The invention provides a multi-target tracking method and system based on automobile radar, which includes: generating effective targets by clustering each detection target with density clustering; calculating the correlation degree of each effective target with the track of the previous cycle to generate the first covariance matrix; generating evaluation by dynamic alpha filtering according to the first covariance matrix and the second covariance matrix of the previous cycle. Matrix; Hungary assigns and generates matching tracks of each effective target according to each priority and evaluation matrix; Kalman filter generates the second covariance matrix of the current cycle based on the effective target state, the track of the previous cycle and the second covariance matrix of the previous cycle; and matching tracks of each effective target state, the first covariance matrix and the current cycle based on the effective target state, the corresponding track state of each effective target. The second periodic covariance matrix is used to generate the current periodic track and the object set after the current periodic resampling by Monte Carlo multivariate probability sampling. This application has the beneficial effect of taking into account the accuracy and real-time of non-linear estimation.
【技术实现步骤摘要】
一种基于汽车雷达的多目标跟踪方法及系统
本专利技术涉及汽车雷达跟踪
,尤其涉及一种基于汽车雷达的多目标跟踪方法及系统。
技术介绍
雷达是智能汽车必不可少的组成部分,用于目标检测和目标跟踪。在实际的交通环境中,汽车雷达所处环境比较复杂。为了满足汽车雷达的需求,需从大量的目标数据中筛选出有效目标,建立对应的航迹管理,并准确的获得目标车辆的状态信息。实时进行多目标跟踪,以达到预警的需要。汽车雷达跟踪算法通常采用联合概率数据关联(JointProbabilityDataAssociation,JPDA)和多假设跟踪(MultipleHypothesisTracking,MHT)等航迹关联方法与卡尔曼滤波(KalmanFilter,KF)以及扩展卡尔曼滤波(ExtendedKalmanFilter,EKF)、无迹卡尔曼滤波(UnscentedKalmanFilter,UKF)等KF的改进算法结合。但是实际测试中随着杂波和目标回波数量的增多,会出现联合事件总数的呈指数型增长的情况。另一方面,由于雷达信号本身的波动性,雷达机动目标跟踪需要考虑系统的非线性问题。KF及KF的改进算法实时性好,但是非线性估计精度较低。因此,如何解决非线性估计精度与实时性兼容性不佳问题,是当前亟待解决的技术问题。
技术实现思路
为了解决现有技术中的缺陷,本专利技术提供了一种基于汽车雷达的多目标跟踪方法及系统,本申请将航迹关联分解为两个步骤,首先通过密度聚类算法筛选有效目标,将来自于相同车辆的回波目标融合;其次通过最近邻(NearNeighboor,NN)算法,设置截断距离以限制潜在的决策数目 ...
【技术保护点】
1.一种基于汽车雷达的多目标跟踪方法,其特征在于,包括:获取当前周期各待检测车辆对应的若干检测目标,并利用密度聚类算法对各所述检测目标进行聚类生成各有效目标;所述有效目标包括:有效目标状态;根据每个所述有效目标分别与获取的各前一周期航迹进行相关度计算生成第一协方差矩阵;根据所述第一协方差矩阵及获取的前一周期第二协方差矩阵,利用动态α滤波生成评价矩阵;根据各所述前一周期航迹的优先度及所述评价矩阵进行匈牙利指派生成各所述有效目标对应的匹配航迹;所述匹配航迹包括:匹配航迹状态;根据各所述有效目标状态、各所述前一周期航迹及所述前一周期第二协方差矩阵进行卡尔曼滤波,生成当前周期第二协方差矩阵;根据各所述有效目标状态、各所述有效目标对应的匹配航迹状态、所述第一协方差矩阵及所述当前周期第二协方差矩阵,利用蒙特卡洛多元概率采样生成各有效目标的当前周期航迹及当前周期重采样后的对象集。
【技术特征摘要】
1.一种基于汽车雷达的多目标跟踪方法,其特征在于,包括:获取当前周期各待检测车辆对应的若干检测目标,并利用密度聚类算法对各所述检测目标进行聚类生成各有效目标;所述有效目标包括:有效目标状态;根据每个所述有效目标分别与获取的各前一周期航迹进行相关度计算生成第一协方差矩阵;根据所述第一协方差矩阵及获取的前一周期第二协方差矩阵,利用动态α滤波生成评价矩阵;根据各所述前一周期航迹的优先度及所述评价矩阵进行匈牙利指派生成各所述有效目标对应的匹配航迹;所述匹配航迹包括:匹配航迹状态;根据各所述有效目标状态、各所述前一周期航迹及所述前一周期第二协方差矩阵进行卡尔曼滤波,生成当前周期第二协方差矩阵;根据各所述有效目标状态、各所述有效目标对应的匹配航迹状态、所述第一协方差矩阵及所述当前周期第二协方差矩阵,利用蒙特卡洛多元概率采样生成各有效目标的当前周期航迹及当前周期重采样后的对象集。2.根据权利要求1所述的基于汽车雷达的多目标跟踪方法,其特征在于,所述各前一周期航迹包括:航迹周期数、累计误差值及前一周期航迹状态。3.根据权利要求2所述的基于汽车雷达的多目标跟踪方法,其特征在于,还包括:根据每个前一周期航迹的航迹周期数及累计误差值计算每个前一周期航迹对应的优先度。4.根据权利要求3中所述的基于汽车雷达的多目标跟踪方法,其特征在于,所述优先度的计算公式具体为:其中,i为前一周期航迹中的第i个航迹,k为当前周期值,k的取值范围是大于等于1的正整数,为前一周期航迹第i个航迹的航迹周期数,为前一周期航迹第i个航迹的航迹累计误差值。5.根据权利要求1中所述的基于汽车雷达的多目标跟踪方法,其特征在于,所述根据各所述有效目标状态、各所述有效目标对应的匹配航迹状态、所述第一协方差矩阵及所述当前周期第二协方差矩阵,利用蒙特卡洛多元概率采样生成各有效目标的当前周期航迹及当前周期重采样后的对象集,包括:根据各所述有效目标状态、各所述有效目标对应的匹配航迹状态及所述第一协方差矩阵进行加权计算生成采样中心;根据获取...
【专利技术属性】
技术研发人员:曹林,李华楠,王东峰,杜康宁,
申请(专利权)人:北京信息科技大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。