趙豐　王利輝　陳俊吉　張明　徐偉業(yè)　李進(jìn)軍　趙超

摘 要：針對傳統(tǒng)最近鄰數(shù)據(jù)關(guān)聯(lián)算法正確率較低且容易出現(xiàn)漏關(guān)聯(lián)的問題，提出一種多特征加權(quán)的最近鄰關(guān)聯(lián)算法。根據(jù)智能車環(huán)境感知系統(tǒng)獲得的障礙物特征數(shù)據(jù)，定義了一種相似度函數(shù)，提出基于生命周期計(jì)算有效關(guān)聯(lián)度的方法，從而判定目標(biāo)是否關(guān)聯(lián);基于卡爾曼濾波對關(guān)聯(lián)目標(biāo)進(jìn)行迭代更新，實(shí)現(xiàn)對目標(biāo)的跟蹤;通過實(shí)驗(yàn)對比了靜止目標(biāo)、無交互的低速運(yùn)動(dòng)目標(biāo)和有交互的低速運(yùn)動(dòng)目標(biāo)的跟蹤軌跡。結(jié)果表明，與傳統(tǒng)的最近鄰數(shù)據(jù)關(guān)聯(lián)算法相比，所提出的改進(jìn)算法可以實(shí)現(xiàn)對低速運(yùn)動(dòng)目標(biāo)準(zhǔn)確連續(xù)的關(guān)聯(lián)跟蹤，不會(huì)出現(xiàn)目標(biāo)丟失或位置突變的現(xiàn)象，且跟蹤目標(biāo)的交互與遮擋對跟蹤效果影響較小，具有較高的有效性與實(shí)用性。研究結(jié)果可為智能車輛的目標(biāo)跟蹤設(shè)計(jì)提供參考。

關(guān)鍵詞：傳感器技術(shù);智能車輛;數(shù)據(jù)關(guān)聯(lián);目標(biāo)跟蹤;卡爾曼濾波;最近鄰

中圖分類號(hào)：TN958.98 文獻(xiàn)標(biāo)識(shí)碼：A

doi：10.7535/hbkd.2020yx03003

Multi-feature weighted nearest neighbor data association and

tracking algorithm based on Kalman filter

ZHAO Feng1， WANG Lihui1， CHEN Junji2， ZHANG Ming2， XU Weiye2， LI Jinjun3， ZHAO Chao3

（1.No. 32381 of the Chinese People′s Liberation Army， Beijing 100072， China; 2.School of Mechanical Engineering， Nanjing University of Science and Technology， Nanjing， Jiangsu 210094， China; 3.No. 32379 of the Chinese People′s Liberation Army， Beijing 100072， China）

Abstract：

Aiming at the problems of low accuracy and missing association in traditional nearest neighbor data association algorithm ， a multi-feature weighted nearest neighbor association algorithm was proposed. A similarity function was defined according to the obstacle data obtained by the intelligent vehicle environment perception system， and a method was proposed to calculate the effective correlation degree based on the life cycle， so as to determine whether the objects are related. Based on Kalman filter， the associated target was updated iteratively to realize the tracking of the target. The tracking trajectory of stationary target， low-speed moving target without interaction and low-speed moving target with interaction were compared through experiments. Experimental results show that compared with the conventional nearest neighbor data association algorithm， the improved algorithm proposed in this paper can realize the accurate and continuous associated tracking of low-speed moving targets， and there will be no the phenomenon of target loss or position mutation. With high effectiveness and practicability， the interaction and occlusion of tracking targets have less effect on the tracking performance. The research results may provide reference for the target tracking design of intelligent vehicles.

Keywords：

sensor technology; intelligent vehicle; data correlation; target tracking; Kalman filter; nearest neighbor

隨著科學(xué)技術(shù)的不斷發(fā)展，車輛的智能化研究已然成為一個(gè)熱門研究領(lǐng)域。障礙物的數(shù)據(jù)關(guān)聯(lián)與跟蹤作為智能車輛主動(dòng)避障策略研究的一個(gè)重要環(huán)節(jié)，可以識(shí)別障礙物的不同運(yùn)動(dòng)狀態(tài)，制定不同的避障策略，從而可以對道路變化情況及時(shí)作出相應(yīng)的反應(yīng)，對提高智能車輛規(guī)避障礙的實(shí)時(shí)性和行駛安全性有著重要和積極的意義。

目前研究者們已經(jīng)提出多種數(shù)據(jù)關(guān)聯(lián)與跟蹤算法，以不同的特點(diǎn)在不同應(yīng)用環(huán)境發(fā)揮作用。王鵬宇等[1]針對智能車輛前向多傳感器多目標(biāo)跟蹤問題，提出了一種改進(jìn)的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法，搭建了裝備毫米波雷達(dá)和攝像頭的環(huán)境感知系統(tǒng)，實(shí)現(xiàn)了目標(biāo)的穩(wěn)定跟蹤。YANG等[2]對經(jīng)典的基于卡爾曼濾波的概率數(shù)據(jù)關(guān)聯(lián)濾波器在非線性非高斯情形下進(jìn)行了推廣，提出概率數(shù)據(jù)關(guān)聯(lián)-反饋粒子濾波算法，對單個(gè)或多個(gè)目標(biāo)進(jìn)行跟蹤。孫進(jìn)平等[3]提出了一種應(yīng)用超圖匹配的多假設(shè)跟蹤算法，應(yīng)用于群目標(biāo)跟蹤問題，大幅提高了群內(nèi)個(gè)體的數(shù)據(jù)關(guān)聯(lián)正確率。但是前述方法均存在計(jì)算量大的問題。蔣富勤等[4]針對多假設(shè)跟蹤算法計(jì)算量大的問題，對算法進(jìn)行了改進(jìn)，實(shí)現(xiàn)了快速目標(biāo)關(guān)聯(lián)與跟蹤，且提高了檢測性能。王宇霞等[5]提出一種對粒子濾波跟蹤器進(jìn)行分裂和合并的自重構(gòu)算法，可以應(yīng)對復(fù)雜多變的跟蹤環(huán)境，且通過合并冗余的跟蹤器在一定程度上解決了粒子濾波跟蹤中計(jì)算量大的問題。對于復(fù)雜度小的場景，最近鄰數(shù)據(jù)關(guān)聯(lián)算法由于簡單有效、計(jì)算量小得到了最為廣闊的應(yīng)用。針對傳統(tǒng)的最近鄰關(guān)聯(lián)算法抗干擾能力弱、關(guān)聯(lián)正確率低的缺點(diǎn)，大量學(xué)者進(jìn)行了算法改進(jìn)。王曉君等[6]提出一種改進(jìn)馬氏距離計(jì)算方法的最近鄰關(guān)聯(lián)算法，仿真結(jié)果表明在幾乎不影響算法運(yùn)行時(shí)間的情況下明顯提高了關(guān)聯(lián)正確率。胡朋啟等[7]將點(diǎn)拓?fù)鋱D與最近鄰算法結(jié)合，提出基于最近鄰-點(diǎn)拓?fù)鋱D的目標(biāo)關(guān)聯(lián)算法，同時(shí)改進(jìn)了最近鄰關(guān)聯(lián)算法正確率低以及點(diǎn)拓?fù)鋱D運(yùn)算量大的缺點(diǎn)。ZHANG等[8]針對雷達(dá)飛行偵查過程中的多目標(biāo)跟蹤問題，提出一種改進(jìn)的交互式多模型新最近鄰關(guān)聯(lián)算法，能準(zhǔn)確識(shí)別多目標(biāo)軌跡，且在目標(biāo)數(shù)據(jù)丟失的情況下仍具有良好的跟蹤性能。數(shù)據(jù)關(guān)聯(lián)之后需進(jìn)行目標(biāo)跟蹤，此時(shí)除了前文提到的粒子濾波，在大部分線性高斯情形下，運(yùn)用最為廣泛的算法是卡爾曼濾波[9-11]。為了獲得更好的估計(jì)精度和跟蹤性能，文獻(xiàn)＼在標(biāo)準(zhǔn)卡爾曼濾波的基礎(chǔ)上考慮了概率卡爾曼濾波，修正卡爾曼濾波和自適應(yīng)卡爾曼濾波，實(shí)現(xiàn)對目標(biāo)的跟蹤。

在對上述系統(tǒng)采集到的原始數(shù)據(jù)進(jìn)行數(shù)據(jù)處理的基礎(chǔ)上，本文提出采用基于生命周期的多特征加權(quán)最近鄰數(shù)據(jù)有效關(guān)聯(lián)算法，識(shí)別不同幀中的觀測對象是否為同源對象，再通過卡爾曼濾波器的狀態(tài)估計(jì)過程，實(shí)現(xiàn)對目標(biāo)的跟蹤，最后通過實(shí)車實(shí)驗(yàn)，驗(yàn)證算法的實(shí)時(shí)性與有效性。

1 智能車環(huán)境感知系統(tǒng)

智能車環(huán)境感知系統(tǒng)集成了環(huán)境感知與動(dòng)態(tài)決策模塊，其系統(tǒng)功能由硬件平臺(tái)和軟件系統(tǒng)聯(lián)合實(shí)現(xiàn)。環(huán)境感知模塊由毫米波雷達(dá)感知系統(tǒng)和激光雷達(dá)感知系統(tǒng)組成，本文采用速騰聚創(chuàng)（RoboSense）公司的

RS-LiDAR-16型16線激光雷達(dá)和德國大陸（Continental）公司的ARS308-2T毫米波雷達(dá)進(jìn)行環(huán)境數(shù)據(jù)采集。動(dòng)態(tài)決策模塊由一個(gè)車載計(jì)算機(jī)組成，本文選用研華公司開發(fā)的ARK-3530F可擴(kuò)展模塊化無風(fēng)扇工控機(jī)作為車載計(jì)算機(jī)，進(jìn)行數(shù)據(jù)接收與指令發(fā)布。

毫米波雷達(dá)接受指令發(fā)射毫米波，遇到目標(biāo)后被反射回來，獲得目標(biāo)的相對位置（距離、方位角）和相對速度信息，結(jié)合自車狀態(tài)信息，從而得到目標(biāo)的絕對速度和位置信息。RS-LiDAR-16激光雷達(dá)通過16個(gè)激光發(fā)射源快速旋轉(zhuǎn)的同時(shí)發(fā)射高頻率激光束，對外界環(huán)境進(jìn)行持續(xù)性掃描，返回三維空間點(diǎn)云的距離、角度及物體反射率信息。動(dòng)態(tài)決策模塊對原始數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，包括多傳感器數(shù)據(jù)融合，聚類等得到處理后的數(shù)據(jù)，從而利用處理的數(shù)據(jù)進(jìn)行后續(xù)目標(biāo)數(shù)據(jù)關(guān)聯(lián)與跟蹤。

2 目標(biāo)數(shù)據(jù)關(guān)聯(lián)

2.1 數(shù)據(jù)關(guān)聯(lián)算法

所謂數(shù)據(jù)關(guān)聯(lián)，就是將環(huán)境感知系統(tǒng)得到的當(dāng)前觀測對象與之前的觀測對象建立聯(lián)系，從而判斷當(dāng)前觀測對象與之前觀測對象是否為同源對象。數(shù)據(jù)關(guān)聯(lián)的正確性會(huì)對目標(biāo)跟蹤精度帶來直接影響。常用的多目標(biāo)數(shù)據(jù)關(guān)聯(lián)算法主要有最近鄰數(shù)據(jù)關(guān)聯(lián)（nearest neighbor data association，NNDA）、概率數(shù)據(jù)關(guān)聯(lián)（probabilistic data association，PDA）、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)（joint probabilistic data association，JPDA）和多假設(shè)跟蹤（multiple hypothesis tracking，MHT）等，各數(shù)據(jù)關(guān)聯(lián)算法的特點(diǎn)如表1所示[16-17]。

在之前的工作中，研究人員采用改進(jìn)的DBSCAN算法[18]對激光雷達(dá)和毫米波雷達(dá)融合點(diǎn)云[19]進(jìn)行了基于密度的聚類[20]，已經(jīng)大大減少了環(huán)境感知系統(tǒng)原始數(shù)據(jù)中的噪聲。此外，智能車輛在實(shí)際行駛過程中，關(guān)注更多的是自車道及左右相鄰車道上距離自車最近的目標(biāo)，依此來講，在三車道情況下自車前后方需要重點(diǎn)關(guān)注的目標(biāo)數(shù)量最多為6個(gè)（自車道后方目標(biāo)一般在倒車時(shí)重點(diǎn)關(guān)注）。因此，綜合對比各數(shù)據(jù)關(guān)聯(lián)算法的優(yōu)缺點(diǎn)，可知采用NNDA算法可以快速、容易地實(shí)現(xiàn)智能車輛行駛過程中重點(diǎn)關(guān)注目標(biāo)的數(shù)據(jù)關(guān)聯(lián)，但傳統(tǒng)NNDA算法容易出現(xiàn)誤關(guān)聯(lián)和漏關(guān)聯(lián)問題，因此需要對其進(jìn)行改進(jìn)。

2.2 基于生命周期的多特征加權(quán)最近鄰數(shù)據(jù)有效關(guān)聯(lián)算法

傳統(tǒng)的NNDA算法原理如圖1所示。以目標(biāo)預(yù)測位置作為跟蹤門中心，計(jì)算落入跟蹤門的各觀測對象與跟蹤門中心的距離。當(dāng)跟蹤門中只有一個(gè)觀測對象時(shí)，則該對象即為目標(biāo)的關(guān)聯(lián)對象;當(dāng)跟蹤門中包含了多個(gè)觀測對象時(shí)，則選擇距離最小的“最近鄰”對象作為目標(biāo)的關(guān)聯(lián)對象。這種關(guān)聯(lián)原則可以快速找尋到每幀數(shù)據(jù)中的關(guān)聯(lián)對象，但僅通過距離來判斷得到的關(guān)聯(lián)結(jié)果，其真實(shí)性存在較大疑問。當(dāng)跟蹤門中只有一個(gè)觀測對象時(shí)，該對象可能是目標(biāo)的真實(shí)量測，也有可能是雜波或是新出現(xiàn)的目標(biāo);同理，當(dāng)跟蹤門中有多個(gè)觀測對象時(shí)，最近鄰對象也未必是目標(biāo)的真實(shí)關(guān)聯(lián)對象。

針對傳統(tǒng)NNDA算法的問題，本文設(shè)計(jì)了基于多特征加權(quán)的最近鄰數(shù)據(jù)關(guān)聯(lián)算法，對各車道中的目標(biāo)進(jìn)行數(shù)據(jù)關(guān)聯(lián)。

跟蹤門的設(shè)計(jì)原則主要有兩點(diǎn)：1）要使目標(biāo)的真實(shí)量測落入跟蹤門的概率盡可能大;2）要盡量減少跟蹤門內(nèi)的無關(guān)觀測對象。因此，跟蹤門的設(shè)計(jì)關(guān)鍵是要確定其形狀與大小。對于道路目標(biāo)，無論是行人或是車輛等，都可以落入到一個(gè)矩形框中跟蹤，因此本文將跟蹤門形狀設(shè)定為矩形跟蹤門，其寬度設(shè)置為車道寬度，即3.75 m，長度取6 m，約一個(gè)車長的距離，跟蹤門的中心位置由目標(biāo)運(yùn)動(dòng)狀態(tài)來預(yù)測確定。

通過智能車環(huán)境感知系統(tǒng)獲得的原始數(shù)據(jù)可以得到目標(biāo)的位置、速度、長度、寬度和高度、雷達(dá)散射截面積（radar cross section，RCS）等，據(jù)此，相似度函數(shù)定義如式（1）所示。

Si，j（t）=1k1Pd+k2Pv+k3Pwh+k4Pl+k5Pr，（1）

式中：Pd為相鄰幀中同車道目標(biāo)在y方向上的距離;Pv為相鄰幀中目標(biāo)速度的偏差;Pwh為相鄰幀中目標(biāo)的寬和高的乘積（縱切面積）的偏差;Pl為相鄰幀中目標(biāo)長度的偏差;Pr為相鄰幀中目標(biāo)RCS值的差值;kn（n=1，2，3，4，5）為各項(xiàng)偏差的加權(quán)系數(shù)。

式（1）中各加權(quán)系數(shù)根據(jù)相應(yīng)信息數(shù)據(jù)的可靠性來選取。本文相鄰兩幀的時(shí)間間隔很短，可以認(rèn)為兩幀間隔中目標(biāo)為勻速運(yùn)動(dòng)，且感知系統(tǒng)獲得的目標(biāo)位置和速度信息較為可靠，故在計(jì)算相似度時(shí)可賦予較高的權(quán)重。由于自車運(yùn)動(dòng)會(huì)導(dǎo)致兩幀掃描時(shí)自車與目標(biāo)的相對角度變化，從而導(dǎo)致掃描到的目標(biāo)尺寸產(chǎn)生偏差，尤其是長度尺寸的偏差，來判斷相似度的可靠性不高，因此在加權(quán)時(shí)應(yīng)賦予較低的權(quán)重。RCS值的變化與目標(biāo)距離和角度有關(guān)，但在連續(xù)兩幀中的變化不太大，可靠性高于尺寸偏差。綜上，本文設(shè)定各加權(quán)系數(shù)之間的關(guān)系如式（2）所示。

k1+k2+k3+k4+k5=1，

k1≥k2>k5>k3>k4。（2）

若當(dāng)前幀獲得的同車道中落入跟蹤門的對象只有1個(gè)，且相似度函數(shù)值大于相似度閾值時(shí)，則認(rèn)為該對象即為目標(biāo)在當(dāng)前幀的真實(shí)量測;若當(dāng)前幀獲得的同車道中落入跟蹤門的對象有若干個(gè)，且相似度函數(shù)值大于相似度閾值時(shí)，取相似度最高的對象作為目標(biāo)在當(dāng)前幀的真實(shí)量測;若當(dāng)前幀沒有落入跟蹤門的對象，或者所有對象的相似度均小于相似度閾值，則認(rèn)為目標(biāo)在當(dāng)前幀丟失。

通過上述過程，實(shí)現(xiàn)了前后連續(xù)兩幀的數(shù)據(jù)關(guān)聯(lián)，但由于系統(tǒng)連續(xù)兩幀時(shí)間間隔很短，所關(guān)聯(lián)的數(shù)據(jù)可能是由環(huán)境變化、車輛抖動(dòng)等帶來的虛警目標(biāo)。為此，本文為目標(biāo)設(shè)定生命周期，符合生命周期長度的目標(biāo)關(guān)聯(lián)才為有效關(guān)聯(lián)。目標(biāo)的生命周期即目標(biāo)存在的時(shí)間，由于每幀時(shí)間長度一定，因此生命周期可以用目標(biāo)出現(xiàn)的幀數(shù)來表示。基于生命周期的有效關(guān)聯(lián)算法具體步驟如下：

1）每次采樣連續(xù)n幀數(shù)據(jù)進(jìn)行多特征加權(quán)的最近鄰數(shù)據(jù)關(guān)聯(lián);

2）建立一個(gè)0，1二值矩陣C=[C1，2 C1，2 … C1，n]，元素值為0時(shí)表示當(dāng)前幀中沒有能與被跟蹤對象匹配的對象，為1則表示兩幀中目標(biāo)關(guān)聯(lián)成功;

3）有效關(guān)聯(lián)度c定義見式（3）：

c=‖C‖1n。（3）

當(dāng)c大于有效關(guān)聯(lián)度閾值ct時(shí)，則認(rèn)定關(guān)聯(lián)是有效的，通常ct>0.5。出于實(shí)時(shí)性考慮，本文取n=3，ct=2/3。

3 目標(biāo)跟蹤算法

卡爾曼濾波（Kalman filtering，KF）是由KALMAN提出的一種狀態(tài)估計(jì)算法[21]，它根據(jù)當(dāng)前測量值與前一采樣周期的估計(jì)值，采用遞歸方法進(jìn)行系統(tǒng)狀態(tài)估計(jì)。其基本思想是依靠狀態(tài)估計(jì)值與當(dāng)前量測值的誤差值的協(xié)方差之間的遞推關(guān)系，不斷更新系統(tǒng)的狀態(tài)估計(jì)值和誤差協(xié)方差，以不斷縮小狀態(tài)估計(jì)值與實(shí)際量測值之間的差距。

使用KF需要滿足2個(gè)重要前提：系統(tǒng)是線性的;系統(tǒng)的測量噪聲為高斯白噪聲。本文利用前述算法獲得目標(biāo)信息，每次更新時(shí)間為132 ms，在這極短的時(shí)間間隔內(nèi)，可以認(rèn)為目標(biāo)各個(gè)特征呈近似線性變化，并假定系統(tǒng)的測量噪聲為符合高斯分布的白噪聲。因此本文可以采用KF對目標(biāo)位置、尺寸、速度等進(jìn)行跟蹤。

系統(tǒng)的狀態(tài)變量包括點(diǎn)的縱坐標(biāo)yt、長Lt、寬Wt、高Ht及y向速度t，對于前方目標(biāo)還包括y向加速度t。由于測量過程中沒有控制量輸入，故Bu（t-1）=0。因此，系統(tǒng)的狀態(tài)方程為

x（t）=Ax（t-1）+w（t-1），（4）

式中：w（t-1）～N（0，Q）;Q=σ2q·diag（1）。

對于起始位置在車輛前方的目標(biāo)來說，

完成上述卡爾曼濾波器相關(guān)矩陣的設(shè)置后，利用KF不斷迭代更新，算法主要包含預(yù)測與更新2個(gè)流程[21]，從而實(shí)現(xiàn)目標(biāo)的跟蹤，得到目標(biāo)相對于本車的真實(shí)位置、尺寸及運(yùn)動(dòng)狀態(tài)等信息。

4 試驗(yàn)驗(yàn)證

為了保證目標(biāo)狀態(tài)信息的可靠性，本文對所采用的目標(biāo)數(shù)據(jù)關(guān)聯(lián)與跟蹤算法開展了實(shí)車試驗(yàn)。根據(jù)前文所制定的傳感器配置方案以及選定的車載計(jì)算機(jī)，在智能小車試驗(yàn)平臺(tái)上進(jìn)行硬件安裝，得到實(shí)車試驗(yàn)平臺(tái)，如圖2所示。將毫米波雷達(dá)ARS308-2T安裝在智能小車車頭端中垂線距地高度0.5 m處，激光雷達(dá)安裝在車頂中心位置，為了保證激光雷達(dá)最低端激光束（-15°）能發(fā)射到地面不被車體遮擋，計(jì)算得到激光雷達(dá)距地高度為0.96 m。

本文目前僅考慮在低速場景下的應(yīng)用效能，并且試驗(yàn)過程中，若目標(biāo)與實(shí)驗(yàn)車輛均具有速度，則試驗(yàn)過程受自車速度、加速度的影響，無法反映目標(biāo)的真實(shí)軌跡，故使智能小車保持靜止?fàn)顟B(tài)。為了模擬三車道的目標(biāo)跟蹤，將原本寬度為8.2 m的道路以道路中線為基準(zhǔn)劃定3條寬度為2.7 m的車道，并在小車前方各車道范圍內(nèi)設(shè)有一個(gè)障礙目標(biāo)，包括了行人、自行車以及靜止路障，如圖3所示。將試驗(yàn)平臺(tái)置于道路中線，讓“毫米波雷達(dá)+激光雷達(dá)”組成的環(huán)境感知系統(tǒng)軸線與道路中心線基本重合，將環(huán)境感知系統(tǒng)中橫坐標(biāo)范圍在（-4.05， -1.35）、（-1.35，1.35）、（1.35， 4.05）的目標(biāo)分別劃分為左車道、當(dāng)前車道和右車道中的目標(biāo)，分別放入數(shù)據(jù)鏈表中。讓行人和自行車在實(shí)驗(yàn)小車前方隨機(jī)運(yùn)動(dòng)，利用本文算法進(jìn)行連續(xù)幀中的數(shù)據(jù)關(guān)聯(lián)和跟蹤。

圖4 a）顯示了行人和自行車在各自車道范圍做遠(yuǎn)離小車運(yùn)動(dòng)時(shí)的試驗(yàn)結(jié)果，可以看出對各目標(biāo)跟蹤軌跡比較連續(xù)，在各自車道內(nèi)沒有出現(xiàn)丟失和位置突變;圖4 b）是行人和自行車從遠(yuǎn)處靠近試驗(yàn)小車的跟蹤結(jié)果，期間，讓自行車做變道動(dòng)作，使得一段時(shí)間內(nèi)落入目標(biāo)跟蹤門的對象不止1個(gè)，可以看出各目標(biāo)軌跡依然比較連續(xù)，未出現(xiàn)目標(biāo)丟失和位置突變，說明在自行車變道過程中產(chǎn)生的交互與遮擋對跟蹤效果產(chǎn)生的影響較小;圖4 a）和圖4 b）中靜止路障位置不變的試驗(yàn)結(jié)果可以看出對靜止路障能夠進(jìn)行準(zhǔn)確識(shí)別。試驗(yàn)結(jié)果綜合表明，在此期間，通過本文的數(shù)據(jù)關(guān)聯(lián)算法對多種特征加權(quán)計(jì)算，目標(biāo)與相似度函數(shù)值最大的對象進(jìn)行關(guān)聯(lián)，能成功完成靜態(tài)和動(dòng)態(tài)目標(biāo)在多幀中準(zhǔn)確連續(xù)的關(guān)聯(lián)跟蹤。

5 結(jié) 語

本文利用毫米波雷達(dá)和激光雷達(dá)聚類融合的數(shù)據(jù)，基于障礙物特征權(quán)重，提出了一種多特征加權(quán)的最近鄰數(shù)據(jù)關(guān)聯(lián)算法，在傳統(tǒng)最近鄰關(guān)聯(lián)算法的基礎(chǔ)上，有效增加了關(guān)聯(lián)的正確性，并結(jié)合卡爾曼濾波的狀態(tài)估計(jì)過程，對目標(biāo)進(jìn)行迭代更新，實(shí)現(xiàn)了對目標(biāo)的關(guān)聯(lián)跟蹤。試驗(yàn)結(jié)果表明，算法可以實(shí)現(xiàn)對靜止路障以及行人和自行車隨機(jī)運(yùn)動(dòng)的準(zhǔn)確連續(xù)的關(guān)聯(lián)跟蹤，無論是軌跡相交還是軌跡無交集的情況，算法均具有良好的跟蹤準(zhǔn)確性，符合智能車輛的行駛需求。

本文僅考慮了對低速運(yùn)動(dòng)目標(biāo)的跟蹤，未來尚需解決對高速運(yùn)動(dòng)目標(biāo)的準(zhǔn)確、連續(xù)跟蹤難題，以適應(yīng)更真實(shí)的道路狀況。

參考文獻(xiàn)/References：

[1] 王鵬宇，趙世杰，馬天飛，等.基于聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)的車用多傳感器目標(biāo)跟蹤融合算法[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2019，49（5）：1420-1427.

WANG Pengyu， ZHAO Shijie， MA Tianfei， et al. Vehicle multi-sensor target tracking and fusion algorithm based on joint probabilistic data association[J]. Journal of Jilin University（Engineering and Technology Edition）， 2019， 49（5）： 1420-1427.

[2] YANG Tao， MEHTA P G. Probabilistic data association-feedback particle filter for multiple target tracking applications[J]. Journal of Dynamic Systems， Measurement and Control， 2018， 140： 1-14.

[3] 孫進(jìn)平，付福其，付錦斌，等.應(yīng)用超圖匹配的多假設(shè)群目標(biāo)跟蹤方法[J].信號(hào)處理，2017，33（11）：1498-1504.

SUN Jinping， FU Fuqi， FU Jinbin， et al. Multiple hypothesis group target tracking using hypergraph matching[J]. Journal of Signal Processing， 2017， 33（11）： 1498-1504.

[4] 蔣富勤，朱鯤，祝獻(xiàn)，等.一種改進(jìn)的多假設(shè)跟蹤算法[J].聲學(xué)與電子工程，2014（1）：9-12.

[5] 王宇霞，趙清杰，蔡藝明，等.基于自重構(gòu)粒子濾波算法的目標(biāo)跟蹤[J].計(jì)算機(jī)學(xué)報(bào)，2016，39（7）：1294-1306.

WANG Yuxia， ZHAO Qingjie， CAI Yiming， et al. Tracking by auto-reconstructing particle filter trackers[J]. Chinese Journal of Computers， 2016， 39（7）： 1294-1306.

[6] 王曉君，裴?？?，劉紅云，等.一種改進(jìn)馬氏距離的最近鄰數(shù)據(jù)關(guān)聯(lián)算法[J].導(dǎo)航定位學(xué)報(bào)，2015，3（4）：50-56.

WANG Xiaojun， PEI Fujun， LIU Hongyun， et al. Novel nearest neighbor data association algorithm based on improved mahalanobis distance[J]. Journal of Navigation and Positioning， 2015， 3（4）： 50-56.

[7] 胡朋啟，李蔚清.異類傳感器數(shù)據(jù)融合的最近鄰-點(diǎn)拓?fù)潢P(guān)聯(lián)法[J].計(jì)算機(jī)與數(shù)字工程，2019（6）：1347-1350.

HU Pengqi， LI Weiqing. An adjacent-point topological association method based on heterogeneous sensors[J]. Computer & Digital Engineering， 2019（6）： 1347-1350.

[8] ZHANG Kaijie， LIN Haoshen， LIU Gang， et al. Improved interacting multiple model-new nearest neighbor data association algorithm[C]//International Conference on Control Science and Systems Engineering. [S.l.]： IEEE， 2018： 499-504.

[9] 梅立雪，汪兆棟，張浦哲.一種鄰幀匹配與卡爾曼濾波相結(jié)合的多目標(biāo)跟蹤算法[J].科學(xué)技術(shù)與工程，2019，19（15）：204-210.

MEI Lixue， WANG Zhaodong， ZHANG Puzhe. A multi-object tracking algorithm based on the combination of neighborhood frame matching and Kalman filtering[J]. Science Technology and Engineering，2019，19（15）： 204-210.

[10]鄭彩云.基于卡爾曼濾波的雷達(dá)航跡跟蹤算法的綜述[J].科技視界，2019（11）：33-34.

ZHENG Caiyun. A survey of radar track tracking algorithm based on Kalman filter[J]. Science and Technology Vision， 2019（11）：33-34.

[11]周小鈞，高利，趙亞男.一種復(fù)雜交通環(huán)境下的毫米波雷達(dá)目標(biāo)跟蹤方法[J].公路交通科技（應(yīng)用技術(shù)版），2019（10）：332-338.

[12]楊永建，樊曉光，王晟達(dá)，等.基于修正卡爾曼濾波的目標(biāo)跟蹤[J].系統(tǒng)工程與電子技術(shù)，2014，36（5）：846-851.

YANG Yongjian， FAN Xiaoguang， WANG Shengda， et al. Target tracking based on amendatory Kalman filter[J]. Systems Engineering and Electronics， 2014， 36（5）：846-851.

[13]IZADI-GHODOUSI Z， HOSSEINPOUR M， SAFAEI F， et al. An efficient target tracking in directional sensor networks using adapted unscented Kalman filter[J]. Wireless Personal Communications， 2019（1）： 1925-1954.

[14]FARAHI F， YAZDI H S. Probabilistic Kalman filter for moving object tracking [J]. Signal Processing Image Communication， 2020， 82： 1-10.

[15]郭麗，劉磊，朱宏康.優(yōu)化自適應(yīng)卡爾曼濾波跟蹤方法研究[J].中國電子科學(xué)研究院學(xué)報(bào)，2019，14（9）：929-934.

GUO Li， LIU Lei， ZHU Hongkang. Optimized adaptive Kalman filter tracking method [J]. Journal of CAEIT， 2019（9），14：929-934.

[16]馮洋. 多目標(biāo)跟蹤的數(shù)據(jù)關(guān)聯(lián)算法研究[D]. 西安： 西安電子科技大學(xué)， 2008.

FENG Yang. The Research on Data Association in Multi-target Tracking[D]. Xi′an： Xidian University， 2008.

[17]KENARI L R， ARVAN M R. Comparison of nearest neighbor and probabilistic data association methods for non-linear target tracking data association[C]//2014 Second RSI/ISM International Conference on Robotics and Mechatronics （ICRoM）. [S.l.]： IEEE， 2014： 47-52.

[18]KHAN K， REHMAN S U， AZIZ K， et al. DBSCAN： Past， present and future[C]//The Fifth International Conference on the Applications of Digital Information and Web Technologies （ICADIWT 2014）. [S.l.]： IEEE， 2014： 232-238.

[19]黃漫國， 樊尚春， 鄭德智， 等. 多傳感器數(shù)據(jù)融合技術(shù)研究進(jìn)展[J]. 傳感器與微系統(tǒng)， 2010（3）： 5-8.

HUANG Manguo， FAN Shangchun， ZHENG Dezhi， et al. Research progress of multi-sensor data fusion technology[J]. Transducer and Microsystem Technologies， 2010（3）：5-8.

[20]許虎寅， 王治和.一種改進(jìn)的基于密度的聚類算法[J]. 微電子學(xué)與計(jì)算機(jī)， 2012， 29（2）： 44-47.

XU Huyin， WANG Zhihe. An improved density-based clustering algorithm[J]. Microelectronics and Computer， 2012， 29（2）： 44-47.

[21]BISHOP G， WELCH G. An introduction to the Kalman filter[EB/OL].

http：//cs.unc.edu/～tracker/media/pdf/SIGGRAPH2001_slides_08.pdf，2020-02-15.

收稿日期：2020-03-24;修回日期：2020-05-05;責(zé)任編輯：馮 民

基金項(xiàng)目：國家自然科學(xué)基金（11802140）

第一作者簡介：趙 豐（1979—），男，河南濟(jì)源人，工程師，主要從事車輛先進(jìn)技術(shù)方面的研究。

通訊作者：張 明副教授。E-mail：13955036975@163.com

趙豐，王利輝，陳俊吉，等.

基于卡爾曼濾波的多特征加權(quán)最近鄰數(shù)據(jù)關(guān)聯(lián)與跟蹤算法

[J].河北科技大學(xué)學(xué)報(bào)，2020，41（3）：218-224.

ZHAO Feng， WANG Lihui， CHEN Junji， et al.

Multi-feature weighted nearest neighbor data association and tracking algorithm based on Kalman filter

[J].Journal of Hebei University of Science and Technology，2020，41（3）：218-224.