CN113917450A - 一种多扩展目标雷达量测集划分方法和装置 - Google Patents

一种多扩展目标雷达量测集划分方法和装置 Download PDF

Info

Publication number
CN113917450A
CN113917450A CN202111480883.7A CN202111480883A CN113917450A CN 113917450 A CN113917450 A CN 113917450A CN 202111480883 A CN202111480883 A CN 202111480883A CN 113917450 A CN113917450 A CN 113917450A
Authority
CN
China
Prior art keywords
measurement
radar
distance
vision
visual
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.)
Granted
Application number
CN202111480883.7A
Other languages
English (en)
Other versions
CN113917450B (zh
Inventor
余德
刘国清
杨广
王启程
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.)
Shenzhen Youjia Innovation Technology Co.,Ltd.
Original Assignee
Shenzhen Minieye Innovation Technology Co Ltd
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 Shenzhen Minieye Innovation Technology Co Ltd filed Critical Shenzhen Minieye Innovation Technology Co Ltd
Priority to CN202111480883.7A priority Critical patent/CN113917450B/zh
Publication of CN113917450A publication Critical patent/CN113917450A/zh
Application granted granted Critical
Publication of CN113917450B publication Critical patent/CN113917450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及了一种多扩展目标雷达量测集划分方法和装置，该方法包括：获取待量测目标的原始雷达量测集和原始视觉量测集；对原始视觉量测集中的视觉量测数据按照视觉量测距离进行排序，得到第一视觉量测集；按照预设的视觉量测距离区间和预设的方位角区间，设定扇环区域；提取与扇环区域的距离区间和方位角区间对应的雷达量测数据，得到多个雷达量测子集；对雷达量测子集中的雷达量测数据按照预设距离规则进行聚类，得到多个第一雷达量测单元；将所有的雷达量测单元作为原始雷达量测集的划分结果。在上述方法中，以视觉量测数据作为引导，将雷达量测数据预先划分为不同量测子集，提高了对紧邻目标的区分能力；同时减少了量测划分数，降低计算量。

Description

一种多扩展目标雷达量测集划分方法和装置
技术领域
本发明涉及多扩展目标检测跟踪领域，尤其涉及一种多扩展目标雷达量测集划分方法和装置。
背景技术
传统的雷达目标跟踪通常假设一个目标一个时刻最多产生一个传感器量测，被称之为点目标跟踪。随着现代高分辨率传感器技术的发展，传感器分辨率小于目标尺寸时，目标占据传感器多个分辨单元，传感器每次探测能获取目标的多个等效散射中心产生的量测，使用这类传感器对多目标进行探测和跟踪，称为多扩展目标跟踪。
扩展目标概率假设密度滤波器是多扩展目标跟踪领域的重要研究方向。在扩展目标概率假设密度滤波器框架下，量测数据集需要被提前划分为多个不同单元，使每个单元中的量测来自同一目标或杂波。划分准确度直接影响跟踪算法的估计性能，同时划分单元数量是影响跟踪算法速度的重要因素。
现有的距离划分法，依据同一目标产生量测距离相近的原理进行划分量测集，虽然通过缩小距离阈值范围降减少了部分划分数，但总体划分数仍然较多，计算量较大；并且，该方法对邻近距离目标无法准确区分，导致目标个数低估，跟踪精度下降。
因此，现有的量测集划分方法存在总体划分数较多导致计算量较大、对邻近距离目标无法准确区分导致跟踪精度下降的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明第一方面提出一种多扩展目标雷达量测集划分方法，所述方法包括：
获取待量测目标在当前时刻的雷达量测数据的集合和视觉量测数据的集合，得到原始雷达量测集和原始视觉量测集；所述雷达量测数据中包括雷达量测距离和方位角信息，所述视觉量测数据中包括视觉量测距离；
对所述原始视觉量测集中的视觉量测数据按照所述视觉量测距离进行排序，得到第一视觉量测集；
按照预设的视觉量测距离区间和预设的方位角区间，设定所述第一视觉量测集中的每一个视觉量测数据对应的扇环区域；
从所述原始雷达量测集中提取与所述扇环区域的距离区间和方位角区间对应的雷达量测数据，得到多个雷达量测子集；
对所述雷达量测子集中的雷达量测数据按照预设距离规则进行聚类，得到多个第一雷达量测单元；
对不属于任何一个所述第一雷达量测单元的雷达量测数据按照所述预设距离规则进行聚类，得到多个第二雷达量测单元；
将所有的所述第一雷达量测单元和所述第二雷达量测单元作为所述原始雷达量测集的划分结果。
可选的，所述视觉量测距离为图像中所述待量测目标的中心在车辆坐标系中的第一坐标，所述视觉量测数据还包括：所述待量测目标在图像中的检测框对应的第二坐标和长宽尺寸；所述雷达量测距离为所述雷达传感器与待量测目标的距离，所述方位角为所述雷达传感器的法线方向与所述待量测目标之间的方位角。
可选的，所述对所述原始视觉量测集中的视觉量测数据按照视觉量测距离进行排序，包括：
计算所述第一坐标与所述车辆坐标系原点的欧式距离，得到视觉量测距离；
将所述原始视觉量测集中的视觉量测数据按照所述视觉量测距离的升序进行排序，得到第一视觉量测集。
可选的，在按照预设距离区间和预设方位角区间，设定所述第一视觉量测集中的每一个视觉量测数据对应的扇环区域之前，还包括：
根据每一个所述视觉量测数据对应的视觉量测距离与预设的测量误差阈值，确定每一个所述视觉量测数据对应的预设距离区间；
获取所述视觉传感器的光心横坐标、焦距，并确定预设的方位角扩大角度；
根据每一个所述视觉量测数据中的所述第二坐标的横坐标、所述长宽尺寸中的长度、所述光心横坐标、焦距、方位角扩大角度，确定预设方位角区间。
可选的，所述对每个所述雷达量测子集中的雷达量测数据分别按照预设距离规则进行聚类，包括：
计算所述雷达量测子集中每两个元素之间的马氏距离；
将所述马氏距离小于预设门限值的两个元素聚类到同一个雷达量测单元中，得到多个第一雷达量测单元。
可选的，所述预设门限值为三维卡方分布中0.95的概率对应的取值。
本发明第二方面提出一种多扩展目标雷达量测集划分装置，所述装置包括：
量测集获取模块，用于获取待量测目标在当前时刻的雷达量测数据的集合和视觉量测数据的集合，得到原始雷达量测集和原始视觉量测集；所述雷达量测数据中包括雷达量测距离和方位角信息，所述视觉量测数据中包括视觉量测距离；
排序模块，用于对所述原始视觉量测集中的视觉量测数据按照所述视觉量测距离进行排序，得到第一视觉量测集；
扇环设定模块，用于按照预设的视觉量测距离区间和预设的方位角区间，设定所述第一视觉量测集中的每一个视觉量测数据对应的扇环区域；
子集提取模块，用于从所述原始雷达量测集中提取与所述扇环区域的距离区间和方位角区间对应的雷达量测数据，得到多个雷达量测子集；
第一聚类模块，用于对所述雷达量测子集中的雷达量测数据按照预设距离规则进行聚类，得到多个第一雷达量测单元；
第二聚类模块，用于对不属于任何一个所述第一雷达量测单元的雷达量测数据按照所述预设距离规则进行聚类，得到多个第二雷达量测单元；
结果获取模块，用于将所有的所述第一雷达量测单元和所述第二雷达量测单元作为所述原始雷达量测集的划分结果。
可选的，所述排序模块具体用于：
计算所述第一坐标与所述车辆坐标系原点的欧式距离，得到视觉量测距离；
将所述原始视觉量测集中的视觉量测数据按照所述视觉量测距离的升序进行排序，得到第一视觉量测集。
可选的，所述装置还包括：
距离区间确定模块，用于根据每一个所述视觉量测数据对应的视觉量测距离与预设的测量误差阈值，确定每一个所述视觉量测数据对应的预设距离区间；
数据获取模块，用于获取所述视觉传感器的光心横坐标、焦距，并确定预设的方位角扩大角度；
方位角区间确定模块，用于根据每一个所述视觉量测数据中的所述第二坐标的横坐标、所述长宽尺寸中的长度、所述光心横坐标、焦距、方位角扩大角度，确定预设方位角区间。
可选的，所述第一聚类模块具体用于：
计算所述雷达量测子集中每两个元素之间的马氏距离；
将所述马氏距离小于预设门限值的两个元素聚类到同一个雷达量测单元中，得到多个第一雷达量测单元。
本发明第三方面提出一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器;
其中，所述处理器被配置为执行所述指令，以实现如第一方面所述的多扩展目标雷达量测集划分方法。
本发明第四方面提出一种计算机可读存储介质，当所述计算机可读存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如第一方面所述的多扩展目标雷达量测集划分方法。
根据本发明提供的具体实施例，本发明具有以下技术效果：
本发明实施例提供的多扩展目标雷达量测集划分方法，包括：获取待量测目标在当前时刻的雷达量测数据的集合和视觉量测数据的集合，得到原始雷达量测集和原始视觉量测集；对所述原始视觉量测集中的视觉量测数据按照所述视觉量测距离进行排序，得到第一视觉量测集；按照预设的视觉量测距离区间和预设的方位角区间，设定所述第一视觉量测集中的每一个视觉量测数据对应的扇环区域；从所述原始雷达量测集中提取与所述扇环区域的距离区间和方位角区间对应的雷达量测数据，得到多个雷达量测子集；对所述雷达量测子集中的雷达量测数据按照预设距离规则进行聚类，得到多个第一雷达量测单元；对不属于任何一个所述第一雷达量测单元的雷达量测数据按照所述预设距离规则进行聚类，得到多个第二雷达量测单元；将所有的所述第一雷达量测单元和所述第二雷达量测单元作为所述原始雷达量测集的划分结果。在上述方法中，利用视觉量测数据分辨率高、目标分辨能力强的特点，以视觉量测数据作为引导，将雷达量测数据预先划分为不同量测子集，提高了对紧邻目标的区分能力，对目标数的估计更为准确，提高了跟踪精度；同时只采用一种距离度量进行划分，大幅减少量测划分数，降低计算量。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还能够根据这些附图获得其它附图。
图1为本发明实施例提供的一种多扩展目标雷达量测集划分方法的步骤流程图；
图2为本发明实施例提供的另一种多扩展目标雷达量测集划分方法的步骤流程图；
图3为本发明实施例提供的一种多扩展目标雷达量测集划分装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的一种多扩展目标雷达量测集划分方法的步骤流程图。所述方法包括以下步骤：
步骤101、获取待量测目标在当前时刻的雷达量测数据的集合和视觉量测数据的集合，得到原始雷达量测集和原始视觉量测集；所述雷达量测数据中包括雷达量测距离和方位角信息，所述视觉量测数据中包括视觉量测距离。
在智能汽车领域，视觉与毫米波雷达融合感知成为主流方案，各感知平台均同时搭载视觉传感器与毫米波雷达传感器，在获取毫米波雷达量测集的同时可以得到视觉量测集。
具体地，利用视觉传感器获取待量测目标在当前时刻的视觉量测数据，得到原始视觉量测集，利用雷达传感器获取待量测目标在当前时刻的雷达量测数据，得到原始雷达量测集。
视觉量测距离为视觉传感器与待量测目标之间的距离，雷达量测距离为雷达传感器与待量测目标之间的距离，方位角为雷达传感器法线与待量测目标之间的夹角。
步骤102、对所述原始视觉量测集中的视觉量测数据按照视觉量测距离进行排序，得到第一视觉量测集；所述视觉量测距离根据待量测目标在图像中的坐标确定。
根据视觉量测距离排序，可以使得位置接近的待量测目标在量测集中的排列序号更接近。视觉量测数据相对于雷达量测数据分辨率高、对目标的分辨能力强，以视觉量测距离排序作为引导，后续根据该排序将雷达量测数据划分为不同量测子集，可以提高对紧邻目标的区分能力。
步骤103、按照预设的视觉量测距离区间和预设的方位角区间，设定所述第一视觉量测集中的每一个视觉量测数据对应的扇环区域。
视觉量测数据中包括视觉量测距离，可以根据该视觉量测距离和量测的误差预先设定一个距离区间
Figure 561779DEST_PATH_IMAGE001
，根据视觉传感器的参数和视觉量测数据预先设定一个方位角区间
Figure 662941DEST_PATH_IMAGE002
。
根据预设距离区间确定大半径
Figure 442678DEST_PATH_IMAGE003
和小半径
Figure 837887DEST_PATH_IMAGE004
，根据预设方位角区间确定起始角度
Figure 589942DEST_PATH_IMAGE005
和终止角度
Figure 412405DEST_PATH_IMAGE006
，从而得到一个扇环区域。
第一视觉量测集中的每一个视觉量测数据都可以确定一个对应的扇环区域。
步骤104、从所述雷达量测集中提取与所述扇环区域的距离区间和方位角区间对应的雷达量测数据，得到多个雷达量测子集。
雷达量测数据中包括雷达量测距离和方位角信息，将雷达量测数据中的雷达量测距离和方位角信息与扇环区域对应的距离区间和方位角区间进行匹配，可以得到每一个扇环区域对应的多个雷达量测数据。
将每一个扇环区域对应的多个雷达量测数据的集合，作为一个雷达量测子集。
一个扇环区域对应一个雷达量测子集，则从原始雷达量测集中可以得到多个雷达量测子集。
步骤105、对每个所述雷达量测子集中的雷达量测数据分别按照预设距离规则进行聚类，得到多个雷达量测单元。
量测数据集划分的目标是使每个单元中的量测来自同一目标或杂波。
根据同一目标产生的量测距离相近的原理，按照预设距离规则对雷达量测子集中的数据进行聚类，可以使距离相近的雷达量测数据聚集在同一个单元中，从而准确划分雷达量测集。
每个雷达量测子集可以根据聚类算法划分为多个第一雷达量测单元。
步骤106、对不属于任何一个所述第一雷达量测单元的雷达量测数据按照所述预设距离规则进行聚类，得到多个第二雷达量测单元。
对于不属于任何一个第一雷达量测单元的雷达量测数据，依然按照距离规则进行聚类，可以得到多个第二雷达量测单元。
步骤107、将所有的所述第一雷达量测单元和所述第二雷达量测单元作为所述原始雷达量测集的划分结果。
将所有的雷达量测单元综合起来，得到最终的原始雷达量测集的划分结果。
例如，步骤106中得到的雷达量测单元有M个，步骤107中得到的雷达量测单元有N个，则原始雷达量测集的划分结果为(M+N)个雷达量测单元。
综上，在本发明实施例中，获取待量测目标在当前时刻的雷达量测数据的集合和视觉量测数据的集合，得到原始雷达量测集和原始视觉量测集；对所述原始视觉量测集中的视觉量测数据按照所述视觉量测距离进行排序，得到第一视觉量测集；按照预设的视觉量测距离区间和预设的方位角区间，设定所述第一视觉量测集中的每一个视觉量测数据对应的扇环区域；从所述原始雷达量测集中提取与所述扇环区域的距离区间和方位角区间对应的雷达量测数据，得到多个雷达量测子集；对所述雷达量测子集中的雷达量测数据按照预设距离规则进行聚类，得到多个第一雷达量测单元；对不属于任何一个所述第一雷达量测单元的雷达量测数据按照所述预设距离规则进行聚类，得到多个第二雷达量测单元；将所有的所述第一雷达量测单元和所述第二雷达量测单元作为所述原始雷达量测集的划分结果。在上述方法中，利用视觉量测数据分辨率高、目标分辨能力强的特点，以视觉量测数据作为引导，将雷达量测数据预先划分为不同量测子集，提高了对紧邻目标的区分能力，对目标数的估计更为准确，提高了跟踪精度；同时只采用一种距离度量进行划分，大幅减少量测划分数，降低计算量。
图2为本发明实施例提供的另一种多扩展目标雷达量测集划分方法的步骤流程图。所述方法包括以下步骤：
步骤201、获取待量测目标在当前时刻的雷达量测数据的集合和视觉量测数据的集合，得到原始雷达量测集和原始视觉量测集；所述雷达量测数据中包括雷达量测距离和方位角信息，所述视觉量测数据中包括视觉量测距离。
在本发明实施例中，步骤201可以参照步骤101，此处不再赘述。
可选的，所述视觉量测距离为图像中所述待量测目标的中心在车辆坐标系中的第一坐标，所述视觉量测数据还包括：所述待量测目标在图像中的检测框对应的第二坐标和长宽尺寸；所述雷达量测距离为所述雷达传感器与待量测目标的距离，所述方位角为所述雷达传感器的法线方向与所述待量测目标之间的方位角。
在本发明实施例中，雷达传感器和视觉传感器架设在车辆上，视觉传感器获取待量测目标的图像检测数据，雷达传感器获取待量测目标的雷达检测数据。
视觉量测集为包含
Figure 866389DEST_PATH_IMAGE007
个视觉量测数据的集合，表示为
Figure 65289DEST_PATH_IMAGE008
。
Figure 671851DEST_PATH_IMAGE009
表示单个视觉量测数据，其中，
Figure 665215DEST_PATH_IMAGE010
为待量测目标的中心在车辆坐标系中的坐标，
Figure 419544DEST_PATH_IMAGE011
为待量测目标在图像中的检测框的左上角的点的坐标，
Figure 343507DEST_PATH_IMAGE012
为检测框的长宽尺寸。
雷达量测集为包含
Figure 804575DEST_PATH_IMAGE013
个雷达量测数据的集合，表示为
Figure 234419DEST_PATH_IMAGE014
。
Figure 476045DEST_PATH_IMAGE015
表示单个雷达量测数据，其中，r表示雷达传感器与待量测目标的距离，
Figure 938119DEST_PATH_IMAGE016
表示雷达传感器的法线方向与待量测目标之间的方位角，
Figure 581590DEST_PATH_IMAGE017
表示激光束的径向速度。
步骤202、计算所述第一坐标与所述车辆坐标系原点的欧式距离，得到视觉量测距离。
第一坐标
Figure 854439DEST_PATH_IMAGE018
与车辆坐标系原点(0,0)的欧式距离为
Figure 583361DEST_PATH_IMAGE019
，
Figure 852056DEST_PATH_IMAGE020
为视觉量测距离。
步骤203、将所述原始视觉量测集中的视觉量测数据按照所述视觉量测距离的升序进行排序，得到第一视觉量测集。
在计算出每一个视觉量测数据的
Figure 350033DEST_PATH_IMAGE021
之后，按照
Figure 121680DEST_PATH_IMAGE021
的升序对原始视觉量测集中的元素进行排序，得到第一视觉量测集。
按照距离的升序进行排序，比按照距离的降序排序，后续进行扇环区域划分时，误差会更小。
在图像中，近距离目标在图像中占的面积比远距离目标更大，远距离目标也有可能被近距离目标遮挡。若按照距离的降序来排序，远距离目标被排在前面，则后续确定每个视觉量测数据的扇环范围时，会先确定远距离目标的扇环范围，这样就可能会把与远距离目标重叠的近距离目标提前划分出去。若按照距离的升序来排序，近距离的目标被排在前面，则在后续确定每个视觉量测数据的扇环范围时，有可能会把与近距离目标重叠的远距离目标提前划分出去。
对于近距离目标，其扇形区域对应的实际距离较小，对于远距离目标，其扇形区域对应的实际距离较大；并且，视觉量测距离误差与实际距离的大小正相关，因此，视觉传感器对近距离目标的视觉量测距离误差较小。因此，若按照距离的升序排序，则误将远距离目标划分到近距离目标对应的扇形区域的概率较低；若按照距离的降序排序，则误将近距离目标划分到远距离目标对应的扇形区域的概率较高。也就是说，按照距离的升序进行排序，在后续扇环区域划分时，误差会更小。
步骤204、根据每一个所述视觉量测数据对应的视觉量测距离与预设的测量误差阈值，确定每一个所述视觉量测数据对应的预设距离区间。
在本发明实施例中，预先设置测量误差阈值，例如可以设置测量误差阈值为
Figure 10002DEST_PATH_IMAGE022
。那么，预设距离区间为
Figure 892507DEST_PATH_IMAGE023
，其中，
Figure 431942DEST_PATH_IMAGE024
，
Figure 374490DEST_PATH_IMAGE025
。
步骤205、获取所述视觉传感器的光心横坐标、焦距，并确定预设的方位角扩大角度。
视觉传感器的光心横坐标、焦距为传感器自身的固有参数，而方位角扩大角度可以根据实际需求进行预设。方位角扩大度数可以设置为与视觉量测距离相关，例如，方位角扩大度数与视觉量测距离成正比。
最终，此步骤得到光心横坐标
Figure 812424DEST_PATH_IMAGE026
、焦距
Figure 170725DEST_PATH_IMAGE027
、方位角扩大度数
Figure 643294DEST_PATH_IMAGE028
。
步骤206、根据每一个所述视觉量测数据中的所述第二坐标的横坐标、所述长宽尺寸中的长度、所述光心横坐标、焦距、方位角扩大角度，确定预设方位角区间。
根据视觉传感器与待量测目标之间的距离和角度关系，可以将方位角区间设置为
Figure 943694DEST_PATH_IMAGE029
，其中，
Figure 868925DEST_PATH_IMAGE030
，
Figure 93233DEST_PATH_IMAGE031
。
步骤207、按照预设的视觉量测距离区间和预设的方位角区间，设定所述第一视觉量测集中的每一个视觉量测数据对应的扇环区域。
根据距离区间和方位角区间
Figure 92413DEST_PATH_IMAGE032
，可以得到每一个视觉量测数据对应的扇环区域。其中，
Figure 376764DEST_PATH_IMAGE033
为扇环的小半径，
Figure 976241DEST_PATH_IMAGE034
为扇环的大半径，
Figure 4240DEST_PATH_IMAGE035
为扇环的起始角度，
Figure 185823DEST_PATH_IMAGE036
为扇环的终止角度。
步骤208、从所述原始雷达量测集中提取与所述扇环区域的距离区间和方位角区间对应的雷达量测数据，得到多个雷达量测子集。
在本发明实施例中，步骤208可以参照步骤104，此处不再赘述。
步骤209、计算所述雷达量测子集中每两个元素之间的马氏距离。
马氏距离(Mahalanobis Distance)是度量学习中的一种距离指标，可以评定数据之间的相似度指标。
按照马氏距离的计算公式，雷达量测子集中的两个元素：
Figure 313179DEST_PATH_IMAGE037
之间的马氏距离L为：
Figure 213002DEST_PATH_IMAGE038
(公式1)
其中，
Figure 986571DEST_PATH_IMAGE039
表示
Figure 288239DEST_PATH_IMAGE040
的转置。Σ是多维随机变量的协方差矩阵，雷达量测数据为包括距离r、方位角
Figure 586496DEST_PATH_IMAGE041
、径向速度
Figure 973615DEST_PATH_IMAGE042
的三维数据，因此，
Figure 343417DEST_PATH_IMAGE043
。其中，
Figure 420963DEST_PATH_IMAGE044
分别表示距离r、方位角
Figure 218018DEST_PATH_IMAGE045
、径向速度
Figure 764537DEST_PATH_IMAGE046
的误差的标准差。
马氏距考虑到了样本在不同类别的不同分布情况，是基于欧氏距离的一种改进，它不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关，马氏距离还可以排除变量之间的相关性的干扰。因此，采用马氏距离作为聚类的距离规则，使得聚类结果更为准确。
步骤210、将所述马氏距离小于预设门限值的两个元素聚类到同一个雷达量测单元中，得到多个第一雷达量测单元。
门限值为一个距离值，可以根据需求进行预设。
根据该门限值对雷达量测子集中的元素按照距离进行聚类，使得距离接近的元素聚集在一个聚类簇中。
可选的，所述预设门限值为三维卡方分布中0.95的概率对应的取值。
若n个相互独立的随机变量均服从标准正态分布，则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量，其分布规律称为卡方分布。
因为雷达量测数据包括距离、方位角和径向速度三个维度，所以取三维的卡方分布，三维卡方分布的概率值取0.95使得这个距离可以覆盖95%的情况。
当然，0.95是一个经验值，也可以根据需求设置其他概率值，本发明实施例对此不做具体限定。
步骤211、对不属于任何第一雷达量测单元的雷达量测数据按照所述预设距离规则进行聚类，得到多个雷达量测单元。
对不属于任何第一雷达量测单元的雷达量测数据，仍然按照上述步骤209、步骤210的方法进行聚类，得到多个雷达量测单元。
步骤212、将所有的所述第一雷达量测单元和所述第二雷达量测单元作为所述原始雷达量测集的划分结果。
在本发明实施例中，步骤212可以参照步骤107，此处不再赘述。
综上，图2中的雷达量测集划分方法除具有图1中的方法的有益效果外，还将所述原始视觉量测集中的视觉量测数据按照所述视觉量测距离的升序进行排序，因为近距离目标的扇形区域对应的实际距离较小，其距离误差更小，因此，将近距离目标提前划分出去，会比将远距离目标提前划分出去，得到的划分误差更小。也就是说，按照距离的升序进行排序，在后续扇环区域划分时，误差会更小。并且，将马氏距离小于预设门限值的两个元素聚类到同一个雷达量测单元中，马氏距考虑到了样本在不同类别的不同分布情况，它不受量纲的影响，还可以排除变量之间的相关性的干扰。因此，采用马氏距离作为聚类的距离规则，使得聚类结果更为准确。
图3为本发明实施例提供的一种多扩展目标雷达量测集划分装置的结构框图。该装置300包括：
量测集获取模块301，用于获取待量测目标在当前时刻的雷达量测数据的集合和视觉量测数据的集合，得到原始雷达量测集和原始视觉量测集；所述雷达量测数据中包括雷达量测距离和方位角信息，所述视觉量测数据中包括视觉量测距离；
排序模块302，用于对所述原始视觉量测集中的视觉量测数据按照所述视觉量测距离进行排序，得到第一视觉量测集；
扇环设定模块303，用于按照预设的视觉量测距离区间和预设的方位角区间，设定所述第一视觉量测集中的每一个视觉量测数据对应的扇环区域；
子集提取模块304，用于从所述原始雷达量测集中提取与所述扇环区域的距离区间和方位角区间对应的雷达量测数据，得到多个雷达量测子集；
第一聚类模块305，用于对所述雷达量测子集中的雷达量测数据按照预设距离规则进行聚类，得到多个第一雷达量测单元；
第二聚类模块306，用于对不属于任何一个所述第一雷达量测单元的雷达量测数据按照所述预设距离规则进行聚类，得到多个第二雷达量测单元；
结果获取模块307，用于将所有的所述第一雷达量测单元和所述第二雷达量测单元作为所述原始雷达量测集的划分结果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种多扩展目标雷达量测集划分方法，其特征在于，所述方法包括：
获取待量测目标在当前时刻的雷达量测数据的集合和视觉量测数据的集合，得到原始雷达量测集和原始视觉量测集；所述雷达量测数据中包括雷达量测距离和方位角信息，所述视觉量测数据中包括视觉量测距离；
对所述原始视觉量测集中的视觉量测数据按照所述视觉量测距离进行排序，得到第一视觉量测集；
按照预设的视觉量测距离区间和预设的方位角区间，设定所述第一视觉量测集中的每一个视觉量测数据对应的扇环区域；
从所述原始雷达量测集中提取与所述扇环区域的距离区间和方位角区间对应的雷达量测数据，得到多个雷达量测子集；
对所述雷达量测子集中的雷达量测数据按照预设距离规则进行聚类，得到多个第一雷达量测单元；
对不属于任何一个所述第一雷达量测单元的雷达量测数据按照所述预设距离规则进行聚类，得到多个第二雷达量测单元；
将所有的所述第一雷达量测单元和所述第二雷达量测单元作为所述原始雷达量测集的划分结果。
2.根据权利要求1所述的方法，其特征在于，所述视觉量测距离为图像中所述待量测目标的中心在车辆坐标系中的第一坐标，所述视觉量测数据还包括：所述待量测目标在图像中的检测框对应的第二坐标和长宽尺寸；所述雷达量测距离为所述雷达传感器与待量测目标的距离，所述方位角为所述雷达传感器的法线方向与所述待量测目标之间的方位角。
3.根据权利要求2所述的方法，其特征在于，所述对所述原始视觉量测集中的视觉量测数据按照视觉量测距离进行排序，包括：
计算所述第一坐标与所述车辆坐标系原点的欧式距离，得到视觉量测距离；
将所述原始视觉量测集中的视觉量测数据按照所述视觉量测距离的升序进行排序，得到第一视觉量测集。
4.根据权利要求3所述的方法，其特征在于，在按照预设距离区间和预设方位角区间，设定所述第一视觉量测集中的每一个视觉量测数据对应的扇环区域之前，还包括：
根据每一个所述视觉量测数据对应的视觉量测距离与预设的测量误差阈值，确定每一个所述视觉量测数据对应的预设距离区间；
获取所述视觉传感器的光心横坐标、焦距，并确定预设的方位角扩大角度；
根据每一个所述视觉量测数据中的所述第二坐标的横坐标、所述长宽尺寸中的长度、所述光心横坐标、焦距、方位角扩大角度，确定预设方位角区间。
5.根据权利要求1所述的方法，其特征在于，所述对每个所述雷达量测子集中的雷达量测数据分别按照预设距离规则进行聚类，包括：
计算所述雷达量测子集中每两个元素之间的马氏距离；
将所述马氏距离小于预设门限值的两个元素聚类到同一个雷达量测单元中，得到多个第一雷达量测单元。
6.根据权利要求5所述的方法，其特征在于，所述预设门限值为三维卡方分布中0.95的概率对应的取值。
7.一种多扩展目标雷达量测集划分装置，其特征在于，所述装置包括：
量测集获取模块，用于获取待量测目标在当前时刻的雷达量测数据的集合和视觉量测数据的集合，得到原始雷达量测集和原始视觉量测集；所述雷达量测数据中包括雷达量测距离和方位角信息，所述视觉量测数据中包括视觉量测距离；
排序模块，用于对所述原始视觉量测集中的视觉量测数据按照所述视觉量测距离进行排序，得到第一视觉量测集；
扇环设定模块，用于按照预设的视觉量测距离区间和预设的方位角区间，设定所述第一视觉量测集中的每一个视觉量测数据对应的扇环区域；
子集提取模块，用于从所述原始雷达量测集中提取与所述扇环区域的距离区间和方位角区间对应的雷达量测数据，得到多个雷达量测子集；
第一聚类模块，用于对所述雷达量测子集中的雷达量测数据按照预设距离规则进行聚类，得到多个第一雷达量测单元；
第二聚类模块，用于对不属于任何一个所述第一雷达量测单元的雷达量测数据按照所述预设距离规则进行聚类，得到多个第二雷达量测单元；
结果获取模块，用于将所有的所述第一雷达量测单元和所述第二雷达量测单元作为所述原始雷达量测集的划分结果。
8.根据权利要求7所述的装置，其特征在于，所述排序模块具体用于：
计算所述第一坐标与所述车辆坐标系原点的欧式距离，得到视觉量测距离；
将所述原始视觉量测集中的视觉量测数据按照所述视觉量测距离的升序进行排序，得到第一视觉量测集。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器;
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的多扩展目标雷达量测集划分方法。
10.一种计算机可读存储介质，当所述计算机可读存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如权利要求1至6中任一项所述的多扩展目标雷达量测集划分方法。
CN202111480883.7A 2021-12-07 2021-12-07 一种多扩展目标雷达量测集划分方法和装置 Active CN113917450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111480883.7A CN113917450B (zh) 2021-12-07 2021-12-07 一种多扩展目标雷达量测集划分方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111480883.7A CN113917450B (zh) 2021-12-07 2021-12-07 一种多扩展目标雷达量测集划分方法和装置

Publications (2)

Publication Number Publication Date
CN113917450A true CN113917450A (zh) 2022-01-11
CN113917450B CN113917450B (zh) 2022-03-11

Family

ID=79248704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111480883.7A Active CN113917450B (zh) 2021-12-07 2021-12-07 一种多扩展目标雷达量测集划分方法和装置

Country Status (1)

Country Link
CN (1) CN113917450B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2681434A1 (fr) * 1991-05-06 1993-03-19 Commw Of Australia Procede et appareil pour afficher et classer des echos radar et favoriser cette classification.
JPH10288660A (ja) * 1997-04-15 1998-10-27 Nec Corp レーダビデオ信号処理装置
CN103576154A (zh) * 2012-08-01 2014-02-12 通用汽车环球科技运作有限责任公司 使用雷达和摄像机的障碍物探测的融合
CN104965202A (zh) * 2015-06-18 2015-10-07 奇瑞汽车股份有限公司 障碍物探测方法和装置
US20160003935A1 (en) * 2014-07-03 2016-01-07 GM Global Technology Operations LLC Object classification for vehicle radar systems
CN105354860A (zh) * 2015-08-26 2016-02-24 西安电子科技大学 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法
CN110542908A (zh) * 2019-09-09 2019-12-06 阿尔法巴人工智能(深圳)有限公司 应用于智能驾驶车辆上的激光雷达动态物体感知方法
CN111178215A (zh) * 2019-12-23 2020-05-19 深圳成谷科技有限公司 一种传感器数据融合处理的方法和装置
CN111552289A (zh) * 2020-04-28 2020-08-18 苏州高之仙自动化科技有限公司 检测方法及虚拟雷达装置、电子设备、存储介质
CN112527009A (zh) * 2020-04-10 2021-03-19 广州极飞科技有限公司 雷达数据的处理方法及装置、作业设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2681434A1 (fr) * 1991-05-06 1993-03-19 Commw Of Australia Procede et appareil pour afficher et classer des echos radar et favoriser cette classification.
JPH10288660A (ja) * 1997-04-15 1998-10-27 Nec Corp レーダビデオ信号処理装置
CN103576154A (zh) * 2012-08-01 2014-02-12 通用汽车环球科技运作有限责任公司 使用雷达和摄像机的障碍物探测的融合
US20160003935A1 (en) * 2014-07-03 2016-01-07 GM Global Technology Operations LLC Object classification for vehicle radar systems
CN104965202A (zh) * 2015-06-18 2015-10-07 奇瑞汽车股份有限公司 障碍物探测方法和装置
CN105354860A (zh) * 2015-08-26 2016-02-24 西安电子科技大学 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法
CN110542908A (zh) * 2019-09-09 2019-12-06 阿尔法巴人工智能(深圳)有限公司 应用于智能驾驶车辆上的激光雷达动态物体感知方法
CN111178215A (zh) * 2019-12-23 2020-05-19 深圳成谷科技有限公司 一种传感器数据融合处理的方法和装置
CN112527009A (zh) * 2020-04-10 2021-03-19 广州极飞科技有限公司 雷达数据的处理方法及装置、作业设备
CN111552289A (zh) * 2020-04-28 2020-08-18 苏州高之仙自动化科技有限公司 检测方法及虚拟雷达装置、电子设备、存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DONG ZHOU等: "GM-PHD Filter based Multi-target Tracking Method for Radar and Monocular Camera", 《2021 33RD CHINESE CONTROL AND DECISION CONFERENCE CCDC)》 *
FUCHENG CUI等: "Online Multi-target Tracking for Pedestrian by Fusion of Millimeter Wave Radar and Vision", 《2021 IEEE RADAR CONFERENCE (RADARCONF21)》 *
王海等: "基于多传感器融合的智能汽车多目标检测技术综述", 《汽车安全与节能学报》 *
甘耀东等: "融合毫米波雷达与深度视觉的多目标检测与跟踪", 《汽车工程》 *
胡延平等: "毫米波雷达与视觉传感器信息融合的车辆跟踪", 《中国机械工程》 *

Also Published As

Publication number Publication date
CN113917450B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN112526513B (zh) 基于聚类算法的毫米波雷达环境地图构建方法及装置
CN107590498B (zh) 一种基于字符分割级联二分类器的自适应汽车仪表检测方法
CN105787502B (zh) 用于物体融合的目标分类集合技术
CN106646338B (zh) 一种快速精确的室内定位方法
CN102236794B (zh) 3d场景中3d对象的识别和姿态确定
CN106529559A (zh) 一种指针式圆形多仪表盘实时读数识别方法
CN110930456A (zh) 基于pcl点云库的钣金零件的三维立体识别及定位方法
CN113075648B (zh) 一种无人集群目标定位信息的聚类与滤波方法
CN111552754B (zh) 一种舰船轨迹相似度度量方法及系统
CN110211178B (zh) 一种利用投影计算的指针式仪表识别方法
CN110895333A (zh) 一种基于多普勒频率的77g车载雷达数据快速聚类方法
CN115761534A (zh) 一种空中背景下红外无人机小目标检测及跟踪方法
CN112070130B (zh) 一种基于动态时间规整的跨道车辆匹配方法及系统
CN115372995A (zh) 一种基于欧式聚类的激光雷达目标检测方法及系统
CN117495891B (zh) 点云边缘检测方法、装置和电子设备
CN113917450B (zh) 一种多扩展目标雷达量测集划分方法和装置
CN114067224A (zh) 一种基于多传感器数据融合的无人机集群目标数量检测方法
CN116184344A (zh) 一种自适应车载毫米波雷达dbscan聚类方法及装置
US11807232B2 (en) Method and apparatus for tracking an object and a recording medium storing a program to execute the method
CN112015960B (zh) 车载雷达测量数据的聚类方法、存储介质和电子装置
CN115166757A (zh) 激光雷达实际探测距离测量的方法、系统、电子设备及存储介质
CN111090105B (zh) 一种车载激光雷达点云信号地面点分离方法
CN114743180A (zh) 检测结果的识别方法、装置、存储介质和处理器
CN107330105B (zh) 一种相似图像检索算法的鲁棒性评测方法及装置
US20240233170A9 (en) Method for identifying uncertainties during the detection of multiple objects

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Floor 25, Block A, Zhongzhou Binhai Commercial Center Phase II, No. 9285, Binhe Boulevard, Shangsha Community, Shatou Street, Futian District, Shenzhen, Guangdong 518000

Patentee after: Shenzhen Youjia Innovation Technology Co.,Ltd.

Address before: 518051 401, building 1, Shenzhen new generation industrial park, No. 136, Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong Province

Patentee before: SHENZHEN MINIEYE INNOVATION TECHNOLOGY Co.,Ltd.