本文介绍了基于毫米波雷达稀疏点云进行物体检测与跟踪的方法。首先，通过静态点过滤和点云聚类检测动态目标，接着利用DBSCAN聚类算法，对比K-Means的优势。然后，采用卡尔曼滤波进行目标跟踪，详细阐述了卡尔曼滤波的原理和状态更新模型。最后讨论了多目标跟踪的情况，强调了速度转换的重要性。
1. 基于毫米波雷达稀疏点云的物体检测与跟踪
（1）处理流程
- 输入数据：输入数据为点云，它包括静态目标点和动态目标点。另外，前面所得到的速度是点的相对速度，也就是说目标相对于车辆的相对速度，还需要根据车身实际速度将相对速度转化为绝对速度。
- 静态点过滤：按照绝对速度将静态点过滤掉
- 点云聚类：将过滤后的点进行聚类，获取目标级别的信息，检测运动目标
- 目标跟踪：利用多帧检测结果采用卡尔曼滤波进行目标跟踪
（2）聚类算法：DBSCAN
DBSCAN：Density-Based Spatial Clustering of Applications with Noise，它是基于密度的聚类方法，对样本分布的适应能力比K-Means更好。
-
基本思路：假定类别可以通过样本分布的紧密程度决定，通过将紧密相连的样本分为一类，得到不同的聚类类别。
-
基本概念
- (ϵ,MinPts)(\epsilon,MinPts)(ϵ,MinPts)：用来描述邻域的密度
- ϵ\epsilonϵ：描述了某一样本的邻域距离阈值
- MinPts：描述了ϵ−\epsilon-ϵ−邻域中的最小样本数
- 核心对象：对于任一样本，其ϵ−\epsilon-ϵ−邻域至少包含MinPts个样本
-
算法流程
- 找到所有的核心对象
- 对于每一个未处理的核心对象，生成新的聚类
- 搜索其ϵ−\epsilon-ϵ−邻域，将ϵ−\epsilon-ϵ−邻域中的点加入该聚类
- 如果ϵ−\epsilon-ϵ−邻域中包含新的核心对象，则重复步骤3，直到找不到新的核心对象
- 注意：距离的度量不限于点的空间距离，还可以是其他点特征，比如速度、反射强度等
（3）聚类算法：DBSCAN vs K-Means
- K-Means
- 需要手工指定cluster的数量，实际中事先很难准确确定
- 所有点都进行聚类，不会去除outlier
- 各个方向同等重要，只适合于球形的cluster
- 具有随机性，每次运行结果都不一致
- DBSCAN
- 不需要指定cluster个数
- 可以排除outlier
- 对样本分布的适应性更好
- 每次运行结果是一致的
（4）目标跟踪：卡尔曼滤波
利用当前时刻具有不确定性的测量数据，结合上一时刻跟踪系统的估计值来预测当前时刻系统的状态
-
基本概念（以一维雷达测距为例，假设速度恒定）
- 系统状态xtx_txt：t时刻飞机的航程
- 测量值ztz_tzt：雷达测距的结果
- 系统状态的估计值x^t,t\hat{x}_{t,t}x^t,t：t时刻x的估计值（根据ztz_tzt估计）
- 系统状态的预测值x^t+1,t\hat{x}_{t+1,t}x^t+1,t：t+1时刻x的预测值（根据速度预测）
- 状态更新模型：x^t,t=x^t,t−1+Kt(zt−x^t,t−1)=(1−Kt)x^t,t−1+Ktzt\hat{x}_{t,t}=\hat{x}_{t,t-1}+K_t(z_t-\hat{x}_{t,t-1})=(1-K_t)\hat{x}_{t,t-1}+K_tz_tx^t,t=x^t,t−1+
扫一扫
7603
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
