章軍輝,付宗杰,郭曉滿,李 慶,陳大鵬,3,趙 野
(1.中國科學(xué)院微電子研究所,北京100029;2.江蘇物聯(lián)網(wǎng)研究發(fā)展中心,無錫214135;3.無錫物聯(lián)網(wǎng)創(chuàng)新中心有限公司,無錫214135;4.昆山微電子技術(shù)研究院,蘇州215347)
實現(xiàn)精準(zhǔn)可靠的目標(biāo)軌跡跟蹤是多目標(biāo)跟蹤(multi?object tracking,MOT)的主要任務(wù),而強雜波環(huán)境下的數(shù)據(jù)關(guān)聯(lián)、多源數(shù)據(jù)融合策略等問題一直是MOT領(lǐng)域研究的熱難點[1-3]。MOT問題的一般處理流程如圖1所示。
圖1 多目標(biāo)跟蹤處理流程
目標(biāo)的表達(dá)通常是采用形狀或外觀來描述的。對于點表達(dá)的目標(biāo)跟蹤問題,點關(guān)聯(lián)的方法主要包括確定性方法與統(tǒng)計性方法。確定性方法通常是在一系列約束條件下尋求關(guān)聯(lián)成本最小化的解,如貪婪搜索法[4]。統(tǒng)計性方法利用位置、速度、加速度等目標(biāo)的屬性來建立狀態(tài)空間模型,并在一定程度上考慮了模型不確定性以及觀測噪聲,如聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(joint probability data association,JPDA)[5-6]、多假設(shè)跟蹤(multiple hypothesis tracking,MHT)[7-8]、概率多假設(shè)跟蹤(probabilistic multiple hypothesis tracking,PMHT)[9-10]等。對于量測數(shù)據(jù)落入跟蹤門相交區(qū)域的情況,將難以確定這些量測是源于哪個目標(biāo)?;谪惾~斯理論的JPDA算法能夠較好地解決雜波環(huán)境下相交波門內(nèi)的量測關(guān)聯(lián)問題,但在跟蹤目標(biāo)數(shù)較多或雜波較密集的情況下,存在確認(rèn)矩陣拆分組合爆炸的現(xiàn)象[6]?;谌徸顑?yōu)濾波器與Bar-Shalom確認(rèn)矩陣的MHT算法,通過建立多個候選關(guān)聯(lián)假設(shè),并利用后續(xù)的量測來消除當(dāng)前掃描周期的不確定性,理論上其跟蹤效果是相對較優(yōu)的,不過與JPDA算法一樣,其計算復(fù)雜度隨著目標(biāo)與量測個數(shù)呈指數(shù)增長。PMHT算法是基于EM(expectation maximization)策略而設(shè)計的,并且認(rèn)為量測關(guān)聯(lián)過程是相互獨立的,故其關(guān)聯(lián)復(fù)雜度僅隨目標(biāo)個數(shù)呈線性增長,但在標(biāo)準(zhǔn)PMHT算法中所有量測結(jié)果皆源于不盡合理的目標(biāo)假設(shè),所以跟蹤效果易受虛假量測的影響。
車輛跟隨行駛是日常道路交通環(huán)境中最主要的行車工況[11-12]。在強雜波環(huán)境下經(jīng)典數(shù)據(jù)關(guān)聯(lián)方法的跟蹤效果往往不太理想,主要原因如下:①關(guān)聯(lián)概率的計算復(fù)雜度較高,影響跟蹤效果的實時性[13-14];②源于不同傳感器的數(shù)據(jù)在時空上存在著較大差異,加大了數(shù)據(jù)可靠關(guān)聯(lián)的難度[15-16];③傳感器本身的局限性,導(dǎo)致量測存在著一定的不確定性[17-18]。
傳統(tǒng)的通過窮舉量測-目標(biāo)所有可能的關(guān)聯(lián)事件或關(guān)聯(lián)假設(shè)來估計最優(yōu)關(guān)聯(lián)的方法,無法完成精確求解,在一定程度上制約了技術(shù)的可實施性。考慮到點跡-航跡關(guān)聯(lián)判決本身存在著一定的模糊性與不確定性,本文中發(fā)展了一種快速多目標(biāo)車輛跟蹤算法。首先,對多目標(biāo)車輛跟蹤問題進行了數(shù)學(xué)描述,并建立了相機像素坐標(biāo)系與世界坐標(biāo)系的空間映射關(guān)系;其次,基于模糊理論將點跡-航跡關(guān)聯(lián)問題轉(zhuǎn)換成量測模糊聚類問題,通過求解各候選量測與聚類中心的模糊隸屬度,間接計算出JPDA算法中不確定性量測與各目標(biāo)的關(guān)聯(lián)概率,再利用概率加權(quán)融合對多目標(biāo)狀態(tài)進行濾波估計;再次,考慮到機動目標(biāo)的慣性因素,在車輛密集工況下通過合理調(diào)整卡爾曼增益對量測更新進行抑制,以解決目標(biāo)短暫跟丟問題;最后,通過實車試驗對該算法的跟蹤效果進行了驗證與探討。
在車輛跟蹤過程中,車輛被視為一種小機動性目標(biāo),常用的機動目標(biāo)運動模型有勻速運動模型、勻加速運動模型等。綜合考慮計算實時性與目標(biāo)的機動性,定義目標(biāo)運動模型為分段式勻速運動模型,并借助雷達(dá)或V2V模塊來動態(tài)更新各階段機動目標(biāo)的縱向速度。此外,對于視覺目標(biāo)跟蹤(visual object tracking,VOT)問題,考慮到相機測距的局限性,將輔以雷達(dá)來實時校正車間縱向距離。
1.1.1 多目標(biāo)觀測模型
在多目標(biāo)車輛跟蹤過程中,感興趣目標(biāo)(objects of interest,OOI)是位于主車道以及左右車道且距離自車最臨近的前方車輛。如圖2所示,忽略目標(biāo)車輛的垂向運動,以自車作為坐標(biāo)原點,建立車輛水平坐標(biāo)系。
圖2 多目標(biāo)車輛跟蹤的水平坐標(biāo)系
對于第i個感興趣的目標(biāo)車輛,不妨令該目標(biāo)的縱向距離是di,y(k),縱向速度是vi,y(k),橫向距離是di,x(k),橫向速度是vi,x(k),以xi(k)=[di,y(k),vi,y(k),di,x(k),vi,x(k)]T作為狀態(tài)向量,yi(k)=[di,y(k),di,x(k)]T作為觀測模型輸出,建立離散狀態(tài)空間方程:
式中:xi(k-1|k)表示基于k-1時刻對k時刻第i個目標(biāo)的狀態(tài)預(yù)測;yi(k)是對第i個目標(biāo)的量測預(yù)測;Fi是目標(biāo)i的狀態(tài)轉(zhuǎn)移矩陣;H是視覺傳感器的量測矩陣;Ci是狀態(tài)校正項;wi(k)是過程噪聲;v(k)是視覺傳感器的量測噪聲。其中,i∈[1,3]是目標(biāo)標(biāo)簽。
1.1.2 模型參數(shù)
假設(shè)過程噪聲wi(k)為服從N(0,Q)分布,量測噪聲v(k)服從N(0,R)分布。多目標(biāo)觀測模型中各系數(shù)矩陣滿足:
式中:Ts是采樣周期;Δvi,y是縱向相對速度,用于定期校正分段式勻速運動模型。
如圖3所示,建立相機像素坐標(biāo)系與世界坐標(biāo)系的空間映射關(guān)系。
圖3 相機標(biāo)定模型
圖像數(shù)組(即像素坐標(biāo))與像平面坐標(biāo)之間的關(guān)系如下:
式中:u、v分別表示像素在圖像數(shù)組中的列數(shù)、行數(shù);(u0,v0)是投影中心點;dx、dy分別表示像素在像平面坐標(biāo)系中x軸、y軸上的物理尺寸。
像平面坐標(biāo)與相機坐標(biāo)之間的關(guān)系如下:
式中f是焦距。
相機坐標(biāo)與世界坐標(biāo)之間的關(guān)系如下:
式中:R3×3=Rx(α)Ry(β)Rz(θ)是旋轉(zhuǎn)矩陣;t3×1是平移向量。α、β、θ分別表示世界坐標(biāo)系中x軸、y軸、z軸的旋轉(zhuǎn)角,且滿足:
從而,三維世界點P與其在像平面上投影點p的關(guān)系滿足:
式中:ξ是比例因子;p=[u,v,1]T是二維圖像中投影點p的齊次坐標(biāo);P=[Xw,Yw,Zw,1]T是三維世界點P的齊次坐標(biāo)是相機的內(nèi)參矩陣,用以實現(xiàn)相機3D坐標(biāo)到2D坐標(biāo)的轉(zhuǎn)換;[R3×3|t3×1]是相機的外參矩陣,用以實現(xiàn)將點從世界坐標(biāo)系到相機坐標(biāo)系的轉(zhuǎn)換。
數(shù)據(jù)關(guān)聯(lián)是將源自各傳感器的量測數(shù)據(jù)與相應(yīng)的目標(biāo)航跡進行關(guān)聯(lián)的過程。對于回波落入跟蹤門重疊區(qū)域的情形,引入關(guān)聯(lián)概率,用以表示不確定性量測與各個源目標(biāo)之間的關(guān)聯(lián)程度。
2.1.1 定義
定義1.馬氏距離
定義L維模型預(yù)測向量與量測向量之間的馬氏距離為
式中:dM是馬氏距離;y是模型的預(yù)測向量;z是當(dāng)前周期內(nèi)的量測向量;Σ是協(xié)方差矩陣,且滿足
馬氏距離是一種加權(quán)歐氏距離,當(dāng)協(xié)方差矩陣為單位矩陣時,馬氏距離即為歐式距離。由于不同特征的度量標(biāo)準(zhǔn)之間存在著較大的差異,通過歐氏距離來量化評估往往缺乏一定的合理性,而馬氏距離在一定程度上歸一化了不同變量之間量綱的影響,使得特征之間的關(guān)系更加符合實際情況。然而在求解過程中存在協(xié)方差矩陣求逆運算,當(dāng)協(xié)方差矩陣為奇異矩陣時會影響到馬氏距離計算的數(shù)值穩(wěn)定性,為此要求總體樣本數(shù)大于樣本的維數(shù),以確保協(xié)方差矩陣可逆。
定義2.有效觀測集
式中:z*是有效觀測集;δ是約束上界。
根據(jù)定義1與定義2,能夠為判斷回波是否落入目標(biāo)的跟蹤門內(nèi)提供一種量化依據(jù)。
2.1.2 問題描述
問題1.計算復(fù)雜度
隨著跟蹤目標(biāo)與有效回波數(shù)量的增多,對確認(rèn)矩陣的拆分次數(shù)將會驟增,一般呈指數(shù)增長趨勢,容易導(dǎo)致組合爆炸問題,影響計算實時性。
問題2.航跡合并現(xiàn)象
如圖4所示,三角形為目標(biāo),黑點為量測。稀疏工況下,目標(biāo)之間相距較遠(yuǎn),公共量測源來自于雜波的可能性較大;車輛密集工況下,落入公共區(qū)域的量測數(shù)相對偏多,用來更新目標(biāo)航跡的組合量測趨于接近,容易產(chǎn)生航跡合并問題,造成目標(biāo)短暫跟丟的現(xiàn)象。
圖4 測量分布特性
對于一個航跡或目標(biāo)來說,所有落入其跟蹤波門內(nèi)的有效量測與目標(biāo)的關(guān)聯(lián)概率之和為1,構(gòu)成一個完備事件組,因此可將點跡-航跡關(guān)聯(lián)問題視為一種量測模糊聚類問題,通過求解量測樣本與聚類中心的隸屬度來間接地計算量測與目標(biāo)的關(guān)聯(lián)概率。
2.2.1 FCM算法
硬C-均值(hard c-means,HCM)聚類算法的隸屬度取值為0與1,聚類速度較快,但其對樣本的分類標(biāo)準(zhǔn)是硬性的,聚類結(jié)果往往不夠準(zhǔn)確。模糊C-均值(fuzzy c-means,F(xiàn)CM)聚類算法是基于HCM對樣本與聚簇之間的隸屬關(guān)系進行模糊化,將隸屬度取值從HCM算法的二值{0,1}擴展到[0,1]區(qū)間,使得聚類結(jié)果更為合理些。
令量測樣本集Z={z1,z2,…,zm},簇類中心C={c1,c2,…,cn},模糊隸屬度矩陣
定義聚類損失函數(shù)為
FCM算法是通過最小化聚類損失函數(shù)來實現(xiàn)量測的模糊分類。采用Lagrange乘子法,可得隸屬度、聚類中心的迭代式:
其中,迭代終止條件滿足|Δci|<ε,ε是約束上界,或者通過限制最大迭代次數(shù)來終止。
FCM算法存在的缺陷:①對初始聚類中心敏感;②目標(biāo)函數(shù)的非凸性易致求解極值陷入局部最優(yōu),且收斂速度較慢;③未考慮特征的差異性,即有用特征與冗余特征對聚類的貢獻值相同。
2.2.2 S-FCM算法
抑制式模糊C-均值(suppressed fuzzy c-means,S-FCM)通過調(diào)整隸屬度來突出主要因素并抑制次要因素,以增強量測樣本對第p類聚類中心的吸引力,減弱對其余類聚類中心的吸引力,從而提高了算法的收斂速度[19]。
對隸屬度進行修正:
式中:μp,j=max{μi,j};i∈[1,n]表示量測樣本對第p類聚類中心的隸屬度是極大的;α是抑制因子,α∈[0,1],當(dāng)α=0時,S-FCM退化為HCM,當(dāng)α=1時,S-FCM即為FCM。
S-FCM算法存在的缺陷:①S-FCM提高了模糊聚類算法的收斂速度,但其聚類效果不及FCM;②當(dāng)最大隸屬度較小時,S-FCM存在過早收斂的隱患。
2.2.3 HS-FCM算法
半抑制式模糊C均值聚類(half suppressed fuzzy c-means,HS-FCM)算法的設(shè)計目標(biāo)是在收斂速度與聚類效果之間尋求平衡。引入抑制門限,對隸屬度進一步修正,即
當(dāng)i=p時,
當(dāng)i≠p時,
式中β是抑制門限,當(dāng)β越小時,HS-FCM算法效果越趨近于S-FCM,當(dāng)β越大時,HS-FCM算法效果越趨近于FCM。建議抑制因子α選取0.5,抑制門限β選取0.5。
2.3.1 滾動估計
基于JPDA算法框架,通過互聯(lián)規(guī)則構(gòu)造統(tǒng)計距離,然后基于模糊數(shù)學(xué)中的模糊聚類方法,計算各候選量測與觀測區(qū)域內(nèi)不同目標(biāo)的關(guān)聯(lián)概率,再利用概率加權(quán)融合方法對各目標(biāo)狀態(tài)與協(xié)方差進行更新。下一次采樣時刻,時域移動一步,并重復(fù)上述過程,以實現(xiàn)對各目標(biāo)狀態(tài)的滾動估計。一步迭代算式如下。
(a)預(yù)測更新
式中:xi(k|k-1)表示對k時刻目標(biāo)i的狀態(tài)進行預(yù)測;Pi(k|k-1)是對k時刻目標(biāo)i狀態(tài)預(yù)測的協(xié)方差;Q是過程噪聲的協(xié)方差。
(b)關(guān)聯(lián)概率更新
基于HS-FCM算法得到量測樣本的隸屬度,對關(guān)聯(lián)概率進行更新。
(c)量測更新
式中:Si(k)是量測協(xié)方差;Gi(k)是卡爾曼增益;zj(k)是量測向量;δi,j(k)是量測新息;δi(k)是組合新息;μi,j(k)是k時刻量測j源于目標(biāo)i的概率;μi,0(k)表示沒有量測與目標(biāo)i關(guān)聯(lián);xi,j(k)表示基于量測j對目標(biāo)i的標(biāo)準(zhǔn)卡爾曼濾波估計;xi(k)、Pi(k)分別為k時刻的濾波估計和狀態(tài)預(yù)測的協(xié)方差,作為下一步迭代的輸入。其中:
2.3.2 算法改進
為了減少計算量,對式(18)中的狀態(tài)估計協(xié)方差Pi(k)進行優(yōu)化:
相比式(18)而言,式(21)將無須額外計算各個量測j對目標(biāo)i的卡爾曼濾波估計xi,j(k),從而在一定程度上降低了計算復(fù)雜度。
車輛密集工況下,雖然量測樣本與目標(biāo)之間的歐式距離較近,但該量測未必源于這個目標(biāo),比如總體方差較小時,需要很接近才歸為該類,因此建議在車輛密集工況下采用馬氏距離代替歐式距離進行聚類。稀疏工況下仍采用歐式距離進行聚類,以期在聚類可靠性與計算復(fù)雜度之間尋求平衡。此外,考慮到機動目標(biāo)的慣性因素,在車輛密集工況下通過合理調(diào)整卡爾曼增益對量測更新進行抑制,以克服目標(biāo)短暫跟丟的問題。
試驗場景為一段市郊道路工況,通過實車采集雷達(dá)與相機數(shù)據(jù),再進行離線仿真驗證。雷達(dá)與相機的主要參數(shù)見表1。
表1 雷達(dá)與相機的主要參數(shù)
考慮到毫米波雷達(dá)較優(yōu)的縱向測距能力,本文中將雷達(dá)的縱向測距數(shù)據(jù)作為縱向參考,記為REF,將基于YOLO框架的視覺多目標(biāo)檢測算法,記為YOLO估計。
圖5 為在一段市郊道路工況下采用YOLO框架對多車道OOI目標(biāo)車輛進行檢測的結(jié)果。在車輛檢測跟蹤過程中,僅標(biāo)識感興趣的目標(biāo)車輛,這是由于OOI目標(biāo)車輛相對自車來說所構(gòu)成的追尾威脅較為明顯。
圖5 多車道OOI目標(biāo)車輛檢測結(jié)果
圖6 為主車道OOI目標(biāo)車輛縱向運動估計的對比情況。
圖6 主車道OOI目標(biāo)車輛縱向運動估計對比
由圖可見,在接近第300個采樣點時刻,雷達(dá)采樣點出現(xiàn)目標(biāo)短暫丟失現(xiàn)象,這是由于雷達(dá)可能探測到鄰近車輛,而妨礙了對前方車輛的精準(zhǔn)跟蹤。在300-400采樣區(qū)間,由于鄰道車輛的切入,更新了當(dāng)前跟蹤的OOI目標(biāo)車輛,進而導(dǎo)致跟蹤軌跡發(fā)生了陡變。
圖7 為基于改良JPDA濾波的主車道OOI目標(biāo)車輛縱向運動估計的對比情況。在車輛密集工況下,通過調(diào)整卡爾曼增益對量測更新進行抑制,以增加預(yù)測的置信度,基于改良JPDA濾波后的雷達(dá)估計能夠較好地解決圖6中雷達(dá)估計出現(xiàn)的目標(biāo)短暫丟失問題。此外,在200-800采樣區(qū)間,基于改良JPDA濾波后的YOLO估計曲線抖動較小,縱向距離的均方根誤差由0.118 3降為0.070 7,較好地抑制了視覺量測誤差,從而在一定程度上增強了視覺跟蹤性能。
圖7 改良后的主車道OOI目標(biāo)車輛縱向運動估計對比
圖8 為基于改良JPDA濾波與標(biāo)準(zhǔn)JPDA濾波估計的對比情況。兩者濾波后的軌跡都更接近于雷達(dá)的狀態(tài)估計,也進一步表明JPDA濾波對量測抖動有較好的抑制效果。此外,改良JPDA濾波避免了標(biāo)準(zhǔn)JPDA濾波過程中確認(rèn)矩陣復(fù)雜的拆分組合環(huán)節(jié)。
圖8 改良JPDA與標(biāo)準(zhǔn)JPDA濾波估計對比
圖9 為主車道OOI目標(biāo)車輛橫向運動估計的對比情況。在200-800采樣區(qū)間,雷達(dá)估計的橫向距離的均方根誤差為0.023 3,YOLO估計的橫向距離的均方根誤差為0.010 2。相對來說,雷達(dá)橫向跟蹤性能易受擾動因素影響。
圖9 主車道OOI目標(biāo)車輛橫向運動估計對比
圖10 與圖11分別為左右車道OOI目標(biāo)車輛運動估計的對比情況。整體上來看,基于改良JPDA的濾波算法能夠較好地實現(xiàn)多目標(biāo)跟蹤,且視覺的橫向跟蹤效果較優(yōu),雷達(dá)的縱向跟蹤效果較佳。
圖10 左車道OOI目標(biāo)車輛運動估計對比
圖11 右車道OOI目標(biāo)車輛運動估計對比
為了提高密集雜波環(huán)境下多目標(biāo)數(shù)據(jù)關(guān)聯(lián)的可靠性與實時性,本文中設(shè)計了一種多目標(biāo)車輛跟蹤算法,主要結(jié)論如下。
(1)基于模糊理論將點跡-航跡關(guān)聯(lián)問題轉(zhuǎn)換成量測模糊聚類問題,利用模糊隸屬度來代替JPDA算法中不確定性量測與各目標(biāo)的關(guān)聯(lián)概率,能夠一定程度上降低計算復(fù)雜度。
(2)在車輛密集工況下通過合理調(diào)整卡爾曼增益對量測更新進行抑制,能夠較好地解決目標(biāo)短暫跟丟的問題。
(3)在調(diào)試過程中發(fā)現(xiàn),合理選取HS-FCM算法中的抑制因子與抑制門限以改善聚類效果,能夠一定程度上避免航跡合并現(xiàn)象,后續(xù)將進一步深入對該問題的研究。