基于HS⁃FCM模糊聚类的快速多目标车辆跟踪算法

doi:10.19562/j.chinasae.qcgc.2021.10.001

摘要/Abstract

摘要：

为了提高复杂交通环境下多目标数据关联的实时性与可靠性，本文中基于半抑制式模糊聚类（half suppressed fuzzy c?means clustering， HS?FCM）发展了一种快速多目标车辆跟踪算法。首先对多目标车辆跟踪问题进行了数学描述，并建立了相机像素坐标系与世界坐标系的空间映射关系；其次基于模糊理论将点迹-航迹关联问题转换成量测模糊聚类问题，通过求解各候选量测与聚类中心的模糊隶属度，间接计算出联合概率数据关联（joint probability data association， JPDA）算法中不确定性量测与各目标的关联概率，再利用概率加权融合对多目标状态进行滤波估计；再次在车辆密集工况下通过合理调整卡尔曼增益对量测更新进行抑制，以克服车辆跟踪中目标短暂跟丢问题。实车试验与仿真结果验证了该跟踪算法的可行性与有效性。

关键词: 智能车辆, 数据融合, 感兴趣目标, 状态估计, 模糊C均值聚类

Abstract:

In order to improve the real-time performance and reliability of multi-target data association in complex traffic scenarios， a fast multi-target vehicle tracking algorithm based on half suppressed fuzzy c-means clustering （HS-FCM） is thus proposed in this article. Firstly， the multi-target vehicle-tracking problem is described mathematically， and the spatial mapping relationship between the camera pixel coordinate system and the world coordinate system is established. Secondly， the fuzzy clustering approach based on fuzzy theory is employed to solve the plot-track association problem. The probability of a feasible joint event in the joint probability data association （JPDA） algorithm is indirectly calculated by solving the fuzzy membership function defined by the distance between a sample and its cluster center. The multi-objective state is filtered and estimated by the probability weighted fusion method. Thirdly， in the dense vehicle environment the measurement update is suppressed by adjusting Kalman gain reasonably to solve the problem of short-term target losing. The real vehicle test and simulation results validate the feasibility and effectiveness of the proposed fast multi-vehicle tracking algorithm.

Key words: intelligent vehicle, data fusion, object of interest, state estimation, fuzzy C?means

章军辉,付宗杰,郭晓满,李庆,陈大鹏,赵野. 基于HS⁃FCM模糊聚类的快速多目标车辆跟踪算法[J]. 汽车工程, 2021, 43(10): 1419-1426.

Junhui Zhang,Zongjie Fu,Xiaoman Guo,Qing Li,Dapeng Chen,Ye Zhao. A Fast Multiple Maneuvering Vehicle Tracking Algorithm Based on Half Suppressed Fuzzy C⁃means Clustering[J]. Automotive Engineering, 2021, 43(10): 1419-1426.

图/表 12

图1

图2

图3

图4

表1

图5

图 6

图7

图 8

图9

图10

图11

参考文献 19

1	TIAN W， LAUER M， CHEN L. Online multi-object tracking using joint domain information in traffic scenarios［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 21（1）： 374-384.
2	RANGESH A， TRIVEDI M M. No Blind spots： full-surround multi-object tracking for autonomous vehicles using cameras and LiDARs［J］. IEEE Transactions on Intelligent Vehicles， 2019， 4（4）： 588-599.
3	BAE S， YOON K. Confidence-based data association and discriminative deep appearance learning for robust online multi-object tracking［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2018， 40（3）： 595-610.
4	杨标，朱圣棋，余昆，等.贪婪的量测划分机制下的多传感器多机动目标跟踪算法［J/OL］.电子与信息学报：1-8［2021-03-11］.
	YANG Biao， ZHU Shenqi， YU Kun， et al. Multi-sensor multiple maneuvering targets tracking algorithm under greedy measurement partitioning mechanism［J/OL］. Journal of Electronic & Information Technology： 1-8［2021-03-11］.
5	HE S， SHIN H， TSOURDOS A. Distributed joint probabilistic data association filter with hybrid fusion strategy［J］. IEEE Transactions on Instrumentation and Measurement， 2020， 69（1）：286-300.
6	李首庆，徐洋.基于自适应聚概率矩阵的JPDA算法研究［J］.西南交通大学学报， 2017， 52（2）：340-347.
	LI Shouqing， XU Yang. Joint probabilistic data association algorithm based on adaptive cluster probability matrix［J］. Journal of Southwest Jiaotong University， 2017， 52（2）：340-347.
7	CORALUPPI S P， CARTHEL C A. Multiple hypothesis tracking for targets producing multiple measurements［J］. IEEE Transactions on Aerospace and Electronic Systems， 2018， 54（3）：1485-1498.
8	YOO H， KIM K， BYEON M， et al. Online scheme for multiple camera multiple target tracking based on multiple hypothesis tracking［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2017， 27（3）：454-469.
9	张逸宸，水鹏朗. 一种改进的泊松点过程概率多假设跟踪方法［J/OL］. 西安电子科技大学学报：1-9［2021-03-11］.
	ZHANG Yichen， SHUI Penglang. Improved probabilistic multi-hypothesis tracker via the poisson point process［J/OL］. Journal of Xidian University： 1-9［2021-03-11］.
10	LONG T， ZHENG L， CHEN X， et al. Improved probabilistic multi-hypothesis tracker for multiple target tracking with switching attribute states［J］. IEEE Transactions on Signal Processing， 2011， 59（12）：5721-5733.
11	章军辉，陈大鹏，李庆. 车辆跟随控制系统研究现状及发展趋势［J］.计算机科学， 2020， 47（8）：245-254.
	ZHANG Junhui， CHEN Dapeng， LI Qing. Research status and development trend of vehicle following control system［J］. Computer Science， 2020， 47（8）：245-254.
12	章军辉，李庆，陈大鹏. 协同式多目标自适应巡航控制［J］.工程科学学报， 2020， 42（4）：423-433.
	ZHANG Junhui， LI Qing， CHEN Dapeng. Multi-objective adaptive cruise control algorithm（ACC） for cooperative ACC platooning［J］. Chinese Journal of Engineering， 2020， 42（4）：423-433.
13	陈晓，李亚安，蔚婧，等.基于最大熵模糊聚类的快速多目标跟踪算法研究［J］.西北工业大学学报， 2017， 35（4）：629-634.
	CHEN Xiao， LI Yaan， WEI Jing， et al. A fast multi-target tracking algorithm based on maximum entropy fuzzy clustering［J］. Journal of Northwestern Polytechnical University， 2017， 35（4）：629-634.
14	刘俊，刘瑜，何友等.杂波环境下基于全邻模糊聚类的联合概率数据互联算法［J］.电子与信息学报， 2016， 38（6）：1438-1445.
	LIU Jun， LIU Yu， HE You， et al. Joint probabilistic data association algorithm based on all-neighbor fuzzy clustering in cluster［J］. Journal of Electronic & Information Technology， 2016， 38（6）：1438-1445.
15	王鹏宇，赵世杰，马天飞，等.基于联合概率数据关联的车用多传感器目标跟踪融合算法［J］.吉林大学学报（工学版）， 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 （Science Edition）， 2019， 49（5）：1420-1427.
16	HE S， SHIN H， TSOURDOS A. Multi-sensor multi-target tracking using domain knowledge and clustering［J］. IEEE Sensors Journal， 2018， 18（19）：8074-8084.
17	PLANGI S， HADACHI A， LIND A， et al. Real-time vehicles tracking based on mobile multi-sensor fusion［J］. IEEE Sensors Journal， 2018， 18（24）：10077-10084.
18	DONG Y， LI X， DEZERT J， et al. A novel multi-criteria discounting combination approach for multi-sensor fusion［J］. IEEE Sensors Journal， 2019， 19（20）： 9411-9421.
19	朱占龙，刘永军，赵战民，等.用于分割无损检测图像的改进的抑制式模糊C均值聚类算法［J］.仪器仪表学报， 2019， 40（8）：110-118.
	ZHU Zhanlong， LIU Yongjun， ZHAO Zhanmin， et al. Improved suppressed fuzzy c-means clustering algorithm for segmenting the non-destructive testing image［J］. Chinese Journal of Scientific Instrument， 2019， 40（8）：110-118.

传感器	参数	数值
毫米波雷达	型号	大陆ARS 408-21
	载波频率	77 GHz
	最大测距	250 m（长距模式）
	最大测距	70 m（近距模式）
	量测精度	±0.4 m（长距模式）
	量测精度	±0.1 m（近距模式）
	水平角	±9°（长距模式）
	水平角	±45°（近距模式）
	速度范围	-400 km/h~200 km/h
	通信方式	CAN
	扫描周期	约60 ms
相机	型号	Logitech C310
	分辨率	1280×720
	焦距	29.5 mm
	帧率	30 fps

[1]	孙晓强, 王玉麟, 胡伟伟, 蔡英凤, 陈龙, Wong Pak Kin. 基于轮胎分段仿射辨识模型的车辆行驶状态估计策略研究[J]. 汽车工程, 2023, 45(7): 1212-1221.
[2]	陈建华,徐中明,张志飞. 基于轴距预瞄的非匀速工况车辆悬架状态估计[J]. 汽车工程, 2023, 45(6): 1040-1049.
[3]	吕彦直,魏超,何元浩. 基于GCN和CIL的端到端自动驾驶换道方法[J]. 汽车工程, 2023, 45(12): 2310-2317.
[4]	胡杰,陈锐鹏,张志豪,向博文,刘昊岩,朱琪,郭启翔. 基于RMPC的自动驾驶货车路径跟踪控制[J]. 汽车工程, 2023, 45(11): 2092-2103.
[5]	林程,易江,田雨. 电动客车AMT换挡执行机构状态估计及参数辨识[J]. 汽车工程, 2022, 44(8): 1237-1250.
[6]	王萍,弓清瑞,程泽,张吉昂. 基于AUKF的锂离子电池SOC估计方法[J]. 汽车工程, 2022, 44(7): 1080-1088.
[7]	蔡英凤,陆子恒,李祎承,陈龙,王海. 基于多传感器融合的紧耦合SLAM系统[J]. 汽车工程, 2022, 44(3): 350-361.
[8]	夏秋,陈特,陈龙,徐兴,蔡英凤. 基于冗余信息融合的车辆质心侧偏角估计方法[J]. 汽车工程, 2022, 44(2): 280-289.
[9]	黄圣杰,胡满江,周云水,殷周平,秦晓辉,边有钢,贾倩倩. 动态场景下基于语义分割与运动一致性约束的车辆视觉SLAM[J]. 汽车工程, 2022, 44(10): 1503-1510.
[10]	高振海,温文昊,唐明弘,张建,陈国迎. 基于混合神经网络的汽车运动状态估计[J]. 汽车工程, 2022, 44(10): 1527-1536.
[11]	陈吉清,翁楚滨,兰凤崇. 智能车辆换道潜在冲突分析与风险量化方法[J]. 汽车工程, 2021, 43(11): 1565-1576.
[12]	宋晓琳,盛鑫,曹昊天,李明俊,易滨林,黄智. 基于模仿学习和强化学习的智能车辆换道行为决策[J]. 汽车工程, 2021, 43(1): 59-67.
[13]	王振峰, 李飞, 王新宇, 高普, 秦也辰. 车辆系统垂向与横向耦合的侧倾状态估计^*[J]. 汽车工程, 2020, 42(5): 636-643.
[14]	陈无畏, 王其东, 丁雨康, 赵林峰, 王慧然, 谢有浩. 基于预期偏移距离的人机权值分配策略研究^*[J]. 汽车工程, 2020, 42(4): 513-521.
[15]	朱波, 黄茂飞, 谈东奎, 胡旭东, 顾家鑫. 基于神经网络与数据融合的行人检测方法^*[J]. 汽车工程, 2020, 42(11): 1482-1489.