两个人的电影免费视频_国产精品久久久久久久久成人_97视频在线观看播放_久久这里只有精品777_亚洲熟女少妇二三区_4438x8成人网亚洲av_内谢国产内射夫妻免费视频_人妻精品久久久久中国字幕

一種基于汽車防撞雷達的道路多目標跟蹤方法

文檔序號:9921357閱讀:1442來源:國知局
一種基于汽車防撞雷達的道路多目標跟蹤方法
【技術(shù)領域】
[0001] 本發(fā)明涉及汽車防撞雷達信號處理領域,尤其涉及一種基于汽車防撞雷達的道路 多目標跟蹤的方法。
【背景技術(shù)】
[0002] 隨著我國汽車的保有量的增加、汽車的行駛速度的提高,汽車的碰撞事故越來越 多。近年來,汽車預警技術(shù)成為研究開發(fā)的熱點,汽車防撞雷達作為一項主動防撞措施,能 夠追蹤汽車前方一定距離內(nèi)的單個或多個目標,獲取其與本車的距離、速度和方位角等信 息,并可根據(jù)預警系統(tǒng)在危險情況下發(fā)出報警信號,以提示駕駛員采取措施,避免由于外后 視鏡視野不足或駕駛員注意力不集中發(fā)生的撞車事故。
[0003] 針對汽車防撞雷達道路多目標跟蹤問題,現(xiàn)有技術(shù)的解決方法可歸納為兩類。第 一類是經(jīng)典方法,主要基于濾波、數(shù)據(jù)關聯(lián)及航跡管理;中國專利CN105000019A公開了一種 用于檢測、追蹤和估計靜止的路邊物體的方法和系統(tǒng),將來自幾個前視雷達傳感器的數(shù)據(jù) 點用來確定是否存在靜止的路邊物體之前合并、歸類和預分類數(shù)據(jù)點來減少數(shù)據(jù)量,通過 數(shù)據(jù)擬合算法以估計物體的參數(shù),但該專利僅針對路邊靜止的多目標進行跟蹤與估計,未 涉及機動目標的追蹤問題;此外,隨著道路車輛數(shù)目的增加,數(shù)據(jù)關聯(lián)算法計算量將呈"組 合爆炸"式增長,導致防撞系統(tǒng)實時性、準確度欠佳。第二類方法是基于隨機有限集(RFS)理 論,包括概率密度假設(PHD)方法及勢概率假設密度(CPHD)方法;上述理論均可基于高斯 假設(GM)和基于非高斯假設的貫序蒙特卡羅(SMC)方法實現(xiàn);將汽車防撞雷達道路目標跟 蹤置于目標檢測步驟,如恒虛警檢測、快速傅里葉變換等之后,虛警概率已得到一定程度的 降低,故從實時性和實用性角度出發(fā),可使用高斯混合概率假設密度(GMPHD)方法作為一種 基于高斯假設的跟蹤濾波方法。張昱、宋驪平、虎小龍在"基于概率假設密度的汽車防撞雷 達多目標跟蹤"(現(xiàn)代雷達,2014,36(6) :82-87.) -文中提出使用多模型GMPHD方法進行道 路目標跟蹤,然而該法存在以下缺陷:首先,GMPHD法僅適用于線性條件,而雷達極坐標形式 的量測方程導致直角坐標下的跟蹤問題為非線性;其次,基于少量模型的跟蹤方法,難以適 應實際情況中復雜的、運動的、多個道路目標。
[0004] 針對上述問題,非汽車防撞雷達的多目標跟蹤文獻給出了解決方案,但并未全面 解決這些問題。郝燕玲,孟凡彬,孫楓,沈鋒等在"基于頂Μ的UK-GMPHDF算法在多機動目標跟 蹤中的應用"(系統(tǒng)工程理論與實踐,2011,11:2225-2233)-文中,針對三維空中目標,基于 交互多模型(MM),在高斯混合概率假設密度濾波器(GMPHDF)中加入無跡卡爾曼濾波(UKF) 解決非線性多目標跟蹤問題,但仿真使用模型僅為勻速模型、"當前"模型,且在三維空間實 施;中國專利CN104020466A公開了一種基于變結(jié)構(gòu)多模型的機動目標跟蹤方法,利用現(xiàn)有 的模型擴展方法BMA的候選模型集與現(xiàn)有的期望模式擴展EMA中求期望模型的方法構(gòu)成一 種新的模型集合自適應策略,從而利用通用的變結(jié)構(gòu)交互多模型算法實現(xiàn)單目標的多運動 狀態(tài)跟蹤,但無多目標估計能力。中國專利105261036A公開了一種基于匹配的目標跟蹤方 法,利用FPGA電路進行去均值歸一化積運算,從而實現(xiàn)對目標的跟蹤,但該專利涉及到跟蹤 圖像,且主要依賴硬件實施,無法解決實際情況中復雜的多個運動目標跟蹤問題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足,提供一種基于汽車防撞雷達的道路多目 標跟蹤方法,實現(xiàn)防撞雷達對道路多目標的數(shù)目、位置的實時可靠估計與準確跟蹤。
[0006] 本發(fā)明采用的技術(shù)方案是:以汽車防撞雷達對多目標探測后得到的數(shù)據(jù)為基礎, 基于變結(jié)構(gòu)交互式多模型(IMM)方法,采用有向圖切換(DS)法,在多個運動模型間實時選擇 切換合適的模型子集,并進行基于無跡變換的卡爾曼概率密度假設(UKGMPHD)濾波。
[0007] 本發(fā)明具體技術(shù)方案為:
[0008] 一種基于汽車防撞雷達的道路多目標跟蹤方法,其步驟如下:
[0009] 步驟1、獲取先驗信息,建立第一觀測與運動模型。所述先驗信息為通過汽車防撞 雷達獲取的目標狀態(tài)?目息。
[0010] 確定狀態(tài)方程乂,量測方程% = [€ 及其道路目標的多種模型。依據(jù)實際情 況選擇不同模型,狀態(tài)方程建立為:xi =
[0011] 其中,是目標模型的狀態(tài)轉(zhuǎn)移矩陣,下標m代表不同目標模型,下標k表示時 刻k,下標i表示不同目標。假設噪聲服從高斯分布,有<~N(0,這)。
[0012] 汽車防撞雷達觀測向量4 為觀測方位角,rk為目標與觀測點間距離。
[0013] 步驟2、建立第二觀測與運動模型,初始化有向圖模型集,建立有向圖Φ。
[0014] 2(a)汽車防撞雷達車輛目標限于二維平面運動,目標i在k時刻的非線性量測模型 如下:
[0016]其中,乂~N(0, RJ為高斯分布的量測噪聲,Xs,k,ys,k為自車觀測位置坐標。
[0017] 2(b)建立有向圖Φ,及其有向子圖Φ⑴{βι-Jijw}。
[0018]步驟3、建立自適應有向圖切換準則。設k_l時刻子圖為Φ (1^υ,切換規(guī)則如下:
[0020]式中,Ws是模型轉(zhuǎn)換的閾值概率,表示k-Ι時刻概率i3(i±1);
[0021 ]步驟4、初始化及計算混合參數(shù)。
[0022] 4(a)時刻k = 0時,每一向量子圖0"中含Μ個模型。對于當前模型q(q=l,. . .,M),初 始化目標狀態(tài)<、目標協(xié)方差矩陣片,模型概率凡q 。
[0023] 4(b)設當前時刻k-1,下一時刻為k。則對于k>0時刻的第i個高斯分量,有
[0025] 其中,時刻的高斯分量i模型p的出現(xiàn)概率,
[0026]進一步地,當前有向量子圖內(nèi)模型數(shù)M,交互初始PHD函數(shù)為:
[0028]混合權(quán)值、狀態(tài)、協(xié)方差分別為:
[0033]步驟5、各目標模型的UKGMPHD濾波。
[0034]以各高斯分量i在k-Ι時刻所得混合參數(shù)作為輸入進行UKGMPHD濾波,得k時刻跟蹤 權(quán)值,狀態(tài)及協(xié)方差矩陣貧。
[0035] 進一步地對步驟5描述,包括以下過程:
[0036] 5 (a)對k = 0時刻,初始化目標概率密度,有:
[0038] 5 (b)預測。對k > 0時刻,k-1時刻,高斯分量i總數(shù)Jk-i,概率密度假設函數(shù)Dk-i (X)
[0039] 進一步地,所述預測概率密度假設函數(shù)DklhU)依據(jù)對象的不同分為存活目標、新 生目標及衍生目標概率密度假設函數(shù)。本發(fā)明道路多目標跟蹤通常不涉及衍生目標,故概 率密度假設函數(shù)為:Dk|k-i(x)=Ds,k|k-i(x)+Yk(x)
[0040] 存活目標、新生目標概率密度假設函數(shù)分別如下:
[0043]使用無跡卡爾曼濾波的思想濾波。依據(jù)狀態(tài)方程,一步預測均值《ijL、方差/^二如 下:
[0046] 式中,1 = 0,......,2n為無跡濾波的Sigma點,L = 2n+1為Sigma點總數(shù)。貝ijk時刻預測 概率密度假設函數(shù)為:
[0047] 5(c)更新。
[0048]對于雷達獲取的非線性量測方程,一步預測均值、方差分別為:
[0051]結(jié)合步驟5(b)結(jié)果Dklk-Kx)及檢測概率PD,k,k時刻的更新概率密度假設函數(shù)D k(x) 為:
[0053] DD,k(x;z)、估計均值〇)、方差if可表示為:
[0055] 其中,#⑷=。
[0056] 高斯分量i的估計均值和方差如下:
[0059]上式中,狀態(tài)增益矩陣、協(xié)方差分別為:
[0062] 5(d)剪枝。
[0063] 對于更新得到的高斯分布進行剪枝,若高斯分布小于修剪閾值τ,直接予以刪除。 公式為:= 1,"·,.4 I >r}
[0064] 5(e)合并。
[0065] 對于分布接近的若干高斯分布,合并為一個新的分布,即集合:
[0067]合并后,新的高斯分布為:

[0070] 5(f)目標數(shù)目與狀態(tài)估計。
[0071 ]目標數(shù)目估計為融合估計的權(quán)值,BP
[0072] 取整可得目標數(shù)目。按照上述步驟輸出合并后狀態(tài)記作4°,4",# ;
[0073] 進一步地,在步驟5完成后,存在模型概率更新步驟;完成模型概率更新后,返回步 驟4。所述模型概率更新步驟如下:
[0074] k時刻模型(q = l,
. . .,M)下高斯分量i的似然函數(shù)為Ag,模型q更新概率為:
[0077] 步驟6、估計融合。估計融合P
當前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1
南阳市| 读书| 大渡口区| 柏乡县| 金昌市| 尉氏县| 佳木斯市| 长治市| 井研县| 盖州市| 南宁市| 梅州市| 嘉黎县| 通化市| 南通市| 红河县| 项城市| 嘉峪关市| 鹤山市| 全南县| 平湖市| 胶南市| 潮州市| 容城县| 织金县| 且末县| 英吉沙县| 吉水县| 桑日县| 常州市| 鲁甸县| 凭祥市| 龙江县| 恭城| 湖口县| 深水埗区| 即墨市| 台江县| 宁蒗| 蕉岭县| 内丘县|