一种自动匹配的毫米波雷达机动目标跟踪方法及系统技术方案

本发明专利技术涉及毫米波雷达应用领域，特别是涉及一种自动匹配的毫米波雷达机动目标跟踪方法及系统。本发明专利技术的自动匹配的毫米波雷达机动目标跟踪方法先建立运动模型库，然后从所述运动模型库中选取一个运动模型作为运动目标的初始运动模型，经初始运动模型计算得到运动目标的预测运动状态，后与雷达测量得到的测量运动状态进行比较，从而能够判断运动模型是否失配，若失配则及时修改运动模型，进而迭代计算得到更准确的目标运动状态，有效提高毫米波雷达的目标轨迹预测和跟踪的精度。达的目标轨迹预测和跟踪的精度。达的目标轨迹预测和跟踪的精度。

【技术实现步骤摘要】
一种自动匹配的毫米波雷达机动目标跟踪方法及系统


[0001]本专利技术涉及毫米波雷达应用领域，特别是涉及一种自动匹配的毫米波雷达机动目标跟踪方法及系统。

技术介绍

[0002]现有的基于毫米波雷达的目标跟踪研究中，主要是利用雷达的多发多收天线采集ADC数据，然后通过FFT和2DFFT变换将上述信息转换为含有目标距离、速度、角度等信息的点云数据。使用聚类方法将点云簇化成目标特征(位置、速度、信噪比等)，以卡尔曼滤波为算法基础，建立目标运动模型，将聚类得到的目标特征作为卡尔曼滤波的测量输入，逐帧执行卡尔曼滤波预测与更新，实现目标跟踪。
[0003]在现实场景中，很多时候需要对机动目标进行跟踪。以卡尔曼滤波为基础的目标跟踪算法，首先需要建立目标的运动模型，但对于机动目标来说，其运动状态具有不可预测性，容易出现建立的运动模型与目标实际运动情况不匹配的情况，导致卡尔曼滤波更新效果差甚至发散，进而导致目标跟踪的效果差甚至无法跟踪目标。

技术实现思路

[0004]本专利技术的目的在于，提供一种自动匹配的毫米波雷达机动目标跟踪方法及系统，以提高毫米波雷达目标轨迹预测和追踪的精度。
[0005]本专利技术提供一种自动匹配的毫米波雷达机动目标跟踪方法，包括：
[0006]读取点云数据，对所述点云数据进行预处理；
[0007]对每一帧的所述点云数据执行聚类，形成多个簇；
[0008]建立运动模型库；并重复如下过程：
[0009]从所述运动模型库中选取一个运动模型作为运动目标的初始运动模型；将运动目标在第n帧时的最优估计运动状态输入所述初始运动模型，得到运动目标在第n+1帧时的预测运动状态，其中，n不小于1；以第n+1帧时运动目标的预测运动状态为基准与第n+1帧中的簇进行关联，从而获取目标在第n+1帧时的测量运动状态；直至所述预测运动状态与所述测量运动状态匹配。
[0010]进一步地，所述最优估计运动状态由当前帧的预测运动状态和测量运动状态作为卡尔曼滤波的测量输入，经卡尔曼滤波更新处理后得到。
[0011]进一步地，所述预测运动状态与所述测量运动状态匹配的判断过程包括：对所述测量运动状态的簇的点云数据的运动状态进行分析，并将所述测量运动状态的簇的点云数据与所述预测运动状态进行比较，对所述预测运动状态进行评分，若获取的分值低于预设值，则判定所述预测运动状态与所述测量运动状态失配，进而说明所述初始运动模型与运动目标的真实运动情况失配；若获取的分值不低于所述预设值，则保留所述初始运动模型。
[0012]进一步地，将所述测量运动状态的簇的测量点特性作为评分项，所述测量点特性包括测量点速度分布情况和动静测量点比例。
[0013]进一步地，剔除所述点云数据中由于多径效应产生的虚假点云及无效测量点以实现所述预处理。
[0014]进一步地，若第n+1帧中存在不能与第n帧中的运动目标相关联的簇，且所述不能与第n帧中的运动目标相关联的簇满足起批条件，则在航迹管理模块中将其初始化为新的运动目标。
[0015]进一步地，对于无簇与之关联的运动目标，若所述运动目标满足消亡条件则在航迹管理模块中对其进行航迹消亡。
[0016]进一步地，在对每一帧的所述点云数据执行聚类时，将无法被聚类的所述点云数据标记为噪点。
[0017]本专利技术还提供一种自动匹配的毫米波雷达机动目标跟踪系统，包括：
[0018]预处理模块，所述预处理模块用于读取点云数据，并对所述点云数据进行预处理；
[0019]聚类模块，所述聚类模块用于对每一帧的所述点云数据执行聚类，形成多个簇；
[0020]运动模型库模块，所述运动模型库模块用于存储运动模型；
[0021]状态匹配模块，所述状态匹配模块用于执行如下过程：
[0022]从所述运动模型库中选取一个运动模型作为运动目标的初始运动模型；将运动目标在第n帧时的最优估计运动状态输入所述初始运动模型，得到运动目标在第n+1帧时的预测运动状态，其中，n不小于1；以第n+1帧时运动目标的预测运动状态为基准与第n+1帧中的簇进行关联，从而获取目标在第n+1帧时的测量运动状态；直至所述预测运动状态与所述测量运动状态匹配。
[0023]进一步地，所述预处理模块通过剔除所述点云数据中由于多径效应产生的虚假点云及无效测量点的方式实现所述预处理。
[0024]相比于现有技术，本专利技术至少具有以下有益效果：
[0025]本专利技术的自动匹配的毫米波雷达机动目标跟踪方法及系统，通过建立运动模型库的方式，充分利用与运动目标的关联的簇中的点云数据信息，判定初始运动模型是否失配，从而能够及时修改运动模型，修正运动模型预测出的结果，有效提高毫米波雷达的目标轨迹预测和跟踪的精度。
附图说明
[0026]图1为本专利技术的自动匹配的毫米波雷达机动目标跟踪方法的一个实施例的流程图。
具体实施方式
[0027]下面将结合示意图对本专利技术的自动匹配的毫米波雷达机动目标跟踪方法及系统的描述，其中表示了本专利技术的优选实施例，应该理解本领域技术人员可以修改在此描述的本专利技术，而仍然实现本专利技术的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本专利技术的限制。
[0028]在下列段落中参照附图以举例方式更具体地描述本专利技术。根据下面说明和权利要求书，本专利技术的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本专利技术实施例的目的。
[0029]在机动目标跟踪的过程中，当建立的运动模型与目标实际运动模型不匹配时，会对基于初建立的运动模型得到的预测结果进行修正，后续迭代仍根据预先建立的运动模型进行计算更新，那么在迭代几次后仍会出现预测结果与目标真实的运动情况相差过大的情况，导致跟踪效果较差。因此仍然难以有效提高跟踪效果。
[0030]为了有效提高跟踪效果，本专利技术提供了一种自动匹配的毫米波雷达机动目标跟踪方法及系统，本专利技术的核心构思在于以初始运动模型为基础，在跟踪的过程中，以当前已有的数据为基础，不断修改运动模型，进而修正运动模型预测出的结果，从而有效提高毫米波雷达的目标轨迹预测和跟踪的精度，获得较好的跟踪效果。换言之，本专利技术是先经初始运动模型计算得到运动目标的预测运动状态，后与雷达测量得到的测量运动状态进行比较，从而能够判断运动模型是否失配，若失配则及时修改运动模型，进而迭代计算得到更准确的目标运动状态。
[0031]如图1所示，本专利技术的自动匹配的毫米波雷达机动目标跟踪方法，在其中一个实施例中，包括以下步骤：
[0032]S100：读取点云数据，对点云数据进行预处理；
[0033]其中，读取的点云数据信息包括距离、方位角、俯仰角、多普勒速度、信噪比和rcs(雷达散射截面积)等信息。由于多径效应的存在，导致获取的点云数据中存在很多的噪音，为了提高点云数据信息的可靠性，需要剔除所述点云数据中由于多径效应产生的虚假点云及无效测量点。其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动匹配的毫米波雷达机动目标跟踪方法，其特征在于，包括：读取点云数据，对所述点云数据进行预处理；对每一帧的所述点云数据执行聚类，形成多个簇；建立运动模型库；并重复如下过程：从所述运动模型库中选取一个运动模型作为运动目标的初始运动模型；将运动目标在第n帧时的最优估计运动状态输入所述初始运动模型，得到运动目标在第n+1帧时的预测运动状态，其中，n不小于1；以第n+1帧时运动目标的预测运动状态为基准与第n+1帧中的簇进行关联，从而获取目标在第n+1帧时的测量运动状态；直至所述预测运动状态与所述测量运动状态匹配。2.根据权利要求1所述的自动匹配的毫米波雷达机动目标跟踪方法，其特征在于：所述最优估计运动状态由当前帧的预测运动状态和测量运动状态作为卡尔曼滤波的测量输入，经卡尔曼滤波更新处理后得到。3.根据权利要求1所述的自动匹配的毫米波雷达机动目标跟踪方法，其特征在于：所述预测运动状态与所述测量运动状态匹配的判断过程包括：对所述测量运动状态的簇的点云数据的运动状态进行分析，并将所述测量运动状态的簇的点云数据与所述预测运动状态进行比较，对所述预测运动状态进行评分，若获取的分值低于预设值，则判定所述预测运动状态与所述测量运动状态失配，进而说明所述初始运动模型与运动目标的真实运动情况失配；若获取的分值不低于所述预设值，则保留所述初始运动模型。4.根据权利要求3所述的自动匹配的毫米波雷达机动目标跟踪方法，其特征在于：将所述测量运动状态的簇的测量点特性作为评分项，所述测量点特性包括测量点速度分布情况和动静测量点比例。5.根据权利要求1所述的自动匹配的毫米波雷达机动目标跟踪方法，其特征在于：剔除所述点云数据中由于多径效...

【专利技术属性】
技术研发人员：李海龙，邹毅，张义军，龙勇军，姚衡，
申请(专利权)人：深圳市华杰智通科技有限公司，
类型：发明
国别省市：