CN117630908A - 一种目标车辆跟踪方法及系统 - Google Patents

一种目标车辆跟踪方法及系统 Download PDF

Info

Publication number
CN117630908A
CN117630908A CN202311625881.1A CN202311625881A CN117630908A CN 117630908 A CN117630908 A CN 117630908A CN 202311625881 A CN202311625881 A CN 202311625881A CN 117630908 A CN117630908 A CN 117630908A
Authority
CN
China
Prior art keywords
target
tracking
point
points
wheel
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
Application number
CN202311625881.1A
Other languages
English (en)
Inventor
郭小娟
季丹
朱海洋
周琼峰
朱江
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.)
Nanjing Desai Xiwei Automobile Electronics Co ltd
Original Assignee
Nanjing Desai Xiwei Automobile Electronics 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 Nanjing Desai Xiwei Automobile Electronics Co ltd filed Critical Nanjing Desai Xiwei Automobile Electronics Co ltd
Priority to CN202311625881.1A priority Critical patent/CN117630908A/zh
Publication of CN117630908A publication Critical patent/CN117630908A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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

  • 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

本申请提供一种目标车辆跟踪方法及系统；所述目标车辆跟踪方法包括：获取目标车轮的雷达检测点并提取车轮特征标记点，然后通过对各车轮特征标记点进行点迹聚类获得特征样本集合，并最终基于车轮特征集合关联预设目标框内的车轮特征点和提取目标跟踪点来实现对目标车辆的跟踪。本申请可以有效地实现近距离速度跟踪，能够更稳定地跟踪目标车辆的运动状态，提高跟踪的准确性和稳定性；采用了基于特征的跟踪方式，能够降低滤波时延带来的影响，从而在目标发生机动变化后能够快速切换跟踪，减少目标丢失的中断问题，提高系统的鲁棒性和可靠性。

Description

一种目标车辆跟踪方法及系统
技术邻域
本申请涉及辅助驾驶技术邻域，特别涉及一种目标车辆跟踪方法及系统。
背景技术
车载毫米波雷达相比激光雷达，摄像头等传感器有体积小、成本低以及全天候的独特优势，使其成为辅助驾驶领域感知设备中重要的一环。在车载毫米波雷达系统中，信号处理负责输出周围目标点的速度、距离、角度等信息，数据处理即将这些抽象离散的点具象化，转化为真实目标的信息，如速度、位置、运动状态、目标类型等。随着辅助驾驶功能在日常出行的普及，其准确性稳定性直接关系到出行安全，因此对高性能雷达的需求也越来越迫切，直观的体现就是对雷达目标的跟踪性能要求原来越高。
毫米波雷达相对其他传感器增加速度信息，但是其测量的速度非目标实际运动的速度，而是目标真实速度在雷达径向方向的投影，因此在跟踪过程需要通过测量值估计目标的真实速度，当前速度估计的方式一般为下面两种：
第一种是利用测量点迹的位置变化推算，这种方法假设雷达检测到目标的点固定不变，但是当目标在雷达近距离时，雷达可探测到目标的范围较大，由于电磁环境复杂以及噪声的干扰，会出现多点但是不固定的情况，无法保证每次都检测出车辆的同一个点，导致该算法失效。
第二种是利用测量点的速度反推，这种方法失效场景是当目标运动方向与雷达垂直时，其在雷达的分量接近于0，即雷达测量速度为0，且目标处在雷达FOV边界，角度易受噪声干扰产生误差，此区域推算出的速度不稳定，且误差大，无法正确反推到真实速度。
上述均为近距离目标跟踪必受影响的场景，因此寻找新的算法提高近距离的跟踪性能至关重要。
发明内容
本申请为解决现有技术中跟踪点不固定导致跟踪算法失效的技术问题，以及解决现有技术中当目标运动方向与雷达垂直时，推算速度不稳定且误差大的技术问题，提供一种目标车辆跟踪方法及系统。
具体的，本申请提供一种目标车辆跟踪方法，包括以下步骤：
S100：响应于目标检测信号，获取目标车轮的所有雷达检测点，并根据所述雷达检测点获取车轮特征标记点。
S200：根据各车轮特征标记点进行点迹聚类，以获取车轮特征样本集合。
S300：基于所述车轮特征集合，对属于预设目标框内的车轮特征点进行关联，并根据关联结果提取目标跟踪点，以根据所述目标跟踪点对目标车辆进行跟踪。
在上述技术方案中，通过众多雷达检测点确定出一个目标跟踪点，有效的克服由于点迹跳动，无法找到固定点跟踪，导致近距离速度跟踪不稳定的问题；同时该方法对于强机动场景，改善由于滤波时延导致机动变化后，运动状态不能快速切换目标丢失中断的问题，还能避免当目标运动方向与雷达垂直时，推算出的速度不稳定，且误差大的问题。
进一步的，在执行步骤S100之前，包括：预先设置邻域半径和最小样本数。
在上述技术方案中，通过预先设置邻域半径和最小样本数，可以根据具体的应用场景和需求进行灵活调节，不同的环境条件和跟踪要求可能需要不同的邻域半径和最小样本数，这样可以根据实际情况进行参数设置，提高跟踪算法的适应性和性能；邻域半径和最小样本数的设置可以控制点迹聚类的精度和运算效率，较小的邻域半径和最小样本数可以实现更精细的点迹聚类，提高跟踪的准确性，而较大的邻域半径和最小样本数则可以加快聚类算法的计算速度，提高实时性。
进一步的，所述步骤S100在响应于目标检测信号后，具体包括：
根据预设波门获取目标车轮的所有雷达检测点。
获取各雷达检测点距离当前车辆的距离，并对距离相同的雷达检测点进行关联，以获取特征关联组。
判断各特征关联组中的雷达检测点的数量，当所述数量大于等于预设数量阈值时，对该特征关联组的各雷达检测点进行标记，以获取车辆特征标记点。
在上述技术方案中，通过形成关联组可以降低点迹聚类计算的复杂度，提高跟踪算法的实时性和运算效率；通过判断特征关联组中雷达检测点的数量，并对数量大于等于预设数量阈值的特征关联组中的各雷达检测点进行标记，能够更准确地提取车辆特征标记点，从而提高跟踪算法的稳定性和鲁棒性；通过获取车辆特征标记点，可以将车辆检测到的雷达检测点有效地聚类成车辆的特征集合，为后续的目标跟踪提供精确可靠的基础，提高目标跟踪的精度及效果。
进一步的，所述步骤S200具体包括：
随机选取一个车轮特征标记点作为种子点。
获取距离该种子点距离小于所述邻域半径的雷达检测点，并判定当前步骤的雷达检测点所在范围为第一邻域，若第一邻域内雷达检测点的数量大于等于最小样本数，则将该第一邻域内的雷达检测点加入至车轮特征样本集合。
分别获取距离第一邻域内的各雷达检测点距离小于所述邻域半径的雷达检测点，并判定当前步骤的雷达检测点所在范围为第二邻域，若第二邻域内雷达检测点的数量大于等于最小样本数，则将该第二邻域内的雷达检测点加入至所述车轮特征样本集合。
在上述技术方案中，通过随机选取一个车轮特征标记点作为种子点，并获取邻域内的雷达检测点加入车轮特征样本集合，能够有效提高特征样本集的准确性和代表性；邻域内的检测点与种子点的距离小于邻域半径，表明它们具有相似的特征，将其加入特征样本集可以更全面地表达目标车轮的特征；使用邻域半径和最小样本数来筛选加入车轮特征样本集的雷达检测点，可以控制样本集的大小和复杂度。
进一步的，在执行步骤S300之前，包括：根据所述步骤S100中所获取的雷达检测点标定预设目标框。
在上述技术方案中，通过根据获取的雷达检测点标定预设目标框，可以精确地确定目标车轮的位置和边界，提高目标框的准确性。
进一步的，所述步骤S300中的对属于预设目标框内的车轮特征点进行关联，包括：
判断所述车轮特征样本集合中的各雷达检测点是否属于该预设目标框，以筛选出属于所述预设目标框的雷达检测点并关联，进而获取第一初始跟踪点。
在上述技术方案中，这个第一初始跟踪点代表了目标车轮的初始位置，对于后续的跟踪过程非常重要，通过精确定位目标的初始位置，可以更准确地跟踪目标的运动轨迹，提高目标跟踪算法的稳定性和鲁棒性；只有在预设目标框内的特征点才会被关联，其他的噪声点或不相关点则会被排除在外，从而提高目标跟踪的准确性和可靠性。
进一步的，所述步骤S300中的提取目标跟踪点，包括：
根据所述第一初始跟踪点提取预设个两点之间距离小于预设距离的第二初始跟踪点。
计算所述第二初始跟踪点的均值，以获取目标跟踪点。
在上述技术方案中，通过提取预设个两点之间距离小于预设距离的第二初始跟踪点和计算均值，可以得到一个更准确的目标跟踪点；这个目标跟踪点代表了目标车轮的整体位置，具有更高的稳定性，这种稳定性有利于后续的目标跟踪，提高了可靠性。
进一步的，所述步骤S300中的根据所述目标跟踪点对目标车辆进行跟踪，包括：
根据所述目标跟踪点更新车轮信息，将更新后的车轮信息作为当前车轮信息。
获取历史车轮信息，并根据所述历史车轮信息和当前车轮信息计算目标车辆的线速度和航向角。
根据所述线速度和航向角计算目标车辆的速度，以根据该速度对目标车辆进行跟踪。
在上述技术方案中，通过更新和利用车轮信息，可以更准确地估计目标车辆的运动状态，包括线速度和航向角，从而提高跟踪的准确性。
进一步的，所述步骤S300还包括：
获取目标车轮信息，并对所述目标车轮信息进行滤波处理，以获取修正信息。
实时判断所述步骤S300中的跟踪方式是否匹配当前驾驶场景，当不匹配时，根据所述修正信息对目标车辆进行跟踪。
在上述技术方案中，通过对目标车轮信息进行滤波处理，可以降低车轮信息的噪声和误差对跟踪的影响，提高跟踪的准确性；通过实时判断跟踪方式是否匹配当前驾驶场景，并根据修正信息调整跟踪方式，可以增强跟踪算法的鲁棒性，这样可以更好地适应不同的驾驶场景和目标车辆的运动状态，减少因突发情况或不确定性导致的跟踪偏差。
基于同一构思，本申请还提供一种目标车辆跟踪系统，所述系统包括：
第一获取模块：用于响应于目标检测信号，获取目标车轮的所有雷达检测点，并根据所述雷达检测点获取车轮特征标记点。
第二获取模块：用于根据各车轮特征标记点进行点迹聚类，以获取车轮特征样本集合。
跟踪模块：用于基于所述车轮特征集合，对属于预设目标框内的车轮特征点进行关联，并根据关联结果提取目标跟踪点，以根据所述目标跟踪点对目标车辆进行跟踪。
在上述技术方案中，通过使用众多雷达检测点，可以确定一个目标跟踪点，从而有效克服了因点迹跳动而导致近距离速度跟踪不稳定的问题；同时，这种跟踪系统还改善了在强机动场景下由于滤波时延而导致的机动变化后无法快速切换目标丢失中断的问题；此外，该系统还能避免在目标运动方向与雷达垂直时推算出的速度不稳定且误差大的问题。
与现有技术相比，本申请的有益效果在于：
本申请通过获取目标车轮的雷达检测点并提取车轮特征标记点，然后通过对各车轮特征标记点进行点迹聚类获得特征样本集合，并最终基于车轮特征集合关联预设目标框内的车轮特征点和提取目标跟踪点来实现对目标车辆的跟踪。
本申请可以有效地实现近距离速度跟踪，能够更稳定地跟踪目标车辆的运动状态，提高跟踪的准确性和稳定性；采用了基于特征的跟踪方式，能够降低滤波时延带来的影响，从而在目标发生机动变化后能够快速切换跟踪，减少目标丢失的中断问题，提高系统的鲁棒性和可靠性。
附图说明
图1为本申请所述的一种目标车辆跟踪方法的流程图。
图2为图1所述的目标车辆跟踪方法的系统框架图。
具体实施方式
本申请提供一种目标车辆跟踪方法及系统，以解决现有技术中跟踪点不固定导致跟踪算法失效的技术问题，还用于解决现有技术中当目标运动方向与雷达垂直时，推算速度不稳定且误差大的技术问题。
下面结合具体实施例及附图对本申请的一种目标车辆跟踪方法及系统，作进一步详细描述。
实施例一：
请参见图1，本申请提供一种目标车辆跟踪方法，包括以下步骤：
S100：响应于目标检测信号，获取目标车轮的所有雷达检测点，并根据所述雷达检测点获取车轮特征标记点。
进一步的，在执行步骤S100之前，包括：预先设置邻域半径和最小样本数。
在本实施例中，设置半径ε和最小样本数MinPts作为后续进行点迹聚类的参数；其中半径ε用于确定一个样本点的邻域，最小样本数MinPts表示在ε半径内必须存在的样本点数量。
在上述技术方案中，通过预先设置邻域半径和最小样本数，可以根据具体的应用场景和需求进行灵活调节，不同的环境条件和跟踪要求可能需要不同的邻域半径和最小样本数，这样可以根据实际情况进行参数设置，提高跟踪算法的适应性和性能；邻域半径和最小样本数的设置可以控制点迹聚类的精度和运算效率，较小的邻域半径和最小样本数可以实现更精细的点迹聚类，提高跟踪的准确性，而较大的邻域半径和最小样本数则可以加快聚类算法的计算速度，提高实时性。
进一步的，所述步骤S100在响应于目标检测信号后，具体包括：根据预设波门获取目标车轮的所有雷达检测点。
在本实施例中，预设波门为deltX0＝1m，deltY0＝3m，deltV0＝1m/s，其中deltX0表示点与参考点的距离门限，deltY0表示点与参考点的距离门限，deltV0表示点与参考点的速度差；本领域技术人员也可以根据实际应用需求设置成其它数值，并不是只限制于此。
其中，系统使用雷达设备对目标车辆及其周围区域进行扫描，雷达可以发送无线电波并接收其反射信号，从而获取车轮的位置信息，当接收到反射信号后，系统会根据预设波门来筛选并获取目标车轮的所有雷达检测点；在预设波门内的检测点被认为是属于目标车辆的车轮特征。
获取各雷达检测点距离当前车辆的距离，并对距离相同的雷达检测点进行关联，以获取特征关联组。
判断各特征关联组中的雷达检测点的数量，当所述数量大于等于预设数量阈值时，对该特征关联组的各雷达检测点进行标记，以获取车辆特征标记点。
在本实施例中，根据车轮微多普勒的特征，即同距离扩展多个不同速度的值，速度范围不限，对雷达检测点做关联，关联点的数量满足特征所需的最低点数阈值5(即预设数量阈值)个点之后，认为满足车轮强特征，对这些点进行特征点标记，进而获取车辆特征标记点。
需要说明的是，预设数量阈值并不是只限定于5个，也可以选用其余数值。
在上述技术方案中，通过形成关联组可以降低点迹聚类计算的复杂度，提高跟踪算法的实时性和运算效率；通过判断特征关联组中雷达检测点的数量，并对数量大于等于预设数量阈值的特征关联组中的各雷达检测点进行标记，能够更准确地提取车辆特征标记点，从而提高跟踪算法的稳定性和鲁棒性；通过获取车辆特征标记点，可以将车辆检测到的雷达检测点有效地聚类成车辆的特征集合，为后续的目标跟踪提供精确可靠的基础，提高目标跟踪的精度及效果。
获取到车轮特征标记点之后，便可执行步骤S200。
S200：根据各车轮特征标记点进行点迹聚类，以获取车轮特征样本集合。
进一步的，所述步骤S200具体包括：
随机选取一个车轮特征标记点作为种子点。
在本实施例中，从车轮特征标记点中随机选择一个点作为种子点，该点将作为起始点用于获取车轮特征样本集合。
获取距离该种子点距离小于所述邻域半径的雷达检测点，并判定当前步骤的雷达检测点所在范围为第一邻域，若第一邻域内雷达检测点的数量大于等于最小样本数，则将该第一邻域内的雷达检测点加入至车轮特征样本集合。
在本实施例中，计算种子点的ε邻域，即距离种子点距离小于ε的所有点，如果邻域内的点数量大于等于MinPts，则将邻域内的点作为一个新的聚类，即将邻域内的点加入至车轮特征样本集合。
分别获取距离第一邻域内的各雷达检测点距离小于所述邻域半径的雷达检测点，并判定当前步骤的雷达检测点所在范围为第二邻域，若第二邻域内雷达检测点的数量大于等于最小样本数，则将该第二邻域内的雷达检测点加入至所述车轮特征样本集合。
在本实施例中，对于邻域内的每个点，如果某个点的邻域内的点数量也大于等于MinPts，则将其邻域内的点加入当前聚类。
需要说明的是，进行点迹聚类采用的是DBSCAN算法；最终，DBSCAN算法生成一个车轮特征样本集合，该集合有密度可达的点组成。
在上述技术方案中，通过随机选取一个车轮特征标记点作为种子点，并获取邻域内的雷达检测点加入车轮特征样本集合，能够有效提高特征样本集的准确性和代表性；邻域内的检测点与种子点的距离小于邻域半径，表明它们具有相似的特征，将其加入特征样本集可以更全面地表达目标车轮的特征；使用邻域半径和最小样本数来筛选加入车轮特征样本集的雷达检测点，可以控制样本集的大小和复杂度。
获取到车轮特征样本集合之后，便可执行步骤S300。
S300：基于所述车轮特征集合，对属于预设目标框内的车轮特征点进行关联，并根据关联结果提取目标跟踪点，以根据所述目标跟踪点对目标车辆进行跟踪。
进一步的，在执行步骤S300之前，包括：根据所述步骤S100中所获取的雷达检测点标定预设目标框。
在本实施例中，可以根据雷达检测点的最大和最小坐标确定目标框的范围，一旦预设目标框被标定，可以根据车轮特征集合执行步骤S300。
在上述技术方案中，通过根据获取的雷达检测点标定预设目标框，可以精确地确定目标车轮的位置和边界，提高目标框的准确性。
进一步的，所述步骤S300中的对属于预设目标框内的车轮特征点进行关联，包括：
判断所述车轮特征样本集合中的各雷达检测点是否属于该预设目标框，以筛选出属于所述预设目标框的雷达检测点并关联，进而获取第一初始跟踪点。
在本实施例中，根据步骤S100和S200所生成的车轮特征样本集合，找到其中位于预设目标框内的样本点；然后，我们车轮特征样本集合中每个雷达检测点是否位于预设目标框内，如果是，将其判定为关联点，并将其加入到关联点集合中，将该集合中的所有点作为第一初始跟踪点。
在上述技术方案中，这个第一初始跟踪点代表了目标车轮的初始位置，对于后续的跟踪过程非常重要，通过精确定位目标的初始位置，可以更准确地跟踪目标的运动轨迹，提高目标跟踪算法的稳定性和鲁棒性；只有在预设目标框内的特征点才会被关联，其他的噪声点或不相关点则会被排除在外，从而提高目标跟踪的准确性和可靠性。
进一步的，所述步骤S300中的提取目标跟踪点，包括：
根据所述第一初始跟踪点提取预设个两点之间距离小于预设距离的第二初始跟踪点。
计算所述第二初始跟踪点的均值，以获取目标跟踪点。
在本实施例中，所述预设距离为0.2m，预设个为5个；本领域技术人员也可以根据实际应用需求设定成其余数值，并不是只限定于此。
其中，两点之间的距离dis＝Δx2+Δy2，Δx和Δy表示两个第一初始跟踪点的坐标差，进而筛选出第二初始跟踪点。
然后根据所有第二初始跟踪点的坐标计算出一个坐标均值，该坐标均值就是目标跟踪点。
在上述技术方案中，通过提取预设个两点之间距离小于预设距离的第二初始跟踪点和计算均值，可以得到一个更准确的目标跟踪点；这个目标跟踪点代表了目标车轮的整体位置，具有更高的稳定性，这种稳定性有利于后续的目标跟踪，提高了可靠性。
进一步的，所述步骤S300中的根据所述目标跟踪点对目标车辆进行跟踪，包括：
根据所述目标跟踪点更新车轮信息，将更新后的车轮信息作为当前车轮信息。
获取历史车轮信息，并根据所述历史车轮信息和当前车轮信息计算目标车辆的线速度和航向角。
所述当前车轮信息即所述目标跟踪点的坐标，历史车轮信息为(x0，y0)，当前车轮信息为(x1，y1)。
根据所述线速度和航向角计算目标车辆的速度，以根据该速度对目标车辆进行跟踪。
在本实施例中，线速度航向角/>从而计算获得目标车辆的速度vy＝v*cosθ，vx＝v*sinθ，进而根据该速度对目标车辆进行跟踪。
需要说明的是，T表示观测到历史车轮信息和当前车轮信息的间隔时间。
在上述技术方案中，通过更新和利用车轮信息，可以更准确地估计目标车辆的运动状态，包括线速度和航向角，从而提高跟踪的准确性。
进一步的，所述步骤S300还包括：
获取目标车轮信息，并对所述目标车轮信息进行滤波处理，以获取修正信息。
在本实施例中，所实施的是卡尔曼滤波，所述修正信息包括车轮位置、车辆速度和航向角。
实时判断所述步骤S300中的跟踪方式是否匹配当前驾驶场景，当不匹配时，根据所述修正信息对目标车辆进行跟踪。
在上述技术方案中，通过对目标车轮信息进行滤波处理，可以降低车轮信息的噪声和误差对跟踪的影响，提高跟踪的准确性；通过实时判断跟踪方式是否匹配当前驾驶场景，并根据修正信息调整跟踪方式，可以增强跟踪算法的鲁棒性，这样可以更好地适应不同的驾驶场景和目标车辆的运动状态，减少因突发情况或不确定性导致的跟踪偏差。
实施例二：
请参见图2，本申请还提供一种目标车辆跟踪系统，所述系统包括：
第一获取模块：用于响应于目标检测信号，获取目标车轮的所有雷达检测点，并根据所述雷达检测点获取车轮特征标记点。
第二获取模块：用于根据各车轮特征标记点进行点迹聚类，以获取车轮特征样本集合。
跟踪模块：用于基于所述车轮特征集合，对属于预设目标框内的车轮特征点进行关联，并根据关联结果提取目标跟踪点，以根据所述目标跟踪点对目标车辆进行跟踪。
在上述技术方案中，通过使用众多雷达检测点，可以确定一个目标跟踪点，从而有效克服了因点迹跳动而导致近距离速度跟踪不稳定的问题；同时，这种跟踪系统还改善了在强机动场景下由于滤波时延而导致的机动变化后无法快速切换目标丢失中断的问题；此外，该系统还能避免在目标运动方向与雷达垂直时推算出的速度不稳定且误差大的问题。
综上所述，本申请提供一种目标车辆跟踪方法及系统；通过获取目标车轮的雷达检测点并提取车轮特征标记点，然后通过对各车轮特征标记点进行点迹聚类获得特征样本集合，并最终基于车轮特征集合关联预设目标框内的车轮特征点和提取目标跟踪点来实现对目标车辆的跟踪。本申请可以有效地实现近距离速度跟踪，能够更稳定地跟踪目标车辆的运动状态，提高跟踪的准确性和稳定性；采用了基于特征的跟踪方式，能够降低滤波时延带来的影响，从而在目标发生机动变化后能够快速切换跟踪，减少目标丢失的中断问题，提高系统的鲁棒性和可靠性。
尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并不是意图将本申请的范围限制于此。本邻域普通技术人员可以在其中进行各种改变和修改，而不偏离本申请的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本申请的范围之内。
本邻域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本邻域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的一些模块的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然对本申请的描述是结合以上具体实施例进行的，但是，熟悉本技术邻域的人员能够根据上述的内容进行许多替换、修改和变化是显而易见的。因此，所有这样的替代、改进和变化都包括在附后的权利要求的精神和范围内。

Claims (10)

1.一种目标车辆跟踪方法，其特征在于，包括以下步骤：
S100：响应于目标检测信号，获取目标车轮的所有雷达检测点，并根据所述雷达检测点获取车轮特征标记点；
S200：根据各车轮特征标记点进行点迹聚类，以获取车轮特征样本集合；
S300：基于所述车轮特征集合，对属于预设目标框内的车轮特征点进行关联，并根据关联结果提取目标跟踪点，以根据所述目标跟踪点对目标车辆进行跟踪。
2.根据权利要求1所述的目标车辆跟踪方法，其特征在于，在执行步骤S100之前，包括：预先设置邻域半径和最小样本数。
3.根据权利要求2所述的目标车辆跟踪方法，其特征在于，所述步骤S100在响应于目标检测信号后，具体包括：
根据预设波门获取目标车轮的所有雷达检测点；
获取各雷达检测点距离当前车辆的距离，并对距离相同的雷达检测点进行关联，以获取特征关联组；
判断各特征关联组中的雷达检测点的数量，当所述数量大于等于预设数量阈值时，对该特征关联组的各雷达检测点进行标记，以获取车辆特征标记点。
4.根据权利要求3所述的目标车辆跟踪方法，其特征在于，所述步骤S200具体包括：
随机选取一个车轮特征标记点作为种子点；
获取距离该种子点距离小于所述邻域半径的雷达检测点，并判定当前步骤的雷达检测点所在范围为第一邻域，若第一邻域内雷达检测点的数量大于等于最小样本数，则将该第一邻域内的雷达检测点加入至车轮特征样本集合；
分别获取距离第一邻域内的各雷达检测点距离小于所述邻域半径的雷达检测点，并判定当前步骤的雷达检测点所在范围为第二邻域，若第二邻域内雷达检测点的数量大于等于最小样本数，则将该第二邻域内的雷达检测点加入至所述车轮特征样本集合。
5.根据权利要求4所述的目标车辆跟踪方法，其特征在于，在执行步骤S300之前，包括：根据所述步骤S100中所获取的雷达检测点标定预设目标框。
6.根据权利要求5所述的目标车辆跟踪方法，其特征在于，所述步骤S300中的对属于预设目标框内的车轮特征点进行关联，包括：
判断所述车轮特征样本集合中的各雷达检测点是否属于该预设目标框，以筛选出属于所述预设目标框的雷达检测点并关联，进而获取第一初始跟踪点。
7.根据权利要求6所述的目标车辆跟踪方法，其特征在于，所述步骤S300中的提取目标跟踪点，包括：
根据所述第一初始跟踪点提取预设个两点之间距离小于预设距离的第二初始跟踪点；
计算所述第二初始跟踪点的均值，以获取目标跟踪点。
8.根据权利要求7所述的目标车辆跟踪方法，其特征在于，所述步骤S300中的根据所述目标跟踪点对目标车辆进行跟踪，包括：
根据所述目标跟踪点更新车轮信息，将更新后的车轮信息作为当前车轮信息；
获取历史车轮信息，并根据所述历史车轮信息和当前车轮信息计算目标车辆的线速度和航向角；
根据所述线速度和航向角计算目标车辆的速度，以根据该速度对目标车辆进行跟踪。
9.根据权利要求8所述的目标车辆跟踪方法，其特征在于，所述步骤S300还包括：
获取目标车轮信息，并对所述目标车轮信息进行滤波处理，以获取修正信息；
实时判断所述步骤S300中的跟踪方式是否匹配当前驾驶场景，当不匹配时，根据所述修正信息对目标车辆进行跟踪。
10.一种采用如权利要求1-9任一项所述的目标车辆跟踪方法的系统，其特征在于，所述系统包括：
第一获取模块：用于响应于目标检测信号，获取目标车轮的所有雷达检测点，并根据所述雷达检测点获取车轮特征标记点；
第二获取模块：用于根据各车轮特征标记点进行点迹聚类，以获取车轮特征样本集合；
跟踪模块：用于基于所述车轮特征集合，对属于预设目标框内的车轮特征点进行关联，并根据关联结果提取目标跟踪点，以根据所述目标跟踪点对目标车辆进行跟踪。
CN202311625881.1A 2023-11-30 2023-11-30 一种目标车辆跟踪方法及系统 Pending CN117630908A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311625881.1A CN117630908A (zh) 2023-11-30 2023-11-30 一种目标车辆跟踪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311625881.1A CN117630908A (zh) 2023-11-30 2023-11-30 一种目标车辆跟踪方法及系统

Publications (1)

Publication Number Publication Date
CN117630908A true CN117630908A (zh) 2024-03-01

Family

ID=90028298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311625881.1A Pending CN117630908A (zh) 2023-11-30 2023-11-30 一种目标车辆跟踪方法及系统

Country Status (1)

Country Link
CN (1) CN117630908A (zh)

Similar Documents

Publication Publication Date Title
Zhang et al. Extending reliability of mmwave radar tracking and detection via fusion with camera
CN109870680B (zh) 一种目标分类方法及装置
CN107710010B (zh) 车辆雷达系统和用于估计车辆雷达系统失准的方法
CN1940591B (zh) 使用传感器融合进行目标跟踪的系统和方法
US12005907B2 (en) Method for determining position data and/or motion data of a vehicle
US10585188B2 (en) Broadside detection system and techniques for use in a vehicular radar
US9812008B2 (en) Vehicle detection and tracking based on wheels using radar and vision
JP3122389B2 (ja) 背景クラッタ中のレーダ目標追跡システム
JP2015525873A (ja) 車両用レーダセンサのミスアライメント処理
CN109613509B (zh) 一种车载雷达散射点的聚类方法及装置
KR101752651B1 (ko) 레이더 시스템의 클러터 제거 및 다중 표적 추적방법
CN111386476B (zh) 确定车辆雷达系统中的对象运动和加速度矢量
EP3671272A1 (en) Vehicle sensor fusion based on fuzzy sets
EP3819663A1 (en) Method for determining a position of a vehicle
CN112363131A (zh) 车载毫米波雷达数据的处理方法、装置及计算机存储介质
Grebner et al. Self-calibration of a network of radar sensors for autonomous robots
CN110678776B (zh) 用于增强的对象跟踪的系统
Musicki et al. Measurement Gaussian sum mixture target tracking
CN116449329B (zh) 毫米波雷达的速度解模糊方法、系统、设备及存储介质
CN117630908A (zh) 一种目标车辆跟踪方法及系统
JPWO2019065411A1 (ja) 車両検知システム
JP7303365B2 (ja) 検出値のストリングに基づいたセンサ較正
Stolz et al. Direction of movement estimation of cyclists with a high-resolution automotive radar
Mikhalev et al. Fusion of sensor data for source localization using the Hough transform
CN117872310B (zh) 基于雷达的水面目标跟踪方法、装置、设备及介质

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