張遠(yuǎn)　肖寶華　楊大林

關(guān)鍵詞： 4D 毫米波雷達(dá) 聚類 卡爾曼濾波 數(shù)據(jù)關(guān)聯(lián) 多目標(biāo)跟蹤

中圖分類號(hào)： TN957.51 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1672-3791（2024）01-0038-05

近年來(lái)，隨著科學(xué)技術(shù)的飛速發(fā)展，以雷達(dá)傳感技術(shù)為基礎(chǔ)的目標(biāo)識(shí)別與跟蹤成為了研究人員的關(guān)注熱點(diǎn)，如船用導(dǎo)航［1］、智能駕駛［2］以及智能家居［3］等領(lǐng)域。其中，在智能家居領(lǐng)域中，智能空調(diào)的研究也越來(lái)越成為人們研究的熱點(diǎn)。目前市場(chǎng)上的智能空調(diào)根據(jù)傳感器的不同主要分為兩種：一種是基于紅外傳感器的智能空調(diào)，一種是基于攝像頭的智能空調(diào)。這兩種智能空調(diào)都是根據(jù)傳感器跟蹤室內(nèi)人員的位置，智能調(diào)節(jié)出風(fēng)口，避免冷風(fēng)直吹人體。盡管基于攝像頭的方法可以在許多任務(wù)中實(shí)現(xiàn)高分辨率和高精度，如姿態(tài)檢測(cè)和人體識(shí)別，但可能會(huì)侵犯隱私。此外，基于相機(jī)的方法不適合在光線不好、有霧或有煙的情況下使用。而紅外感知雖然沒(méi)有泄露隱私的問(wèn)題，但由于是基于熱釋電原理，只可以檢測(cè)室內(nèi)人員的有無(wú)，無(wú)法精確獲取人體距離和方位信息，所以智能化程度不夠高。激光雷達(dá)雖然可以解決上述問(wèn)題，但成本較高。而4D毫米波雷達(dá)通過(guò)檢測(cè)人的呼吸心率［4］，判斷人是否進(jìn)入睡眠狀態(tài)而調(diào)節(jié)溫度。此外，該傳感器可以不受光線、膚色、溫度、煙霧等環(huán)境的干擾，具備測(cè)距、測(cè)角、測(cè)速的功能特性，使空調(diào)對(duì)環(huán)境感知能力進(jìn)一步增強(qiáng)。基于此，本文采用4D 毫米波雷達(dá)作為智能空調(diào)的傳感器設(shè)備。

YANG Z 等人［5］利用毫米波信號(hào)，通過(guò)分析信號(hào)的RSS（接收信號(hào)強(qiáng)度）來(lái)檢測(cè)人的心率和呼吸模式。LIEN J 等人［6］近距離使用毫米波雷達(dá)進(jìn)行手勢(shì)識(shí)別。盡管毫米波雷達(dá)在人類活動(dòng)識(shí)別中越來(lái)越受歡迎，但是基于4D 毫米波雷達(dá)的跟蹤仍然是一個(gè)新領(lǐng)域，只有少數(shù)研究人員研究了與其他傳感器融合的目標(biāo)跟蹤，如HUANG W 等人［7］融合了毫米波雷達(dá)和攝像機(jī)用于跟蹤移動(dòng)物體。針對(duì)這個(gè)問(wèn)題，筆者提出了一種使用4D 毫米波雷達(dá)的實(shí)時(shí)人體檢測(cè)和跟蹤算法，分析了聚類算法、數(shù)據(jù)關(guān)聯(lián)算法以及卡爾曼濾波算法，解決了單雷達(dá)條件下如何高精度跟蹤的問(wèn)題。

1 聚類算法

聚類是將沒(méi)有分類的數(shù)據(jù)集分成若干簇的過(guò)程。4D 毫米波雷達(dá)在采集數(shù)據(jù)的時(shí)候可以返回大量的散射點(diǎn)［8］，如果在目標(biāo)跟蹤的過(guò)程中對(duì)所有的散射點(diǎn)都進(jìn)行跟蹤，不僅計(jì)算復(fù)雜跟蹤效率低，還會(huì)增加處理單元的負(fù)擔(dān)。因此，對(duì)每個(gè)目標(biāo)的點(diǎn)云聚類并為其分配一個(gè)單獨(dú)的跟蹤就顯得尤為重要。

目前點(diǎn)云聚類方法主要有層次法、基于網(wǎng)格的方法劃分法以及基于密度的方法［9］。結(jié)合4D 毫米波雷達(dá)特性分析，以基于層次聚類（Agglomerative Nesting，AGNES）算法為代表的層次法［10］，雖然簇間距離容易定義但是缺點(diǎn)是計(jì)算比較復(fù)雜；基于網(wǎng)格的聚類方法，聚類速度快而且處理效果好，但是只適合點(diǎn)云特別稠密的情況；以 K-means 算法為代表的劃分法相對(duì)于其他幾種方法可以簡(jiǎn)單快速地處理4D 毫米波雷達(dá)點(diǎn)云數(shù)據(jù)，但是需要提前確定聚類的種類，當(dāng)跟蹤目標(biāo)數(shù)量發(fā)生變化時(shí)，容易導(dǎo)致跟蹤出錯(cuò)。而以DBSCAN 為代表的基于密度的聚類方法不僅可以克服K-means 的缺點(diǎn)，而且能發(fā)現(xiàn)任意形狀的點(diǎn)云，其工作原理是通過(guò)將所有距離較近的點(diǎn)云劃為各個(gè)不同的類別，從而達(dá)到聚類的目的。

圖1 是K-means 和DBSCAN 算法的聚類效果對(duì)比。圖1（a）為單人跟蹤的時(shí)候突然又闖入一個(gè)人的實(shí)際場(chǎng)景；圖1（b）為此時(shí)K-means 聚類效果，黑色的方塊表示目標(biāo)的聚類中心，當(dāng)出現(xiàn)兩個(gè)目標(biāo)時(shí)，聚類中心并沒(méi)有隨著目標(biāo)數(shù)目的變化而變成兩個(gè)，可以看出該算法只適合K 值固定的情況，對(duì)于目標(biāo)數(shù)目變化的情況則會(huì)出現(xiàn)聚類錯(cuò)誤；圖1（c）為同一幀的點(diǎn)云數(shù)據(jù)，使用DBSCAN 方法聚類的效果。這里用不同的顏色表示噪聲和不同的目標(biāo)，其中畫圈的是噪聲，由此可以看出，DBSCAN 可以更好地適應(yīng)多目標(biāo)跟蹤的情況。

2 數(shù)據(jù)關(guān)聯(lián)算法

數(shù)據(jù)關(guān)聯(lián)的目的是確定前后兩幀是否為同一個(gè)目標(biāo)，在點(diǎn)云跟蹤中表示針對(duì)4D 毫米波雷達(dá)采集的前后兩幀點(diǎn)云之間的關(guān)系，判斷其是否為同一目標(biāo)的過(guò)程。目前針對(duì)點(diǎn)云的關(guān)聯(lián)算法主要有最鄰近數(shù)據(jù)關(guān)聯(lián)算法（Nearest-Neighbor Data Association，NNDA）、概率數(shù)據(jù)關(guān)聯(lián)算法（Probabilistic Data Association，PDA）以及聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法（JPDA）［11］。最鄰近數(shù)據(jù)關(guān)聯(lián)算法實(shí)現(xiàn)簡(jiǎn)單，但是只適合點(diǎn)云稀疏的環(huán)境。概率數(shù)據(jù)關(guān)聯(lián)算法克服了最鄰近數(shù)據(jù)關(guān)聯(lián)算法的缺陷，但是只適合單目標(biāo)跟蹤的情況，而聯(lián)合概率關(guān)聯(lián)算法適合有雜波情況的多目標(biāo)跟蹤［12］。所以這里采用的是聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法。

相比于單目標(biāo)跟蹤問(wèn)題，多目標(biāo)跟蹤問(wèn)題主要解決的是數(shù)據(jù)的匹配問(wèn)題。如圖2 中m₁和m₂ 表示目標(biāo)，橢圓形表示關(guān)聯(lián)門限，T₁、T₂和T₃表示不同目標(biāo)的實(shí)測(cè)值。可以看出，數(shù)據(jù)有多種關(guān)聯(lián)的可能，但是正確的關(guān)聯(lián)只有一種。

JPDA 算法利用落在跟蹤門內(nèi)的當(dāng)前幀的點(diǎn)云，計(jì)算點(diǎn)云和已有軌跡的聯(lián)合概率，當(dāng)求出所有可行事件聯(lián)合概率后，利用全概率公式計(jì)算所有可能情況的關(guān)聯(lián)概率，根據(jù)關(guān)聯(lián)概率求加權(quán)和將其作為狀態(tài)估計(jì)值，其計(jì)算公式為

3.2 算法結(jié)構(gòu)圖

實(shí)驗(yàn)采用4D 毫米波雷達(dá)板子采集數(shù)據(jù)，圖3 是實(shí)驗(yàn)采集示意圖，通過(guò)毫米波雷達(dá)的測(cè)距功能，返回目標(biāo)的三維位置信息，用于后續(xù)的跟蹤使用。

本文算法結(jié)構(gòu)圖如圖4 所示，首先將對(duì)獲取的點(diǎn)云聚類判別出目標(biāo)的數(shù)目，使用數(shù)據(jù)關(guān)聯(lián)算法將目標(biāo)與軌跡匹配，最后采用卡爾曼濾波優(yōu)化目標(biāo)的軌跡，實(shí)現(xiàn)多目標(biāo)的跟蹤。

4 實(shí)驗(yàn)結(jié)果

4.1 實(shí)驗(yàn)環(huán)境搭建

為驗(yàn)證算法的有效性，筆者選擇77 GHz 四發(fā)四收的4D 毫米波雷達(dá)，最大可用頻率為4 GHz 帶寬。使用調(diào)頻連續(xù)波（Frequency Modulated Continuous Wave，F(xiàn)MCW）技術(shù)，高帶寬允許在大約4 cm 的高分辨率下檢測(cè)目標(biāo)。圖5 是搭建的4D 毫米波雷達(dá)采集板。表1 是實(shí)驗(yàn)環(huán)境參數(shù)設(shè)置，如果一幀的點(diǎn)云的數(shù)量少于40，那么就會(huì)自動(dòng)跳過(guò)該幀。

4.2 實(shí)驗(yàn)結(jié)果分析

圖6（b）是人體毫米波點(diǎn)云跟蹤效果圖，圖中短橫線指向表示運(yùn)動(dòng)方向，畫圈的則為噪聲，可以看出圖6（a）目標(biāo)實(shí)際運(yùn)動(dòng)方向一致。圖7 是根據(jù)行人每一幀所在位置形成的行人跟蹤軌跡圖，可以更直觀地反映多目標(biāo)軌跡跟蹤情況。

為了更精確地顯示跟蹤效果，數(shù)據(jù)選取其中24幀，圖8 是預(yù)測(cè)軌跡和真實(shí)軌跡的對(duì)比圖，根據(jù)圖可以看出，最初誤差比較大，在后幾幀里面誤差比較小。表2 是采用該算法的跟蹤誤差結(jié)果表，由表中數(shù)據(jù)可以看出，誤差的準(zhǔn)確率可以達(dá)到91.8％，可以實(shí)現(xiàn)較好的跟蹤效果。

5 結(jié)語(yǔ)

從實(shí)驗(yàn)結(jié)果可以看出，在一定距離范圍內(nèi)，本文算法可實(shí)現(xiàn)對(duì)多個(gè)行人目標(biāo)的跟蹤，可用于家居環(huán)境的使用，雖然在這本文中沒(méi)有測(cè)量執(zhí)行時(shí)間，因?yàn)橹饕康氖菧?zhǔn)確地掌握跟蹤人數(shù)和精確的跟蹤軌跡，但筆者認(rèn)為有必要將高速處理作為現(xiàn)實(shí)應(yīng)用的目標(biāo)。