CN118033626B - 一种基于双雷达的目标跟踪测速方法及*** - Google Patents

Abstract

本发明涉及雷达测速领域，尤其是涉及一种基于双雷达的目标跟踪测速方法及***，所述方法包括如下步骤：在试验阶段让试验车辆按照不同的行驶方式多次驶过监测路段，试验车辆每一次驶过监测路段时获取车辆的实际速度、监测路段的点云数据和毫米波雷达产生的中频信号，用于构建车辆路径数据库和频差数据库；在实测阶段，根据实时获取的点云数据和中频信号以及两个数据库确定最佳多普勒平移，进而使用最佳多普勒平移计算出目标车辆速度。本发明实现了三维激光雷达和毫米波雷达的联合测速和优势结合，在提高弯道测速的同时能够提供足够详细的空间信息，提高了对车辆进行弯道跟踪测速的准确性和可靠性。

Description

一种基于双雷达的目标跟踪测速方法及***

技术领域

本发明涉及雷达测速领域，尤其是涉及一种基于双雷达的目标跟踪测速方法及***。

背景技术

随着汽车保有量的迅速增加，道路安全问题日益凸显，其中超速现象是一个重要的安全隐患。因此，对汽车的跟踪测速技术在维护道路交通安全中发挥着越来越重要的作用。在现有技术中，毫米波雷达因其独特的优势而被广泛应用于汽车的测速。毫米波雷达具有出色的穿透能力，能够在恶劣的天气条件下，如雾、雨、雪等，保持稳定的性能，实现对目标车辆的持续测速。此外，毫米波雷达的波长短，使得其具有较高的分辨率和测量精度，能够准确地捕捉目标车辆的速度和位置信息。

经过多年的发展，车辆正常行驶时，毫米波雷达测速结果在大多数情况下都十分准确可靠，但同样也凸显出一些问题。首先，相对于激光雷达等其他探测技术，毫米波雷达的分辨率较低，这意味着在交通场景中，它可能无法提供足够详细的空间信息，现有技术将毫米波雷达和相机结合起来测量车速在一定程度上解决了这个问题，但是在夜间相机的检测能力会大打折扣。其次，在弯道区域，车辆是做曲线运动的，由于雷达波束方向与车辆运动方向不匹配、多径效应以及动态环境的变化，基于多普勒效应的毫米波雷达测速通常存较大的误差，可以考虑在同一区域布设多个毫米波雷达，进而通过对车辆进行多角度的测速来提高测量准确性和可靠性，然而布设多个毫米波雷达对监测区域的环境要求较高，会占用更多的公共空间。

发明内容

针对现有技术中的缺陷，本发明提供一种基于双雷达的目标跟踪测速方法及***。

为了实现上述目的，第一方面，本发明提供了一种基于双雷达的目标跟踪测速方法，所述方法包括如下步骤：在试验阶段分析车辆在监测路段可能的行驶方式，进而使试验车辆按照不同的行驶方式多次驶过监测路段；所述试验车辆每一次驶过监测路段时，获取所述试验车辆的实际速度，同时使用三维激光雷达获取监测路段的试验点云数据，使用毫米波雷达获取试验中频信号；基于所述试验点云数据构建车辆路径数据库，进而基于所述试验中频信号和所述实际速度构建频差数据库；在实测阶段，当目标车辆在监测路段行驶时，使用所述三维激光雷达获取监测路段的目标点云数据，使用所述毫米波雷获取目标中频信号；根据所述目标点云数据和所述车辆路径数据库确定所述目标车辆的参考行驶路径，进而根据所述频差数据库确定参考差频变化曲线；依据所述目标中频信号和所述参考差频变化曲线确定最佳多普勒平移，并使用所述最佳多普勒频移计算出目标车辆速度。本发明实现了三维激光雷达和毫米波雷达的联合测速和优势结合，在提高弯道测速的同时能够提供足够详细的空间信息，提高了对车辆进行弯道跟踪测速的准确性和可靠性。

可选地，所述基于所述试验点云数据构建车辆路径数据库，进而基于所述试验中频信号和所述实际速度构建频差数据库包括如下步骤：

使用体素下采样算法对所述试验点云数据进行密度降低，然后对密度降低后的所述试验点云数据进行点云分割，得到备用点云数据；

根据所述备用点云数据获取所述试验车辆的二维位置坐标，进而基于所述二维位置坐标构建所述车辆路径数据库；

对不同周期的所述试验中频信号进行一维FFT变换来得到所述试验中频信号的频谱，进而估计试验中频信号频率；

使用所述实际速度绘制速度变化曲线，并对所述试验车辆行驶轨迹与所述速度变化曲线进行时间同步；

根据时间同步的结果，依据所述试验车辆行驶轨迹和所述实际速度计算所述试验车辆的试验径向速度，进而计算出试验多普勒频移；

使用所述试验中频信号频率和所述试验多普勒频移获取频差变化曲线，进而构建所述频差数据库。

进一步的，由于在一个特定的监测路段，车辆的行驶轨迹具有较高的可预测性，因此可以通过建立车辆路径数据库，并结合毫米波雷达测速测距的原理建立相应的频差数据库，进而为后续测量目标车辆的速度提供可靠的数据支撑。其中，通过体素下采样算法降低试验点云数据的密度，减少计算量，点云分割能够进一步降低点云数据量，并排除非必要点云的干扰，有助于更精确地获取试验车辆的行驶轨迹，时间同步有助于消除时间偏差对试验径向速度准确性的影响。

可选地，所述根据所述备用点云数据获取所述试验车辆的二维位置坐标，进而基于所述二维位置坐标构建所述车辆路径数据库包括如下步骤：

检测并去除所述备用点云数据中的地面点云数据，得到试验车辆点云数据；

对所述试验车辆点云数据进行点云聚类以获取所述试验车辆的二维位置坐标，并使用所述二维位置坐标在直角坐标系中绘制试验车辆行驶轨迹，同时在直角坐标系中标定所述三维激光雷达与毫米波雷达的位置；

使用多个所述试验车辆行驶轨迹构建所述车辆路径数据库。

进一步的，通过去除地面点云数据来排除无关点云的影响，可以更加准确地提取试验车辆的点云数据，进而绘制出更加精确的车辆行驶轨迹，而标定雷达位置则有助于后续试验多普勒频移的计算。

可选地，所述对不同周期的所述试验中频信号进行一维FFT变换来得到所述试验中频信号的频谱，进而估计试验中频信号频率包括如下步骤：

对不同周期的所述试验中频信号进行一维FFT变换来得到所述试验中频信号的频谱，并记为试验频谱；

根据所述试验频谱，使用A-I-Rife算法估计所述试验中频信号频率。

进一步的，使用A-I-Rife算法不仅具有较高的频率预测精度，而且计算量也较低，这有利于提高测速的效率和准确性。

可选地，所述根据时间同步的结果，依据所述试验车辆行驶轨迹和所述实际速度计算所述试验车辆的试验径向速度，进而计算出试验多普勒频移包括如下步骤：

依据所述试验车辆行驶轨迹确定所述毫米波雷达和所述试验车辆的连线与所述试验车辆之间的试验夹角；

根据所述试验夹角与所述实际速度计算所述试验车辆的试验径向速度，进而计算出所述试验多普勒频移，所述试验多普勒频移满足如下关系：

其中，为所述试验多普勒频移，/>为所述实际速度，/>为所述试验夹角，/>为所述毫米波雷达发射的电磁波的波长。

进一步的，基于三维激光雷达获取的车辆行驶轨迹准确可靠，因此获取的试验夹角也是准确可靠的，而车辆自身监测的实际速度也是准确可靠的，因此最终能够得到准确可靠的试验多普勒频移，进而为测量目标车辆速度提供可靠的数据基础。

可选地，所述使用所述试验中频信号频率和所述试验多普勒频移获取频差变化曲线，进而构建所述频差数据库包括如下步骤：

使用所述试验中频信号频率绘制试验中频信号频率变化曲线，同时使用所述试验多普勒频移绘制试验多普勒频移变化曲线；

针对同一辆所述试验车辆对应的试验中频信号频率变化曲线和试验多普勒频移变化曲线，对所述试验中频信号频率变化曲线与所述试验多普勒频移变化曲线进行时间同步，然后将所述试验中频信号频率变化曲线与所述试验多普勒频移变化曲线的差作为所述频差变化曲线；

使用所述试验中频信号频率变化曲线、所述试验多普勒频移变化曲线和所述频差变化曲线构建所述频差数据库。

进一步的，以毫米波雷达测速测距的原理为基础建立相应的频差数据库，为后续测量目标车辆的速度提供可靠的数据支撑。

可选地，所述根据所述目标点云数据和所述车辆路径数据库确定所述目标车辆的参考行驶路径，进而根据所述频差数据库确定参考差频变化曲线包括如下步骤：

根据所述目标点云数据获取所述目标车辆的车辆行驶路径，然后在所述车辆行驶路径上选取多个目标采样点，并根据所述目标采样点在试验车辆行驶轨迹上选取与所述目标采样点对应的试验采样点，所述目标采样点与对应的试验采样点至少满足横坐标相同和纵坐标相同中的一个；

基于选取的所述目标采样点与所述试验采样点，使用一致性检验模型计算所述车辆路径数据库中的试验车辆行驶轨迹与所述车辆行驶轨迹的一致性检验数值；

将最大的所述一致性检验数值所对应的试验车辆行驶轨迹作为所述目标车辆的参考行驶路径；

在所述频差数据库中查询所述参考行驶路径所对应的频差变化曲线，记为参考频差变化曲线。

可选地，所述一致性检验模型满足如下关系：

，

其中，为所述一致性检验数值，N为所述目标采样点的数量，/>为第i个所述目标采样点在直角坐标系中的横坐标，/>为第i个所述试验采样点在直角坐标系中的横坐标，/>为第i个所述目标采样点在直角坐标系中的纵坐标，/>为第i个所述试验采样点在直角坐标系中的纵坐标。

可选地，所述依据所述目标中频信号和所述参考差频变化曲线确定最佳多普勒平移，并使用所述最佳多普勒频移计算出目标车辆速度包括如下步骤：

估计所述目标中频信号的目标中频信号频率，进而绘制出目标中频信号频率变化曲线，同时对所述目标中频信号频率变化曲线与所述车辆行驶路径进行时间同步；

根据所述目标中频信号频率变化曲线和所述参考差频变化曲线计算出所述最佳多普勒平移，所述最佳多普勒平移满足如下关系：

其中，为所述目标车辆行驶到所述目标采样点所花的时间，/>为所述参考行驶路径对应的试验车辆行驶至与所述目标采样点对应的试验采样点所花的时间，B为调频带宽，T为调频周期，c为光速，/>为所述目标车辆行驶到所述目标采样点时的最佳多普勒平移，/>为所述目标车辆行驶到所述目标采样点时的目标中频信号频率，/>为所述试验车辆行驶至所述试验采样点时参考差频变化曲线上的频差数值，/>为一定值，，/>为所述试验车辆行驶至所述试验采样点时的试验中频信号频率，/>为所述试验车辆行驶至所述试验采样点时的试验多普勒频移；

使用所述最佳多普勒频移计算出目标车辆速度。

进一步的，以参考差频变化曲线为基础来计算目标车辆的车速，能够避免汽车在曲线运动时由于雷达波束方向与车辆运动方向不匹配、多径效应以及动态环境的变化引起的误差，进而提高弯道测速的准确性。

第二方面，本发明还提供了一种基于双雷达的目标跟踪测速***，所述***使用本发明提供的一种基于双雷达的目标跟踪测速方法，所述***包括：数据采集模块，所述数据采集模块用于在所述试验车辆每一次驶过监测路段时，获取所述试验车辆的实际速度，同时使用三维激光雷达获取监测路段的试验点云数据，使用毫米波雷达获取试验中频信号；在实测阶段，当目标车辆在监测路段行驶时，使用所述三维激光雷达获取监测路段的目标点云数据，使用所述毫米波雷获取目标中频信号；数据处理模块，所述数据处理模块用于基于所述试验点云数据构建车辆路径数据库，进而基于所述试验中频信号和所述实际速度构建频差数据库；根据所述目标点云数据和所述车辆路径数据库确定所述目标车辆的参考行驶路径，进而根据所述频差数据库确定参考差频变化曲线；依据所述目标中频信号和所述参考差频变化曲线确定最佳多普勒平移，并使用所述最佳多普勒频移计算出目标车辆速度；数据储存模块，所述数据储存模块用于储存所述数据处理模块产生的所有数据；数据输出与预警模块，所述数据输出与预警模块用于输出车辆速度，并在车辆超速时发出警报。本发明提供的***具有较高的测速效率和准确性，能够为车辆测速提供了更多选择，促进雷达测速向更加准确可靠的方向发展。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。

图1为本发明实施例的一种基于双雷达的目标跟踪测速方法流程示意图；

图2为本发明实施例的改进的RANSAC算法运行时的部分流程简图；

图3为本发明实施例的一种基于双雷达的目标跟踪测速***框架示意图。

具体实施方式

下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。

在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。

需要提前说明的是，在一个可选地实施例当中，除了做出独立的说明之外，其它的在所有公式中出现的相同的符号或字母带表的含义和数值相同。

在一个可选地实施例当中，请参见图1，本发明提供了一种基于双雷达的目标跟踪测速方法，所述方法包括如下步骤：

S1、在试验阶段分析车辆在监测路段可能的行驶方式，进而使试验车辆按照不同的行驶方式多次驶过监测路段。

具体的，在本实施例中，在试验阶段，首要任务是全面分析车辆在监测路段可能遇到的行驶方式。这需要对监测路段的道路条件、交通流量、车辆类型等多方面进行简单的调查和研究。例如，监测路段可能是城市繁华的十字路口，也可能是高速公路的某一段，或者是山区蜿蜒曲折的公路。其中，道路条件包括路面的平整度、摩擦系数、车道数量、宽度以及道路标识等；交通流量包括不同时间段的交通流量变化；车辆类型包括不同类型和大小的车辆，如轿车、货车、公交车等。然而，受限于道路本身的路况和交通规则，在雷达可测速的区域内，排除车辆行驶轨迹的细微差别，车辆正常行驶时的行驶轨迹具有极高的可预测性，因此可以通过有限次的试验来表示车辆在监测路段所有可能的行驶方式，为后续使用雷达测提供数据支撑。

进一步的，监测路段为弯道，试验阶段选因选在天气较好的时间段，以降低环境对三维激光雷达的影响，保证获取的点云数据具有较高的准确性，为后的数据分析和计算提供可靠的数据基础。在试验阶段，可以预先规划和模拟行驶方式，以便于更有针对性地进行试验，避免盲目和重复的测试，提高试验的效率和准确性。在试验的过程中，可以针对同一行驶方式使用试验车辆多次进行试验，以确保数据收集的准确性和有效性，为后续的车辆测速提供坚实的数据基础。

S2、所述试验车辆每一次驶过监测路段时，获取所述试验车辆的实际速度，同时使用三维激光雷达获取监测路段的试验点云数据，使用毫米波雷达获取试验中频信号。

具体的，在本实施例中，试验车辆的实际速度由试验车辆上的速度传感器记录。使用三维激光雷达获取的试验点云数据包含检测路段的地面点与数据以及车辆点云数据；使用毫米波雷达发射调频连续波和接收回波信号，调制方式选择锯齿波，并对回波信号进行混频处理得到试验中频信号。试验车辆的实际速度、试验点云数据和中频信号是同时获取的，这能为后续的数据分析和评估提供准确的基础。

更为具体的，本实施例中毫米波雷达的工作频率为23.8GHz，采样频率为10kHz，采样点数取1024，三维激光雷达选择禾赛XT32激光雷达。三维激光雷达和毫米波雷达安装在弯道圆弧所对应的圆心且处于同一条竖直线上，安装高度为选择在3米至6米之间，且三维激光雷达的安装高度低于毫米波雷达的安装高度，避免毫米波雷达遮挡三维激光雷达而影响测速精度。在其他可选的实例中，相关人员还可以根据实际需要选择其他类型的三维激光雷达和毫米波雷达。

S3、基于所述试验点云数据构建车辆路径数据库，进而基于所述试验中频信号和所述实际速度构建频差数据库。

其中，S3具体包括如下步骤：

S31、使用体素下采样算法对所述试验点云数据进行密度降低，然后对密度降低后的所述试验点云数据进行点云分割，得到备用点云数据。

具体的，在本实施例中，此步骤为现有技术，故而在此不做详细说明。

进一步的，通过体素下采样算法降低试验点云数据的密度，减少计算量，点云分割能够进一步降低点云数据量，并排除非必要点云的干扰，有助于更精确地获取试验车辆的行驶轨迹。

S32、根据所述备用点云数据获取所述试验车辆的二维位置坐标，进而基于所述二维位置坐标构建所述车辆路径数据库。

其中，S32又包括如下步骤：

S321、检测并去除所述备用点云数据中的地面点云数据，得到试验车辆点云数据。

具体的，在本实施例中，使用改进的RANSAC算法实现对地面点云数据的识别。请参见图2，改进的RANSAC算法运行时具体执行以下步骤：

1、输入备用点云数据、平面模型和算法置信度，平面模型为ax+by+cz+d=0，a、b、c和d为模型参数，(x，y，z)表示点的三维坐标。

2、在备用点云数据中随机挑选局内点对平面模型进行拟合，进而计算出模型参数以确定参考平面。

3、使用参考平面遍历备用点云数据中剩余的点，如果点与参考平面的距离不大于2cm，则归为局内点，反之归为局外点，并在遍历完所有点后***内点的个数。

4、如果局内点的个数超过点数阈值k，则使用所有局内点重新拟合平面模型，得到新的模型参数，进而确定备用参考平面，反之则返回步骤2。

5、计算局内点与备用参考平面的匹配程度，并与上一次计算结果进行比较，保留匹配程度最大时的备用参考平面和相应的局内点并记为备用输出数据，在达到迭代次数时将备用输出数据输出，将此次输出的局内点作为第一批地面点，如果没有达到设定的迭代次数，则返回步骤2。

6、以步骤S3得到的局外点为基础重新执行步骤1至5，得到第二批地面点。

更为具体的，在步骤5中，局内点与备用参考平面的匹配程度的计算方式以及迭代次数的设置方法可以参考RANSAC算法。在步骤1至步骤6中，通过获取第一批地面点和第二批地面点来将水平面和坡度面都识别出来，进而准确的提取出试验车辆点云数据，有利于实现对实验车辆的准确识别和跟踪。

进一步的，在备用点云数据中去除掉第一批地面点和第二批地面点所对应的点云数据，即地面点云数据，最终得到试验车辆点云数据。通过去除地面点云数据来排除无关点云的影响，可以更加准确地提取试验车辆的点云数据，进而绘制出更加精确的车辆行驶轨迹。

S322、对所述试验车辆点云数据进行点云聚类以获取所述试验车辆的二维位置坐标，并使用所述二维位置坐标在直角坐标系中绘制试验车辆行驶轨迹，同时在直角坐标系中标定所述三维激光雷达与毫米波雷达的位置。

具体的，在本实施例中，使用DBSCAN聚类算法对试验车辆点云数据进行点云聚类，以区分哪些点云数据是属于同一辆试验车辆的，聚类完成之后即可提取出试验车辆的三维尺寸，并使用空间六面体将试验车辆包裹起来，在三维激光雷达的雷达坐标系中，这个空间六面体的中心即为试验车辆的雷达坐标系坐标。

进一步的，以三维激光雷达所在竖直线与水平面的交点为原点，三维激光雷达所在竖直线为z轴建立空间直角坐标系，该空间直角坐标系的xOy平面与水平面平行，该空间直角坐标系的x轴和y轴即为直角坐标系的x轴和y轴，为了便于区分，将此直角坐标系记为第一直角坐标系，三维激光雷达与毫米波雷达的位置为第一直角坐标系的原点所在位置。将试验车辆的雷达坐标系坐标转换到空间直角坐标系中，得到试验车辆在空间直角坐标系中的位置坐标，将该位置坐标投影至空间直角坐标系的xOy平面上得到一个投影点，该投影点即为试验车辆的二维位置坐标，使用平滑的曲线将实验车辆所有的二维位置坐标连接起来即可得到试验车辆行驶轨迹，实现对实验车辆的跟踪。

S323、使用多个所述试验车辆行驶轨迹构建所述车辆路径数据库。

S33、对不同周期的所述试验中频信号进行一维FFT变换来得到所述试验中频信号的频谱，进而估计试验中频信号频率。

其中，S33又包括如下步骤：

S331、对不同周期的所述试验中频信号进行一维FFT变换来得到所述试验中频信号的频谱，并记为试验频谱。

具体的，在本实施例中，此步骤为现有技术，故而在此不做详细说明。

S332、根据所述试验频谱，使用A-I-Rife算法估计所述试验中频信号频率。

具体的，在本实施例中，使用A-I-Rife算法估计试验中频信号频率的具体步骤如下：

a1、确定试验频谱的幅值最大值点k₀，依次记录幅值最大值点及其左邻点和右邻点的频谱幅值、/>和/>。

a2、利用频谱细化技术依次分别计算出幅值最大值点与左右邻点之间的中点的幅值和/>，并通过比较/>与/>的小判断修正方向e，如果/>，则e=1，否则e=-1。

a3、计算，当/>时，使用第一关系式计算频移因子/>，否则使用第二关系式计算频移因子/>，第一关系式和第二关系式依次分别满足如下关系：

a4、用频谱细化技术计算左邻点和右邻点频移后的幅值和，进而计算出试验中频信号频率/>。

进一步的，步骤a2和步骤a4中使用的频谱细化技术、以及步骤a4中计算出试验中频信号频率的方法均可参考I-Rife算法。本实施例使用的A-I-Rife算法不仅具有较高的频率预测精度，而且计算量也较低，这有利于提高测速的效率和准确性。

S34、使用所述实际速度绘制速度变化曲线，并对所述试验车辆行驶轨迹与所述速度变化曲线进行时间同步。

具体的，在本实施例中，以时间为横轴，实际速度为纵轴建立第二直角坐标系，进而绘制出速度变化曲线；试验车辆行驶轨迹上任意一点的横坐标表示该点在x轴上的投影到坐标原点的距离，纵坐标表示该点该点在y轴上的投影到纵轴的距离。对于同一辆试验车辆，在试验车辆行驶轨迹的任意一点上都会对应一个实际速度，且由于监测路段长度有限，因此速度变化曲线和车辆行驶轨迹会存在起点和终点。

进一步的，让试验车辆行驶轨迹的纵轴与速度变化曲线的纵轴处于同一直线上，让试验车辆行驶轨迹的横轴与速度变化曲线的横轴处于平行但不重合的不同直线上，使速度变化曲线和车辆行驶轨迹会的起点均在纵轴上，终点均在同一条垂直于任意一个横轴的直线上，这样就实现了试验车辆行驶轨迹与速度变化曲线的时间同步，此时只要在试验车辆行驶轨迹任取一点，都可以通过过该点做垂直于速度变化曲线所对应的横轴的直线与速度变化曲线相交，进而迅速的确定试验车辆在该点的实际速度以及试验车辆行驶至该点所花的时间。而且时间同步也有助于消除时间偏差对计算试验径向速度准确性的影响。

S35、根据时间同步的结果，依据所述试验车辆行驶轨迹和所述实际速度计算所述试验车辆的试验径向速度，进而计算出试验多普勒频移。

其中，S35又包括如下步骤：

S351、依据所述试验车辆行驶轨迹确定所述毫米波雷达和所述试验车辆的连线与所述试验车辆之间的试验夹角。

具体的，在本实施例中，毫米波雷达位置不变，其测得的车速为径向车速，即实际速度在试验车辆与雷达连线上的速度分量，方向指向毫米波雷达，因此在知晓试验车辆的实际速度的情况下，只需要获得毫米波雷达和试验车辆的连线与试验车辆之间的夹角的大小，即试验夹角的大小即可计算出准确的径向车速，这样可以消除毫米波雷达测速时由多径效应、车辆运动方向不匹配以及动态环境的变化引起的测量误差，进而为后续获取目标车辆速度提供可靠的数据基础，提高测速的准确性和可靠性。

S352、根据所述试验夹角与所述实际速度计算所述试验车辆的试验径向速度，进而计算出所述试验多普勒频移，所述试验多普勒频移满足如下关系：

其中，为试验多普勒频移，/>为实际速度，/>为试验夹角，/>为毫米波雷达发射的电磁波的波长。

具体的，在本实施例中，基于三维激光雷达获取的车辆行驶轨迹准确可靠，因此获取的试验夹角也是准确可靠的，而车辆自身监测的实际速度也是准确可靠的，因此最终能够得到准确可靠的试验多普勒频移，进而为测量目标车辆速度提供可靠的数据基础。

S36、使用所述试验中频信号频率和所述试验多普勒频移获取频差变化曲线，进而构建所述频差数据库。

其中，S36又包括如下步骤：

S361、使用所述试验中频信号频率绘制试验中频信号频率变化曲线，同时使用所述试验多普勒频移绘制试验多普勒频移变化曲线。

具体的，在本实施例中，使用调频连续波测速时，由于速度与距离的耦合，使用一个周期内的试验中频信号就无法计算出试验车辆的径向速度，因此需要对至少两个周期的试验中频信号进行分析才能计算出试验车辆的径向速度，因此在步骤S331中，对不同周期的试验中频信号进行一维FFT变换实际上是要对相邻的至少两个周期的试验中频信号进行一维FFT变换，最后估计出一个试验中频信号频率，由于试验车辆在不断运动，通过毫米波雷达就会不断获得不同周期的试验中频信号，则最终就可以得到多个试验中频信号频率，以时间为横轴，试验中频信号频率为纵轴建立第三直角坐标系，进而使用试验中频信号频率绘制试验中频信号频率变化曲线。

进一步的，在确定了试验车辆行驶轨迹之后，在试验车辆行驶轨迹上以第一直角坐标系的横坐标为准等间隔取99个点，并计算出这99个点对应的试验多普勒频移，由于根据步骤S34可以分别得到试验车辆行驶到99个点所花的时间，就可以以时间为横轴，试验多普勒频移为纵轴建立第四直角坐标系，进而在第四直角坐标系中绘制试验多普勒频移变化曲线。

S362、针对同一辆所述试验车辆对应的试验中频信号频率变化曲线和试验多普勒频移变化曲线，对所述试验中频信号频率变化曲线与所述试验多普勒频移变化曲线进行时间同步，然后将所述试验中频信号频率变化曲线与所述试验多普勒频移变化曲线的差作为所述频差变化曲线。

具体的，在本实施例中，由于第三直角坐标系和第四直角坐标系均为时间为横轴，而试验多普勒频移为毫米波雷达发射频率与接收频率之差，与频率直接相关，因此可以将试验多普勒频移变化曲线绘制在第三直角坐标系中，这样就实现了试验中频信号频率变化曲线与试验多普勒频移变化曲线的时间同步，便于后续执行曲线相减的操作。

进一步的，在第三直角坐标系中，使用试验中频信号频率变化曲线减去试验多普勒频移变化曲线的得到频差变化曲线，容易得知频差变化曲线位于试验中频信号频率变化曲线与多普勒频移变化曲线之间。

S363、使用所述试验中频信号频率变化曲线、所述试验多普勒频移变化曲线和所述频差变化曲线构建所述频差数据库。

具体的，在本实施例中，将一次试验得到试验中频信号频率变化曲线、试验多普勒频移变化曲线和频差变化曲线作为一组曲线数据，经过多次试验就可以得到多组曲线数据，即可建立频差数据库，为后续测量目标车辆的车速提供数据基础。

S4、在实测阶段，当目标车辆在监测路段行驶时，使用所述三维激光雷达获取监测路段的目标点云数据，使用所述毫米波雷获取目标中频信号。

具体的，在本实施例中，此步骤可以参考步骤S2所述的内容。

S5、根据所述目标点云数据和所述车辆路径数据库确定所述目标车辆的参考行驶路径，进而根据所述频差数据库确定参考差频变化曲线。

其中，S5又包括如下步骤：

S51、根据所述目标点云数据获取所述目标车辆的车辆行驶路径，然后在所述车辆行驶路径上选取多个目标采样点，并根据所述目标采样点在试验车辆行驶轨迹上选取与所述目标采样点对应的试验采样点，所述目标采样点与对应的试验采样点至少满足横坐标相同和纵坐标相同中的一个。

具体的，在本实施例中，在车辆行驶路径上选取目标采样点时和在试验车辆行驶轨迹上选取试验采样点时是不不考虑时间因素的，因为不同的车辆驶过监测路段的时间几乎是不可能完全相同的，这意味着在相同的时间里，试验车辆和目标车辆在监测路段上的位置不会相同，这不利于后续计算一致性检验数值。

进一步的，考虑到试验车辆与目标车辆驶过监测路段后，如果将车辆行驶路径也绘制在第一直角坐标系中，那么车辆行驶路径与试验车辆行驶轨迹的起点均在纵轴上，终点均在同一条过坐标原点的直线上，如果此时存在一条直线过坐标原点且分别与车辆行驶路径和试验车辆行驶轨迹相交于点g和点h，那么点g即为一个目标采样点，而h则为与g对应的试验采样点，实验采样点是以第一直角坐标系的横轴为准等间隔获取的 ，采用这种方式获取目标采样点和试验采样点有利于后续计算一致性检验数值。

S52、基于选取的所述目标采样点与所述试验采样点，使用一致性检验模型计算所述车辆路径数据库中的试验车辆行驶轨迹与所述车辆行驶轨迹的一致性检验数值。

具体的，在本实施例中，基于S51的说明，不难得出一致性检验数值的大小实际上就反映了试验车辆行驶轨迹与车辆行驶轨迹的相似程度，一致性检验数值越大则试验车辆行驶轨迹与车辆行驶轨迹的相似程度越大，一致性检验模型满足如下关系：

，

其中，为一致性检验数值，N为目标采样点的数量，/>为第i个目标采样点在直角坐标系中的横坐标，/>为第i个试验采样点在直角坐标系中的横坐标，/>为第i个目标采样点在直角坐标系中的纵坐标，/>为第i个试验采样点在直角坐标系中的纵坐标。目标采样点的数量取/>，/>为目标车辆行驶到目标采样点所花的时间，T为调频周期，T=0.001s。

进一步的，调频连续波雷达采用锯齿波作为调制方式来测量车速时，车辆与雷达之间的距离与车辆速度存在耦合，根据现有技术，车辆速度以及车辆与雷达之间的距离分别满足如下关系：

其中，为车辆速度，/>为雷达发射的电磁波的波长，/>为多普勒频移，c为光速，B为调频带宽，本实施例中B取1000MHz，/>为中频信号频率，/>为频差且/>。通过这两个关系式中可以看出，在弯道测速时，毫米波雷达固定在，当两辆车以相似的轨迹驶过毫米波雷达的监测区域时，两辆车与雷达之间的距离的差值可以看作一个定值，将这个定值记为距离定值，因此在后续计算目标车辆速度时，只需要计算出距离定值即可计算出目标车辆速度，计算方式参考步骤S6。

S53、将最大的所述一致性检验数值所对应的试验车辆行驶轨迹作为所述目标车辆的参考行驶路径。

具体的，在本实施例中，车辆行驶路径与试验车辆行驶轨迹相似程度有限，因为距离定值严格上来说不会是一个定值，所以基于一条参考行驶路径计算出的目标车辆速度的准确性就有待提高，可以考虑通过不断获取与车辆行驶路径最相似的试验车辆行驶轨迹来减小使用距离定值带来的测速误差，提高测速的准确性。根据步骤S52的描述可以看出，当目标车辆在监测路段上行驶时，一致性检验数值的计算是不会停止的，因为车辆行驶路径在变化，最大的一致性检验数值就可能不会是一个定值，因此在不同的时间点获得的参考行驶路径不一定是同一条试验车辆行驶轨迹。这样，只要基于第一条参考行驶路径计算出距离定值之后，在后续即便得到了不同的参考行驶路径也依旧可以使用这个距离定值，进而最大程度的提高测速的准确性。

进一步的，在其他可选地实施例中，为了减少数据处理量，可以在第一坐标系的横坐标上等间隔取20个标记点，当目标车辆行驶至标记点时再获取参考行驶路径用来计算目标车辆速度。

S54、在所述频差数据库中查询所述参考行驶路径所对应的频差变化曲线，记为参考频差变化曲线。

S6、依据所述目标中频信号和所述参考差频变化曲线确定最佳多普勒平移，并使用所述最佳多普勒频移计算出目标车辆速度。

其中，S6又包括如下步骤：

S61、估计所述目标中频信号的目标中频信号频率，进而绘制出目标中频信号频率变化曲线，同时对所述目标中频信号频率变化曲线与所述车辆行驶路径进行时间同步。

具体的，在本实施例中，估计目标中频信号频率的方法参考步骤S33，绘制目标中频信号频率变化曲线的方法参考步骤S361，对目标中频信号频率变化曲线与车辆行驶路径进行时间同步的方法参考步骤S34。

S62、根据所述目标中频信号频率变化曲线和所述参考差频变化曲线计算出所述最佳多普勒平移，所述最佳多普勒平移满足如下关系：

其中，为目标车辆行驶到目标采样点所花的时间，/>为参考行驶路径对应的试验车辆行驶至与目标采样点对应的试验采样点所花的时间，/>为目标车辆行驶到目标采样点时的最佳多普勒平移，/>为目标车辆行驶到目标采样点时的目标中频信号频率，为试验车辆行驶至试验采样点时参考差频变化曲线上的频差数值，/>为一定值，/>具体为距离定值，/>，/>为试验车辆行驶至试验采样点时的试验中频信号频率，/>为试验车辆行驶至试验采样点时的试验多普勒频移。

具体的，在本实施例中，根据步骤S52的描述，在计算最佳多普勒平移之前需要将距离定值计算出来，在得到第一条参考行驶路径之后，距离定值为参考行驶路径起点纵坐标与车辆行驶路径起点纵坐标之差。

更进一步的，在得到距离定值之后，则有，在确定/>的情况下，/>的值可以直接通过参考差频变化曲线来确定，而/>已知，则可以直接计算出/>。这样能够避免汽车在曲线运动时由于雷达波束方向与车辆运动方向不匹配、多径效应以及动态环境的变化引起的测速误差，提高弯道测速的准确性。

S63、使用所述最佳多普勒频移计算出目标车辆速度。

具体的，在本实施例中，在得到最佳多普勒频之后，使用步骤S52中计算的关系式计算出目标车辆速度。

在一个可选地实施例中，请参见图3，本发明还有提供了一种基于双雷达的目标跟踪测速***，所述***使用本发明提供的一种基于双雷达的目标跟踪测速方法，所述***包括数据采集模块A1、数据处理模块A2、数据储存模块A3和数据输出与预警模块A4。

所述数据采集模块A1用于在所述试验车辆每一次驶过监测路段时，获取所述试验车辆的实际速度，同时使用三维激光雷达获取监测路段的试验点云数据，使用毫米波雷达获取试验中频信号；在实测阶段，当目标车辆在监测路段行驶时，使用所述三维激光雷达获取监测路段的目标点云数据，使用所述毫米波雷获取目标中频信号。

具体的，在本实施例中，数据采集模块A1包括三维激光雷达、毫米波雷达和速度传感器。数据采集模块A1具体执行步骤S2和步骤S4所述的内容。

所述数据处理模块A2用于基于所述试验点云数据构建车辆路径数据库，进而基于所述试验中频信号和所述实际速度构建频差数据库；根据所述目标点云数据和所述车辆路径数据库确定所述目标车辆的参考行驶路径，进而根据所述频差数据库确定参考差频变化曲线；依据所述目标中频信号和所述参考差频变化曲线确定最佳多普勒平移，并使用所述最佳多普勒频移计算出目标车辆速度。

具体的，在本实施例中，数据处理模块A2与数据采集模块A1无线连接，包括但不限于使用蓝牙连接和使用物联网连接，数据处理模块A2执行的内容可以参考步骤S3至S6所述的内容。

所述数据储存模块A3用于储存所述数据处理模块产生的所有数据。

具体的，在本实施例中，数据储存模块A3与数据处理模块A2电性连接，数据处理模块A2具体产生的数据可以参考步骤S3至步骤S6所述的内容。

所述数据输出与预警模块A4用于输出车辆速度，并在车辆超速时发出警报。

具体的，在本实施例中，数据输出与预警模块A4与数据储存模块A3和数据处理模块A2无线连接，包括但不限于使用蓝牙连接和使用物联网连接，数据输出与预警模块A4包括数据输出子模块和预警子模块，数据输出子模块包括一块电子显示屏用于显示车辆速度，预警子模块则在车辆速度超过速度阈值时发出警报，速度阈值是根据监测路段的限速情况设置的。

需要说明的是，在一些情况下，在说明书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果，在本实施例当中，所给出的步骤顺序仅仅是为了使实施例看起来更加清晰明了，方便说明，而非对其限制。

综上所述，本发明提供的方法在构建了车辆路径数据库和频差数据库的基础上，使用三维激光雷达获取监测路段的目标点云数据，使用毫米波雷获取目标中频信号，然后根据目标点云数据和车辆路径数据库确定目标车辆的参考行驶路径，进而根据频差数据库确定参考差频变化曲线，最后依据目标中频信号和参考差频变化曲线确定最佳多普勒平移并计算出目标车辆速度。

首先，三维激光雷达能够提供足够详细的空间信息，实现对目标车辆的准确追踪和定位，同时也为测量目标车辆的速度提供可靠的数据基础。

其次，毫米波雷达能够实现全天候的数据获取，能够满足24小时测速的需求，在获取中频信号频率时，使用的A-I-Rife算法不仅具有较高的频率预测精度，而且计算量也较低，提高了测速的效率和准确性。

再次，基于调频连续波雷达采用锯齿波作为调制方式来测量车速的理论基础，使用一致性检验模型来获取参考行驶路径，进而获取参考频差变化曲线用以计算目标车辆速度，实现了三维激光雷达和毫米波雷达的联合测速和优势结合，避免了汽车在曲线运动时由于雷达波束方向与车辆运动方向不匹配、多径效应以及动态环境的变化引起的测速误差，进一步提高弯道测速的准确性。

最后，本发明能够为车辆测速提供更多选择，并为对曲线运动的车辆进行测速提供参考。

此外，本发明提供的***具有较高的测速效率和准确性，能够为车辆测速提供了更多选择，促进雷达测速向更加准确可靠的方向发展。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种基于双雷达的目标跟踪测速方法，其特征在于，包括如下步骤：

在试验阶段分析车辆在监测路段可能的行驶方式，进而使试验车辆按照不同的行驶方式多次驶过监测路段；

所述试验车辆每一次驶过监测路段时，获取所述试验车辆的实际速度，同时使用三维激光雷达获取监测路段的试验点云数据，使用毫米波雷达获取试验中频信号；

基于所述试验点云数据构建车辆路径数据库，进而基于所述试验中频信号和所述实际速度构建频差数据库；

在实测阶段，当目标车辆在监测路段行驶时，使用所述三维激光雷达获取监测路段的目标点云数据，使用所述毫米波雷达获取目标中频信号；

根据所述目标点云数据和所述车辆路径数据库确定所述目标车辆的参考行驶路径，进而根据所述频差数据库确定参考差频变化曲线；

依据所述目标中频信号和所述参考差频变化曲线确定最佳多普勒频移，并使用所述最佳多普勒频移计算出目标车辆速度。

2.根据权利要求1所述的一种基于双雷达的目标跟踪测速方法，其特征在于，所述基于所述试验点云数据构建车辆路径数据库，进而基于所述试验中频信号和所述实际速度构建频差数据库包括如下步骤：

使用体素下采样算法对所述试验点云数据进行密度降低，然后对密度降低后的所述试验点云数据进行点云分割，得到备用点云数据；

根据所述备用点云数据获取所述试验车辆的二维位置坐标，进而基于所述二维位置坐标构建所述车辆路径数据库；

对不同周期的所述试验中频信号进行一维FFT变换来得到所述试验中频信号的频谱，进而估计试验中频信号频率；

使用所述实际速度绘制速度变化曲线，并对所述试验车辆行驶轨迹与所述速度变化曲线进行时间同步；

根据时间同步的结果，依据所述试验车辆行驶轨迹和所述实际速度计算所述试验车辆的试验径向速度，进而计算出试验多普勒频移；

使用所述试验中频信号频率和所述试验多普勒频移获取频差变化曲线，进而构建所述频差数据库。

3.根据权利要求2所述的一种基于双雷达的目标跟踪测速方法，其特征在于，所述根据所述备用点云数据获取所述试验车辆的二维位置坐标，进而基于所述二维位置坐标构建所述车辆路径数据库包括如下步骤：

检测并去除所述备用点云数据中的地面点云数据，得到试验车辆点云数据；

对所述试验车辆点云数据进行点云聚类以获取所述试验车辆的二维位置坐标，并使用所述二维位置坐标在直角坐标系中绘制试验车辆行驶轨迹，同时在直角坐标系中标定所述三维激光雷达与毫米波雷达的位置；

使用多个所述试验车辆行驶轨迹构建所述车辆路径数据库。

4.根据权利要求2所述的一种基于双雷达的目标跟踪测速方法，其特征在于，所述对不同周期的所述试验中频信号进行一维FFT变换来得到所述试验中频信号的频谱，进而估计试验中频信号频率包括如下步骤：

对不同周期的所述试验中频信号进行一维FFT变换来得到所述试验中频信号的频谱，并记为试验频谱；

根据所述试验频谱，使用A-I-Rife算法估计所述试验中频信号频率。

5.根据权利要求2所述的一种基于双雷达的目标跟踪测速方法，其特征在于，所述根据时间同步的结果，依据所述试验车辆行驶轨迹和所述实际速度计算所述试验车辆的试验径向速度，进而计算出试验多普勒频移包括如下步骤：

依据所述试验车辆行驶轨迹确定所述毫米波雷达和所述试验车辆的连线与所述试验车辆之间的试验夹角；

根据所述试验夹角与所述实际速度计算所述试验车辆的试验径向速度，进而计算出所述试验多普勒频移，所述试验多普勒频移满足如下关系：

，

其中，为所述试验多普勒频移，/>为所述实际速度，/>为所述试验夹角，/>为所述毫米波雷达发射的电磁波的波长。

6.根据权利要求2所述的一种基于双雷达的目标跟踪测速方法，其特征在于，所述使用所述试验中频信号频率和所述试验多普勒频移获取频差变化曲线，进而构建所述频差数据库包括如下步骤：

使用所述试验中频信号频率绘制试验中频信号频率变化曲线，同时使用所述试验多普勒频移绘制试验多普勒频移变化曲线；

针对同一辆所述试验车辆对应的试验中频信号频率变化曲线和试验多普勒频移变化曲线，对所述试验中频信号频率变化曲线与所述试验多普勒频移变化曲线进行时间同步，然后将所述试验中频信号频率变化曲线与所述试验多普勒频移变化曲线的差作为所述频差变化曲线；

使用所述试验中频信号频率变化曲线、所述试验多普勒频移变化曲线和所述频差变化曲线构建所述频差数据库。

7.根据权利要求6所述的一种基于双雷达的目标跟踪测速方法，其特征在于，所述根据所述目标点云数据和所述车辆路径数据库确定所述目标车辆的参考行驶路径，进而根据所述频差数据库确定参考差频变化曲线包括如下步骤：

根据所述目标点云数据获取所述目标车辆的车辆行驶路径，然后在所述车辆行驶路径上选取多个目标采样点，并根据所述目标采样点在试验车辆行驶轨迹上选取与所述目标采样点对应的试验采样点，所述目标采样点与对应的试验采样点至少满足横坐标相同和纵坐标相同中的一个；

基于选取的所述目标采样点与所述试验采样点，使用一致性检验模型计算所述车辆路径数据库中的试验车辆行驶轨迹与所述车辆行驶轨迹的一致性检验数值；

将最大的所述一致性检验数值所对应的试验车辆行驶轨迹作为所述目标车辆的参考行驶路径；

在所述频差数据库中查询所述参考行驶路径所对应的频差变化曲线，记为参考频差变化曲线。

8.根据权利要求7所述的一种基于双雷达的目标跟踪测速方法，其特征在于，所述一致性检验模型满足如下关系：

，

其中，为所述一致性检验数值，N为所述目标采样点的数量，/>为第i个所述目标采样点在直角坐标系中的横坐标，/>为第i个所述试验采样点在直角坐标系中的横坐标，/>为第i个所述目标采样点在直角坐标系中的纵坐标，/>为第i个所述试验采样点在直角坐标系中的纵坐标。

9.根据权利要求7所述的一种基于双雷达的目标跟踪测速方法，其特征在于，所述依据所述目标中频信号和所述参考差频变化曲线确定最佳多普勒频移，并使用所述最佳多普勒频移计算出目标车辆速度包括如下步骤：

估计所述目标中频信号的目标中频信号频率，进而绘制出目标中频信号频率变化曲线，同时对所述目标中频信号频率变化曲线与所述车辆行驶路径进行时间同步；

根据所述目标中频信号频率变化曲线和所述参考差频变化曲线计算出所述最佳多普勒频移，所述最佳多普勒频移满足如下关系：

，

其中，为所述目标车辆行驶到所述目标采样点所花的时间，/>为所述参考行驶路径对应的试验车辆行驶至与所述目标采样点对应的试验采样点所花的时间，B为调频带宽，T为调频周期，c为光速，/>为所述目标车辆行驶到所述目标采样点时的最佳多普勒频移，/>为所述目标车辆行驶到所述目标采样点时的目标中频信号频率，/>为所述试验车辆行驶至所述试验采样点时参考差频变化曲线上的频差数值，/>为一定值，/>，/>为所述试验车辆行驶至所述试验采样点时的试验中频信号频率，/>为所述试验车辆行驶至所述试验采样点时的试验多普勒频移；

使用所述最佳多普勒频移计算出目标车辆速度。

10.一种基于双雷达的目标跟踪测速***，所述***使用权利要求1-9任意一项所述的一种基于双雷达的目标跟踪测速方法，其特征在于，包括：

数据采集模块，所述数据采集模块用于在所述试验车辆每一次驶过监测路段时，获取所述试验车辆的实际速度，同时使用三维激光雷达获取监测路段的试验点云数据，使用毫米波雷达获取试验中频信号；在实测阶段，当目标车辆在监测路段行驶时，使用所述三维激光雷达获取监测路段的目标点云数据，使用所述毫米波雷达获取目标中频信号；

数据处理模块，所述数据处理模块用于基于所述试验点云数据构建车辆路径数据库，进而基于所述试验中频信号和所述实际速度构建频差数据库；根据所述目标点云数据和所述车辆路径数据库确定所述目标车辆的参考行驶路径，进而根据所述频差数据库确定参考差频变化曲线；依据所述目标中频信号和所述参考差频变化曲线确定最佳多普勒频移，并使用所述最佳多普勒频移计算出目标车辆速度；

数据储存模块，所述数据储存模块用于储存所述数据处理模块产生的所有数据；

数据输出与预警模块，所述数据输出与预警模块用于输出车辆速度，并在车辆超速时发出警报。