基于车载毫米波雷达的稳定多目标跟踪方法及系统

1.本发明涉及多目标跟踪技术领域，具体涉及一种基于车载毫米波雷达的稳定多目标跟踪方法及系统。


背景技术：

2.车载毫米波雷达是以道路其他车辆及周围环境作为目标，利用电磁波作为探测载体，准确测量道路上目标车辆的距离，速度以及角度来确定目标位置与运动信息形成目标点，对目标点进行聚类和质心凝聚得到目标的观测值，建立跟踪器并使用滤波算法对观测值进行滤波得到目标跟踪结果。
3.车载毫米波雷达实际应用场景和目标运动特性复杂，通常采用交互式多模型（interacting multiple model，imm）结构的跟踪器进行多目标跟踪，但由于毫米波雷达对目标测速采用多普勒原理，因此对横向运动和转弯目标的速度检测精度下降，从而导致跟踪精度下降，出现轨迹断裂。
4.因此，急需提供一种基于车载毫米波雷达的稳定多目标跟踪方法及系统，实现在复杂环境下准确和稳定的多目标跟踪。


技术实现要素：

5.有鉴于此，有必要提供一种基于车载毫米波雷达的稳定多目标跟踪方法及系统，用以解决现有技术中存在的在复杂环境下多目标跟踪易出现轨迹终端不连续，导致多目标跟踪准确性和稳定性较低的技术问题。
6.一方面，本发明提供了一种基于车载毫米波雷达的稳定多目标跟踪方法，包括：基于车载毫米波雷达获得当前时刻的当前点云数据，并对所述当前点云数据进行聚类，获得目标数据集；所述目标数据集中包括多个目标点和各所述目标点的量测信息；获取上一时刻的上一点云数据对应的轨迹列表；所述轨迹列表中包括多条轨迹和所述轨迹的上一时刻状态信息；获取所述轨迹的运动方向和上一时刻状态信息，并基于所述轨迹的运动方向确定运动模型，基于所述运动模型和上一时刻状态信息对所述轨迹进行轨迹预测，获得所述轨迹的当前时刻预测状态信息；基于所述轨迹的运动方向确定关联波门的形状，基于所述量测信息和所述当前时刻预测状态信息确定所述关联波门的门限条件；基于所述关联波门和所述门限条件对所述目标数据集和所述轨迹进行目标关联，判断关联是否成功；当关联成功时，对所述轨迹进行交互式多模型滤波估计，获得轨迹当前时刻状态信息，并基于所述轨迹当前时刻状态信息和所述上一时刻状态信息更新所述轨迹的运动方向。
7.在一些可能的实现方式中，所述运动模型包括第一运动子模型和第二运动子模
型；所述基于所述轨迹的运动方向确定运动模型，包括：当所述轨迹的运动方向为直行运动轨迹、横向运动轨迹或未知运动轨迹时，所述第一运动子模型为恒定速度运动模型，所述第二运动子模型为恒定加速度运动模型；当所述轨迹的运动方向为转弯运动轨迹时，所述第一运动子模型为恒定速度运动模型，第二运动子模型为恒定转弯速度运动模型。
8.在一些可能的实现方式中，所述当前时刻预测状态信息为：式中，为当前时刻预测状态信息；为上一时刻状态信息；为第一运动子模型的矩阵；为第一运动子模型当前时刻的模型概率；为第二运动子模型的矩阵；为第二运动子模型当前时刻的模型概率。
9.在一些可能的实现方式中，所述基于所述轨迹的运动方向确定关联波门的形状，包括：当所述轨迹的运动方向为直行运动轨迹或横向运动轨迹时，所述关联波门的形状为矩形；当所述轨迹的运动方向为转弯运动轨迹时，所述关联波门的形状为正方向；当所述轨迹的运动方向为未知运动轨迹时，所述关联波门的形状为圆形。
10.在一些可能的实现方式中，所述量测信息包括距离、径向速度和角度，所述当前时刻预测状态信息包括预测横向坐标、预测纵向坐标、预测横向运动速度、预测纵向运动速度、预测距离、预测径向速度和预测角度；当所述关联波门的形状为矩形或正方形时，所述门限条件为：当所述关联波门的形状为圆形时，所述门限条件为：式中，为距离；为径向速度；为角度；为预测横向坐标；为预测纵向坐标；预测横向运动速度；为预测纵向运动速度；为预测距离；为预测径向速度；为预测角度；为横向距离门限；为纵向距离门限；为横向速度门限；为纵向速度门限；为距离门限；为角度门限；为速度门限。
11.在一些可能的实现方式中，所述交互式多模型中包括基于所述运动模型构建的多个卡尔曼滤波器；所述对所述轨迹进行交互式多模型滤波估计，获得轨迹当前时刻状态信息，包括：获取所述卡尔曼滤波器的上一时刻状态估计以及上一时刻模型概率；获取所述多个卡尔曼滤波器的模型转移概率，并基于所述模型转移概率和所述上一时刻模型概率确定所述卡尔曼滤波器的混合概率；基于所述上一时刻状态估计和所述混合概率确定所述卡尔曼滤波器的上一时刻混合状态估计和上一时刻混合协方差估计矩阵；基于所述上一时刻混合状态估计和所述上一时刻混合协方差估计矩阵对所述轨迹进行滤波，获得当前时刻状态估计和当前时刻协方差矩阵；获取似然函数，并基于所述似然函数确定所述卡尔曼滤波器的当前时刻模型概率；基于所述当前时刻模型概率、所述当前时刻状态估计和所述当前时刻协方差矩阵确定所述交互式多模型的总状态估计和总协方差矩阵。
12.在一些可能的实现方式中，所述总状态估计为：所述总协方差矩阵为：所述总协方差矩阵为：其中，其中，其中，其中，
式中，为总状态估计；为总协方差矩阵；为当前时刻状态估计；为当前时刻模型概率；为转置符号；为当前时刻协方差矩阵；为似然函数；为混合概率；为模型转移概率；为上一时刻模型概率；为归一化概率；为归一化常数；为量测信息；为预测误差协方差矩阵；为预测状态估计；为测量矩阵；为上一时刻状态估计；为当前时刻的观测噪声协方差矩阵；为上一时刻混合状态估计；为上一时刻混合协方差估计矩阵。
13.在一些可能的实现方式中，所述基于所述轨迹当前时刻状态信息和所述上一时刻状态信息更新所述轨迹的运动方向，包括：基于所述轨迹当前时刻状态信息和所述上一时刻状态信息确定所述轨迹在当前时刻的当前横向位移量和当前纵向位移量；获取所述轨迹在多个历史时刻的多个历史横向位移量和多个历史纵向位移量；当所述轨迹的存在帧数大于预设帧数时，基于所述当前横向位移量和所述多个历史横向位移量确定平均横向位移量，基于所述当前纵向位移量和所述多个历史纵向位移量确定平均纵向位移量；
基于所述平均纵向位移量和所述平均横向位移量确定位移比例因子；基于所述位移比例因子更新所述轨迹的运动方向。
14.在一些可能的实现方式中，所述基于所述位移比例因子更新所述轨迹的运动方向，包括：当所述位移比例因子小于第一阈值时，所述轨迹的运动方向为直行运动轨迹；当所述位移比例因子大于或等于所述第一阈值，且小于第二比例阈值时，所述轨迹的运动方向为转弯运动轨迹；当所述位移比例因子大于或等于所述第二阈值时，所述轨迹运动方向为横向运行轨迹。
15.另一方面，本发明还提供了一种基于车载毫米波雷达的稳定多目标跟踪系统，包括：目标数据集获取单元，用于基于车载毫米波雷达获得当前时刻的当前点云数据，并对所述当前点云数据进行聚类，获得目标数据集；所述目标数据集中包括多个目标点和各所述目标点的量测信息；轨迹列表获取单元，用于获取上一时刻的上一点云数据对应的轨迹列表；所述轨迹列表中包括多条轨迹和所述轨迹的上一时刻状态信息；状态信息预测单元，用于获取所述轨迹的运动方向，并基于所述轨迹的运动方向确定运动模型，基于所述运动模型和上一时刻状态信息对所述轨迹进行轨迹预测，获得所述轨迹的当前时刻预测状态信息；关联波门确定单元，用于基于所述轨迹的运动方向确定关联波门的形状，基于所述量测信息和所述当前时刻预测状态信息确定所述关联波门的门限条件；关联单元，用于基于所述关联波门和所述门限条件对所述目标数据集和所述轨迹进行目标关联，判断关联是否成功；轨迹更新单元，用于当关联成功时，对所述轨迹进行交互式多模型滤波估计，获得轨迹当前时刻状态信息，并基于所述轨迹当前时刻状态信息和所述上一时刻状态信息更新所述轨迹的运动方向。
16.采用上述实施例的有益效果是：本发明提供的基于车载毫米波雷达的稳定多目标跟踪方法，通过基于轨迹的运动方向确定关联波门的形状，基于量测信息和当前时刻预测状态信息确定关联波门的门限条件，避免了采用统一的关联波门和门限条件而出现关联错误或关联失败，从而避免了轨迹中断的问题，提高了多目标跟踪的稳定性和准确性。进一步地，本发明通过基于轨迹的运动方向确定运动模型，可避免运动模型过多竞争而导致的跟踪精度下降的缺陷，从而进一步提高了多目标跟踪精度，并进一步缓解了由于跟踪精度较低导致的轨迹中断的问题，从而进一步提高了多目标跟踪的稳定性。
附图说明
17.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1为本发明提供的基于车载毫米波雷达的稳定多目标跟踪方法的一个实施例流程示意图；图2为s103中的基于轨迹的运动方向确定运动模型的一个实施例流程示意图；图3为s104中的基于轨迹的运动方向确定关联波门的形状的一个实施例流程示意图；图4为s106中的对轨迹进行交互式多模型滤波估计，获得轨迹当前时刻状态信息的一个实施例流程示意图；图5为s106中的基于轨迹当前时刻状态信息和上一时刻状态信息更新轨迹的运动方向的一个实施例流程示意图；图6为本发明图5中s505的一个实施例结构示意图；图7为本发明提供的基于车载毫米波雷达的稳定多目标跟踪系统的一个实施例结构示意图。
具体实施方式
19.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，所描述的实施例仅仅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。
20.应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
21.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
22.本发明提供了一种基于车载毫米波雷达的稳定多目标跟踪方法及系统，以下分别进行说明。
23.图1为本发明提供的基于车载毫米波雷达的稳定多目标跟踪方法的一个实施例流程示意图，如图1所示，基于车载毫米波雷达的稳定多目标跟踪方法包括：s101、基于车载毫米波雷达获得当前时刻的当前点云数据，并对当前点云数据进行聚类，获得目标数据集；目标数据集中包括多个目标点和各目标点的量测信息；s102、获取上一时刻的上一点云数据对应的轨迹列表；轨迹列表中包括多条轨迹和轨迹的上一时刻状态信息；s103、获取轨迹的运动方向，并基于轨迹的运动方向确定运动模型，基于运动模型和上一时刻状态信息对轨迹进行轨迹预测，获得轨迹的当前时刻预测状态信息；
s104、基于轨迹的运动方向确定关联波门的形状，基于量测信息和当前时刻预测状态信息确定关联波门的门限条件；s105、基于关联波门和门限条件对目标数据集和轨迹进行目标关联，判断关联是否成功；s106、当关联成功时，对轨迹进行交互式多模型（interacting multiple model，imm）滤波估计，获得轨迹当前时刻状态信息，并基于轨迹当前时刻状态信息和上一时刻状态信息更新轨迹的运动方向。
24.与现有技术相比，本发明实施例提供的基于车载毫米波雷达的稳定多目标跟踪方法，通过基于轨迹的运动方向确定关联波门的形状，基于量测信息和当前时刻预测状态信息确定关联波门的门限条件，避免了采用统一的关联波门和门限条件而出现关联错误或关联失败，从而避免了轨迹中断的问题，提高了多目标跟踪的稳定性和准确性。进一步地，本发明实施例通过基于轨迹的运动方向确定运动模型，可避免运动模型过多竞争而导致的跟踪精度下降的缺陷，从而进一步提高了多目标跟踪精度，并进一步缓解了由于跟踪精度较低导致的轨迹中断的问题，从而进一步提高了多目标跟踪的稳定性。
25.其中，步骤s101中对当前点云数据进行聚类具体为：基于具有噪声的基于密度的聚类方法（density-based spatial clustering of applications with noise，dbscan）对当前点云数据进行聚类。其中，dbscan将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，它将簇定义为密度相连的点的最大集合。
26.在本发明的具体实施例中，目标数据集，表示第个目标点的量测信息，量测信息包括目标点的距离、径向速度和角度。
27.在本发明的一些实施例中，运动模型包括第一运动子模型和第二运动子模型；则如图2所示，步骤s103中的基于轨迹的运动方向确定运动模型，包括：s201、当轨迹的运动方向为直行运动轨迹、横向运动轨迹或未知运动轨迹时，第一运动子模型为恒定速度运动模型（cv），第二运动子模型为恒定加速度运动模型（ca）；s202、当轨迹的运动方向为转弯运动轨迹时，第一运动子模型为恒定速度运动模型（cv），第二运动子模型为恒定转弯速度运动模型（ct）。
28.在本发明的一些实施例中，当前时刻预测状态信息为：式中，为当前时刻预测状态信息；为上一时刻状态信息；为第一运动子模型的矩阵；为第一运动子模型当前时刻的模型概率；为第二运动子模型的矩阵；为第二运动子模型当前时刻的模型概率。
29.在本发明的一些实施例中，如图3所示，步骤s104中的基于轨迹的运动方向确定关联波门的形状，包括：s301、当轨迹的运动方向为直行运动轨迹或横向运动轨迹时，关联波门的形状为矩形；s302、当轨迹的运动方向为转弯运动轨迹时，关联波门的形状为正方向；
s303、当轨迹的运动方向为未知运动轨迹时，关联波门的形状为圆形。
30.本发明实施例通过根据轨迹的运动方向选取适合的关联波门的形状，可提高关联波门的形状与轨迹类型的适配性，避免了采用统一关联波门形状而出现关联错误或关联失败，导致目标轨迹中断的问题，有利于提升多目标跟踪的稳定性。
31.在本发明的一些实施例中，当前时刻预测状态信息包括预测横向坐标、预测纵向坐标、预测横向运动速度、预测纵向运动速度、预测距离、预测径向速度和预测角度；则当关联波门的形状为矩形或正方形时，门限条件为：当关联波门的形状为圆形时，门限条件为：式中，为距离；为径向速度；为角度；为预测横向坐标；为预测纵向坐标；预测横向运动速度；为预测纵向运动速度；为预测距离；为预测径向速度；为预测角度；为横向距离门限；为纵向距离门限；为横向速度门限；为纵向速度门限；为距离门限；为角度门限；为速度门限。
32.本发明实施例通过根据量测信息和关联波门的形状选取适合的关联波门的门限条件，可提高关联波门门限条件与轨迹类型的适配性，进一步避免了采用统一关联波门门限条件而出现关联错误或关联失败，导致目标轨迹中断的问题，进一步提高了多目标跟踪的稳定性。
33.在本发明的一些实施例中，交互式多模型中包括基于运动模型构建的多个卡尔曼滤波器；其中，卡尔曼滤波器中的滤波算法为扩展卡尔曼滤波算法（ekf），各卡尔曼滤波器中的运动模型不相同，当轨迹的运动方向为直行运动轨迹、横向运动轨迹或未知运动轨迹时，卡尔曼滤波器中的运动模型为恒定速度运动模型和恒定加速度运动模型；当轨迹的运动方向为转弯运动轨迹时，运动模型为恒定速度运动模型和恒定转弯速度运动模型。
34.其中，交互式多模型是利用多个不同运动模型的卡尔曼滤波器，对各个卡尔曼滤波器的滤波结果进行加权来共同估计目标的状态信息。多个运动模型之间满足一阶的马尔科夫链转移概率，针对不同运动状态的目标可以进行多种模型选取。
35.则如图4所示，步骤s106中的对轨迹进行交互式多模型滤波估计，获得轨迹当前时刻状态信息，包括：s401、获取卡尔曼滤波器的上一时刻状态估计以及上一时刻模型概率；s402、获取多个卡尔曼滤波器的模型转移概率，并基于模型转移概率和上一时刻
模型概率确定卡尔曼滤波器的混合概率；s403、基于上一时刻状态估计和混合概率确定卡尔曼滤波器的上一时刻混合状态估计和上一时刻混合协方差估计矩阵；s404、基于上一时刻混合状态估计和上一时刻混合协方差估计矩阵对轨迹进行滤波，获得当前时刻状态估计和当前时刻协方差矩阵；s405、获取似然函数，并基于似然函数确定卡尔曼滤波器的当前时刻模型概率；s406、基于当前时刻模型概率、当前时刻状态估计和当前时刻协方差矩阵确定交互式多模型的总状态估计和总协方差矩阵。
36.其中，步骤s402中的模型转移概率为：式中，为从模型i转移到模型j的模型转移概率，n为交互式多模型中的模型总个数。
37.在本发明的具体实施例中，当轨迹的运动方向为未知运动方向轨迹时，交互式多模型中包括由恒定速度运动模型、恒定加速度运动模型构建两个卡尔曼滤波器，初始化的模型转移概率为ptij=[0.3,0.7;0.7,0.3]。
[0038]
在本发明的一些实施例中，总状态估计为：总协方差矩阵为：总协方差矩阵为：其中，其中，
式中，为总状态估计；为总协方差矩阵；为当前时刻状态估计；为当前时刻模型概率；为转置符号；为当前时刻协方差矩阵；为似然函数；为混合概率；为模型转移概率；为上一时刻模型概率；为归一化概率；为归一化常数；为量测信息；为预测误差协方差矩阵；为预测状态估计；为测量矩阵；为上一时刻状态估计；为当前时刻的观测噪声协方差矩阵；为上一时刻混合状态估计；为上一时刻混合协方差估计矩阵。
[0039]
在本发明的一些实施例中，如图5所述，步骤s106中的基于轨迹当前时刻状态信息和上一时刻状态信息更新轨迹的运动方向，包括：
s501、基于轨迹当前时刻状态信息和上一时刻状态信息确定轨迹在当前时刻的当前横向位移量和当前纵向位移量；s502、获取轨迹在多个历史时刻的多个历史横向位移量和多个历史纵向位移量；s503、当轨迹的存在帧数大于预设帧数时，基于当前横向位移量和多个历史横向位移量确定平均横向位移量，基于当前纵向位移量和多个历史纵向位移量确定平均纵向位移量；s504、基于平均纵向位移量和平均横向位移量确定位移比例因子；s505、基于位移比例因子更新轨迹的运动方向。
[0040]
需要说明的是：当轨迹的存在帧数小于或等于预设帧数时，则直接输出轨迹当前时刻状态信息，而不对轨迹的运动方向进行更新。
[0041]
其中，步骤s501中轨迹当前时刻状态信息包括当前时刻轨迹横向位置坐标和当前时刻轨迹纵向位置坐标，上一时刻状态信息包括上一时刻轨迹横向位置坐标和上一时刻轨迹纵向位置坐标，则当前横向位移量offsetx为：offsetx=x-lastx当前纵向位移量offsety为：offsety=y-lasty式中，x为当前时刻轨迹横向位置坐标；y为当前时刻轨迹纵向位置坐标；lastx为上一时刻轨迹横向位置坐标；lasty为上一时刻轨迹纵向位置坐标。
[0042]
其中，步骤s503中的预设帧数可根据实际应用场景或经验值进行调整或设定，在本发明的具体实施例中，预设帧数为10。
[0043]
其中，步骤s503中的平均横向位移量meanx为：meanx=offsetx/α平均纵向位移量meany为：meany=offsety/α式中，α为预设帧数。
[0044]
进一步地，位移比例因子为平均横向位移量与平均纵向位移量的比值，即：位移比例因子factor为：factor=meanx/meany。
[0045]
在本发明的一些实施例中，如图6所示，步骤s505包括：s601、当位移比例因子小于第一阈值时，轨迹的运动方向为直行运动轨迹；s602、当位移比例因子大于或等于第一阈值，且小于第二比例阈值时，轨迹的运动方向为转弯运动轨迹；s603、当位移比例因子大于或等于第二阈值时，轨迹运动方向为横向运行轨迹。
[0046]
需要说明的是：第一阈值、第二阈值均可根据实际应用场景和经验值进行设定或调整，在本发明的具体实施例中，第一阈值为0.5，第二阈值为1。
[0047]
由于当轨迹的运动方向是横向运动轨迹或转弯运动轨迹时，由于卡尔曼滤波器还未收敛时估计的速度值可能不准确，因此，需要修正该轨迹的卡尔曼滤波器当前时刻的模型概率，即：在步骤s505之后，还包括：更新卡尔曼滤波器当前时刻的模型概率。
[0048]
本发明实施例根据通过更新卡尔曼滤波器当前时刻的的模型概率，加速卡尔曼滤
波器收敛，进一步缓解了由于跟踪精度低导致的目标轨迹中断的问题，进一步提升了多目标跟踪的稳定性。
[0049]
在本发明的具体实施例中，当轨迹的运动方向为转弯运动轨迹时，采用的运动模型为cv、ct模型，若ct模型概率小于cv模型概率，将ct模型概率修正为位移比例因子factor，cv模型的模型概率修正为1-factor；当轨迹的运动方向为横向运动轨迹时，采用的运动模型为cv、ca模型，若ca模型概率小于cv模型概率，将ca模型概率修正为0.9，cv模型的模型概率修正0.1，让卡尔曼滤波器加速收敛。
[0050]
为了更好实施本发明实施例中的基于车载毫米波雷达的稳定多目标跟踪方法，在基于车载毫米波雷达的稳定多目标跟踪方法基础之上，对应的，如图7所示，本发明实施例还提供了一种基于车载毫米波雷达的稳定多目标跟踪系统，基于车载毫米波雷达的稳定多目标跟踪系统700包括：目标数据集获取单元701，用于基于车载毫米波雷达获得当前时刻的当前点云数据，并对当前点云数据进行聚类，获得目标数据集；目标数据集中包括多个目标点和各目标点的量测信息；轨迹列表获取单元702，用于获取上一时刻的上一点云数据对应的轨迹列表；轨迹列表中包括多条轨迹和轨迹的上一时刻状态信息；状态信息预测单元703，用于获取轨迹的运动方向，并基于轨迹的运动方向确定运动模型，基于运动模型和上一时刻状态信息对轨迹进行轨迹预测，获得轨迹的当前时刻预测状态信息；关联波门确定单元704，用于基于轨迹的运动方向确定关联波门的形状，基于量测信息和当前时刻预测状态信息确定关联波门的门限条件；关联单元705，用于基于关联波门和门限条件对目标数据集和轨迹进行目标关联，判断关联是否成功；轨迹更新单元706，用于当关联成功时，对轨迹进行交互式多模型滤波估计，获得轨迹当前时刻状态信息，并基于轨迹当前时刻状态信息和上一时刻状态信息更新轨迹的运动方向。
[0051]
上述实施例提供的基于车载毫米波雷达的稳定多目标跟踪系统700可实现上述基于车载毫米波雷达的稳定多目标跟踪预测方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述基于车载毫米波雷达的稳定多目标跟踪方法实施例中的相应内容，此处不再赘述。
[0052]
相应地，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的基于车载毫米波雷达的稳定多目标跟踪方法步骤或功能。
[0053]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件（如处理器，控制器等）来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0054]
以上对本发明所提供的基于车载毫米波雷达的稳定多目标跟踪方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例
的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。