一种基于汽车雷达的多目标跟踪方法及系统技术方案

本发明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，包括：利用密度聚类对各检测目标聚类生成各有效目标；分别计算每个有效目标与各前一周期航迹的相关度生成第一协方差矩阵；根据第一协方差矩阵及前一周期第二协方差矩阵，利用动态α滤波生成评价矩阵；根据各优先度及评价矩阵进行匈牙利指派生成各有效目标的匹配航迹；根据有效目标状态、前一周期航迹及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；根据各有效目标状态、各有效目标对应匹配航迹状态、第一协方差矩阵及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当前周期航迹及当前周期重采样后的对象集。本申请有兼顾非线性估计精度与实时性的有益效果。

A Multi-target Tracking Method and System Based on Vehicle Radar

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，由截断距离初步筛选所得到的回波成为候选回波。将关联问题转化指派问题进行处理，利用匈牙利指派将各有效目标与各前一周期航迹进行匹配，获得各有效目标对应的匹配航迹，完成航迹关联。利用卡尔曼滤波和蒙特卡洛多元概率采样对目标进行跟踪，算法具有较好的兼顾了非线性估计精度与实时性的有益效果。为了实现上述目的，本专利技术提供了一种基于汽车雷达的多目标跟踪方法，该方法包括：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。本专利技术还提供了一种基于汽车雷达的多目标跟踪系统，该系统包括：聚类单元，用于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；相关度单元，用于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；动态滤波单元，用于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；指派单元，用于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；卡尔曼滤波元，用于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；采样单元，用于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。本专利技术还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于汽车雷达的多目标跟踪方法的步骤。本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于汽车雷达的多目标跟踪方法的步骤。本专利技术提供的一种基于汽车雷达的多目标跟踪方法及系统，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，实现多目标的跟踪，具有较好的兼顾非线性估计的精度与实时性的有益效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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是本申请的一种基于汽车雷达的多目标跟踪方法的流程图；图2是本申请一实施例中的一种基于汽车雷达的多目标跟踪方法的流程图；图3是本申请一实施例中的速度-距离的二维图；图4是本申请一实施例中的步骤S202的流程图；图5是本申请一实施例中的跟踪算法流程图；图6是本申请一实施例中的步骤S208的流程图；图7(a)、图7(b)及图7(c)是本申请一实施例中的单目标不同直线场景的跟踪结果图；图8(a)、图8(b)及图8(c)是本申请一实施例中不同变道场景的单目标跟踪结果图；图9(a)、图9(b)及图9(c)是本申请一实施例中不同弯道场景的单目标跟踪结果图；图10(a)、图10(b)是本申请一实施例中不同测试场景的多目标跟踪结果图；图11是本申请的一种基于汽车雷达的多目标跟踪系统的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。关于本申请中所使用的“第一”、“第二”、……等，并非特别指称次序或顺位的意思，亦非用以限定本专利技术，其仅为了区别以相同技术用语描述的元件或操作。关于本申请中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。关于本申请中所使用的“及/或”，包括所述事物的任一或全部组合。针对现有本文档来自技高网...

【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