车联网中一种采用交互多模型的雷达目标路径处理方法与流程

1.本发明涉及一种车联网技术，尤其涉及一种车联网的雷达目标路径处理方法，更具体地说，涉及一种采用交互多模型的雷达目标路径处理方法。


背景技术：

2.车联网(vehicle
‑
to
‑
everything,v2x)是物联网(internet ofthings,iot)在智能交通系统(intelligent transportation system,its)领域中的典型应用，它指的是基于intranet，internet 和移动车载网络而形成的无处不在的智能车网络。车联网根据约定的通信协议和数据交互标准共享和交换数据。它通过对行人，路边单位，车辆，网络和云之间的实时感知和协作，实现了智能交通管理和服务，例如改善了道路安全，增强了态势感知并减少了交通拥堵。
3.传统的城市交通路口的车辆监测数据获取主要是依托于视频图像处理，而在雨雪雾以及夜晚等光学图像成像条件较差的环境下，获得的交通视频图像存在图像退化、对比度下降、车辆目标不清晰等问题，导致了交通视频车辆监测过程中无法有效识别和跟踪车辆目标，极大的增加了发生交通安全事故后追查的难度；还存在视频处理数据量大、实时性差、传统方案测速测距准确度低等问题，造价成本也较昂贵。
4.而采用毫米波雷达进行辅佐，经过信息融合后，则能实现全天时、全天候的道路上的目标识别和路径处理。再加上近年来，随着集成电路和天线设计等技术的不断成熟、元器件成本的不断降低，民用毫米波雷达产品的成本也大大降低。
5.但是地面雷达采集到的的数据存在目标点集不唯一、目标持续周期短、目标点集不连续、目标机动情况较复杂等问题，需要在后端进行处理。经典算法中的最近邻域法对最近邻域内的点迹进行关联，其方法是关联波门的大小仅取决与距离，是一种简单快速的数据关联算法，计算量小。不足之处是在实际路况中，由于干扰噪声的存在以及复杂路况中其他目标的影响，距离航迹预测点最近的量测点，不一定是目标的正确关联点，结果会引起目标丢失或者目标误跟；而联合概率数据关联法，其方法是考虑所有点迹的关联概率进行关联，正确率高，不足之处是计算过于复杂，不能满足实时性要求。因此，《jipda:automatic target tracking a
‑ꢀ
voidingtrack coalescence.ieee trans》中通过经验设定关联阈值来提高算法实时性，但是阈值不合理可能导致正确率下降；《一种具有关联波门自适应的联合概率数据关联算法.电子设计工程》中通过自适应调整关联域大小保证算法实时性，但是其不确定性可能导致运算稳定度下降。所以，本发明提出一种采用交互多模型的雷达目标路径处理方法，以路径正确性为优化目标，同时在复杂度和性能之间取得了很好的平衡。


技术实现要素：

6.本发明所要解决的技术问题是针对现有技术存在的上述问题，提出一种采用交互多模型的雷达目标路径处理方法，经过交互多模型滤波后的路径通过最近邻域法与数据关联。该方法能在保证实时性的情况下，实现目标路径准确率最大化。
7.本发明为解决上述技术问题采用以下技术方案：
8.在考虑高实时性的情况下，以实现目标路径准确率最大化为目的。为获得后端处理所需要的目标数据点迹，采用基于密度的空间聚类算法(density
‑
based spatial clustering of applications with noise，dbscan)进行点迹凝聚，考虑目标数据区分距离以及速率等约束条件，使目标的多个点迹数据汇聚到一个等效点集之上。采用最近邻域法(nearest neighbor method，nn)进行点迹与目标路径关联，具有较高的实时性，其中，为提高关联的准确性，考虑点迹与路径末端的统计距离信息、速度差信息以及capon算法的估计幅值信息等约束条件，确定点迹与路径的最佳关联评判标准。对路径进行交互多模型(interacting multiple model， imm)滤波估计，先建立多模型输入交互，将交互结果进行卡尔曼滤波，得到滤波结果交互输出，得到滤波估计路径。将imm滤波路径与点迹关联程度和实际路径与点迹关联程度加权，更新关联程度，得到最优点迹与路径关联，更新路径。完成上述发明通过以下技术方案实现：一种采用交互多模型的雷达目标路径处理方法，包括步骤如下：
9.步骤1)，通过车联网中车载端机设备中毫米波雷达获取目标信息；
10.步骤2)，采用dbscan进行点迹凝聚，使目标的多个点迹数据汇聚到一个等效点集之上；
11.步骤3)，采用imm，基于实际交通路况运动状态建立模型，对目标路径进行滤波处理，得到杂波较少的目标路径估计；
12.步骤4)，采用nn进行点迹与目标路径关联，建立融合关联程度评判准则，根据imm 滤波估计路径与实际路径融合加权，得到最优点迹与路径关联；
13.步骤5)，对关联后的目标路径进行路径管理，得到优化后的车辆目标路径信息。
14.进一步的，车联网中一种采用交互多模型的雷达目标路径处理方法，其特征在于，所述步骤4)中，包括如下具体步骤：
15.步骤4a)，具体定义点迹与目标路径的关联程度评判准则，包括点迹与路径末端的统计距离信息r、速度差信息v、帧数差信息f、capon算法的估计幅值信息a，即
16.s＝{r,v,f,a}
17.根据权值融合各评判因素，因素值减小，关联程度s增大；
18.步骤4b)，若路径点迹数大于α，判为稳定路径，对路径建立imm模型进行滤波，其中x(k)为k时刻系统的状态，y(k)为对应状态的量测信号，w(k)表示过程噪声，v(k)表示量测噪声。φ称为状态转移矩阵，γ为噪声分布矩阵，h为量测矩阵：
19.x(k 1)＝φ
j
x(k) γ
j
w
j
(k),j＝1,
…
,r
20.y(k)＝h
j
(k)x
j
(k) v
j
(k)
21.输入交互模型后进行kalman滤波，将滤波结果输出交互；
22.步骤4c)，若路径点迹数大于α，将imm滤波路径与点迹关联程度s1和实际路径与点迹关联程度加权s2，更新关联程度s
23.s＝α1*s1 α2*s224.若路径点迹数小于α，则采用实际路径与点迹关联程度s2作为关联程度s；
25.步骤4d)，判断当前帧数据点迹是否归类，若未归类，计算点迹与当前所有路径的关联程度，将最优关联程度所对应点迹与目标路径关联，更新路径；
26.步骤4e)，依此类推，直至所有数据点迹归类完毕，得到所有目标路径。
27.本发明采用以上技术方案与现有技术相比，具有以下有益效果：
28.1.保证了实时性：本发明提出了一种使用最近邻域法进行数据关联的点迹与路径关联算法，依据已知的点迹与路径末端的统计距离信息、速度差信息、capon算法的估计幅值信息，保证了实时性。
29.2.最大化目标路径的正确率：本发明将所需关联的评判函数进行优化。首先，通过交互多模型滤波估计得到路径预测值，进行点迹与预测数据关联。其次，将点迹与实际路径末端数据进行关联。将两种关联程度进行加权，从而确定最优关联值，更新路径。从而可以最大化目标路径的正确率
30.3.计算复杂度低：本发明提出的一种采用交互多模型的雷达目标路径处理方法，考虑了实际交通路况车辆运动情况复杂，采用交互多模型对路径进行滤波估计，计算复杂度低。
31.综上所述，在保证实时性，计算复杂度低以及路径准确率的情况下，本发明提出的一种采用交互多模型的雷达目标路径处理方法在实际复杂路况方面是优越的。
附图说明
32.图1为本发明实施例提供的雷达目标路径处理方法的流程图。
33.图2为本发明实施例提供的帧间数据点迹与路径关联的流程图。
34.图3为本发明实施例提供的交互多模型滤波示意图。
35.图4 为本发明实施例提供的雷达目标路径处理结果显示图。
具体实施方式
36.本发明的核心思想在于：在目标路径处理中，考虑考虑雷达采集数据存在的问题，采用 dbscan进行点迹凝聚，将imm滤波路径与点迹关联程度和实际路径与点迹关联程度加权，更新关联程度，得到最优点迹与路径关联，采用nn进行点迹与目标路径关联，更新路径，得到最优的路径处理策略。
37.下面对本发明做进一步详细描述。
38.步骤2)，采用dbscan进行点迹凝聚，使目标的多个点迹数据汇聚到一个等效点集之上，包括如下步骤：
39.步骤2a)，从数据集中任意选取一个数据点迹p作为处理对象；
40.步骤2b)，如果对于参数密度时的邻域半径eps和核心点迹时的阈值minpts，所选取的数据对象点迹p为核心点迹，则找出所有从p密度可达的数据点迹，形成一个簇；
41.步骤2c)，将数据点迹分为三类，核心点：在该点迹半径eps内含有超过minpts数目的其余点迹，则该点迹为核心点迹；边界点迹，在该点迹半径eps内含有少于minpts数目的其余点迹，但该点迹属于核心点迹半径邻域内，则该点迹为边界点迹；噪声点迹，排除核心点迹与边界点迹外的其余数据点迹。如果选取的数据对象点迹p是边缘点迹，选取另一个数据点迹；如果为噪声点迹，则对其进行标记；
42.步骤2d)，重复上述，直到所有点迹被处理。
43.步骤3)，采用imm，基于实际交通路况运动状态建立模型，对目标路径进行滤波处
理，得到杂波较少的目标路径估计，包括如下步骤：
44.步骤3a)，建立系统运动模型和量测模型：
45.x(k 1)＝φ
j
x(k) γ
j
w
j
(k),j＝1,
…
,r
ꢀꢀ
(1)
46.y(k)＝h
j
(k)x
j
(k) v
j
(k)
ꢀꢀ
(2)
47.其中x(k)为k时刻系统的状态，y(k)为对应状态的量测信号，w(k)表示过程噪声，v(k)表示量测噪声。φ称为状态转移矩阵，γ为噪声分布矩阵，h为量测矩阵。模型之间通过马尔可夫概率转移矩阵确定作用关系。
[0048][0049]
步骤3b)，对输入模型进行交互；
[0050]
模型j的预测函数：
[0051][0052]
模型i到j的混合概率：
[0053][0054]
模型j的混合状态估计：
[0055][0056]
模型j的混合协方差估计：
[0057][0058]
步骤3c)，将交互输入结果进行kalman滤波
[0059]
预测：
[0060][0061]
预测误差协方差：
[0062][0063]
卡尔曼增益：
[0064][0065][0066]
滤波协方差：
[0067]
p
j
(k 1/k 1)＝[i
‑
k
j
(k 1)h(k 1)]p
j
(k 1/k 1)
ꢀꢀ
(12)
[0068]
步骤3d)，对交互模型概率进行更新：
[0069]
[0070]
其中，c为归一化常数，且而λ
j
(k)为观测z(k)的似然函数，
[0071][0072][0073]
步骤3e)，输出交互：
[0074][0075][0076]
步骤4)，采用nn进行点迹与目标路径关联，根据imm滤波路径估计，得到最优点迹与路径关联，包括如下步骤：
[0077]
步骤4a)，具体定义点迹与目标路径的关联程度评判准则，包括点迹与路径末端的统计距离信息r、速度差信息v、帧数差信息f、capon算法的估计幅值信息a，即
[0078]
s＝{r,v,f,a}
ꢀꢀ
(18)
[0079]
根据权值融合各评判因素，因素值减小，关联程度s增大；
[0080]
步骤4b)，对路径建立imm模型进行滤波，其中x(k)为k时刻系统的状态，y(k)为对应状态的量测信号，w(k)表示过程噪声，v(k)表示量测噪声。φ称为状态转移矩阵，γ为噪声分布矩阵，h为量测矩阵：
[0081]
x(k 1)＝φ
j
x(k) γ
j
w
j
(k),j＝1,
…
,r
ꢀꢀ
(19)
[0082]
y(k)＝h
j
(k)x
j
(k) v
j
(k)
ꢀꢀ
(20)
[0083]
输入交互模型后进行kalman滤波，将滤波结果输出交互；
[0084]
步骤4c)，将imm滤波路径与点迹关联程度和实际路径s1与点迹关联程度加权s2，更新关联程度s
[0085]
s＝α1*s1 α2*s2ꢀꢀ
(21)
[0086]
步骤4d)，判断当前帧数据点迹是否归类，若未归类，计算点迹与当前所有路径的关联程度，将最优关联程度所对应点迹与目标路径关联，更新路径；
[0087]
步骤4e)，依此类推，直至所有数据点迹归类完毕，得到所有目标路径。
[0088]
在图1中，描述了一种雷达目标路径处理方法的流程，通过dbscan点迹凝聚得到等效目标唯一点迹，利用基于最近邻域关联算法获得最优的目标路径关联优化策略。
[0089]
在图2中，描述了帧间点迹与路径关联的流程，需要对每帧数据迭代更新。
[0090]
在图3中，描述了交互多模型滤波估计方法的流程，可以看出是将多个模型交互后进行卡尔曼滤波，再将输出结果交互。
[0091]
在图4中，描述了雷达目标路径处理后的信息展示。可以看出显示完整路径，且路径的稳定度较高。
[0092]
根据对本发明的说明，本领域的技术人员应该不难看出，本发明的车联网中一种采用交互多模型的雷达目标路径处理方法可以在保证实时性的情况下提高目标路径的正确性。
[0093]
本发明申请书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
[0094]
以上实施方式仅为说明本发明的技术思想，并不用于限制本发明的保护范围，凡是按照本发明提出的技术思想，在本发明技术方案基础上所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。