一种雷达多目标点云配准方法
本技术涉及毫米波雷达感知与智能信号处理，特别涉及一种雷达多目标点云配准方法。
背景技术：
1、毫米波雷达具有全天时、抗光照干扰、对隐私影响较小以及对运动目标敏感等优点，近年来被广泛应用于室内行为感知、多目标检测和轨迹跟踪等场景。在室内多人运动环境中，雷达回波通常呈现目标数量多、回波重叠明显、杂波干扰较强、遮挡与交叉频繁等特征，使得多目标点云的稳定分离、帧间配准和连续跟踪成为工程实现中的关键问题。
2、现有技术中，对于雷达点云的配准常采用基于欧氏距离的dbscan聚类方法或基于简单质心聚类的聚类方法对潜在目标点云进行簇划分，以实现簇内目标点云的配准；然而，上述现有技术依赖预设的固定聚类参数进行点云簇划分，其固定的聚类参数无法适配在点云密度不均、目标形状变化较大或者场景噪声较强时的特殊情况，从而造成近距离目标点云误合并、稀疏目标过分割等情况，导致点云配准精度不足。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种雷达多目标点云配准方法。
2、本发明采用下述技术方案：
3、本发明提供了一种雷达多目标点云配准方法，包括：
4、按帧获取来自于多个运动目标的雷达回波信号；并基于所述雷达回波信号，构建每一帧的时空点云信号；
5、采用cfar检测方法将每一帧的时空点云信号中信号强度高于预设信号强度门限的时空点云信号所处的区域作为每一帧的潜在目标点云区域；
6、将每一帧的潜在目标点云区域划分为若干目标点云簇，并设定聚类初始参数以对每个目标点云簇中的目标点云进行聚类处理；其中，在聚类处理的迭代过程中，引入目标点云对应的雷达回波信号强度作为距离权重，以确定各目标点云簇的质心位置，根据目标点云簇的质心位置构造用于评估点云归属合理性的综合评价指标；以综合评价指标最小化为目标，自适应调整聚类初始参数，得到每个目标点云簇中的点云重新分配结果；根据每个目标点云簇中的点云重新分配结果，确定每一帧的潜在目标点云区域中的多目标点云簇；
7、采用迭代最近点算法对相邻帧潜在目标点云区域中多目标点云簇中的目标点云进行配准，实现雷达的多目标点云配准。
8、优选地，基于所述雷达回波信号，构建时空点云信号，具体包括：
9、分别在距离维度和速度维度对雷达回波信号进行二维快速傅里叶变换，得到距离-多普勒矩阵；通过峰值搜索从距离-多普勒矩阵中提取潜在目标回波的距离参数和速度参数；
10、针对潜在目标回波的距离参数和速度参数的峰值，提取对应潜在目标回波在距离门内的阵列快拍数据；基于所述阵列快拍数据，构建回波接收信号的协方差矩阵；并在回波接收信号的协方差矩阵中引入对角加载技术，以对回波接收信号的协方差矩阵进行鲁棒性优化；根据鲁棒性优化后的协方差矩阵，构建与阵列快拍数据结构相匹配的导向矢量；根据所述导向矢量以及鲁棒性优化后的协方差矩阵，采用capon最小方差准则确定空间功率谱密度函数；对空间功率谱密度函数执行全局峰值搜索，获得潜在目标回波的方位角信息；
11、将潜在目标回波的距离参数、速度参数、方位角信息以及帧序信息进行融合，得到时空点云信号。
12、优选地，聚类初始参数包括：初始簇中心、横向距离门限、纵向距离门限、速度门限、迭代次数阈值、密度门限及收敛条件。
13、优选地，引入目标点云距离权重，以确定各目标点云簇的质心位置，具体包括：
14、将每个目标点云簇中的目标点云从极坐标系转换至直角坐标系，得到各目标点云的横向距离、纵向距离和速度；
15、将横向距离处于所述横向距离门限内的目标点云进行合并，得到第一目标点云集合；以第一目标点云集合中各目标点云的点云幅值为横向距离权重，对第一目标点云集合中各目标点云的横向距离进行加权平均，得到每个目标点云簇的目标点云横向距离；
16、将第一目标点云集合中处于纵向距离门限内的目标点云进行合并，得到第二目标点云集合；以第二目标点云集合中各目标点云的点云幅值为纵向距离权重，对第二目标点云簇集合中各目标点云的纵向距离进行加权平均，得到每个目标点云簇的目标点云纵向距离；
17、将第二目标点云集合中处于速度门限内的目标点云进行合并，得到第三目标点云集合；以第三目标点云集合中各目标点云的点云幅值为速度权重，对第三目标点云集合中各目标点云的速度进行加权平均，得到每个目标点云簇的目标点云速度；
18、将目标点云横向距离、目标点云纵向距离确定为目标点云簇的质心位置，且每个质心位置对应有目标点云簇的瞬时速度。
19、优选地，根据目标点云区域的质心位置构造用于评估点云归属合理性的综合评价指标，具体包括：
20、对于每个目标点云簇中的目标点云，确定该目标点云与其所属目标点云簇的质心位置以及该目标点云与其相邻目标点云簇的质心位置的交叉熵；
21、根据每个目标点云簇中各目标点云的局部密度，确定每个目标点云簇的全局密度；
22、根据所述交叉熵与目标点云簇的全局密度，构建用于评估点云归属合理性的综合评价指标；
23、优选地，目标点云簇中目标点云的局部密度是通过在目标点云在预设领域范围的点云数量与其所处目标点云簇中全部目标点云数量的比值所确定的；所述全局密度是通过对每个目标点云簇中每个目标点云的局部密度进行求和后再除以目标点云簇的总数量所确定的。
24、优选地，采用迭代最近点算法对相邻帧潜在目标点云区域中多目标点云簇中的目标点云进行配准，具体包括：
25、选取当前帧潜在目标点云区域中的多目标点云簇的几何中心作为待配准点集，选取上一帧处理后的多目标点云簇的几何中心作为参考点集；
26、基于欧氏距离计算待配准点集中各点与参考点集中各点的最近距离，建立初始点对集合；将时空点云信号中的方位角信息作为角度约束权重，对初始点对集合中的最近距离进行修正，得到修正点对集合；
27、根据当前帧和上一帧的潜在目标点云区域中的多目标点云簇中的质心位置以及时空点云信号中的方位角信息作为角度约束权重，构建姿态误差目标函数，通过对修正点对集合进行奇异值分解，以求解使所述姿态误差目标函数最小化的最优的旋转矩阵与平移矩阵；利用最优的旋转矩阵与平移矩阵对当前帧的多目标点云簇中目标点云进行坐标变换，实现相邻帧潜在目标点云区域中多目标点云簇中的目标点云。
28、优选地，在实现相邻帧多目标点云簇中目标点云的配准之后，还包括：
29、基于sort框架构建多无迹卡尔曼滤波跟踪器，以目标点云的质心位置坐标、多普勒速度在三维空间中的投影分量以及方位角信息与俯仰角信息，构成目标点云状态向量；
30、以目标点云状态向量、状态协方差矩阵以及sigma点扩展参数为常速度模型的输入参数，输出当前帧目标点云的目标状态值及其协方差矩阵，并根据实际检测到的点云状态值作为观测值进行无迹卡尔曼滤波更新，得到目标点云状态估计值，并输出当前帧目标点云的平滑轨迹点。
31、优选地，在输出当前帧多目标点云簇中目标点云的平滑轨迹之后，还包括：
32、采用多无迹卡尔曼滤波跟踪器输出的下一帧目标点云的目标状态估计值为跟踪门限中心，计算所述跟踪门限中心与当前帧目标点云的质心位置之间的马氏距离；
33、根据计算所述跟踪门限中心与当前帧目标点云的质心位置之间的马氏距离、跟踪门限与当前帧目标点云的质心位置偏差项、速度一致性项和角度一致性项构建联合代价矩阵，并设置关联门限参数；
34、将所述联合代价矩阵输入匈牙利算法，求解当前帧目标点云的平滑轨迹与历史帧点云轨迹的全局最优点云匹配对。
35、优选地，在求解当前帧多目标点云簇中目标点云的平滑轨迹与历史轨迹的全局最优点云匹配对之后，还包括：
36、针对成功匹配的点云匹配对，当连续匹配成功次数超过确认阈值时，将对应的点云轨迹标记为已确认点云轨迹并输出；
37、对于未成功匹配的已确认轨迹，启动记忆体机制，将其标记为待确认状态并递增丢失计数器，记录目标点云丢失前的状态信息；
38、当目标点云轨迹在预设的丢失计数阈值内仍未重新检测到匹配点云，或者目标点云的预测位置超出雷达视场角范围时，判定目标点云已离开场景，终止对应轨迹并删除相应轨迹数据。
39、本发明提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序被处理器执行时实现上述一种雷达多目标点云配准方法。
40、本发明提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述一种一种雷达多目标点云配准方法。
41、本发明采用的上述至少一个技术方案能够达到以下有益效果：
42、距离权重的引入使得质心位置的计算不再单纯依赖空间坐标的平均，而是空间距离进行加权，从而在目标形状变化或密度不均时仍能准确刻画簇的真实中心，基于质心位置构造的综合评价指标综合了目标点云与目标点云簇中心之间及与相邻簇中心之间的归属合理性以及相邻簇的全局密度分布，能够动态地区分本应属于同一目标的密集点云和本应分离的邻近目标点云，进而避免因固定门限造成的过合并或过分割，从而提升了有效多目标场景下点云配准的准确性。