CN115792890A

CN115792890A - 基于凝聚量测自适应互联的雷达多目标跟踪方法及系统

Info

Publication number: CN115792890A
Application number: CN202310066523.5A
Authority: CN
Inventors: 崔雄文; 王维
Original assignee: Dfine Technology Co Ltd
Current assignee: Dfine Technology Co Ltd
Priority date: 2023-02-06
Filing date: 2023-02-06
Publication date: 2023-03-14
Anticipated expiration: 2043-02-06
Also published as: CN115792890B

Abstract

本发明涉及雷达信号处理技术领域，公开了基于凝聚量测自适应互联的雷达多目标跟踪方法及系统，该方法，对雷达点云数据进行聚类形成凝聚点云，并采用局部联合概率数据互联方法对凝聚点云和目标轨迹进行自适应关联，根据关联结果对各个目标轨迹的运动状态进行迭代滤波估计，从而实现对雷达多目标的跟踪。本发明解决了现有技术存在的跟踪精度低、计算量大、处理速度慢等问题。

Description

基于凝聚量测自适应互联的雷达多目标跟踪方法及系统

技术领域

本发明涉及雷达信号处理技术领域，具体是基于凝聚量测自适应互联的雷达多目标跟踪方法及系统。

背景技术

雷达信号处理(RadarSignal Processing，RSP)是雷达领域的一个重要方向，直接关系到雷达对目标的感知和测量能力，是雷达产品功能和性能指标的重要方面。多目标跟踪(Multiple Object Tracking，MOT)是雷达信号处理领域的一项核心技术，稳定准确的MOT算法能够精确计算每个目标的位置、速度参数，生成每个目标连续稳定的运动轨迹，从而提取对应用场景中目标的数量信息和每个目标的运动信息，实现对多目标的测量感知。

MOT算法在图像处理和视频处理领域也有广泛的应用，但是雷达领域中MOT算法与和图像、视频领域应用场景和实用条件不同。图像和视频领域，目标的轮廓、外观、属性信息在图像上或者视频中能够清晰地表现，因此可以用传统图像特征提取以及深度学习等方法，实现对目标的特征提取，得到目标高维度、丰富有效的量测信息。雷达领域，很难在雷达回波中较好地体现目标的轮廓、外观、属性信息，采用的特征提取方法更多是时频分析以及超分辨率测角等传统的距离测量、角度测量、多普勒测量方法，得到的是低维度、简单模糊的目标量测信息(在专业领域或者专业文献中，一般将雷达目标量测信息称为雷达点云(PointCloud))，因此对MOT算法的性能要求更高。

已有的雷达MOT算法采用和图像领域相似的方法，采用简单的全局最近邻关联(Global Nearest Neighbor, GNN)方法，基于原始的雷达点云数据进行轨迹-点云关联以及状态滤波，完成多目标跟踪。这种简单的方法无法对低维度的雷达目标量测信息进行有效处理，对复杂场景下密集目标的跟踪精度降低，而且随着点云数据的增加，计算量会大幅度增加，处理速度大幅度减小。

发明内容

为克服现有技术的不足，本发明提供了基于凝聚量测自适应互联的雷达多目标跟踪方法及系统，解决现有技术存在的跟踪精度低、计算量大、处理速度慢等问题。

本发明解决上述问题所采用的技术方案是：

基于凝聚量测自适应互联的雷达多目标跟踪方法，对雷达点云数据进行聚类形成凝聚点云，并采用局部联合概率数据互联方法对凝聚点云和目标轨迹进行自适应关联，根据关联结果对各个目标轨迹的运动状态进行迭代滤波估计，从而实现对雷达多目标的跟踪。

作为一种优选的技术方案，包括以下步骤：

S1，点云数据采集：采用雷达采集点云数据；

S2，轨迹预测：对前p帧点云数据，采用基于逻辑的轨迹起始方法，得到起始轨迹，并扩展试探性轨迹；其中，p≥3；

S3，量测聚类：在后续的每一帧点云数据，根据上一帧点云数据的轨迹数量和每一条轨迹的预测位置，对量测进行聚类；

S4，轨迹更新：对凝聚点云和当前轨迹进行点-航关联，更新轨迹状态；

S5，轨迹起始：采用基于逻辑的轨迹起始方法，对步骤S3中的孤立量测进行轨迹起始；

S6，轨迹终止：对步骤S2至步骤S5中的轨迹，若轨迹-点云关联中没有关联到任何凝聚点云，则终止轨迹状态更新，清除轨迹。

作为一种优选的技术方案，步骤S1中，对多个距离、多个角度的人员、车辆目标的点云进行采集，点云的存储方式为下式所示的数组：

；其中，k表示点云的帧的编号，j表示某帧中的量测编号，

为第k帧的第j个量测，

表示量测的位置，

表示量测的多普勒。

作为一种优选的技术方案，p＝3，步骤S2包括以下步骤：

S21，根据前两次帧的量测形成一个量测组，估计速度，如果速度在设定的门限内，则这两个量测可以形成一条试探性的轨迹，速度估计公式为：

；其中，

表示试探轨迹对应的速度，

表示矢量

的第二范数，i、j表示量测编号，

表示第2帧中第i个量测的位置，

表示第1帧第j个量测的位置，t _f表示帧周期；

S22，在第三帧中，预测试探性轨迹的位置，并以此位置为中心建立波门。预测位置的计算方式为：

；其中，

表示试探性轨迹的预测位置；

S23，在第三帧的量测中，如果有任一量测落入波门之中，即可确认形成新的轨迹，确认公式为：

；其中，

表示第3帧中第i个量测的位置，

表示波门半径。

作为一种优选的技术方案，步骤S3中，假设上一帧中有M条轨迹，当前帧有N个量测，则轨迹对应的预测位置为：

；

量测对应的位置为：

；

对每一条轨迹，计算离预测位置最近的量测

，作为聚类中心起始点；

若最近的量测距离大于第一阈值

，则聚类数量减1，不计算对应的聚类中心

；

设最后聚类数量为M-P，则有：

；

式中，

；

其中，

表示聚类中心起始点，

表示离预测位置最近的量测在当前帧的编号，

表示求最小值对应的解，

表示

取最小值时j对应的值，

表示离预测位置最近的量测，

表示空集，

表示第K帧，

表示当前帧轨迹数量，

表示当前帧量测数量，

表示聚类减少的数量；

对于每一个聚类，从聚类中心开始，假设某一个未聚类的量测，与该类中的任何一个量测距离小于第二阈值

，则将该量测加入到这个聚类中。

作为一种优选的技术方案，步骤S3中，对于每一个聚类，计算属于该类的量测数量，更新聚类中心；聚类中心的位置和多普勒通过类内的所有量测对应值平均得到，即得到M-P个凝聚点：

；

没有加入任意一个聚类的离散量测集合为：

；

其中，

表示第i个凝聚点的位置，

表示第i个凝聚点的多普勒速度，

表示第i个凝聚点包含的原始点云数量，

表示第i个离散量测的位置，

表示第i个离散量测的多普勒速度，Q表示孤立量测的数量。

作为一种优选的技术方案，步骤S4中，采用局部JPDA算法更新轨迹状态，包括以下步骤：

S41，根据马氏距离计算当前轨迹的跟踪波门；

S42，统计凝聚点云落在各条轨迹跟踪波门内的情况；

S43，若两条轨迹的波门重叠区域有凝聚点云，将这两条轨迹及凝聚点云归入到同一个局部集合，若其中一条轨迹已有局部集合，则将另一条轨迹也归入这个局部集合中；

S44，对每一个局部集合内的轨迹和凝聚点云集合，采用局部联合概率数据互联方法进行轨迹-点云数据互联及状态滤波，更新轨迹的运动状态矢量；其中，局部联合概率数据互联方法摒弃全局的轨迹-点云关联，将轨迹和点云分解为一系列的轨迹-点云群，在各个轨迹-点云群内进行局部的轨迹-点云关联。

作为一种优选的技术方案，步骤S5中，采用基于逻辑的轨迹起始方法对量测聚类中的孤立量测进行轨迹起始。

作为一种优选的技术方案，步骤S6中，若连续q帧未关联到任意点云，则认为轨迹对应的目标已经消失、雷达未检测到对应的点云，将轨迹清除，终止轨迹的状态更新估计；其中，3≤q≤10。

基于凝聚量测自适应互联的雷达多目标跟踪系统，用于实现所述的基于凝聚量测自适应互联的雷达多目标跟踪方法，包括依次相连的以下模块：

点云数据采集模块：用以，采用雷达采集点云数据；

轨迹预测模块：用以，对前p帧点云数据，采用基于逻辑的轨迹起始方法，得到起始轨迹，并扩展试探性轨迹；其中，p≥3；

量测聚类模块：用以，在后续的每一帧点云数据，根据上一帧点云数据的轨迹数量和每一条轨迹的预测位置，对量测进行聚类；

轨迹更新模块：用以，对凝聚点云和当前轨迹进行点-航关联，更新轨迹状态；

轨迹起始模块：用以，采用基于逻辑的轨迹起始方法，对量测聚类模块工作中的孤立量测进行轨迹起始；

轨迹终止模块：用以，若轨迹-点云关联中没有关联到任何凝聚点云，则终止轨迹状态更新，清除轨迹。

本发明相比于现有技术，具有以下有益效果：

（1）本发明采用基于量测聚类和自适应互联的雷达多目标跟踪方法，既能够获得稳定有效的凝聚点云，又能够减小轨迹-点云关联的计算复杂度；

（2）本发明提出结合轨迹预测位置的动态聚类方法，相对于已有的聚类方法，能够利用雷达点云的局部分布特性，更加快速地生成信息和几何分布更集中的凝聚点云；

（3）本发明对JPDA算法进行改进，通过轨迹波门重叠区域内凝聚点云的分布情况，形成不同的局部轨迹-凝聚点云集合，然后对这些局部集合采用JPDA算法进行轨迹-点云关联及状态更新，减小关联矩阵的大小，提高关联速度；

（4）本发明采用LB轨迹起始方法，对未聚类的孤立量测进行轨迹起始，从而能够发现新目标，并形成起始航迹。

附图说明

图1为JPDA改进原理示意图；

图2为本发明所述的基于凝聚量测自适应互联的雷达多目标跟踪方法的流程图；

图3为本发明所提出的量测聚类算法流程图；

图4为本发明所提出的局部JPDA算法流程图；

图5为本发明所提出的雷达多目标跟踪算法结果图。

具体实施方式

下面结合实施例及附图，对本发明作进一步的详细说明，但本发明的实施方式不限于此。

实施例1

如图1至图5所示，本发明提出基于凝聚量测自适应互联的雷达多目标跟踪方法，采用基于样本稳定性的聚类方法，对雷达点云信息进行聚类，形成数量更少、信息更为丰富有效的凝聚点云，然后采用基于树状关联的联合概率数据互联(Joint ProbabilisticData Association,JPDA)方法对凝聚点云和目标轨迹进行自适应关联，根据关联结果对各个目标轨迹的运动状态进行迭代滤波估计，从而实现对多目标的准确稳定跟踪。

本发明提出了一种基于量测聚类和自适应互联的雷达MOT算法，实现复杂场景下对密集机动雷达多目标的稳定准确跟踪，提升雷达对多目标的感知和测量能力。

本发明通过下述技术方案实现一种基于量测聚类和自适应互联的雷达MOT算法，包括以下步骤：

(1)步骤S1：采用雷达采集点云数据(包括人员、车辆等多个目标)；

(2)步骤S2：在前三帧，采用基于逻辑的轨迹起始方法，得到起始轨迹；

基于逻辑的(Logic Baed，LB)轨迹起始方法首先需要前两个帧的位置量测形成试探性轨迹，然后再根据第三次帧时刻的位置量测是否落入波门内来扩展试探性轨迹。

假设

为第k帧的第j个量测，即：

(1)

其中，l_jk和dp_jk表示量测的位置和多普勒。

根据前两次帧的量测(假设一次帧取一个量测)形成一个量测组，估计速度。如果速度在设定的门限内，则这两个量测可以形成一条试探性的轨迹。速度计算如下公式所示：

(2)

其中，

表示矢量a的第二范数，t _f表示帧周期。

在第三帧中，预测试探性轨迹的位置，并以此位置为中心建立波门。预测位置的计算方式为：

(3)

设波门的大小为R，在第三帧的量测中，如果有任一量测落入波门之中，即可确认形成新的轨迹。即:

(4)

(3)步骤S3：在后续的每一帧，根据上一帧的轨迹数量和每一条轨迹的预测位置，对量测进行聚类。

假设上一帧中有M条轨迹，当前帧有N个量测。

轨迹对应的预测位置为：

(5)

量测对应的位置为：

(6)

对每一条轨迹，计算离预测位置最近的量测

，作为聚类中心起始点。若最近的量测距离大于阈值

，则聚类数量减1，不计算对应的聚类中心

（即

为空集

）；

设最后聚类数量为M-P，则有：

(7)

式（7）中，

；

对于每一个聚类，从聚类中心开始，假设某一个未聚类的量测，与该类中的任何一个量测距离小于

，则将该量测加入到这个聚类中。

最后，对于每一个聚类，计算属于该类的量测数量，更新聚类中心。聚类中心的位置和多普勒通过类内的所有量测对应值平均得到，即得到M-P个凝聚点：

(8)

没有加入任意一个聚类的离散量测(孤立量测)集合为：

(9)

其中，Q为孤立量测的数量。

本发明采用以上结合轨迹预测位置的动态聚类方法，能够快速有效地从原始点云形成数量更少、信息更集中的凝聚点云。雷达点云具有特有的局部分布特性，即在目标所在的距离和角度附近，点云比较集中，杂波和噪声对应的点云比较稀疏分散。本发明所采用的方法充分考虑了这个特性。生成的M-P个凝聚点云，保留了原始点云中和目标轨迹相关的有效点云信息，这样即使用数量少很多的凝聚点云，也不会影响轨迹-点云关联的效果。此外，孤立量测的划分，能够筛选出离已有轨迹较远的点云，从而起始新的轨迹，从而更有效地发现新目标。

传统的聚类方法，如k近邻聚类(k nearest neighbor,k-NN)，需要不断迭代的过程，因此聚类的速度较慢。k-NN等方法将所有点云都分到相应的类中，没有考虑到雷达点云特有的局部分布特性。

(4)步骤S4：对凝聚点云和当前轨迹，采用改进的联合概率数据互联算法更新轨迹状态。

联合概率数据互联算法(Joint Probability Data Association, JPDA)是一种能够在目标密度较大的情况下实现较为精准的目标跟踪的数据关联方法。主要思想是：通过利用跟踪轨迹周围一定范围内的量测值联合更新轨迹状态，以避免杂波或者量测误差造成的轨迹跟踪误差较大的问题。

采用JPDA时，关联矩阵的分解是一个NP Hard问题，无法在线性的时间内解决。轨迹-点云关联的速度会随着轨迹数量和点云数量的增加急剧增长。本发明对JPDA算法进行改进，摒弃全局的轨迹-点云关联，采用分解后的局部轨迹-点云关联策略（摒弃全局的轨迹-点云关联，将轨迹和点云分解为一系列的轨迹-点云群(如图1矩形框内所示)，在各个轨迹-点云群内进行局部的轨迹-点云关联），提高了轨迹-点云关联的速度。

如图1所示，为某一帧轨迹和凝聚点云的示例图。其中，空心圆表示当前轨迹的波门，实心圆表示凝聚点云。其中，第一个凝聚点云落在了虚线矩形框内两条轨迹的波门内，第二个凝聚点云落在了实线矩形框内两条轨迹的波门内。因此，这一帧轨迹和凝聚点云的关联矩阵为：

(10)

关联矩阵的大小为

。其中，第i行第j列的元素值为1表示第j个凝聚点云落在了第i条轨迹的波门内。例如，第一个凝聚点落在了第一条轨迹(虚线轨迹)的波门内，此时，关联矩阵的第1行第1列元素值为1。

可以观察到，虚线矩形框内的轨迹集合，与实线矩形框内的轨迹集合，波门上没有交叉，形成了两个完全独立的局部轨迹-凝聚点云集合。因此，可将轨迹分为两个集合，如虚线矩形框和实线矩形框所示。两个集合对应的关联矩阵为：

(11)

关联矩阵的大小减小为

。也就是说，可以将原始的JPDA算法对应的

关联矩阵，通过调用两次JPDA算法，缩减为2个局部的

关联矩阵。由于JPDA算法关联矩阵的分解是一个NP Hard问题，随着矩阵大小的增长，关联计算复杂度也快速增长。因此，2个

关联矩阵的关联计算复杂度小于1个

关联矩阵的关联计算复杂度。通过局部轨迹、点云关联策略，可以有效减小轨迹-点云关联的计算复杂度，提高关联速度。

综上所述，本发明提出的局部JPDA算法流程为：

a .根据马氏距离(Mahalanobis Distance)计算当前轨迹的跟踪波门；

b .统计凝聚点云落在各条轨迹跟踪波门内的情况；

c .若两条轨迹的波门重叠区域有凝聚点云，将这两条轨迹及凝聚点云归入到同一个局部集合，若其中一条轨迹已有局部集合，则将另一条轨迹也归入这个局部集合中；

d .对每一个局部集合内的轨迹和凝聚点云集合，采用JPDA的方法进行轨迹-点云数据互联及状态滤波，更新轨迹的运动状态矢量。

(5)步骤S5:采用LB轨迹起始方法，对步骤3中的孤立量测进行轨迹起始。

后续每一帧中，都有未成功聚类的孤立量测(式(9)所示)，这些孤立量测或者来自于杂波和噪声，或者来自于新出现的目标。因此，采用LB轨迹起始方法对孤立量测进行轨迹起始，可以生成新出现的目标的起始轨迹。

(6)步骤S6:轨迹终止。

对步骤S2到步骤S5中的轨迹，若连续3帧未关联到任意点云，则可认为轨迹对应的目标已经消失，雷达未检测到对应的点云，因此将轨迹清楚。终止轨迹的状态更新估计。

图2中，用雷达获取点云数据后，采用LB轨迹起始算法生成起始轨迹，然后对后续每一帧量测，采用动态聚类的方法生成凝聚点云和孤立量测，对凝聚点云和轨迹，采用局部JPDA算法进行轨迹-点云关联和状态更新，对孤立量测采用LB轨迹起始算法生成新目标的起始轨迹。

图3中，首先，计算上一帧轨迹在当前帧的位置，然后计算离轨迹最近的量测，作为聚类中心。对于未聚类的量测，如果与某一聚类中的任意量测距离较近，则将这个量测归入这个聚类中，完成量测所属聚类计算，根据聚类结果，采用平均法更新聚类中心，对没有任何聚类归属的量测并入孤立量测中。

图4中，首先，计算各条轨迹的跟踪波门，然后计算凝聚点云落入跟踪波门的情况，根据轨迹波门重叠区域是否有凝聚点云，将轨迹和凝聚点云根据步骤S4所述的方法生成不同的局部集合，对每一个局部集合采用JPDA算法更新轨迹的状态矢量。

实施例2

如图1至图5所示，作为实施例1的进一步优化，在实施例1的基础上，本实施例还包括以下技术特征：

在本发明所提出的算法应用的系统中，采用德州仪器(TexasInstrument,TI)研制的IWR6843单芯片智能毫米波雷达传感器，其工作频率为60-64GHz，距离单元(距离测量精度)为3.75厘米。软件系统的操作系统为微软公司研发的Windows11家庭中文版，雷达信号采集采用TI研制的评估板。算法仿真平台采用MathWorks公司研发的Matlab开发平台，算法应用开发采用Microsoft公司研发的Visual Studio开发平台(C语言)。具体的实施方式为：

（1）雷达原始点云采集

采用IWR6843雷达在道路和室内场景下，对多个距离、多个角度的人员、车辆目标的点云进行采集，点云的存储方式为式(1)所示的数组；

（2）轨迹起始

对(1)中采集得到的雷达原始点云，在前三帧采用步骤S2中所述的LB轨迹起始方法，进行轨迹起始，其中参数R取7.5厘米。

（3）量测聚类

对后续每一帧，采用步骤S3所述的方法进行量测聚类，形成凝聚点云和孤立量测。其中，参数

取7.5厘米，参数

取3.75厘米。

（4）轨迹-点云关联和轨迹状态更新

对凝聚点云和轨迹，采用步骤S4所述的方法进行轨迹-点云关联和轨迹状态更新。其中，生成轨迹-凝聚点云的局部集合后，对每一个局部集合采用JPDA算法，JPDA算法采用University of Liverpool开发的算法。

（5）孤立量测轨迹起始

采用LB轨迹起始方法对量测聚类中的孤立量测进行轨迹起始。

（6）轨迹终止

采用步骤S6所述的方法，对长时间未关联到凝聚点云的轨迹进行轨迹终止操作。

对实际采集的100次点云数据测试，每次采集6个人的雷达点云数据，人员在场景中做快速交叉运动，并且在狭小区域内进行聚集。在Matlab平台下，多目标跟踪的平均速度如表1所示。采用原始JPDA算法，平均跟踪速度为348ms；采用量测聚类结合JPDA算法，平均跟踪速度为217ms；采用本发明提出的量测聚类结合局部JPDA的方法，平均跟踪速度为126ms。可以看出，本发明提出的基于量测聚类和自适应互联的方法能够提高雷达多目标跟踪算法的速度，降低计算复杂度。

表1本发明提出的改进和改进之前的识别性能对比表

图5为本发明提出的雷达多目标跟踪算法结果图，目标数量为6。图5中，实曲线为目标的真实轨迹，本发明所提出的算法各帧跟踪结果如右上角图例所示。从图5中可以看出，目标在做大速率的转弯及折线运动时，本发明提出的算法也能跟踪上目标。其中，1号目标、2号目标以及4号目标距离比较近，且轨迹有接近甚至交叉的情况，本发明提出的算法能稳定准确地跟踪上3个目标。实验证明了本发明所提出的算法的性能。

如上所述，可较好地实现本发明。

本说明书中所有实施例公开的所有特征，或隐含公开的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，均可以以任何方式组合和/或扩展、替换。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。