目标出现，其概率密度为：

p(x_k∣E_k＝1,E_k-1＝0,Z_k)∝l(z_k∣x_k,E_k＝1)p(x_k∣E_k＝1,E_k-1＝0)；

概率密度可以直接由出生概率得到：

p(x_k|E_k＝1,E_k-1＝0)＝p_b；

继续粒子表示为前一时刻到当前时刻目标都存在，概率密度为：

p(x_k∣E_k＝1,E_k-1＝1,Z_k)∝l(z_k∣x_k,E_k＝1)p(x_k∣E_k＝1,E_k-1＝1,Z_k-1)；

其概率密度可以根据k-1时刻的目标状态后验概率密度和状态转移密度得到

p(x_k∣E_k＝1,E_k-1＝1,Z_k-1)＝∫p(x_k∣x_k-1,E_k＝1,E_k-1＝1)p(x_k-1∣E_k-1＝1,Z_k-1)dx_k-1；

通过采样的方式，取得一定数量的继续粒子和新生粒子，并通过似然比赋予每一个粒子相应的权重，把所有粒子及其权重之积累积后，可以得到新生密度和继续密度。化简得到后验概率密度P(E_k|Z_k)表示为：

式中：L是利用粒子及其权重计算得到的似然函数。

求解k时刻的行人目标存在概率P(E_k∣Z_k)，通过有效粒子的状态来近似计算出k时刻的行人目标状态。

结合图3所示，PF-TBD算法的具体递推实现流程如下：

1.在初始时刻，只产生新生粒子，若已知目标的先验分布，则根据该分布产生粒子，若无目标先验信息，则在观测区域内均匀采样。

2.在观测空间内随机产生N_b个新生粒子，根据状态转移方程产生N_c个继续粒子。

3.利用似然比，新生概率/继续概率及前一时刻的目标存在概率分别计算新生粒子和继续粒子的未归一化权值

将两种粒子分别归一化

4.利用未归一化权值计算混合概率

并将其归一化

5.根据混合概率对粒子权重进行缩放

6.通过重采样，从N_c+N_b个粒子中得到N_e个有效粒子，计算k时刻的目标存在概率，化简得到

传统的跟踪前检测方法是针对强目标、提取信号峰值的方法，但在恶劣环境情况和地面多径反射的影响下，行人目标可能被噪声淹没而导致整体信号信噪比过低，即行人目标往往呈现成弱目标。在这种情况下，盲目提取峰值信息有可能会收到噪声干扰，导致行人目标特征提取错误，造成严重的生命财产安全损失。

所以，本发明采用3D-FFT+PF-TBD算法结合的方式，将时域信号转换到频域上并且不提取信号峰值，进而抗干扰能力更强、更适用于微弱(行人)目标检测，能够在恶劣天气或地面多径反射影响下准确识别、检测和跟踪行人目标，能够在不使用其他昂贵传感器和天线阵元个数有限的情况下提高行人目标检测和跟踪的精度，从而兼顾了行人目标检测和跟踪的成本和效果。

需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。同时，实施例中公知的具体结构及特性等常识在此未作过多描述。最后，本发明要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (8)

1.一种基于毫米波雷达的行人目标检测和跟踪方法，其特征在于，包括以下步骤：

S1：获取用于检测对应行人目标的目标雷达各个天线阵列的差拍信号；

S2：对所述差拍信号进行滤波得到对应的滤波差拍信号；

S3：对所述滤波差拍信号进行3D-FFT处理，以将所述滤波差拍信号从时域转换到频域上并求取对应的行人目标信息；

S4：对3D-FFT处理后的所述行人目标信息进行PF-TBD算法处理，以实现对应行人目标的持续检测和跟踪。

2.如权利要求1所述的基于毫米波雷达的行人目标检测和跟踪方法，其特征在于：步骤S1中，所述目标雷达基于MIMO毫米波雷达改造得到；所述MIMO毫米波雷达通过N个发射天线和M个接收天线生成虚拟天线阵列；所述目标雷达通过对所述MIMO毫米波雷达进行改造形成1个发射天线和N×M个接收天线的单输入多输出系统。

3.如权利要求2所述的基于毫米波雷达的行人目标检测和跟踪方法，其特征在于：所述目标雷达的虚拟天线阵列的间隔d＝λ/2，λ表示所述目标雷达的波长；虚拟天线阵列的天线孔径D＝(K-1)d，K表示天线总数，等效为N×M。

4.如权利要求1所述的基于毫米波雷达的行人目标检测和跟踪方法，其特征在于：步骤S2中，滤除所述差拍信号中的静止杂波信号得到对应的滤波差拍信号。

5.如权利要求1所述的基于毫米波雷达的行人目标检测和跟踪方法，其特征在于：步骤S3中，对所述滤波差拍信号进行3D-FFT处理时，分别基于所述滤波差拍信号求取对应的距离维、速度维和角度维的行人目标信息。

6.如权利要求1所述的基于毫米波雷达的行人目标检测和跟踪方法，其特征在于：步骤S4中，进行PF-TBD算法处理时，使用粒子滤波近似状态的后验概率密度，并通过重要性采样和粒子重采样分别定义概率密度函数q(x_k|Z_k)和解决粒子权值退化问题；

其中，重要权重表示为

重要权重的归一化处理表示为

7.如权利要求6所述的基于毫米波雷达的行人目标检测和跟踪方法，其特征在于：步骤S4中，进行PF-TBD算法处理时，利用采样的目标样本集合来近似计算目标状态及其存在概率的联合密度；然后将采样得到的粒子分为新生粒子和继续粒子，目标状态可以通过新生粒子和继续粒子的概率密度加权求和得到；

所述存在概率表示为两个因子的乘积：p(x_k,E_k∣Z_k)＝p(x_k∣E_k,Z_k)P(E_k∣Z_k)；

式中：x_k表示目标状态；Z_k表示从时间1到k的所有测量值，即Z_k＝{z_k,k＝1,2,…k}；E_k表示目标存在状态的变量，其值只能取0或者1，取值为0代表目标不存在，取值为1代表存在；

化简得到后验概率密度表示为：

式中：L是利用粒子及其权重计算得到的似然函数。

8.如权利要求7所述的基于毫米波雷达的行人目标检测和跟踪方法，其特征在于：步骤S4中，求解k时刻的行人目标存在概率P(E_k∣Z_k)，通过有效粒子的状态来近似计算出k时刻的行人目标状态。

Images