基于车载毫米波雷达的稳定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车载毫米波雷达的稳定多目标跟踪方法及系统，其方法包括：基于车载毫米波雷达获得目标数据集；目标数据集中包括多个目标点和各目标点的量测信息；获取轨迹列表，轨迹列表中包括多条轨迹和轨迹的上一时刻状态信息；获取轨迹的运动方向，并基于轨迹的运动方向确定运动模型，并获得轨迹的当前时刻预测状态信息；基于轨迹的运动方向确定关联波门的形状和关联波门的门限条件；基于关联波门和门限条件对目标数据集和轨迹进行目标关联，判断关联是否成功；当关联成功时，对轨迹进行交互式多模型滤波估计，获得轨迹当前时刻状态信息，并更新轨迹的运动方向。本发明专利技术实现了在复杂环境下准确和稳定的多目标跟踪。了在复杂环境下准确和稳定的多目标跟踪。了在复杂环境下准确和稳定的多目标跟踪。

【技术实现步骤摘要】
基于车载毫米波雷达的稳定多目标跟踪方法及系统


[0001]本专利技术涉及多目标跟踪
，具体涉及一种基于车载毫米波雷达的稳定多目标跟踪方法及系统。

技术介绍

[0002]车载毫米波雷达是以道路其他车辆及周围环境作为目标，利用电磁波作为探测载体，准确测量道路上目标车辆的距离，速度以及角度来确定目标位置与运动信息形成目标点，对目标点进行聚类和质心凝聚得到目标的观测值，建立跟踪器并使用滤波算法对观测值进行滤波得到目标跟踪结果。
[0003]车载毫米波雷达实际应用场景和目标运动特性复杂，通常采用交互式多模型（Interacting Multiple Model，IMM）结构的跟踪器进行多目标跟踪，但由于毫米波雷达对目标测速采用多普勒原理，因此对横向运动和转弯目标的速度检测精度下降，从而导致跟踪精度下降，出现轨迹断裂。
[0004]因此，急需提供一种基于车载毫米波雷达的稳定多目标跟踪方法及系统，实现在复杂环境下准确和稳定的多目标跟踪。

技术实现思路

[0005]有鉴于此，有必要提供一种基于车载毫米波雷达的稳定多目标跟踪方法及系统，用以解决现有技术中存在的在复杂环境下多目标跟踪易出现轨迹终端不连续，导致多目标跟踪准确性和稳定性较低的技术问题。
[0006]一方面，本专利技术提供了一种基于车载毫米波雷达的稳定多目标跟踪方法，包括：基于车载毫米波雷达获得当前时刻的当前点云数据，并对所述当前点云数据进行聚类，获得目标数据集；所述目标数据集中包括多个目标点和各所述目标点的量测信息；获取上一时刻的上一点云数据对应的轨迹列表；所述轨迹列表中包括多条轨迹和所述轨迹的上一时刻状态信息；获取所述轨迹的运动方向和上一时刻状态信息，并基于所述轨迹的运动方向确定运动模型，基于所述运动模型和上一时刻状态信息对所述轨迹进行轨迹预测，获得所述轨迹的当前时刻预测状态信息；基于所述轨迹的运动方向确定关联波门的形状，基于所述量测信息和所述当前时刻预测状态信息确定所述关联波门的门限条件；基于所述关联波门和所述门限条件对所述目标数据集和所述轨迹进行目标关联，判断关联是否成功；当关联成功时，对所述轨迹进行交互式多模型滤波估计，获得轨迹当前时刻状态信息，并基于所述轨迹当前时刻状态信息和所述上一时刻状态信息更新所述轨迹的运动方向。
[0007]在一些可能的实现方式中，所述运动模型包括第一运动子模型和第二运动子模
型；所述基于所述轨迹的运动方向确定运动模型，包括：当所述轨迹的运动方向为直行运动轨迹、横向运动轨迹或未知运动轨迹时，所述第一运动子模型为恒定速度运动模型，所述第二运动子模型为恒定加速度运动模型；当所述轨迹的运动方向为转弯运动轨迹时，所述第一运动子模型为恒定速度运动模型，第二运动子模型为恒定转弯速度运动模型。
[0008]在一些可能的实现方式中，所述当前时刻预测状态信息为：式中，为当前时刻预测状态信息；为上一时刻状态信息；为第一运动子模型的矩阵；为第一运动子模型当前时刻的模型概率；为第二运动子模型的矩阵；为第二运动子模型当前时刻的模型概率。
[0009]在一些可能的实现方式中，所述基于所述轨迹的运动方向确定关联波门的形状，包括：当所述轨迹的运动方向为直行运动轨迹或横向运动轨迹时，所述关联波门的形状为矩形；当所述轨迹的运动方向为转弯运动轨迹时，所述关联波门的形状为正方向；当所述轨迹的运动方向为未知运动轨迹时，所述关联波门的形状为圆形。
[0010]在一些可能的实现方式中，所述量测信息包括距离、径向速度和角度，所述当前时刻预测状态信息包括预测横向坐标、预测纵向坐标、预测横向运动速度、预测纵向运动速度、预测距离、预测径向速度和预测角度；当所述关联波门的形状为矩形或正方形时，所述门限条件为：当所述关联波门的形状为圆形时，所述门限条件为：式中，为距离；为径向速度；为角度；为预测横向坐标；为预测纵向坐标；预测横向运动速度；为预测纵向运动速度；为预测距离；为预测径向速度；为预测角度；为横向距离门限；为纵向距离门限；为横向速度门限；为纵向速度门限；为距离门限；为角度门限；为速度门限。
[0011]在一些可能的实现方式中，所述交互式多模型中包括基于所述运动模型构建的多个卡尔曼滤波器；所述对所述轨迹进行交互式多模型滤波估计，获得轨迹当前时刻状态信息，包括：获取所述卡尔曼滤波器的上一时刻状态估计以及上一时刻模型概率；获取所述多个卡尔曼滤波器的模型转移概率，并基于所述模型转移概率和所述上一时刻模型概率确定所述卡尔曼滤波器的混合概率；基于所述上一时刻状态估计和所述混合概率确定所述卡尔曼滤波器的上一时刻混合状态估计和上一时刻混合协方差估计矩阵；基于所述上一时刻混合状态估计和所述上一时刻混合协方差估计矩阵对所述轨迹进行滤波，获得当前时刻状态估计和当前时刻协方差矩阵；获取似然函数，并基于所述似然函数确定所述卡尔曼滤波器的当前时刻模型概率；基于所述当前时刻模型概率、所述当前时刻状态估计和所述当前时刻协方差矩阵确定所述交互式多模型的总状态估计和总协方差矩阵。
[0012]在一些可能的实现方式中，所述总状态估计为：所述总协方差矩阵为：所述总协方差矩阵为：其中，其中，其中，其中，
式中，为总状态估计；为总协方差矩阵；为当前时刻状态估计；为当前时刻模型概率；为转置符号；为当前时刻协方差矩阵；为似然函数；为混合概率；为模型转移概率；为上一时刻模型概率；为归一化概率；为归一化常数；为量测信息；为预测误差协方差矩阵；为预测状态估计；为测量矩阵；为上一时刻状态估计；为当前时刻的观测噪声协方差矩阵；为上一时刻混合状态估计；为上一时刻混合协方差估计矩阵。
[0013]在一些可能的实现方式中，所述基于所述轨迹当前时刻状态信息和所述上一时刻状态信息更新所述轨迹的运动方向，包括：基于所述轨迹当前时刻状态信息和所述上一时刻状态信息确定所述轨迹在当前时刻的当前横向位移量和当前纵向位移量；获取所述轨迹在多个历史时刻的多个历史横向位移量和多个历史纵向位移量；当所述轨迹的存在帧数大于预设帧数时，基于所述当前横向位移量和所述多个历史横向位移量确定平均横向位移量，基于所述当前纵向位移量和所述多个历史纵向位移量确定平均纵向位移量；
基于所述平均纵向位移量和所述平均横向位移量确定位移比例因子；基于所述位移比例因子更新所述轨迹的运动方向。
[0014]在一些可能的实现方式中，所述基于所述位移比例因子更新所述轨迹的运动方向，包括：当所述位移比例因子小于第一阈值时，所述轨迹的运动方向为直行运动轨迹；当所述位移比例因子大于或等于所述第一阈值，且小于第二比例阈值时，所述轨迹的运动方向为转弯运动轨迹；当所述位移比例因子大于或等于所述第二阈值时，所述轨迹运动方向为横向运行轨迹。
[0015]另一方面，本专利技术还提供了一种基于车载毫米波雷达的稳定多目标跟踪系统，包括：目标数据集获取单元，用于基于车载毫米波雷达获得当前时刻的当前点云数据，并对所述当前点云数据进行聚类，获得目标数据集；所述目标数据集中包括多个目标点和各所述目标点的量测信息；轨迹列表获取单元，用于获取上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车载毫米波雷达的稳定多目标跟踪方法，其特征在于，包括：基于车载毫米波雷达获得当前时刻的当前点云数据，并对所述当前点云数据进行聚类，获得目标数据集；所述目标数据集中包括多个目标点和各所述目标点的量测信息；获取上一时刻的上一点云数据对应的轨迹列表；所述轨迹列表中包括多条轨迹和所述轨迹的上一时刻状态信息；获取所述轨迹的运动方向，并基于所述轨迹的运动方向确定运动模型，基于所述运动模型和上一时刻状态信息对所述轨迹进行轨迹预测，获得所述轨迹的当前时刻预测状态信息；基于所述轨迹的运动方向确定关联波门的形状，基于所述量测信息和所述当前时刻预测状态信息确定所述关联波门的门限条件；基于所述关联波门和所述门限条件对所述目标数据集和所述轨迹进行目标关联，判断关联是否成功；当关联成功时，对所述轨迹进行交互式多模型滤波估计，获得轨迹当前时刻状态信息，并基于所述轨迹当前时刻状态信息和所述上一时刻状态信息更新所述轨迹的运动方向。2.根据权利要求1所述的基于车载毫米波雷达的稳定多目标跟踪方法，其特征在于，所述运动模型包括第一运动子模型和第二运动子模型；所述基于所述轨迹的运动方向确定运动模型，包括：当所述轨迹的运动方向为直行运动轨迹、横向运动轨迹或未知运动轨迹时，所述第一运动子模型为恒定速度运动模型，所述第二运动子模型为恒定加速度运动模型；当所述轨迹的运动方向为转弯运动轨迹时，所述第一运动子模型为恒定速度运动模型，第二运动子模型为恒定转弯速度运动模型。3.根据权利要求2所述的基于车载毫米波雷达的稳定多目标跟踪方法，其特征在于，所述当前时刻预测状态信息为：式中，为当前时刻预测状态信息；为上一时刻状态信息；为第一运动子模型的矩阵；为第一运动子模型当前时刻的模型概率；为第二运动子模型的矩阵；为第二运动子模型当前时刻的模型概率。4.根据权利要求1所述的基于车载毫米波雷达的稳定多目标跟踪方法，其特征在于，所述基于所述轨迹的运动方向确定关联波门的形状，包括：当所述轨迹的运动方向为直行运动轨迹或横向运动轨迹时，所述关联波门的形状为矩形；当所述轨迹的运动方向为转弯运动轨迹时，所述关联波门的形状为正方向；当所述轨迹的运动方向为未知运动轨迹时，所述关联波门的形状为圆形。5.根据权利要求4所述的基于车载毫米波雷达的稳定多目标跟踪方法，其特征在于，所述量测信息包括距离、径向速度和角度，所述当前时刻预测状态信息包括预测横向坐标、预测纵向坐标、预测横向运动速度、预测纵向运动速度、预测距离、预测径向速度和预测角度；
当所述关联波门的形状为矩形或正方形时，所述门限条件为：当所述关联波门的形状为圆形时，所述门限条件为：式中，为距离；为径向速度；为角度；为预测横向坐标；为预测纵向坐标；预测横向运动速度；为预测纵向运动速度；为预测距离；为预测径向速度；为预测角度；为横向距离门限；为纵向距离门限；为横向速度门限；为纵向速度门限；为距离门限；为角度门限；为速度门限。6.根据权利要求1所述的基于车载毫米波雷达的稳定多目标跟踪方法，其特征在于，所述交互式多模型中包括基于所述运动模型构建的多个卡尔曼滤波器；所述对所述轨迹进行交互式多模型滤波估计，获得轨迹当前时刻状态信息，包括：获取所述卡尔曼滤波器的上一时刻状态估计以及上一时刻模型概率；获取所述多个卡尔曼滤波器的模型转移概率，并基于所述模型转移概率和所述上一时刻模型概率确定所述卡尔曼滤波器的混合概率；基于所述上一时刻状态估计和所述混合概率确定所述卡尔曼...

【专利技术属性】
技术研发人员：张正文，汪俊延，廖桂生，汪福林，徐开彦，张峻嘉，张振平，熊小泽，汪震，刘永康，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：