CN113960587B - 基于类别信息反馈的毫米波雷达多目标跟踪方法 - Google Patents
基于类别信息反馈的毫米波雷达多目标跟踪方法 Download PDFInfo
- Publication number
- CN113960587B CN113960587B CN202111206093.XA CN202111206093A CN113960587B CN 113960587 B CN113960587 B CN 113960587B CN 202111206093 A CN202111206093 A CN 202111206093A CN 113960587 B CN113960587 B CN 113960587B
- Authority
- CN
- China
- Prior art keywords
- target
- model
- tracker
- tracking
- mth
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000002452 interceptive effect Effects 0.000 claims abstract description 62
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 238000013179 statistical model Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 239000012535 impurity Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
本发明提出了一种基于类别信息反馈的毫米波雷达多目标跟踪方法，包括下述步骤：(1)获取毫米波雷达的目标观测值；(2)构建基于交互式多模型IMM结构的跟踪器模型；(3)基于自适应卡尔曼滤波方法AKF对目标进行预跟踪；(4)构建训练样本集和测试样本集；(5)构建分类器模型并对其进行迭代训练；(6)获取每幅RD图中的目标类别信息；(7)基于目标类别信息反馈获取毫米波雷达的目标跟踪结果。本发明对多目标跟踪时，考虑到利用不同目标的类别信息辅助跟踪器选取合适的运动模型，该方法解决了现有技术中仅利用单一的运动模型对不同运动特性目标进行跟踪，导致跟踪精度下降所造成目标轨迹中断的问题，提升了多目标跟踪的稳健性。
Description
技术领域
本发明属于雷达技术领域，涉及一种雷达目标跟踪方法，具体涉及一种基于类别信息反馈的毫米波雷达多目标跟踪方法。
背景技术
雷达目标跟踪是雷达数据处理中的一个重要组成部分，通常需要对目标原始回波进行目标检测形成目标点迹，对目标点迹进行聚类和质心凝聚得到目标的观测值，建立跟踪器并使用滤波算法对观测值进行滤波得到目标跟踪结果。毫米波雷达作为一种重要的传感器，以其全天时、全天候、分辨率高、便于集成等优点，在安防监控、室内人员检测、无人驾驶等众多领域有着广泛的应用。目前针对毫米波雷达的多目标跟踪算法的研究刚刚起步，良好的多目标跟踪算法需要对跟踪精度、失跟率等重要指标进行评估，跟踪精度提高或失跟率降低能够缓解轨迹中断不连续的问题，进而提高跟踪的稳定性，因此利用毫米波雷达对多目标形成持续稳定地跟踪成为亟待解决的难点之一。
申请公布号为CN 110361727 A，名称为“一种毫米波雷达多目标跟踪方法”的专利申请，公开了一种基于毫米波雷达的多目标跟踪方法，该方法使用毫米波雷达采集点云数据，对点云数据进行聚类处理以区分不同目标的回波信号，根据聚类结果估计观测到的多个目标的状态信息，进而实现多目标跟踪。本发明根据毫米波雷达的特性，对DBSCAN聚类算法进行了改进，提高了对目标数目和目标跟踪的准确度，并使用卡尔曼滤波KF算法和数据关联算法，实现在较为复杂的环境下对多个目标轨迹的预测与跟踪。但是，该方法仅对DBSCAN聚类算法进行了改进，在使用卡尔曼滤波KF算法时使用单一的运动模型对目标进行跟踪，并未考虑到不同类别目标的运动特性不尽相同的情况，这导致了跟踪模型与目标实际运动情况不匹配出现跟踪精度下降、轨迹中断不连续等问题。
发明内容
本发明的目的在于克服上述已有技术存在的不足，提出了一种基于类别信息反馈的毫米波雷达多目标跟踪方法，用于现有技术中存在的跟踪精度不高而导致出现的轨迹中断不连续的问题，有利于对路面目标跟踪稳定性的提升。
为实现上述目的，本发明采取的技术方案包括如下步骤：
(1)获取毫米波雷达的目标观测值：
(1a)获取毫米波雷达的K帧目标实测数据S＝{S1,S2,…,Sk,…,SK}，并对每帧目标实测数据Sk沿距离维和速度维分别进行傅里叶变换FFT，得到目标原始距离多普勒RD图S'＝{S′1,S'2,…,S'k,…,S'K}，其中，K≥2，Sk表示第k帧包括M个目标的实测数据，M≥2，S'k表示Sk对应的目标原始距离多普勒RD图；
(1b)对每幅目标原始距离多普勒RD图S'k进行地杂波去除得到去除地杂波后的RD图D'＝{D′1,D'2,…,D'k,…,D'K}，并采用二维单元平均CFAR算法对每幅去除地杂波后的RD图进行目标检测，得到D'对应的目标点迹集合P＝{P1,P2,…,Pk,…,PK}，其中，Pk表示D'k中目标原始距离多普勒RD图中包括M个目标点迹的子集合，表示Pk中第m个目标点迹；
(1c)利用DBSCAN算法对目标点迹集合中每个目标点迹子集合Pk进行聚类，并对每个聚类后的点迹簇进行质心凝聚，得到对应的目标观测值集合Z＝{Z1,Z2,…,Zk,…,ZK}，其中，Zk表示Pk对应的观测值子集合，表示第k幅RD图中第m个目标的观测值；
(2)构建基于交互式多模型IMM结构的跟踪器模型：
构建与第k个观测值子集合Zk包含的观测值个数相同的M个跟踪器的跟踪器模型G＝{G1,G2,…,Gm,…,GM}，其中，Gm表示第m个目标观测值对应的包括N个并行排布的交互式模型的跟踪器，N≥2，/>表示第n个采用匀速模型CV、匀加速模型CA或当前统计模型CS的交互式模型；
(3)跟踪器基于自适应卡尔曼滤波方法AKF对每幅RD图中的目标进行预跟踪：
(3a)以第k幅RD图中第m个目标的观测值初始化/>对应的跟踪器Gm中每个交互式模型/>的输入状态/>以与/>维数相等的单位阵初始化/>的输入协方差以相同的概率值β初始化/>与跟踪器Gm中其余N-1个交互式模型中的第j个交互式模型/>的预测转移概率μnj(k|k)，其中，j≤N，Nβ＝1，并令k＝1；
(3b)跟踪器Gm中的每个交互式模型的预测转移概率μnj(k|k)与/>的输入状态输入协方差/>分别进行交互，得到交互输出状态/>和交互输出协方差
(3c)跟踪器Gm通过自适应卡尔曼滤波方法AKF，并结合交互输出和对第k+1幅RD图中第m个目标的观测值/>进行滤波，得到第m个目标观测值/>对应第j个交互式模型的跟踪器/>滤波目标状态/>滤波目标协方差矩阵新息/>和新息协方差/>
(3d)跟踪器Gm通过AKF得到的第j个交互式模型的新息/>和新息协方差计算得到新息概率/>并利用新息概率/>和转移概率πnj对预测转移概率/>进行更新，得到第k+1幅RD图中第m个跟踪器Gm中第j个交互式模型/>的概率估计/>
(3e)将的概率估计/>与/>的乘积作为第m个跟踪器Gm中第j个交互式模型/>的目标预跟踪结果/>和目标状态协方差估计并对所有N个模型的概率估计与对应的目标预跟踪结果、目标状态协方差估计结果进行相乘后再求和，得到第k+1幅RD图中第m个跟踪器Gm的目标预跟踪结果Xm(k+1|k+1)和目标协方差估计结果Pm(k+1|k+1)；
(3f)判断k≥K-1是否成立，若是，得到S'对应的目标观测值集合Z＝{Z1,Z2,…,Zk,…,ZK}的目标预跟踪结果T＝{T1,T2,…,Tk,…,TK}和目标协方差估计结果P＝{P1,P2,…,Pk,…,PK}，否则令k＝k+1，并执行步骤(3b)，其中，Tk表示第k幅RD图中包括M个目标的预跟踪结果Tk＝{X1(k|k),X1(k|k),…,Xm(k|k),…XM(k|k)}，Xm(k|k)表示Tk中第m个目标的预跟踪结果，Pk表示第k幅RD图中包括M个目标的目标协方差估计结果Pk＝{P1(k|k),P2(k|k),…,Pm(k|k),…PM(k|k)},Pm(k|k)表示Pk中第m个目标的目标协方差估计结果；
(4)获取训练样本集和测试样本集：
以第k幅RD图中第m个跟踪器Gm的目标预跟踪结果Xm(k|k)中目标与毫米波雷达的距离以及目标相对于毫米波雷达的速度/>组成向量/>为中心，在/>上下分别取/>个距离单元，/>左右分别取/>个多普勒单元，在原始去除地杂波后的RD图D'k上截取大小为l1*l2的目标切片/>作为训练样本，构成训练样本集Otrain＝{O1,O2,…,Ok,…,OK}，Ok表示第k幅RD图中包括M个目标构成的训练样本/>表示训练样本集中第k幅RD图中第m个目标切片，并将与训练样本集Otrain在仅采集时间不同情况下获取的毫米波雷达实测数据中包括M个目标的目标切片构成测试样本集Otest＝{O′1,O'2,…,O'k,…,O'K}，O'k表示第k幅RD图中包括M个目标构成的测试样本表示测试样本集中第k幅RD图中第m个目标切片；
(5)构建分类器模型并对其进行迭代训练：
构建包括多个卷积层、多个池化层、多个激活层和多个全连接层的分类器模型，并将训练样本集Otrain作为分类器模型的输入进行多次迭代训练，得到训练好的分类器模型；
(6)获取每幅RD图中的目标类别信息：
将测试样本集Otest作为训练好的分类器模型的输入获取目标类别信息，得到目标预跟踪结果T所对应的目标类别信息C＝{C1,C2,…,Ck,…,CK}，其中，Ck表示第k幅RD图中包括M个目标的类别信息，表示Ck中第m个目标的类别信息；
(7)基于目标类别信息反馈获取毫米波雷达的目标跟踪结果：
(7a)以第k幅RD图中第m个目标的类别信息为起始值，第k+W-1幅RD图中第m个目标的类别信息/>为终止值，对分类器得到的第m个目标的连续W幅RD图的类别信息初始化反馈滑动窗口/>初始化反馈概率阈值α，其中，W≥2，并令k＝1；
(7b)对反馈滑动窗口CW内的类别信息进行按类别投票的方式得到投票结果γk+W，判断γk+W满足为同一目标类别的概率是否大于等于预设的反馈概率阈值α，若是，如果获得票数最多的目标类别的机动性较强，则选取跟踪器Gm中的交互式模型CV和CS作为反馈后的跟踪器如果获得票数最多的目标类别的机动性较弱，则选取跟踪器Gm中的交互式模型CV和CA作为反馈后的跟踪器/>并利用/>对第k+W幅RD图中的第m个目标进行跟踪，否则，利用包括N个交互式模型的跟踪器/>对该目标进行跟踪，得到第k+W幅RD图中第m个目标的目标跟踪结果/>
(7c)判断k+W＞K是否成立，若是，得到每幅RD图中包括M个目标的跟踪结果其中，/>表示第k+W幅RD图中包括M个目标的跟踪结果， 表示/>中第m个目标的跟踪结果，否则令k＝k+1并执行步骤(7b)。
本发明与现有的技术相比，具有以下优点：
1.本发明在获取最终的毫米波雷达目标跟踪结果时，首先基于交互式多模型IMM结构的跟踪器模型获取预跟踪结果，再将预跟踪结果提取的目标切片输入到训练好的分类器中得到该目标切片的类别信息，然后利用连续多帧的类别信息构建了反馈滑动窗口，对反馈滑动窗口内的类别信息进行投票，最后根据投票结果选取部分交互式模型作为下一帧跟踪器的交互式模型，充分考虑到利用目标的类别信息辅助跟踪器从而选取适合的目标运动模型，避免了模型过多竞争而导致跟踪精度下降的缺陷，缓解了由于跟踪精度较低导致的目标轨迹中断的问题，有效提升了多目标跟踪的稳健性。
2.本发明所构建的基于交互式多模型IMM结构的跟踪器模型，包括多个并行排布的交互式模型的跟踪器，在对每幅目标原始距离多普勒RD图中的目标进行预跟踪时，考虑了不同目标运动的不同机动性情况，而且由于观测噪声未知，跟踪器采用自适应卡尔曼滤波方法AKF对RD图中目标的观测值进行滤波，缓解跟踪过程中滤波发散而导致跟踪精度下降的问题，有效避免了现有技术中在构建跟踪器时只利用单一的运动模型且滤波过程中未考虑观测噪声未知的缺陷，提升目标的跟踪精度，进一步缓解了由于跟踪精度较低导致的目标轨迹中断的问题，提升了多目标跟踪的稳健性。
附图说明
图1是本发明的实现流程图；
图2是本发明对RD图进行去杂波的前后对比图；
图3是本发明实施例中对道路目标跟踪的效果图；
图4是本发明与现有技术目标跟踪轨迹的实验对比图；
具体实施方式
下面结合附图和具体实施例，对本发明作进一步详细描述。
参照图1，本发明包括如下步骤：
步骤1)获取毫米波雷达的目标观测值：
(1a)获取毫米波雷达的K帧目标实测数据S＝{S1,S2,…,Sk,…,SK}，并对每帧目标实测数据Sk沿距离维和速度维分别进行傅里叶变换FFT，得到目标原始距离多普勒RD图S'＝{S′1,S'2,…,S'k,…,S'K}，其中，K≥2，Sk表示第k帧包括M个目标的实测数据，M≥2，S'k表示Sk对应的目标原始距离多普勒RD图；本实施例中将毫米波雷达部署在固定平台上，通过对路面目标发射线性调频连续LFMCW获取目标的实测数据，沿目标实测数据的距离维每个回波分别做傅里叶变换FFT，沿速度维已进行距离维FFT的回波进行FFT，生成目标原始RD图，两次FFT的使用相当于进行两次加窗处理，可以有效改善雷达回波的信噪比情况。
(1b)对每幅目标原始距离多普勒RD图S'k进行地杂波去除得到去除地杂波后的RD图D'＝{D′1,D'2,…,D'k,…,D'K}，并采用二维单元平均CFAR算法对每幅去除地杂波后的RD图进行目标检测，得到D'对应的目标点迹集合P＝{P1,P2,…,Pk,…,PK}，其中，Pk表示D'k中目标原始距离多普勒RD图中包括M个目标点迹的子集合，表示Pk中第m个目标点迹；生成原始的RD图后可以发现，在图2(a)速度为0m/s的附近会出现由地面的静止目标或风吹草动等原因所导致的地杂波，这对后续的操作，无论是目标检测还是目标跟踪都会产生较大的影响，因此需要在原始的RD图中对地杂波进行处理，经过地杂波去除后的RD图如图2(b)所示，本实施例中采用较为基础的CLEAN算法进行说明，如有更好的去地杂波算法可以做出相应替换。对原始RD图进行地杂波去除后，需要对去除地杂波后的RD图进行目标检测，目标检测通常使用恒虚警检测CFAR的不同变体方法，其中二维单元平均CFAR算法在杂波均匀且多目标的场景下使用率最高。该算法沿RD图每一行进行操作，通过计算左侧邻近若干参考单元与右侧若干参考单元的平均值，设置门限，与当前位置待检测单元进行比较后，判断该单元是否为目标，完成目标检测工作。
其中，对每幅目标原始距离多普勒RD图S'k进行地杂波去除，实现步骤如下：
(1b1)对于RD图的每一行，自适应的找出地杂波区域及地杂波区域所包含的多普勒单元个数，并对这些多普勒单元进行平滑操作；
(1b2)分别对RD图的每一行进行IFFT操作，得到该行的原始雷达回波，并利用(1b1)得到该行在地杂波区域所包含的多普勒单元个数；
(1b3)根据雷达参数估计雷达回波中地杂波能量，对(1b2)得到的原始雷达回波做离散傅里叶变换，获得回波信号的多普勒谱，在多普勒谱中搜索(1b1)所述地杂波区域的最大值及其对应的相位、幅度和多普勒频率，并重构地杂波区域的最大值对应的时域信号；
(1b4)用(1b2)获得的原始回波信号减去(1b3)所述重构地杂波区域最大值对应的时域信号，得到处理后的回波信号，并计算该回波信号在地杂波区域的能量；
(1b5)判断处理后的回波信号在杂波区域的能量是否小于(1b3)所估计地杂波能量：若是，得到每行去除地杂波后的雷达回波信号；否则，返回(1b3)；
(1b6)对(1b5)中得到的每行去除地杂波后的雷达回波信号做FFT操作，获得去除地杂波后的RD图，结果如图2，其中图2(a)为去地杂波前的RD图，图2(b)为使用本方案去除地杂波后的RD图，对比图2(a)与图2(b)，可以看出本方案去除地杂波效果良好。
其中，采用二维单元平均CFAR算法对每幅去除地杂波后的RD图进行目标检测，实现步骤如下：
(1b7)选择待检测单元，计算待检测单元左侧邻近若干参考单元、右侧若干参考单元、上方若干参考单元和下方若干参考单元的能量平均值；
(1b8)根据具体实验场景、实验条件，利用(1b7)所求能量平均值设置门限，将当前待检测单元能量与该门限进行比较：若待检测单元能量大于等于该门限，则判断该单元为目标，并记录其坐标，反之，则不予考虑；
(1b9)对RD图中所有像素点执行(1b7)及(1b8)的操作，获得RD图中所有检测到的目标点。
(1c)利用DBSCAN算法对目标点迹集合中每个目标点迹子集合Pk进行聚类，并对每个聚类后的点迹簇进行质心凝聚，得到对应的目标观测值集合Z＝{Z1,Z2,…,Zk,…,ZK}，其中，Zk表示Pk对应的观测值子集合，表示第k幅RD图中第m个目标的观测值；完成目标检测过程之后，由于同一目标可能会因为目标体积过大、各部位散射强度差异、运动状态不同这些原因，导致在检测过程中同一个目标被检测为多个点迹，因此需要在目标检测的基础上，利用DBSCAN算法对已经检测到的多个点迹进行聚类得到多个目标点迹簇，从而提升后续步骤中多目标跟踪的精度。在结束目标检测与聚类后，由于同一目标点迹簇中存在多个点迹，而跟踪时仅对单个点迹进行，因此需对已经完成聚类的多个目标点迹簇进行质心凝聚操作。
其中，采用DBSCAN算法对目标点迹集合中每个目标点迹子集合进行聚类，实现步骤如下：
(1c1)任意选择一个没有类别的核心对象作为种子，找到所有这个核心对象能够密度可达的样本集合，即为一个聚类簇，标记该聚类簇的类别；
(1c2)继续选择另一个没有类别的核心对象去寻找其密度可达的样本集合，得到另一个聚类簇并标记类别；
(1c3)重复(1c2)直到所有核心对象都有类别。
其中，对每个聚类后的点迹簇进行质心凝聚，实现步骤如下：
(1c4)在同一聚类簇中，若存在多个核心对象，计算所有核心对象横纵坐标平均值，作为该目标凝聚后的位置坐标；若只有一个核心对象，则该核心对象坐标即为凝聚后目标的坐标值；
本步骤中的术语解释如下：
邻域，是指对于某样本，到它的距离不超过某个值的其他样本的集合。
核心对象，表示邻域内样本个数大于某个固定值的样本。
密度直达，是指若某对象位于核心对象邻域内，则核心对象与该对象的关系被称为密度直达。
密度可达，是指若对象一、二、三均为核心对象，若对象一可由对象二密度直达，对象二可由对象三密度直达，则对象一与对象三的关系被称为密度可达。
密度相连，是指若对象四、五、六均为核心对象，若对象四、对象五均由对象六密度可达，则对象四与对象六的关系被称为密度相连。
步骤2)构建基于交互式多模型IMM结构的跟踪器模型：
(2a)构建与第k个观测值子集合Zk包含的观测值个数相同的M个跟踪器的跟踪器模型G＝{G1,G2,…,Gm,…,GM}，其中，Gm表示第m个目标观测值对应的包括N个并行排布的交互式模型的跟踪器，N≥2，/>表示第n个采用匀速模型CV、匀加速模型CA或当前统计模型CS的交互式模型；在对道路目标跟踪时，由于跟踪的多目标类别可能不同，不同类别目标的运动特性也不尽相同，考虑到不同目标的机动性强弱，本实施例中采用由匀速模型CV、匀加速模型CA和当前统计模型CS的三种模型组成交互式多模型IMM结构的跟踪器模型。
其中所述的构建基于交互式多模型IMM结构的跟踪器模型，其中：
构建跟踪器模型时，通常假设目标在t时刻的状态向量为则在某一运动形式下对应的离散时间状态方程为X(k+1)＝FX(k)+w(k)，其中，x(t)表示目标相对于雷达的径向距离，/>表示目标相对于雷达的径向速度，/>表示目标相对于雷达的径向加速度，w(k)是均值为0，方差为σ2的高斯白噪声，匀速模型CV是将目标定义为做匀速直线运动的，这也是目标跟踪中最基本的一种模型，匀速模型CV中状态转移矩阵为T表示采样间隔，匀加速模型CA是将目标定义为做匀加速直线运动情况，匀加速模型CA的状态转移矩阵为/>当前统计模型CS是采用修正的瑞利分布来描述机动加速度的统计特性，认为当目标当前时刻以某一加速度进行机动时，下一时刻的加速度只能在当前时刻的加速度邻域内，当前统计模型CS的状态转移矩阵为α表示机动频率。
步骤3)跟踪器基于自适应卡尔曼滤波方法AKF对每幅RD图中的目标进行预跟踪：
(3a)以第k幅RD图中第m个目标的观测值初始化/>对应的跟踪器Gm中每个交互式模型/>的输入状态/>以与/>维数相等的单位阵初始化/>的输入协方差以相同的概率值β初始化/>与跟踪器Gm中其余N-1个交互式模型中的第j个交互式模型/>的预测转移概率μnj(k|k)，其中，j≤N，Nβ＝1，并令k＝1。
(3b)跟踪器Gm中的每个交互式模型的预测转移概率μnj(k|k)与/>的输入状态输入协方差/>分别进行交互，得到交互输出状态/>和交互输出协方差
(3c)跟踪器Gm通过自适应卡尔曼滤波方法AKF，并结合交互输出和对第k+1幅RD图中第m个目标的观测值/>进行滤波，得到第m个目标观测值/>对应第j个交互式模型的跟踪器/>滤波目标状态/>滤波目标协方差矩阵新息/>和新息协方差/>
(3d)跟踪器Gm通过AKF得到的第j个交互式模型的新息/>和新息协方差计算得到新息概率/>并利用新息概率/>和转移概率πnj对预测转移概率/>进行更新，得到第k+1幅RD图中第m个跟踪器Gm中第j个交互式模型/>的概率估计/>
(3e)将的概率估计/>与/>的乘积作为第m个跟踪器Gm中第j个交互式模型/>的目标跟踪结果/>和目标状态协方差估计并对所有N个模型的概率估计与对应的目标跟踪结果、目标状态协方差估计结果进行相乘后再求和，得到第k+1幅RD图中第m个跟踪器Gm的目标预跟踪结果Xm(k+1|k+1)和目标协方差估计结果Pm(k+1|k+1)。
(3f)判断k≥K-1是否成立，若是，得到S'对应的目标观测值集合Z＝{Z1,Z2,…,Zk,…,ZK}的目标预跟踪结果T＝{T1,T2,…,Tk,…,TK}和目标协方差估计结果P＝{P1,P2,…,Pk,…,PK}，否则令k＝k+1，并执行步骤(3b)，其中，Tk表示第k幅RD图中包括M个目标的预跟踪结果Tk＝{X1(k|k),X1(k|k),…,Xm(k|k),…XM(k|k)}，Xm(k|k)表示Tk中第m个目标的预跟踪结果，Pk表示第k幅RD图中包括M个目标的目标协方差估计结果Pk＝{P1(k|k),P2(k|k),…,Pm(k|k),…PM(k|k)},Pm(k|k)表示Pk中第m个目标的目标协方差估计结果；本方法对每幅RD图中的目标进行预跟踪，图3(a)为跟踪器得到的多目标跟踪轨迹图，图中的左右两条线段分别为跟踪得到的行人和四轮车的目标轨迹，图3(b)为单目摄像头获取的与图3(a)时间相同的视频截图，图中左右两个方框内分别为四轮车目标和行人目标，通过对照可以看出，跟踪器能够对多目标形成多条连续的跟踪轨迹。
其中所述的基于自适应卡尔曼滤波方法AKF对每幅RD图中的目标进行预跟踪，其中：
在构建基于交互式多模型IMM结构的跟踪器模型后，需要利用滤波算法对经过目标检测得到的观测值进行滤波，从而得到目标的预跟踪结果，通常情况下，在对目标观测值进行滤波时，假设观测噪声或过程噪声的统计特性是固定不变的，然而实际环境中，这两者通常是变化的，这会导致跟踪结果出现较大偏差、甚至出现跟踪滤波发散的问题，为了缓解观测噪声方差不准确所带来的影响，本实施例中采用自适应卡尔曼滤波AKF算法，该算法的主要思想是在滤波过程中利用量测变量的数据对量测噪声的统计特性进行实时动态地估计，然后将估计出的噪声参数用于卡尔曼滤波的状态参数估算从而对模型参数和噪声特性进行估计和修正，以改进滤波设计、缩小滤波的实际误差，对目标实现更精确的跟踪。
(4a)以第k幅RD图中第m个跟踪器Gm的目标预跟踪结果Xm(k|k)中目标与毫米波雷达的距离以及目标相对于毫米波雷达的速度/>组成向量/>为中心，在/>上下分别取/>个距离单元，/>左右分别取/>个多普勒单元，在原始去除地杂波后的RD图D'k上截取大小为l1*l2的目标切片/>作为训练样本，构成训练样本集Otrain＝{O1,O2,…,Ok,…,OK}，Ok表示第k幅RD图中包括M个目标构成的训练样本/>表示训练样本集中第k幅RD图中第m个目标切片，并将与训练样本集Otrain在仅采集时间不同情况下获取的毫米波雷达实测数据中包括M个目标的目标切片构成测试样本集Otest＝{O′1,O'2,…,O'k,…,O'K}，O'k表示第k幅RD图中包括M个目标构成的测试样本表示测试样本集中第k幅RD图中第m个目标切片。
步骤5)构建分类器模型并对其进行迭代训练：
(5a)构建包括多个卷积层、多个池化层、多个激活层和多个全连接层的分类器模型，并将训练样本集Otrain作为分类器模型的输入进行多次迭代训练，得到训练好的分类器模型。
其中所述的分类器模型，其中：
分类器模型为所包含的卷积层的数量为4，卷积层的卷积核大小均为3x3，步长为1，输出通道数分别为64、32、16、8，池化层的数量为4，采用最大池化的策略，池化层过滤器为2x2，步长为2，激活层的数量为4，均采用ReLU激活函数，全连接层的数量为2，输出通道数分别为10和3，损失函数采用分类任务中常用的交叉熵损失函数，该模型用于获取输入目标切片的目标类别信息。
步骤6)获取每幅RD图中的目标类别信息：
(6a)将测试样本集Otest作为训练好的分类器模型的输入获取目标类别信息，得到目标预跟踪结果T所对应的目标类别信息C＝{C1,C2,…,Ck,…,CK}，其中，Ck表示第k幅RD图中包括M个目标的类别信息，表示Ck中第m个目标的类别信息。
步骤7)基于目标类别信息反馈获取毫米波雷达的目标跟踪结果：
(7a)以第k幅RD图中第m个目标的类别信息为起始值，第k+W-1幅RD图中第m个目标的类别信息/>为终止值，对分类器得到的第m个目标的连续W幅RD图的类别信息初始化反馈滑动窗口/>初始化反馈概率阈值α，其中，W≥2，并令k＝1。
(7b)对反馈滑动窗口CW内的类别信息进行按类别投票的方式得到投票结果γk+W，判断γk+W满足为同一目标类别的概率是否大于等于预设的反馈概率阈值α，若是，如果获得票数最多的目标类别的机动性较强，则选取跟踪器Gm中的交互式模型CV和CS作为反馈后的跟踪器如果获得票数最多的目标类别的机动性较弱，则选取跟踪器Gm中的交互式模型CV和CA作为反馈后的跟踪器/>并利用/>对第k+W幅RD图中的第m个目标进行跟踪，否则，利用包括N个交互式模型的跟踪器/>对该目标进行跟踪，得到第k+W幅RD图中第m个目标的目标跟踪结果/>在分类器获取目标切片的类别信息后，利用连续多帧的类别信息构建了反馈滑动窗口，对反馈滑动窗口内的类别信息进行投票，然后根据投票结果选取部分交互式模型作为下一帧跟踪器的交互式模型，利用类别信息反馈得到的跟踪器进行目标跟踪，得到最终的目标跟踪结果，本方法充分考虑到利用目标的类别信息辅助跟踪器选取适合的目标运动模型，避免了模型过多竞争而导致跟踪精度下降的缺陷，缓解了由于跟踪精度较低导致的目标轨迹中断的问题，有效提升了多目标跟踪的稳健性。
以上具体实现步骤为：
(7b1)按类别投票即对反馈滑动窗口CW内的每一幅RD图中目标切片按分类器的不同预测输出依次进行计票，如反馈滑动窗口的大小为W，则共需进行W次计票，统计获得票数最多的类别结果为Y，计算投票结果
(7b2)判断γk+W＞α是否成立，若是，如果获得票数最多的类别为机动性较强的四轮车，选取交互式模型的跟踪器中的部分交互式模型CV和CS作为反馈后的跟踪器，如果获得票数最多的类别为机动性较弱二轮车或行人，则选取交互式模型的跟踪器中的部分交互式模型CV和CA作为反馈后的跟踪器，否则继续利用包括N个交互式模型的跟踪器Gm对该目标进行跟踪。
(7c)判断k+W＞K是否成立，若是，得到每幅RD图中包括M个目标的跟踪结果其中，/>表示第k+W幅RD图中包括M个目标的跟踪结果， 表示/>中第m个目标的跟踪结果，否则令k＝k+1并执行步骤(7b)。
下面结合实测数据实验对本发明的效果作进一步的说明：
1.实验条件和内容：
本实验所采用的软件平台为：Windows 10操作系统和Matlab R2020a；
本实验所采用的硬件平台为：毫米波雷达TI Awr1843、单目摄像头；
本实验所采用的毫米波雷达参数为：载频76GHz、调频带宽400MHz、调频时长40.96us、调频斜率9.766MHz/us、Chirp重复周期78.125us、空闲时间37.165us、采样频率12.5、每个chirp采样点数为512、chirp数量为256；
本实验数据采用实测的毫米波雷达路面目标数据集，该数据集包含43个四轮车的运动轨迹(共6000个样本)、39个二轮车的运动轨迹(共4500个样本)、49个行人的运动轨迹(共5500个样本)，根据运动轨迹对实验数据进行划分，其中10个四轮车轨迹，10个二轮车轨迹，14个行人运动轨迹被划分为测试集，其他轨迹为训练集，最终获得训练样本12000余个，测试样本4000余个，利用本发明所构建的分类器模型先在该数据集的训练集上训练50代，得到训练好的模型参数，再对测试集中的样本进行测试；
对本发明与现有的一种毫米波雷达多目标跟踪方法目标跟踪轨迹结果进行对比实验，其结果如图4和表1所示。
2.实验结果与分析：
参照图4，利用本发明与现有方法对采集的单次实测数据进行实验分析，得到相应的目标跟踪轨迹结果，图中横坐标表示速度，纵坐标代表距离，符号“-”代表轨迹，符号“o”代表起点，符号“*”代表终点。
从图4(a)中可以看出，现有方法出现对目标状态估计不准确，跟踪误差较大的问题从而导致对目标丢失跟踪，出现跟踪轨迹中断的现象，从图4(b)中可以看出，本发明方法可以保持稳定的目标轨迹，没有出现对目标跟踪轨迹中断的现象。
为了评价本发明与现有方法在实测数据中对所有道路目标的跟踪稳定性，对采集的所有实测数据进行实验分析，利用下述的评价指标(平均失跟率AL)公式，分别计算本发明与现有技术跟踪结果的稳定性，并将计算结果绘制成表1：
表1跟踪稳定性对比实验结果
其中，γ(i)表示第i类目标的失跟率，计算方法为第i类目标发生跟踪丢失的帧数与第i类目标检测到的总帧数的比值，平均失跟率AL是所有类别目标失跟率的平均值。
结合表1可以看出，使用本发明所提方法能达到0.0667的平均失跟率，低于现有方法得到的0.1133的平均失跟率，这表明本发明所提方法可以达到比现有方法更好的航迹维持能力，因此具有更好的跟踪稳定性。
Claims (5)
1.一种基于类别信息反馈的毫米波雷达多目标跟踪方法，其特征在于，包括如下步骤：
(1)获取毫米波雷达的目标观测值：
(1a)获取毫米波雷达采集的K帧目标实测数据S＝{S1,S2,…,Sk,…,SK}，并对每帧目标实测数据Sk沿距离维和速度维分别进行傅里叶变换FFT，得到目标原始距离多普勒RD图S'＝{S′1,S′2,…,S′k,…,S′K}，其中，K≥2，Sk表示第k帧包括M个目标的实测数据，M≥2，S′k表示Sk对应的目标原始距离多普勒RD图；
(1b)对每幅目标原始距离多普勒RD图S′k进行地杂波去除得到去除地杂波后的RD图D'＝{D′1,D′2,…,D′k,…,D′K}，并采用二维单元平均CFAR算法对每幅去除地杂波后的RD图D′k进行目标检测，得到D'对应的目标点迹集合P＝{P1,P2,…,Pk,…,PK}，其中，Pk表示D′k中包括M个目标点迹的子集合， 表示Pk中第m个目标点迹；
(1c)利用DBSCAN算法对P中每个目标点迹子集合Pk进行聚类，并对每个聚类后的点迹簇进行质心凝聚，得到P对应的目标观测值集合Z＝{Z1,Z2,…,Zk,…,ZK}，其中，Zk表示Pk对应的观测值子集合， 表示第k幅RD图D′k中第m个目标的观测值；
(2)构建基于交互式多模型IMM结构的跟踪器模型：
构建与第k个观测值子集合Zk包含的观测值个数相同的M个跟踪器的跟踪器模型G＝{G1,G2,…,Gm,…,GM}，其中，Gm表示第m个目标观测值对应的包括N个并行排布的交互式模型的跟踪器， 表示第n个采用匀速模型CV、匀加速模型CA或当前统计模型CS的交互式模型；
(3)跟踪器基于自适应卡尔曼滤波方法AKF对每幅RD图中的目标进行预跟踪：
(3a)以第k幅RD图中第m个目标的观测值初始化/>对应的跟踪器Gm中每个交互式模型/>的输入状态/>以与/>维数相等的单位阵初始化/>的输入协方差以相同的概率值β初始化/>与跟踪器Gm中其余N-1个交互式模型中的第j个交互式模型/>的预测转移概率μnj(k|k)，其中，j≤N，Nβ＝1，并令k＝1；
(3b)跟踪器Gm中的每个交互式模型的预测转移概率μnj(k|k)与/>的输入状态输入协方差/>分别进行交互，得到交互输出状态/>和交互输出协方差
(3c)跟踪器Gm通过自适应卡尔曼滤波方法AKF，并结合交互输出和/>对第k+1幅RD图中第m个目标的观测值/>进行滤波，得到第m个目标观测值/>对应第j个交互式模型的跟踪器/>滤波目标状态/>滤波目标协方差矩阵/>新息和新息协方差/>
(3d)跟踪器Gm通过AKF得到的第j个交互式模型的新息/>和新息协方差计算得到新息概率/>并利用新息概率/>和转移概率πnj对预测转移概率/>进行更新，得到第k+1幅RD图中第m个跟踪器Gm中第j个交互式模型/>的概率估计
(3e)将的概率估计/>与/>的乘积作为第m个跟踪器Gm中第j个交互式模型/>的目标跟踪结果/>和目标状态协方差估计并对所有N个模型的概率估计与对应的目标预跟踪结果、目标状态协方差估计结果进行相乘后再求和，得到第k+1幅RD图中第m个跟踪器Gm的目标预跟踪结果Xm(k+1|k+1)和目标协方差估计结果Pm(k+1|k+1)；
(3f)判断k≥K-1是否成立，若是，得到S'对应的目标观测值集合Z＝{Z1,Z2,…,Zk,…,ZK}的目标预跟踪结果T＝{T1,T2,…,Tk,…,TK}和目标协方差估计结果P＝{P1,P2,…,Pk,…,PK}，否则令k＝k+1，并执行步骤(3b)，其中，Tk表示第k幅RD图中包括M个目标的预跟踪结果Tk＝{X1(k|k),X1(k|k),…,Xm(k|k),…XM(k|k)}，Xm(k|k)表示Tk中第m个目标的预跟踪结果，Pk表示第k幅RD图中包括M个目标的目标协方差估计结果Pk＝{P1(k|k),P2(k|k),…,Pm(k|k),…PM(k|k)},Pm(k|k)表示Pk中第m个目标的目标协方差估计结果；
(4)构建训练样本集和测试样本集：
以第k幅RD图中第m个跟踪器Gm的目标预跟踪结果Xm(k|k)中目标与毫米波雷达的距离以及目标相对于毫米波雷达的速度/>组成向量/>为中心，在/>上下分别取/>个距离单元，/>左右分别取/>个多普勒单元，在原始去除地杂波后的RD图D′k上截取大小为l1*l2的目标切片/>作为训练样本，构成训练样本集Otrain＝{O1,O2,…,Ok,…,OK}，Ok表示第k幅RD图中包括M个目标构成的训练样本/> 表示训练样本集中第k幅RD图中第m个目标切片，并将与训练样本集Otrain在仅采集时间不同情况下获取的毫米波雷达实测数据中包括M个目标的目标切片构成测试样本集Otest＝{O′1,O′2,…,O′k,…,O′K}，O′k表示第k幅RD图中包括M个目标构成的测试样本/> 表示测试样本集中第k幅RD图中第m个目标切片；
(5)构建分类器模型并对其进行迭代训练：
构建包括多个卷积层、多个池化层、多个激活层和多个全连接层的分类器模型，并将训练样本集Otrain作为分类器模型的输入进行多次迭代训练，得到训练好的分类器模型；
(6)获取每幅RD图中的目标类别信息：
将测试样本集Otest作为训练好的分类器模型的输入获取目标类别信息，得到目标预跟踪结果T所对应的目标类别信息C＝{C1,C2,…,Ck,…,CK}，其中，Ck表示第k幅RD图中包括M个目标的类别信息， 表示Ck中第m个目标的类别信息；
(7)基于目标类别信息反馈获取毫米波雷达的目标跟踪结果：
(7a)以第k幅RD图中第m个目标的类别信息为起始值，第k+W-1幅RD图中第m个目标的类别信息/>为终止值，对分类器得到的第m个目标的连续W幅RD图的类别信息初始化反馈滑动窗口/>初始化反馈概率阈值α，其中，W≥2，并令k＝1；
(7b)对反馈滑动窗口CW内的类别信息进行按类别投票的方式得到投票结果γk+W，判断γk+W满足为同一目标类别的概率是否大于等于预设的反馈概率阈值α，若是，如果获得票数最多的目标类别的机动性较强，则选取Gm中的交互式模型CV和CS作为反馈后的跟踪器中的交互式模型，如果获得票数最多的目标类别的机动性较弱，则选取Gm中的交互式模型CV和CA作为反馈后的跟踪器/>中的交互式模型，并利用/>对第k+W幅RD图中的第m个目标进行跟踪，否则，利用包括N个交互式模型的跟踪器/>对该目标进行跟踪，得到第k+W幅RD图中第m个目标的目标跟踪结果/>
(7c)判断k+W＞K是否成立，若是，得到每幅RD图中包括M个目标的跟踪结果其中，/>表示第k+W幅RD图中包括M个目标的跟踪结果， 表示/>中第m个目标的跟踪结果，否则令k＝k+1并执行步骤(7b)。
2.根据权利要求1所述的基于类别信息反馈的毫米波雷达目标跟踪方法，其特征在于，步骤(3b)中所述的每个跟踪器Gm中的每个交互式模型的预测转移概率μnj(k|k)与/>的交互输入目标状态Xn(k|k)、交互输入协方差Pn(k|k)分别进行交互，交互公式分别为：
其中，πnj表示跟踪器Gm中第n个交互式模型与第j个交互式模型/>的转移概率。
3.根据权利要求1所述的基于类别信息反馈的毫米波雷达目标跟踪方法，其特征在于，步骤(3c)中所述的通过交互输出和/>对第k+1幅RD图中第m个目标的观测值进行滤波，滤波公式为：
d(k+1)＝(1-b)/(1-bk+1)
其中，Fj(k)、 Rj(k+1)、Vj(k+1)以及Ej(k+1)分别为第k幅RD图中第m个跟踪器Gm的模型/>的状态转移矩阵、预测目标状态、预测目标协方差矩阵、卡尔曼增益、滤波目标状态、滤波目标协方差矩阵、观测噪声协方差、新息以及新息协方差，ε(k)为单位矩阵，d(k)为渐消因子，且0＜b＜1。
4.根据权利要求1所述的基于类别信息反馈的毫米波雷达目标跟踪方法，其特征在于，步骤(3d)中所述的第j个交互式模型的新息Vj(k+1)、/>的新息协方差Ej(k+1)、/>的新息概率Λj(k+1)的计算公式，以及预测转移概率μn(k)的更新公式分别为：
5.根据权利要求1所述的基于类别信息反馈的毫米波雷达目标跟踪方法，其特征在于，步骤(3e)中所述的通过模型概率估计μj(k+1)加权，得到第k+1幅RD图中第m个跟踪器Gm中的所有N个模型的目标跟踪结果Xm(k+1|k+1)和目标协方差估计结果Pm(k+1|k+1),实现步骤为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111206093.XA CN113960587B (zh) | 2021-10-15 | 2021-10-15 | 基于类别信息反馈的毫米波雷达多目标跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111206093.XA CN113960587B (zh) | 2021-10-15 | 2021-10-15 | 基于类别信息反馈的毫米波雷达多目标跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113960587A CN113960587A (zh) | 2022-01-21 |
| CN113960587B true CN113960587B (zh) | 2024-05-14 |
Family
ID=79464754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111206093.XA Active CN113960587B (zh) | 2021-10-15 | 2021-10-15 | 基于类别信息反馈的毫米波雷达多目标跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113960587B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114609634B (zh) * | 2022-03-21 | 2023-04-25 | 电子科技大学 | 一种基于阴影的交互式多模型下的视频sar多目标跟踪方法 |
| CN115792890B (zh) * | 2023-02-06 | 2023-08-15 | 成都九洲迪飞科技有限责任公司 | 基于凝聚量测自适应互联的雷达多目标跟踪方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6147748A (en) * | 1997-10-17 | 2000-11-14 | The Secretary Of State For Trade And Industry In Her Britannic Majesty's Government Of The United Kingdom Of Great Britain And Northern Ireland | Tracking system |
| CN101903882A (zh) * | 2007-10-12 | 2010-12-01 | 剑桥企业有限公司 | 人体或动物体中的物质监测和控制 |
| CN112505648A (zh) * | 2020-11-19 | 2021-03-16 | 西安电子科技大学 | 基于毫米波雷达回波的目标特征提取方法 |
| CN113109796A (zh) * | 2021-03-03 | 2021-07-13 | 四川九洲防控科技有限责任公司 | 一种目标检测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040068415A1 (en) * | 2002-04-22 | 2004-04-08 | Neal Solomon | System, methods and apparatus for coordination of and targeting for mobile robotic vehicles |
-
2021
- 2021-10-15 CN CN202111206093.XA patent/CN113960587B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6147748A (en) * | 1997-10-17 | 2000-11-14 | The Secretary Of State For Trade And Industry In Her Britannic Majesty's Government Of The United Kingdom Of Great Britain And Northern Ireland | Tracking system |
| CN101903882A (zh) * | 2007-10-12 | 2010-12-01 | 剑桥企业有限公司 | 人体或动物体中的物质监测和控制 |
| CN112505648A (zh) * | 2020-11-19 | 2021-03-16 | 西安电子科技大学 | 基于毫米波雷达回波的目标特征提取方法 |
| CN113109796A (zh) * | 2021-03-03 | 2021-07-13 | 四川九洲防控科技有限责任公司 | 一种目标检测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| "结合数据驱动的雷达目标跟踪方法研究";王纯鑫;《中国优秀硕士学位论文全文数据库信息科技辑》;20230715;第I136-769页 * |
| IMM算法在空中复杂机动目标跟踪中的应用;王耀林;盖梦欧;周敏;;现代信息科技;20200710(13);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113960587A (zh) | 2022-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112505648B (zh) | 基于毫米波雷达回波的目标特征提取方法 | |
| CN106778610B (zh) | 一种基于时频图像特征的脉内调制识别方法 | |
| CN113960587B (zh) | 基于类别信息反馈的毫米波雷达多目标跟踪方法 | |
| CN109508000A (zh) | 异构多传感器多目标跟踪方法 | |
| CN111045008B (zh) | 基于展宽计算的车载毫米波雷达目标识别方法 | |
| US7289060B1 (en) | Super high range resolution amplitude and range principal scatterer (SHARP) classifier | |
| CN109100696B (zh) | 基于点状杂波图的慢速运动目标消除方法 | |
| CN109117776B (zh) | 基于航迹信息的飞机与气象杂波分类识别方法 | |
| CN112731307B (zh) | 基于距离-角度联合估计的ratm-cfar检测器及检测方法 | |
| CN113808174A (zh) | 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法 | |
| CN107037423A (zh) | 结合幅值信息的phd滤波多目标跟踪方法 | |
| CN111562570A (zh) | 基于毫米波雷达的面向自动驾驶的车辆感知方法 | |
| CN106772357B (zh) | 信噪比未知条件下的ai-phd滤波器多目标跟踪方法 | |
| Franceschi et al. | Deep learning-based radar detector for complex automotive scenarios | |
| CN113311398A (zh) | 强杂波复杂背景高机动弱小目标的跟踪方法 | |
| CN110658506B (zh) | 一种基于角度聚类和多普勒分析的微多普勒杂波滤除方法 | |
| CN111965613A (zh) | 一种基于动态规划与分数阶傅里叶变换的弱目标检测方法 | |
| Argüello et al. | Radar classification for traffic intersection surveillance based on micro-Doppler signatures | |
| Fatseas et al. | Neural network based multiple object tracking for automotive FMCW radar | |
| CN114217284B (zh) | 一种基于特征的雷达运动目标检测和干扰抑制方法及系统 | |
| CN115792890A (zh) | 基于凝聚量测自适应互联的雷达多目标跟踪方法及系统 | |
| CN113447901B (zh) | 一种不依赖概率模型的海杂波识别与目标检测方法 | |
| CN114168058A (zh) | Fmcw单毫米波雷达的空中手写字符识别方法及装置 | |
| Wang et al. | Classification and tracking of moving objects from 77 GHz automotive radar sensors | |
| CN114609634B (zh) | 一种基于阴影的交互式多模型下的视频sar多目标跟踪方法 |
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 |