[发明专利]一种基于汽车雷达的多目标跟踪方法及系统

说明书

本发明提供了一种基于汽车雷达的多目标跟踪方法及系统，包括：利用密度聚类对各检测目标聚类生成各有效目标；分别计算每个有效目标与各前一周期航迹的相关度生成第一协方差矩阵；根据第一协方差矩阵及前一周期第二协方差矩阵，利用动态α滤波生成评价矩阵；根据各优先度及评价矩阵进行匈牙利指派生成各有效目标的匹配航迹；根据有效目标状态、前一周期航迹及前一周期第二协方差矩阵进行卡尔曼滤波生成当前周期第二协方差矩阵；根据各有效目标状态、各有效目标对应匹配航迹状态、第一协方差矩阵及当前周期第二协方差矩阵，利用蒙特卡洛多元概率采样生成各当前周期航迹及当前周期重采样后的对象集。本申请有兼顾非线性估计精度与实时性的有益效果。

技术领域

本发明涉及汽车雷达跟踪技术领域，尤其涉及一种基于汽车雷达的多目标跟踪方法及系统。

背景技术

雷达是智能汽车必不可少的组成部分，用于目标检测和目标跟踪。在实际的交通环境中，汽车雷达所处环境比较复杂。为了满足汽车雷达的需求，需从大量的目标数据中筛选出有效目标，建立对应的航迹管理，并准确的获得目标车辆的状态信息。实时进行多目标跟踪，以达到预警的需要。

汽车雷达跟踪算法通常采用联合概率数据关联(Joint Probability DataAssociation,JPDA)和多假设跟踪(Multiple Hypothesis Tracking,MHT)等航迹关联方法与卡尔曼滤波(Kalman Filter,KF)以及扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)等KF的改进算法结合。但是实际测试中随着杂波和目标回波数量的增多，会出现联合事件总数的呈指数型增长的情况。另一方面，由于雷达信号本身的波动性，雷达机动目标跟踪需要考虑系统的非线性问题。KF及KF的改进算法实时性好，但是非线性估计精度较低。

因此，如何解决非线性估计精度与实时性兼容性不佳问题，是当前亟待解决的技术问题。

发明内容

为了解决现有技术中的缺陷，本发明提供了一种基于汽车雷达的多目标跟踪方法及系统，本申请将航迹关联分解为两个步骤，首先通过密度聚类算法筛选有效目标，将来自于相同车辆的回波目标融合；其次通过最近邻(Near Neighboor,NN)算法，设置截断距离以限制潜在的决策数目，由截断距离初步筛选所得到的回波成为候选回波。将关联问题转化指派问题进行处理，利用匈牙利指派将各有效目标与各前一周期航迹进行匹配，获得各有效目标对应的匹配航迹，完成航迹关联。利用卡尔曼滤波和蒙特卡洛多元概率采样对目标进行跟踪，算法具有较好的兼顾了非线性估计精度与实时性的有益效果。

为了实现上述目的，本发明提供了一种基于汽车雷达的多目标跟踪方法，该方法包括：

获取当前周期各待检测车辆对应的若干检测目标，并利用密度聚类算法对各所述检测目标进行聚类生成各有效目标；所述有效目标包括：有效目标状态；

根据每个所述有效目标分别与获取的各前一周期航迹进行相关度计算生成第一协方差矩阵；

根据所述第一协方差矩阵及获取的前一周期第二协方差矩阵，利用动态α滤波生成评价矩阵；

根据各所述前一周期航迹的优先度及所述评价矩阵进行匈牙利指派生成各所述有效目标对应的匹配航迹；所述匹配航迹包括：匹配航迹状态；

根据各所述有效目标状态、各所述前一周期航迹及所述前一周期第二协方差矩阵进行卡尔曼滤波，生成当前周期第二协方差矩阵；

根据各所述有效目标状态、各所述有效目标对应的匹配航迹状态、所述第一协方差矩阵及所述当前周期第二协方差矩阵，利用蒙特卡洛多元概率采样生成各有效目标的当前周期航迹及当前周期重采样后的对象集。

本发明还提供了一种基于汽车雷达的多目标跟踪系统，该系统包括：