一种基于汽车防撞雷达的道路多目标跟踪方法
【技术领域】
[0001] 本发明涉及汽车防撞雷达信号处理领域，尤其涉及一种基于汽车防撞雷达的道路 多目标跟踪的方法。
【背景技术】
[0002] 随着我国汽车的保有量的增加、汽车的行驶速度的提高，汽车的碰撞事故越来越 多。近年来，汽车预警技术成为研究开发的热点，汽车防撞雷达作为一项主动防撞措施，能 够追踪汽车前方一定距离内的单个或多个目标，获取其与本车的距离、速度和方位角等信 息，并可根据预警系统在危险情况下发出报警信号，以提示驾驶员采取措施，避免由于外后 视镜视野不足或驾驶员注意力不集中发生的撞车事故。
[0003] 针对汽车防撞雷达道路多目标跟踪问题，现有技术的解决方法可归纳为两类。第 一类是经典方法，主要基于滤波、数据关联及航迹管理；中国专利CN105000019A公开了一种 用于检测、追踪和估计静止的路边物体的方法和系统，将来自几个前视雷达传感器的数据 点用来确定是否存在静止的路边物体之前合并、归类和预分类数据点来减少数据量，通过 数据拟合算法以估计物体的参数，但该专利仅针对路边静止的多目标进行跟踪与估计，未 涉及机动目标的追踪问题;此外，随着道路车辆数目的增加，数据关联算法计算量将呈"组 合爆炸"式增长，导致防撞系统实时性、准确度欠佳。第二类方法是基于随机有限集(RFS)理 论，包括概率密度假设(PHD)方法及势概率假设密度(CPHD)方法;上述理论均可基于高斯 假设(GM)和基于非高斯假设的贯序蒙特卡罗(SMC)方法实现;将汽车防撞雷达道路目标跟 踪置于目标检测步骤，如恒虚警检测、快速傅里叶变换等之后，虚警概率已得到一定程度的 降低，故从实时性和实用性角度出发，可使用高斯混合概率假设密度(GMPHD)方法作为一种 基于高斯假设的跟踪滤波方法。张昱、宋骊平、虎小龙在"基于概率假设密度的汽车防撞雷 达多目标跟踪"（现代雷达，2014,36(6) :82-87.) -文中提出使用多模型GMPHD方法进行道 路目标跟踪，然而该法存在以下缺陷:首先，GMPHD法仅适用于线性条件，而雷达极坐标形式 的量测方程导致直角坐标下的跟踪问题为非线性;其次，基于少量模型的跟踪方法，难以适 应实际情况中复杂的、运动的、多个道路目标。
[0004] 针对上述问题，非汽车防撞雷达的多目标跟踪文献给出了解决方案，但并未全面 解决这些问题。郝燕玲，孟凡彬，孙楓，沈锋等在"基于頂Μ的UK-GMPHDF算法在多机动目标跟 踪中的应用"（系统工程理论与实践，2011，11:2225-2233)-文中，针对三维空中目标，基于 交互多模型（MM)，在高斯混合概率假设密度滤波器(GMPHDF)中加入无迹卡尔曼滤波(UKF) 解决非线性多目标跟踪问题，但仿真使用模型仅为匀速模型、"当前"模型，且在三维空间实 施；中国专利CN104020466A公开了一种基于变结构多模型的机动目标跟踪方法，利用现有 的模型扩展方法BMA的候选模型集与现有的期望模式扩展EMA中求期望模型的方法构成一 种新的模型集合自适应策略，从而利用通用的变结构交互多模型算法实现单目标的多运动 状态跟踪，但无多目标估计能力。中国专利105261036A公开了一种基于匹配的目标跟踪方 法，利用FPGA电路进行去均值归一化积运算，从而实现对目标的跟踪，但该专利涉及到跟踪 图像，且主要依赖硬件实施，无法解决实际情况中复杂的多个运动目标跟踪问题。
【发明内容】
[0005] 本发明的目的在于克服现有技术的不足，提供一种基于汽车防撞雷达的道路多目 标跟踪方法，实现防撞雷达对道路多目标的数目、位置的实时可靠估计与准确跟踪。
[0006] 本发明采用的技术方案是：以汽车防撞雷达对多目标探测后得到的数据为基础， 基于变结构交互式多模型（IMM)方法，采用有向图切换(DS)法，在多个运动模型间实时选择 切换合适的模型子集，并进行基于无迹变换的卡尔曼概率密度假设(UKGMPHD)滤波。
[0007] 本发明具体技术方案为：
[0008] 一种基于汽车防撞雷达的道路多目标跟踪方法，其步骤如下：
[0009] 步骤1、获取先验信息，建立第一观测与运动模型。所述先验信息为通过汽车防撞 雷达获取的目标状态?目息。
[0010] 确定状态方程乂，量测方程％ = [€ 及其道路目标的多种模型。依据实际情 况选择不同模型，状态方程建立为:xi =
[0011] 其中，是目标模型的状态转移矩阵，下标m代表不同目标模型，下标k表示时 刻k，下标i表示不同目标。假设噪声服从高斯分布，有<~N(0,这）。
[0012] 汽车防撞雷达观测向量4 为观测方位角，rk为目标与观测点间距离。
[0013] 步骤2、建立第二观测与运动模型，初始化有向图模型集，建立有向图Φ。
[0014] 2(a)汽车防撞雷达车辆目标限于二维平面运动，目标i在k时刻的非线性量测模型 如下：
[0016]其中，乂~N(0, RJ为高斯分布的量测噪声，Xs,k，ys,k为自车观测位置坐标。
[0017] 2(b)建立有向图Φ，及其有向子图Φ⑴{βι-Jijw}。
[0018]步骤3、建立自适应有向图切换准则。设k_l时刻子图为Φ (1^υ，切换规则如下：
[0020]式中，Ws是模型转换的阈值概率，表示k-Ι时刻概率i3(i±1);
[0021 ]步骤4、初始化及计算混合参数。
[0022] 4(a)时刻k = 0时，每一向量子图0"中含Μ个模型。对于当前模型q(q=l，. . .，M)，初 始化目标状态<、目标协方差矩阵片，模型概率凡q 。
[0023] 4(b)设当前时刻k-1，下一时刻为k。则对于k>0时刻的第i个高斯分量，有
[0025] 其中，时刻的高斯分量i模型p的出现概率，
[0026]进一步地，当前有向量子图内模型数M，交互初始PHD函数为：
[0028]混合权值、状态、协方差分别为：
[0033]步骤5、各目标模型的UKGMPHD滤波。
[0034]以各高斯分量i在k-Ι时刻所得混合参数作为输入进行UKGMPHD滤波，得k时刻跟踪 权值，状态及协方差矩阵贫。
[0035] 进一步地对步骤5描述，包括以下过程：
[0036] 5 (a)对k = 0时刻，初始化目标概率密度，有：
[0038] 5 (b)预测。对k > 0时刻，k-1时刻，高斯分量i总数Jk-i，概率密度假设函数Dk-i (X)
[0039] 进一步地，所述预测概率密度假设函数DklhU)依据对象的不同分为存活目标、新 生目标及衍生目标概率密度假设函数。本发明道路多目标跟踪通常不涉及衍生目标，故概 率密度假设函数为:Dk|k-i(x)=Ds,k|k-i(x)+Yk(x)
[0040] 存活目标、新生目标概率密度假设函数分别如下：
[0043]使用无迹卡尔曼滤波的思想滤波。依据状态方程，一步预测均值《ijL、方差/^二如 下：
[0046] 式中，1 = 0,......，2n为无迹滤波的Sigma点，L = 2n+1为Sigma点总数。贝ijk时刻预测 概率密度假设函数为：
[0047] 5(c)更新。
[0048]对于雷达获取的非线性量测方程，一步预测均值、方差分别为：
[0051]结合步骤5(b)结果Dklk-Kx)及检测概率PD,k，k时刻的更新概率密度假设函数D k(x) 为：
[0053] DD,k(x;z)、估计均值〇)、方差if可表示为：
[0055] 其中，#⑷=。
[0056] 高斯分量i的估计均值和方差如下：
[0059]上式中，状态增益矩阵、协方差分别为：
[0062] 5(d)剪枝。
[0063] 对于更新得到的高斯分布进行剪枝，若高斯分布小于修剪阈值τ，直接予以删除。 公式为:= 1，"·，.4 I >r}
[0064] 5(e)合并。
[0065] 对于分布接近的若干高斯分布，合并为一个新的分布，即集合：
[0067]合并后，新的高斯分布为：
[0070] 5(f)目标数目与状态估计。
[0071 ]目标数目估计为融合估计的权值，BP
[0072] 取整可得目标数目。按照上述步骤输出合并后状态记作4°,4",# ;
[0073] 进一步地，在步骤5完成后，存在模型概率更新步骤;完成模型概率更新后，返回步 骤4。所述模型概率更新步骤如下：
[0074] k时刻模型(q = l，
. . .，M)下高斯分量i的似然函数为Ag，模型q更新概率为：
[0077] 步骤6、估计融合。估计融合P