CN114137526A - 基于标签的车载毫米波雷达多目标检测方法和系统 - Google Patents
基于标签的车载毫米波雷达多目标检测方法和系统 Download PDFInfo
- Publication number
- CN114137526A CN114137526A CN202111278771.3A CN202111278771A CN114137526A CN 114137526 A CN114137526 A CN 114137526A CN 202111278771 A CN202111278771 A CN 202111278771A CN 114137526 A CN114137526 A CN 114137526A
- Authority
- CN
- China
- Prior art keywords
- target
- moment
- particles
- state set
- new
- 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.)
- Pending
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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及目标检测技术领域,提供一种基于标签的车载毫米波雷达多目标检测方法和系统。方法包括:根据第一时刻的多目标状态集合预测得到多目标预测状态集合;根据第二时刻下,车载毫米波雷达的探测得到的量测集合,更新粒子的权值;根据更新后的权值,调整粒子的标签;根据标签聚类第二时刻的多目标预测状态集合中的粒子,并根据权值对聚类结果进行加权平均,得到第二时刻的多目标检测结果。本发明通过基于标签的粒子滤波器对多目标的状态进行检测和识别,从而避免了检测目标不必要的关联;同时,通过量测更新权值、通过权值调整标签的技术手段能够进一步增强多目标识别结果的准确性。
Description
技术领域
本发明涉及目标检测技术领域,尤其涉及一种基于标签的车载毫米波雷达多目标检测方法和系统。
背景技术
自动驾驶,又称无人驾驶、电脑驾驶或轮式移动机器人,是依靠计算机与人工智能技术在没有人为操纵的情况下,完成完整、安全、有效的驾驶的一项前沿科技。
在21世纪,由于汽车用户的不断增加,公路交通面临的拥堵、安全事故等问题越发严重。自动驾驶技术在车联网技术和人工智能技术的支持下,能够协调出行路线与规划时间,从而大程度提高出行效率,并在一定程度上减少能源消耗。自动驾驶同时还能帮助避免醉驾,疲劳驾驶等安全隐患,减少驾驶员失误,提升安全性。自动驾驶也因此成为各国近年的一项研发重点。
作为自动化载具,自动驾驶汽车不需要人类操作即能感测其环境及导航。作为一种可行的自动驾驶环境感知硬件,车载毫米波雷达能够采集驾驶过程中的障碍物点云数据,进一步地,基于点云数据可以对障碍物的状态,例如多目标的位置、速度、大小,进行分析。
在自动驾驶或辅助驾驶场景下,多目标检测中的目标关联任务存在着一定的难度和挑战,现有技术针对目标关联任务,通常先进行目标状态和目标量测的关联,对关联概率最大的组合进行滤波。
但类似的关联方法无法有效克服误检和干扰问题,容易引起关联错误,进而导致目标丢失。也就是说,现有技术中目标关联的精度难以满足自动驾驶或辅助驾驶场景、尤其是高速场景的使用需求。
因此,如何提供一种具有更高目标关联精度的多目标检测方法,成为了业内亟需解决的技术问题。
发明内容
本发明提供一种基于标签的车载毫米波雷达多目标检测方法和系统,用以解决现有技术中目标关联准确性低的缺陷,实现更为精确的多目标识别。
本发明提供一种基于标签的车载毫米波雷达多目标检测方法,包括:
获取第一时刻的多目标状态集合;
根据所述第一时刻的多目标状态集合预测得到第二时刻的响应状态集合,并将所述第二时刻的响应状态集合与新生状态集合的并集作为多目标预测状态集合;
所述多目标状态集合包括目标状态粒子;所述响应状态集合包括所述目标状态粒子存活或衍生得到的响应粒子;所述新生状态集合包括在量测区域内采样得到的新生粒子;
所述目标状态粒子包括目标状态矩阵、标签以及权值;所述响应粒子包括响应状态矩阵、标签以及权值;所述新生粒子包括设定的新生状态矩阵、新生标签以及新生权值;
根据第二时刻下,车载毫米波雷达的探测得到的量测集合,更新所述第二时刻的多目标预测状态集合中粒子的权值;
根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值,调整所述第二时刻的多目标预测状态集合中粒子的标签;
根据所述标签聚类所述第二时刻的多目标预测状态集合中的粒子,并根据所述权值对聚类结果进行加权平均,得到第二时刻的多目标检测结果。
根据本发明提供的一种基于标签的车载毫米波雷达多目标检测方法,所述根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值,调整所述第二时刻的多目标预测状态集合中粒子的标签的步骤包括:
根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值的和,得到第二时刻的目标数量估计值,并对所述第二时刻的目标数量估计值进行判断:
确定所述第二时刻的目标数量估计值与第一时刻的目标数量估计值的差Nnew大于零,则将新目标粒子的标签调整为不同于已有粒子标签的值;所述新目标粒子是所述第二时刻的多目标预测状态集合中,更新后的权值大于第一阈值的新生粒子,且所述新目标粒子的数量不大于Nnew;
确定所述第二时刻的目标数量估计值与第一时刻的目标数量估计值的差Nnew等于零,则保持现有标签;
确定所述第二时刻的目标数量估计值与第一时刻的目标数量估计值的差Nnew小于零,则将消失目标粒子的标签调整为与新生标签相同的值;所述消失目标粒子是所述第二时刻的多目标预测状态集合中,更新后的权值和小于第二阈值的相同标签粒子。
根据本发明提供的一种基于标签的车载毫米波雷达多目标检测方法,所述获取第一时刻的多目标状态集合的步骤包括:
排除第一时刻的多目标预测状态集合中标签为新生标签的粒子,得到第一时刻的待重采样集合;
基于所述第一时刻的待重采样集合,重新采样得到第一时刻的多目标状态集合;所述第一时刻的多目标状态集合中,设定区域内的粒子密度与所述第一时刻的待重采样集合中所述设定区域内的粒子权值正相关。
根据本发明提供的一种基于标签的车载毫米波雷达多目标检测方法,还包括:
根据标签确定所述多目标检测结果中,每个目标的单目标检测结果;
连接判定时段内同一目标相邻时刻的单目标检测结果,得到所述判定时段内的单目标轨迹;
确定所述单目标轨迹的长度小于第三阈值,则生成误检记录;
确定所述单目标轨迹存在断点,则生成漏检记录。
根据本发明提供的一种基于标签的车载毫米波雷达多目标检测方法,所述根据所述第一时刻的多目标状态集合预测得到第二时刻的响应状态集合的步骤包括:
根据所述第一时刻的多目标状态集合,基于匀速直线运动模型预测粒子状态,得到中间预测结果;
根据先验的预测概率误差范围,添加误差扰动项至所述中间预测结果,得到第二时刻的响应状态集合。
根据本发明提供的一种基于标签的车载毫米波雷达多目标检测方法,所述根据第二时刻下,车载毫米波雷达的探测得到的量测集合,更新所述第二时刻的多目标预测状态集合中粒子的权值的步骤包括:
归一化第二时刻下,车载毫米波雷达的探测得到的量测集合,得到量测归一化集合;
根据所述量测归一化集合,更新所述第二时刻的多目标预测状态集合中粒子的权值。
本发明还提供一种基于标签的车载毫米波雷达多目标检测系统,包括:
获取模块,用于获取第一时刻的多目标状态集合;
预测模块,用于根据所述第一时刻的多目标状态集合预测得到第二时刻的响应状态集合,并将所述第二时刻的响应状态集合与新生状态集合的并集作为多目标预测状态集合;
所述多目标状态集合包括目标状态粒子;所述响应状态集合包括所述目标状态粒子存活或衍生得到的响应粒子;所述新生状态集合包括在量测区域内采样得到的新生粒子;
所述目标状态粒子包括目标状态矩阵、标签以及权值;所述响应粒子包括响应状态矩阵、标签以及权值;所述新生粒子包括设定的新生状态矩阵、新生标签以及新生权值;
权值模块,用于根据第二时刻下,车载毫米波雷达的探测得到的量测集合,更新所述第二时刻的多目标预测状态集合中粒子的权值;
标签模块,用于根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值,调整所述第二时刻的多目标预测状态集合中粒子的标签;
检测模块,用于根据所述标签聚类所述第二时刻的多目标预测状态集合中的粒子,并根据所述权值对聚类结果进行加权平均,得到第二时刻的多目标检测结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于标签的车载毫米波雷达多目标检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于标签的车载毫米波雷达多目标检测方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于标签的车载毫米波雷达多目标检测方法的步骤。
本发明提供的基于标签的车载毫米波雷达多目标检测方法和系统,通过基于标签的粒子滤波器对多目标的状态进行检测和识别,从而避免了检测目标不必要的关联;
同时,通过量测更新权值、通过权值调整标签的技术手段能够进一步增强多目标识别结果的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于标签的车载毫米波雷达多目标检测方法的流程示意图;
图2是本发明提供的基于标签的车载毫米波雷达多目标检测装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
附图标记:
1:获取模块; 2:预测模块; 3:权值模块;
4:标签模块; 5:检测模块; 310:处理器;
320:通信接口; 330:存储器; 340:通信总线。
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,下面将结合本发明中的附图,对本发明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作出创造性劳动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。
下面结合图1描述本发明的基于标签的车载毫米波雷达多目标检测方法。
如图1所示,本发明实施例一种基于标签的车载毫米波雷达多目标检测方法,包括:
步骤101,获取第一时刻的多目标状态集合;
步骤103,根据所述第一时刻的多目标状态集合预测得到第二时刻的响应状态集合,并将所述第二时刻的响应状态集合与新生状态集合的并集作为多目标预测状态集合;
所述多目标状态集合包括目标状态粒子;所述响应状态集合包括所述目标状态粒子存活或衍生得到的响应粒子;所述新生状态集合包括在量测区域内采样得到的新生粒子;
所述目标状态粒子包括目标状态矩阵、标签以及权值;所述响应粒子包括响应状态矩阵、标签以及权值;所述新生粒子包括设定的新生状态矩阵、新生标签以及新生权值;
步骤105,根据第二时刻下,车载毫米波雷达的探测得到的量测集合,更新所述第二时刻的多目标预测状态集合中粒子的权值;
步骤107,根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值,调整所述第二时刻的多目标预测状态集合中粒子的标签;
步骤109,根据所述标签聚类所述第二时刻的多目标预测状态集合中的粒子,并根据所述权值对聚类结果进行加权平均,得到第二时刻的多目标检测结果。
在一个优选的实施方式中,第一时刻早于第二时刻,且所述第一时刻和所述第二时刻是与车载毫米波雷达采集频率相关的相邻时刻;
举例来说,若车载毫米波雷达的采集频率为10Hz,即每秒采集10次,且将第0秒的时刻作为第一时刻,则第二时刻应为第0.1秒的时刻。
值得说明的是,本实施例可以理解为迭代过程中的一个重复单元。本实施例方法能够通过上一时刻的多目标检测结果(或者已更新权值、已调整标签的多目标预测状态集合)和当前时刻的量测集合,得到当前时刻的多目标检测结果。
若上一时刻的多目标检测结果(或者已更新权值、已调整标签的多目标预测状态集合)不存在(例如初始化本实施例方法时,或上一时刻不存在多个目标时),则可以以设定的初始多目标状态集合作为上一时刻的多目标检测结果;
一个可选的初始多目标状态集合中,包括均匀设置在可行驶区域内的初始粒子,且每个初始粒子的概率均为设定值(但初始粒子的概率和应为1)。
在一个优选的实施方式中,所述获取第一时刻的多目标状态集合的步骤包括:
排除第一时刻的多目标预测状态集合中标签为新生标签的粒子,得到第一时刻的待重采样集合;
基于所述第一时刻的待重采样集合,重新采样得到第一时刻的多目标状态集合;所述第一时刻的多目标状态集合中,设定区域内的粒子密度与所述第一时刻的待重采样集合中所述设定区域内的粒子权值正相关。
步骤103中,所述响应状态集合中,响应粒子作为存活或衍生的目标状态粒子,其标签取值不变、权值取值不变;所述量测区域是指车载毫米波雷达在所述第一时刻存在量测值的区域(即通过第一时刻车载毫米波雷达的量测值位置点,延伸设定距离范围后,得到量测区域);
步骤109中,基于标签的聚类操作,可以排除标签值为指定值(例如,标签取值为新生标签)的无效粒子。
本实施例的有益效果在于:
通过基于标签的粒子滤波器对多目标的状态进行检测和识别,从而避免了检测目标不必要的关联;
同时,通过量测更新权值、通过权值调整标签的技术手段能够进一步增强多目标识别结果的准确性。
根据上述实施例,在本实施例中:
所述根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值,调整所述第二时刻的多目标预测状态集合中粒子的标签的步骤包括:
根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值的和,得到第二时刻的目标数量估计值,并对所述第二时刻的目标数量估计值进行判断:
确定所述第二时刻的目标数量估计值与第一时刻的目标数量估计值的差Nnew大于零,则将新目标粒子的标签调整为不同于已有粒子标签的值;所述新目标粒子是所述第二时刻的多目标预测状态集合中,更新后的权值大于第一阈值的新生粒子,且所述新目标粒子的数量不大于Nnew;
确定所述第二时刻的目标数量估计值与第一时刻的目标数量估计值的差Nnew等于零,则保持现有标签;
确定所述第二时刻的目标数量估计值与第一时刻的目标数量估计值的差Nnew小于零,则将消失目标粒子的标签调整为与新生标签相同的值;所述消失目标粒子是所述第二时刻的多目标预测状态集合中,更新后的权值和小于第二阈值的相同标签粒子。
其中,所述第二时刻的目标数量估计值获取方法为:
计算目标总数目,根据相同标签的粒子计算每个目标数目估计。
总目标数目估计可以由拟合多目标后验PHD的粒子集权值求和得到。
在标签集中将具有相同标签的箱粒子的权值和作为单个目标的数目估计,这样就可以得到每个目标的数目估计,在有漏检情况下,可以区分是哪个目标没有被检测到。
在一个优选的实施方式中,新目标粒子的取得方法为:
搜索标签为新生标签的粒子,将权值大于第一阈值的粒子根据权值排序,将权值较大的前Nnew个粒子作为新目标粒子,并将新目标粒子的标签调整为不同于已有粒子标签的值;
若标签为新生标签的粒子中,权值大于第一阈值的粒子数目不足Nnew个,则将全部标签为新生标签、权值大于第一阈值的粒子作为新目标粒子。
本实施例的有益效果在于:
根据目标数目估计结果确定目标的数量变化,针对目标数量增加的情况,通过权值大小的排序,将可能性更高的粒子作为新生目标参与后续迭代,从而更好的避免漏检的情况,得到更为准确的多目标检测结果;
针对目标数量减少的情况,通过第二阈值过滤消失可能性最高的目标粒子,从而更好的避免误检的情况,得到更为准确的多目标检测结果。
根据上述任一实施例,在本实施例中还包括:
根据标签确定所述多目标检测结果中,每个目标的单目标检测结果;
连接判定时段内同一目标相邻时刻的单目标检测结果,得到所述判定时段内的单目标轨迹;
确定所述单目标轨迹的长度小于第三阈值,则生成误检记录;
确定所述单目标轨迹存在断点,则生成漏检记录。
根据本实施例方法,可以进一步得到多目标运动轨迹,并根据运动轨迹验证误检、漏检,提供更为精确的多目标识别结果。
进一步地,在一个优选的实施方式中,所述根据所述第一时刻的多目标状态集合预测得到第二时刻的响应状态集合的步骤包括:
根据所述第一时刻的多目标状态集合,基于匀速直线运动模型预测粒子状态,得到中间预测结果;
根据先验的预测概率误差范围,添加误差扰动项至所述中间预测结果,得到第二时刻的响应状态集合。
所述根据第二时刻下,车载毫米波雷达的探测得到的量测集合,更新所述第二时刻的多目标预测状态集合中粒子的权值的步骤包括:
归一化第二时刻下,车载毫米波雷达的探测得到的量测集合,得到量测归一化集合;
根据所述量测归一化集合,更新所述第二时刻的多目标预测状态集合中粒子的权值。
本实施方式中,提供了更为具体的预测和量测方法,能够在考虑预测误差的前提下,提供更为精确的多目标检测结果。
根据上述任一实施例,下面将结合自动驾驶卡车的应用场景,提供包括可行预测公式的详细实施例。
自动驾驶卡车安装1个前视毫米波雷达传感器,2个毫米波角雷达传感器和2个后视毫米波雷达传感器。在毫米波雷达感知过程中,由于镜像干扰、多径干扰等杂波和干扰,产生了大量的误检。这对毫米波雷达感知算法的检测和跟踪精度带来了很大的挑战。在多目标场景下,基于毫米波雷达检测跟踪技术和随机有限集的多目标检测跟踪算法将多目标的与雷达获得的多个量测分别建模,通过引入标签概率驾驶密度(PHD)滤波器区分同一时刻不同目标的状态,达到多目标检测和跟踪的目的。
PHD(概率假设密度)中给高斯分量加标签的方法,此方法要求传感器似然函数和马尔科夫转移密度均为线性高斯且检测概率保持恒定。初始化时即将拟合多目标状态空间的粒子集合进行划分,给不同的目标分配不同标签的粒子,相同的目标分配相同的标签,滤波过程中同时进行标签的预测和更新,以此区分不同的目标,给出目标障碍物的运动轨迹。
粒子PHD滤波中,粒子集作为随机集的一种具体实现形式进行预测和更新,最后在滤波后的集合中提取、检测到目标,每个粒子由粒子状态和它对应的权值来描述,这里,给每个粒子增加一个额外标签身份变量,其值可取自然数,取值表示该粒子的track id,若标签值为0,则表示该标签属于检测新生来源暂定的粒子。在此,我们称这样包含状态、权值和标签的粒子为标签粒子,用于拟合多目标强度的标签粒子集为。这里的标签只用来区分粒子的归属,在预测和更新过程中,不影响PHD的传播。
标签PHD滤波的步骤:
步骤1,初始化。
在一个处理周期中,对雷达传感器的回波通过信号处理手段,得到量测集合:即点云集合。通过预处理、运动补偿、聚类算法、后处理算法得到多目标的观测集合。多目标的状态集合为对集合内每一个目标状态进行高斯采样,并给同个目标采样得出的粒子分配相同的标签、不同目标分配不同的标签,同时根据初始化的权值分配,得到初始化标签粒子集
其中,N0为初始化的(即第零时刻的)目标数量;为第零时刻的第j个目标的状态(其中,所述状态包括目标速度、位置、尺寸、多普勒值中的任一者或任多者组合);分别为初始化的(即第零时刻的)第i个粒子的标签、权值、高斯采样后的状态;L0为初始化的(即第零时刻的)的粒子数量,L0的取值等于针对N0个目标的高斯采样数量和(例如N0=3,针对第1、2、3个目标分别采样2、3、3个粒子,则L0=8);
由于步骤1中同个目标采样得出的粒子分配相同的标签、不同目标采样得出的粒子分配不同的标签,则标签集合中存在N0个取值,在本实施例中,针对第j个目标采样得出的粒子,将其标签值设置为j,从而使得1≤τj≤N0。
步骤2,预测
q是重要性密度函数,p是新生栗子重要性密度函数
式中,r表示新生随机集强度;J是新生数量,φ表示状态转移密度
步骤3,更新
P是状态先验概率,g是观测模型对应的似然函数,W是权重
对于i=1,...,N+Jk的预测粒子集合,其状态不变,标签值不变,权值更新为
P状态先验,g似然,k噪声强度c观测统计概率
更新过程中,粒子的标签保持不变,即:
步骤4,目标数目估计
计算目标总数目根据相同标签的粒子计算每个目标数目估计总目标数目估计可以由拟合多目标后验PHD的粒子集权值求和得到。在标签集Tk中将具有相同标签的箱粒子的权值和作为单个目标的数目估计,这样就可以得到每个目标的数目估计,在有漏检情况下,可以区分是哪个目标没有被检测到。
步骤5,标签处理
当k时刻目标数目估计大于上时刻数目估计,即时,即表明新生箱粒子检测到了有目标新生,新生数目为搜索标签为0的箱粒子中,权值大于阈值χ且从大到小前Nnew个箱粒子的标签分别被改为(τnewmaxmax,其中τmax为出现过的箱粒子的最大标签值。
当k时刻目标数目估计小于上时刻数目估计,即时,表明既没有目标新生,又有目标消失的情况,此时将步骤(4)中计算的各个目标的权值和与阈值χ比较,若某个目标的数目估计小于阈值,说明此目标消失,将其对应的箱粒子的标签全部改为0。标签处理过程中,箱粒子的权值和状态均不改变。处理后的标签集为Tk。
步骤6,重采样
标签处理后的粒子集其中标签为0的粒子可能由两部分组成,一部分为没有检测到新生的新生粒子,另一部分为消失的目标对应的粒子,这两类均不进行重采样操作。对标签值为j,且j≠0的粒子集合进行第2节中重采样的步骤,得到标签值为j的目标对应的重采样粒子集为其中为标签值为j的目标数目估计,同理,得出个目标的重采样粒子,重采样后的粒子集为其中,粒子数目为
步骤7,目标状态估计
根据相同标签的粒子源于同一目标这一理论,对于标签值为j的粒子集直接聚类,得出标签为j的目标的状态估计,同理,遍历重采样后的标签集中的标签的所有取值,得到多个目标的状态估计,每个目标状态保持标签不变。
重复步骤2到7直到迭代结束。
步骤8,目标轨迹关联与管理
从观测时刻开始,到观测时刻结束,将具有相同标签值得目标状态估计连接起来,形成一串数据,即为此目标的的轨迹,依次,可以得出观测时间内所有出现的目标的轨迹。若某一条航迹只出现一个时刻随即消失,可认为该检测为误检;若有航迹中断一两个时刻,然后重新出现,则可认为这两段轨迹为同一个目标中间发生漏检情况所致。
本实施例的有益效果在于:
通过给粒子赋予标签,可以避免目标关联,同时在不增大计算量的情况下,得到每个轨迹的连续的id,在不增大滤波器复杂度的情况下,实现了目标的跟踪和轨迹的维护。
相比于通过一个额外的状态变量来表示轨迹的方法,具有减少滤波器复杂度,节省计算资源的优点。
下面对本发明提供的基于标签的车载毫米波雷达多目标检测装置进行描述,下文描述的基于标签的车载毫米波雷达多目标检测装置与上文描述的基于标签的车载毫米波雷达多目标检测方法可相互对应参照。
本发明实施例提供一种基于标签的车载毫米波雷达多目标检测系统,包括:
获取模块1,用于获取第一时刻的多目标状态集合;
预测模块2,用于根据所述第一时刻的多目标状态集合预测得到第二时刻的响应状态集合,并将所述第二时刻的响应状态集合与新生状态集合的并集作为多目标预测状态集合;
所述多目标状态集合包括目标状态粒子;所述响应状态集合包括所述目标状态粒子存活或衍生得到的响应粒子;所述新生状态集合包括在量测区域内采样得到的新生粒子;
所述目标状态粒子包括目标状态矩阵、标签以及权值;所述响应粒子包括响应状态矩阵、标签以及权值;所述新生粒子包括设定的新生状态矩阵、新生标签以及新生权值;
权值模块3,用于根据第二时刻下,车载毫米波雷达的探测得到的量测集合,更新所述第二时刻的多目标预测状态集合中粒子的权值;
标签模块4,用于根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值,调整所述第二时刻的多目标预测状态集合中粒子的标签;
检测模块5,用于根据所述标签聚类所述第二时刻的多目标预测状态集合中的粒子,并根据所述权值对聚类结果进行加权平均,得到第二时刻的多目标检测结果。
进一步地,所述标签模块4包括:
估计值判断单元,用于根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值的和,得到第二时刻的目标数量估计值,并对所述第二时刻的目标数量估计值进行判断:
确定所述第二时刻的目标数量估计值与第一时刻的目标数量估计值的差Nnew大于零,则将新目标粒子的标签调整为不同于已有粒子标签的值;所述新目标粒子是所述第二时刻的多目标预测状态集合中,更新后的权值大于第一阈值的新生粒子,且所述新目标粒子的数量不大于Nnew;
确定所述第二时刻的目标数量估计值与第一时刻的目标数量估计值的差Nnew等于零,则保持现有标签;
确定所述第二时刻的目标数量估计值与第一时刻的目标数量估计值的差Nnew小于零,则将消失目标粒子的标签调整为与新生标签相同的值;所述消失目标粒子是所述第二时刻的多目标预测状态集合中,更新后的权值和小于第二阈值的相同标签粒子。
所述获取模块1包括:
排除单元,用于排除第一时刻的多目标预测状态集合中标签为新生标签的粒子,得到第一时刻的待重采样集合;
重采样单元,用于基于所述第一时刻的待重采样集合,重新采样得到第一时刻的多目标状态集合;所述第一时刻的多目标状态集合中,设定区域内的粒子密度与所述第一时刻的待重采样集合中所述设定区域内的粒子权值正相关。
所述预测模块2包括:
中间预测单元,用于根据所述第一时刻的多目标状态集合,基于匀速直线运动模型预测粒子状态,得到中间预测结果;
扰动单元,用于根据先验的预测概率误差范围,添加误差扰动项至所述中间预测结果,得到第二时刻的响应状态集合。
所述权值模块3包括:
归一化单元,用于归一化第二时刻下,车载毫米波雷达的探测得到的量测集合,得到量测归一化集合;
权值预测单元,用于根据所述量测归一化集合,更新所述第二时刻的多目标预测状态集合中粒子的权值。
更进一步地,所述系统还包括:
单目标模块,用于根据标签确定所述多目标检测结果中,每个目标的单目标检测结果;
轨迹模块,用于连接判定时段内同一目标相邻时刻的单目标检测结果,得到所述判定时段内的单目标轨迹;
误检模块,用于确定所述单目标轨迹的长度小于第三阈值,则生成误检记录;
漏检模块,用于确定所述单目标轨迹存在断点,则生成漏检记录。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行基于标签的车载毫米波雷达多目标检测方法,该方法包括:获取第一时刻的多目标状态集合;根据所述第一时刻的多目标状态集合预测得到第二时刻的响应状态集合,并将所述第二时刻的响应状态集合与新生状态集合的并集作为多目标预测状态集合;所述多目标状态集合包括目标状态粒子;所述响应状态集合包括所述目标状态粒子存活或衍生得到的响应粒子;所述新生状态集合包括在量测区域内采样得到的新生粒子;所述目标状态粒子包括目标状态矩阵、标签以及权值;所述响应粒子包括响应状态矩阵、标签以及权值;所述新生粒子包括设定的新生状态矩阵、新生标签以及新生权值;根据第二时刻下,车载毫米波雷达的探测得到的量测集合,更新所述第二时刻的多目标预测状态集合中粒子的权值;根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值,调整所述第二时刻的多目标预测状态集合中粒子的标签;根据所述标签聚类所述第二时刻的多目标预测状态集合中的粒子,并根据所述权值对聚类结果进行加权平均,得到第二时刻的多目标检测结果。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于标签的车载毫米波雷达多目标检测方法,该方法包括:获取第一时刻的多目标状态集合;根据所述第一时刻的多目标状态集合预测得到第二时刻的响应状态集合,并将所述第二时刻的响应状态集合与新生状态集合的并集作为多目标预测状态集合;所述多目标状态集合包括目标状态粒子;所述响应状态集合包括所述目标状态粒子存活或衍生得到的响应粒子;所述新生状态集合包括在量测区域内采样得到的新生粒子;所述目标状态粒子包括目标状态矩阵、标签以及权值;所述响应粒子包括响应状态矩阵、标签以及权值;所述新生粒子包括设定的新生状态矩阵、新生标签以及新生权值;根据第二时刻下,车载毫米波雷达的探测得到的量测集合,更新所述第二时刻的多目标预测状态集合中粒子的权值;根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值,调整所述第二时刻的多目标预测状态集合中粒子的标签;根据所述标签聚类所述第二时刻的多目标预测状态集合中的粒子,并根据所述权值对聚类结果进行加权平均,得到第二时刻的多目标检测结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于标签的车载毫米波雷达多目标检测方法,该方法包括:获取第一时刻的多目标状态集合;根据所述第一时刻的多目标状态集合预测得到第二时刻的响应状态集合,并将所述第二时刻的响应状态集合与新生状态集合的并集作为多目标预测状态集合;所述多目标状态集合包括目标状态粒子;所述响应状态集合包括所述目标状态粒子存活或衍生得到的响应粒子;所述新生状态集合包括在量测区域内采样得到的新生粒子;所述目标状态粒子包括目标状态矩阵、标签以及权值;所述响应粒子包括响应状态矩阵、标签以及权值;所述新生粒子包括设定的新生状态矩阵、新生标签以及新生权值;根据第二时刻下,车载毫米波雷达的探测得到的量测集合,更新所述第二时刻的多目标预测状态集合中粒子的权值;根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值,调整所述第二时刻的多目标预测状态集合中粒子的标签;根据所述标签聚类所述第二时刻的多目标预测状态集合中的粒子,并根据所述权值对聚类结果进行加权平均,得到第二时刻的多目标检测结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于标签的车载毫米波雷达多目标检测方法,其特征在于,包括:
获取第一时刻的多目标状态集合;
根据所述第一时刻的多目标状态集合预测得到第二时刻的响应状态集合,并将所述第二时刻的响应状态集合与新生状态集合的并集作为多目标预测状态集合;
所述多目标状态集合包括目标状态粒子;所述响应状态集合包括所述目标状态粒子存活或衍生得到的响应粒子;所述新生状态集合包括在量测区域内采样得到的新生粒子;
所述目标状态粒子包括目标状态矩阵、标签以及权值;所述响应粒子包括响应状态矩阵、标签以及权值;所述新生粒子包括设定的新生状态矩阵、新生标签以及新生权值;
根据第二时刻下,车载毫米波雷达的探测得到的量测集合,更新所述第二时刻的多目标预测状态集合中粒子的权值;
根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值,调整所述第二时刻的多目标预测状态集合中粒子的标签;
根据所述标签聚类所述第二时刻的多目标预测状态集合中的粒子,并根据所述权值对聚类结果进行加权平均,得到第二时刻的多目标检测结果。
2.根据权利要求1所述的基于标签的车载毫米波雷达多目标检测方法,其特征在于,所述根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值,调整所述第二时刻的多目标预测状态集合中粒子的标签的步骤包括:
根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值的和,得到第二时刻的目标数量估计值,并对所述第二时刻的目标数量估计值进行判断:
确定所述第二时刻的目标数量估计值与第一时刻的目标数量估计值的差Nnew大于零,则将新目标粒子的标签调整为不同于已有粒子标签的值;所述新目标粒子是所述第二时刻的多目标预测状态集合中,更新后的权值大于第一阈值的新生粒子,且所述新目标粒子的数量不大于Nnew;
确定所述第二时刻的目标数量估计值与第一时刻的目标数量估计值的差Nnew等于零,则保持现有标签;
确定所述第二时刻的目标数量估计值与第一时刻的目标数量估计值的差Nnew小于零,则将消失目标粒子的标签调整为与新生标签相同的值;所述消失目标粒子是所述第二时刻的多目标预测状态集合中,更新后的权值和小于第二阈值的相同标签粒子。
3.根据权利要求2所述的基于标签的车载毫米波雷达多目标检测方法,其特征在于,所述获取第一时刻的多目标状态集合的步骤包括:
排除第一时刻的多目标预测状态集合中标签为新生标签的粒子,得到第一时刻的待重采样集合;
基于所述第一时刻的待重采样集合,重新采样得到第一时刻的多目标状态集合;所述第一时刻的多目标状态集合中,设定区域内的粒子密度与所述第一时刻的待重采样集合中所述设定区域内的粒子权值正相关。
4.根据权利要求1所述的基于标签的车载毫米波雷达多目标检测方法,其特征在于,还包括:
根据标签确定所述多目标检测结果中,每个目标的单目标检测结果;
连接判定时段内同一目标相邻时刻的单目标检测结果,得到所述判定时段内的单目标轨迹;
确定所述单目标轨迹的长度小于第三阈值,则生成误检记录;
确定所述单目标轨迹存在断点,则生成漏检记录。
5.根据权利要求1所述的基于标签的车载毫米波雷达多目标检测方法,其特征在于,所述根据所述第一时刻的多目标状态集合预测得到第二时刻的响应状态集合的步骤包括:
根据所述第一时刻的多目标状态集合,基于匀速直线运动模型预测粒子状态,得到中间预测结果;
根据先验的预测概率误差范围,添加误差扰动项至所述中间预测结果,得到第二时刻的响应状态集合。
6.根据权利要求1所述的基于标签的车载毫米波雷达多目标检测方法,其特征在于,所述根据第二时刻下,车载毫米波雷达的探测得到的量测集合,更新所述第二时刻的多目标预测状态集合中粒子的权值的步骤包括:
归一化第二时刻下,车载毫米波雷达的探测得到的量测集合,得到量测归一化集合;
根据所述量测归一化集合,更新所述第二时刻的多目标预测状态集合中粒子的权值。
7.一种基于标签的车载毫米波雷达多目标检测系统,其特征在于,包括:
获取模块,用于获取第一时刻的多目标状态集合;
预测模块,用于根据所述第一时刻的多目标状态集合预测得到第二时刻的响应状态集合,并将所述第二时刻的响应状态集合与新生状态集合的并集作为多目标预测状态集合;
所述多目标状态集合包括目标状态粒子;所述响应状态集合包括所述目标状态粒子存活或衍生得到的响应粒子;所述新生状态集合包括在量测区域内采样得到的新生粒子;
所述目标状态粒子包括目标状态矩阵、标签以及权值;所述响应粒子包括响应状态矩阵、标签以及权值;所述新生粒子包括设定的新生状态矩阵、新生标签以及新生权值;
权值模块,用于根据第二时刻下,车载毫米波雷达的探测得到的量测集合,更新所述第二时刻的多目标预测状态集合中粒子的权值;
标签模块,用于根据更新后的所述第二时刻的多目标预测状态集合中粒子的权值,调整所述第二时刻的多目标预测状态集合中粒子的标签;
检测模块,用于根据所述标签聚类所述第二时刻的多目标预测状态集合中的粒子,并根据所述权值对聚类结果进行加权平均,得到第二时刻的多目标检测结果。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述基于标签的车载毫米波雷达多目标检测方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于标签的车载毫米波雷达多目标检测方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于标签的车载毫米波雷达多目标检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111278771.3A CN114137526A (zh) | 2021-10-31 | 2021-10-31 | 基于标签的车载毫米波雷达多目标检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111278771.3A CN114137526A (zh) | 2021-10-31 | 2021-10-31 | 基于标签的车载毫米波雷达多目标检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114137526A true CN114137526A (zh) | 2022-03-04 |
Family
ID=80391992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111278771.3A Pending CN114137526A (zh) | 2021-10-31 | 2021-10-31 | 基于标签的车载毫米波雷达多目标检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114137526A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114924274A (zh) * | 2022-04-08 | 2022-08-19 | 苏州大学 | 一种基于固定网格的高动态铁路环境雷达感知方法 |
CN115542308A (zh) * | 2022-12-05 | 2022-12-30 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 |
-
2021
- 2021-10-31 CN CN202111278771.3A patent/CN114137526A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114924274A (zh) * | 2022-04-08 | 2022-08-19 | 苏州大学 | 一种基于固定网格的高动态铁路环境雷达感知方法 |
CN115542308A (zh) * | 2022-12-05 | 2022-12-30 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 |
CN115542308B (zh) * | 2022-12-05 | 2023-03-31 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107972662B (zh) | 一种基于深度学习的车辆前向碰撞预警方法 | |
EP3633615A1 (en) | Deep learning network and average drift-based automatic vessel tracking method and system | |
CN110134126B (zh) | 轨迹匹配方法、装置、设备和介质 | |
CN114137526A (zh) | 基于标签的车载毫米波雷达多目标检测方法和系统 | |
CN109870698B (zh) | 一种超声波阵列障碍物检测结果处理方法及系统 | |
CN107103275B (zh) | 使用雷达和视觉基于车轮进行的车辆检测和追踪 | |
Zhang et al. | An intruder detection algorithm for vision based sense and avoid system | |
CN113378741B (zh) | 一种基于多源传感器的飞机牵引车辅助感知方法及其系统 | |
CN111562571B (zh) | 一种未知新生强度的机动多目标跟踪与航迹维持方法 | |
CN115993597A (zh) | 一种视觉雷达感知融合方法及终端设备 | |
CN110889862A (zh) | 一种网络传输攻击环境中多目标跟踪的组合测量方法 | |
CN108733042B (zh) | 自动驾驶车辆的目标跟踪方法及装置 | |
Xu et al. | Dynamic vehicle pose estimation and tracking based on motion feedback for LiDARs | |
CN113900101A (zh) | 障碍物检测方法、装置及电子设备 | |
CN110703272A (zh) | 一种基于车车通信和gmphd滤波的周边目标车辆状态估计方法 | |
Lindenmaier et al. | GM-PHD filter based sensor data fusion for automotive frontal perception system | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
CN114296095A (zh) | 自动驾驶车辆的有效目标提取方法、装置、车辆及介质 | |
CN111007880B (zh) | 一种基于汽车雷达的扩展目标跟踪方法 | |
CN112085101A (zh) | 一种高性能高可靠的环境融合感知方法及系统 | |
CN114037017B (zh) | 基于误差分布拟合的数据融合方法 | |
CN114137525A (zh) | 基于车载毫米波雷达的多目标检测方法和系统 | |
CN107256382A (zh) | 基于图像识别的虚拟保险杠控制方法和系统 | |
CN112731335B (zh) | 一种基于全区域激光扫描的多无人机协作定位方法 | |
CN113511194A (zh) | 一种纵向避撞预警方法及相关装置 |
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 |