1 引言

相比于光学相机、激光雷达等其他类型的传感器,毫米波雷达具有全天候全天时的特点,可以不受光照、天气的影响,对交通目标进行24小时连续监测。在交通目标的检测跟踪方面,应用毫米波雷达技术进行交通目标的检测跟踪已经得到初步应用,并成为一个重要的研究热点方向[1]。为了减少目标遮挡,本文研究将毫米波雷达安装在道路上方场景中的多目标跟踪算法。

目标跟踪算法可以分为点目标跟踪算法[2]和扩展目标跟踪算法[3],分别对应目标形态为点目标和目标形态为扩展目标。点目标是指每个目标最多可以产生一个检测点,扩展目标是指一个目标可以产生多个检测点。在道路上方安装雷达进行目标检测所得的目标形式为扩展目标,但是由于目标由远即近的过程中,点云的形态会发生变化,对扩展目标难以建立固定的外观模型,因此常常需要将扩展目标转化为点目标。因为DBSCAN是基于密度的聚类方法[4],相比其他聚类算法,不需要预先确定聚类的簇数目,更适合对未知数量的目标点云进行聚类,进而实现目标类型的转化,所以目前一般用基于帧内DBSCAN聚类的多目标跟踪算法[5- 6]。但是由于该算法一般用于车载雷达,该使用场景下的视场范围较小,而在将雷达安装于道路上方的场景中,空间纵向方向上的目标的坐标值分布范围大,原算法聚类前的归一化会导致纵向上的目标常常会难以区分开,而且该算法因为局限在帧内,所以无法有效区分多径杂点和目标点。

所以本文提出了基于帧间DBSCAN聚类的多目标跟踪算法。在本文提出的算法中,首先分析了各项毫米波雷达数据特征,选择合适的阈值进行数据的初步筛选。接下来为充分利用上下文信息,去除多径杂点,引入了帧序特征,以批处理的形式合并多帧雷达数据。空间纵向分段依次进行帧间DBSCAN聚类,增强了准确度较高的纵向距离特征对聚类的影响,有助于区分纵向上的目标。得到聚类结果后,将同一帧同一簇的目标点云中心替代原点云,这样就将扩展目标转化为了点目标。经过前面的预处理后,使用目前广受欢迎的点目标跟踪算法——广义标记多伯努利GLMB(Generalized labelled multi-Bernoulli)算法进行目标跟踪[7-11]。本文的其余部分组织如下。第2节介绍了基于帧间DBSCAN聚类的毫米波雷达多目标跟踪算法原理。第3节介绍了实验场景与结果分析。第4节对全文进行了总结,并提出了今后的工作方向。

2 帧间DBSCAN聚类毫米波雷达多目标跟踪算法原理

2.1 帧内DBSCAN聚类目标跟踪算法的原理及局限性

GLMB是一种点目标跟踪算法[7],所以需要将扩展目标转化为点目标。在交通场景的转化为点目标的预处理聚类算法中多用DBSCAN聚类。DBSCAN是一种著名的密度聚类算法,从样本密度的角度来考虑样本之间的可连接性,并基于可连接样本不断扩展聚类簇以获得最终的聚类结果。DBSCAN使用一组关于“邻域”的参数(e,MinPts)来描述样本分布的紧密程度,e是一个点周围邻近区域的半径,MinPts是邻近区域内至少包含点的个数。简单来说,DBSCAN算法的基本原理是先找到满足e邻域内有至少MinPts个点的点集作为原始簇,然后通过不断扩展把同样满足参数(e,MinPts)的点集加入簇中,直至没有符合要求的点为止。如图1。

本文所设计的场景如图2,将毫米波雷达装在道路上方,并如图3以道路的走向为纵向,建立x坐标轴,垂直于道路的方向为横向,建立y坐标轴。在一帧数据中,近处的车辆或体型较大的车辆的点云中的数据点的数量较多,而远处的车辆或者体型较小的目标的检测点数量较少,甚至只有一个检测点。而帧内聚类只利用了一帧内数据分布的信息,所以该算法难以去除多径噪点。如果对每一帧使用DBSCAN算法,参数MinPts设置为1时,会导致含速度的多径效应产生的噪点和数据点无法分开,如果参数MinPts设置大于1,则会导致只有一个检测点的目标被当作杂点而被筛除,造成漏检。

另外,该算法对纵向目标的区分度不足。因为在进行聚类算法前需要进行归一化,以均衡各个特征对聚类结果的影响。常用min-max归一化是将特征缩放到给定的最小值和最大值之间,通常介于0和1之间。公式如下:

(1)

但是在交通场景中,不同于车载雷达的场景中,在本文研究的安装方式下的雷达视场, X值分布的最大值和最小值的差值较大,即归一化公式中的分母较大。即使在X值上有较明显差距的两个目标,在对X值归一化后,两者的X值也可能会被压缩至两个十分接近的数值。例如图8(b),一前一后行驶的车辆目标5和6即使在X方向上相差几米的距离,由于归一化导致的特征值压缩,在进行聚类后,仍可能把前后两辆车的检测点划分为同一簇(相同形状的标记符)。若使用GLMB作为后续的目标跟踪滤波器,则基于帧内DBSCAN聚类的目标跟踪算法的处理流程如下:

2.2 毫米波雷达数据特征分析与初步筛选

毫米波雷达获取的检测点的特征包括纵向坐标X值、横向坐标Y值、纵向速度Vx值、横向速度Vy值和RCS值。其中,RCS是目标在雷达接收方向上反射雷达信号能力的度量。由于车辆主要在纵向行驶,横向速度近似为0,所以本文不使用Vy特征值。如流程图5,在输入GLMB跟踪滤波器之前,数据预处理分为两步,第一步是通过设置特征值的阈值来进行数据的初步筛选,第二步是进一步将扩展目标转化为点目标。

在第一步中,以本文实验使用的雷达及实验场景道路1(图10中的左图)为例,由毫米波雷达参数表1可知,距离测量和水平角测量具有一定的误差,所以可以统计各个特征的直方图,根据直方图和实际场景中的边界值来确定阈值。如图6所示,因为目标跟踪是跟踪动目标,所以使用了1000帧左右的数据,筛选出速度大于0的数据进行统计。各特征阈值选取方法及讨论如下:

X值:其中见图6(a),由于在X值为0～100 m范围内目标数量明显高于更远的范围,虽然测距范围可以达到200 m,但是为了数据的准确性,仍将纵向的感兴趣范围限定在0～100 m范围内。

Y值:Y值根据实际道路场景和统计直方图,如图6(b),结合测量误差,限制在|Y|<10 m范围内。

Vx值:如图6(c),由于Vx值为0附近有特别高的频率,结合实际数据显示结果,可以推测这部分为大量速度较低的背景杂点,因此大致选取20 m/s>|Vx|>2 m/s的点。

RCS值:由RCS相关文献可知[12-13],不同类型的交通目标有不同的RCS值分布范围,因此在筛选有效数据时,可设置RCS在-15 dBsm

以实验中的实际场景C为例,选取100帧原始数据合并显示如图7(a),经过限定特征阈值方法的数据的初步筛选得到图7(b),静态背景点已被大量筛除,但是仍存在一些动态噪点,需要进一步去除。

2.3 将扩展目标转化为点目标

在进行了第一步的初步筛选之后,需要进行第二步:将扩展目标转化为点目标。初步筛选中使用的特征均为单独一帧内的数据点的特征,如果合并多帧数据进行批处理,则每个检测点还包括所在的时间值,这一特征可以转化为时间的先后顺序特征,即帧序数,记为F值。正常轨迹的位置与时间有密切的相关性,而多径效应产生的噪点的分布情况与帧序特征相关性弱,乃至完全无关。由此可知,利用帧序特征,可以区分出时间上特征值连续变化的轨迹数据和时间上特征值变化杂乱无章的多径效应噪点。

对应多径噪点无法去除的问题,本文提出可以使用批处理的方式合并多帧数据进行DBSCAN聚类,并且设置合适的合并帧数,以控制目标跟踪结果的延迟时间在可接受的范围内。由于不同目标的RCS值分布范围存在重叠[12],所以无法将该特征用于区分不同的目标,所以批处理帧间聚类利用X、Y、Vx、F这几个特征。

以实验中的实际场景C为例,如图8(a)和(b)中,光学图像中目标的序号与雷达视场中目标的序号对应,聚类结果图8(b)～(e)中的多径噪点被判断为离群点(图中实心圆点)而得以去除。因为多帧合并显示时,会存在位置上的交叠,故为了更清晰地说明,以时间序数F值为横轴,以X值为纵轴进行显示,如图8(c)～( f )。不同形状的标记符代表不同的簇，其序号与实际场景的目标序号所对应。由于第2.1节结尾提到的归一化问题,如图8(b)～(c)纵向上的目标5和6在图中显示为相同形状的标记符,被误认为是同一目标。

对于纵向上的目标不易区分的问题,本文提出批处理纵向分段的帧间聚类的方法。即先对纵向距离上的数据点进行空间分段,然后再依次对分段得到的子范围内的数据进行多帧合并聚类,其本质是将空间上的大范围划分出子范围,依次进行帧间聚类。图8(d)和(e)是在该算法将数据在空间上分为两段的情况下,近距半段和远距半段的聚类结果。从近距半段的聚类结果可以看到,经过空间分段,原本被聚为同一簇的目标5和6被区分开了。

这样做实际上是减小了聚类的范围,提高了准确性更高的X值对于聚类结果的影响,避免了X值被归一化后的不合理压缩。而且批处理使得每次聚类的数据量更大,数据分布更相似,因此可以使用大致不变的聚类参数。本论文对归一化后的聚类特征使用欧式距离,度量DBSCAN聚类算法中的两个检测点o1和o2之间的距离D:

D=

(2)

在得到聚类结果后,同一帧内同属于同一簇的点为该时刻同一目标的检测点云,对同帧同簇的点云的X值、Y值和Vx值进行平均,求得中心C和平均速度再以中心替代原来点云簇,这样就将扩展目标转化为了点目标,如图8(c)到图8( f )的转化。给定有限点集x1,x2,…,xk∈Rn,它们的中心C如公式(3)。

(3)

至此,预处理环节就结束了,将预处理后的数据输入GLMB跟踪滤波器,就可以得到目标跟踪结果,其整体流程图如图9所示。

3 实验结果与分析

3.1 实验场景介绍

本文的实验在北京市的道路上开展,将77 GHz毫米波雷达安装在横跨道路的天桥上或者安装在道路正上方的标志牌横杆上,道路1和道路2上各自的安装情况见图10,雷达参数见表1,该雷达双波束(长距和短距)同时工作。道路1为较狭窄的城市支路,交通目标类型多样,交通行为相对复杂,道路2为城市干道,目标类型更单一,交通行为相对简单。

本文选取了六个实际场景进行实验,并使用光学图像中实际目标数目作为真值,以便进一步离线分析算法性能指标。这六组实验场景中,场景A、B、C为道路1上的不同场景,场景D、E、F为道路2上的不同场景。场景A和B中包括数量和比例不同的轿车和自行车、电动车,场景C中包括轿车和公交车,场景D中均为轿车,密集程度适中,场景E和F中也均为轿车,但密集程度更大。

3.2 多目标跟踪算法的实验结果分析

本文实验中,帧内DBSCAN聚类目标跟踪方法的聚类参数e设为0.5,MinPts设为1。本文提出的帧间DBSCAN聚类目标跟踪方法的聚类参数e也设为0.5,MinPts设为10。经试验,选择纵向分三段,依次为0～50,50～100,30～80,对每一分段依次合并100帧进行帧间聚类处理。

以下的几张图表显示了六个场景的实验结果,每个场景中的图(b)和(c)分别是帧内DBSCAN聚类目标跟踪结果和帧间DBSCAN聚类目标跟踪结果。由六组实验可知,帧内DBSCAN聚类算法难以去除多径噪点,跟踪结果出现了很多的多余轨迹。本文提出的帧间DBSCAN聚类目标跟踪算法因为使用了批处理的方式,所以有效地去除了多径效应引起的噪声,大大降低了多余轨迹数量,而且目标转化效果好,正确轨迹占比更高,错误轨迹占比大幅降低。此外,由于多径噪点的干扰,以及扩展目标未能完全转化为点目标情况下出现的多余点的干扰,使得滤波后的点迹更易于偏离原始轨迹,精度较低,而帧间聚类算法在多个场景中,均有更高的跟踪准确度和精度。

在目标数量适中的情况下,如场景A、B、C,帧间聚类算法结果均可以得到较高的正确轨迹跟踪比例,以及较高的跟踪精度。更换道路,在目标数量适中的场景D中,本文所提的算法仍保持较高的准确率和精度。在目标数量多、密集程度增加的情况下,如场景E和F,本文算法仍能将所有扩展目标>转化为点目标,基本不会出现没有转化多余点,但是由于本文提出的预处理算法采用取目标点云中心代替原点云的方式,所以预处理转化后点目标轨迹精度较低的Y值会有所起伏,目标邻近时,增加了GLMB滤波更新步骤的难度。

由于远端的多个目标进入雷达视场的起始位置接近,所以GLMB目标跟踪算法难以区分经过相近的起始位置的不同的新生轨迹,在轨迹起始位置错误估计出多条多余航迹,如场景E,多余轨迹主要出现在起始位置,此后的轨迹跟踪性能较起始位置更高。在场景F中,存在不少并列行驶的交通目标,它们在视场中的横向上相邻,因为X值大致相等,但目标轨迹的Y值精度低,所以相邻目标点易相互干扰,造成轨迹交错,预测精度相应降低。所以本文算法在雷达视场中的目标密集程度适中的情况下表现更好,在目标密集的情况下,虽然预处理步骤仍能正确地将所有扩展目标转化为点目标,但是后续的GLMB跟踪算法对于Y特征值起伏较大的相邻目标的跟踪准确率和精度都有所降低。

4 结论

针对通常的目标跟踪预处理算法——帧内DBSCAN聚类算法,难以有效区分多径噪点,难以区分纵向上的邻近目标点的问题,本文提出了一种基于帧间DBSCAN聚类的目标跟踪预处理算法。算法先根据特征分析结果进行数据的初步筛选,然后纵向分段合并多帧依次进行DBSCAN聚类的方式,引入了轨迹的上下文信息,可以有效地去除了多径噪声点,纵向分段的方式可以增强X值对聚类的影响,加强了对道路方向上前后交通目标的分辨能力。实验结果表明,本文提出的算法在不同的交通场景下对准确率和精度均有不同程度的提高,同时更适应目标密集程度适中的场景。本文提出的算法的参数设置虽然适应多个场景,但是参数的设置与优化,如空间分段的数量、聚类参数的自适应设置、合并的帧数量等的设置与优化、预处理结果Y值精度的提高以及跟踪结果准确性改善等仍有待探究,这是未来的研究方向。

参考文献

[1] LIU Haiqing, LI Na, GUAN Deyong, et al. Data feature analysis of non-scanning multi target millimeter-wave radar in traffic flow detection applications[J]. Sensors, 2018, 18(9): 2756.

[2] VO B N, MALLICK M, YAAKOV B S, et al. Multitarget Tracking[EB/OL]. https:∥doi.org/10.1002/047134608X.W8275,2015.

[3] GRANSTROM K, BAUM M, REUTER S. Extended object tracking: Introduction, overview and applications[EB/OL]. 2016: arXiv: 1604.00970[cs.CV]. https:∥arxiv.org/abs/1604.00970.

[4] 章永来, 周耀鉴. 聚类算法综述[J]. 计算机应用, 2019, 39(7): 1869-1882.

ZHANG Yonglai, ZHOU Yaojian. Review of clustering algorithms[J]. Journal of Computer Applications, 2019, 39(7): 1869-1882.(in Chinese)

[5] WANG Yue, LU Yilong. Classification and tracking of moving objects from 77 GHz automotive radar sensors[C]∥2018 IEEE International Conference on Computational Electromagnetics (ICCEM). Chengdu, China. IEEE, 2018: 1-2.

[6] ZHAO Peijun, LU C X, WANG Jianan, et al. mID: tracking and identifying people with millimeter wave radar[C]∥2019 15th International Conference on Distributed Computing in Sensor Systems (DCOSS). Santorini, Greece. IEEE, 2019: 33- 40.

[7] VO B N, VO B T, HOANG H G. An efficient implementation of the generalized labeled multi-bernoulli filter[J]. IEEE Transactions on Signal Processing, 2017, 65(8): 1975-1987.

[8] VO B T, VO B N. Labeled random finite sets and multi-object conjugate priors[J]. IEEE Transactions on Signal Processing, 2013, 61(13): 3460-3475.

[9] VO B N, VO B T, PHUNG D. Labeled random finite sets and the Bayes multi-target tracking filter[J]. IEEE Transactions on Signal Processing, 2014, 62(24): 6554- 6567.

[10] REUTER S, VO B T, VO B N, et al. The labeled multi-bernoulli filter[J]. IEEE Transactions on Signal Processing, 2014, 62(12): 3246-3260.

[11] CORREA J, ADAMS M, PEREZ C. A Dirac Delta mixture-based Random Finite Set filter[C]∥2015 International Conference on Control, Automation and Information Sciences (ICCAIS). Changshu, China. IEEE, 2015: 231-238.

[12] MATSUNAMI I, NAKAMURA R, KAJIWARA A. RCS measurements for vehicles and pedestrian at 26 and 79GHz[C]∥2012 6th International Conference on Signal Processing and Communication Systems. Gold Coast, QLD, Australia. IEEE, 2012: 1- 4.

[13] BELGIOVANE D, CHEN C C, CHEN Ming, et al. 77 GHz radar scattering properties of pedestrians[C]∥2014 IEEE Radar Conference. Cincinnati, OH, USA. IEEE, 2014: 0735-0738.

Traffic Multi-object Tracking Method of Millimeter Wave Radar Based on Inter-frame DBSCAN Clustering

LU Hailing LI Yang LIN Yun WANG Yanping

(Radar Monitoring Technology Laboratory, School of Information Science and Technology, North China University of Technology, Beijing 100144, China)

Abstract: Millimeter wave radar has become one of the mainstream sensors in the Internet of Vehicles, which can be used for multi-target tracking in traffic scenes. In this paper, millimeter-wave radar is installed above the road to track traffic targets. aiming at the problem that multipath noise is difficult to remove and vertical traffic target point clouds are difficult to distinguish in multi-target tracking based on intra-frame DBSCAN (density-based spatial clustering of applications with noise) clustering, a multi-target tracking method of millimeter-wave radar traffic based on inter-frame dbscan clustering is proposed. The algorithm uses multi-frame merging processing, uses frame order features to solve the multipath noise problem, and uses spatial vertical segmentation method to improve the shortcomings of the original algorithm in the vertical target discrimination. In this paper, six groups of experiments in different actual scenes prove that this method improves the tracking results in different degrees compared with the original method in different scenes.

Key words： millimeter-wave radar; multi-object tracking; clustering algorithm; traffic target; preprocessing

文章编号： 1003-0530(2021)11-2115-10

收稿日期：2021-03-03；修回日期：2021-04-24

基金项目：国家自然科学基金面上项目(61971456)；国家自然科学基金重点国际合作研究项目(61860206013)

中图分类号：TP391

文献标识码： A

DOI: 10.16798/j.issn.1003- 0530.2021.11.012

引用格式: 陆海凌, 李洋, 林赟, 等. 基于帧间DBSCAN聚类的毫米波雷达交通多目标跟踪方法[J]. 信号处理, 2021, 37(11): 2115-2124. DOI: 10.16798/j.issn.1003- 0530.2021.11.012.

Reference format: LU Hailing, LI Yang, LIN Yun, et al. Traffic multi-object tracking method of millimeter wave radar based on inter-frame DBSCAN clustering[J]. Journal of Signal Processing, 2021, 37(11): 2115-2124. DOI: 10.16798/j.issn.1003- 0530.2021.11.012.

作者简介

陆海凌 女,1997年生,广西人。北方工业大学信息学院硕士研究生,研究方向为雷达信号处理、多目标跟踪。

E-mail: 917372410@qq.com

李 洋 男,1983年生,北京人。北方工业大学信息学院副研究员,博士,研究方向为极化SAR、简缩极化SAR、相干层析理论研究与应用。

E-mail: haffner@126.com

林 赟 女,1983年生,浙江人。北方工业大学信息学院副研究员,博士,研究方向为SAR三维及多角度成像基础理论方法。

E-mail: ylin@ncut.edu.cn

王彦平 男,1976年生,山东人。北方工业大学信息学院教授,博士,研究方向为智能雷达、雷达形变监测、智能预警技术。

E-mail: wangyp@ncut.edu.cn