CN112731296B

CN112731296B - 一种汽车毫米波雷达点迹凝聚方法及***

Info

Publication number: CN112731296B
Application number: CN202011367076.XA
Authority: CN
Inventors: 刘加欢
Original assignee: Huizhou Desay SV Intelligent Transport Technology Research Institute Co Ltd
Current assignee: Huizhou Desay SV Intelligent Transport Technology Research Institute Co Ltd
Priority date: 2020-11-30
Filing date: 2020-11-30
Publication date: 2024-03-08
Anticipated expiration: 2040-11-30
Also published as: CN112731296A

Abstract

本发明提供一种汽车毫米波雷达点迹凝聚方法及***，对当前帧点迹数据进行凝聚时，优先根据上一帧航迹信息反馈的目标位置预测值、多普勒速度、目标长宽信息进行航迹与点迹关联聚类，然后再对剩余点迹进行点迹级凝聚处理，从而避免大目标***与临近目标合并问题难以兼并处理的痛点，有效解决汽车毫米波雷达大目标***问题。且本发明在航迹与点迹关联聚类过程中，利用目标识别结果对聚类之后得到的长宽信息进行修正，确保输出更为可靠的目标尺寸特征信息。

Description

一种汽车毫米波雷达点迹凝聚方法及***

技术领域

本发明涉及雷达信号处理领域，尤其是涉及一种汽车毫米波雷达点迹凝聚方法及***。

背景技术

在汽车主动安全领域，汽车毫米波雷达传感器是智能汽车上必不可少的关键部件，其备较强的抗干扰能力，够在全天候快速感知车辆周边环境物体距离、速度、方位角等信息。利用毫米波雷达可以实现自适应巡航控制(ACC)、自动制动（AEB）、前/后向防撞报警(F/RCW)，盲点检测(BSD)、辅助变道(LCA)、泊车辅助（PA）等高级驾驶辅助***(ADAS)功能。

一般的点迹凝聚算法，如滑窗法、标记法、邻域搜索、聚类算法等，其基本假设都是来自同一目标的点迹分布都在某个“门限”范围内。但在实际应用中，由于观测角度、距离、目标RCS起伏、检测算法等原因，来自一辆大卡车的两簇点迹间最小距离可能超过10米，而分别来自两辆同速跟车行驶的小车的两簇点迹间最小距离可能不足5米。避免大车点迹***期望“门限”足够大，避免临近目标合并又期望门限足够小，因此，单靠传统点迹凝聚算法从点迹分布上进行关联融合，难以兼容解决大目标***和临近目标合并的问题。

此外，随着后端数据处理算法的发展，对点迹凝聚的要求也越来越高，已经不局限于位置、速度、幅度等信息，还包括目标长宽尺寸、RCS等特征信息。同样测量误差、观测角度、距离、检测算法等原因，由于来自同一目标的点迹长宽分布与真实物理尺寸可能相差较大，由单帧点迹分布统计得到的目标长宽尺寸信息完全依赖于目标量测，可靠性较差。

发明内容

针对上述问题，本发明的目的在于提供一种汽车毫米波雷达点迹凝聚方法及***，通过基于目标航迹信息与识别结果反馈的汽车毫米波雷达点迹凝聚算法，有效解决汽车毫米波雷达大目标***与临近目标合并问题，且可以输出更可靠的目标长宽尺寸信息。

具体的，本发明所述的一种汽车毫米波雷达点迹凝聚方法，

包括以下步骤：

S1：获取当前帧点迹数据;

S2：获取上一帧航迹与识别结果;

S3：基于目标航迹与识别结果的点迹凝聚;

S4：对S3所述点迹凝聚剩余的原始点迹进行点迹聚类处理，并对同一聚类标志的点迹进行凝聚。

其中，所述S1包括：

S11：获取最新一帧原始点迹数据，其中N为原始点迹数量，每个点迹表示为/>，/>为距离信息，/>为方位角信息，/>为径向速度信息；

S12：将点迹数据转换到笛卡尔坐标系中得到，其中：/>和/>分别为原始点迹在笛卡尔坐标系下的位置信息：

，/>。

进一步的，所述S2包括：

S21：获取上一帧航迹信息，/>为航迹数量，每条航迹包含的信息为：/>，

其中，和/>为上一帧目标在笛卡尔坐标系下的位置坐标，/>为速度，/>和/>为加速度，/>为径向速度信息，/>分别为目标长宽信息，/>为目标识别分类结果；

S22：预测当前帧目标位置：

，

其中，t为帧间时间间隔。

进一步的，所述S3包括：

S31：初始化点迹关联标志为：；

S32：将目标航迹与点迹/>关联，如果/>，执行步骤S33；否则/>，重复执行步骤S32，直至遍历所有点迹；

S33：点迹关联与目标航迹/>，若满足以下条件：

，则执行步骤S34；否则/>，执行步骤S32，直至遍历所有点迹；

其中，，/> 和/>分别为宽度、长度、速度关联门限；

S34：点迹聚类标记为：；

S35：重复以上步骤S32，S33，和S34，直至所有点迹遍历完成;

S36:继续执行步骤S32直至遍历所有航迹。

进一步的，所述S35还包括：

对所有点迹聚类标志为点迹/>，/>进行凝聚，凝聚后的点迹信息为：

，其中：

；

。

进一步的，所述S35还包括：

对于每一类目标，设定一个最大宽度，最小宽度/>，最大长度/>，

最小长度；

根据目标识别分类结果对点迹长宽信息进行修正：

。

进一步的，所述S4还包括：

对所有的点迹进行点迹聚类处理，其聚类标志最小为：/>，并对同一聚类标志的点迹/>，/>进行凝聚。

作为另一优选的，本发明还提供了一种汽车毫米波雷达点迹凝聚方法的***，至少包括：

数据收发模块，用于接收雷达原始回波数据，发送点迹和航迹信息；

信号处理模块，用于对原始回波进行处理，得到原始点迹信息；

点迹预处理模块，用于对原始点迹进行校准，异常点剔除，和点迹凝聚；

数据处理模块，用于对预处理后的点迹进行跟踪，和识别处理，得到航迹信息与目标识别结果。

其中，所述***还包括目标识别模块，用于对不同类型，尺寸的目标进行分类。

进一步的，所述***还包括目标跟踪模块，将点迹凝聚得到的目标长宽信息与数据处理过程中的点迹关联，航迹融合，实现目标识别过程

综上所述，本发明提供一种汽车毫米波雷达点迹凝聚方法，对当前帧点迹数据进行凝聚时，优先根据上一帧航迹信息反馈的目标位置预测值、多普勒速度、目标长宽信息进行航迹与点迹关联聚类，然后再对剩余点迹进行点迹级凝聚处理，从而避免大目标***与临近目标合并问题难以兼并处理的痛点，有效解决汽车毫米波雷达大目标***问题。且本发明在航迹与点迹关联聚类过程中，利用目标识别结果对聚类之后得到的长宽信息进行修正，确保输出更为可靠的目标尺寸特征信息。

附图说明

图1为一实施例中的汽车毫米波雷达点迹凝聚方法流程图。

图2为一采用图1中方法的具体实施效果对比图。

具体实施方式

下面将结合具体实施例及附图对本发明的一种汽车毫米波雷达点迹凝聚方法及***，作进一步详细描述。

如图1所示为本发明提供的汽车毫米波雷达点迹凝聚方法流程图，包括如下步骤：

步骤1，获取当前帧点迹数据。

步骤1-1：获取最新一帧原始点迹数据，其中N为原始点迹数量，每个点迹表示为/> ，/>为距离信息，/>为方位角信息，/>为径向速度信息。

步骤1-2：将点迹数据转换到笛卡尔坐标系中得到，其中：/>和/>分别为原始点迹在笛卡尔坐标系下的位置信息：

；

步骤2，获取上一帧航迹与识别结果。

步骤2-1: 获取上一帧航迹信息为航迹数量，每条航迹包含的信息为/> 为目标在笛卡尔坐标系下位置及运动状态信息，其中，/>和/>为上一帧目标在笛卡尔坐标系下的位置坐标，/>为速度，/>和/>为加速度，/>为径向速度信息，/>分别为目标长宽信息，/>为目标识别分类结果。

步骤2-2：预测当前帧目标位置：

，

其中，t为帧间时间间隔。

步骤3，基于目标航迹与识别结果的点迹凝聚。

步骤3-1：初始化点迹关联标志为。

步骤3-2：将航迹将目标航迹与点迹/>关联，如果 />，执行步骤3-3；否则，执行步骤3-2直至遍历所有点迹。

步骤3-3：点迹关联与目标航迹/>，若满足以下条件，执行步骤3-4；否则/>，执行步骤3-2直至遍历所有点迹。

；

;

其中，分别为宽度、长度、速度关联门限。

步骤3-4：点迹聚类标记为：

;

步骤3-5：，重复以上步骤3-2、步骤3-3、步骤3-4直至所有点迹遍历完成。对所有点迹聚类标志/>为点迹/>进行凝聚，凝聚后的点迹信息为/>，其中：

步骤3-5：对于每一类目标，设定一个最大宽度，最小长度/>。根据目标识别分类结果/>对点迹长宽信息进行修正：

步骤3-6：，继续执行步骤3-2直至遍历所有航迹。

步骤4：对所有的点迹进行一般的点迹聚类处理，其聚类标志最小为/>，并对同一聚类标志的点迹/>进行凝聚。

其中，根据航迹识别结果，仅对部分类型航迹进行航迹与点迹的关联和聚类。

进一步的，所述点迹凝聚采用幅度加权等其他方法。

本技术创新对当前帧点迹数据进行凝聚时，优先根据上一帧航迹信息反馈的目标位置预测值、多普勒速度、目标长宽信息进行航迹与点迹关联聚类，然后再对剩余点迹进行点迹级凝聚处理，可以避免大目标***与临近目标合并问题难以兼并处理的痛点，有效解决汽车毫米波雷达大目标***问题。

本技术创新在航迹与点迹关联聚类过程中，利用目标识别结果对聚类之后得到的长宽信息进行修正，可以输出更为可靠的目标尺寸特征信息。

作为另一优选的，如图2所示，采用本发明所述的汽车毫米波雷达点迹凝聚方法，图中大车的点迹凝聚为一整体，且可以根据不同车辆的车身长宽尺寸按预设比例展示，而采用现有的凝聚算法，经模拟得到的是两个***的目标点，也无法获取车辆的长宽信息。进一步的，小车在临近栅栏处均有效区分。

进一步的，所述***还包括目标跟踪模块，将点迹凝聚得到的目标长宽信息与数据处理过程中的点迹关联，航迹融合，实现目标识别过程。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种汽车毫米波雷达点迹凝聚方法，其特征在于，包括以下步骤：

S1：获取当前帧点迹数据；

S2：获取上一帧航迹与识别结果，所述上一帧航迹包括：{T_j)，＝1，2，...，M，M为航迹数量；所述识别结果包括当前帧目标位置；其中，根据航迹信息中的x_j,vx_j,ax_j,y_j,vy_j,ay_j计算获得当前帧目标位置的预测值；x_j和y_j为上一帧目标在笛卡尔坐标系下的位置坐标，vx_j为速度，ax_j和ay_j为加速度，v_j为径向速度信息，l_j，w_j分别为目标长宽信息，class_j为目标识别分类结果；

S3：基于目标航迹与识别结果的点迹凝聚；将目标航迹T_j与点迹z′_i关联，仅当flag_i≠0，且x_i,y_i,|v_j-v_i|均分别满足预设条件时，对满足所述预设条件的点迹进行点迹聚类标记；所述预设条件为：

其中，/>和/>分别为预测当前帧目标位置坐标信息，δ_width，δ_length和δ_v分别为宽度、长度、速度关联门限；

对所有点迹聚类标志flag_i＝j为点迹z′_i＝{r_i，θ_i，x_i，y_i，v_i}，i＝1，2，...，n进行凝聚；并根据目标识别分类结果对点迹长宽信息进行修正；

S4：对S3所述点迹凝聚后剩余的原始点迹进行点迹聚类处理，并对同一聚类标志的点迹进行凝聚。

2.根据权利要求1所述的汽车毫米波雷达点迹凝聚方法，其特征在于，所述S1包括：

S11：获取最新一帧原始点迹数据{z_i}，i＝1,2,…,N，其中N为原始点迹数量，每个点迹表示为z_i＝{r_i，θ_i，v_i}，r_i为距离信息，θ_i为方位角信息，v_i为径向速度信息；

S12：将点迹数据转换到笛卡尔坐标系中得到z′_i＝{r_i，θ_i，x_i，y_i，v_i}，其中，x_i和y_i分别为原始点迹在笛卡尔坐标系下的位置信息：

x_i＝r_i·cos(θ_i)，y_i＝r_i·sin(θ_i)。

3.根据权利要求1所述的汽车毫米波雷达点迹凝聚方法，其特征在于，所述S2包括：

S21：每条航迹包含的信息为：

T_j＝{x_j，vx_j，ax_j，y_j，vy_j，ay_j，v_j，w_j，l_j，class_j}，其中，x_j和y_j为上一帧目标在笛卡尔坐标系下的位置坐标，vx_j为速度，ax_j和ay_j为加速度，v_j为径向速度信息，l_j，w_j分别为目标长宽信息，class_j为目标识别分类结果；

S22：预测当前帧目标位置：

其中，t为帧间时间间隔。

4.根据权利要求1所述的汽车毫米波雷达点迹凝聚方法，其特征在于，所述S3包括：

S31：初始化点迹关联标志为：flag_i＝0，i＝1，2，...，N；

S32：将目标航迹T_j与点迹z′_i关联，如果flag_i≠0，执行步骤S33；否则i＝i+1，重复执行步骤S32，直至遍历所有点迹；

S33：点迹z′_i关联与目标航迹T_j，若满足以下条件：

|v_j-v_i|＜δ_v，

则执行步骤S34；否则i＝i+1，执行步骤S32，直至遍历所有点迹；

其中，δ_width，δ_length和δ_v分别为宽度、长度、速度关联门限；

S34：点迹聚类标记为：flag_i＝j；

S35：重复以上步骤S32，S33，和S34，直至所有点迹遍历完成；

S36:j＝j+1继续执行步骤S32直至遍历所有航迹。

5.根据权利要求4所述的汽车毫米波雷达点迹凝聚方法，其特征在于，所述S35还包括：凝聚后的点迹信息为：

z′_k＝{r_k，θ_k，x_k，y_k，v_k，w_k，l_k}，其中：

w_k＝max(x₁，x₂...,x_n)-min(x₁，x₂,...x_n)

l_k＝max(y₁，y₂...y_n)-min(y₁，y₂...y_n)。

6.根据权利要求5所述的汽车毫米波雷达点迹凝聚方法，其特征在于，所述S35还包括：对于每一类目标，设定一个最大宽度最小宽度/>最大长度/>最小长度

根据目标识别分类结果class_j，对点迹长宽信息进行修正：

7.根据权利要求1所述的汽车毫米波雷达点迹凝聚方法，其特征在于，所述S4还包括：对所有flag_i＝0的点迹进行点迹聚类处理，其聚类标志最小为：M+1，并对同一聚类标志的点迹z′_i＝{r_i，θ_i，x_i，y_i，v_i}，i＝1，2，...，n进行凝聚。

8.一种应用权利要求1-7所述汽车毫米波雷达点迹凝聚方法的***，其特征在于，至少包括：

9.根据权利要求8所述的***，其特征在于，所述***还包括目标识别模块，用于对不同类型，尺寸的目标进行分类。

10.根据权利要求8所述的***，其特征在于，所述***还包括目标跟踪模块，将点迹凝聚得到的目标长宽信息与数据处理过程中的点迹关联，航迹融合，实现目标识别过程。