CN117872310A - 基于雷达的水面目标跟踪方法、装置、设备及介质 - Google Patents

Abstract

本发明实施例公开了一种基于雷达的水面目标跟踪方法、装置、设备及介质。所述雷达包括激光雷达与毫米波雷达，所述方法包括：将通过激光雷达与毫米波雷达所探测到的点云数据进行预处理；将激光雷达点云数据进行点云空间处理，确定跟踪目标当前帧的空间信息；将毫米波雷达点云数据进行动目标识别，确定跟踪目标当前帧的速度信息；将跟踪目标当前帧的空间信息与速度信息进行关联，并根据关联结果构建目标融合信息集合；对目标融合信息集合进行特征提取并构建状态空间，根据状态空间对跟踪目标进行跟踪。通过实施本发明实施例的方法可解决在复杂水面环境下无人船结合激光雷达和毫米波雷达的融合结果仍对水面目标无法保持良好的跟踪性能的问题。

Description

基于雷达的水面目标跟踪方法、装置、设备及介质

技术领域

本发明涉及无人船水面感知的技术领域，尤其涉及一种基于雷达的水面目标跟踪方法、装置、设备及介质。

背景技术

随着无人船的快速发展，无人船逐渐被广泛应用于多种领域，例如水上勘测、水质检测等领域，无人船行驶中目标的检测和感知是十分重要的，但是，在恶劣天气条件下，单个雷达传感器对目标的识别和跟踪是有限的，因此通常将激光雷达和毫米波雷达的感知结果进行决策级融合以获取目标的感知结果，但融合过程中存在目标感知结果鲁棒性较差的问题，使得无法发挥出数据融合的优势以及对目标的感知结果不够准确，导致无人船无法对水面目标保持良好的跟踪性能。

发明内容

本发明实施例提供了一种基于雷达的水面目标跟踪方法、装置、设备及介质，旨在解决在复杂水面环境下无人船结合激光雷达和毫米波雷达的融合结果仍对水面目标无法保持良好的跟踪性能的问题。

第一方面，本发明实施例提供了一种基于雷达的水面目标跟踪方法，其包括：将通过所述激光雷达与所述毫米波雷达所探测到的当前帧的激光雷达点云数据与毫米波雷达点云数据进行预处理；将预处理后的所述激光雷达点云数据进行点云空间处理，确定跟踪目标当前帧的空间信息；将预处理后的所述毫米波雷达点云数据进行动目标识别，确定所述跟踪目标当前帧的速度信息；将所述跟踪目标当前帧的所述空间信息与所述速度信息进行关联，并根据关联结果构建目标融合信息集合；对所述目标融合信息集合进行特征提取并构建状态空间，根据所述状态空间对所述跟踪目标进行跟踪。

第二方面，本发明实施例还提供了一种基于雷达的水面目标跟踪装置，其包括：预处理单元，用于将通过所述激光雷达与所述毫米波雷达所探测到的当前帧的激光雷达点云数据与毫米波雷达点云数据进行预处理；空间处理单元，用于将预处理后的所述激光雷达点云数据进行点云空间处理，确定跟踪目标当前帧的空间信息；识别单元，用于将预处理后的所述毫米波雷达点云数据进行动目标识别，确定所述跟踪目标当前帧的速度信息；关联单元，用于将所述跟踪目标当前帧的所述空间信息与所述速度信息进行关联，并根据关联结果构建目标融合信息集合；构建单元，用于对所述目标融合信息集合进行特征提取并构建状态空间，根据所述状态空间对所述跟踪目标进行跟踪。

第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现上述方法。

本发明实施例提供了一种基于雷达的水面目标跟踪方法、装置、设备及介质。其中，所述方法包括：将通过所述激光雷达与所述毫米波雷达所探测到的当前帧的激光雷达点云数据与毫米波雷达点云数据进行预处理；将预处理后的所述激光雷达点云数据进行点云空间处理，确定跟踪目标当前帧的空间信息；将预处理后的所述毫米波雷达点云数据进行动目标识别，确定所述跟踪目标当前帧的速度信息；将所述跟踪目标当前帧的所述空间信息与所述速度信息进行关联，并根据关联结果构建目标融合信息集合；对所述目标融合信息集合进行特征提取并构建状态空间，根据所述状态空间对所述跟踪目标进行跟踪。本发明通过将激光雷达点云数据进行点云空间处理，获取精准的跟踪目标当前帧的空间信息，并将所述毫米波雷达点云数据进行动目标识别，获取精准速度信息，将两种信息进行融合可有效减小单一传感器的盲区和误检率。提高水面目标跟踪的稳定性和鲁棒性，提升系统的抗干扰能力，使得在复杂水面环境下无人船仍可对水面目标进行检测与追踪。

附图说明

为了更清楚地说明本发明实施例技术方案，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，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的基于雷达的水面目标跟踪方法的流程示意图；

图2为本发明实施例提供的基于雷达的水面目标跟踪方法的子流程示意图；

图3为本发明实施例提供的基于雷达的水面目标跟踪方法的子流程示意图；

图4为本发明实施例提供的基于雷达的水面目标跟踪方法的子流程示意图；

图5为本发明实施例提供的基于雷达的水面目标跟踪方法的子流程示意图；

图6为本发明实施例提供的基于雷达的水面目标跟踪方法的子流程示意图；

图7为本发明实施例提供的基于雷达的水面目标跟踪方法的子流程示意图；

图8为本发明实施例提供的基于雷达的水面目标跟踪装置的示意性框图；

图9为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1，图1为本发明实施例提供的基于雷达的水面目标跟踪方法的示意性流程图。本实施例中的基于雷达的水面目标跟踪方法可以应用于很多自动驾驶设备中，例如，机器人或者无人船等设备中。将无人船等设备安装毫米波雷达与激光雷达传感器，获取所述传感器所探测到的点云数据，将其进行数据融合，可提高水面目标跟踪的稳定性和鲁棒性，提升系统的抗干扰能力，使得在复杂水面环境下无人船仍可对水面目标进行检测与追踪。

图1是本发明实施例提供的基于雷达的水面目标跟踪方法的流程示意图。如图所示，该方法包括以下步骤S110-S150。

S110、将通过所述激光雷达与所述毫米波雷达所探测到的当前帧的激光雷达点云数据与毫米波雷达点云数据进行预处理。

在本实施例中，所述激光雷达是以发射激光束探测目标的位置、速度等特征量的雷达系统。所述毫米波雷达是工作在毫米波波段探测的雷达。通常毫米波是指30～300GHz频域(波长为1～10mm)。通过毫米波雷达数据协议以及激光雷达数据协议将两种传感器所探测到的数据进行解析，以获取原始数据，其中，所述原始数据即为当前帧的激光雷达点云数据与毫米波雷达点云数据，并对其进行预处理，例如，将其进行过滤，并将坐标转换至当前无人船坐标系下的坐标等预处理。通过将所述激光雷达与所述毫米波雷达所探测到的当前帧的激光雷达点云数据与毫米波雷达点云数据进行预处理，使得可以将所探测到的点云数据进行筛选以及规范化，以减少计算量并便于计算。

在一实施例中，如图2所示，所述步骤S110还包括步骤S111-S113。

S111、将所述激光雷达点云数据与所述毫米波雷达点云数据通过空间平移旋转计算进行数据融合；

S112、通过滤波算法将融合后的所述激光雷达点云数据与所述毫米波雷达点云数据进行过滤；

S113、通过预设标定矩阵将过滤后的所述激光雷达点云数据与所述毫米波雷达点云数据的坐标转换至预设世界坐标系下的坐标，获取预处理后的所述激光雷达点云数据与所述毫米波雷达点云数据。

在本实施例中，所述将所述激光雷达点云数据与所述毫米波雷达点云数据通过空间平移旋转计算进行数据融合，具体地，所述空间平移旋转计算公式为：其中，/>为第 i 个激光雷达点云原始数据，/>为第 i 个激光雷达的空间外参标定矩阵，/>为融合后的激光雷达点云数据。其中，所述空间外参标定矩阵由旋转矩阵R和平移向量t组成，可根据具体的坐标系进行标定获取。同理可获取数据融合后的所述毫米波雷达点云数据/>。所述滤波算法为对所述点云数据中的杂波进行过滤的算法。所述滤波算法包括半径滤波与体素滤波。其中，半径滤波是一种基于点云中每个点周围的邻域半径来进行滤波的方法，对于点云中的每个点，计算以该点为中心的球形邻域内的点的平均特性（例如坐标、颜色、法向量等），然后将该点的特性更新为该平均值，达到去除噪声和平滑点云。所述体素滤波是一种将点云数据离散化为体素格子（或立方体体素）的滤波方法，将点云被分割成三维体素网格，每个体素格子内的点云被合并为一个单一点，通常采用体素格子内点的平均值或中值，降低点云数据量，并保持点云的整体结构。将融合后的所述激光雷达点云数据与所述毫米波雷达点云数据先后通过半径滤波与体素滤波进行过滤，并通过预设标定矩阵将过滤后的所述激光雷达点云数据与所述毫米波雷达点云数据的坐标转换至预设世界坐标系下的坐标，具体地，通过惯性测量单元测量出船舶在大地坐标系的偏移角度，通过GPS测量船舶在大地坐标系的平移向量/>。通过旋转矩阵和平移矩阵将滤波后的激光雷达数据和毫米波雷达数据转变到世界坐标系中。其中旋转矩阵和平移矩阵的表达式为：/>其中，/>为旋转矩阵，为平移矩阵，/>为平移向量，/>为偏移角度。所述预设世界坐标系为以船上电时刻位置为原点，设定正北方向为 y 轴正向，正东方向为 x 轴正向所建立的坐标系。

具体地，将点云数据由无人船船坐标系转化到世界坐标系/>的表达式为:其中，/>为点云数据在世界坐标系下的坐标，/>为旋转矩阵，为平移矩阵，/>为点云数据在无人船坐标系下的坐标。通过将所述无人船数据进行坐标融合、过滤以及坐标转换，使得探测到的所述点云数据为当前世界坐标下的坐标，且将点云数据中的杂波进行过滤，以减少后续的数据计算量。

S120、将预处理后的所述激光雷达点云数据进行点云空间处理，确定跟踪目标当前帧的空间信息。

在本实施例中，所述空间信息为所述激光雷达点云数据所探测到的跟踪目标的外部信息。具体地，所述跟踪目标当前帧的空间信息包括所述跟踪目标的目标中心以及目标外接尺寸。将预处理后的所述激光雷达点云数据进行点云空间处理。例如，可将所述激光雷达点云数据进行特征提取以及过滤并从云端地图模块获取感知边界等点云空间处理，可以理解的是，激光雷达以其高分辨率和精确的测距能力而闻名，可以提供精确的目标位置信息。即使是在恶劣的环境下，激光雷达的分辨率虽然会受到影响但仍比毫米波雷达点云数据探测的要精确，因此，通过将激光雷达点云数据进行点云空间处理，确定跟踪目标当前帧的空间信息，可以获取在复杂水面下较为精准的跟踪目标的空间信息，以便于对跟踪目标进行追踪。

在一实施例中，如图3所示，所述步骤S120还包括步骤S121-S124。

S121、将所述激光雷达点云数据进行聚类以及特征提取以识别所述跟踪目标的点云；

S122、根据预设面积阈值与预设地图模块对所述跟踪目标的点云进行过滤，并根据过滤后的所述跟踪目标的点云确定所述跟踪目标的尺寸信息；

S123、对过滤后的所述跟踪目标的点云进行平均计算确定所述跟踪目标的中心位置；

S124、根据所述跟踪目标的所述尺寸信息以及所述中心位置确定所述跟踪目标当前帧的所述空间信息。

在本实施例中，所述预设面积阈值为对点云面积的设置的面积范围，其中，所述点云面积包括最大点云面积阈值以及最小点云面积阈值。将所述激光雷达点云数据进行聚类以及特征提取以识别所述跟踪目标的点云，具体地，通过聚类算法对所述激光雷达点云数据进行聚类以获取聚类目标，具体地，可通过DBSCAN密度聚类算法、欧几里德聚类算法将所述点云数据进行聚类。并依次对每个聚类目标进行特征提取，然后通过预先训练的点云识别模型进行检测，识别船只的跟踪目标。识别船只的跟踪目标后根据预设的最大点云面积阈值以及最小点云面积阈值将所船只聚类目标进行过滤，即仅保留处于最大点云面积阈值以及最小点云面积阈值内的聚类点云数据。其中最大点云面积阈值以及最小点云面积阈值为根据感知需求定义的超参数，默认为和/>。并从云端地图模块获取感知边界，过滤边界外的目标。对过滤后的所述跟踪目标的点云进行平均计算确定所述跟踪目标的中心位置，具体地，将每个聚类目标进行平均计算，即计算每个聚类目标的点云坐标的平均值，将所述平均值的坐标作为目标中心，后求取最大外界矩形作为该目标的尺寸，并组合目标中心和目标外接尺寸，得到目标空间估计结果。通过将所述激光雷达点云数据进行点云空间处理，确定跟踪目标当前帧的空间信息，以获取当前跟踪目标的较为准确的空间信息，便于对其进行追踪。

S130、将预处理后的所述毫米波雷达点云数据进行动目标识别，确定所述跟踪目标当前帧的速度信息。

在本实施例中，所述动目标识别为所述跟踪目标进行是否为运动状态的识别。所述将预处理后的所述毫米波雷达点云数据进行动目标识别，具体地，可获取所述点云数据的多普勒速度以此获取点云空间速度，根据所述点云空间速度判断所述点云数据是否为运动状态，若非运动状态，则获取其现在的位置信息，若为运动状态则获取其运动速度。可以理解的是，毫米波雷达在恶劣环境更具有稳定性，但是其分辨率通常较低，因此可以通过预处理后的所述毫米波雷达点云数据进行动目标识别，确定所述跟踪目标当前帧的速度信息，以获取当前帧跟踪目标的运动状态，便于对其进行跟踪。

在一实施例中，如图4所示，所述步骤S130还包括步骤S131-S133。

S131、将所述毫米波雷达点云数据进行聚类，并获取聚类后的任一聚类簇中的点云的多普勒速度，根据所述多普勒速度确定所述点云的空间速度；

S132、统计所有所述点云的空间速度大于预设速度阈值的比例，若所述比例大于预设比例阈值，则判定所述跟踪目标处于运动状态，并获取所有所述聚类簇中点云的所述空间速度的平均值；

S133、根据所述空间速度的平均值确定所述跟踪目标当前帧的所述速度信息。

在本实施例中，所述多普勒速度为根据多普勒原理测得的目标物相对于雷达径向的速度。所述点云空间速度为激光雷达点云数据在空间坐标系下进行运动的速度。将所述激光雷达点云数据进行聚类，具体地，可通过聚类方法将点云进行聚类，例如，可通过DBSCAN聚类法、K均值聚类、层次聚类、谱聚类等聚类方法将所述点云数据进行聚类。获取聚类后的任一聚类簇中的点云的多普勒速度，根据所述多普勒速度确定所述点云的空间速度的步骤具体为，选择聚类结果中任一簇聚类对象，获取包含的毫米波雷达的点云数据。由于毫米波雷达的多普勒速度为点云径向速度，因此对点云的多普勒速度进行投影，得到点云空间速度。具体获取所述点云空间速度的方法为：其中，所述为点云空间速度，/>为任一聚类簇中的点云的多普勒速度，/>为点云位置到船的夹角。统计所有所述点云的空间速度大于预设速度阈值的比例的步骤具体为，对所述点云的空间速度进行统计，并计算大于预设速度阈值的点云比例，所述预设运动速度阈值为提前设定的超参数。所述预设比例阈值为45%，若所述大于预设速度阈值的点云比例超过45%则认为该目标为运动目标，若小于等于0.45，则认为该跟踪目标静止。其中，若所述跟踪目标为静止状态时，所述跟踪目标的运动速度为0，则可直接获取所述跟踪目标的位置信息。当所述跟踪目标为运动状态时，对求取的聚类簇中的所有点云的空间速度进行平均计算，得到运动速度v：/>其中，v 为运动速度，/>为聚类簇 c 的点云数量，/>为聚类簇c内第i个点的空间速度。并依次对聚类结果中对每一簇聚类对象进行动目标识别，得到所述毫米波雷达点云所测得的运行信息。通过对所述毫米波雷达点云数据进行动目标识别，确定所述跟踪目标当前帧的速度信息，以获取当前帧跟踪目标的运动状态，便于对其进行跟踪。

S140、将所述跟踪目标当前帧的所述空间信息与所述速度信息进行关联，并根据关联结果构建目标融合信息集合。

在本实施例中，所述目标融合信息集合包括所述跟踪目标的激光雷达点云数据、目标尺寸、目标位置、毫米波雷达点云数据和目标速度。将所述跟踪目标当前帧的所述空间信息与所述速度信息进行关联，具体地，可将所述空间信息与所述速度信息转换至世界坐标系下，并对其构建关联矩阵并通过匈牙利匹配进行关联，以根据关联结果构建目标融合信息集合。通过将所述跟踪目标当前帧的所述空间信息与所述速度信息进行关联以构建目标融合信息集合，使得将两个雷达传感器所测得的点云数据进行关联，以获取跟踪目标精确的空间信息以及运行信息。

在一实施例中，如图5所示，所述步骤S140还包括步骤S141-S143。

S141、根据所述跟踪目标当前帧的所述空间信息与所述速度信息构建距离关联矩阵；

S142、将所述距离关联矩阵中大于预设距离阈值的元素修改为目标数据，以更新所述距离关联矩阵；

S143、根据更新后的所述距离关联矩阵进行匹配获取所述关联结果，根据所述关联结果构建所述目标融合信息集合。

在本实施例中，所述距离关联矩阵为根据所述无人船与所述跟踪目标之间的距离所构建的关联矩阵。所述目标数据为预设的数值，其中所述数值为10000。根据所述跟踪目标当前帧的所述空间信息与所述速度信息构建距离关联矩阵的步骤之前还包括，将所述跟踪目标当前帧的所述空间信息与所述位置与速度信息均转换至世界坐标系下，其中，所述世界坐标系是以无人船上电时刻位置为原点，设定正北方向为 y 轴正向，正东方向为 x轴正向所建立的坐标系。然后即可根据所述跟踪目标当前帧的所述空间信息与所述速度信息构建距离关联矩阵，对激光雷达和毫米波雷达的距离关联矩阵进行门限计算，将距离关联矩阵中大于距离阈值的元素设为10000，即将所述距离关联矩阵中大于预设距离阈值的元素修改为目标数据，具体地，，所述M为距离关联矩阵，所述m为所述距离关联矩阵M中的元素，dis为预先设置的距离阈值。将大于预设距离阈值的元素修改为目标数据以更新所述距离关联矩阵。根据更新后的所述距离关联矩阵进行匹配获取所述关联结果，即将所述距离关联矩阵进行匈牙利匹配以得到关联结果。其中，所述匈牙利算法是一种在多项式时间内求解任务分配问题的组合优化算法。根据关联结果构建所述目标融合信息集合，其中，目标融合信息集合包含跟踪目标的激光雷达点云、目标尺寸、目标位置、毫米波雷达点云和目标速度。通过构建目标融合信息集合，使得将两个雷达传感器所测得的点云数据进行关联，以获取跟踪目标精确的空间信息以及运行信息。

S150、对所述目标融合信息集合进行特征提取并构建状态空间，根据所述状态空间对所述跟踪目标进行跟踪。

在本实施例中，所述状态空间为所述跟踪目标在当前世界坐标系下的状态集合。其中，所述状态空间包括：目标横坐标位置，纵坐标位置，目标横坐标速度，目标横坐标速度，目标横坐标尺寸，目标纵坐标尺寸，目标高度，激光雷达点云数量，毫米波雷达点云数量。获取当前帧的状态空间并与上一帧的状态空间进行变量对比，以获取所述跟踪目标的变化信息，对所述跟踪目标进行跟踪。通过对所述目标融合信息集合进行特征提取并构建状态空间以将两个雷达传感器所探测的数据进行融合获取最终跟踪目标的准确信息，以便于对所述跟踪目标进行追踪。

在一实施例中，如图6所示，所述步骤S150还包括步骤S151-S153。

S151、将所述目标融合结果进行特征提取，以构建所述跟踪目标当前帧在预设世界坐标系下的状态空间；

S152、将上一帧的所述状态空间与当前帧的所述状态空间通过高斯模型进行估计，确定目标估计结果；

S153、将上一帧的所述状态空间与所述目标估计结果进行匹配关联确定目标关联结果，根据所述目标关联结果对所述跟踪目标进行跟踪。

在本实施例中，所述特征提取是提取出所述目标融合结果中描述所述跟踪目标的特征，具体地，所述特征提取方法包括但不限于表面特征提取法、局部特征提取法等方法。将所述目标融合结果进行特征提取，具体地，提取出所述目标融合结果中的横坐标位置，纵坐标位置，目标横坐标速度，目标横坐标速度等信息以构建所述跟踪目标当前帧在预设世界坐标系下的状态空间，具体地，所述状态空间可表示为：，其中，/>为所述跟踪目标的横坐标位置，/>为所述跟踪目标的纵坐标位置，/>为横坐标速度，/>为纵坐标速度，/>为横坐标尺寸，/>为纵坐标尺寸，/>为所述跟踪目标的高度，/>为激光雷达点云数量，/>为毫米波雷达点云数量。H为跟踪目标在世界坐标系下的状态空间。将上一帧的所述状态空间与当前帧的所述状态空间通过高斯模型进行估计，确定目标估计结果，具体地，对上一帧的状态空间基于线性高斯模型进行估计，得到目标估计结果/>：/>其中，所述/>为所述目标估计结果，所述/>为上一帧的状态空间，f为线性高斯模型，其中，所述线性高斯模型用高斯概率密度函数精确地量化事物的模型。通过匈牙利匹配对目标估计结果/>和当前状态空间结果H进行关联，获取所述关联结果。即可根据所述关联结果中所显示的数据对所述跟踪目标进行跟踪。通过构建状态空间以将两个雷达传感器所探测的数据进行融合获取最终跟踪目标的准确信息，以便于对所述跟踪目标进行追踪。

在一实施例中，如图7所示，所述步骤S153还包括步骤S1531-S1532。

S1531、判断所述关联结果的帧数是否大于预设初始跟踪帧数阈值；

S1532、若大于，则将所述跟踪目标的位置信息进行更新以对跟踪目标进行跟踪。

在本实施例中，所述预设初始跟踪帧数阈值为预设的跟踪目标的采集帧数阈值，可以理解的是，所述关联结果为当前帧的状态空间结果结合上一帧的状态空间结果，下一帧的状态空间结果结合当前帧的状态空间结果，即所述关联结果中存在多个帧的状态空间结果。判断所述关联结果的帧数是否大于预设初始跟踪帧数阈值，若大于，则将所述跟踪目标的位置信息进行更新以对跟踪目标进行跟踪。具体地，若所述关联结果的帧数是否大于预设初始跟踪帧数阈值，则将所述跟踪目标进行更新以对跟踪目标进行跟踪。通过判断所述关联结果的帧数是否大于预设初始跟踪帧数阈值以决定是否对跟踪目标进行更新以及跟踪，可以避免对跟踪目标位置信息判断的偶然性，能够对运动的目标进行精确的速度估计，能够有效克服因目标检测误差带来的跟踪关联失败。

图8是本发明实施例提供的一种基于雷达的水面目标跟踪装置200的示意性框图。如图8所示，对应于以上基于雷达的水面目标跟踪方法，本发明还提供一种基于雷达的水面目标跟踪装置。该基于雷达的水面目标跟踪装置包括用于执行上述基于雷达的水面目标跟踪方法的单元，该装置可以被配置于台式电脑、平板电脑、手提电脑等终端中。具体地，请参阅图8，该基于雷达的水面目标跟踪装置包括预处理单元210、空间处理单元220、识别单元230、关联单元240以及构建单元250。

预处理单元210，用于将通过所述激光雷达与所述毫米波雷达所探测到的当前帧的激光雷达点云数据与毫米波雷达点云数据进行预处理。

在一实施例中，所述预处理单元210包括融合单元、过滤单元以及获取单元。

融合单元，用于将所述激光雷达点云数据与所述毫米波雷达点云数据通过空间平移旋转计算进行数据融合；

过滤单元，用于通过滤波算法将融合后的所述激光雷达点云数据与所述毫米波雷达点云数据进行过滤；

获取单元，用于通过预设标定矩阵将过滤后的所述激光雷达点云数据与所述毫米波雷达点云数据的坐标转换至预设世界坐标系下的坐标，获取预处理后的所述激光雷达点云数据与所述毫米波雷达点云数据。

空间处理单元220，用于将预处理后的所述激光雷达点云数据进行点云空间处理，确定跟踪目标当前帧的空间信息。

在一实施例中，所述空间处理单元220包括提取单元、确定单元、计算单元以及信息单元。

提取单元，用于将所述激光雷达点云数据进行聚类以及特征提取以识别所述跟踪目标的点云；

确定单元，用于根据预设面积阈值与预设地图模块对所述跟踪目标的点云进行过滤，并根据过滤后的所述跟踪目标的点云确定所述跟踪目标的尺寸信息；

计算单元，用于对过滤后的所述跟踪目标的点云进行平均计算确定所述跟踪目标的中心位置；

信息单元，用于根据所述跟踪目标的所述尺寸信息以及所述中心位置确定所述跟踪目标当前帧的所述空间信息。

识别单元230，用于将预处理后的所述毫米波雷达点云数据进行动目标识别，确定所述跟踪目标当前帧的速度信息。

在一实施例中，所述识别单元230包括聚类单元、判断单元、速度单元。

聚类单元，用于将所述毫米波雷达点云数据进行聚类，并获取聚类后的任一聚类簇中的点云的多普勒速度，根据所述多普勒速度确定所述点云的空间速度；

判断单元，用于统计所有所述点云的空间速度大于预设速度阈值的比例，若所述比例大于预设比例阈值则判定所述跟踪目标处于运动状态，并获取所有所述聚类簇中点云的所述空间速度的平均值；

速度单元，用于根据所述空间速度的平均值确定所述跟踪目标当前帧的所述速度信息。

关联单元240，用于将所述跟踪目标当前帧的所述空间信息与所述速度信息进行关联，并根据关联结果构建目标融合信息集合。

在一实施例中，所述关联单元240包括距离单元、修改单元、更新单元。

距离单元，用于根据所述跟踪目标当前帧的所述空间信息与所述速度信息构建距离关联矩阵；

修改单元，用于将所述距离关联矩阵中大于预设距离阈值的元素修改为目标数据，以更新所述距离关联矩阵；

更新单元，用于根据更新后的所述距离关联矩阵进行匹配获取所述关联结果，根据所述关联结果构建所述目标融合信息集合。

构建单元250，用于对所述目标融合信息集合进行特征提取并构建状态空间，根据所述状态空间对所述跟踪目标进行跟踪。

在一实施例中，所述构建单元250包括构建空间单元、估计单元、跟踪单元。

构建空间单元，用于将所述目标融合结果进行特征提取，以构建所述跟踪目标当前帧在预设世界坐标系下的状态空间；

估计单元，用于将上一帧的所述状态空间与当前帧的所述状态空间通过高斯模型进行估计，确定目标估计结果；

跟踪单元，用于将上一帧的所述状态空间与所述目标估计结果进行匹配关联确定目标关联结果，根据所述目标关联结果对所述跟踪目标进行跟踪。

在一实施例中，所述构建单元250包括帧数判断单元、跟踪子单元。

帧数判断单元，用于判断所述关联结果的帧数是否大于预设初始跟踪帧数阈值；

跟踪子单元，用于若大于，则将所述跟踪目标的位置信息进行更新以对跟踪目标进行跟踪。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述基于雷达的水面目标跟踪装置200和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

上述基于雷达的水面目标跟踪装置可以实现为一种计算机程序的形式，该计算机程序可以在如图9所示的计算机设备上运行。

请参阅图9，图9是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图9，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种基于雷达的水面目标跟踪方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种基于雷达的水面目标跟踪方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述方法的步骤。

应当理解，在本申请实施例中，处理器502可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路 (Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如上述方法的步骤。

所述存储介质可以是U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，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系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，终端，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于雷达的水面目标跟踪方法，其特征在于，所述雷达包括激光雷达与毫米波雷达，所述方法包括：

将通过所述激光雷达与所述毫米波雷达所探测到的当前帧的激光雷达点云数据与毫米波雷达点云数据进行预处理；

将预处理后的所述激光雷达点云数据进行点云空间处理，确定跟踪目标当前帧的空间信息；

将预处理后的所述毫米波雷达点云数据进行动目标识别，确定所述跟踪目标当前帧的速度信息；

将所述跟踪目标当前帧的所述空间信息与所述速度信息进行关联，并根据关联结果构建目标融合信息集合；

对所述目标融合信息集合进行特征提取并构建状态空间，根据所述状态空间对所述跟踪目标进行跟踪。

2.根据权利要求1所述的方法，其特征在于，所述将通过所述激光雷达与所述毫米波雷达所探测到的当前帧的激光雷达点云数据与毫米波雷达点云数据进行预处理的步骤，包括：

将所述激光雷达点云数据与所述毫米波雷达点云数据通过空间平移旋转计算进行数据融合；

通过滤波算法将融合后的所述激光雷达点云数据与所述毫米波雷达点云数据进行过滤；

通过预设标定矩阵将过滤后的所述激光雷达点云数据与所述毫米波雷达点云数据的坐标转换至预设世界坐标系下的坐标，获取预处理后的所述激光雷达点云数据与所述毫米波雷达点云数据。

3.根据权利要求1所述的方法，其特征在于，所述将预处理后的所述激光雷达点云数据进行点云空间处理，确定跟踪目标当前帧的空间信息的步骤，包括：

将所述激光雷达点云数据进行聚类以及特征提取以识别所述跟踪目标的点云；

根据预设面积阈值与预设地图模块对所述跟踪目标的点云进行过滤，并根据过滤后的所述跟踪目标的点云确定所述跟踪目标的尺寸信息；

对过滤后的所述跟踪目标的点云进行平均计算确定所述跟踪目标的中心位置；

根据所述跟踪目标的所述尺寸信息以及所述中心位置确定所述跟踪目标当前帧的所述空间信息。

4.根据权利要求1所述的方法，其特征在于，所述将预处理后的所述毫米波雷达点云数据进行动目标识别，确定所述跟踪目标当前帧的速度信息的步骤，包括：

将所述毫米波雷达点云数据进行聚类，并获取聚类后的任一聚类簇中的点云的多普勒速度，根据所述多普勒速度确定所述点云的空间速度；

统计所有所述点云的空间速度大于预设速度阈值的比例，若所述比例大于预设比例阈值则判定所述跟踪目标处于运动状态，并获取所有所述聚类簇中点云的所述空间速度的平均值；

根据所述空间速度的平均值确定所述跟踪目标当前帧的所述速度信息。

5.根据权利要求1所述的方法，其特征在于，所述将所述跟踪目标当前帧的所述空间信息与所述速度信息进行关联，并根据关联结果构建目标融合信息集合的步骤，包括：

根据所述跟踪目标当前帧的所述空间信息与所述速度信息构建距离关联矩阵；

将所述距离关联矩阵中大于预设距离阈值的元素修改为目标数据，以更新所述距离关联矩阵；

根据更新后的所述距离关联矩阵进行匹配获取所述关联结果，根据所述关联结果构建所述目标融合信息集合。

6.根据权利要求1所述的方法，其特征在于，所述对所述目标融合信息集合进行特征提取并构建状态空间，根据所述状态空间对所述跟踪目标进行跟踪的步骤，包括：

将所述目标融合结果进行特征提取，以构建所述跟踪目标当前帧在预设世界坐标系下的状态空间；

将上一帧的所述状态空间与当前帧的所述状态空间通过高斯模型进行估计，确定目标估计结果；

将上一帧的所述状态空间与所述目标估计结果进行匹配关联确定目标关联结果，根据所述目标关联结果对所述跟踪目标进行跟踪。

7.根据权利要求6所述的方法，其特征在于，所述根据所述目标关联结果对所述跟踪目标进行跟踪的步骤，包括：

判断所述关联结果的帧数是否大于预设初始跟踪帧数阈值；

若大于，则将所述跟踪目标的位置信息进行更新以对跟踪目标进行跟踪。

8.一种基于雷达的水面目标跟踪装置，其特征在于，所述雷达包括激光雷达与毫米波雷达，所述装置包括：

预处理单元，用于将通过所述激光雷达与所述毫米波雷达所探测到的当前帧的激光雷达点云数据与毫米波雷达点云数据进行预处理；

空间处理单元，用于将预处理后的所述激光雷达点云数据进行点云空间处理，确定跟踪目标当前帧的空间信息；

识别单元，用于将预处理后的所述毫米波雷达点云数据进行动目标识别，确定所述跟踪目标当前帧的速度信息；

关联单元，用于将所述跟踪目标当前帧的所述空间信息与所述速度信息进行关联，并根据关联结果构建目标融合信息集合；

构建单元，用于对所述目标融合信息集合进行特征提取并构建状态空间，根据所述状态空间对所述跟踪目标进行跟踪。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。

10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如权利要求1-7中任一项所述的方法。