CN114779230A - 一种对象跟踪方法、装置、电子设备及车辆 - Google Patents

一种对象跟踪方法、装置、电子设备及车辆 Download PDF

Info

Publication number
CN114779230A
CN114779230A CN202210286369.8A CN202210286369A CN114779230A CN 114779230 A CN114779230 A CN 114779230A CN 202210286369 A CN202210286369 A CN 202210286369A CN 114779230 A CN114779230 A CN 114779230A
Authority
CN
China
Prior art keywords
state information
predicted
determining
cluster
information
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
CN202210286369.8A
Other languages
English (en)
Other versions
CN114779230B (zh
Inventor
李勇
王明辉
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.)
Freetech Intelligent Systems Co Ltd
Original Assignee
Freetech Intelligent Systems 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 Freetech Intelligent Systems Co Ltd filed Critical Freetech Intelligent Systems Co Ltd
Priority to CN202210286369.8A priority Critical patent/CN114779230B/zh
Publication of CN114779230A publication Critical patent/CN114779230A/zh
Application granted granted Critical
Publication of CN114779230B publication Critical patent/CN114779230B/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
    • 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

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

本发明涉及雷达对象跟踪技术领域，本发明公开了一种对象跟踪方法、装置、电子设备及车辆。本发明提供的对象跟踪方法通过对当前时刻的对象状态信息进行预测，得到预测的对象状态信息，对象状态信息包括对象运动状态信息和对象轮廓状态信息得到的预测对象；然后将当前时刻的点云数据与对象进行关联，得到对象的点云数据，最后利用扩展卡尔曼滤波器实现对当前时刻的对象运动状态和轮廓状态的联合估计，从而提高了对对象识别跟踪的准确性。

Description

一种对象跟踪方法、装置、电子设备及车辆
技术领域
本发明涉及雷达对象跟踪技术领域，特别涉及一种对象跟踪方法、装置、电子设备及车辆。
背景技术
随着车载毫米波雷达技术的快速发展，毫米波雷达的距离，速度和角度分辨率不断提高，行人和汽车等目标信号往往跨越多个分辨单元，使毫米波雷达能够检测到来源于目标表面的多个量测，此时不再将它们视为点目标，而被视为扩展目标，对于扩展目标的跟踪称为扩展对象跟踪。
传统点对象跟踪方法将扩展目标视为点目标，将来源于扩展目标的多个量测进行聚类，并计算聚类簇的中心位置和中心速度，将它们作为扩展目标状态进行跟踪，仅估计扩展目标中心的运动状态，不考虑扩展目标的轮廓状态，无法充分发挥毫米波雷达高分辨率的特点。
发明内容
本发明要解决的是提高毫米波雷达对象跟踪的准确性的技术问题。
为解决上述技术问题，本申请于一方面公开了一种对象跟踪方法，其包括：
获取当前时刻的点云数据集；该当前时刻点云数据集包括多个点的点云数据，该多个点中的每个点的点云数据包括位置信息、速度信息和角度信息；
对该当前时刻点云数据集进行聚类处理，得到聚类簇集；
确定当前时刻的预测对象状态信息；该预测对象状态信息包括预测对象运动状态信息和预测对象轮廓状态信息；该预测对象运动状态信息包括预测对象位置信息和预测对象速度信息；该预测对象轮廓状态信息包括轮廓上的多个参考点中每个参考点相对于预测对象中心点的位置信息；
基于该当前时刻的预测对象状态信息从该聚类簇集中确定出目标聚类簇；
基于该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息；
基于当前时刻的对象状态信息实现对该对象的跟踪。
可选的，该确定当前时刻的预测对象状态信息，包括：
获取历史时刻的对象状态信息；该历史时刻的对象状态信息包括历史时刻的对象运动状态信息和历史时刻的对象轮廓状态信息；
确定对象状态移动轨迹；
基于该历史时刻的对象状态信息和该对象状态移动轨迹确定出该当前时刻的预测对象状态信息。
可选的，该基于该当前时刻的预测对象状态信息从该聚类簇集中确定出目标聚类簇，包括：
根据该当前时刻的预测对象状态信息确定出对象中心预测位置；
确定出该聚类簇集中的每个聚类簇的中心位置；
根据该对象中心预测位置和该每个聚类簇的中心位置确定出距离集；该距离集包括每个聚类簇的中心位置与该对象中心预测位置的距离值；
从该距离集中确定出目标距离值；该目标距离值小于等于预设阈值；
将该目标距离值对应的聚类簇确定为该目标聚类簇。
可选的，该将该目标距离值对应的聚类簇确定为该目标聚类簇，包括：
将该目标距离值对应的聚类簇确定为初始聚类簇；
基于该初始聚类簇中的任意两个点云数据确定出关联关系；该关联关系用于表征该每个点的角度信息和速度信息的对应关系；
基于该关联关系从该初始聚类簇中筛选出该目标聚类簇。
可选的，该基于该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息，包括：
从该目标聚类簇中确定出目标位置信息集和目标角度信息集；
基于该对象中心点预测位置、该预测对象轮廓状态信息、该目标位置信息集和该目标角度信息集确定出位置偏移值；
根据该预测对象位置信息和该位置偏移值确定出对象量测预测位置；
基于该目标角度信息集和该预测对象速度信息确定出对象量测预测速度；
根据该对象量测预测位置和该对象量测预测速度确定出对象量测预测；
根据该对象量测预测、该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息。
可选的，该根据该对象量测预测、该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息，包括：
对该对象量测预测、该预测对象状态信息和该目标聚类簇进行扩展卡尔曼滤波，得到该当前时刻的对象状态信息。
可选的，该对该当前时刻点云数据集进行聚类处理，得到聚类簇集，包括：
获取雷达车的运动信息；
基于该雷达车的运动信息和该点云数据集确定出目标点云数据集；
对该目标点云数据集进行聚类处理，得到该聚类簇。
本申请于另一方面还公开了一种对象跟踪装置，其包括：
获取模块，用于获取当前时刻点云数据集；该当前时刻点云数据集包括多个点的点云数据，该多个点中的每个点的点云数据包括位置信息、速度信息和角度信息；
聚类模块，用于对该当前时刻点云数据集进行聚类处理，得到聚类簇集；
第一状态信息确定模块，用于确定当前时刻的预测对象状态信息；该预测对象状态信息包括预测对象运动状态信息和预测对象轮廓状态信息；该预测对象运动状态信息包括预测对象位置信息和预测对象速度信息；该预测对象轮廓状态信息包括轮廓上的多个参考点中每个参考点相对于预测对象中心点的位置信息；
目标聚类簇确定模块，用于基于该当前时刻的预测对象状态信息从该聚类簇集中确定出目标聚类簇；
第二状态信息确定模块，用于基于该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息；
跟踪模块，用于基于当前时刻的对象状态信息实现对该对象的跟踪。
本申请于另一方面还公开了一种电子设备，该电子设备包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述的对象跟踪方法。
本申请于另一方面还公开了一种车辆，该车辆包括计算机存储介质，该计算机存储介质中存储有至少一条指令或至少一段程序，该至少一条指令或至少一段程序由处理器加载并执行以实现上述的对象跟踪方法。
采用上述技术方案，本申请提供的对象跟踪方法具有如下有益效果：
本申请提供的该对象跟踪方法通过对当前时刻的对象状态信息进行预测，得到预测的对象状态信息，对象状态信息包括对象运动状态信息和对象轮廓状态信息得到的预测对象；然后将当前时刻的点云数据与对象进行关联，得到对象的点云数据，后续利用扩展卡尔曼滤波器实现对当前时刻的对象运动状态和轮廓状态的联合估计，从而提高了对对象识别跟踪的准确性。由于增加了对象的信息，有利于对对象识别和分类，与现有技术中仅基于对象的位置信息进行估计，提高了对象状态信息估计的准确性，便于实现对对象的跟踪。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请一种可选的应用场景图；
图2为本申请第一种可选地对象跟踪方法的流程图；
图3为本申请第二种可选地对象跟踪方法的流程图；
图4为本申请第三种可选地对象跟踪方法的流程图；
图5为本申请一种可选的目标坐标系的示意图；
图6为本申请第四种可选地对象跟踪方法的流程图；
图7为本申请第五种可选地对象跟踪方法的流程图；
图8为本申请第六种可选地对象跟踪方法的流程图；
图9为本申请一种可选地对象跟踪装置的结构示意图；
图10为本申请一种可选的对象跟踪方法的服务器的硬件结构框图。
以下对附图作补充说明：
10-雷达；20-车辆。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，图1为本申请一种可选的应用场景图。该场景包括雷达10、设于雷达10内的雷达处理器和车辆20，该雷达10设于车辆20的顶部，该雷达用于发射电磁波和接收雷达信号，该雷达处理器用于对接收到的雷达信号进行处理，得到当前时刻的点云数据集，再对当前时刻的对象状态信息进行预测，得到预测的对象状态信息，对象状态信息包括对象运动状态信息和对象轮廓状态信息得到的预测对象；然后将当前时刻的点云数据与对象进行关联，得到对象的点云数据，后续利用扩展卡尔曼滤波器实现对当前时刻的对象运动状态和轮廓状态的联合估计，从而提高了对对象识别跟踪的准确性。
本申请通过在对象状态中加入了对象轮廓状态，对象轮廓状态指目标表面(二维俯视图)若干个轮廓点到对象中心点半径长度，然后利用基于高斯过程的扩展卡尔曼滤波器对对象状态迭代更新，从而实现了对对象运动状态和轮廓状态的联合估计，由于高斯过程是一种机器学习算法，增加了算法的时间复杂度和空间复杂度，为后续处理提供更多目标信息，有利于目标识别与分类。
可选的，该雷达处理器可以是设于雷达内的处理器，也可以配置于服务器或者其他终端中。
可选的，终端可以是台式电脑，笔记本电脑、手机、平板电脑，数字助理、智能可穿戴设备等类型的实体设备；其中，智能可穿戴设备可以包括智能手环、智能手表、智能眼镜、智能头盔等。
该终端可以包括通过数据总线相连的显示屏、存储设备和处理器。所述显示屏用于待监控设备的虚拟图像以及待监控设备中各个子设备之间的连接关系，该显示屏可以是手机或者平板电脑的触摸屏等。存储设备用于存储拍摄装置的程序代码和数据资料等，该存储设备可以是终端的内存，也可以是智能媒体卡(smart media card)、安全数字卡(secure digital card)、快闪存储器卡(flash card)等储存设备。所述处理器可以是单核或多核处理器。
以下介绍本申请一种对象跟踪方法的具体实施例，图2为本申请一种可选的对象跟踪方法的流程示意图，本说明书提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，该方法可以包括：
S201：获取当前时刻点云数据集；该当前时刻点云数据集包括多个点的点云数据，该多个点中的每个点的点云数据包括位置信息、速度信息和角度信息。
在本实施例中，雷达可以是毫米波雷达，可以根据需要设置在雷达车的预设位置上。
在本实施例中，雷达包括天线收发装置，用于发射雷达信号以及接收反射信号。
在本实施例中，该方法的执行主语为雷达处理器，该雷达处理器设置于雷达内。
在本实施例中，当雷达发射毫米波信号，并在接触到目标物体，例如车辆、电动车、行人或者骑行者，会返回相应的反射信号，后续信号处理器会对该反射信号进行处理，得到目标物体的回波数据，对该回波数据做距离维1D-FFT(Fast Fourier TransformAlgorithm，快速傅氏变换算法)和多普勒维2D-FFT，得到距离一速度的频谱矩阵；然后基于距离-速度的频谱矩阵，对目标回波做CFAR(Constant False Alarm Rate，恒虚警检测)算法检测，对过门限的点迹做测角计算，得到目标物体的点迹的位置、速度和角度信息，即上述点云数据。
需要说明的是，上述角度信息为在雷达车坐标系中，每个点相对于雷达的角度，即下文中每个点的雷达角度。
S202：对该当前时刻点云数据集进行聚类处理，得到聚类簇集。
于一种可能的实施例中，参阅图3，图3为本申请第二种可选地对象跟踪方法的流程图。步骤S202可以具体阐述为：
S2021：获取雷达车的运动信息。
可选的，该雷达车的运动信息包括车速和横摆角。
S2022：基于该雷达车的运动信息和该点云数据集确定出目标点云数据集。
在本实施例中，上述获取到的点的速度为相对多普勒速度vmea，则需要通过雷达车的运动信息，将点的相对多普勒速度vmea补偿为绝对多普勒速度vcomp，计算方式如公式(1)。
vcomp＝vmea+vego 式(1)
Figure BDA0003558386800000081
其中，vcomp表示点的绝对多普勒速度，vmea表示点的相对多普勒速度，vego表示雷达运动引起的多普勒速度变化量，计算方式如公式(2)，
Figure BDA0003558386800000082
和
Figure BDA0003558386800000083
分别表示毫米波雷达在雷达车坐标系下的X轴方向和Y轴方向的绝对速度，θmea表示点迹中的角度，αs表示雷达的安装角度。
可选的，为了进一步提高点云数据的有效性，还可以对进行速度补偿后的点做相应的分类和无效剔除处理，具体过程如下：根据每个点的绝对多普勒速度vcomp进行点的动态和静态分类，将绝对多普勒速度vcomp小于0.8m/s视为静止点迹，绝对多普勒速度vcomp大于0.8m/s视为动态点迹。剔除无效的点迹是利用环境感知信息剔除不感兴趣区域的雷达量，如路沿外的点迹，减少目标跟踪时间，将进行上述速度补偿、分类以及剔除后的点云数据形成的点云数据集确定为目标点云数据集。
S2023：对该目标点云数据集进行聚类处理，得到该聚类簇。
在本实施例中，可以采用密度的聚类算法，即DBSCAN(Density-Based SpatialClustering of Applications with Noise)算法对点云数据集进行聚类处理；具体的，从该点云数据集中任选一个点作为初始点(即聚类点)，利用该密度聚类算法从该初始点开始，根据需要设置领域半径Eps，以及领域内的点的数据阈值MinPts，在判断其他点是否属于当前聚类点的领域时，可以根据相对聚类和绝对多普勒差值verr来进行判断，若其他点中的任意一个点与当前聚类点的距离小于2米，并且上述任意一点的绝对多普勒速度vcomp与当前聚类点的绝对多普勒速度vorig的差值verr小于2m/s，计算方式如公式(3)，则认为该任意一点归属于当前聚类点的聚类簇。
遍历点云数据集中的所有点，完成聚类后，确定聚类簇中的点在雷达车坐标系下X轴方向最大值Xmax和最小值Xmin以及Y轴方向最大值Ymax和最小值Ymin，可以根据公式(4)和公式(5)计算聚类簇的中心点位置[Xc，Yc]，其中Xc表示雷达车坐标系下聚类簇的中心X轴位置，Yc表示雷达车坐标系下聚类簇的中心Y轴位置。
verr＝vcomp-vorig cos(θmea-θorig) 式(3)
Figure BDA0003558386800000091
Figure BDA0003558386800000092
其中vcomp表示点的绝对多普勒速度，θmea表示点的雷达角度，vorig表示当前聚类点的绝对多普勒速度，θorig表示当前聚类点的雷达角度。
需要说明的是，如果对象包括多个目标对象时，则基于点云数据集聚类出的聚类簇集则包括多个目标对象对应的聚类簇。
可选的，为了进一步提高聚类数据的准确性，还可以将聚类簇中低于极限角度以及多角度噪比差的点进行去除处理。
S203：确定当前时刻的预测对象状态信息；该预测对象状态信息包括预测对象运动状态信息和预测对象轮廓状态信息；该预测对象运动状态信息包括预测对象位置信息和预测对象速度信息；该预测对象轮廓状态信息包括轮廓上的多个参考点中每个参考点相对于预测对象中心点的位置信息。
于一种可能的实施例中，参阅图4，图4为本申请第三种可选地对象跟踪方法的流程图。步骤S203可以具体阐述为：
S2031：获取历史时刻的对象状态信息；该历史时刻的对象状态信息包括历史时刻的对象运动状态信息和历史时刻的对象轮廓状态信息。
在本实施例中，上述历史时刻可以是上一时刻，下文主要基于该历史时刻为上一时刻进行阐述，可选的，为了进一步提高跟踪的准确度，还可以基于历史时刻中的多个时刻的数据进行综合估计得到的上述历史时刻的信息。
该对象状态信息可以按照上述信息类型(即运动状态和轮廓状态)进行分类，则进一步地，上述对象运动状态信息包括运动状态
Figure BDA0003558386800000093
Figure BDA0003558386800000094
和运动状态误差协方差
Figure BDA0003558386800000095
对象轮廓状态信息包括轮廓状态
Figure BDA0003558386800000096
和轮廓状态误差协方差
Figure BDA0003558386800000097
还可以按照高斯过程进行分类，分为状态信息
Figure BDA0003558386800000098
和状态误差协方差
Figure BDA0003558386800000099
其中状态信息包括运动状态
Figure BDA00035583868000000910
和轮廓状态
Figure BDA00035583868000000911
状态误差协方差包括运动状态误差协方差
Figure BDA00035583868000000912
和轮廓状态误差协方差
Figure BDA00035583868000000913
上述运动状态
Figure BDA00035583868000000914
中[xk，yk]表示对象中心点位置，[vx，vy]表示对象中心点速度，[ax，ay]表示对象中心点加速度；轮廓状态
Figure BDA0003558386800000101
中f(θN)表示第N个点的轮廓半径，θN表示在目标坐标系下第N个点相对于对象中心预测位置的角度，N表示点个数，T表示转置，其中，目标坐标系为对象的所在的坐标系，若该对象为车辆时，则其坐标系如图5所示，雷达车的坐标系也为图5所示。
S2032：确定对象状态移动轨迹。
在本申请实施例中，由于雷达跟踪的对象一般为车辆、电动车或者行人等，这类对象运动具有较强的机动性，为了更好的匹配对象的运动状态，可以采用匀加速运动模型对对象运动状态进行预测跟踪；并将这类对象视为矩形目标，用矩形框替代扩展目标的轮廓形态，并且假设对象的轮廓状态不变，则当前时刻的预测对象状态信息如下：
Figure BDA0003558386800000102
Figure BDA0003558386800000103
其中，
Figure BDA0003558386800000104
和
Figure BDA0003558386800000105
分别表示当前时刻对象的预测状态和预测状态误差协方差，
Figure BDA0003558386800000106
表示对象状态转移矩阵，Fk表示对象运动状态转移矩阵，
Figure BDA0003558386800000107
表示对象轮廓状态转移矩阵。
根据上述假设，Fk为匀加速运动模型的状态转移矩阵；由于对象轮廓状态不变，则
Figure BDA0003558386800000108
为单位矩阵，θk表示过程噪声协方差。
其中，上述公式中的对象状态转移矩阵
Figure BDA0003558386800000109
即为对象状态移动轨迹。
S2033：基于该历史时刻的对象状态信息和该对象状态移动轨迹确定出该当前时刻的预测对象状态信息。
在本实施例中，参阅上述公式(6)和(7)可知，基于历史时刻的对象状态信息(
Figure BDA00035583868000001010
和
Figure BDA00035583868000001011
)和对象状态移动轨迹即可确定出当前时刻的预测对象状态信息(
Figure BDA00035583868000001012
和
Figure BDA00035583868000001013
)。
S204：基于该当前时刻的预测对象状态信息从该聚类簇集中确定出目标聚类簇。
于一种可能的实施例中，参阅图6，图6为本申请第四种可选地对象跟踪方法的流程图。步骤S204可以具体阐述为：
S2041：根据该当前时刻的预测对象状态信息确定出对象中心预测位置。
在本实施例中，由于已确定出当前时刻预测对象状态信息
Figure BDA00035583868000001014
和
Figure BDA0003558386800000111
其中
Figure BDA0003558386800000112
当前时刻的预测运动状态
Figure BDA0003558386800000113
Figure BDA0003558386800000114
则可以确定出当前时刻的对象中心预测位置[xk+1|k，yk+1|k]。
S2042：确定出该聚类簇集中的每个聚类簇的中心位置。
在本实施例中，通过上述公式(4)和(5)可以确定出每个聚类簇的中心位置[Xc，Yc]。
S2043：根据该对象中心预测位置和该每个聚类簇的中心位置确定出距离集；该距离集包括每个聚类簇的中心位置与该对象中心预测位置的距离值。
在本实施例中，可以利用如下公式(8)计算出上述距离值Rdist，从而可以得到该距离集。
Figure BDA0003558386800000115
S2044：从该距离集中确定出目标距离值，该目标距离值小于等于预设阈值。
在本实施例中，可以将上述距离集中数值最小的距离值确定为目标距离值，从而后续可以将离对象最近的聚类簇作为目标聚类簇。
为了避免后续对该目标聚类簇重复计算，提高对多个目标跟踪的关联过程，需要对已经关联了对象的目标聚类簇进行标记处理。
S2045：将该目标距离值对应的聚类簇确定为该目标聚类簇。
由于毫米波雷达容易受到环境干扰以及受到汽车车轮微多普勒影响产生虚假点和车轮点，这类点被关联后会对对象跟踪产生消极影响；为了减少虚假点的影响，需要从关联的聚类簇中筛选出目标真实点，可以采用RANSAC算法对虚假点和车轮点进行筛选，将筛选的目标真实点用于后续的滤波处理；参阅图7，图7为本申请第五种可选地对象跟踪方法的流程图。于一种可能的实施例中，步骤S2045可以具体阐述为：
S701：将该目标距离值对应的聚类簇确定为初始聚类簇。
S702：基于该初始聚类簇中的任意两个点云数据确定出关联关系；该关联关系用于表征该每个点的角度信息和速度信息的对应关系。
可选的，假设来源于同一个对象的点都具有相同速度，则同一个对象的点的多普勒速度可以由公式(9)表示，随机抽样一致算法(Random Sample Consensus，RANSAC)算法依据公式(9)提供的数学模型。
Figure BDA0003558386800000121
其中，
Figure BDA0003558386800000122
表示第M个关联点的绝对多普勒速度，
Figure BDA0003558386800000123
表示第M个关联点的雷达角度，αs表示雷达的安装角度。M表示目标关联点的个数。
通过从初始聚类簇中选取任意两个点的点云数据，将其带入上述公式(9)中，即可解出对象在雷达车坐标系下的X轴方向速度Vx和Y轴方向速度Vy，从而可以求而解出公式(9)，使得该公式(9)可以表征每个点的角度信息与速度信息的对应关系。
S703：基于该关联关系从该初始聚类簇中筛选出该目标聚类簇。
在本实施例中，基于上述公式(9)的数学模型拟合曲线，该曲线的横纵坐标分别为雷达角度和速度，确定初始聚类簇中的点到曲线的距离，并对距离进行判断，若距离小于设定的阈值则将对应的点认为是内部点，大于设定的阈值则为外部点，并统计内部点数据，以此类推，遍历初始聚类簇中的所有点，内部点形成的集合即为目标聚类簇。后续可以将该目标聚类簇的点导入到扩展卡尔曼滤波器对对象状态进行估计。
需要说明的是，在确定内部点的过程中，确定出的内部点必然是大于外部点的，为了保证确定出的目标聚类簇集中的内部点的数量最多，可以通过选取初始聚类簇集中的不同的两个点再拟合出新的曲线，重复上述内部点确定的过程，确定出包含有内部点最多的曲线，并将其对应的内部点形成的集合确定为目标聚类簇。
S205：基于该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息。
为了进一步提高对象状态信息确定的准确性。于一种可能的实施例中，参阅图8，图8。步骤S205可以具体阐述为：
S2051：从该目标聚类簇中确定出目标位置信息集和目标角度信息集。
S2052：基于该对象中心点预测位置、该预测对象轮廓状态信息、该目标位置信息集和该目标角度信息集确定出位置偏移值。
S2053：根据该预测对象位置信息和该位置偏移值确定出对象量测预测位置。
在本实施例中，上述步骤S2051-2053可以具体表示为如下公式的确定过程。
对象量测预测位置
Figure BDA0003558386800000131
可以基于对象的预测状态
Figure BDA0003558386800000132
Figure BDA0003558386800000133
和目标聚类簇中的点位置
Figure BDA0003558386800000134
确定出，具体可以参见公式(10)-公式(13)。
Figure BDA0003558386800000135
Figure BDA0003558386800000136
Figure BDA0003558386800000137
Figure BDA0003558386800000138
Figure BDA0003558386800000139
状态；
Figure BDA00035583868000001310
和
Figure BDA00035583868000001311
分别表示目标聚类簇中第j个点分别在目标坐标系和雷达车坐标系下相对于对象中心预测位置的角度，
Figure BDA00035583868000001312
表示目标聚类簇中第j个点的位置信息，即上述目标位置信息集，
Figure BDA00035583868000001313
表示对象的预测航向角，θ＝[θ1，θ2，...，θN]T表示设定的对象轮廓角，其中第i个轮廓角为θi＝2π(i-1)/N，N表示设定的目标轮廓点个数例如，N＝8。
可选的，
Figure BDA00035583868000001314
即为上述位置偏移值。
S2054：基于该目标角度信息集和该目标角度信息集和该预测对象速度信息确定出对象量测预测速度。
在本实施例中，上述步骤S2054可以具体表示为如下公式的确定过程。即，可以获取每个点的旋转矩阵，基于该每个点的旋转矩阵和预测对象速度信息确定出对象量测预测速度。
其中上述每个点的旋转矩阵由对应的点的雷达角度和雷达的安装角度确定出。
Figure BDA0003558386800000141
Figure BDA0003558386800000142
Figure BDA0003558386800000143
其中，
Figure BDA0003558386800000144
表示第j个点对应的预测绝对多普勒速度，可以基于上述目标速度信息集确定出，
Figure BDA0003558386800000145
表示当前时刻对象的预测速度，
Figure BDA0003558386800000146
和
Figure BDA0003558386800000147
分别表示雷达车坐标系下X轴方向和Y轴方向的对象的预测速度，
Figure BDA0003558386800000148
表示第j个点对应的旋转矩阵。
S2055：根据该对象量测预测位置和该对象量测预测速度确定出对象量测预测。
在本实施例中，对象量测
Figure BDA0003558386800000149
包含雷达车坐标系下X轴方向的位置
Figure BDA00035583868000001410
Y轴方向的位置
Figure BDA00035583868000001411
以及绝对多普勒速度
Figure BDA00035583868000001412
即
Figure BDA00035583868000001413
Figure BDA00035583868000001414
则对象量测预测
Figure BDA00035583868000001415
由预测的量测位置
Figure BDA00035583868000001416
Figure BDA00035583868000001417
和绝对多普勒速度
Figure BDA00035583868000001418
组成，即
Figure BDA00035583868000001419
由于基于上述步骤S2051-2054已经确定出
Figure BDA00035583868000001420
和
Figure BDA00035583868000001421
则进而可以确定出对象量测预测
Figure BDA00035583868000001422
S2056：根据该对象量测预测、该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息。
于一种可能的实施例中，步骤S2056可以具体阐述为：
对该对象量测预测、该预测对象状态信息和该目标聚类簇进行扩展卡尔曼滤波，得到该当前时刻的对象状态信息。
在本申请实施例中，上述步骤S2056为扩展卡尔曼滤波的更新过程，具体可以阐述为：
1)确定出新息矩阵和卡尔曼增益。
新息矩阵
Figure BDA00035583868000001423
可以基于如下公式计算：
Figure BDA00035583868000001424
其中，
Figure BDA00035583868000001425
为目标聚类簇中的第M个点的量测，
Figure BDA00035583868000001426
为对象量测预测中的第M个点的预测量测。
需要说明的是，本实施例提及的量测包括上述位置信息、角度信息和速度信息。
卡尔曼增益Wk+1可以基于如下公式确定：
Figure BDA0003558386800000151
其中，Sk+1表示新息协方差，
Figure BDA0003558386800000152
表示当前时刻对象的预测状态误差协方差，Rk+1表示目标聚类簇中点噪声的增广矩阵。Hk+1表示测量矩阵。
且Sk+1、
Figure BDA0003558386800000153
和Hk+1可通过下述公式(19)-(23)确定出。
Figure BDA0003558386800000154
Figure BDA0003558386800000155
其中，
Figure BDA0003558386800000156
表示第M个关联量测的量测噪声。
测量矩阵Hk+1中包含位置测量矩阵
Figure BDA0003558386800000157
和多普勒测量矩阵
Figure BDA0003558386800000158
其中
Figure BDA0003558386800000159
计算公式如下：
Figure BDA00035583868000001510
其中：
Figure BDA00035583868000001511
Figure BDA00035583868000001512
2)根据预测对象状态信息中的当前时刻对象的预测状态、新息矩阵和卡尔曼增益确定出当前时刻的对象状态。
在本实施例中，可以基于如下公式(24)确定出当前时刻的对象状态
Figure BDA00035583868000001517
Figure BDA00035583868000001514
3)确定测量矩阵。
在本实施例中，可以通过上述公式(21)-(23)确定出测量矩阵Hk+1。
4)根据测量矩阵、卡尔曼增益和当前时刻对象的预测状态误差协方差确定出当前时刻的对象状态误差协方差。
在本实施例中，可以基于如下公式(25)确定出当前时刻的对象状态误差协方差
Figure BDA00035583868000001515
Figure BDA00035583868000001516
5)上述当前时刻的对象状态和当前时刻的对象状态误差协方差即为当前时刻的对象状态信息。
S206：基于当前时刻的对象状态信息实现对该对象的跟踪。
也就是说，根据当前时刻的对象状态
Figure BDA0003558386800000161
和当前时刻的对象状态误差协方差
Figure BDA0003558386800000162
即可确定出当前时刻的对象以及相应的位置，从而实现跟踪。
当需要对下一时刻的对象状态信息进行确定时，则将上述当前时刻的对象状态信息更新为历史时刻的对象状态信息，将下一时刻采集到的点云数据集作为当前时刻的点云数据集，重复上述步骤S201-S206的步骤，实现对下一时刻的对象的跟踪。
需要说明的是，上述实施例仅是示例了当跟踪的对象仅有一个时，如何实现对其准确跟踪的过程，本申请还可以应用于多对象跟踪，对于其他对象的跟踪过程重复上述步骤，直至遍历完当历史时刻的所有目标对象。在这一过程中，需要对应存储相应的目标对象的对象状态和状态误差协方差信息。
上述步骤S203和S205的过程为在扩展卡尔曼滤波器中的处理过程，由于本申请增加了输入到扩展卡尔曼滤波器的信息量和种类，即对象轮廓状态信息，在滤波过程中对象量测预测的确定时，通过位置、速度和角度综合估计，增加了矩阵的复杂度，从而提高了对象量测预测的准确度。
参阅图9，图9为本申请一种可选地对象跟踪装置的结构示意图。本申请于另一方面还公开了一种对象跟踪装置，其包括：
获取模块901，用于获取当前时刻点云数据集；该当前时刻点云数据集包括多个点的点云数据，该多个点中的每个点的点云数据包括位置信息、速度信息和角度信息；
聚类模块902，用于对该当前时刻点云数据集进行聚类处理，得到聚类簇集；
第一状态信息确定模块903，用于确定当前时刻的预测对象状态信息；该预测对象状态信息包括预测对象运动状态信息和预测对象轮廓状态信息；该预测对象运动状态信息包括预测对象位置信息和预测对象速度信息；该预测对象轮廓状态信息包括轮廓上的多个参考点中每个参考点相对于预测对象中心点的位置信息；
目标聚类簇确定模块904，用于基于该当前时刻的预测对象状态信息从该聚类簇集中确定出目标聚类簇；
第二状态信息确定模块905，用于基于该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息；
跟踪模块906，用于基于所述当前时刻的对象状态信息实现对该对象的跟踪。
于一种可能的实施例中，第一状态信息确定模块，用于获取历史时刻的对象状态信息，该历史时刻的对象状态信息包括历史时刻的对象运动状态信息和历史时刻的对象轮廓状态信息，确定对象状态移动轨迹，基于该历史时刻的对象状态信息和该对象状态移动轨迹确定出该当前时刻的预测对象状态信息。
于一种可能的实施例中，目标聚类簇确定模块，用于根据该当前时刻的预测对象状态信息确定出对象中心预测位置，确定出该聚类簇集中的每个聚类簇的中心位置，根据该对象中心预测位置和该每个聚类簇的中心位置确定出距离集，该距离集包括每个聚类簇的中心位置与该对象中心预测位置的距离值，从该距离集中确定出目标距离值，目标距离值小于等于预设阈值，将该目标距离值对应的聚类簇确定为该目标聚类簇。
于一种可能的实施例中，目标聚类簇确定模块，用于将该目标距离值对应的聚类簇确定为初始聚类簇，基于该初始聚类簇中的任意两个点云数据确定出关联关系，该关联关系用于表征该每个点的角度信息和速度信息的对应关系，基于该关联关系从该初始聚类簇中筛选出该目标聚类簇。
于一种可能的实施例中，第二状态信息确定模块，用于从该目标聚类簇中确定出目标位置信息集和目标角度信息集，基于该对象中心点预测位置、该预测对象轮廓状态信息、该目标位置信息集和该目标角度信息集确定出位置偏移值，根据该预测对象位置信息和该位置偏移值确定出对象量测预测位置，基于该目标角度信息集和该预测对象速度信息确定出对象量测预测速度，根据该对象量测预测位置和该对象量测预测速度确定出对象量测预测，根据该对象量测预测、该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息。
于一种可能的实施例中，第二状态信息确定模块，用于对该对象量测预测、该预测对象状态信息和该目标聚类簇进行扩展卡尔曼滤波，得到该当前时刻的对象状态信息。
于一种可能的实施例中，聚类模块，用于获取雷达车的运动信息，基于该雷达车的运动信息和该点云数据集确定出目标点云数据集，对该目标点云数据集进行聚类处理，得到该聚类簇。
可选的，参阅图10，图10为本申请一种可选的电子设备的硬件结构框图。该电子设备可以是雷达设备，也可以是其他终端或者服务器，其内部结构图可以如图10所示。该电子设备包括通过内部总线连接的处理器、存储器和网络接口。其中，上述处理器31可以包括中央处理器(CPU)，或者特定集成电路Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
该存储器可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器所执行的可能的计算机程序指令。存储器包括非易失性存储器、内存储器。该非易失性存储器存储有计算机程序。该内存储器为非易失性存储器中的计算机程序的运行提供环境。
网络接口用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。网络接口还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
内部总线包括硬件、软件或两者，将雷达设备的部件彼此耦接在一起。内部总线包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，内部总线可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
上述电子设备可以基于获取到的程序指令，执行本申请上述实施例中的任意一种对象跟踪方法。
本申请实施例还提供了一种车辆，包括计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种对象跟踪方法。
需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，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，对于设备实施例而言，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。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种对象跟踪方法，其特征在于，包括：
获取当前时刻点云数据集；所述当前时刻点云数据集包括多个点的点云数据，所述多个点中的每个点的点云数据包括位置信息、速度信息和角度信息；
对所述当前时刻点云数据集进行聚类处理，得到聚类簇集；
确定当前时刻的预测对象状态信息；所述预测对象状态信息包括预测对象运动状态信息和预测对象轮廓状态信息；所述预测对象运动状态信息包括预测对象位置信息和预测对象速度信息；所述预测对象轮廓状态信息包括轮廓上的多个参考点中每个参考点相对于预测对象中心点的位置信息；
基于所述当前时刻的预测对象状态信息从所述聚类簇集中确定出目标聚类簇；
基于所述预测对象状态信息和所述目标聚类簇确定出当前时刻的对象状态信息；
基于所述当前时刻的对象状态信息实现对所述对象的跟踪。
2.根据权利要求1所述的对象跟踪方法，其特征在于，所述确定当前时刻的预测对象状态信息，包括：
获取历史时刻的对象状态信息；所述历史时刻的对象状态信息包括历史时刻的对象运动状态信息和历史时刻的对象轮廓状态信息；
确定对象状态移动轨迹；
基于所述历史时刻的对象状态信息和所述对象状态移动轨迹确定出所述当前时刻的预测对象状态信息。
3.根据权利要求1所述的对象跟踪方法，其特征在于，所述基于所述当前时刻的预测对象状态信息从所述聚类簇集中确定出目标聚类簇，包括：
根据所述当前时刻的预测对象状态信息确定出对象中心预测位置；
确定出所述聚类簇集中的每个聚类簇的中心位置；
根据所述对象中心预测位置和所述每个聚类簇的中心位置确定出距离集；所述距离集包括每个聚类簇的中心位置与所述对象中心预测位置的距离值；
从所述距离集中确定出目标距离值；所述目标距离值小于等于预设阈值；
将所述目标距离值对应的聚类簇确定为所述目标聚类簇。
4.根据权利要求3所述的对象跟踪方法，其特征在于，所述将所述目标距离值对应的聚类簇确定为所述目标聚类簇，包括：
将所述目标距离值对应的聚类簇确定为初始聚类簇；
基于所述初始聚类簇中的任意两个点云数据确定出关联关系；所述关联关系用于表征所述每个点的角度信息和速度信息的对应关系；
基于所述关联关系从所述初始聚类簇中筛选出所述目标聚类簇。
5.根据权利要求1所述的对象跟踪方法，其特征在于，所述基于所述预测对象状态信息和所述目标聚类簇确定出当前时刻的对象状态信息，包括：
从所述目标聚类簇中确定出目标位置信息集和目标角度信息集；
基于对象中心点预测位置、所述预测对象轮廓状态信息、所述目标位置信息集和所述目标角度信息集确定出位置偏移值；
根据所述预测对象位置信息和所述位置偏移值确定出对象量测预测位置；
基于所述目标角度信息集和所述预测对象速度信息确定出对象量测预测速度；
根据所述对象量测预测位置和所述对象量测预测速度确定出对象量测预测；
根据所述对象量测预测、所述预测对象状态信息和所述目标聚类簇确定出当前时刻的对象状态信息。
6.根据权利要求5所述的对象跟踪方法，其特征在于，所述根据所述对象量测预测、所述预测对象状态信息和所述目标聚类簇确定出当前时刻的对象状态信息，包括：
对所述对象量测预测、所述预测对象状态信息和所述目标聚类簇进行扩展卡尔曼滤波，得到所述当前时刻的对象状态信息。
7.根据权利要求1所述的对象跟踪方法，其特征在于，所述对所述当前时刻点云数据集进行聚类处理，得到聚类簇集，包括：
获取雷达车的运动信息；
基于所述雷达车的运动信息和所述点云数据集确定出目标点云数据集；
对所述目标点云数据集进行聚类处理，得到所述聚类簇。
8.一种对象跟踪装置，其特征在于，包括：
获取模块，用于获取当前时刻点云数据集；所述当前时刻点云数据集包括多个点的点云数据，所述多个点中的每个点的点云数据包括位置信息、速度信息和角度信息；
聚类模块，用于对所述当前时刻点云数据集进行聚类处理，得到聚类簇集；
第一状态信息确定模块，用于确定当前时刻的预测对象状态信息；所述预测对象状态信息包括预测对象运动状态信息和预测对象轮廓状态信息；所述预测对象运动状态信息包括预测对象位置信息和预测对象速度信息；所述预测对象轮廓状态信息包括轮廓上的多个参考点中每个参考点相对于预测对象中心点的位置信息；
目标聚类簇确定模块，用于基于所述当前时刻的预测对象状态信息从所述聚类簇集中确定出目标聚类簇；
第二状态信息确定模块，用于基于所述预测对象状态信息和所述目标聚类簇确定出当前时刻的对象状态信息；
跟踪模块，用于基于所述当前时刻的对象状态信息实现对所述对象的跟踪。
9.一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-7任一所述的对象跟踪方法。
10.一种车辆，其特征在于，所述车辆包括存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-7任意一项所述的对象跟踪方法。
CN202210286369.8A 2022-03-22 2022-03-22 一种对象跟踪方法、装置、电子设备及车辆 Active CN114779230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210286369.8A CN114779230B (zh) 2022-03-22 2022-03-22 一种对象跟踪方法、装置、电子设备及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210286369.8A CN114779230B (zh) 2022-03-22 2022-03-22 一种对象跟踪方法、装置、电子设备及车辆

Publications (2)

Publication Number Publication Date
CN114779230A true CN114779230A (zh) 2022-07-22
CN114779230B CN114779230B (zh) 2024-03-08

Family

ID=82424751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210286369.8A Active CN114779230B (zh) 2022-03-22 2022-03-22 一种对象跟踪方法、装置、电子设备及车辆

Country Status (1)

Country Link
CN (1) CN114779230B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117289255A (zh) * 2023-10-19 2023-12-26 广州行深智能科技有限公司 目标检测方法、装置、终端设备及存储介质
CN117872354A (zh) * 2024-03-11 2024-04-12 陕西欧卡电子智能科技有限公司 一种多毫米波雷达点云的融合方法、装置、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108445480A (zh) * 2018-02-02 2018-08-24 重庆邮电大学 基于激光雷达的移动平台自适应扩展目标跟踪系统及方法
CN109031279A (zh) * 2018-06-23 2018-12-18 中国人民解放军海军航空大学青岛校区 具有形状信息的多个群目标跟踪方法
CN111699406A (zh) * 2019-03-29 2020-09-22 深圳市大疆创新科技有限公司 毫米波雷达的跟踪检测方法、毫米波雷达和车辆
CN112505680A (zh) * 2019-09-13 2021-03-16 动态Ad有限责任公司 使用雷达的扩展对象跟踪
CN112991389A (zh) * 2021-03-24 2021-06-18 深圳一清创新科技有限公司 一种目标跟踪方法、装置及移动机器人
CN113093134A (zh) * 2021-02-23 2021-07-09 福瑞泰克智能系统有限公司 一种扩展目标的跟踪方法、装置、感知设备及车辆
US20210233261A1 (en) * 2018-07-06 2021-07-29 Bayerische Motoren Werke Aktiengesellschaft Object Tracking Based on Multiple Measurement Hypotheses
CN114137509A (zh) * 2021-11-30 2022-03-04 南京慧尔视智能科技有限公司 一种基于毫米波雷达点云聚类方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108445480A (zh) * 2018-02-02 2018-08-24 重庆邮电大学 基于激光雷达的移动平台自适应扩展目标跟踪系统及方法
CN109031279A (zh) * 2018-06-23 2018-12-18 中国人民解放军海军航空大学青岛校区 具有形状信息的多个群目标跟踪方法
US20210233261A1 (en) * 2018-07-06 2021-07-29 Bayerische Motoren Werke Aktiengesellschaft Object Tracking Based on Multiple Measurement Hypotheses
CN111699406A (zh) * 2019-03-29 2020-09-22 深圳市大疆创新科技有限公司 毫米波雷达的跟踪检测方法、毫米波雷达和车辆
CN112505680A (zh) * 2019-09-13 2021-03-16 动态Ad有限责任公司 使用雷达的扩展对象跟踪
US20210080558A1 (en) * 2019-09-13 2021-03-18 Aptiv Technologies Limited Extended Object Tracking Using RADAR
CN113093134A (zh) * 2021-02-23 2021-07-09 福瑞泰克智能系统有限公司 一种扩展目标的跟踪方法、装置、感知设备及车辆
CN112991389A (zh) * 2021-03-24 2021-06-18 深圳一清创新科技有限公司 一种目标跟踪方法、装置及移动机器人
CN114137509A (zh) * 2021-11-30 2022-03-04 南京慧尔视智能科技有限公司 一种基于毫米波雷达点云聚类方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117289255A (zh) * 2023-10-19 2023-12-26 广州行深智能科技有限公司 目标检测方法、装置、终端设备及存储介质
CN117872354A (zh) * 2024-03-11 2024-04-12 陕西欧卡电子智能科技有限公司 一种多毫米波雷达点云的融合方法、装置、设备及介质
CN117872354B (zh) * 2024-03-11 2024-05-31 陕西欧卡电子智能科技有限公司 一种多毫米波雷达点云的融合方法、装置、设备及介质

Also Published As

Publication number Publication date
CN114779230B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
CN114779230B (zh) 一种对象跟踪方法、装置、电子设备及车辆
CN114660330B (zh) 确定估计速度的不确定性估计的方法
Zaliskyi et al. Heteroskedasticity analysis during operational data processing of radio electronic systems
CN109917390A (zh) 基于雷达的车辆检测方法和系统
CN113109802B (zh) 目标运动状态判断方法、装置、雷达设备和存储介质
CN113419258B (zh) 一种定位异常检测方法及其相关设备
CN113009441B (zh) 一种雷达运动反射面多径目标的识别方法及装置
CN112394334A (zh) 雷达反射点的聚类装置、方法以及电子设备
CN112240999A (zh) 处理雷达反射的方法和系统
CN111562570A (zh) 基于毫米波雷达的面向自动驾驶的车辆感知方法
Agate et al. Road-constrained target tracking and identification using a particle filter
CN110325876B (zh) 用于车辆雷达系统的逆合成孔径雷达
CN112731307A (zh) 基于距离-角度联合估计的ratm-cfar检测器及检测方法
CN113093129A (zh) 车载雷达的自动标定方法、装置及终端设备
CN114973195A (zh) 基于多信息融合的车辆追踪方法、装置及系统
Jibrin et al. An object detection and classification method using radar and camera data fusion
CN108693517B (zh) 车辆定位方法、装置和雷达
Held et al. Micro-doppler extraction of bicycle pedaling movements using automotive radar
CN113866754B (zh) 基于高斯分布波门的运动目标航迹关联方法
CN112689773B (zh) 雷达信号处理方法和雷达信号处理装置
CN111768442B (zh) 一种基于层次聚类和逻辑法的航迹起始方法及系统
Lu et al. Cascaded object detection networks for FMCW radars
CN113514825A (zh) 道路边缘的获取方法、装置和终端设备
CN113390406B (zh) 基于被动多传感器系统的多目标数据关联与定位方法
Zhou et al. Human body recognition based on the sparse point cloud data from MIMO millimeter-wave radar for smart home

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