一种基于动静分离的多目标跟踪方法与流程

本发明涉及车载雷达数据处理，具体涉及一种基于动静分离的多目标跟踪方法。

背景技术：

1、基于毫米波雷达的多目标跟踪是汽车adas领域中的关键技术之一，通过毫米波雷达实时检测，分析发射波与物体反射波特性差异实现目标的距离、角度和速度的检测，并以此为输入在多目标跟踪算法(如pda、jpda、mht等)的作用下完成毫米波雷达点云信息至目标航迹的转化。当所探测区域中运动目标与静态障碍距离较近时，由于目标的回波湮灭于静态障碍的回波之中引起目标漏检概率提升而导致目标跟踪丢失，并且在探测区域内存在较多静态障碍时，有效目标的回波数与静态障碍的回波数之比降低，传统的多目标跟踪算法产生错误跟踪的概率随之提高且算法执行效率降低。

2、现有的处理方式是在数据处理阶段将雷达数据转换至以横向距离为x轴、纵向距离为y轴的二维笛卡尔坐标系中，以数据点间的欧氏距离作为评价指标进行数据聚类与合并，在合并后的数据基础上进行多目标跟踪，此种方式仅依靠位置信息对目标和障碍进行无差别处理，进而在跟踪阶段对运动目标和静态障碍均进行跟踪，导致算法执行效率低，同时在有效运动目标与静态障碍近距离情况下，目标丢失概率较高；另一种处理方式是在前述方法的基础上将多普勒速度作为z轴，即在三维笛卡尔坐标系中进行数据的处理，该路线能够在一定程度上实现运动目标与静态障碍分离，但为处理多普勒速度与距离量纲/量级均不同而引入归一化流程导致跟踪算法对三维欧氏距离参数敏感，在实际应用时需对多普勒速度变化具备一定的自适应性，算法实现复杂并且目标跟踪稳定性较低。

技术实现思路

1、有鉴于此，有必要提供一种在静态障碍较多或运动目标与静态障碍近距离场景中，运算量小、目标跟踪稳定的基于动静分离的多目标跟踪方法。

2、一种基于动静分离的多目标跟踪方法，所述方法包括以下步骤：

3、步骤一，毫米波雷达数据的动静分离；对毫米波雷达数据进行预处理，实现静态数据识别，并标记；

4、步骤二，运动目标数据聚类；实现运动目标数据的二维聚类，并对聚类中心进行标记；

5、步骤三，运动目标跟踪；实现运动目标数据与航迹关联，并进行航迹管理。

6、优选地，步骤一中的毫米波雷达数据的动静分离的步骤具体包括：

7、步骤1.1，算法参数初始化；设定聚类算法参数，数据预处理参数，数据初筛速度误差阈值，静态数据速度误差阈值，数据点抽样个数m，蒙特卡洛仿真次数k；其中，聚类算法参数包括核心密度ρ、邻域距离；数据预处理参数包括能量阈值pmin、关注角度范围[θminθmax]、距离范围[rminrmax]；

8、步骤1.2，雷达数据输入；输入的毫米波雷达数据包括观测点极坐标下的极径r，角度θ，多普勒速度v，能量i；

9、步骤1.3，数据预处理；根据初始化参数，保留同时满足能量高于pmin、角度θ∈[θminθmax]之外，极径r∈[rminrmax]约束条件的数据点，降低算法需处理的数据量，令预处理后的数据如公式（1）所示：

10、（1）；

11、其中，dataraw矩阵的每列均表示数据点，dataraw(x)为dataraw矩阵的第x列，即为当前预处理数据的第x个数据点，其中，1≤x≤n；

12、步骤1.4，静态数据识别；从dataraw矩阵中抽取m个数据点完成蒙特卡洛仿真，并依据蒙特卡洛仿真的计算结果完成静态障碍和运动目标数据识别。

13、优选地，步骤1.4中的静态数据识别的步骤具体包括：

14、步骤1.4.1，比较dataraw的数据个数与数据点抽样个数m，当dataraw的数据个数≤数据点抽样个数m时，默认所有数据都来自运动目标，转向步骤二；当dataraw的数据个数＞数据点抽样个数m时，判断是否存在自身车速的反馈信息，当系统中存在自身车速反馈信息时跳转至步骤1.4.2，当不存在自身车速反馈时跳转至步骤1.4.4；

15、步骤1.4.2，设毫米波雷达速度等于车辆速度，并令毫米波雷达速度向量为，其中和分别表示雷达速度在雷达法向量方向和水平正交方向的分量，根据公式（2）筛选估计速度与雷达数据多普勒速度之差小于数据初筛速度误差阈值的数据点，得到静态数据标号集合：

16、（2）；

17、步骤1.4.3，若中数据个数不大于数据点抽样个数m时，默认所有数据均来自运动目标并转至步骤二；否则基于随机抽样一致算法ransac随机从数据集中抽取m个数据，如公式（3）所示：

18、（3）；

19、其中，上角标i表示随机抽样轮次数，下角标表示在dataraw中的次序，转至步骤1.4.5；

20、步骤1.4.4，若dataraw中数据个数不大于数据点抽样个数m时，默认所有数据均来自运动目标并转至步骤二，否则基于随机抽样一致算法ransac随机从dataraw中抽取m个数据，如公式（4）所示：

21、（4）；

22、其中，上角标i表示随机抽样轮次数，下角标表示在dataraw中的次序；

23、步骤1.4.5 根据雷达检测模型，雷达速度与静态目标之间的关系，如公式（5）所示：

24、（5）；

25、由公式（5）获得雷达速度分量和的数值估计解；

26、步骤1.4.6，根据公式（6）遍历dataraw中所有数据，得到基准速度 uj：

27、（6）；

28、步骤1.4.7，根据公式（7）筛选雷达数据多普勒速度与基准速度之差小于静态数据速度误差阈值的数据点，得到第i轮静态数据标号集合：

29、（7）；

30、步骤1.4.8，重复执行步骤1.4.1~1.4.7 直至完成k次循环，k为蒙特卡洛循环次数常量，设值如公式（8）所示：

31、（8）；

32、其中，为取集合长度算子；

33、步骤1.4.9，若不为空，则将集合中所包含的数据点标记为静态数据，表示固定障碍；

34、步骤1.4.10，标记dataraw中不包含于的所有数据点为运动目标数据。

35、优选地，步骤二中的运动目标数据聚类的步骤具体包括：

36、步骤2.1，若步骤1.4中输出的运动目标数据集合为空则跳转至步骤三，否则使用公式（9）将所有运动目标数据从极坐标系转换至笛卡尔坐标系：

37、（9）；

38、其中，为极径与车辆行驶方向夹角；

39、步骤2.2，二维数据聚类；基于聚类算法对笛卡尔坐标系下的二维运动目标数据进行聚类；

40、步骤2.3，聚类中心标记；若步骤2.2中聚类结果非空，则定义每个聚类中能量i最大的数据点为聚类中心；若为空则转至步骤三。

41、优选地，步骤三中的运动目标跟踪的具体步骤包括：

42、步骤3.1，数据与航迹关联；调用航迹与数据关联算法，实现基于雷达数据的航迹延伸；

43、步骤3.2，航迹管理；删除最近m个运算周期中航迹预测数达到n的航迹，其中，m、n均为定常数，且m>n。

44、优选地，步骤3.1中，当存在运动目标且存在聚类同时满足时，以运动目标数据聚类中心数据作为输入，调用jpda算法进行航迹关联，未成功关联的航迹则根据目标当前运动状态进行kalman预测。

45、优选地，步骤3.1中，当存在运动目标且存在聚类不能同时满足时，基于目标运动状态进行kalman预测。

46、上述基于动静分离的多目标跟踪方法中，首先，引入了雷达数据动静分离算法，该算法不受运动目标与静态障碍间距离、运动目标的运动速度、范围等因素的限制，能够实现与静态障碍距离较近的运动目标识别，降低了由于静态障碍影响导致动态目标无法识别现象的发生概率，同时该算法能够在自身车速反馈信息存在和/或丢失的情况下实现雷达数据中静态数据和运动目标数据的分类，提升了算法的健壮性和工程实用性；其次，提出了动静目标分类跟踪算法，通过将雷达数据分类为静态障碍数据和运动目标数据，仅将其中的运动目标数据作为航迹关联算法输入，大幅降低了航迹关联算法所需处理的数据量，使在同等算力下运用更加完备的航迹关联算法成为可能，并且能够完全隔绝静态障碍数据对于运动目标航迹影响，降低了由于错误关联导致的目标漏跟踪事件的发生概率，提升了跟踪算法性能。本发明的方法简单，能够准确地跟踪运动目标。