一种对象跟踪方法、装置、电子设备及车辆与流程

1.本发明涉及雷达对象跟踪技术领域，特别涉及一种对象跟踪方法、装置、电子设备及车辆。


背景技术：

2.随着车载毫米波雷达技术的快速发展，毫米波雷达的距离，速度和角度分辨率不断提高，行人和汽车等目标信号往往跨越多个分辨单元，使毫米波雷达能够检测到来源于目标表面的多个量测，此时不再将它们视为点目标，而被视为扩展目标，对于扩展目标的跟踪称为扩展对象跟踪。
3.传统点对象跟踪方法将扩展目标视为点目标，将来源于扩展目标的多个量测进行聚类，并计算聚类簇的中心位置和中心速度，将它们作为扩展目标状态进行跟踪，仅估计扩展目标中心的运动状态，不考虑扩展目标的轮廓状态，无法充分发挥毫米波雷达高分辨率的特点。


技术实现要素：

4.本发明要解决的是提高毫米波雷达对象跟踪的准确性的技术问题。
5.为解决上述技术问题，本技术于一方面公开了一种对象跟踪方法，其包括：
6.获取当前时刻的点云数据集；该当前时刻点云数据集包括多个点的点云数据，该多个点中的每个点的点云数据包括位置信息、速度信息和角度信息；
7.对该当前时刻点云数据集进行聚类处理，得到聚类簇集；
8.确定当前时刻的预测对象状态信息；该预测对象状态信息包括预测对象运动状态信息和预测对象轮廓状态信息；该预测对象运动状态信息包括预测对象位置信息和预测对象速度信息；该预测对象轮廓状态信息包括轮廓上的多个参考点中每个参考点相对于预测对象中心点的位置信息；
9.基于该当前时刻的预测对象状态信息从该聚类簇集中确定出目标聚类簇；
10.基于该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息；
11.基于当前时刻的对象状态信息实现对该对象的跟踪。
12.可选的，该确定当前时刻的预测对象状态信息，包括：
13.获取历史时刻的对象状态信息；该历史时刻的对象状态信息包括历史时刻的对象运动状态信息和历史时刻的对象轮廓状态信息；
14.确定对象状态移动轨迹；
15.基于该历史时刻的对象状态信息和该对象状态移动轨迹确定出该当前时刻的预测对象状态信息。
16.可选的，该基于该当前时刻的预测对象状态信息从该聚类簇集中确定出目标聚类簇，包括：
17.根据该当前时刻的预测对象状态信息确定出对象中心预测位置；
18.确定出该聚类簇集中的每个聚类簇的中心位置；
19.根据该对象中心预测位置和该每个聚类簇的中心位置确定出距离集；该距离集包括每个聚类簇的中心位置与该对象中心预测位置的距离值；
20.从该距离集中确定出目标距离值；该目标距离值小于等于预设阈值；
21.将该目标距离值对应的聚类簇确定为该目标聚类簇。
22.可选的，该将该目标距离值对应的聚类簇确定为该目标聚类簇，包括：
23.将该目标距离值对应的聚类簇确定为初始聚类簇；
24.基于该初始聚类簇中的任意两个点云数据确定出关联关系；该关联关系用于表征该每个点的角度信息和速度信息的对应关系；
25.基于该关联关系从该初始聚类簇中筛选出该目标聚类簇。
26.可选的，该基于该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息，包括：
27.从该目标聚类簇中确定出目标位置信息集和目标角度信息集；
28.基于该对象中心点预测位置、该预测对象轮廓状态信息、该目标位置信息集和该目标角度信息集确定出位置偏移值；
29.根据该预测对象位置信息和该位置偏移值确定出对象量测预测位置；
30.基于该目标角度信息集和该预测对象速度信息确定出对象量测预测速度；
31.根据该对象量测预测位置和该对象量测预测速度确定出对象量测预测；
32.根据该对象量测预测、该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息。
33.可选的，该根据该对象量测预测、该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息，包括：
34.对该对象量测预测、该预测对象状态信息和该目标聚类簇进行扩展卡尔曼滤波，得到该当前时刻的对象状态信息。
35.可选的，该对该当前时刻点云数据集进行聚类处理，得到聚类簇集，包括：
36.获取雷达车的运动信息；
37.基于该雷达车的运动信息和该点云数据集确定出目标点云数据集；
38.对该目标点云数据集进行聚类处理，得到该聚类簇。
39.本技术于另一方面还公开了一种对象跟踪装置，其包括：
40.获取模块，用于获取当前时刻点云数据集；该当前时刻点云数据集包括多个点的点云数据，该多个点中的每个点的点云数据包括位置信息、速度信息和角度信息；
41.聚类模块，用于对该当前时刻点云数据集进行聚类处理，得到聚类簇集；
42.第一状态信息确定模块，用于确定当前时刻的预测对象状态信息；该预测对象状态信息包括预测对象运动状态信息和预测对象轮廓状态信息；该预测对象运动状态信息包括预测对象位置信息和预测对象速度信息；该预测对象轮廓状态信息包括轮廓上的多个参考点中每个参考点相对于预测对象中心点的位置信息；
43.目标聚类簇确定模块，用于基于该当前时刻的预测对象状态信息从该聚类簇集中确定出目标聚类簇；
44.第二状态信息确定模块，用于基于该预测对象状态信息和该目标聚类簇确定出当
前时刻的对象状态信息；
45.跟踪模块，用于基于当前时刻的对象状态信息实现对该对象的跟踪。
46.本技术于另一方面还公开了一种电子设备，该电子设备包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述的对象跟踪方法。
47.本技术于另一方面还公开了一种车辆，该车辆包括计算机存储介质，该计算机存储介质中存储有至少一条指令或至少一段程序，该至少一条指令或至少一段程序由处理器加载并执行以实现上述的对象跟踪方法。
48.采用上述技术方案，本技术提供的对象跟踪方法具有如下有益效果：
49.本技术提供的该对象跟踪方法通过对当前时刻的对象状态信息进行预测，得到预测的对象状态信息，对象状态信息包括对象运动状态信息和对象轮廓状态信息得到的预测对象；然后将当前时刻的点云数据与对象进行关联，得到对象的点云数据，后续利用扩展卡尔曼滤波器实现对当前时刻的对象运动状态和轮廓状态的联合估计，从而提高了对对象识别跟踪的准确性。由于增加了对象的信息，有利于对对象识别和分类，与现有技术中仅基于对象的位置信息进行估计，提高了对象状态信息估计的准确性，便于实现对对象的跟踪。
附图说明
50.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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他的附图。
51.图1为本技术一种可选的应用场景图；
52.图2为本技术第一种可选地对象跟踪方法的流程图；
53.图3为本技术第二种可选地对象跟踪方法的流程图；
54.图4为本技术第三种可选地对象跟踪方法的流程图；
55.图5为本技术一种可选的目标坐标系的示意图；
56.图6为本技术第四种可选地对象跟踪方法的流程图；
57.图7为本技术第五种可选地对象跟踪方法的流程图；
58.图8为本技术第六种可选地对象跟踪方法的流程图；
59.图9为本技术一种可选地对象跟踪装置的结构示意图；
60.图10为本技术一种可选的对象跟踪方法的服务器的硬件结构框图。
61.以下对附图作补充说明：
62.10-雷达；20-车辆。
具体实施方式
63.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
64.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
65.如图1所示，图1为本技术一种可选的应用场景图。该场景包括雷达10、设于雷达10内的雷达处理器和车辆20，该雷达10设于车辆20的顶部，该雷达用于发射电磁波和接收雷达信号，该雷达处理器用于对接收到的雷达信号进行处理，得到当前时刻的点云数据集，再对当前时刻的对象状态信息进行预测，得到预测的对象状态信息，对象状态信息包括对象运动状态信息和对象轮廓状态信息得到的预测对象；然后将当前时刻的点云数据与对象进行关联，得到对象的点云数据，后续利用扩展卡尔曼滤波器实现对当前时刻的对象运动状态和轮廓状态的联合估计，从而提高了对对象识别跟踪的准确性。
66.本技术通过在对象状态中加入了对象轮廓状态，对象轮廓状态指目标表面(二维俯视图)若干个轮廓点到对象中心点半径长度，然后利用基于高斯过程的扩展卡尔曼滤波器对对象状态迭代更新，从而实现了对对象运动状态和轮廓状态的联合估计，由于高斯过程是一种机器学习算法，增加了算法的时间复杂度和空间复杂度，为后续处理提供更多目标信息，有利于目标识别与分类。
67.可选的，该雷达处理器可以是设于雷达内的处理器，也可以配置于服务器或者其他终端中。
68.可选的，终端可以是台式电脑，笔记本电脑、手机、平板电脑，数字助理、智能可穿戴设备等类型的实体设备；其中，智能可穿戴设备可以包括智能手环、智能手表、智能眼镜、智能头盔等。
69.该终端可以包括通过数据总线相连的显示屏、存储设备和处理器。所述显示屏用于待监控设备的虚拟图像以及待监控设备中各个子设备之间的连接关系，该显示屏可以是手机或者平板电脑的触摸屏等。存储设备用于存储拍摄装置的程序代码和数据资料等，该存储设备可以是终端的内存，也可以是智能媒体卡(smart media card)、安全数字卡(secure digital card)、快闪存储器卡(flash card)等储存设备。所述处理器可以是单核或多核处理器。
70.以下介绍本技术一种对象跟踪方法的具体实施例，图2为本技术一种可选的对象跟踪方法的流程示意图，本说明书提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，该方法可以包括：
71.s201：获取当前时刻点云数据集；该当前时刻点云数据集包括多个点的点云数据，该多个点中的每个点的点云数据包括位置信息、速度信息和角度信息。
72.在本实施例中，雷达可以是毫米波雷达，可以根据需要设置在雷达车的预设位置
上。
73.在本实施例中，雷达包括天线收发装置，用于发射雷达信号以及接收反射信号。
74.在本实施例中，该方法的执行主语为雷达处理器，该雷达处理器设置于雷达内。
75.在本实施例中，当雷达发射毫米波信号，并在接触到目标物体，例如车辆、电动车、行人或者骑行者，会返回相应的反射信号，后续信号处理器会对该反射信号进行处理，得到目标物体的回波数据，对该回波数据做距离维1d-fft(fast fourier transform algorithm，快速傅氏变换算法)和多普勒维2d-fft，得到距离一速度的频谱矩阵；然后基于距离-速度的频谱矩阵，对目标回波做cfar(constant false alarm rate，恒虚警检测)算法检测，对过门限的点迹做测角计算，得到目标物体的点迹的位置、速度和角度信息，即上述点云数据。
76.需要说明的是，上述角度信息为在雷达车坐标系中，每个点相对于雷达的角度，即下文中每个点的雷达角度。
77.s202：对该当前时刻点云数据集进行聚类处理，得到聚类簇集。
78.于一种可能的实施例中，参阅图3，图3为本技术第二种可选地对象跟踪方法的流程图。步骤s202可以具体阐述为：
79.s2021：获取雷达车的运动信息。
80.可选的，该雷达车的运动信息包括车速和横摆角。
81.s2022：基于该雷达车的运动信息和该点云数据集确定出目标点云数据集。
82.在本实施例中，上述获取到的点的速度为相对多普勒速度v
mea
，则需要通过雷达车的运动信息，将点的相对多普勒速度v
mea
补偿为绝对多普勒速度v
comp
，计算方式如公式(1)。
83.v
comp
＝v
mea
v
ego
ꢀꢀꢀꢀ
式(1)
[0084][0085]
其中，v
comp
表示点的绝对多普勒速度，v
mea
表示点的相对多普勒速度，v
ego
表示雷达运动引起的多普勒速度变化量，计算方式如公式(2)，和分别表示毫米波雷达在雷达车坐标系下的x轴方向和y轴方向的绝对速度，θ
mea
表示点迹中的角度，αs表示雷达的安装角度。
[0086]
可选的，为了进一步提高点云数据的有效性，还可以对进行速度补偿后的点做相应的分类和无效剔除处理，具体过程如下：根据每个点的绝对多普勒速度v
comp
进行点的动态和静态分类，将绝对多普勒速度v
comp
小于0.8m/s视为静止点迹，绝对多普勒速度v
comp
大于0.8m/s视为动态点迹。剔除无效的点迹是利用环境感知信息剔除不感兴趣区域的雷达量，如路沿外的点迹，减少目标跟踪时间，将进行上述速度补偿、分类以及剔除后的点云数据形成的点云数据集确定为目标点云数据集。
[0087]
s2023：对该目标点云数据集进行聚类处理，得到该聚类簇。
[0088]
在本实施例中，可以采用密度的聚类算法，即dbscan(density-based spatial clustering of applications with noise)算法对点云数据集进行聚类处理；具体的，从该点云数据集中任选一个点作为初始点(即聚类点)，利用该密度聚类算法从该初始点开始，根据需要设置领域半径eps，以及领域内的点的数据阈值minpts，在判断其他点是否属于当前聚类点的领域时，可以根据相对聚类和绝对多普勒差值v
err
来进行判断，若其他点中
的任意一个点与当前聚类点的距离小于2米，并且上述任意一点的绝对多普勒速度v
comp
与当前聚类点的绝对多普勒速度v
orig
的差值v
err
小于2m/s，计算方式如公式(3)，则认为该任意一点归属于当前聚类点的聚类簇。
[0089]
遍历点云数据集中的所有点，完成聚类后，确定聚类簇中的点在雷达车坐标系下x轴方向最大值x
max
和最小值x
min
以及y轴方向最大值y
max
和最小值y
min
，可以根据公式(4)和公式(5)计算聚类簇的中心点位置[xc，yc]，其中xc表示雷达车坐标系下聚类簇的中心x轴位置，yc表示雷达车坐标系下聚类簇的中心y轴位置。
[0090]verr
＝v
comp-v
orig cos(θ
mea-θ
orig
)
ꢀꢀ
式(3)
[0091][0092][0093]
其中v
comp
表示点的绝对多普勒速度，θ
mea
表示点的雷达角度，v
orig
表示当前聚类点的绝对多普勒速度，θ
orig
表示当前聚类点的雷达角度。
[0094]
需要说明的是，如果对象包括多个目标对象时，则基于点云数据集聚类出的聚类簇集则包括多个目标对象对应的聚类簇。
[0095]
可选的，为了进一步提高聚类数据的准确性，还可以将聚类簇中低于极限角度以及多角度噪比差的点进行去除处理。
[0096]
s203：确定当前时刻的预测对象状态信息；该预测对象状态信息包括预测对象运动状态信息和预测对象轮廓状态信息；该预测对象运动状态信息包括预测对象位置信息和预测对象速度信息；该预测对象轮廓状态信息包括轮廓上的多个参考点中每个参考点相对于预测对象中心点的位置信息。
[0097]
于一种可能的实施例中，参阅图4，图4为本技术第三种可选地对象跟踪方法的流程图。步骤s203可以具体阐述为：
[0098]
s2031：获取历史时刻的对象状态信息；该历史时刻的对象状态信息包括历史时刻的对象运动状态信息和历史时刻的对象轮廓状态信息。
[0099]
在本实施例中，上述历史时刻可以是上一时刻，下文主要基于该历史时刻为上一时刻进行阐述，可选的，为了进一步提高跟踪的准确度，还可以基于历史时刻中的多个时刻的数据进行综合估计得到的上述历史时刻的信息。
[0100]
该对象状态信息可以按照上述信息类型(即运动状态和轮廓状态)进行分类，则进一步地，上述对象运动状态信息包括运动状态一步地，上述对象运动状态信息包括运动状态和运动状态误差协方差对象轮廓状态信息包括轮廓状态和轮廓状态误差协方差
[0101]
还可以按照高斯过程进行分类，分为状态信息和状态误差协方差其中状态信息包括运动状态和轮廓状态状态误差协方差包括运动状态误差协方差和轮廓
状态误差协方差上述运动状态中[xk，yk]表示对象中心点位置，[v
x
，vy]表示对象中心点速度，[a
x
，ay]表示对象中心点加速度；轮廓状态中f(θn)表示第n个点的轮廓半径，θn表示在目标坐标系下第n个点相对于对象中心预测位置的角度，n表示点个数，t表示转置，其中，目标坐标系为对象的所在的坐标系，若该对象为车辆时，则其坐标系如图5所示，雷达车的坐标系也为图5所示。
[0102]
s2032：确定对象状态移动轨迹。
[0103]
在本技术实施例中，由于雷达跟踪的对象一般为车辆、电动车或者行人等，这类对象运动具有较强的机动性，为了更好的匹配对象的运动状态，可以采用匀加速运动模型对对象运动状态进行预测跟踪；并将这类对象视为矩形目标，用矩形框替代扩展目标的轮廓形态，并且假设对象的轮廓状态不变，则当前时刻的预测对象状态信息如下：
[0104][0105][0106]
其中，和分别表示当前时刻对象的预测状态和预测状态误差协方差，表示对象状态转移矩阵，fk表示对象运动状态转移矩阵，表示对象轮廓状态转移矩阵。
[0107]
根据上述假设，fk为匀加速运动模型的状态转移矩阵；由于对象轮廓状态不变，则为单位矩阵，θk表示过程噪声协方差。
[0108]
其中，上述公式中的对象状态转移矩阵即为对象状态移动轨迹。
[0109]
s2033：基于该历史时刻的对象状态信息和该对象状态移动轨迹确定出该当前时刻的预测对象状态信息。
[0110]
在本实施例中，参阅上述公式(6)和(7)可知，基于历史时刻的对象状态信息(和)和对象状态移动轨迹即可确定出当前时刻的预测对象状态信息(和)。
[0111]
s204：基于该当前时刻的预测对象状态信息从该聚类簇集中确定出目标聚类簇。
[0112]
于一种可能的实施例中，参阅图6，图6为本技术第四种可选地对象跟踪方法的流程图。步骤s204可以具体阐述为：
[0113]
s2041：根据该当前时刻的预测对象状态信息确定出对象中心预测位置。
[0114]
在本实施例中，由于已确定出当前时刻预测对象状态信息和其中当前时刻的预测运动状态当前时刻的预测运动状态则可以确定出当前时刻的对象中心预测位置[x
k 1|k
，y
k 1|k
]。
[0115]
s2042：确定出该聚类簇集中的每个聚类簇的中心位置。
[0116]
在本实施例中，通过上述公式(4)和(5)可以确定出每个聚类簇的中心位置[xc，yc]。
[0117]
s2043：根据该对象中心预测位置和该每个聚类簇的中心位置确定出距离集；该距离集包括每个聚类簇的中心位置与该对象中心预测位置的距离值。
[0118]
在本实施例中，可以利用如下公式(8)计算出上述距离值r
dist
，从而可以得到该距离集。
[0119][0120]
s2044：从该距离集中确定出目标距离值，该目标距离值小于等于预设阈值。
[0121]
在本实施例中，可以将上述距离集中数值最小的距离值确定为目标距离值，从而后续可以将离对象最近的聚类簇作为目标聚类簇。
[0122]
为了避免后续对该目标聚类簇重复计算，提高对多个目标跟踪的关联过程，需要对已经关联了对象的目标聚类簇进行标记处理。
[0123]
s2045：将该目标距离值对应的聚类簇确定为该目标聚类簇。
[0124]
由于毫米波雷达容易受到环境干扰以及受到汽车车轮微多普勒影响产生虚假点和车轮点，这类点被关联后会对对象跟踪产生消极影响；为了减少虚假点的影响，需要从关联的聚类簇中筛选出目标真实点，可以采用ransac算法对虚假点和车轮点进行筛选，将筛选的目标真实点用于后续的滤波处理；参阅图7，图7为本技术第五种可选地对象跟踪方法的流程图。于一种可能的实施例中，步骤s2045可以具体阐述为：
[0125]
s701：将该目标距离值对应的聚类簇确定为初始聚类簇。
[0126]
s702：基于该初始聚类簇中的任意两个点云数据确定出关联关系；该关联关系用于表征该每个点的角度信息和速度信息的对应关系。
[0127]
可选的，假设来源于同一个对象的点都具有相同速度，则同一个对象的点的多普勒速度可以由公式(9)表示，随机抽样一致算法(random sample consensus，ransac)算法依据公式(9)提供的数学模型。
[0128][0129]
其中，表示第m个关联点的绝对多普勒速度，表示第m个关联点的雷达角度，αs表示雷达的安装角度。m表示目标关联点的个数。
[0130]
通过从初始聚类簇中选取任意两个点的点云数据，将其带入上述公式(9)中，即可解出对象在雷达车坐标系下的x轴方向速度v
x
和y轴方向速度vy，从而可以求而解出公式(9)，使得该公式(9)可以表征每个点的角度信息与速度信息的对应关系。
[0131]
s703：基于该关联关系从该初始聚类簇中筛选出该目标聚类簇。
[0132]
在本实施例中，基于上述公式(9)的数学模型拟合曲线，该曲线的横纵坐标分别为雷达角度和速度，确定初始聚类簇中的点到曲线的距离，并对距离进行判断，若距离小于设定的阈值则将对应的点认为是内部点，大于设定的阈值则为外部点，并统计内部点数据，以此类推，遍历初始聚类簇中的所有点，内部点形成的集合即为目标聚类簇。后续可以将该目标聚类簇的点导入到扩展卡尔曼滤波器对对象状态进行估计。
[0133]
需要说明的是，在确定内部点的过程中，确定出的内部点必然是大于外部点的，为
了保证确定出的目标聚类簇集中的内部点的数量最多，可以通过选取初始聚类簇集中的不同的两个点再拟合出新的曲线，重复上述内部点确定的过程，确定出包含有内部点最多的曲线，并将其对应的内部点形成的集合确定为目标聚类簇。
[0134]
s205：基于该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息。
[0135]
为了进一步提高对象状态信息确定的准确性。于一种可能的实施例中，参阅图8，图8。步骤s205可以具体阐述为：
[0136]
s2051：从该目标聚类簇中确定出目标位置信息集和目标角度信息集。
[0137]
s2052：基于该对象中心点预测位置、该预测对象轮廓状态信息、该目标位置信息集和该目标角度信息集确定出位置偏移值。
[0138]
s2053：根据该预测对象位置信息和该位置偏移值确定出对象量测预测位置。
[0139]
在本实施例中，上述步骤s2051-2053可以具体表示为如下公式的确定过程。
[0140]
对象量测预测位置可以基于对象的预测状态可以基于对象的预测状态和目标聚类簇中的点位置确定出，具体可以参见公式(10)-公式(13)。
[0141][0142][0143][0144][0145]
状态；和分别表示目标聚类簇中第j个点分别在目标坐标系和雷达车坐标系下相对于对象中心预测位置的角度，表示目标聚类簇中第j个点的位置信息，即上述目标位置信息集，表示对象的预测航向角，θ＝[θ1，θ2，...，θn]
t
表示设定的对象轮廓角，其中第i个轮廓角为θi＝2π(i-1)/n，n表示设定的目标轮廓点个数例如，n＝8。
[0146]
可选的，即为上述位置偏移值。
[0147]
s2054：基于该目标角度信息集和该目标角度信息集和该预测对象速度信息确定出对象量测预测速度。
[0148]
在本实施例中，上述步骤s2054可以具体表示为如下公式的确定过程。即，可以获取每个点的旋转矩阵，基于该每个点的旋转矩阵和预测对象速度信息确定出对象量测预测速度。
[0149]
其中上述每个点的旋转矩阵由对应的点的雷达角度和雷达的安装角度确定出。
[0150][0151][0152][0153]
其中，表示第j个点对应的预测绝对多普勒速度，可以基于上述目标速度信息集确定出，表示当前时刻对象的预测速度，和分别表示雷达车坐标系下x轴方向和y轴方向的对象的预测速度，表示第j个点对应的旋转矩阵。
[0154]
s2055：根据该对象量测预测位置和该对象量测预测速度确定出对象量测预测。
[0155]
在本实施例中，对象量测包含雷达车坐标系下x轴方向的位置y轴方向的位置以及绝对多普勒速度即即则对象量测预测由预测的量测位置由预测的量测位置和绝对多普勒速度组成，即由于基于上述步骤s2051-2054已经确定出和则进而可以确定出对象量测预测
[0156]
s2056：根据该对象量测预测、该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息。
[0157]
于一种可能的实施例中，步骤s2056可以具体阐述为：
[0158]
对该对象量测预测、该预测对象状态信息和该目标聚类簇进行扩展卡尔曼滤波，得到该当前时刻的对象状态信息。
[0159]
在本技术实施例中，上述步骤s2056为扩展卡尔曼滤波的更新过程，具体可以阐述为：
[0160]
1)确定出新息矩阵和卡尔曼增益。
[0161]
新息矩阵可以基于如下公式计算：
[0162][0163]
其中，为目标聚类簇中的第m个点的量测，为对象量测预测中的第m个点的预测量测。
[0164]
需要说明的是，本实施例提及的量测包括上述位置信息、角度信息和速度信息。
[0165]
卡尔曼增益w
k 1
可以基于如下公式确定：
[0166][0167]
其中，s
k 1
表示新息协方差，表示当前时刻对象的预测状态误差协方差，r
k 1
表示目标聚类簇中点噪声的增广矩阵。h
k 1
表示测量矩阵。
[0168]
且s
k 1
、和h
k 1
可通过下述公式(19)-(23)确定出。
[0169][0170][0171]
其中，表示第m个关联量测的量测噪声。
[0172]
测量矩阵h
k 1
中包含位置测量矩阵和多普勒测量矩阵其中计算公式如下：
[0173][0174]
其中：
[0175][0176][0177]
2)根据预测对象状态信息中的当前时刻对象的预测状态、新息矩阵和卡尔曼增益确定出当前时刻的对象状态。
[0178]
在本实施例中，可以基于如下公式(24)确定出当前时刻的对象状态在本实施例中，可以基于如下公式(24)确定出当前时刻的对象状态
[0179]
3)确定测量矩阵。
[0180]
在本实施例中，可以通过上述公式(21)-(23)确定出测量矩阵h
k 1
。
[0181]
4)根据测量矩阵、卡尔曼增益和当前时刻对象的预测状态误差协方差确定出当前时刻的对象状态误差协方差。
[0182]
在本实施例中，可以基于如下公式(25)确定出当前时刻的对象状态误差协方差
[0183][0184]
5)上述当前时刻的对象状态和当前时刻的对象状态误差协方差即为当前时刻的对象状态信息。
[0185]
s206：基于当前时刻的对象状态信息实现对该对象的跟踪。
[0186]
也就是说，根据当前时刻的对象状态和当前时刻的对象状态误差协方差即可确定出当前时刻的对象以及相应的位置，从而实现跟踪。
[0187]
当需要对下一时刻的对象状态信息进行确定时，则将上述当前时刻的对象状态信息更新为历史时刻的对象状态信息，将下一时刻采集到的点云数据集作为当前时刻的点云
数据集，重复上述步骤s201-s206的步骤，实现对下一时刻的对象的跟踪。
[0188]
需要说明的是，上述实施例仅是示例了当跟踪的对象仅有一个时，如何实现对其准确跟踪的过程，本技术还可以应用于多对象跟踪，对于其他对象的跟踪过程重复上述步骤，直至遍历完当历史时刻的所有目标对象。在这一过程中，需要对应存储相应的目标对象的对象状态和状态误差协方差信息。
[0189]
上述步骤s203和s205的过程为在扩展卡尔曼滤波器中的处理过程，由于本技术增加了输入到扩展卡尔曼滤波器的信息量和种类，即对象轮廓状态信息，在滤波过程中对象量测预测的确定时，通过位置、速度和角度综合估计，增加了矩阵的复杂度，从而提高了对象量测预测的准确度。
[0190]
参阅图9，图9为本技术一种可选地对象跟踪装置的结构示意图。本技术于另一方面还公开了一种对象跟踪装置，其包括：
[0191]
获取模块901，用于获取当前时刻点云数据集；该当前时刻点云数据集包括多个点的点云数据，该多个点中的每个点的点云数据包括位置信息、速度信息和角度信息；
[0192]
聚类模块902，用于对该当前时刻点云数据集进行聚类处理，得到聚类簇集；
[0193]
第一状态信息确定模块903，用于确定当前时刻的预测对象状态信息；该预测对象状态信息包括预测对象运动状态信息和预测对象轮廓状态信息；该预测对象运动状态信息包括预测对象位置信息和预测对象速度信息；该预测对象轮廓状态信息包括轮廓上的多个参考点中每个参考点相对于预测对象中心点的位置信息；
[0194]
目标聚类簇确定模块904，用于基于该当前时刻的预测对象状态信息从该聚类簇集中确定出目标聚类簇；
[0195]
第二状态信息确定模块905，用于基于该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息；
[0196]
跟踪模块906，用于基于所述当前时刻的对象状态信息实现对该对象的跟踪。
[0197]
于一种可能的实施例中，第一状态信息确定模块，用于获取历史时刻的对象状态信息，该历史时刻的对象状态信息包括历史时刻的对象运动状态信息和历史时刻的对象轮廓状态信息，确定对象状态移动轨迹，基于该历史时刻的对象状态信息和该对象状态移动轨迹确定出该当前时刻的预测对象状态信息。
[0198]
于一种可能的实施例中，目标聚类簇确定模块，用于根据该当前时刻的预测对象状态信息确定出对象中心预测位置，确定出该聚类簇集中的每个聚类簇的中心位置，根据该对象中心预测位置和该每个聚类簇的中心位置确定出距离集，该距离集包括每个聚类簇的中心位置与该对象中心预测位置的距离值，从该距离集中确定出目标距离值，目标距离值小于等于预设阈值，将该目标距离值对应的聚类簇确定为该目标聚类簇。
[0199]
于一种可能的实施例中，目标聚类簇确定模块，用于将该目标距离值对应的聚类簇确定为初始聚类簇，基于该初始聚类簇中的任意两个点云数据确定出关联关系，该关联关系用于表征该每个点的角度信息和速度信息的对应关系，基于该关联关系从该初始聚类簇中筛选出该目标聚类簇。
[0200]
于一种可能的实施例中，第二状态信息确定模块，用于从该目标聚类簇中确定出目标位置信息集和目标角度信息集，基于该对象中心点预测位置、该预测对象轮廓状态信息、该目标位置信息集和该目标角度信息集确定出位置偏移值，根据该预测对象位置信息
和该位置偏移值确定出对象量测预测位置，基于该目标角度信息集和该预测对象速度信息确定出对象量测预测速度，根据该对象量测预测位置和该对象量测预测速度确定出对象量测预测，根据该对象量测预测、该预测对象状态信息和该目标聚类簇确定出当前时刻的对象状态信息。
[0201]
于一种可能的实施例中，第二状态信息确定模块，用于对该对象量测预测、该预测对象状态信息和该目标聚类簇进行扩展卡尔曼滤波，得到该当前时刻的对象状态信息。
[0202]
于一种可能的实施例中，聚类模块，用于获取雷达车的运动信息，基于该雷达车的运动信息和该点云数据集确定出目标点云数据集，对该目标点云数据集进行聚类处理，得到该聚类簇。
[0203]
可选的，参阅图10，图10为本技术一种可选的电子设备的硬件结构框图。该电子设备可以是雷达设备，也可以是其他终端或者服务器，其内部结构图可以如图10所示。该电子设备包括通过内部总线连接的处理器、存储器和网络接口。其中，上述处理器31可以包括中央处理器(cpu)，或者特定集成电路application specific integrated circuit，简称为asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
[0204]
该存储器可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器所执行的可能的计算机程序指令。存储器包括非易失性存储器、内存储器。该非易失性存储器存储有计算机程序。该内存储器为非易失性存储器中的计算机程序的运行提供环境。
[0205]
网络接口用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。网络接口还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
[0206]
内部总线包括硬件、软件或两者，将雷达设备的部件彼此耦接在一起。内部总线包括但不限于以下至少之一：数据总线(data bus)、地址总线(address bus)、控制总线(control bus)、扩展总线(expansion bus)、局部总线(local bus)。举例来说而非限制，总线可包括图形加速接口(accelerated graphics port，简称为agp)或其他图形总线、增强工业标准架构(extended industry standard architecture，简称为eisa)总线、前端总线(front side bus，简称为fsb)、超传输(hyper transport，简称为ht)互连、工业标准架构(industry standard architecture，简称为isa)总线、无线带宽(infiniband)互连、低引脚数(low pin count，简称为lpc)总线、存储器总线、微信道架构(micro channel architecture，简称为mca)总线、外围组件互连(peripheral component interconnect，简称为pci)总线、pci-express(pci-x)总线、串行高级技术附件(serial advanced technology attachment，简称为sata)总线、视频电子标准协会局部(video electronics standards association local bus，简称为vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，内部总线可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
[0207]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括
非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0208]
上述电子设备可以基于获取到的程序指令，执行本技术上述实施例中的任意一种对象跟踪方法。
[0209]
本技术实施例还提供了一种车辆，包括计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种对象跟踪方法。
[0210]
需要说明的是：上述本技术实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0211]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0212]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0213]
以上所述仅为本技术的较佳实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。