【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及雷達信號處理領(lǐng)域，尤其涉及一種基于群跟蹤算法的點云聚類和跟蹤方法。
技術(shù)介紹
1、近年來，毫米波雷達在多目標(biāo)跟蹤和感知方面得到了廣泛研究。這一切都要歸功于雷達回波中攜帶的多普勒信息和微多普勒，微多普勒一般是指目標(biāo)各個部分運動而產(chǎn)生的附加多普勒信息。多普勒特性可以用于確定目標(biāo)的特征，以此來進行目標(biāo)的跟蹤和感知，識別出的特征最終可轉(zhuǎn)化為目標(biāo)的運動特性，這歸功于毫米波雷達波長極短而具有的高靈敏度。
2、通常，雷達工作在惡劣的信號傳播環(huán)境中，其生成的多維點云信息會受到諸如噪聲、目標(biāo)遮擋、多徑效應(yīng)等影響。這使得對多目標(biāo)跟蹤和感知任務(wù)變得相當(dāng)困難，例如噪聲會導(dǎo)致目標(biāo)跟蹤不穩(wěn)定、目標(biāo)遮擋會使得目標(biāo)跟蹤不連續(xù)、多徑效應(yīng)則會導(dǎo)致出現(xiàn)虛假目標(biāo)等。目前用于實現(xiàn)穩(wěn)健可靠的多目標(biāo)跟蹤和感知的研究和技術(shù)，特別是毫米波雷達，尚未有一個統(tǒng)一的實現(xiàn)框架。鑒于此，本專利技術(shù)提出一種群跟蹤算法，利用點云的多維度信息來解決上述難點，實現(xiàn)了一個點云處理流程。
3、現(xiàn)有技術(shù)方案
4、現(xiàn)有的多目標(biāo)跟蹤方案主要由兩部分組成，第一步先是聚類，第二步進行跟蹤，由于毫米波雷達分辨率較高，會導(dǎo)致單一目標(biāo)具有多個點云信息，在這種情況下，原來的單一目標(biāo)就會演變成擴展目標(biāo)，在對擴展目標(biāo)進行跟蹤前，需要先將雷達視場內(nèi)所有點云按照不同目標(biāo)劃分為不同的簇，每個簇對應(yīng)唯一的擴展目標(biāo)，最后以簇為單位進行目標(biāo)跟蹤。聚類可以視為進行空間濾波，跟蹤可以視為進行時間濾波，兩者都是作為單獨的模塊完成的。
5、1.現(xiàn)有的聚類算法有：
6、
7、k均值聚類可以說是最常見的聚類算法，由于簡潔和高效使得它成為所有聚類算法中最廣泛使用的。算法的主要思想是首先給定一個數(shù)據(jù)點集合和需要聚類的數(shù)目k，k由用戶事先確定。然后隨機初始化k個中心點，每個數(shù)據(jù)點通過計算該點與每個中心點之間的距離來進行分類，根據(jù)最小距離，將該點分類到對應(yīng)中心點的簇中，算法進行多次迭代后就可以分成k組點簇。k均值算法的優(yōu)勢在于它的速度非常快，因為只需要計算點和簇中心之間的距離。
8、(2)dbscan算法：
9、dbscan算法是一種基于密度的聚類算法，算法從一個未被訪問的任意數(shù)據(jù)點開始，這個點的領(lǐng)域用距離定義。如果在該領(lǐng)域內(nèi)有足夠數(shù)量的點，則聚類過程開始，并且當(dāng)前數(shù)據(jù)點成為新簇中的第一個點。否則，這個點將標(biāo)記為噪聲，這兩種情況下，該點都會被標(biāo)記為“已訪問”。對于新簇中的第一個點，它的距離鄰域內(nèi)的點也會成為同簇的一部分，這個過程使得領(lǐng)域內(nèi)的所有點都屬于同一個簇，然后對新添加到簇中的所有新點重復(fù)上述過程直到所有點已經(jīng)被訪問完畢，每個點都被標(biāo)記為屬于一個簇或是噪聲。dbscan算法的優(yōu)勢在于它不需要預(yù)先確定簇的數(shù)量且能夠?qū)惓Ｖ底R別為噪聲。另外，它能夠很好地找到任意大小和任意形狀的簇。
10、2.現(xiàn)有的跟蹤算法
11、現(xiàn)有的跟蹤算法主要是使用卡爾曼濾波，它是一個理論完備應(yīng)用廣泛的算法，是一個通用技術(shù)，廣泛應(yīng)用于信號處理、機器人、目標(biāo)跟蹤等各種領(lǐng)域。算法的主要思想是以一種迭代的方式動態(tài)估計下一個時刻的狀態(tài)，同時又考慮到了歷史狀態(tài)和觀測數(shù)據(jù)。針對目標(biāo)跟蹤，卡爾曼濾波對目標(biāo)的運動模型進行建模，包括勻速度模型和勻加速度模型，可以用于估計目標(biāo)在下一幀的位置。根據(jù)應(yīng)用場景，卡爾曼濾波還可以分成擴展卡爾曼濾波和無跡卡爾曼濾波。擴展卡爾曼濾波主要用于分析非線性系統(tǒng)，當(dāng)系統(tǒng)的動態(tài)或觀測模型不是線性時，擴展卡爾曼濾波會對這些模型進行線性化處理，然后應(yīng)用卡爾曼濾波步驟。無跡卡爾曼濾波提供了一種更準(zhǔn)確地處理非線性問題的方法，即使用無跡變換來處理均值和協(xié)方差的非線性傳遞問題，相比擴展卡爾曼，無跡卡爾曼通常能得到更好的結(jié)果，因為它使用了更高階的統(tǒng)計信息。現(xiàn)有技術(shù)缺點：
12、(1)k均值聚類最大的一個缺點就是必須預(yù)先確定簇的數(shù)量，然而由于毫米波雷達檢測到的目標(biāo)的數(shù)量是不確定的，一個目標(biāo)對應(yīng)的點云數(shù)量也是不確定的，所以很難去預(yù)先確定一個準(zhǔn)確的值。實際環(huán)境是復(fù)雜的，環(huán)境中可能有多種不同的目標(biāo)，如有行人、機動車、非機動車等。不同種類的目標(biāo)反射得到的點云數(shù)量和空間分布范圍是不同的，當(dāng)多目標(biāo)近鄰時由于k均值聚類的均值效應(yīng)和錯誤收斂問題會導(dǎo)致聚類效果變差。除此之外，k均值聚類的另一個缺點是隨機選擇簇的中心點開始運行，這導(dǎo)致對同樣的數(shù)據(jù)運行多次該算法可能會產(chǎn)生不同的聚類結(jié)果。
13、(2)dbscan算法的主要缺點是當(dāng)數(shù)據(jù)點密度不均勻時，它的效果會比較差。這是因為當(dāng)數(shù)據(jù)點密度變化時，用于識別鄰近點的距離閾值和最小點的閾值將隨著點密度而變化。在實際運行環(huán)境中，數(shù)據(jù)點的密度會隨著環(huán)境和時間而變化，無法根據(jù)點簇的先驗信息準(zhǔn)確估計上述閾值。此外，在多目標(biāo)場景下，因為目標(biāo)之間的距離太近導(dǎo)致點簇密度較大，從而使得不能區(qū)分距離較近的目標(biāo)。
14、(3)現(xiàn)有的多目標(biāo)跟蹤方法都有一個缺點，那就是把聚類和跟蹤割裂開來作為兩個單獨的模塊運行，會對反饋的點云信息處理不及時導(dǎo)致對跟蹤的連續(xù)性產(chǎn)生影響。連續(xù)跟蹤是指僅在環(huán)境中的多個目標(biāo)位于雷達當(dāng)前視野范圍內(nèi)時對其進行跟蹤，不連續(xù)跟蹤是連續(xù)跟蹤的擴展，即在當(dāng)前視野范圍內(nèi)跟蹤目標(biāo)消失，假設(shè)目標(biāo)在雷達的未來視野中會重新出現(xiàn)，還可以將其與之前的軌跡相關(guān)聯(lián)。
15、另外，雷達信號和信息處理可以簡單分為四個過程，對應(yīng)射頻前端、檢測、定位以及最后的分類。跟蹤算法位于定位過程中，它接收檢測得到的點云信息進行處理后，向分類提供定位信息。雷達單目標(biāo)跟蹤的技術(shù)已經(jīng)比較成熟，常用的方法有卡爾曼濾波、常增益α～β濾波等。然而，隨著高分辨率雷達傳感器，特別是毫米波雷達的發(fā)展，檢測層能夠感知空間中一個或者多個目標(biāo)的很多個反射，從而得到更加豐富的點云信息，包括目標(biāo)的距離、方位、速度以及信噪比，通常一個目標(biāo)會由多個點云信息組成。這時候不能直接使用跟蹤算法，而是先要進行點云聚類操作。
16、面對多維度的點云信息，針對單一距離維度的傳統(tǒng)聚類算法不再適用。如k均值聚類算法(k-means?clustering?algorithm)中僅使用點的位置信息計算到簇中心之間的距離，且必須先確定簇的數(shù)量，這對我們希望使用一個聚類算法來幫助我們找出有多少簇來說是矛盾的。dbscan算法(density-based?spatial?clustering?of?applications?withnoise)是一種基于密度的聚類算法，與k均值算法相比它雖然不需要事先確定簇的數(shù)量，但是當(dāng)數(shù)據(jù)簇密度不均勻時，識別相近點的距離閾值和最小點數(shù)閾值的設(shè)置將隨著簇的變化而變化，在處理高維度的點云數(shù)據(jù)時這種現(xiàn)象尤其明顯。
17、除此之外，傳統(tǒng)的跟蹤算法使用的卡爾曼濾波只適用于線性系統(tǒng)模型，考慮到實際場景中存在許多非線性系統(tǒng)模型，這時候需要使用擴展卡爾曼濾波ekf(extendedkalman?filters)對模型進行線性化處理，然后再應(yīng)用卡爾曼濾波步驟。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)提出一種基于群跟蹤算法的點云聚類和本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于群跟蹤算法的點云聚類和跟蹤方法，其特征在于，該方法包括如下步驟：
2.根據(jù)權(quán)利要求1所述的基于群跟蹤算法的點云聚類和跟蹤方法，其特征在于，步驟1具體為：對于運動物體，我們認為其速度變化是合理的，故采用勻加速度模型；勻加速度模型假設(shè)目標(biāo)做勻加速運動，我們使用卡爾曼濾波器來重新定義目標(biāo)的位置估計，卡爾曼濾波器在n時刻的狀態(tài)被定義為：
3.根據(jù)權(quán)利要求2所述的基于群跟蹤算法的點云聚類和跟蹤方法，其特征在于，步驟2具體為：在上述公式中，輸入向量u(n)和狀態(tài)向量s(n)之間具有非線性關(guān)系，即：
4.根據(jù)權(quán)利要求1所述的基于群跟蹤算法的點云聚類和跟蹤方法，其特征在于，步驟3具體為：在時刻n-1處，兩個軌跡的質(zhì)心記為G1(n-1)和G2(n-1)，在預(yù)測步驟中，根據(jù)運動模型預(yù)測時刻n的軌跡質(zhì)心，預(yù)測的軌跡質(zhì)心標(biāo)記為G1,apr(n)、G2,apr(n)；
5.根據(jù)權(quán)利要求1所述的基于群跟蹤算法的點云聚類和跟蹤方法，其特征在于，步驟4具體為：在時刻n從檢測層獲得的一組測量值需要被關(guān)聯(lián)到唯一的一條軌跡當(dāng)中；那么就要計算測量值與預(yù)測軌跡質(zhì)
6.根據(jù)權(quán)利要求1所述的基于群跟蹤算法的點云聚類和跟蹤方法，其特征在于，步驟5具體為：對于未與任何軌跡相關(guān)聯(lián)的測量向量，即在門限函數(shù)外的點，將初始化并分配一個新的群組跟蹤器；這是一個迭代過程，且只對剩下的點來進行操作；
7.根據(jù)權(quán)利要求4所述的基于群跟蹤算法的點云聚類和跟蹤方法，其特征在于，步驟6具體為：更新過程如下所示，當(dāng)有足夠多和軌跡相關(guān)聯(lián)的動態(tài)點時才執(zhí)行更新步驟；
8.根據(jù)權(quán)利要求1所述的基于群跟蹤算法的點云聚類和跟蹤方法，其特征在于，步驟7中：跟蹤的目標(biāo)在以下三個狀態(tài)中轉(zhuǎn)換，三個狀態(tài)指檢測、活動和空閑；
9.根據(jù)權(quán)利要求1所述的基于群跟蹤算法的點云聚類和跟蹤方法，其特征在于，步驟1中的運動模型為勻加速度模型，對物體運動來說，這一假設(shè)在短時間內(nèi)基本都是成立的。
...【技術(shù)特征摘要】
1.一種基于群跟蹤算法的點云聚類和跟蹤方法，其特征在于，該方法包括如下步驟：
2.根據(jù)權(quán)利要求1所述的基于群跟蹤算法的點云聚類和跟蹤方法，其特征在于，步驟1具體為：對于運動物體，我們認為其速度變化是合理的，故采用勻加速度模型；勻加速度模型假設(shè)目標(biāo)做勻加速運動，我們使用卡爾曼濾波器來重新定義目標(biāo)的位置估計，卡爾曼濾波器在n時刻的狀態(tài)被定義為：
3.根據(jù)權(quán)利要求2所述的基于群跟蹤算法的點云聚類和跟蹤方法，其特征在于，步驟2具體為：在上述公式中，輸入向量u(n)和狀態(tài)向量s(n)之間具有非線性關(guān)系，即：
4.根據(jù)權(quán)利要求1所述的基于群跟蹤算法的點云聚類和跟蹤方法，其特征在于，步驟3具體為：在時刻n-1處，兩個軌跡的質(zhì)心記為g1(n-1)和g2(n-1)，在預(yù)測步驟中，根據(jù)運動模型預(yù)測時刻n的軌跡質(zhì)心，預(yù)測的軌跡質(zhì)心標(biāo)記為g1,apr(n)、g2,apr(n)；
5.根據(jù)權(quán)利要求1所述的基于群跟蹤算法的點云聚類和跟蹤方法，其特征在于，步驟4具體為：在時刻n從檢測層獲得的一組測量值需要被關(guān)聯(lián)到...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：蘇濤，周振堅，李宜泓，王洋洋，趙巖，孫曉娜，
申請(專利權(quán))人：利國智能科技昆山有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。