【技术实现步骤摘要】
一种基于动静分离的多目标跟踪方法
[0001]
[0002]本专利技术涉及车载雷达数据处理
,具体涉及一种基于动静分离的多目标跟踪方法。
技术介绍
[0003]基于毫米波雷达的多目标跟踪是汽车ADAS领域中的关键技术之一,通过毫米波雷达实时检测,分析发射波与物体反射波特性差异实现目标的距离、角度和速度的检测,并以此为输入在多目标跟踪算法(如PDA、JPDA、MHT等)的作用下完成毫米波雷达点云信息至目标航迹的转化。当所探测区域中运动目标与静态障碍距离较近时,由于目标的回波湮灭于静态障碍的回波之中引起目标漏检概率提升而导致目标跟踪丢失,并且在探测区域内存在较多静态障碍时,有效目标的回波数与静态障碍的回波数之比降低,传统的多目标跟踪算法产生错误跟踪的概率随之提高且算法执行效率降低。
[0004]现有的处理方式是在数据处理阶段将雷达数据转换至以横向距离为x轴、纵向距离为y轴的二维笛卡尔坐标系中,以数据点间的欧氏距离作为评价指标进行数据聚类与合并,在合并后的数据基础上进行多目标跟踪,此种方式仅依靠位置信息对目标和障碍进行无差别处理,进而在跟踪阶段对运动目标和静态障碍均进行跟踪,导致算法执行效率低,同时在有效运动目标与静态障碍近距离情况下,目标丢失概率较高;另一种处理方式是在前述方法的基础上将多普勒速度作为z轴,即在三维笛卡尔坐标系中进行数据的处理,该路线能够在一定程度上实现运动目标与静态障碍分离,但为处理多普勒速度与距离量纲/量级均不同而引入归一化流程导致跟踪算法对三维欧氏距离参数敏感,在实际应用时需对多普勒速度 ...
【技术保护点】
【技术特征摘要】
1.一种基于动静分离的多目标跟踪方法,其特征在于,所述方法包括以下步骤:步骤一,毫米波雷达数据的动静分离;对毫米波雷达数据进行预处理,实现静态数据识别,并标记;步骤二,运动目标数据聚类;实现运动目标数据的二维聚类,并对聚类中心进行标记;步骤三,运动目标跟踪;实现运动目标数据与航迹关联,并进行航迹管理。2.如权利要求1所述的基于动静分离的多目标跟踪方法,其特征在于,步骤一中的毫米波雷达数据的动静分离的步骤具体包括:步骤1.1,算法参数初始化;设定聚类算法参数,数据预处理参数,数据初筛速度误差阈值,静态数据速度误差阈值,数据点抽样个数M,蒙特卡洛仿真次数K;其中,聚类算法参数包括核心密度ρ、邻域距离;数据预处理参数包括能量阈值P
min
、关注角度范围[θ
min
θ
max
]、距离范围[r
min
r
max
];步骤1.2,雷达数据输入;输入的毫米波雷达数据包括观测点极坐标下的极径r,角度θ,多普勒速度v,能量I;步骤1.3,数据预处理;根据初始化参数,保留同时满足能量高于P
min
、角度θ∈[θ
min
θ
max
]之外,极径r∈[r
min
r
max
]约束条件的数据点,降低算法需处理的数据量,令预处理后的数据如公式(1)所示:(1);Data
RAW
矩阵的每列均表示数据点,Data
RAW (x)为Data
RAW
矩阵的第x列,即为当前预处理数据的第x个数据点,其中,1≤x≤N;步骤1.4,静态数据识别;从Data
RAW
矩阵中抽取M个数据点完成蒙特卡洛仿真,并依据蒙特卡洛仿真的计算结果完成静态障碍和运动目标数据识别。3.如权利要求2所述的基于动静分离的多目标跟踪方法,其特征在于,步骤1.4中的静态数据识别的步骤具体包括:步骤1.4.1,比较Data
RAW
的数据个数与数据点抽样个数M,当Data
RAW
的数据个数≤数据点抽样个数M时,默认所有数据都来自运动目标,转向步骤二;当Data
RAW
的数据个数>数据点抽样个数M时,判断是否存在自身车速的反馈信息,当系统中存在自身车速反馈信息时跳转至步骤1.4.2,当不存在自身车速反馈时跳转至步骤1.4.4;步骤1.4.2,设毫米波雷达速度等于车辆速度,并令毫米波雷达速度向量为,其中和分别表示雷达速度在雷达法向量方向和水平正交方向的分量,根据公式(2)筛选估计速度与雷达数据多普勒速度之差小于数据初筛速度误差阈值的数据点,得到静态数据标号集合:(2);步骤1.4.3,若中数据个数不大于数据点抽样个数M时,默认所有数据均来自运动目
标并转至步骤...
【专利技术属性】
技术研发人员:王帅,李再兴,孙浩,
申请(专利权)人:深圳安智杰科技有限公司,
类型:发明
国别省市:
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。