CN115980738A - 一种基于动静分离的多目标跟踪方法 - Google Patents
一种基于动静分离的多目标跟踪方法 Download PDFInfo
- Publication number
- CN115980738A CN115980738A CN202310250039.8A CN202310250039A CN115980738A CN 115980738 A CN115980738 A CN 115980738A CN 202310250039 A CN202310250039 A CN 202310250039A CN 115980738 A CN115980738 A CN 115980738A
- Authority
- CN
- China
- Prior art keywords
- data
- static
- moving target
- dynamic
- algorithm
- 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
Links
- 230000003068 static effect Effects 0.000 title claims abstract description 118
- 238000000926 separation method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 78
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 27
- 238000012216 screening Methods 0.000 claims description 12
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims 2
- 238000012360 testing method Methods 0.000 description 20
- 238000002592 echocardiography Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于动静分离的多目标跟踪方法,所述方法包括以下步骤:毫米波雷达数据的动静分离,对毫米波雷达数据进行预处理,实现静态数据识别,并标记;运动目标数据聚类,实现运动目标数据的二维聚类,并对聚类中心进行标记;运动目标跟踪,实现运动目标数据与航迹关联,并进行航迹管理。引入了雷达数据动静分离算法,降低了由于静态障碍影响导致动态目标无法识别现象的发生概率;同时仅将运动目标数据作为航迹关联算法输入,大幅降低了航迹关联算法所需处理的数据量,并且能够完全隔绝静态障碍数据对于运动目标航迹影响,降低了由于错误关联导致的目标漏跟踪事件的发生概率,提升了跟踪算法性能。
Description
技术领域
本发明涉及车载雷达数据处理技术领域,具体涉及一种基于动静分离的多目标跟踪方法。
背景技术
基于毫米波雷达的多目标跟踪是汽车ADAS领域中的关键技术之一,通过毫米波雷达实时检测,分析发射波与物体反射波特性差异实现目标的距离、角度和速度的检测,并以此为输入在多目标跟踪算法(如PDA、JPDA、MHT等)的作用下完成毫米波雷达点云信息至目标航迹的转化。当所探测区域中运动目标与静态障碍距离较近时,由于目标的回波湮灭于静态障碍的回波之中引起目标漏检概率提升而导致目标跟踪丢失,并且在探测区域内存在较多静态障碍时,有效目标的回波数与静态障碍的回波数之比降低,传统的多目标跟踪算法产生错误跟踪的概率随之提高且算法执行效率降低。
现有的处理方式是在数据处理阶段将雷达数据转换至以横向距离为x轴、纵向距离为y轴的二维笛卡尔坐标系中,以数据点间的欧氏距离作为评价指标进行数据聚类与合并,在合并后的数据基础上进行多目标跟踪,此种方式仅依靠位置信息对目标和障碍进行无差别处理,进而在跟踪阶段对运动目标和静态障碍均进行跟踪,导致算法执行效率低,同时在有效运动目标与静态障碍近距离情况下,目标丢失概率较高;另一种处理方式是在前述方法的基础上将多普勒速度作为z轴,即在三维笛卡尔坐标系中进行数据的处理,该路线能够在一定程度上实现运动目标与静态障碍分离,但为处理多普勒速度与距离量纲/量级均不同而引入归一化流程导致跟踪算法对三维欧氏距离参数敏感,在实际应用时需对多普勒速度变化具备一定的自适应性,算法实现复杂并且目标跟踪稳定性较低。
发明内容
有鉴于此,有必要提供一种在静态障碍较多或运动目标与静态障碍近距离场景中,运算量小、目标跟踪稳定的基于动静分离的多目标跟踪方法。
一种基于动静分离的多目标跟踪方法,所述方法包括以下步骤:
步骤一,毫米波雷达数据的动静分离;对毫米波雷达数据进行预处理,实现静态数据识别,并标记;
步骤二,运动目标数据聚类;实现运动目标数据的二维聚类,并对聚类中心进行标记;
步骤三,运动目标跟踪;实现运动目标数据与航迹关联,并进行航迹管理。
优选地,步骤一中的毫米波雷达数据的动静分离的步骤具体包括:
步骤1.1,算法参数初始化;设定聚类算法参数,数据预处理参数,数据初筛速度误差阈值,静态数据速度误差阈值,数据点抽样个数M,蒙特卡洛仿真次数K;其中,聚类算法参数包括核心密度ρ、邻域距离;数据预处理参数包括能量阈值Pmin、关注角度范围[θminθmax]、距离范围[rminrmax];
步骤1.2,雷达数据输入;输入的毫米波雷达数据包括观测点极坐标下的极径r,角度θ,多普勒速度v,能量I;
步骤1.3,数据预处理;根据初始化参数,保留同时满足能量高于Pmin、角度θ∈[θminθmax]之外,极径r∈[rminrmax]约束条件的数据点,降低算法需处理的数据量,令预处理后的数据如公式(1)所示:
(1);
其中,DataRAW矩阵的每列均表示数据点,DataRAW(x)为DataRAW矩阵的第x列,即为当前预处理数据的第x个数据点,其中,1≤x≤N;
步骤1.4,静态数据识别;从DataRAW矩阵中抽取M个数据点完成蒙特卡洛仿真,并依据蒙特卡洛仿真的计算结果完成静态障碍和运动目标数据识别。
优选地,步骤1.4中的静态数据识别的步骤具体包括:
步骤1.4.1,比较DataRAW的数据个数与数据点抽样个数M,当DataRAW的数据个数≤数据点抽样个数M时,默认所有数据都来自运动目标,转向步骤二;当DataRAW的数据个数>数据点抽样个数M时,判断是否存在自身车速的反馈信息,当系统中存在自身车速反馈信息时跳转至步骤1.4.2,当不存在自身车速反馈时跳转至步骤1.4.4;
步骤1.4.2,设毫米波雷达速度等于车辆速度,并令毫米波雷达速度向量为,其中和分别表示雷达速度在雷达法向量方向和水平正交方向的分量,根据公式(2)筛选估计速度与雷达数据多普勒速度之差小于数据初筛速度误差阈值的数据点,得到静态数据标号集合:
(2);
步骤1.4.3,若中数据个数不大于数据点抽样个数M时,默认所有数据均来自运动目标并转至步骤二;否则基于随机抽样一致算法RANSAC随机从数据集中抽取M个数据,如公式(3)所示:
(3);
其中,上角标i表示随机抽样轮次数,下角标表示在DataRAW中的次序,转至步骤1.4.5;
步骤1.4.4,若DataRAW中数据个数不大于数据点抽样个数M时,默认所有数据均来自运动目标并转至步骤二,否则基于随机抽样一致算法RANSAC随机从DataRAW中抽取M个数据,如公式(4)所示:
(4);
其中,上角标i表示随机抽样轮次数,下角标表示在DataRAW中的次序;
步骤1.4.5 根据雷达检测模型,雷达速度与静态目标之间的关系,如公式(5)所示:
(5);
由公式(5)获得雷达速度分量和的数值估计解;
步骤1.4.6,根据公式(6)遍历DataRAW中所有数据,得到基准速度
u j:
(6);
步骤1.4.7,根据公式(7)筛选雷达数据多普勒速度与基准速度之差小于静态数据速度误差阈值的数据点,得到第i轮静态数据标号集合:
(7);
步骤1.4.8,重复执行步骤1.4.1~1.4.7 直至完成K次循环,K为蒙特卡洛循环次数常量,设值如公式(8)所示:
(8);
其中,为取集合长度算子;
步骤1.4.9,若不为空,则将集合中所包含的数据点标记为静态数据,表示固定障碍;
步骤1.4.10,标记DataRAW中不包含于的所有数据点为运动目标数据。
优选地,步骤二中的运动目标数据聚类的步骤具体包括:
步骤2.1,若步骤1.4中输出的运动目标数据集合为空则跳转至步骤三,否则使用公式(9)将所有运动目标数据从极坐标系转换至笛卡尔坐标系:
(9);
其中,为极径与车辆行驶方向夹角;
步骤2.2,二维数据聚类;基于聚类算法对笛卡尔坐标系下的二维运动目标数据进行聚类;
步骤2.3,聚类中心标记;若步骤2.2中聚类结果非空,则定义每个聚类中能量I最大的数据点为聚类中心;若为空则转至步骤三。
优选地,步骤三中的运动目标跟踪的具体步骤包括:
步骤3.1,数据与航迹关联;调用航迹与数据关联算法,实现基于雷达数据的航迹延伸;
步骤3.2,航迹管理;删除最近m个运算周期中航迹预测数达到n的航迹,其中,m、n均为定常数,且m>n。
优选地,步骤3.1中,当存在运动目标且存在聚类同时满足时,以运动目标数据聚类中心数据作为输入,调用JPDA算法进行航迹关联,未成功关联的航迹则根据目标当前运动状态进行Kalman预测。
优选地,步骤3.1中,当存在运动目标且存在聚类不能同时满足时,基于目标运动状态进行Kalman预测。
上述基于动静分离的多目标跟踪方法中,首先,引入了雷达数据动静分离算法,该算法不受运动目标与静态障碍间距离、运动目标的运动速度、范围等因素的限制,能够实现与静态障碍距离较近的运动目标识别,降低了由于静态障碍影响导致动态目标无法识别现象的发生概率,同时该算法能够在自身车速反馈信息存在和/或丢失的情况下实现雷达数据中静态数据和运动目标数据的分类,提升了算法的健壮性和工程实用性;其次,提出了动静目标分类跟踪算法,通过将雷达数据分类为静态障碍数据和运动目标数据,仅将其中的运动目标数据作为航迹关联算法输入,大幅降低了航迹关联算法所需处理的数据量,使在同等算力下运用更加完备的航迹关联算法成为可能,并且能够完全隔绝静态障碍数据对于运动目标航迹影响,降低了由于错误关联导致的目标漏跟踪事件的发生概率,提升了跟踪算法性能。本发明的方法简单,能够准确地跟踪运动目标。
附图说明
图1是本发明实施例基于动静分离的多目标跟踪方法的方案流程图。
图2是本发明实施例基于动静分离的多目标跟踪方法的算法详细流程图。
图3是本发明实施例基于动静分离的多目标跟踪方法的测试场景一的现场照片。
图4是本发明实施例基于动静分离的多目标跟踪方法的测试场景一的预处理后毫米波雷达点云数据。
图5是本发明实施例基于动静分离的多目标跟踪方法的测试场景一的静态数据标识后毫米波雷达点云数据。
图6是本发明实施例基于动静分离的多目标跟踪方法的测试场景一的数据动静分离的毫米波雷达多目标跟踪结果。
图7是本发明实施例基于动静分离的多目标跟踪方法的测试场景二的现场照片。
图8是本发明实施例基于动静分离的多目标跟踪方法的测试场景二的预处理后毫米波雷达点云数据。
图9是本发明实施例基于动静分离的多目标跟踪方法的测试场景二的静态数据标识后毫米波雷达点云数据。
图10是本发明实施例基于动静分离的多目标跟踪方法的测试场景二的数据动静分离的毫米波雷达多目标跟踪结果。
具体实施方式
本实施例以基于动静分离的多目标跟踪方法为例,以下将结合具体实施例和附图对本发明进行详细说明。
请参阅图1和图2,示出本发明实施例提供的一种基于动静分离的多目标跟踪方法,在本实施例中,采用77GHz车载毫米波雷达多目标跟踪为例,所述方法包括以下步骤:
步骤1,毫米波雷达数据的动静分离;对毫米波雷达数据进行预处理,实现静态数据识别,并标记。
其中的毫米波雷达数据的动静分离的步骤具体包括:
步骤1.1,算法参数初始化;设定聚类算法参数,数据预处理参数,数据初筛速度误差阈值,静态数据速度误差阈值,数据点抽样个数M,蒙特卡洛仿真次数K;其中,聚类算法参数包括核心密度ρ、邻域距离;数据预处理参数包括能量阈值Pmin、关注角度范围[θminθmax]、距离范围[rminrmax];
步骤1.2,雷达数据输入;输入的毫米波雷达数据包括观测点极坐标下的极径r,角度θ,多普勒速度v,能量I;
步骤1.3,数据预处理;根据初始化参数,保留同时满足能量高于Pmin、角度θ∈[θminθmax]之外,极径r∈[rminrmax]约束条件的数据点,降低算法需处理的数据量,令预处理后的数据如公式(1)所示:
(1);
其中,DataRAW矩阵的每列均表示数据点,DataRAW(x)为DataRAW矩阵的第x列,即为当前预处理数据的第x个数据点,1≤x≤N;
步骤1.4,静态数据识别;从DataRAW矩阵中抽取M个数据点完成蒙特卡洛仿真,并依据蒙特卡洛仿真的计算结果完成静态障碍和运动目标数据识别。
其中的静态数据识别的步骤具体包括:
步骤1.4.1,比较DataRAW的数据个数与数据点抽样个数M,当DataRAW的数据个数≤数据点抽样个数M时,默认所有数据都来自运动目标,转向步骤二;当DataRAW的数据个数>数据点抽样个数M时,判断是否存在自身车速的反馈信息,当系统中存在自身车速反馈信息时跳转至步骤1.4.2,当不存在自身车速反馈时跳转至步骤1.4.4;
步骤1.4.2,设毫米波雷达速度等于车辆速度,并令毫米波雷达速度向量为,其中和分别表示雷达速度在雷达法向量方向和水平正交方向的分量,根据公式(2)筛选估计速度与雷达数据多普勒速度之差小于数据初筛速度误差阈值的数据点,得到静态数据标号集合:
(2);
步骤1.4.3,若中数据个数不大于数据点抽样个数M时,默认所有数据均来自运动目标并转至步骤二;否则基于随机抽样一致算法RANSAC随机从数据集中抽取M个数据,如公式(3)所示:
(3);
其中,上角标i表示随机抽样轮次数,下角标表示在DataRAW中的次序,转至步骤1.4.5;
步骤1.4.4,若DataRAW中数据个数不大于数据点抽样个数M时,默认所有数据均来自运动目标并转至步骤二,否则基于随机抽样一致算法RANSAC随机从DataRAW中抽取M个数据,如公式(4)所示:
(4);
其中,上角标i表示随机抽样轮次数,下角标表示在DataRAW中的次序;
步骤1.4.5 根据雷达检测模型,雷达速度与静态目标之间的关系,如公式(5)所示:
(5);
由公式(5)获得雷达速度分量和数值估计解;
步骤1.4.6,根据公式(6)遍历DataRAW中所有数据,得到基准速度
u j:
(6);
步骤1.4.7,根据公式(7)筛选雷达数据多普勒速度与基准速度
u j之差小于静态数据速度误差阈值的数据点,得到第
i轮静态数据标号集合:
(7);
步骤1.4.8,重复执行步骤1.4.1~1.4.7 直至完成K次循环,K为蒙特卡洛循环次数常量,设值如公式(8)所示:
(8);
其中,为取集合长度算子;
步骤1.4.9,若不为空,则将集合中所包含的数据点标记为静态数据,表示固定障碍;
步骤1.4.10,标记DataRAW中不包含于的所有数据点为运动目标数据。
步骤2,运动目标数据聚类;实现运动目标数据的二维聚类,并对聚类中心进行标记。
其中的运动目标数据聚类的步骤具体包括:
步骤2.1,若步骤1.4中输出的运动目标数据集合为空则跳转至步骤三,否则使用公式(9)将所有运动目标数据从极坐标系转换至笛卡尔坐标系:
(9);
其中,为极径与车辆行驶方向夹角;
具体地,在本实施例中使用了笛卡尔坐标系,在其他实施例中,可以根据几何关系进行相应的坐标变换。
步骤2.2,二维数据聚类;基于聚类算法对笛卡尔坐标系下的二维运动目标数据进行聚类;
具体地,数据聚类算法可以采用OPTICS算法、DBSCAN算法等,该类算法比较成熟,在此不做赘述。
步骤2.3,聚类中心标记;若步骤2.2中聚类结果非空,则定义每个聚类中能量I最大的数据点为聚类中心;若为空则转至步骤三。
步骤3,运动目标跟踪;实现运动目标数据与航迹关联,并进行航迹管理。
其中的运动目标跟踪的具体步骤包括:
步骤3.1,数据与航迹关联;调用航迹与数据关联算法,实现基于雷达数据的航迹延伸,根据是否存在运动目标以及是否存在聚类判断条件分为以下两种情况:
情况一,当存在运动目标且存在聚类同时满足时,以运动目标数据聚类中心数据作为输入,调用JPDA算法进行航迹关联,未成功关联的航迹则根据目标当前运动状态进行Kalman预测;
情况二,当存在运动目标且存在聚类不能同时满足时,基于目标运动状态进行Kalman预测;
步骤3.2,航迹管理;删除最近m个运算周期中航迹预测数达到n的航迹(m,n均为定常数,m>n)。
在本实施例中,本技术方案所提出的算法在应用中的测试结果如图3至图10所示,其中,图3至图6为测试用例一的结果图,图7至图10为测试用例二的结果图。
在测试例一中,图3为测试场景一所对应的现场环境照片,此时测试车辆直线行驶且车速反馈可用,视野中存在多个密集分布的运动目标,正前方存与右侧静态障碍距离较近的运动目标,在传统的跟踪算法中,此目标极易受到静态障碍影响而导致跟踪目标丢失。图4为经数据预处理后的点云数据在笛卡尔坐标系中的位置分布图,由于传统的毫米波雷达目标跟踪算法未对回波所属对象的属性进行区分,故右下角呈近似直线分布的静态障碍回波仍然作为跟踪算法的输入,如本实施例中所示情况下若采用传统的跟踪算法则需以当前101个数据点作为输入进行相应的聚类、关联等运算。图5所示为本技术方案所提出的动静分离后所识别出的运动目标回波,对比图4可知,点云数据中右侧道路围栏及左侧远端静态障碍所属回波能够被有效识别并滤除,降低了跟踪算法输入数据量,如本实施例中分离出的非静态障碍回波点云数(包括运动目标回波和噪声)降至76,缩减跟踪算法所需处理的数据输入量相对百分比达24.75%,提升了算法的执行效率。图6所示为本技术方案所提出跟踪算法的测试结果,由图可见静态障碍被有效识别并以△标识,能够有效避免静态障碍回波对运动目标跟踪的影响,进而提升其跟踪成功率。
在测试例二中,图7为测试场景二所对应的现场环境照片,此时车辆静止,前方出现快速横穿车辆且存在较密集静态障碍,运动目标与静态障碍距离较小,此时传统的跟踪算法易导致目标丢失。图8为数据预处理后的点云数据,图9为经本技术方案所提出算法静态目标识别后所保留的非静态障碍回波数据,通过对比可以看出,在所提出的算法作用下,静态障碍回波被有效滤除,避免了其对运动目标跟踪影响,如本实施例中图8所示的数据预处理后数据点数为57,图9中所识别出的非静态障碍回波数据为14,缩减跟踪算法所需处理的数据输入量相对百分比达75.44%,极大程度的提升了算法性能。对比测试例一的结果可知,所提出的算法随着静态障碍数量的增多,对于整体性能提升幅度增大,而密集障碍环境下运动目标的跟踪是该方向的难点之一,因此本技术方案的基于动静分离的多目标跟踪方法具备较强的应用价值。图10所示为本技术方案所提出跟踪算法的测试结果,由图可见静态障碍被有效识别并以△标识,1#运动目标部分回波与静态障碍重叠,传统的数据处理算法较大概率无法实现两者的有效区分而导致目标丢失,本技术方案所提出的方法由于能够在识别静态障碍后将其从跟踪算法输入数据中滤除,有效避免静态障碍回波对运动目标跟踪的影响,降低目标漏跟踪概率,提升毫米波雷达多目标跟踪算法性能。
以及,一种基于动静分离的多目标跟踪系统,所述系统包括:
毫米波雷达数据动静分离单元,用于对毫米波雷达数据进行预处理,识别并标记静态数据;
运动目标数据聚类单元,用于运动目标数据的二维聚类,并标记聚类中心;
运动目标跟踪单元,用于将运动目标数据与航迹关联,并进行航迹管理。
优选地,所述毫米波雷达数据动静分离单元进一步包括:
算法参数初始化单元,用于设定系统中各个算法的参数及其初始化值;
雷达数据输入单元,用于提取毫米波雷达数据;
数据预处理单元,依据筛选条件对毫米波雷达数据进行预处理,保留满足筛选条件的数据点的各个数据值;
静态数据识别单元,用于对预处理后的数据值进行蒙特卡洛仿真,并依据蒙特卡洛仿真的计算结果完成静态障碍和运动目标数据识别。
以及,一种多目标跟踪设备,所述设备包括毫米波雷达及如上所述的基于动静分离的多目标跟踪系统,所述基于动静分离的多目标跟踪系统接收并处理毫米波雷达的扫描数据,区分雷达数据中的静态目标和动态目标,对目标进行跟踪,判定各个目标的轨迹。
上述基于动静分离的多目标跟踪方法中,具有以下性能优势,首先,引入了雷达数据动静分离算法,该算法不受运动目标与静态障碍间距离、运动目标的运动速度、范围等因素的限制,能够实现与静态障碍距离较近的运动目标识别,降低了由于静态障碍影响导致动态目标无法识别现象的发生概率,同时该算法能够在自身车速反馈信息存在和/或丢失的情况下实现雷达数据中静态数据和运动目标数据的分类,提升了算法的健壮性和工程实用性;其次,提出了动静目标分类跟踪算法,通过将雷达数据分类为静态障碍数据和运动目标数据,仅将其中的运动目标数据作为航迹关联算法输入,大幅降低了航迹关联算法所需处理的数据量,使在同等算力下运用更加完备的航迹关联算法成为可能,并且能够完全隔绝静态障碍数据对于运动目标航迹影响,降低了由于错误关联导致的目标漏跟踪事件的发生概率,提升了跟踪算法性能。本发明的方法简单,能够准确地跟踪运动目标。
需要说明的是,以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于动静分离的多目标跟踪方法,其特征在于,所述方法包括以下步骤:
步骤一,毫米波雷达数据的动静分离;对毫米波雷达数据进行预处理,实现静态数据识别,并标记;
步骤二,运动目标数据聚类;实现运动目标数据的二维聚类,并对聚类中心进行标记;
步骤三,运动目标跟踪;实现运动目标数据与航迹关联,并进行航迹管理。
2.如权利要求1所述的基于动静分离的多目标跟踪方法,其特征在于,步骤一中的毫米波雷达数据的动静分离的步骤具体包括:
步骤1.1,算法参数初始化;设定聚类算法参数,数据预处理参数,数据初筛速度误差阈值,静态数据速度误差阈值,数据点抽样个数M,蒙特卡洛仿真次数K;其中,聚类算法参数包括核心密度ρ、邻域距离;数据预处理参数包括能量阈值Pmin、关注角度范围[θminθmax]、距离范围[rminrmax];
步骤1.2,雷达数据输入;输入的毫米波雷达数据包括观测点极坐标下的极径r,角度θ,多普勒速度v,能量I;
步骤1.3,数据预处理;根据初始化参数,保留同时满足能量高于Pmin、角度θ∈[θminθmax]之外,极径r∈[rminrmax]约束条件的数据点,降低算法需处理的数据量,令预处理后的数据如公式(1)所示:
(1);
DataRAW矩阵的每列均表示数据点,DataRAW (x)为DataRAW矩阵的第x列,即为当前预处理数据的第x个数据点,其中,1≤x≤N;
步骤1.4,静态数据识别;从DataRAW矩阵中抽取M个数据点完成蒙特卡洛仿真,并依据蒙特卡洛仿真的计算结果完成静态障碍和运动目标数据识别。
3.如权利要求2所述的基于动静分离的多目标跟踪方法,其特征在于,步骤1.4中的静态数据识别的步骤具体包括:
步骤1.4.1,比较DataRAW的数据个数与数据点抽样个数M,当DataRAW的数据个数≤数据点抽样个数M时,默认所有数据都来自运动目标,转向步骤二;当DataRAW的数据个数>数据点抽样个数M时,判断是否存在自身车速的反馈信息,当系统中存在自身车速反馈信息时跳转至步骤1.4.2,当不存在自身车速反馈时跳转至步骤1.4.4;
步骤1.4.2,设毫米波雷达速度等于车辆速度,并令毫米波雷达速度向量为,其中和分别表示雷达速度在雷达法向量方向和水平正交方向的分量,根据公式(2)筛选估计速度与雷达数据多普勒速度之差小于数据初筛速度误差阈值的数据点,得到静态数据标号集合:
(2);
步骤1.4.3,若中数据个数不大于数据点抽样个数M时,默认所有数据均来自运动目标并转至步骤二;否则基于随机抽样一致算法RANSAC随机从数据集中抽取M个数据,如公式(3)所示:
(3);
其中,上角标i表示随机抽样轮次数,下角标表示在DataRAW中的次序,转至步骤1.4.5;
步骤1.4.4,若DataRAW中数据个数不大于数据点抽样个数M时,默认所有数据均来自运动目标并转至步骤二,否则基于随机抽样一致算法RANSAC随机从DataRAW中抽取M个数据,如公式(4)所示:
(4);
其中,上角标i表示随机抽样轮次数,下角标表示在DataRAW中的次序;
步骤1.4.5 根据雷达检测模型,雷达速度与静态目标之间的关系,如公式(5)所示:
(5);
由公式(5)获得雷达速度分量和的数值估计解;
步骤1.4.6,根据公式(6)遍历DataRAW中所有数据,得到基准速度u j:
(6);
步骤1.4.7,根据公式(7)筛选雷达数据多普勒速度与基准速度u j之差小于静态数据速度误差阈值的数据点,得到第i轮静态数据标号集合:
(7);
步骤1.4.8,重复执行步骤1.4.1~1.4.7 直至完成K次循环,K为蒙特卡洛循环次数常量,设值如公式(8)所示:
(8);
其中,为取集合长度算子;
步骤1.4.9,若不为空,则将集合中所包含的数据点标记为静态数据,表示固定障碍;
步骤1.4.10,标记DataRAW中不包含于的所有数据点为运动目标数据。
4.如权利要求2所述的基于动静分离的多目标跟踪方法,其特征在于,步骤二中的运动目标数据聚类的步骤具体包括:
步骤2.1,若步骤1.4中输出的运动目标数据集合为空则跳转至步骤三,否则使用公式(9)将所有运动目标数据从极坐标系转换至笛卡尔坐标系:
(9);
其中,为极径与车辆行驶方向夹角;
步骤2.2,二维数据聚类;基于聚类算法对笛卡尔坐标系下的二维运动目标数据进行聚类;
步骤2.3,聚类中心标记;若步骤2.2中聚类结果非空,则定义每个聚类中能量I最大的数据点为聚类中心;若为空则转至步骤三。
5.如权利要求1所述的基于动静分离的多目标跟踪方法,其特征在于,步骤三中的运动目标跟踪的具体步骤包括:
步骤3.1,数据与航迹关联;调用航迹与数据关联算法,实现基于雷达数据的航迹延伸;
步骤3.2,航迹管理;删除最近m个运算周期中航迹预测数达到n的航迹,其中,m、n均为定常数,且m>n。
6.如权利要求5所述的基于动静分离的多目标跟踪方法,其特征在于,步骤3.1中,当存在运动目标且存在聚类同时满足时,以运动目标数据聚类中心数据作为输入,调用JPDA算法进行航迹关联,未成功关联的航迹则根据目标当前运动状态进行Kalman预测。
7.如权利要求5所述的基于动静分离的多目标跟踪方法,其特征在于,步骤3.1中,当存在运动目标且存在聚类不能同时满足时,基于目标运动状态进行Kalman预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310250039.8A CN115980738B (zh) | 2023-03-15 | 2023-03-15 | 一种基于动静分离的多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310250039.8A CN115980738B (zh) | 2023-03-15 | 2023-03-15 | 一种基于动静分离的多目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115980738A true CN115980738A (zh) | 2023-04-18 |
CN115980738B CN115980738B (zh) | 2023-06-02 |
Family
ID=85976465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310250039.8A Active CN115980738B (zh) | 2023-03-15 | 2023-03-15 | 一种基于动静分离的多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115980738B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2058254U (zh) * | 1989-06-19 | 1990-06-13 | 上海市测试技术研究所 | 运动目标速度模拟器 |
SE9804417L (sv) * | 1998-12-18 | 1999-12-20 | Foersvarets Forskningsanstalt | Ett SAR-radarsystem |
CN104502907A (zh) * | 2014-12-15 | 2015-04-08 | 西安电子工程研究所 | 一种机载雷达地面动静目标稳定跟踪方法 |
CN109597061A (zh) * | 2018-12-28 | 2019-04-09 | 北京润科通用技术有限公司 | 一种目标运动状态判别方法及系统 |
CN110361727A (zh) * | 2019-07-22 | 2019-10-22 | 浙江大学 | 一种毫米波雷达多目标跟踪方法 |
CN110596694A (zh) * | 2019-09-20 | 2019-12-20 | 吉林大学 | 一种复杂环境雷达多目标跟踪和道路行驶环境预测方法 |
CN111999735A (zh) * | 2020-09-11 | 2020-11-27 | 杭州瑞利海洋装备有限公司 | 一种基于径向速度和目标跟踪的动静目标分离方法 |
CN113109802A (zh) * | 2021-03-05 | 2021-07-13 | 福瑞泰克智能系统有限公司 | 目标运动状态判断方法、装置、雷达设备和存储介质 |
CN113777601A (zh) * | 2021-09-14 | 2021-12-10 | 无锡威孚高科技集团股份有限公司 | 一种基于特征的目标跟踪优化方法、装置和存储介质 |
CN115236627A (zh) * | 2022-09-21 | 2022-10-25 | 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 |
EP4092446A1 (en) * | 2021-05-21 | 2022-11-23 | Axis AB | Static scene mapping using radar |
CN115489522A (zh) * | 2022-11-18 | 2022-12-20 | 东风悦享科技有限公司 | 一种应用于平行辅助驾驶系统的避障目标识别方法及系统 |
CN115656962A (zh) * | 2022-12-26 | 2023-01-31 | 南京楚航科技有限公司 | 一种基于毫米波雷达识别限高物体的方法 |
-
2023
- 2023-03-15 CN CN202310250039.8A patent/CN115980738B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2058254U (zh) * | 1989-06-19 | 1990-06-13 | 上海市测试技术研究所 | 运动目标速度模拟器 |
SE9804417L (sv) * | 1998-12-18 | 1999-12-20 | Foersvarets Forskningsanstalt | Ett SAR-radarsystem |
CN104502907A (zh) * | 2014-12-15 | 2015-04-08 | 西安电子工程研究所 | 一种机载雷达地面动静目标稳定跟踪方法 |
CN109597061A (zh) * | 2018-12-28 | 2019-04-09 | 北京润科通用技术有限公司 | 一种目标运动状态判别方法及系统 |
CN110361727A (zh) * | 2019-07-22 | 2019-10-22 | 浙江大学 | 一种毫米波雷达多目标跟踪方法 |
CN110596694A (zh) * | 2019-09-20 | 2019-12-20 | 吉林大学 | 一种复杂环境雷达多目标跟踪和道路行驶环境预测方法 |
CN111999735A (zh) * | 2020-09-11 | 2020-11-27 | 杭州瑞利海洋装备有限公司 | 一种基于径向速度和目标跟踪的动静目标分离方法 |
CN113109802A (zh) * | 2021-03-05 | 2021-07-13 | 福瑞泰克智能系统有限公司 | 目标运动状态判断方法、装置、雷达设备和存储介质 |
EP4092446A1 (en) * | 2021-05-21 | 2022-11-23 | Axis AB | Static scene mapping using radar |
CN113777601A (zh) * | 2021-09-14 | 2021-12-10 | 无锡威孚高科技集团股份有限公司 | 一种基于特征的目标跟踪优化方法、装置和存储介质 |
CN115236627A (zh) * | 2022-09-21 | 2022-10-25 | 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 |
CN115489522A (zh) * | 2022-11-18 | 2022-12-20 | 东风悦享科技有限公司 | 一种应用于平行辅助驾驶系统的避障目标识别方法及系统 |
CN115656962A (zh) * | 2022-12-26 | 2023-01-31 | 南京楚航科技有限公司 | 一种基于毫米波雷达识别限高物体的方法 |
Non-Patent Citations (5)
Title |
---|
MICHAEL STEPHAN 等: ""Radar-Based Human Target Detection using Deep Residual U-Net for Smart Home Applications"", 《2019 18TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS (ICMLA)》 * |
SHUANGYE ZHAO 等: ""Mask Guided Spatial-Temporal Fusion Network for Multiple Object Tracking"", 《2022 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
呼子宇 等: ""基于决策变量关系的动态多目标优化算法"", 《控制与决策》 * |
岳柄剑: ""基于多源多目标统计信息融合的智能网联车云定位方法研究"", 《中国博士论文全文数据库》 * |
杨宇恒 等: ""基于步进LFMCW的多目标雷达检测算法"", 《通信技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115980738B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260683B (zh) | 一种三维点云数据的目标检测与跟踪方法及其装置 | |
Nguyen et al. | Stereo-camera-based urban environment perception using occupancy grid and object tracking | |
CN111444767B (zh) | 一种基于激光雷达的行人检测和追踪方法 | |
CN112184736B (zh) | 一种基于欧式聚类的多平面提取方法 | |
CN108986148B (zh) | 实现多智能小车协同搜索识别并跟踪特定目标群体的方法 | |
Muresan et al. | Multi-object tracking of 3D cuboids using aggregated features | |
CN115236627B (zh) | 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 | |
Luo et al. | Online multiple maneuvering vehicle tracking system based on multi-model smooth variable structure filter | |
CN112781599A (zh) | 确定车辆的位置的方法 | |
CN116576857A (zh) | 一种基于单线激光雷达的多障碍物预测导航避障方法 | |
CN114973195A (zh) | 基于多信息融合的车辆追踪方法、装置及系统 | |
CN115861968A (zh) | 一种基于实时点云数据的动态障碍物剔除方法 | |
Huang et al. | An online multi-lidar dynamic occupancy mapping method | |
CN113077473B (zh) | 三维激光点云路面分割方法、系统、计算机设备及介质 | |
CN114137562A (zh) | 一种基于改进全局最邻近的多目标跟踪方法 | |
Mei et al. | Multiple moving target tracking with hypothesis trajectory model for autonomous vehicles | |
Cook et al. | Real-time radar-based tracking and state estimation of multiple non-conformant aircraft | |
CN115980738A (zh) | 一种基于动静分离的多目标跟踪方法 | |
Vatavu et al. | Environment estimation with dynamic grid maps and self-localizing tracklets | |
Vanpoperinghe et al. | Model-based detection and tracking of vehicle using a scanning laser rangefinder: A particle filtering approach | |
CN115792958A (zh) | 一种基于3d激光雷达的无人矿车障碍物检测方法 | |
CN114488026A (zh) | 基于4d毫米波雷达的地下停车库可通行空间检测方法 | |
JP2023533140A (ja) | 自動運転車の位置推定精度を向上させる方法 | |
CN111815667B (zh) | 一种相机移动条件下高精度检测运动目标的方法 | |
CN113281736B (zh) | 基于多假设singer模型的雷达机动交汇目标跟踪方法 |
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 |