一种基于毫米波雷达的多扩展目标跟踪方法及其设备与流程

1.本发明涉及节能驾驶技术领域，具体涉及一种基于毫米波雷达的多扩展目标跟踪方法及其设备。


背景技术：

2.现有的多目标跟踪方法主要有以下两种：
3.第一种：点目标跟踪方法，指的是将目标视为单个点进行跟踪，这种方法无法获得目标的外形轮廓信息，位置、速度估计的误差大，且航向估计也不准确；此外，该种方法使用数据关联的技术进行跟踪，在目标数量较多时，极有可能会导致组合爆炸问题的发生；
4.第二种：扩展目标跟踪方法，指的是一个目标在一次信号采样中会产生多个量测；这种方法使用随机有限集的技术进行跟踪，将多目标状态以及量测分别建模为随机有限集，适度地降低了计算量，位置、速度的计算误差也明显小于点目标跟踪方法；但是，扩展目标跟踪方法仍然存在计算量较大和航向角误差较大的技术问题。


技术实现要素：

5.针对上述技术缺陷，本发明实施例的目的在于提供一种基于毫米波雷达的扩展目标跟踪方法及其设备。
6.为实现上述目的，第一方面，本发明实施例提供了一种基于毫米波雷达的扩展目标跟踪方法，量测集划分步骤：接收77ghz毫米波雷达返回的回波信息，对所述回波信息进行解析得到点云信息，对所述点云信息进行预处理以得到感兴趣目标的点云数据，采用改进的dbscan聚类算法对感兴趣目标的点云数据进行聚类，得到聚类结果；
7.扩展目标状态估计步骤：采用随机矩阵构建目标外形状态模型，获取所述聚类结果，采用所述聚类结果对所述目标外形状态模型进行更新及预测，得到输出结果；其中，构建目标外形状态模型时，所选取的构建参数包括目标的航向角。
8.在本技术的某些具体实施方式中，解析得到的所述点云信息包括目标的位置、速度、径向方位角和雷达散射截面面积。
9.作为本技术的一种可选实施方式，对所述点云信息进行预处理，具体为：
10.针对所述位置，将所述位置限制为左右各7米、前方100米的矩形区域内；
11.针对所述速度，将所述速度的绝对值约束为大于1.5米/秒；
12.针对雷达散射界面面积，将雷达散射界面面积的范围约束为[-15，30]。
[0013]
作为本技术的一种可选实施方式，采用改进的dbscan聚类算法对感兴趣目标的点云数据进行聚类，具体为：
[0014]
(1)确定参数邻域距离阈值epsilon、核心点数量阈值minpts及速度标准差阈值vstd；
[0015]
(2)初始化获得的感兴趣目标的点云数据中所有数据点；
[0016]
(3)对所有数据点进行遍历，完成所有数据点的分类；
[0017]
(4)针对已分类的数据点，根据参数邻域距离阈值epsilon、核心点数量阈值minpts及速度标准差阈值vstd完成数据点的标签分配；所有数据点被分配为核心簇标签和噪声簇标签两类。
[0018]
其中，步骤(1)具体为：
[0019]
对获得的感兴趣目标的点云数据进行排序；
[0020]
采用k-dist树技术得到每个点与其他点的距离矩阵，形成k-dist图；
[0021]
将k-dist图即将发生陡峭突变的拐点位置确定为邻域距离阈值；
[0022]
采用公式计算核心点数量阈值minpts；
[0023]
设定速度标准差阈值vstd；
[0024]
其中，nd为数据点的总数，邻域密度
[0025]
在本技术的某些实施例中，扩展目标状态估计具体为：
[0026]
(1)初始化目标及系统状态：初始化目标运动学状态、目标外形状态及系统观测矩阵；
[0027]
(2)采用随机矩阵构建目标外形状态模型；
[0028]
(3)获取所述聚类结果；
[0029]
(4)采用所述聚类结果对所述目标外形状态模型进行模型更新，即更新目标外形信息，并输出更新结果；
[0030]
(5)采用所述聚类结果对所述目标外形状态模型进行模型预测，即对目标进行状态预测、协方差预测及扩展参数预测。
[0031]
第二方面，本发明实施例提供了一种基于毫米波雷达的扩展目标跟踪设备，包括相互连接的量测集划分模块和扩展目标状态估计模块；
[0032]
所述量测集划分模块包括：
[0033]
通讯单元，用于接收77ghz毫米波雷达返回的回波信息；
[0034]
解析单元，用于对所述回波信息进行解析得到点云信息；
[0035]
预处理单元，用于对所述点云信息进行预处理以得到感兴趣目标的点云数据；
[0036]
聚类单元，用于采用改进的dbscan聚类算法对感兴趣目标的点云数据进行聚类，得到聚类结果；
[0037]
所述扩展目标状态估计模块包括：
[0038]
建模单元，用于采用随机矩阵构建目标外形状态模型；
[0039]
获取单元，用于获取所述聚类结果；
[0040]
模型更新预测单元，用于采用所述聚类结果对所述目标外形状态模型进行更新及预测，得到输出结果；其中，构建目标外形状态模型时，所选取的构建参数包括目标的航向角。
[0041]
作为本技术的一种具体实施方式，所述聚类单元具体用于：
[0042]
确定参数邻域距离阈值epsilon、核心点数量阈值minpts及速度标准差阈值vstd；
[0043]
初始化获得的感兴趣目标的点云数据中所有数据点；
[0044]
对所有数据点进行分类；
[0045]
根据邻域距离阈值epsilon、核心点数量阈值minpts及速度标准差阈值vstd完成分类后所有数据点的标签分配。
[0046]
实施本发明实施例的基于毫米波雷达的扩展目标跟踪方法及其设备，具有如下优点：
[0047]
1、对从77ghz毫米波雷达返回的回波信息进行解析，得到点云信息，对该点云信息进行预处理，滤除其中的大部分的噪声点以及静止点，从而减少了后续算法的计算量；
[0048]
2、采用改进的dbscan聚类算法对预处理得到的感兴趣目标的云数据进行自适应聚类，能够准确地区分不同物体，且聚类精度高、速度快；
[0049]
3、使用随机矩阵的方法，在目标建模时考虑目标的航向角，无需单独去估计目标航向角；
[0050]
综上可知，本实施例的扩展目标跟踪方法及其设备具有计算小、易实现且满足实时性要求等优点。
附图说明
[0051]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
[0052]
图1是本发明量测集划分步骤的流程图；
[0053]
图2是本发明扩展目标状态估计步骤的流程图；
[0054]
图3是本发明的整体效果图。
具体实施方式
[0055]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0056]
本发明实施例提供了一种基于毫米波雷达的扩展目标跟踪方法，主要包括如下步骤：
[0057]
量测集划分步骤：接收77ghz毫米波雷达返回的回波信息，对所述回波信息进行解析得到点云信息，对所述点云信息进行预处理以得到感兴趣目标的点云数据，采用改进的dbscan聚类算法对感兴趣目标的点云数据进行聚类，得到聚类结果；
[0058]
扩展目标状态估计步骤：采用随机矩阵构建目标外形状态模型，获取所述聚类结果，采用所述聚类结果对所述目标外形状态模型进行更新及预测，得到输出结果；其中，构建目标外形状态模型时，所选取的构建参数包括目标的航向角。
[0059]
下面分别对上述两个步骤进行详述。
[0060]
第一部分：量测集划分，请参考图1
[0061]
步骤一：获取77ghz毫米波雷达返回的回波信息，对其进行解析，得到包括位置、速度、径向方位角及雷达散射截面面积(rcs)的点云信息，对该点云信息进行预处理，得到感兴趣目标的点云数据。
[0062]
对点云数据的预处理主要是对点云的位置、速度及雷达散射截面面积进行限制，
具体为：
[0063]
对于位置，将其限制为左右各7米，前方100米的矩形区域；
[0064]
对于速度，为了去除静止点，将速度的绝对值约束为大于1.5米/秒；
[0065]
对于雷达散射截面面积，为了去除不属于基本交通参与者的非兴趣点，将雷达散射截面面积的范围约束为[-15，30]。
[0066]
需要说明的是，本实施例中，数据预处理步骤将绝大部分的静止点和噪声点去除，从而获得了感兴趣区域和感兴趣目标的点云数据，减少了后续算法的计算量。
[0067]
步骤二：采用改进的dbscan聚类算法对感兴趣目标的点云数据进行聚类，得到聚类结果。
[0068]
得到感兴趣目标点云数据后，采用改进的dbscan聚类算法对此点云进行聚类，具体流程为：确定邻域距离阈值epsilon、核心点数量阈值minpts、速度标准差阈值vstd、rcs补充量。需要说明的是，epsilon和minpts通过后续方式计算，vstd是根据障碍物等进行设定。
[0069]
(1)初始化所有点状态，将获得感兴趣目标点云进行排序，并添加分类标签-1。
[0070]
(2)使用k-dist树技术得到每个点与其他点的距离矩阵，将k-dist图中即将发生陡峭突变的拐点位置确定为邻域距离阈值epsilonk，使用rcs半径作为自适应增量，ω
rcs
＝πepsilonrcs2，rcs＝10lgω
rcs
，则最终的epsilon＝epsilonk+epsilonrcs，
[0071]
minpts计算公式为：
[0072]
其中nd为数据点的总数，邻域密度n
∈
表示邻域的总点数。
[0073]
(3)对所有的数据点进行遍历，确定分类状态，若未进行分类，执行步骤(4)，若已分类，则以顺序继续遍历，直到遍历所有点。
[0074]
(4)判断此点在epsilon范围内是否大于minpts个点数，满足条件则标记核心点，创建并分配一个新的簇标签l(l》0且为正整数)，执行步骤(5)，否则标记为噪声点，分配簇标签0，返回步骤(3)。
[0075]
(5)遍历此核心点在epsilon范围内的所有点，若未分配簇标签且满足(为epsilon范围内速度的均值,vk表示第k个点的速度)则将步骤(4)中的簇标签分配，如果满足步骤(4)中核心点的要求，则设置为核心点，继续执行步骤(5)，不满足则设置为边界点，直至所有点均被遍历，执行步骤(6)。
[0076]
(6)返回步骤(3)，直到点云中的所有点都分配簇标签。
[0077]
在完成上述标签分类后，如图1所示，判断是否所有点的簇标签均大于0，若是，则输出聚类结果，反之，则继续遍历点云。
[0078]
第二部分：扩展目标状态估计，请参考图2
[0079]
步骤一：初始化目标及系统状态：初始化目标运动学状态、目标外形状态及系统观测矩阵。
[0080]
步骤二：采用随机矩阵构建目标外形状态模型，所选取的构建参数包括目标的航
向角。
[0081]
步骤三：获取聚类结果。
[0082]
初始化目标运动学状态xk＝[mk，vk],mk表示k时刻目标的位置，其中是k时刻目标的x坐标，是k时刻目标的y坐标，目标外形状态其中σ
k，1
，σ
k，2
是xk的特征值，即目标被建模为椭圆形，特征值即为椭圆的长短半轴长。为目标的航向角。
[0083]
且
[0084]
初始化系统观测矩阵
[0085]
假设系统观测方程为：其中为k时刻的第j个量测，表示k时刻的第j个观测噪声，其服从均值为0，协方差为zxk+r的正态分布，h为系统观测矩阵，其中z为缩放系数，初始化为0.25，r为传感器误差协方差矩阵，
[0086][0087]
步骤四：采用聚类结果对目标外形状态模型进行模型更新，即更新目标外形信息及运动学信息(例如水平位置等)，并输出更新结果。
[0088][0089][0090]
其中p为协方差矩阵，初始化为量测均值nk为观测点云个数，新息协方差其中
·
k|k-1表示k时刻的预测值，
·
k|k-1表示k时刻的更新值，后文不做赘述。
[0091]
量测
[0092]
卡尔曼增益用下式表示单次测量的预测方差
[0093]yk|k-1
＝zx
x|k-1
+r，
[0094]
则外形信息更新：
[0095][0096]
通过cholesky分解保证矩阵的正定性：
[0097][0098]
[0099]
其中其中为确保矩阵正定性的中间变，中间量扩展参数α初始化为50，更新公式为：
[0100]
α
k|k
＝α
k|k-1
+nk[0101]
步骤五：采用聚类结果对目标外形状态模型进行模型预测，即对目标进行状态预测、协方差预测。
[0102]
状态预测为：x
k|k-1
＝fx
k-1|k-1
，f为状态转移矩阵，初始化为：
[0103][0104]
协方差预测为：p
k|k-1
fp
k-1|k-1ft
+q,q为系统噪声，设为
[0105][0106]
扩展参数α预测为：
[0107]
α
k|k-1
＝2+exp(-t/τ)(α
k-1|k-1-2)
[0108]
其中t为预测时间间隔，初始化为10，τ与相应速度相关的时间常数，设置为10。
[0109]
再请参考图2，在完成模型更新及模型预测后，判断所得到的结果是否需要输入量测数据集，若需要，在转至“获得聚类结果点云信息”步骤，若不需要，则结束整个扩展目标状态估计流程。
[0110]
再请参考图3，为本实施例中整个流程(量测数据集划分及扩展目标状态估计)的效果图。
[0111]
从以上描述可以得知，实施本发明实施例的基于毫米波雷达的扩展目标跟踪方法，具有如下优点：
[0112]
1、对从77ghz毫米波雷达返回的回波信息进行解析，得到点云信息，对该点云信息进行预处理，滤除其中的大部分的噪声点以及静止点，从而减少了后续算法的计算量；
[0113]
2、采用改进的dbscan聚类算法对预处理得到的感兴趣目标的云数据进行自适应聚类，能够准确地区分不同物体，且聚类精度高、速度快；
[0114]
3、使用随机矩阵的方法，在目标建模时考虑目标的航向角，无需单独去估计目标航向角；
[0115]
综上可知，本实施例的扩展目标跟踪方法及其设备具有计算小、易实现且满足实时性要求等优点。
[0116]
基于相同的发明构思，本发明实施例还提供了一种基于毫米波雷达的扩展目标跟踪设备，包括相互连接的量测集划分模块和扩展目标状态估计模块；
[0117]
所述量测集划分模块包括：
[0118]
通讯单元，用于接收77ghz毫米波雷达返回的回波信息；
[0119]
解析单元，用于对所述回波信息进行解析得到点云信息；所述点云信息包括目标的位置、速度、径向方位角和雷达散射截面面积；
[0120]
预处理单元，用于对所述点云信息进行预处理以得到感兴趣目标的点云数据；
[0121]
聚类单元，用于采用改进的dbscan聚类算法对感兴趣目标的点云数据进行聚类，得到聚类结果；
[0122]
所述扩展目标状态估计模块包括：
[0123]
建模单元，用于采用随机矩阵构建目标外形状态模型；
[0124]
获取单元，用于获取所述聚类结果；
[0125]
模型更新预测单元，用于采用所述聚类结果对所述目标外形状态模型进行更新及预测，得到输出结果；其中，构建目标外形状态模型时，所选取的构建参数包括目标的航向角。
[0126]
具体地，在本实施例中，所述预处理单元具体用于：
[0127]
针对所述位置，将所述位置限制为左右各7米、前方100米的矩形区域内；
[0128]
针对所述速度，将所述速度的绝对值约束为大于1.5米/秒；
[0129]
针对所述雷达散射界面面积，将所述雷达散射界面面积的范围约束为[-15，30]。
[0130]
10、具体地，在本实施例中，所述聚类单元具体用于：
[0131]
确定参数邻域距离阈值epsilon、核心点数量阈值minpts及速度标准差阈值vstd；
[0132]
初始化获得的感兴趣目标的点云数据中所有数据点；
[0133]
对所有数据点进行分类；
[0134]
根据邻域距离阈值epsilon、核心点数量阈值minpts及速度标准差阈值vstd完成分类后所有数据点的标签分配。
[0135]
进一步地，在本实施例中，所述模型更新预测单元具体用于：
[0136]
采用所述聚类结果对所述目标外形状态模型进行模型更新，即更新目标外形信息，并输出更新结果；
[0137]
采用所述聚类结果对所述目标外形状态模型进行模型预测，即对目标进行状态预测、协方差预测及扩展参数预测。
[0138]
需要说明的是，关于上述扩展目标跟踪设备更为具体的工作流程，请参考前述方法实施例部分，在此不做赘述。
[0139]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。