一种多雷达跨区域组网多目标跟踪方法与流程

1.本发明涉及车辆道路检测领域，具体涉及一种多雷达跨区域组网多目标跟踪方法。


背景技术：

2.目前，高速公路的智能化建设是高速公路行业内最热门的话题。而高速公路的智能化离不开感知，其中车辆位置状态的感知是整个感知体系中最为重要的部分，因此各省市都在探索车辆实时位置感知的方案，目标是低成本、高可靠性、高精度、全天候、全覆盖。
3.近年来随着视频技术的发展，高速公路上一般大量使用摄像机感知方案。但也存在较多的问题，一是高清像机价格昂贵，且易受照明、天气等影响，容易出现检测异常；二是一般高速公路都会存在大量普通像机，如果大量使用高清像机，没有充分利用现有的感知系统，容易造成浪费。而雷达刚好可以克服照明、天气的影响，并且可以利用现有的感知系统。
4.目前，单台雷达的检测距离大概250米左右，通过多台雷达的轨迹拼接可以实现全天候、全覆盖检测车辆位置，但目前的拼接算法大多存在一些问题，并不能达到全程全局的跟踪车辆。
5.已有专利的一些情况：
6.专利《多雷达跨区域组网多目标跟踪识别方法及装置》(专利申请号：201910763489.0)，仅根据重叠区两个单点的距离和速度进行目标匹配，误差较大。该方法只适用于交通流量较小、无遮挡、检测精度高的情况，当出现大流量、有遮挡、检测精度不够时不能很好的跟踪目标。
7.专利《高速公路多雷达跨区域组网多目标跟踪方法》(专利申请号：202011481467.4)，采用距离、速度，增加车身长度对重叠区车辆进行匹配，未考虑到非重叠区的匹配，且并未在全局上进行匹配，在流量较大时容易造成匹配混乱。


技术实现要素：

8.根据背景技术提出的问题，本发明提供一种多雷达跨区域组网多目标跟踪方法来解决，该方法能够兼顾多雷达重叠区及非重叠区的多目标匹配，采用在单个目标上多点匹配及多个目标全局匹配结合的方法降低数据质量不佳及车流量较大情况下的匹配。从而达到低成本、高可靠性、高精度、全天候、全覆盖跟踪目标的目的。接下来对本发明做进一步地阐述。
9.一种多雷达跨区域组网多目标跟踪方法，方法包括以下步骤：
10.s1、确定车辆轨迹所属区域，相邻的雷达检测区域存在重叠，将雷达检测区域划分为初次进入雷达检测区、非重叠区、前重叠区、后重叠区、离开雷达检测区共五个区域；
11.s2、确定所属各集合，包括突然消失集合dac的判定、突然出现集合ac的判定、前重叠区lc
i,front
的判断、后重叠区lc
i,back
的判断；设置全局跟踪集合gc，所有进入雷达检测区
的车辆轨迹都进入到此集合中，并分配全局唯一的编号；
12.s3、重叠区目标跟踪,在相邻雷达之间进行重叠区匹配，将lc
i,front
中的每一条轨迹记录trace
i,front
与lc
i,back
中的每一条记录trace
i,back
进行匹配；在匹配后对突然消失集合dac、全局集合gc、突然出现集合ac进行动态更新；
13.s4，非重叠区匹配，采用直线趋势预测模型对轨迹数据进行填补，采用卡尔曼滤波对历史轨迹及填补轨迹进行滤波，得到更可信的轨迹记录，并运用匈牙利算法进行多目标匹配以对全局集合gc、消失集合dac进行动态更新。
14.作为优选地，在s1中，设置道路方向与x坐标平行，各雷达的检测区为[l1,l2],定义函数inlap，满足：
[0015]
对于第一个雷达：
[0016][0017]
对于最后一个雷达：
[0018][0019]
对于其余雷达：
[0020][0021]
式中，inlap代表所在区域，值1代表在后重叠区、值2代表在非重叠区、值3代表在前重叠区、值4代表离开雷达检测区、值5代表初次进入雷达检测区；s1代表进入检测区距离阈值；s2代表重叠区距离阈值；s3代表离开检测区距离阈值。
[0022]
作为优选地，在s2中，突然消失集合dac的判定：设置当前时间为t，雷达轨迹数据允许的延迟时间为a,轨迹消失的时间判定阈值b，在t时刻，t
‑
a时刻之前的数据都已收到，轨迹进入突然消失集合dac的判定条件为：
[0023]
trace
v,endtime
b<t
‑
a；
[0024]
式中，trace
v,endtime
为车辆v的轨迹trace的最后到达时间，在trace
v,endtime
时刻之后持续时间b都未收到车辆v的轨迹数据，则判断轨迹进入突然消失集合；
[0025]
作为优选地，突然出现集合ac的判定：设置当前时刻为t，允许数据延迟时间为a’，在t时刻，t
‑
a’时刻之前的数据都已收到；跟踪窗口为轨迹拼接分析的时间间隔，长度设置为δt,每隔δt进行一次轨迹拼接，在跟踪窗口内，分析得到轨迹突然出现集合ac，轨迹进入突然出现集合ac的判定条件为：
[0026][0027]
tandtrace
v,inlap
！＝5；
[0028]
式中，trace
v
为车辆v的轨迹，trace
timediff
为车辆v在跟踪窗口内的时间区间长度，d为轨迹异常的时间阈值，trace
starttime
为车辆在跟踪窗口内的轨迹开始时间，e为轨迹突然
出现的时间阈值；
[0029]
作为优选地，进入lc
i,front
的判定条件：trace
i,v,inlap
＝3，式中，trace
i,v,inlap
＝3代表第i个雷达中车辆v的轨迹在前重叠区；
[0030]
作为优选地，进入lc
i,back
的判定条件：trace
i 1,v,inlap
＝1，式中，trace
i 1,v,inlap
＝1代表第i 1个雷达中车辆v的轨迹在后重叠区；
[0031]
作为优选地，全局跟踪集合gc，所有进入雷达检测区的车辆都将进入到此集合中，并分配全局唯一的编号，如车辆在第一个雷达中的编号为v1',在第二个雷达中的编号为v1”,依此类推，在不同的雷达中会有不同的编号，但始终会有一个唯一的编号一直对应着同一辆车，直到车辆离开雷达检测区。
[0032]
作为优选地，在s3中，雷达的时钟同步，并设置相同频率上传轨迹数据，重叠区的轨迹拼接流程如下：
[0033]
步骤31、lc
i,front
中的每一条记录trace
i,front
与lc
i,back
中的每一条记录trace
i,back
进行匹配，满足以下条件即匹配成功：
[0034]
|point
k,time,front
‑
point
j,time,back
|≤
△
time；
[0035]
distance
k,j
≤dist；
[0036]
|point
k,speed,front
‑
point
j,speed,back
|≤
△
speed；
[0037]
|point
k,length,front
‑
point
j,length,back
|≤
△
length；
[0038]
式中，point
k,time,front
代表前重叠区某条轨迹上的第k条轨迹点的时间戳；point
j,time,back
代表后重叠区某条轨迹上的第j条轨迹点的时间戳；
△
time代表判定两个时间戳足够接近的阈值，
△
time＝50ms；point
k,speed,front
代表前重叠区某条轨迹上的第k条轨迹点的速度值；point
j,speed,back
代表后重叠区某条轨迹上的第j条轨迹点的速度值；
△
speed代表判定两个速度值足够接近的阈值，本实施例中
△
speed＝2km/h；point
k,length,front
代表前重叠区某条轨迹上的第k条轨迹点采集到的车身长度；point
j,length,back
代表后重叠区某条轨迹上的第j条轨迹点采集到的车身长度；
△
length代表判定两个车身长度足够接近的阈值,
△
length＝1m；distance
k,j
代表k轨迹点与j轨迹点的距离；dist代表判定两个车距离足够接近的阈值,dist＝2m；同时满足以上条件则匹配成功；
[0039]
步骤32、集合的实时更新，包括：
[0040]
突然消失集合dac的更新，若trace
i,front
匹配成功，则去除dac集合中与trace
i,front
相同id的车辆记录；
[0041]
全局集合gc的更新，若trace
i,front
与trace
i,back
匹配成功，在gc中查找trace
i,front,id
，并在gc中将trace
i,front,id
的拼接id改为trace
i,back,id
；
[0042]
突然出现ac集合的更新，匹配完成后，将未匹配成功的车辆按照条件加入到突然出现集合ac中，规则如下：
[0043]
trace
timediff
d<
△
tandtrace
starttime
‑
e>t
‑
a
′‑△
t。
[0044]
作为优选地，在s4中，直线趋势预测模型对轨迹数据进行填补的规则如下：
[0045]
n＝(trace
starttime,back
‑
trace
endtime,front
)/timeinterval；
[0046][0047]
[0048][0049][0050]
point
t n
＝pa
t
pb
t
*n；
[0051]
式中，timeinterval＝50ms，n为轨迹消失和出现之间需要填补数据的个数；trace
starttime,back
为出现轨迹的开始时间；trace
endtime,front
为消失轨迹结束时间；为当前时间t的一次移动平均数；point
i
为i时刻的轨迹点；n为移动平均项数；为二次移动平均数；pa
t
、pb
t
为平滑系数；point
t n
为当前时间t外推n个时期数的轨迹点。
[0052]
作为优选地，在s4中，运用匈牙利算法进行多目标匹配以对全局集合gc、消失集合dac进行动态更新，变换规则如下：
[0053]
maxdistance＝max(distance
i,j
) α*min(distance
i,j
)；
[0054]
maxlengthdiff＝max(|lengthdiff
i,j
|) β*min(|lengthdiff
i,j
|)；
[0055][0056]
以上式中，maxdistance为消失集合与出现集合点之间的最大距离加上一个小的偏移量；max(distance
i,j
)为消失集合与出现集合点之间的最大距离；min(distance
i,j
)为消失集合与出现集合点之间的最小距离；α为偏移参数；maxlengthdiff为消失集合与出现集合车之间的最大车长差加上一个小的偏移量；max(|lengthdiff
i,j
|)为消失集合与出现集合车之间的最大车长差；min(|lengthdiff
i,j
|)为消失集合与出现集合车之间的最小车长差；β为偏移参数；weight
i,j
为消失集合与出现集合车之间的匹配权重；γ为距离的权重参数；δ为车长差的权重参数。α＝1；β＝1；γ＝0.8；δ＝0.2。
[0057]
有益效果：与现有技术相比，本发明提出了的多雷达多目标跟踪方法，该方法能够兼顾多雷达重叠区及非重叠区的多目标匹配，采用在单个目标上多点匹配及多个目标全局匹配结合的方法降低数据质量不佳及车流量较大情况下的匹配；从而达到低成本、高可靠性、高精度、全天候、全覆盖跟踪目标的目的。
附图说明
[0058]
图1：本发明所述的跟踪方法流程图；
[0059]
图2：雷达检测区示意图；
[0060]
图3：轨迹消失示意图；
[0061]
图4：轨迹消失实时监控流程；
[0062]
图5：实时分析数据示意图；
[0063]
图6：突然出现实时分析流程；
[0064]
图7：重叠区拼接流程；
[0065]
图8：非重叠区轨迹填补；
[0066]
图9：非重叠区多目标匹配。
具体实施方式
[0067]
接下来结合附图对本发明的一个具体实施例来做详细地阐述。
[0068]
一种多雷达跨区域组网多目标跟踪方法，方法包括以下步骤：
[0069]
s1、确定车辆轨迹所属区域；
[0070]
本实施例将雷达检测区域划分为初次进入雷达检测区、非重叠区、前重叠区、后重叠区、离开雷达检测区共五个区域，如图2所示，设雷达a为检测区第一个雷达，雷达f为检测区最后一个雷达，道路方向与x坐标平行，各雷达的检测区为[l1,l2],其中，l1＝20m，l2＝250m,定义函数inlap，满足：
[0071]
对于第一个雷达：
[0072][0073]
对于最后一个雷达：
[0074][0075]
对于其余雷达：
[0076][0077]
式中，inlap代表所在区域，值1代表在后重叠区、值2代表在非重叠区、值3代表在前重叠区、值4代表离开雷达检测区、值5代表初次进入雷达检测区；s1代表进入检测区距离阈值，s1＝20m；s2代表重叠区距离阈值,s2＝30m；s3代表离开检测区距离阈值,s3＝20m。
[0078]
s2、确定所属各集合；
[0079]
突然消失集合dac的判定，如图3所示，当前时间为t，数据传输间隔为50ms，设置雷达轨迹数据允许的延迟时间为a,本实施例中依据经验设置a＝1s，即在t时刻，t
‑
a时刻之前的数据都已收到，同时设置轨迹消失的时间判定阈值b＝1s，则轨迹进入突然消失集合dac的判定条件为：
[0080]
trace
v,endtime
b<t
‑
a；
[0081]
式中，trace
v,endtime
为车辆v的轨迹trace的最后到达时间，在trace
v,endtime
时刻之后持续时间b都未收到车辆v的轨迹数据，则判断轨迹进入突然消失集合，轨迹消失实时监控流程如图4所示。
[0082]
突然出现集合ac的判定，如图5所示，当前时刻为t，允许数据延迟时间为a’，本实施例中所述a’＝2s，即在t时刻，t
‑
a’时刻之前的数据都已收到；图中跟踪窗口即为轨迹拼接分析的时间间隔，长度设置为δt,δt＝2s,每隔δt进行一次轨迹拼接；在跟踪窗口内，分析得到轨迹突然出现集合ac，轨迹进入突然出现集合ac的判定条件为：
[0083][0084]
tandtrace
v,inlap
！＝5；
[0085]
式中，trace
v
为车辆v的轨迹，trace
timediff
为车辆v在跟踪窗口内的时间区间长度，d为轨迹异常的时间阈值且设置d＝400ms，trace
starttime
为车辆在跟踪窗口内的轨迹开始时间，e为轨迹突然出现的时间阈值，e＝200ms；
[0086]
进一步地，如图2所示，车辆在重叠区的轨迹由相邻两个雷达产生，即第i个重叠区由第i个雷达与第i 1个雷达产生，本实施例将由第i个雷达产生的重叠区i称前重叠区lc
i,front
，由第i 1个雷达产生的重叠区i称后重叠区lc
i,back
，则：
[0087]
进入lc
i,front
的判定条件为：trace
i,v,inlap
＝3；
[0088]
进入lc
i,back
的判定条件为：trace
i 1,v,inlap
＝1；
[0089]
式中，trace
i,v,inlap
＝3代表第i个雷达中车辆v的轨迹在前重叠区，trace
i 1,v,inlap
＝1代表第i 1个雷达中车辆v的轨迹在后重叠区。
[0090]
全局跟踪集合gc，所有进入雷达检测区的车辆都将进入到此集合中，并分配全局唯一的编号，如车辆在第一个雷达中的编号为v1',在第二个雷达中的编号为v1”,依此类推，在不同的雷达中会有不同的编号，但始终会有一个唯一的编号一直对应着同一辆车，直到车辆离开雷达检测区。
[0091]
s3、重叠区目标跟踪；
[0092]
如图2所示，本实施例以第一个重叠区为例，雷达a中的车辆v1'进入雷达b后变成车辆v1”,雷达a与雷达b的时钟同步，并设置相同频率上传轨迹数据，则在重叠区的轨迹拼接流程如图7所示,相关规则如下：
[0093]
步骤31、重叠区匹配只在相邻雷达之间进行，如第i个重叠区，相关重叠集合为lc
i,front
、lc
i,back
；lc
i,front
中的每一条记录trace
i,front
与lc
i,back
中的每一条记录trace
i,back
进行匹配，满足以下条件即匹配成功：
[0094]
|point
k,time,front
‑
point
j,time,back
|≤
△
time；
[0095]
distance
k,j
≤dist；
[0096]
|point
k,speed,front
‑
point
j,speed,back
|≤
△
speed；
[0097]
|point
k,length,front
‑
point
j,length,back
|≤
△
length；
[0098]
式中，point
k,time,front
代表前重叠区某条轨迹上的第k条轨迹点的时间戳；point
j,time,back
代表后重叠区某条轨迹上的第j条轨迹点的时间戳；
△
time代表判定两个时间戳足够接近的阈值，
△
time＝50ms；point
k,speed,front
代表前重叠区某条轨迹上的第k条轨迹点的速度值；point
j,speed,back
代表后重叠区某条轨迹上的第j条轨迹点的速度值；
△
speed代表判定两个速度值足够接近的阈值，本实施例中
△
speed＝2km/h；point
k,length,front
代表前重叠区某条轨迹上的第k条轨迹点采集到的车身长度；point
j,length,back
代表后重叠区某条轨迹上的第j条轨迹点采集到的车身长度；
△
length代表判定两个车身长度足够接近的阈值,
△
length＝1m；distance
k,j
代表k轨迹点与j轨迹点的距离；dist代表判定两个车距离足够接近的阈值,dist＝2n；同时满足以上条件则匹配成功；
[0099]
步骤32、集合的实时更新，包括：
[0100]
突然消失集合dac的更新，若trace
i,front
匹配成功，则去除dac集合中与trace
i,front
相同id的车辆记录；
[0101]
全局集合gc的更新，若trace
i,front
与trace
i,back
匹配成功，在gc中查找trace
i,front,id
，并在gc中将trace
i,front,id
的拼接id改为trace
i,back,id
；
[0102]
突然出现ac集合的更新，匹配完成后，将未匹配成功的车辆按照条件加入到突然出现集合ac中，规则如下：
[0103]
trace
timediff
d<
△
tandtrace
starttime
‑
e>t
‑
a
′‑△
t。
[0104]
s4，非重叠区匹配；
[0105]
如图8所示，针对非重叠区的轨迹拼接(有部分来自重叠区匹配失败的轨迹数据)，轨迹的消失和轨迹的出现由于某些原因可能相隔较远的距离，首先采用直线趋势预测模型对轨迹数据进行填补，填补规则如下：
[0106]
n＝(trace
starttime,back
‑
trace
endtime,front
)/timeinterval；
[0107][0108][0109][0110][0111]
point
t n
＝pa
t
pb
t
*n；
[0112]
式中，timeinterval＝50ms，n为轨迹消失和出现之间需要填补数据的个数；trace
starttime,back
为出现轨迹的开始时间；trace
endtime,front
为消失轨迹结束时间；为当前时间t的一次移动平均数；point
i
为i时刻的轨迹点；n为移动平均项数；为二次移动平均数；pa
t
、pb
t
为平滑系数；oiint
t n
为当前时间t外推n个时期数的轨迹点。
[0113]
需要说明的是，因为不确定消失的轨迹与出现的轨迹之间的对应关系，因此任意消失的轨迹与任意出现的轨迹之间都可以进行数据的填补。但是这些预测填补的点以及之前的观测历史轨迹都会存在较大的偏差，采用卡尔曼滤波对历史轨迹及填补轨迹进行滤波，得到一组更加可信的轨迹。
[0114]
基于填补并滤波之后的轨迹的最后一个点，即pointnew
t n
，可以计算与出现轨迹第一个点之间的距离，此距离可采用火星坐标系进行计算得到。
[0115]
进一步地，如图9所示，在任意消失轨迹通过预测滤波并计算得到与任意出现轨迹之间的距离后，以距离及车身长度的变换值作为权重，运用匈牙利算法进行多目标匹配，并对全局集合gc，消失集合dac进行动态更新，变换规则如下：
[0116]
paxdistance＝max(distance
i,j
) α*min(distance
i,j
)
[0117]
maxlengthdiff＝max(|lengthdiff
i,j
|) β*min(|lengthdiff
i,j
|)
[0118][0119]
以上式中，maxdistance为消失集合与出现集合点之间的最大距离加上一个小的偏移量；max(distance
i,j
)为消失集合与出现集合点之间的最大距离；min(distance
i,j
)为消失集合与出现集合点之间的最小距离；α为偏移参数；maxlengthdiff为消失集合与出现集合车之间的最大车长差加上一个小的偏移量；max(|lengthdiff
i,j
|)为消失集合与出现集合车之间的最大车长差；min(|lengthdiff
i,j
|)为消失集合与出现集合车之间的最小车
长差；β为偏移参数；weight
i,j
为消失集合与出现集合车之间的匹配权重；γ为距离的权重参数；δ为车长差的权重参数。α＝1；β＝1；γ＝0.8；δ＝0.2。通过匈牙利算法匹配成功的更新全局集合gc，更新消失集合dac。
[0120]
本发明提出了的多雷达多目标跟踪方法，该方法能够兼顾多雷达重叠区及非重叠区的多目标匹配，采用在单个目标上多点匹配及多个目标全局匹配结合的方法降低数据质量不佳及车流量较大情况下的匹配；从而达到低成本、高可靠性、高精度、全天候、全覆盖跟踪目标的目的。
[0121]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。