基于4D毫米波雷達點云的多目標跟蹤算法

張遠　肖寶華　楊大林

關鍵詞： 4D 毫米波雷達 聚類 卡爾曼濾波 數據關聯 多目標跟蹤

中圖分類號： TN957.51 文獻標識碼： A 文章編號： 1672-3791（2024）01-0038-05

近年來，隨著科學技術的飛速發展，以雷達傳感技術為基礎的目標識別與跟蹤成為了研究人員的關注熱點，如船用導航［1］、智能駕駛［2］以及智能家居［3］等領域。其中，在智能家居領域中，智能空調的研究也越來越成為人們研究的熱點。目前市場上的智能空調根據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，一種是基于攝像頭的智能空調。這兩種智能空調都是根據傳感器跟蹤室內人員的位置，智能調節出風口，避免冷風直吹人體。盡管基于攝像頭的方法可以在許多任務中實現高分辨率和高精度，如姿態檢測和人體識別，但可能會侵犯隱私。此外，基于相機的方法不適合在光線不好、有霧或有煙的情況下使用。而紅外感知雖然沒有泄露隱私的問題，但由于是基于熱釋電原理，只可以檢測室內人員的有無，無法精確獲取人體距離和方位信息，所以智能化程度不夠高。激光雷達雖然可以解決上述問題，但成本較高。而4D毫米波雷達通過檢測人的呼吸心率［4］，判斷人是否進入睡眠狀態而調節溫度。此外，該傳感器可以不受光線、膚色、溫度、煙霧等環境的干擾，具備測距、測角、測速的功能特性，使空調對環境感知能力進一步增強。基于此，本文采用4D 毫米波雷達作為智能空調的傳感器設備。

YANG Z 等人［5］利用毫米波信號，通過分析信號的RSS（接收信號強度）來檢測人的心率和呼吸模式。LIEN J 等人［6］近距離使用毫米波雷達進行手勢識別。盡管毫米波雷達在人類活動識別中越來越受歡迎，但是基于4D 毫米波雷達的跟蹤仍然是一個新領域，只有少數研究人員研究了與其他傳感器融合的目標跟蹤，如HUANG W 等人［7］融合了毫米波雷達和攝像機用于跟蹤移動物體。針對這個問題，筆者提出了一種使用4D 毫米波雷達的實時人體檢測和跟蹤算法，分析了聚類算法、數據關聯算法以及卡爾曼濾波算法，解決了單雷達條件下如何高精度跟蹤的問題。

1 聚類算法

聚類是將沒有分類的數據集分成若干簇的過程。4D 毫米波雷達在采集數據的時候可以返回大量的散射點［8］，如果在目標跟蹤的過程中對所有的散射點都進行跟蹤，不僅計算復雜跟蹤效率低，還會增加處理單元的負擔。因此，對每個目標的點云聚類并為其分配一個單獨的跟蹤就顯得尤為重要。

目前點云聚類方法主要有層次法、基于網格的方法劃分法以及基于密度的方法［9］。結合4D 毫米波雷達特性分析，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是計算比較復雜；基于網格的聚類方法，聚類速度快而且處理效果好，但是只適合點云特別稠密的情況；以 K-means 算法為代表的劃分法相對于其他幾種方法可以簡單快速地處理4D 毫米波雷達點云數據，但是需要提前確定聚類的種類，當跟蹤目標數量發生變化時，容易導致跟蹤出錯。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，而且能發現任意形狀的點云，其工作原理是通過將所有距離較近的點云劃為各個不同的類別，從而達到聚類的目的。

圖1 是K-means 和DBSCAN 算法的聚類效果對比。圖1（a）為單人跟蹤的時候突然又闖入一個人的實際場景；圖1（b）為此時K-means 聚類效果，黑色的方塊表示目標的聚類中心，當出現兩個目標時，聚類中心并沒有隨著目標數目的變化而變成兩個，可以看出該算法只適合K 值固定的情況，對于目標數目變化的情況則會出現聚類錯誤；圖1（c）為同一幀的點云數據，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，其中畫圈的是噪聲，由此可以看出，DBSCAN 可以更好地適應多目標跟蹤的情況。

2 數據關聯算法

數據關聯的目的是確定前后兩幀是否為同一個目標，在點云跟蹤中表示針對4D 毫米波雷達采集的前后兩幀點云之間的關系，判斷其是否為同一目標的過程。目前針對點云的關聯算法主要有最鄰近數據關聯算法（Nearest-Neighbor Data Association，NNDA）、概率數據關聯算法（Probabilistic Data Association，PDA）以及聯合概率數據關聯算法（JPDA）［11］。最鄰近數據關聯算法實現簡單，但是只適合點云稀疏的環境。概率數據關聯算法克服了最鄰近數據關聯算法的缺陷，但是只適合單目標跟蹤的情況，而聯合概率關聯算法適合有雜波情況的多目標跟蹤［12］。所以這里采用的是聯合概率數據關聯算法。

相比于單目標跟蹤問題，多目標跟蹤問題主要解決的是數據的匹配問題。如圖2 中m₁和m₂ 表示目標，橢圓形表示關聯門限，T₁、T₂和T₃表示不同目標的實測值。可以看出，數據有多種關聯的可能，但是正確的關聯只有一種。

JPDA 算法利用落在跟蹤門內的當前幀的點云，計算點云和已有軌跡的聯合概率，當求出所有可行事件聯合概率后，利用全概率公式計算所有可能情況的關聯概率，根據關聯概率求加權和將其作為狀態估計值，其計算公式為

3.2 算法結構圖

實驗采用4D 毫米波雷達板子采集數據，圖3 是實驗采集示意圖，通過毫米波雷達的測距功能，返回目標的三維位置信息，用于后續的跟蹤使用。

本文算法結構圖如圖4 所示，首先將對獲取的點云聚類判別出目標的數目，使用數據關聯算法將目標與軌跡匹配，最后采用卡爾曼濾波優化目標的軌跡，實現多目標的跟蹤。

4 實驗結果

4.1 實驗環境搭建

為驗證算法的有效性，筆者選擇77 GHz 四發四收的4D 毫米波雷達，最大可用頻率為4 GHz 帶寬。使用調頻連續波（Frequency Modulated Continuous Wave，FMCW）技術，高帶寬允許在大約4 cm 的高分辨率下檢測目標。圖5 是搭建的4D 毫米波雷達采集板。表1 是實驗環境參數設置，如果一幀的點云的數量少于40，那么就會自動跳過該幀。

4.2 實驗結果分析

圖6（b）是人體毫米波點云跟蹤效果圖，圖中短橫線指向表示運動方向，畫圈的則為噪聲，可以看出圖6（a）目標實際運動方向一致。圖7 是根據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軌跡跟蹤情況。

為了更精確地顯示跟蹤效果，數據選取其中24幀，圖8 是預測軌跡和真實軌跡的對比圖，根據圖可以看出，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果表，由表中數據可以看出，誤差的準確率可以達到91.8％，可以實現較好的跟蹤效果。

5 結語

從實驗結果可以看出，在一定距離范圍內，本文算法可實現對多個行人目標的跟蹤，可用于家居環境的使用，雖然在這本文中沒有測量執行時間，因為主要目的是準確地掌握跟蹤人數和精確的跟蹤軌跡，但筆者認為有必要將高速處理作為現實應用的目標。