CN114859339B - 一种基于毫米波雷达的多目标跟踪方法 - Google Patents
一种基于毫米波雷达的多目标跟踪方法 Download PDFInfo
- Publication number
- CN114859339B CN114859339B CN202210473036.6A CN202210473036A CN114859339B CN 114859339 B CN114859339 B CN 114859339B CN 202210473036 A CN202210473036 A CN 202210473036A CN 114859339 B CN114859339 B CN 114859339B
- Authority
- CN
- China
- Prior art keywords
- radar
- track
- tracks
- clustering
- target
- 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 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 claims description 3
- 238000009833 condensation Methods 0.000 claims description 3
- 230000005494 condensation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241001239379 Calophysus macropterus Species 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达信号处理领域,具体提供一种基于毫米波雷达的多目标跟踪方法,可用于近距离场景下的毫米波雷达多目标跟踪。本发明充分利用毫米波雷达的多普勒维度信息,通过利用多普勒的D‑CJPDA算法计算航迹与雷达聚类目标的关联概率,并以级联匹配为框架,通过KM匹配算法实现数据关联;同时,本发明考虑到目标漏检情况,通过椭圆关联门算法对杂波点迹进行二次数据关联,降低目标跟踪丢失的概率;并且,对匹配成功的航迹,用隶属于同一聚类目标的雷达测量点迹进行替换后,再通过利用多普勒的PDAF滤波器进行航迹更新,进而提高多目标跟踪的精度。综上,本发明具有跟踪准确率高的优点。
Description
技术领域
本发明属于雷达信号处理领域,具体提供一种基于毫米波雷达的多目标跟踪方法,可用于近距离场景下的毫米波雷达多目标跟踪。
背景技术
随着雷达技术的快速发展以及现代军事和民用方面对多目标跟踪的需求不断提高,多目标跟踪技术的研究在不断深入,在军事方面(包括无人飞行器、精确制导、空中预警、战场监视等)、民用方面(包括移动机器人、智能交通系统、智能安防监控等)应用广泛。如今,多目标跟踪技术涉及到多个学科相关领域,按照多目标跟踪的整体过程划分,航迹的开始与结束、设置跟踪门限、对跟踪进行维持、数据的采集与处理、对采集数据进行关联处理等组成多目标跟踪的整体过程。作为将目标实际路径与采集数据进行比对和处理以比较采集数据所来源的目标的关键步骤,数据关联成为跟踪过程中最重要的环节。
和单目标跟踪相比,多目标跟踪对数据的处理过程更为困难和复杂;首先,如何确定跟踪目标的数量就是一个难题,并且需要将回波数据和目标一一对应;对于实际的雷达系统,各个传感器都或多或少存在一定的误差,同时,雷达系统的工作环境可能存在诸多干扰,对跟踪目标缺乏一定的先验知识,同时还有系统误差的影响。以上因素会使每个被跟踪目标和多个量测产生对应关系,这样的问题即数据关联问题,在多目标跟踪过程中被放大得更为严重,也成为了多目标跟踪的核心问题。
数据关联问题的解决,刚开始是贝叶斯准则上进行改进和完善,包括:最近邻域法、概率数据关联法、多假设跟踪法、联合概率数据关联法和经验联合概率数据关联算法等;当多目标跟踪邻域引入计算机视觉后,数据关联问题的解决思路开始变得丰富,如采用网络流模型,条件随机场模型,二部图模型等。基于深度学习的多目标跟踪经典算法DeepSort,将数据关联问题转换为带权重的二部图匹配问题,并实现KM算法解决航迹与目标的匹配;但是,基于毫米波雷达的多目标跟踪算法中,传统雷达目标状态信息只存在目标位置信息,相比于图像丰富的外观信息,计算数据关联指标误差较大;同时该算法采用贝叶斯准则的相关算法会导致计算复杂度成指数级增长,难以应用于实际场景需求。
发明内容
本发明的目的在于针对上述现有技术存在的缺陷,提出一种基于毫米波雷达的多目标跟踪方法;本发明充分利用毫米波雷达的多普勒维度信息,通过利用多普勒的D-CJPDA算法计算航迹与雷达聚类目标的关联概率,并以级联匹配为框架,通过KM匹配算法实现数据关联;同时,本发明考虑到目标漏检情况,通过椭圆关联门算法对杂波点迹进行二次数据关联,降低目标跟踪丢失的概率;并且,对匹配成功的航迹,用隶属于同一聚类目标的雷达测量点迹进行替换后,再通过利用多普勒的PDAF滤波器进行航迹更新,进而提高多目标跟踪的精度。
为实现上述目的,本发明采用的技术方案为:
一种基于毫米波雷达的多目标跟踪方法,其特征在于,包括以下步骤:
S1:对毫米波雷达回波信号,通过信号处理和聚类算法,得到雷达聚类目标与杂波点迹;
S2:对已有雷达航迹进行航迹预测,计算航迹预测值与雷达聚类目标间的互联概率;并基于根据雷达聚类目标与航迹预测值的欧式距离对互联概率进行二次加权,得到雷达航迹与聚类目标间的数据关联矩阵;
S3:以级联匹配为框架,针对雷达航迹与聚类目标间的数据关联矩阵通过KM匹配算法,得到匹配的雷达航迹与聚类目标;
S4:对未匹配的航迹,采用基于卡方分布的椭圆关联门算法进行航迹与杂波点迹的二次数据关联,得到匹配的航迹和雷达目标;
S5:对所有匹配的航迹,采用利用多普勒的卡尔曼滤波算法进行航迹更新;
S6:对未匹配的雷达聚类目标生成新的暂时航迹,并删除最新更新时间超过预设阈值Th3的航迹。
进一步的,步骤S1中,具体过程为:
S1.1:解析雷达采样数据为可处理回波数据:将二进制采样数据转换为十进制回波数据,并通过距离-多普勒FFT变换得到距离-多普勒频谱;
S1.2:对多元接收天线的距离-多普勒频谱取模做非相参积累,并进行二维恒虚警检测,得到雷达测量点迹及其距离、速度;
S1.3:对多元接收天线的距离-多普勒频谱,通过多重信号分类算法,估计每一个雷达测量点迹对应的方位角;
S1.4:针对每一个雷达测量点迹,根据其距离与方位角计算出该点迹在直角坐标系的位置,对转换后所有雷达测量点迹采用DBSCAN聚类算法进行点迹凝聚,得到雷达聚类目标与杂波点迹。
进一步的,步骤S2中,具体过程为:
S2.1:基于已有雷达航迹,通过卡尔曼预测方程计算得到当前时刻的航迹预测值,并更新航迹最近更新时间;
S2.2:采用无偏量测转化技术将雷达聚类目标的状态参数转换到直角坐标系;
S2.3:计算雷达聚类目标与航迹预测值间的残差和协方差矩阵;
S2.4:由残差和协方差矩阵计算雷达聚类目标与航迹预测值间的高斯似然函数值;
S2.5:计算雷达聚类目标与航迹预测值的欧式距离;
S2.6:根据D-CJPDA算法公式,由高斯似然函数值计算航迹预测值与聚类目标的互联概率,具体为:雷达聚类目标j与航迹预测值t的互联概率βj t为:
S2.7:根据雷达聚类目标与航迹预测值的欧式距离,对互联概率进行二次加权,得到雷达航迹与聚类目标间的数据关联矩阵;二次加权具体为:
进一步的,步骤S3中,具体过程为:
S3.1依最近更新时间由小到大顺序,针对每一个最近更新时间执行以下步骤:
S3.1.1:针对最近更新时间相同的可靠航迹,将雷达航迹与聚类目标间的数据关联矩阵中对应可靠航迹的数据关联矩阵取出、并做归一化处理;
S3.1.2:采用KM匹配算法处理归一化后数据关联矩阵,对可靠航迹进行数据关联,即航迹与聚类目标的匹配;
S3.1.3:对匹配成功的可靠航迹,判断聚类目标与该航迹预测值的欧式距离是否小于预设阈值Th1,若是、则判定匹配成功,并将匹配目标从雷达聚类目标中删除;
S3.2:针对未匹配的可靠航迹与暂时航迹,通过KM匹配算法与剩余雷达聚类目标进行数据关联,得到匹配的航迹和雷达聚类目标。
进一步的,步骤S4中,二次数据关联具体为:计算杂波点迹与未匹配航迹间的马氏距离,并与自由度为3、置信度为0.97的卡方分布对应阈值进行比较,如果满足阈值,则数据关联成功。
进一步的,步骤S5中,具体过程为:
S5.1:对所有匹配成功的聚类目标,将其替换为隶属于该聚类目标的雷达观测点迹;
S5.2:针对每一个匹配成功的雷达航迹,将其对应的雷达观测点迹通过利用多普勒的概率数据关联滤波器(PDAF)进行航迹更新;
S5.3:更新航迹质量参数与航迹最近更新时间,并针对暂时航迹进行判定:若航迹质量参数超过预设阈值Th2、则将该航迹升级为可靠航迹。
本发明的有益效果在于:
本发明提供一种基于毫米波雷达的多目标跟踪方法,本发明首先在级联匹配框架下,采用利用多普勒的D-CJPDA算法计算航迹与雷达聚类目标的关联概率,并通过KM匹配算法和椭圆关联门算法进行多次数据关联,提高了数据关联的准确率,并降低目标漏检对目标跟踪的影响。同时利用利用多普勒的PDAF滤波器进行航迹更新,提高了多目标跟踪的精度。从而实现在较为复杂的环境下对多个目标航迹的预测与跟踪。综上,本发明具有跟踪准确率高的优点。
附图说明
图1为本发明中毫米波雷达的多目标跟踪方法的流程图。
图2为本发明实施例中多目标跟踪仿真形成的轨迹图。
图3为本发明实施例中多目标跟踪实际测量形成的轨迹图。
具体实施方式
下面根据附图和优选实施例对本发明进行详细说明,使本发明的目的与效果更加清楚完整;其中,涉及缩写语与关键语定义如下:
D-CJPDA(Distance-Cheap Joint Probability Data Association,距离加权的经验联合概率数据关联)、
PDA(Probability Data Association,联合概率数据关联)、
KM(Kuhn-Munkres,加权的匈牙利匹配算法)。
本实施例提供一种基于毫米波雷达的多目标跟踪方法,其流程如图1所示,具体包括以下步骤:
S1:对毫米波雷达回波信号,通过信号处理和聚类算法,得到雷达聚类目标与杂波点迹;具体如下所示:
S1.1:解析雷达采样数据为可处理回波数据:将二进制采样数据转换为十进制回波数据,并通过距离-多普勒FFT变换得到距离-多普勒频谱;
S1.2:对多元接收天线的距离-多普勒频谱取模做非相参积累,并进行二维恒虚警检测,得到雷达测量点迹及其距离、速度;
S1.3:对多元接收天线的距离-多普勒频谱,通过多重信号分类算法,估计每一个雷达测量点迹对应的方位角;
S1.4:针对每一个雷达测量点迹,根据其距离与方位角计算出该点迹在直角坐标系的位置,对转换后所有雷达测量点迹采用DBSCAN聚类算法进行点迹凝聚,得到雷达聚类目标与杂波点迹;
S2:对已有雷达航迹进行航迹预测,计算航迹预测值与雷达聚类目标间的互联概率;具体如下:
S2.1:基于已有雷达航迹,通过卡尔曼预测方程计算得到当前时刻的航迹预测值,并更新航迹最近更新时间;
S2.2:采用无偏量测转化技术将雷达聚类目标的状态参数转换到直角坐标系;
S2.3:计算雷达聚类目标与航迹预测值间的残差和协方差矩阵;
S2.4:由残差和协方差矩阵计算雷达聚类目标与航迹预测值间的高斯似然函数值;
S2.5:计算雷达聚类目标与航迹预测值的欧式距离;
S2.6:根据D-CJPDA算法公式,由高斯似然函数值计算航迹预测值与聚类目标的互联概率;
其中,
其中,m为雷达聚类目标数量,T为已有雷达航迹数量,为雷达聚类目标j与航迹预测值t间的高斯似然函数值;vj(k)和S(k)为k时刻对应的残差和协方差矩阵;B为预设常数,用以防止分母为零,一般设置为极小的正常数;
S2.7:根据雷达聚类目标与航迹预测值的欧式距离,对互联概率进行二次加权,得到雷达航迹与聚类目标间的数据关联矩阵;
具体为:
S3:以级联匹配为框架,针对雷达航迹与聚类目标间的数据关联矩阵通过KM匹配算法,得到匹配后的雷达航迹与聚类目标;具体如下:
S3.1依最近更新时间由小到大顺序,针对每一个最近更新时间执行以下步骤:
S3.1.1:针对最近更新时间相同的可靠航迹,将雷达航迹与聚类目标间的数据关联矩阵中对应可靠航迹的数据关联矩阵取出、并做归一化处理;
S3.1.2:采用KM匹配算法处理归一化后数据关联矩阵,对可靠航迹进行数据关联,即航迹与聚类目标的匹配;
S3.1.3:对匹配成功的可靠航迹,判断聚类目标与该航迹预测值的欧式距离是否小于预设阈值Th1(本实施例中,设为0.6m),若是、则判定匹配成功,并将匹配目标从雷达聚类目标中删除;
S3.2:针对未匹配的可靠航迹与暂时航迹,通过KM匹配算法与剩余雷达聚类目标进行数据关联,得到匹配的航迹和雷达聚类目标;
S4:对未匹配的航迹,采用基于卡方分布的椭圆关联门算法进行航迹与杂波点迹的二次数据关联,得到匹配的航迹和雷达目标;二次数据关联具体为:计算杂波点迹与未匹配航迹间的马氏距离,并与自由度为3、置信度为0.97的卡方分布对应阈值进行比较,如果满足阈值,则数据关联成功;
S5:对所有匹配的航迹,采用利用多普勒的卡尔曼滤波算法进行航迹更新,具体如下:
S5.1:对所有匹配成功的聚类目标,将其替换为隶属于该聚类目标的雷达观测点迹;
S5.2:针对每一个匹配成功的雷达航迹,将其对应的雷达观测点迹通过利用多普勒的概率数据关联滤波器(PDAF)进行航迹更新;
S5.3:更新航迹质量参数与航迹最近更新时间,并针对暂时航迹进行判定:若航迹质量参数超过预设阈值Th2(本实施例中,设置为3)、则将该航迹升级为可靠航迹;
S6:对未匹配的雷达聚类目标生成新的暂时航迹,并删除最新更新时间超过预设阈值Th3(本实施例中,设置为30)的航迹。
下面结合测试进一步说明本发明的有益效果:
1.测试条件:
本实施例中,所采用的毫米波雷达为NXP MR3003毫米波雷达,采用毫米波雷达上位机进行数据采样;所采用的发射天线增益为15dBm、接收天线增益为14dBm;毫米波雷达采用的载波频率为76500MHz,最远探测距离为20m,最大探测速度为25km/h。
2.测试内容:
本实施例中,首先进行仿真实验,假设存在三个目标初始距离较近,分别沿着雷达方位角为-0.12、0、0.12弧度进行匀速直线运动,假设在跟踪平面设置3个两两交叉运动的目标,分别设置初始位置分别为X1(0)=[-4.0m,0.3m/s,0.0m,1.3m/s]T,X2(0)=[-0.0m,0.0m/s,0.0m,1.3m/s]T,X3(0)=[4.0m,0.5m/s,0.0m,1.3m/s]T,连续160帧共计16s进行多目标跟踪,得到多目标跟踪仿真图如图2所示。由仿真结果可知,本发明可准确识别出3个目标的航迹、且在航迹跟踪过程中没有发生轨迹跳变,表面本发明能够实现较为复杂环境下的稳定跟踪。
本实施例中,采用自制数据集进行实际测量验证,通过上位机平台采样雷达数据,数据集评估指标为MOTA、FN、FP、IDs四种评估指标;同时,本发明以DeepSort与FairMoT分别作为对比例,进行指标对比。实际测量场景为三个行人往返运动、共计163帧耗时16.3s,多目标跟踪轨迹图如图3所示、评估指标如表1所示;由表可知,本发明毫米波雷达跟踪ID切换次数显著减少,表面本发明采用改进的数据关联算法使得目标跟踪准确度大幅提高,同时,通过对杂波点迹的二次聚类,降低聚类算法导致目标漏检的可能性,从而大大提高多目标跟踪指标。
表1:本发明与对比例的评估指标对比表
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (4)
1.一种基于毫米波雷达的多目标跟踪方法,其特征在于,包括以下步骤:
S1:对毫米波雷达回波信号,通过信号处理和聚类算法,得到雷达聚类目标与杂波点迹;
S2:对已有雷达航迹进行航迹预测,计算航迹预测值与雷达聚类目标间的互联概率;并基于根据雷达聚类目标与航迹预测值的欧式距离对互联概率进行二次加权,得到雷达航迹与聚类目标间的数据关联矩阵;具体过程为:
S2.1:基于已有雷达航迹,通过卡尔曼预测方程计算得到当前时刻的航迹预测值,并更新航迹最近更新时间;
S2.2:采用无偏量测转化技术将雷达聚类目标的状态参数转换到直角坐标系;
S2.3:计算雷达聚类目标与航迹预测值间的残差和协方差矩阵;
S2.4:由残差和协方差矩阵计算雷达聚类目标与航迹预测值间的高斯似然函数值;
S2.5:计算雷达聚类目标与航迹预测值的欧式距离;
S2.7:根据雷达聚类目标与航迹预测值的欧式距离,对互联概率进行二次加权,得到雷达航迹与聚类目标间的数据关联矩阵;二次加权具体为:
S3:以级联匹配为框架,针对雷达航迹与聚类目标间的数据关联矩阵通过KM匹配算法,得到匹配的雷达航迹与聚类目标;具体过程为:
S3.1依最近更新时间由小到大顺序,针对每一个最近更新时间执行以下步骤:
S3.1.1:针对最近更新时间相同的可靠航迹,将雷达航迹与聚类目标间的数据关联矩阵中对应可靠航迹的数据关联矩阵取出、并做归一化处理;
S3.1.2:采用KM匹配算法处理归一化后数据关联矩阵,对可靠航迹进行数据关联,即航迹与聚类目标的匹配;
S3.1.3:对匹配成功的可靠航迹,判断聚类目标与该航迹预测值的欧式距离是否小于预设阈值Th1,若是、则判定匹配成功,并将匹配目标从雷达聚类目标中删除;
S3.2:针对未匹配的可靠航迹与暂时航迹,通过KM匹配算法与剩余雷达聚类目标进行数据关联,得到匹配的航迹和雷达聚类目标;
S4:对未匹配的航迹,采用基于卡方分布的椭圆关联门算法进行航迹与杂波点迹的二次数据关联,得到匹配的航迹和雷达目标;
S5:对所有匹配的航迹,采用利用多普勒的卡尔曼滤波算法进行航迹更新;
S6:对未匹配的雷达聚类目标生成新的暂时航迹,并删除最新更新时间超过预设阈值Th3的航迹。
2.按权利要求1基于毫米波雷达的多目标跟踪方法,其特征在于,步骤S1中,具体过程为:
S1.1:解析雷达采样数据为可处理回波数据:将二进制采样数据转换为十进制回波数据,并通过距离-多普勒FFT变换得到距离-多普勒频谱;
S1.2:对多元接收天线的距离-多普勒频谱取模做非相参积累,并进行二维恒虚警检测,得到雷达测量点迹及其距离、速度;
S1.3:对多元接收天线的距离-多普勒频谱,通过多重信号分类算法,估计每一个雷达测量点迹对应的方位角;
S1.4:针对每一个雷达测量点迹,根据其距离与方位角计算出该点迹在直角坐标系的位置,对转换后所有雷达测量点迹采用DBSCAN聚类算法进行点迹凝聚,得到雷达聚类目标与杂波点迹。
3.按权利要求1基于毫米波雷达的多目标跟踪方法,其特征在于,步骤S4中,二次数据关联具体为:计算杂波点迹与未匹配航迹间的马氏距离,并与自由度为3、置信度为0.97的卡方分布对应阈值进行比较,如果满足阈值,则数据关联成功。
4.按权利要求1基于毫米波雷达的多目标跟踪方法,其特征在于,步骤S5中,具体过程为:
S5.1:对所有匹配成功的聚类目标,将其替换为隶属于该聚类目标的雷达观测点迹;
S5.2:针对每一个匹配成功的雷达航迹,将其对应的雷达观测点迹通过利用多普勒的概率数据关联滤波器(PDAF)进行航迹更新;
S5.3:更新航迹质量参数与航迹最近更新时间,并针对暂时航迹进行判定:若航迹质量参数超过预设阈值Th2、则将该航迹升级为可靠航迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210473036.6A CN114859339B (zh) | 2022-04-29 | 2022-04-29 | 一种基于毫米波雷达的多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210473036.6A CN114859339B (zh) | 2022-04-29 | 2022-04-29 | 一种基于毫米波雷达的多目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114859339A CN114859339A (zh) | 2022-08-05 |
CN114859339B true CN114859339B (zh) | 2023-06-02 |
Family
ID=82636097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210473036.6A Active CN114859339B (zh) | 2022-04-29 | 2022-04-29 | 一种基于毫米波雷达的多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114859339B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115407273B (zh) * | 2022-08-29 | 2024-01-05 | 哈尔滨工业大学(威海) | 一种特定安防区域监控提醒报警装置及方法 |
CN115236627B (zh) * | 2022-09-21 | 2022-12-16 | 深圳安智杰科技有限公司 | 一种基于多帧多普勒速度扩维的毫米波雷达数据聚类方法 |
CN115964640B (zh) * | 2022-10-06 | 2023-09-12 | 北京理工大学 | 一种改进的基于模板匹配的二次目标分群方法 |
CN115345908B (zh) * | 2022-10-18 | 2023-03-07 | 四川启睿克科技有限公司 | 一种基于毫米波雷达的人体姿态识别方法 |
CN115825914B (zh) * | 2023-02-14 | 2023-04-25 | 北京七星华创微波电子技术有限公司 | 一种雷达微波功率合成数据信息处理方法 |
CN115840221B (zh) * | 2023-02-20 | 2023-04-25 | 上海几何伙伴智能驾驶有限公司 | 基于4d毫米波雷达实现目标特征提取与多目标跟踪的方法 |
CN116448115B (zh) * | 2023-04-07 | 2024-03-19 | 连云港杰瑞科创园管理有限公司 | 基于导航雷达和光电的无人艇概率距离地图构建方法 |
CN116430345B (zh) * | 2023-06-12 | 2023-09-12 | 中国民航管理干部学院 | 一种基于5g网络的低空无人机多目标反射源分离方法 |
CN117111053B (zh) * | 2023-10-23 | 2024-02-27 | 武汉未来幻影科技有限公司 | 一种毫米波雷达跟踪结果的处理方法、装置以及处理设备 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5400264A (en) * | 1993-04-29 | 1995-03-21 | International Business Machines Corporation | Suboptimal joint probabilistic data association |
JP2002311132A (ja) * | 2001-04-10 | 2002-10-23 | Mitsubishi Electric Corp | 追尾装置 |
JP2004198345A (ja) * | 2002-12-20 | 2004-07-15 | Mitsubishi Electric Corp | 目標追尾装置 |
JP2017067624A (ja) * | 2015-09-30 | 2017-04-06 | 三菱電機株式会社 | 目標追尾装置及びレーダ装置 |
CN106680806A (zh) * | 2016-11-24 | 2017-05-17 | 清华大学 | 一种多雷达点迹融合方法 |
CN108303692A (zh) * | 2018-01-30 | 2018-07-20 | 哈尔滨工业大学 | 一种解多普勒模糊的多目标跟踪方法 |
CN108303684A (zh) * | 2018-01-31 | 2018-07-20 | 长沙深之瞳信息科技有限公司 | 基于径向速度信息的地基监视雷达多目标跟踪方法 |
CN109581353A (zh) * | 2018-11-27 | 2019-04-05 | 北京信息科技大学 | 一种基于汽车雷达的多目标跟踪方法及系统 |
CN109917347A (zh) * | 2019-04-10 | 2019-06-21 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
CN110542885A (zh) * | 2019-08-13 | 2019-12-06 | 北京理工大学 | 一种复杂交通环境下的毫米波雷达目标跟踪方法 |
CN111007495A (zh) * | 2019-12-10 | 2020-04-14 | 西安电子科技大学 | 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法 |
CN112036471A (zh) * | 2020-08-28 | 2020-12-04 | 四川长虹电器股份有限公司 | 一种基于毫米波雷达的多人跟踪方法 |
CN112285700A (zh) * | 2020-08-24 | 2021-01-29 | 江苏大学 | 基于激光雷达与毫米波雷达融合的机动目标跟踪方法 |
CN112505679A (zh) * | 2019-09-13 | 2021-03-16 | 英飞凌科技股份有限公司 | 人体目标跟踪系统及方法 |
CN112526521A (zh) * | 2020-11-25 | 2021-03-19 | 湖北工业大学 | 一种汽车毫米波防撞雷达的多目标跟踪方法 |
CN113064155A (zh) * | 2021-03-18 | 2021-07-02 | 沈阳理工大学 | 一种空中雷达多目标跟踪下航迹关联的优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100844287B1 (ko) * | 2002-02-08 | 2008-07-09 | 록히드 마틴 코포레이션 | 파편 트래킹을 위하여 도플러 트랙 상관시키는 시스템 및 방법 |
NL1020287C2 (nl) * | 2002-04-02 | 2003-10-03 | Thales Nederland Bv | Werkwijze voor meerdoelendetectie, met name voor toepassing in rondzoekradars met meerbundelvorming in elevatie. |
-
2022
- 2022-04-29 CN CN202210473036.6A patent/CN114859339B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5400264A (en) * | 1993-04-29 | 1995-03-21 | International Business Machines Corporation | Suboptimal joint probabilistic data association |
JP2002311132A (ja) * | 2001-04-10 | 2002-10-23 | Mitsubishi Electric Corp | 追尾装置 |
JP2004198345A (ja) * | 2002-12-20 | 2004-07-15 | Mitsubishi Electric Corp | 目標追尾装置 |
JP2017067624A (ja) * | 2015-09-30 | 2017-04-06 | 三菱電機株式会社 | 目標追尾装置及びレーダ装置 |
CN106680806A (zh) * | 2016-11-24 | 2017-05-17 | 清华大学 | 一种多雷达点迹融合方法 |
CN108303692A (zh) * | 2018-01-30 | 2018-07-20 | 哈尔滨工业大学 | 一种解多普勒模糊的多目标跟踪方法 |
CN108303684A (zh) * | 2018-01-31 | 2018-07-20 | 长沙深之瞳信息科技有限公司 | 基于径向速度信息的地基监视雷达多目标跟踪方法 |
CN109581353A (zh) * | 2018-11-27 | 2019-04-05 | 北京信息科技大学 | 一种基于汽车雷达的多目标跟踪方法及系统 |
CN109917347A (zh) * | 2019-04-10 | 2019-06-21 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
CN110542885A (zh) * | 2019-08-13 | 2019-12-06 | 北京理工大学 | 一种复杂交通环境下的毫米波雷达目标跟踪方法 |
CN112505679A (zh) * | 2019-09-13 | 2021-03-16 | 英飞凌科技股份有限公司 | 人体目标跟踪系统及方法 |
EP3792659A1 (en) * | 2019-09-13 | 2021-03-17 | Infineon Technologies AG | Human target tracking system and method |
CN111007495A (zh) * | 2019-12-10 | 2020-04-14 | 西安电子科技大学 | 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法 |
CN112285700A (zh) * | 2020-08-24 | 2021-01-29 | 江苏大学 | 基于激光雷达与毫米波雷达融合的机动目标跟踪方法 |
CN112036471A (zh) * | 2020-08-28 | 2020-12-04 | 四川长虹电器股份有限公司 | 一种基于毫米波雷达的多人跟踪方法 |
CN112526521A (zh) * | 2020-11-25 | 2021-03-19 | 湖北工业大学 | 一种汽车毫米波防撞雷达的多目标跟踪方法 |
CN113064155A (zh) * | 2021-03-18 | 2021-07-02 | 沈阳理工大学 | 一种空中雷达多目标跟踪下航迹关联的优化方法 |
Non-Patent Citations (9)
Title |
---|
Joint radar scheduling and beampattern design for multitarget tracking in netted colocated MIMO radar systems;Sun, H., Li, M., Zuo, L., & Zhang, P;《 IEEE Signal Processing Letters》(第28期);1863-1867 * |
Multi‐target trackers using cubature Kalman filter for Doppler radar tracking in clutter;Roy, A., & Mitra, D;《IET Signal Processing》;第10卷(第8期);888-901 * |
Radar and vision fusion for the real-time obstacle detection and identification;X Zhang;《Industrial Robot》;第46卷(第3期);391-395 * |
Research of target detection and classification techniques using millimeter-wave radar and vision sensors;Wang, Z., Miao, X., Huang, Z., & Luo, H;《Remote Sensing》;第13卷(第6期);1-4 * |
Unified Time- and Frequency-Domain Study on Time-Modulated Arrays;Q. J. Zhu;《IEEE Transactions on Antennas and Propagation》;第61卷(第6期);3069-3076 * |
一种基于D-CJPDA的多目标数据互联算法;韩蕾蕾;《电光与控制》(第06期);10-14 * |
光控相控阵天线中的光实时延时技术;严济鸿;何子述;曹俊友;王章静;;《光通信技术》(第07期);37-40 * |
基于联合概率数据关联的车用多传感器目标跟踪融合算法;王鹏宇等;《吉林大学学报》;第49卷(第5期);1420-1427 * |
高频地波雷达多目标跟踪系统;罗亚;廖庆敏;王德生;;《太赫兹科学与电子信息学报》;第13卷(第01期);36-39 * |
Also Published As
Publication number | Publication date |
---|---|
CN114859339A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114859339B (zh) | 一种基于毫米波雷达的多目标跟踪方法 | |
CN113093170B (zh) | 一种基于knn算法的毫米波雷达室内人员检测方法 | |
CN109633589A (zh) | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 | |
US8718323B2 (en) | Batch detection association for enhanced target descrimination in dense detection environments | |
Wei et al. | Joint detection, tracking, and classification of multiple targets in clutter using the PHD filter | |
CN112881993B (zh) | 自动识别雷达分布杂波引起虚假航迹的方法 | |
CN109791200B (zh) | 基于轨迹跟踪的导线和塔架分类 | |
CN113156417B (zh) | 反无人机探测系统、方法和雷达设备 | |
CN113050797A (zh) | 一种通过毫米波雷达实现手势识别的方法 | |
CN113516037A (zh) | 海上船只航迹片段关联方法、系统、存储介质及设备 | |
CN114609626A (zh) | 一种车载毫米波雷达多目标检测方法 | |
CN114966589A (zh) | 一种基于毫米波雷达的多目标检测方法 | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN113702940A (zh) | 基于多元特征信息分层融合空间集群目标分辨方法及应用 | |
CN113064489A (zh) | 一种基于L1-Norm的毫米波雷达手势识别方法 | |
CN116430345B (zh) | 一种基于5g网络的低空无人机多目标反射源分离方法 | |
Fang et al. | JTEA: A Joint Trajectory Tracking and Estimation Approach for Low-Observable Micro-UAV Monitoring with 4D Radar | |
CN112816973B (zh) | 一种跟踪信息辅助的目标检测方法 | |
CN113408422B (zh) | 一种适用于微弱目标的多帧联合检测跟踪与分类方法 | |
Chi et al. | Fast generalized labeled multi-Bernoulli tracking algorithm based on box particle filtering | |
Guan et al. | Dual‐labelled multi‐Bernoulli filter based on specific emitter identification | |
CN114460547A (zh) | 一种基于doa聚类算法的被动雷达抗有源诱偏方法 | |
이규정 | Exploiting Velocity Information to Alleviate Association Uncertainty in Radar Dim Target Tracking | |
CN113495269A (zh) | 一种局域监视多雷达目标跟踪方法 |
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 |