道路交通监控多目标探测跟踪方法及跟踪系统的制作方法
【技术领域】
[0001] 本发明涉及一种道路交通监控技术，具体涉及一种道路交通监控多目标探测跟踪 方法及跟踪系统。
【背景技术】
[0002] 随着我国经济及道路交通的飞速发展以及车辆的日益增多，交通监控越来越受到 人们的重视。在多目标跟踪中，首先要建立潜在的威胁目标并识别目标，为减少系统的虚警 率、提高系统的可靠性提供了理论支持；通过对车载距离探测技术的比较，选用了毫米波调 频脉冲多普勒雷达；深入分析了道路目标跟踪的复杂环境，对雷达数据处理的数据关联和 目标跟踪的起始与终止进行了初步的研究。数据关联是多目标跟踪的关键技术之一，也是 多传感器信息融合的关键技术之一。其目的在于建立一种量测与航迹（目标）之间的关系， 以确定各量测数据是否源于同一目标，数据关联的核心问题是量测以多大程度与航迹（目 标）的估计值近似，数据关联的结果直接影响到对目标状态的估计，因此倍受人们的关注。 目前应用较多的有最近邻方法、多假设方法、概率数据关联法（PDA)、联合概率数据关联法 等方法（JPDA)。
【发明内容】
[0003] 本发明提供一种道路交通监控多目标探测跟踪方法及跟踪系统，通过卡尔曼滤波 和道路交通监控模型的建立，能对监控范围内的多个目标的运动情况进行实时监控而不丢 失目标。
[0004] 为实现上述目的，本发明公开了一种道路交通监控多目标探测跟踪方法，其特点 是，该方法包含：
[0005] 雷达对若干运动目标进行探测；
[0006] 对雷达探测若干运动目标的反馈数据进行卡尔曼滤波和预测，获取当前时刻若干 运动目标的运动状态，并预测未来时刻若干运动目标的运动状态；
[0007] 采用具有马尔可夫切换系数的交互式多模型方法对雷达探测的若干运动目标进 行跟踪。
[0008] 上述运动目标在道路交通中具有两个自由度，分别为：围绕地面法线旋转和沿着 道路方向的平移。
[0009] 上述卡尔曼滤波中，运动目标的状态方程如式（27):
[0010] X(k+1) =FX(k)+Gff(k) (27)
[0011] 式（27)中：
[0012]
[0013]
[0014] 其中，F为状态转移矩阵；T为抽样间隔；变量X(k)是目标状态向量，包括径向距 离r、相对速度纟、相对加速度P、角度β、角速度#和角加速度W(k)是系统噪声向量；G 为系统噪声的作用矩阵；Wl (k)、w2 (k)是均值为零，且为互不相关的白噪声序列，其方差为 ￡，[.'…⑷f=心厂[u.:⑷]:；W(k)的协方差矩阵如式（28):
[0015]
(28)。.
[0016] 上述卡尔曼滤波的一步预测的基本方程如式（7)、（8)、（9):
[0017]
(7)
[0018] Kp(k) =Φ(k+l/k)P(k/k-l)HT[H(k)P(k/k-l)HT(k)+R(k)] 1 (8)
[0019] P(k+l/k) = [Φ(k+l/k) -Kp (k)H(k) ]P(k/k-1)+G(k)Q(k)GT(k) (9)
[0020] 式（7)、⑶、（9)中Kp(k)为一步预测增益阵；Φ(k+1，k)(Φ(k+1，k)eRnXn)为状 态转移矩阵；Y(k) (Y(k)eRmX1)为量测向量；H(k) (H(k)eRmXn)为观测矩阵；式（9)为一 步预测方程误差。
[0021] 上述具有马尔可夫切换系数的交互式多模型方法的测量模型为：
[0022] Z(k) =H(k)X(k)+V(k) (29)
[0023] 其中：
[0024]
[0025] 式中：Zl(k)、z2(k)、z3(k)分别表示雷达测得的目标的距离、相对速度和方位角； H(k)为观测矩阵；V(k)为量测噪声；其中Vl(k)、v2(k)、v3(k)是三个互不相关的随机白噪 声序列，其方程分别为可二六、
[0026]V(k)的协方差矩阵为式（30):
[0027]
(30)
[0028] 这里，< 为距离测量值误差的方差，σ2:为相对速度（多普勒）测量值的误差的方 差，#为方位角测量值误差的方差。
[0029] 一种适用于上述道路交通监控多目标探测跟踪方法的跟踪系统，其特点是，该跟 踪系统包含：
[0030] 雷达，其对若干运动目标进行探测并上传反馈数据；
[0031] 数据处理系统，其接收雷达上传的反馈数据，对反馈数据进行卡尔曼滤波和预测， 获取当前时刻若干运动目标的运动状态，并预测未来时刻若干运动目标的运动状态；采用 具有马尔可夫切换系数的交互式多模型方法控制雷达若干运动目标进行跟踪。
[0032] 上述雷达为毫米波调频脉冲多普勒雷达。
[0033] 本发明道路交通监控多目标探测跟踪方法及跟踪系统和现有技术的道路交通运 动目标的跟踪方法相比，其优点在于，本发明通过卡尔曼滤波和道路交通监控模型的建立， 能对监控范围内的多个运动目标的运动情况进行实时监控而不丢失目标；
[0034] 本发明采用雷达作为监控和目标跟踪传感器，特别适合雨天或恶劣天气环境下的 交通监控，能准确对多目标进行运动状态的监控，以便交警进行交通执法，在交通监控领域 具有广泛的应用前景。
【附图说明】
[0035] 图1为交互式多模型方法的操作流程图；
[0036] 图2为本发明道路交通监控多目标探测跟踪方法的方法流程图。
【具体实施方式】
[0037] 以下结合附图，进一步说明本发明的具体实施例。
[0038] 雷达探测得到的数据含有测量误差和噪声，因此要通过数据处理处理，即跟踪滤 波，将误差和噪声降低，从而提高雷达对环境感知的准确性。卡尔曼滤波器只用信号的前一 个估计值和最近一个观测值就可以在线性无偏最小方差估计准则下估计信号的当前值，而 不必需要全部过去的观测值。
[0039] 卡尔曼滤波从与被提取信号有关的量测中通过计算估计出所需信号。其中被估 计信号是由白噪声激励引起的随机响应，系统方程作为激励与响应之间的传递结构是已知 的，量测方程作为量测量与被估计量之间的函数关系也是已知的。在估计过程中，利用已知 的系统方程、量测方程、白噪声激励的统计特性、量测误差的统计特性。卡尔曼滤波是在时 域内设计的，所用的信息也都是时域内的量。并且卡尔曼滤波器适用于多维。因而卡尔曼 滤波的适用范围非常广泛。其有如下特点：
[0040] 1)卡尔曼滤波处理的对象是随机信号；
[0041] 2)被处理信号无有用和干扰之分，滤波的目的是要估计出所有被处理信号；
[0042] 3)系统的白噪声激励和量测噪声不是要滤除的对象，它们的统计特性正是估计过 程中需要利用的信息。
[0043] 卡尔曼滤波一般根据物理系统的系统方程和量测方程的性质可分为线性的和非 线性的，每一种内又可分为连续的和离散的。非线性卡尔曼滤波又称为扩展卡尔曼滤波。这 时，系统方程是非线性的，或者系统方程和量测方程都是非线性的。本专利建立的系统方程 和量测方程都是非线性的，并且是离散的。
[0044] 在机动车目标跟踪中的卡尔曼滤波与预测：
[0045] 滤波和预测的目的是估计当前和未来时刻目标的运动状态，包括位置、速度和角 度等。卡尔曼滤波与预测的准则是均方根误差最小。除此之外，它在机动目标跟踪中还有 许多其它的优点：
[0046] 1)基于目标机动和量测噪声模型的卡尔曼滤波与预测增益序列可以自动地选择。 这意味着通过改变一些关键性参数，相同的滤波器可以适用于不同的机动目标和量测环 境；
[0047] 2)卡尔曼滤波与量测增益序列能自动地适应检测过程的变化，包括采样周期的变 化和漏检情况；
[0048] 3)卡尔曼滤波与预测通过协方差矩阵可以很方便地对估计精度进行度量。在机动 多目标跟踪中这种度量工具还可用于跟踪门的形成以及门限大小的确定；
[0049] 4)通过卡尔曼滤波与预测中残差向量d(k)的变化，可以判断原假定的目标模型 与实际目标的运动特性是否符合。因而，d(k)可以用来作为机动检测与机动辩识的一种手 段。同时，还可用于一致性分析等。
[0050] (5)在密集多回波环境下的多机动目标跟踪方面，通过卡尔曼滤波与预测方法的 使用，可以部分地补偿不确定性相关误差的影响。
[0051] 卡尔曼滤波基本方程：
[0