用于自动车辆的使用雷达/视觉融合的目标跟踪系统的制作方法

本公开一般涉及目标跟踪，且更具体地涉及融合来自雷达传感器和相机的信息以便确定目标(诸如接近主车辆的其他车辆)的相对运动的系统。

背景技术：

已知基于目标的形状和外观尺寸对出现在来自自动车辆安装的相机的图像中的目标进行标识或分类的图像处理算法。然而，由于进行距离测量所必需的关键对准，所以难以测量与目标的距离。相反地，自动车辆雷达传感器可容易地确定与目标的距离，但是仅仅基于对反射的雷达信号的分析难以对目标进行标识或分类。已知“融合”或组合来自不同类型的目标检测器(例如，相机，雷达，激光雷达)的目标检测数据，以利用一种类型的传感器的优势去补偿另一种类型传感器的劣势。然而，融合过程产生的数据量会不受欢迎地增加执行融合过程的计算硬件的成本以及复杂度。

技术实现要素：

在此描述的是一种目标跟踪系统，其包括或采用融合跟踪器，该融合跟踪器用于组合来自主车辆传感器诸如速度传感器和偏航率传感器以及目标检测传感器诸如雷达传感器和相机的信息。组合该信息以估算存在于主车辆附近的区域中的目标的数量和身份，并估算每个感兴趣的目标的例如位置、速率、轨迹等等。这种融合跟踪器中的困难任务之一在于决定使用雷达传感器跟踪的目标如何与使用相机跟踪的目标有关。换句话说，问题在于如何将每个视觉跟踪(vision-track)与雷达跟踪(radar-track)(或与一簇或一“团(glob)”雷达跟踪)匹配。已经观察到，如果这里假定系统的视觉方面对每个感兴趣的目标产生最多一个视觉跟踪，而允许雷达传感器对每个目标产生若干雷达跟踪(或者在大型卡车的情况下，多达40或50个)，则实现可接受的性能。在此描述的系统包括尤其适于检测接近于主车辆车辆目标的其他车辆的雷达/视觉匹配算法。

根据一个实施例，提供了一种适合于用在自动车辆上的目标跟踪系统。该系统包括相机、雷达传感器和控制器。该相机用于捕捉相机的视觉视场(vfov)的图像。雷达传感器用于检测从与vfov重叠的雷达视场(rfov)反射的雷达信号。控制器与相机和雷达传感器通信。该控制器被配置成将视觉标识分配给与控制器在图像中所检测到的目标的实例相关联的每个视觉跟踪。控制器还被配置成将雷达标识分配给与由雷达信号指示的分组轨迹片段(grouped-tracklet)的实例相关联的每个雷达团。该控制器还被配置成确定视觉跟踪和雷达团的每个组合的匹配可行性，其中，当以下情况中的至少一种情况时，每个匹配可行性是被设置为等于一(1)的二进制值：a)视觉跟踪的视觉角和雷达团的雷达角之间的方位角差小于方位角阈值，b)视觉跟踪的视觉距离和雷达团的雷达距离之间的距离差小于距离阈值，以及c)视觉跟踪的视觉速度和雷达团的雷达速度之间的速度差小于速度阈值。该控制器还被配置成从所有可能的视觉跟踪和雷达团配对组合中选择可行的匹配模式(pattern)列表，其中当配对组合中的视觉跟踪和雷达团的每个组合的匹配可行性等于一时，该配对组合是可行的匹配模式。该控制器还被配置成确定可行的匹配模式的每个实例的品质值。品质值基于用于确定匹配可行性的方位角差、距离差和速度差的实例的加权组合的倒数。该控制器还被配置成通过利用选择的比例因子比例化品质值来确定每个品质值的归一化(normalized)值，从而归一化值的总和等于一(1)。该控制器还被配置成通过对指示视觉跟踪和雷达团的组合的匹配的可行的匹配模式的归一化值求和来计算视觉跟踪和雷达团的每个组合的原始概率。

在另一实施例中，该控制器还被配置成通过对针对该组合获得的原始概率进行低通过滤来确定视觉跟踪和雷达团的每个组合的匹配概率，通过将视觉跟踪和雷达团的组合的匹配概率与上阈值和下阈值进行比较来确定对视觉跟踪和雷达团之间的现有关联进行重新组织测试的需要，并且当匹配概率之一从小于上阈值转变到大于上阈值或从大于下阈值转变到小于下阈值时，执行对视觉跟踪和雷达团之间的关联的重新组织测试。

在阅读下述优选实施例的详细描述后，进一步的特征和优势将更清楚地呈现，其仅以非限制性示例的方式给出且参考附图而给出。

附图说明

现在将参考附图借助示例来描述本发明，其中：

图1是根据一个实施例的目标跟踪系统的示图；

图2是根据一个实施例的由图1的系统经历的交通场景；

图3是根据一个实施例的由图1的系统确定的可行性矩阵；

图4是根据一个实施例的由图1的系统确定的可行的匹配模式的列表；以及

图5是根据一个实施例的由图1的系统确定的匹配概率的累积。

具体实施方式

图1示出了目标跟踪系统10(此后称为系统10)的非限制性示例，系统10通常适合于在自动车辆(此后称为主车辆12)上使用。系统10包括相机14以及雷达传感器18，该相机14用于捕捉相机14的视觉视场16(此后称为vfov16)的图像，该雷达传感器18用于检测从雷达视场20(此后称为rfov20)反射的雷达信号。通常，vfov16和rfov20重叠，使得各自的大部分片段覆盖相同区域，从而使得由一个设备(相机14或雷达传感器18)在外围感测区域检测到的目标的实例不会被另一个设备错过。尽管图1建议相机14和雷达传感器18并排布置，但这只是为了简化说明。应认识到，如果两个设备被定位成靠近在一起，那么使相机14和雷达传感器18彼此对准被简化，但这不是系统10的要求。相信，如果vfov16和rfov20是如图2中所建议的基本上相同的区域，那么系统10的构造和操作通常将被优化。

系统10还包括与相机14和雷达传感器18通信的控制器22。控制器22可包括处理器(未具体示出)，诸如微处理器或其他控制电路，诸如模拟和/或数字控制电路，包括专用集成电路(asic)，用于处理数据，如对于本领域技术人员而言应当明显的。控制器22可包括存储器(未具体示出)，包括非易失性存储器，诸如电可擦除可编程只读存储器(eeprom)，以用于存储一个或多个例程、阈值和捕获的数据。该一个或多个例程可由处理器执行，以执行步骤以用于基于由控制器22从相机14和雷达传感器18接收的并如下面更详细地描述地处理的信号确定例如实际目标24的一个或多个实例的身份、位置、速度和行驶方向。图2中的实际目标24由虚线矩形指示，其中矩形的相对尺寸指示实际目标24相对于彼此的相对尺寸。

通常，在主车辆12上执行在此描述的系统10，其中融合来自雷达传感器18和相机14的数据；然而这并不是要求。场景里的实际目标24，即其他车辆，可在任何方向上移动，但是在此为了简化解释，假设所有的目标在与主车辆12大致相同的方向上移动。假设主车辆12车载的系统10的视觉部分50独立于系统10的雷达部分52而工作。它提供被跟踪的目标的列表，以及每个目标的相对目标上的“质心(centroid)”参考点(例如，在前车辆的背面的中心)的位置、速率、目标类别以及方位角以及(部分时间)相对于车辆目标的近角的“范围角(extentangle)”的估算。图2示出了此的平面图(“鸟瞰”图)。

主车辆12车载的系统10的雷达部分52在每个时刻报告“检测”列表。每个检测实例典型地包括距离值、距离率值和方位角值。雷达跟踪器随时间观察这些检测列表，并创建“轨迹片段(tracklet)”列表(即，散射中心上的雷达跟踪，其是目标车辆上的雷达“亮点”)。每个轨迹片段包含随时间收集的信息，诸如位置、速率、加速度和状态信息，其指示检测实例最近如何被用来更新该轨迹片段。

因此，与图像部分50相似，雷达部分52提供雷达跟踪列表，其假设为主要是其检测的车辆上的跟踪散射中心。在未被阻挡的且处于相当近的范围处的给定车辆上，通常有多于一个的这样的轨迹片段。被称为“分组”的融合跟踪器中的功能被假设为已经将这些轨迹片段分组为“雷达团”。在车辆之间具有适当的间隔的普通高速场景下，该任务不是非常困难的。由此，每个雷达团有效地是车辆目标上的分组的雷达跟踪。形成此分组的雷达跟踪的具体方式(例如，通过对轨迹片段进行分组)对于匹配算法并不是重要的。例如，不同但完全可允许的方案将是通过直接跟踪目标上的多个检测的集合的序列(即，“跟踪组”，而不是“对追踪进行分组”)来形成分组的雷达跟踪。

这里描述的匹配或融合算法主要涉及检测车辆目标，即其他车辆。这使得一些匹配更加简单。例如，雷达传感器可以检测到相机可以检测到的任何车辆似乎是合理的假设。到该场景中的可能的目标的子集的此限制减少了匹配的组合复杂度，从而使得计算在汽车级处理器上实时可行。理想地，当考虑如何匹配雷达跟踪和视觉跟踪时，在它们正在提供的估算中将具有对传感器系统的不确定性的估算(除了估算它们自己以外)。由于这些估算对于系统10的一些实施例中所使用的传感器系统是不可用的，所以使用从这些系统的“专家知识”借来的信息。

如前所指出的，系统10的视觉部分50在估算质心方位角方面相对较好，并且同样也在对目标的类型(例如，汽车，摩托车，卡车等)进行分类方面较好。相对来说，视觉部分50在估算目标的位置或速率方面不是特别好。这些估算被匹配算法利用，但对它们的准确度仅具有健康的不尊重(healthydisrespect)。例如，目标的估算的纵向位置的100％误差对于视觉系统并不罕见，这意味着被确定为处于下行范围(downrange)100米处的目标实际上可能处于200米。相反，雷达部分52在测量距离和距离率方面相对较好，但是在测量方位角方面不太好。系统10的雷达部分52和视觉部分50的这些优点/缺点的互补性是使得它们的估算的融合如此期望，但也使得匹配困难的东西。

下面，术语“匹配模式(matchpattern)”涉及将n个(m个中的n个，m＞＝n)不同的雷达团(图2中的r1、r2……r8)分配给考虑中的n个视觉跟踪(图2中的v1、v2……v5)的特定方式。术语“可行的匹配对”涉及具体的视觉跟踪26(图1)和雷达团28对，其基于对它们的估算中的可能的误差的考虑，被匹配算法视为用于匹配的合理的候选对。“可行的匹配模式”是包括n个可行的匹配对的匹配模式。归因于由较靠近的目标对所提议的匹配之一的明显遮挡，可行的匹配模式随后可被遮挡测试30视为“不可行”，该较靠近的目标显然应当正在阻塞相机对更远目标的视野(使得所提议的视觉跟踪与该更远雷达团的匹配似乎是不可能的)。匹配模式的任何单个问题都导致整个模式是不可行的。预期的是，一些可获得的雷达团可能不被匹配至视觉跟踪，因为它们对应于被雷达检测到而没被视觉检测到的目标。

这里描述的匹配算法针对视觉跟踪26的每个实例(例如，v1、v2……v5)，有效地计算视觉跟踪26的具体实例应当被匹配至(有限)数量的雷达团28的实例(例如，r1、r2……r8)中的每一个的概率。作为示例而非限制，算法的结果，其细节将在后续描述，是视觉跟踪26的具体实例，例如v3，被匹配至雷达团28的具体实例(例如，r3，r4，r1)的匹配概率32。对于图2中示出的场景，对于一些组合的匹配概率32是v3∶r3＝0.77，v3∶r4＝0.15，以及v3∶r1＝0.08。对于视觉跟踪26的具体实例与雷达团28的具体实例的其它组合的匹配概率32通过后续将更详细描述的遮挡测试30或其它测试被设定为零，和/或因为概率太低，例如，低于某一阈值而被设定为零。那就是，对于视觉跟踪26的每个实例，存在若干个雷达团28候选被考虑适合于匹配。还预期的是，可基于来自相机14和雷达传感器18的当前信息以及基于如下面将更详细描述的历史信息来确定匹配概率32。

在上述附图中，如果视觉id3还未被匹配至雷达团3(其具有匹配概率0.77)，则如果该匹配概率超过阈值(例如，0.60)，那么将进行对现有的雷达/视觉匹配的重新布置，以便使得该雷达/视觉对能够被匹配。注意的是，两个不同的视觉跟踪都具有与雷达团3的超过足够高阈值的匹配概率不应该是可能的。

现在将考虑历史信息如何可影响视觉跟踪26和雷达团28的实例的配对。如果v3在当前时刻之前被匹配至r1(其具有匹配概率0.08)，并且已经建立了预定的最小阈值0.10，那么该雷达/视觉匹配将被分开。通常，在重新组织测试34中同时考虑所有需要的新匹配和打破匹配动作。这允许最少量的不受期望的融合跟踪id切换由重新组织测试34造成。

现在呈现该匹配算法中的步骤的轮廓。术语“运动状态”涉及整体对地运动的确定，即，接近，静止，后退。

创建要被考虑的雷达团列表。

计算这些雷达团的相关特征，例如，运动状态，位置，速率。

创建视觉跟踪列表。

计算相关特征，例如，运动状态。

对候选匹配对进行可行性测试，以创建可行性矩阵。

从考虑移除任何完全不可行的雷达团或视觉跟踪。

对可行的匹配模式的循环(由对可行性矩阵的检查创建的匹配模式)。

遮挡测试。

如果模式可以，

加入匹配模式列表，

计算匹配模式的品质值。

结束

结束循环

归一化匹配模式品质值(例如，因此总和等于1.0)。

通过从概率列表移除任何新的/死的雷达团来清理雷达/视觉匹配概率。

对零可行的模式的情况的特殊处理。

降低所有匹配概率(对匹配概率的低通过滤的第一步骤)。

从可行的匹配模式累积匹配信息，以得到瞬时原始概率。

使用原始概率值更新匹配概率(低通过滤的第二步骤)。

计划重新组织测试(基于匹配概率)。

重新组织雷达/视觉匹配。

下面是以上列出的一些步骤的细节。

对候选匹配对进行可行性测试，以创建可行性矩阵。

图3示出了可行性矩阵38的非限制性示例。通过比较视觉跟踪26和雷达团28的各个实例的状态估算，针对每个可能的配对确定匹配可行性36。结果被存储在可行性矩阵38中。完成对潜在的雷达/视觉相配(match-up)的此“预把关(pre-gating)”以减小组合复杂度，且此预把关是基于雷达跟踪和视觉跟踪之间在运动状态、方位角、纵向位置和纵向速率方面的相似性。在图3中所示的示例中，视觉跟踪1仅是与雷达团1和2的可行的匹配。

预期的是，可改变此预把关的关口(gate)，例如，当特定雷达/视觉对已经被匹配达很长时间且被相信是正确的相配时，可加宽关口。该加宽的关口可用于维持此正确的匹配，即使在视觉跟踪或雷达跟踪中存在简短的(brief)错误，而所述简短的错误足够大以否则引起匹配打破。通过检查等于一的条目，随后生成所有可能的可行的匹配模式的序列。这些可行的匹配模式中的一些后续可通过遮挡测试30被拒绝。

使用可行的匹配对确定的该“预把关”以及所得的可行性矩阵38的实例的目的是显著地减少需要被检查的匹配模式的数目。对于图中具有五个视觉跟踪26实例和八个雷达团28实例的非限制性示例，在没有预把关的情况下，存在6720个匹配模式将需要被考虑。利用预把关，存在少于192个模式(192＝每行中1的数目的积，即，2*3*4*4*2，但这是过高估算，因为它没有考虑在相同列中具有1的多个行)。

对可行的匹配模式的循环(由对可行性矩阵的检查创建的匹配模式)。

图4示出了来自图3的可行的匹配模式40列表的非限制性示例，对其循环以意图创建也通过遮挡测试30的最终的模式列表。也为可行的匹配模式40的实例中的每一个测量品质值42。如图4中所示，每个匹配模式(矩阵的行)显示在该模式下具体视觉跟踪被匹配至哪个雷达团。例如，在匹配模式3中，视觉跟踪1被匹配至雷达团1，视觉跟踪2被匹配至雷达团3，视觉跟踪3被匹配至雷达团4等等。

遮挡测试。

遮挡测试30的目的是排除不可能的匹配。例如，假设在主车辆12前面有两辆车，都在相同的车道，并且对于两个在前车辆中的每一个存在不同的雷达团28实例。同样也有视觉跟踪26实例，其由是雷达团28中的任一个的良好匹配的方位角表征。遮挡测试确定视觉部分50不可能看见第二辆(更远的)车，因为第一辆(最靠近的)车将阻塞第二辆车的视野或到第二辆车的视线。因此，视觉跟踪26和第一辆车之间的匹配将被遮挡测试30批准。如果当前的匹配模式正在建议视觉跟踪26应该被匹配至第二辆车，那么遮挡测试30将使该匹配模式无效，且处理将继续进行到列表上的下一匹配模式。那就是，假定考虑中的匹配模式可能试图将雷达团28的更远实例与考虑中的视觉跟踪26的实例匹配，并且雷达团28的更近的实例也是与考虑中的视觉跟踪26的合理匹配(例如，两者都已知为车辆且具有相同的运动状态，等等)，那么遮挡测试30将把将该视觉跟踪26与雷达团28的更远的(被遮挡的)实例配对的匹配模式标记为“不可行”，因为被更近的雷达团的视觉遮挡。

对此的一种例外是如果考虑中的当前匹配模式也命令更靠近的雷达团与不同的视觉跟踪匹配。在这种情况下，更远的匹配将被允许。这样的一种示例在一辆车正在经过另一辆车并且随后变道到另一辆车的前面时会发生。视觉系统可坚持在更远的车辆上的视觉跟踪达一时间段，即使该更远的车辆被更靠近的车辆大部分遮挡。

计算匹配模式的品质。

每个可行的匹配模式具有确定的品质值42。品质值42旨在代表假定的误差模型下的贝叶斯类型的可能性。品质值42可被计算为每个雷达团/视觉跟踪对中方位角、纵向位置和纵向速率的加权平方差的指示的匹配对的总和的倒数。如果指示的匹配中的任一个包含“可疑的”雷达团(即，融合跟踪器对该雷达团中的轨迹片段中的一个或多个的有效性或准确度具有低信心)，则品质值42降低。如果雷达团28和视觉跟踪26估算在这三个类别上吻合得很好，则匹配的雷达/视觉对将具有增加值的品质值42。它们彼此越不吻合，品质值42越低，因此它们实际匹配的可能性或概率就更低。

最终的可行的匹配模式中的每一个的品质值42被归一化，以提供成比例的归一化值44，从而归一化值的总和等于1.0。在“累积匹配信息”步骤(接下来描述)中，这些归一化值被解释为匹配模式是正确的概率。

从可行的匹配模式累积匹配信息，以得到瞬时原始概率。

图5示出了在计算每个视觉/雷达对(例如，视觉跟踪vi和雷达团rj)的原始概率46中的关键步骤的非限制性示例。该匹配算法工作的方式是标识可接受的潜在匹配模式的列表，赋予它们每个一个归一化值44，然后把使视觉跟踪vi和雷达团rj相配的匹配模式的所有归一化值44相加。如图5中所示，对于每个视觉跟踪，通过在整个表的可行的匹配模式和归一化的匹配模式品质值上使用此累积过程来计算与每个可行的雷达团的原始匹配概率。这些原始匹配概率值随后被低通过滤。

作为示例，使视觉id1(v1)在列表上的每单个匹配模式中与雷达团id2(r2)匹配。在刚刚描述的累积过程中，该对的原始概率46将总和为1.0。基于该对在每个可行的模式中被匹配的观察，此概率值匹配直觉。在该对仅在一部分模式中被匹配的情况中，原始概率46将在0.0和1.0之间，其取决于匹配出现的模式的品质/概率。如果该对在没有一个模式中被匹配，则原始概率46将是0.0。

降低所有匹配概率(对匹配概率的低通过滤的第一步骤)以及使用原始概率值更新匹配概率(低通过滤的第二步骤)。

这两个步骤代表对原始概率46应用低通过滤器48以获得具有足够高概率的所选雷达/视觉对的匹配概率。离散时间下的第一阶低通过滤器操作可由类似xk＝αxk-1+(1-α)uk的等式表示，其中，xk是在时间k经过滤的输出值，uk是在时间k的原始输入值，且α是过滤器增益系数(0.0和1.0之间的值)。

项αxk-1代表匹配概率的降低，且项(1-α)uk代表使用原始值的匹配概率更新。在发现零可行的匹配模式的情况下，uk项有效地等于零，并且只有概率降低步骤发生。

α的可能值是0.8。作为示例，假设当突然地特定雷达/视觉匹配对看起来像极好的匹配时，该对具有0.0的匹配概率，且1.0的原始概率值被计算。如果该原始概率被维持数个步骤，则(经过滤的)匹配概率将采用值0.0、0.2、0.36、0.49、0.59、0.67、……。在某点，该值将超过阈值(例如，0.6)，且雷达/视觉匹配将被重新组织，以执行该匹配。因此，对于该阈值，进行匹配花费(至少)5步。

在这里描述的匹配算法中，在一些条件下可允许例外。如果视觉跟踪当前未被匹配，并接着与特定雷达团具有足够高的值的原始概率46，那么经过滤的匹配概率被允许跳至1.0。这允许在这些明确匹配情况下即刻匹配可用于融合。如果对于该视觉跟踪，匹配是模棱两可的，那么概率必须被允许根据上述的方案升高或降低。

计划重新组织测试(基于匹配概率)。

在重新组织测试34中，针对每个视觉跟踪检查匹配概率。可能存在具有高于与它们当前未被匹配至的雷达团匹配的阈值的匹配概率的视觉跟踪。或者也许现有的匹配的雷达/视觉对的匹配概率已经下降到阈值以下，且这两个需要被分裂开。在前者情况中，可能是此视觉跟踪想要的该雷达团已经被匹配至不同的视觉跟踪，从而使得在任何新的匹配可发生之前，其他的融合跟踪将需要被分开。或者在该相同的情况下，考虑中的视觉跟踪可能已经被匹配至雷达团，从而使得融合跟踪将需要被分开。

重新组织测试34在概念上是直截了当的。它首先将包含重新组织测试中所需的雷达或视觉块的所有融合跟踪分裂开，并接着如匹配概率所指示的重新组装这些块。

还需要以对正在使用融合跟踪器输出的警告/方便特征而言最满意的方式最小化融合跟踪id的切换并且将id维持在正确的块上。

重新组织雷达/视觉匹配

该步骤是融合跟踪的雷达和视觉块的计划的重新组织测试的概念上简单的执行。计划步骤已经制定出哪些雷达/视觉融合跟踪将需要被分裂开，以及块中的哪些将需要被放到一起。重新组织测试中包含的所有融合跟踪的融合跟踪id已经以最小化不必要的id切换的方式在计划中被预先确定。重新组织的融合跟踪的融合跟踪状态被调整以考虑新的雷达和视觉块的状态值。

注意的是，这里描述的算法还可包括测试以标识对雷达团的疑心，具有长历史的良好匹配的视觉/雷达对，怀疑的消失的雷达轨迹片段等等。为每个视觉跟踪维持与一小组的潜在雷达团的匹配概率，该一小组的潜在雷达团是与该视觉跟踪的可行的匹配。这些匹配概率是通过低通过滤每个潜在的视觉/雷达相配的原始概率46的值获得的。特定视觉/雷达对的原始概率46是通过对指示该相配的可行的匹配模式的归一化值44求和获得的。可行的匹配模式列表通过由可行性矩阵记录的预把关有效地获得，该可行性矩阵指示哪些单独的视觉/雷达对是足够相似的，从而它们的相配可以是匹配模式的一部分。每个所得的可行的匹配模式被遮挡功能额外地详查敏感性，且匹配模式的品质被测量为与模式中指示的雷达/视觉匹配中的每一个中的雷达和视觉跟踪状态信息之间的差异有关。最后，将视觉/雷达匹配概率与阈值相比较，并且如果需要，计划对现有的融合跟踪中的一些的重新组织并执行，以便符合匹配概率的规定。

再次参考图1，目标跟踪系统10，通常适合于用在自动车辆(例如，主车辆12)上，包括相机14以及雷达传感器18，该相机14用于捕捉相机14的vfov16的图像，该雷达传感器18用于检测从雷达传感器18的rfov20反射的雷达信号，该rfov20与vfov16重叠。优选地，该重叠是使得vfov16和rfov20是相同的区域或者基本上(例如，＞90％)相同的区域，但是这不是要求。

系统10包括控制器22，该控制器22与相机14和雷达传感器18通信，使得控制器22接收来自相机14和雷达传感器18的数据或信息，以用于检测各自视场中实际目标24的存在。控制器22被配置成或者编程成执行多个步骤，以将由相机14检测到的目标54的实例与由雷达传感器18检测到的分组轨迹片段56的实例匹配。尽管下面的步骤以第一、第二、第三等步骤的方式表征，但这并不是建议这些步骤必须以所呈现的准确顺序来执行，或者排除了其它的中间步骤，或绝对需要所描述的所有步骤。

第一步骤可以是将视觉标识58分配给视觉跟踪26的每个实例，其与由控制器在来自相机14的图像(即，信息或信号)中所检测到的目标54的实例相关联。图2示出了系统10可能碰到的交通场景的非限制示例，其中基于对实际目标24的检测分配视觉标识58，并以v1、v2、v3、v4和v5指示。

第二步骤可以是将雷达标识60分配给与通过雷达传感器18检测的雷达信号所指示的分组轨迹片段56的实例相关联的雷达团28的每个实例。图2示出了非限制示例，其中雷达标识60基于对实际目标24的检测被分配，并以r1、r2、r3、r4、r5、r6、r7和r8指示。

第三步骤可以是为视觉跟踪26和雷达团28的每个组合确定匹配可行性36。每个匹配可行性36是二进制值，取决于对视觉跟踪26和雷达团28的实例彼此间如何紧密相关的比较或测试的结果而被设置为等于零(0)或一(1)。通过示例的方式而非限制，当以下情况中的至少一种情况时，视觉跟踪26和雷达团28的特定组合的匹配可行性36被设定为一(1)：a)视觉跟踪26的视觉角64(图2)和雷达团28的雷达角66之间的方位角差小于方位角阈值68，例如五度角(5°)；b)视觉跟踪26的视觉距离和雷达团28的雷达距离之间的距离差70小于距离阈值72，例如五米(5m)或者百分之二十(20％)(以较大者为准)；以及c)视觉跟踪26的视觉速度76和雷达团28的雷达速度78之间的速度差74小于速度阈值80，例如五公里每小时(5kph)。这些差可被计算为绝对值，例如方位角差＝|视觉角-雷达角|，距离差＝|视觉距离-雷达距离|，且速度差＝|视觉速度-雷达速度|。

作为示例的方式而非限制，在一个实施例中，视觉速度76和雷达速度78可以分别指示视觉跟踪26和雷达团28的纵向速率。那就是，视觉速度76和雷达速度78的仅平行于主车辆12的当前行驶方向的那部分可被考虑，并且任何相对的横向运动可被忽略。在另一实施例中，视觉距离(未示出)和雷达距离(未示出)可分别指示视觉跟踪和雷达团的纵向位置。那就是，仅平行于主车辆12的当前行驶方向的距离可被考虑，且任何横向偏移可被忽略。

多种替换规则可被用于确定匹配可行性36。例如，当方位角差62不小于方位角阈值68时，视觉跟踪26和雷达团28的特定组合的匹配可行性36可被设定为等于零(0)，而不管距离差70和速度差74的值。替代地，仅当所有测试通过时，例如，a)方位角差62小于方位角阈值68，b)距离差70小于距离阈值72，以及c)速度差74小于速度阈值80，每个匹配可行性被设定为等于一(1)。替代地，当以下情况中的至少一种情况时，每个匹配可行性被设定为等于一(1)：a)方位角差小于方位角阈值，b)距离差小于距离阈值，以及c)速度差小于速度阈值，以及d)视觉跟踪26的视觉运动状态(未示出)与雷达团28的雷达运动状态(未示出)匹配，其中视觉运动状态和雷达运动状态各自由接近、静止和后退之一表征，其指示相对于主车辆12的对地的方向。在确定运动状态时，对地运动，而不是相对于主车辆的运动的运动，是关键。例如，假设在主车辆12的前面有另一辆车，该车在相同的方向上移动但以减小的速度移动。该其他车辆的相对运动是朝向主车辆，但是它并不被表征为接近。因为它的对地运动是在与主车辆正在移动相同的方向上，所以它被表征为后退。

第四步骤可以是从所有可能的视觉跟踪和雷达团配对组合中选择可行的匹配模式40的列表。当配对组合中的视觉跟踪26和雷达团28的每个组合的匹配可行性36等于一(1)时，该配对组合被表征为可行的匹配模式。作为示例，配对组合的所有的匹配可行性可一起相乘。如果结果是一，那么匹配可行性的每个实例是一。然而，如果结果是零，那么匹配可行性的至少一个实例是零。

第五步骤可以是确定可行的匹配模式40的每个实例的品质值42。品质值42可以是基于用于确定匹配可行性36的方位角差62、距离差70和速度差74的实例的加权组合的倒数。每个差的权重可以是预定的值，例如方位角权重82，距离权重84以及速度权重86，其可以是通过经验测试确定的预定值。

第六步骤可以是通过利用所选的比例因子比例化品质值42来为每个品质值42确定归一化值44，从而归一化值的总和等于一(1)，即归一化值(i)＝品质值(i)/总和(所有品质值)。

第七步骤可以是通过对指示视觉跟踪26和雷达团28的组合的匹配的可行的匹配模式40的归一化值44求和，为视觉跟踪26和雷达团28的每个组合计算原始概率46。

第八步骤可以是通过对针对该组合获得的原始概率46进行低通过滤48来确定视觉跟踪26和雷达团28的每个组合的匹配概率32。

第九步骤可以是通过将视觉跟踪26和雷达团28的组合的匹配概率与上阈值88和下阈值90进行比较，来确定对视觉跟踪26和雷达团28之间的现有关联进行重新组织测试34的需要，并在匹配概率32之一从小于上阈值88转变到大于上阈值88或者从大于下阈值90转变到小于下阈值90时，执行对视觉跟踪26和雷达团28之间的关联的重新组织测试34。

第四步骤和第五步骤之间的额外步骤可以是对由基本上相等的方位角值表征的雷达团执行遮挡测试30，以使因为位置到一个的视线被另一个遮挡而遮挡测试30指示不可能的视觉跟踪26和雷达团28的任何组合的匹配概率为空。

因此，提供了一种目标跟踪系统(系统10)、用于系统10的控制器22和以步骤的方式描述的方法。具体地，提供了用于将由相机14检测到的视觉跟踪26与由雷达传感器18检测到的雷达团28匹配的改进的方法。有利地，已经通过经由确定每个可能组合的匹配可行性36的把关(gating)过程排除一些可能的组合来减少数据处理的量。

尽管已根据本发明的优选实施例对本发明进行了描述，然而本发明不旨在受如此限制，而是仅受所附权利要求中给出的范围限制。