本发明属于雷达信号处理,具体涉及一种基于预测误差反馈的毫米波雷达点云目标聚类及跟踪领域技术。
背景技术:
1、近年来,随着交通拥堵与交通事故频发,智能交通系统的市场需求日益扩增。目标跟踪是智能交通系统中的关键一环,在跟踪前,需要使用聚类技术将点云数据分割成不同的簇。聚类算法的不足可能会导致跟踪轨迹的分裂或合并,因此,有必要改进毫米波雷达的聚类方法以提升目标跟踪精度。
2、现有的针对毫米波雷达点云聚类的研究大多是针对单帧数据进行聚类算法的改进,并且一般的聚类算法只使用点云的空间特征进行聚类,没有充分利用点云的多普勒特征。在交通场景中,一个大型车辆目标由于自身反射点的不同,可能会出现同一目标只反射头部和尾部或者侧边等,并且同一目标在前后两帧的点云分布也会有一定差别。单帧数据聚类可能会产生聚类中断现象,导致单个目标被聚成多个簇,无法正确聚类分布稀疏的目标点云,最终的聚类结果较差,影响后续的跟踪。
技术实现思路
1、本发明所要解决的技术问题是毫米波雷达在探测大型目标时,产生的点云只有目标不同部位存在,传统聚类算法会将单个大型目标聚类为多个目标,而本发明能够正确将分散部位的点云聚类为一个目标。为此,本发明提供一种基于预测误差反馈的毫米波雷达交通目标聚类方法,采用加权欧式距离,充分利用点云的空间及多普勒信息,进行dbscan聚类作为初步聚类结果;根据相关阈值判断是否满足单目标条件,充分利用时序特征,假设多目标与单目标两种情形进行连续5帧的卡尔曼滤波,利用预测误差反馈聚类,作为最终聚类结果,可以有效提升稀疏分布点云的聚类准确率。
2、实现本发明目的的技术方案是:
3、一种基于预测误差反馈的毫米波雷达交通目标聚类方法,包括以下步骤:
4、步骤1,输入点云数据,使用轮廓系数作为优化算法的适应度函数,轮廓系数s(i)公式为:
5、
6、公式中,a(i)表示类内距离,b(i)表示类间距离;
7、通过网格搜索算法,得到最优eps以及加权欧式距离的最优权重w,加权欧式距离公式为:
8、
9、公式中,x,y,v分别为点云相对雷达的横坐标、轴坐标和速度;
10、步骤2,使用加权欧式距离进行点云dbscan聚类,得到初步聚类结果;
11、步骤3,计算初步聚类后各点簇的质心centroid以及平均速度计算公式为:
12、
13、公式中,n为簇中点云个数;
14、步骤4,判断各点簇平均速度相差是否小于阈值α,若满足,继续判断点簇质心距离是否小于阈值β,若满足,继续步骤5;
15、否则,跳到步骤10;
16、步骤5,采用匀速(constant velocity,cv)模型,描述系统的状态向量f(k)为系统状态转移矩阵,i(k)为过程噪声分布矩阵,v(k)为过程噪声向量,目标状态公式为:
17、x(k+1)=f(k)x(k)+i(k)v(k)
18、将满足条件的点簇分别视为单目标和多目标两种情形,进行状态预测,g(k)为输入控制项矩阵,u(k)为已知输入或控制信号,预测公式为:
19、
20、步骤6,对下一帧进行最近邻关联,分别记录将点簇视为单目标和多目标情况下的未关联帧数,若两者的未关联帧数相等,则继续步骤7;
21、若多目标情况的未关联帧数大于单目标情况的未关联帧数,跳到步骤9;
22、否则,跳到步骤10;
23、步骤7,积累连续5帧关联成功后的预测误差值er,预测误差公式为:
24、
25、步骤8,比较单目标情况与多目标情况的预测误差,若多目标情况的预测误差大于单目标情况的预测误差,继续步骤9;
26、否则,跳到步骤10;
27、步骤9,将点簇合并作为一类,作为最终聚类结果,跳到步骤11;
28、步骤10,以初步聚类结果为最终聚类结果;
29、步骤11,聚类结束,输出结果。
30、与现有技术相比,本发明的有益效果为:
31、1、首先通过阈值判断是否疑似为大型目标,分单目标与多目标两种情形假设进行卡尔曼滤波,利用预测误差反馈聚类结果。
32、2、利用连续帧之间大型目标预测状态与实际状态误差较小的特点,准确将点云成功聚类,避免了单帧聚类将同一目标分成多个簇的现象,提高了大型目标的点云聚类准确率。
1.一种基于预测误差反馈的毫米波雷达交通目标聚类方法,包括以下步骤: