本技术公开了一种4D毫米波雷达测量辅助权重校正的GM‑PHD多目标跟踪方法。首先,通过毫米波雷达采集目标坐标和速度数据,初始化参数及高斯项,构建目标初始状态和协方差模型。其次,使用CKF方法进行状态预测,通过传播立方点生成存活目标的预测状态并更新,同时引入新生目标,结合PHD模型动态调整目标数量和状态。然后,采用测量辅助的权重修正策略,基于最大似然估计筛选最优高斯分量,结合卡尔曼增益更新PHD函数,提高跟踪精度。最后,通过剪枝与合并去除冗余高斯分量,合并相似的高斯分量,降低计算复杂度。该方法利用毫米波雷达高精度测量与MCGMPHD算法的多目标跟踪优势,实现高效、实时、精准的多目标跟踪。
背景技术
随着自动驾驶、智能交通、安防监控等领域的发展,多目标跟踪技术的需求逐渐增加,尤其在自动驾驶场景中需实时识别并跟踪车辆和行人,以提高安全性。而毫米波雷达因其高分辨率和穿透性,逐步成为多目标跟踪的关键传感器,在低能见度和遮挡情况下表现尤为突出。相比视觉传感器,毫米波雷达在环境适应性方面具有更大优势。然而,传统多目标跟踪算法,如卡尔曼滤波和最近邻关联算法,虽适合单目标或简单环境,但在复杂环境中易出现跟踪丢失和误关联等问题,且计算效率低,难以满足实时要求。
为了克服这些局限,概率假设密度(PHD)滤波被引入多目标跟踪领域。PHD滤波基于随机有限集理论,能够有效估计目标数量和状态,并且在不显式关联的情况下实现多目标跟踪。然而,传统PHD方法在动态目标引入、关联权重修正和高密度场景中计算复杂度等方面仍有不足。因此,基于4D毫米波雷达的数据,本发明提出一种测量辅助权重校正的GM-PHD多目标跟踪方法,以提高跟踪精度和计算效率。
该方法首先利用4D毫米波雷达获取目标的坐标和速度数据,初始化目标的状态模型。通过立方卡尔曼滤波(CKF),系统在状态预测中利用立方点传播,生成并更新目标预测状态。随后,系统引入新生目标状态并加入PHD模型,动态调整目标数量。利用测量辅助的权重修正策略,系统对测量数据与预测状态的匹配度进行最大似然估计,筛选符合测量数据的高斯分量并通过卡尔曼增益修正,从而提高状态估计精度。
在多个时间步中,系统不断重复预测、测量和状态更新操作,逐步完善目标的状态估计,并通过剪枝和合并操作优化PHD函数,去除低权重的冗余成分以减少计算负荷。这种剪枝和合并策略提高了系统在复杂场景中的实时性和精度。
本发明利用毫米波雷达高精度测量和测量辅助权重校正的GM-PHD算法优势,有效处理在多目标跟踪中对测量误差和目标状态不确定性的敏感性以及杂波干扰、误检和非线性目标运动等问题。适用于自动驾驶、智能交通和安防监控等复杂环境下的4D海南便利店高精度多目标实时跟踪。
实现思路