FMCW毫米波雷達檢測車輛目標(biāo)跟蹤方法

陳凌子，王華偉，劉海青，呂少嵐

（1.南京航空航天大學(xué) 民航學(xué)院，江蘇 南京 211106；2.山東科技大學(xué) 交通學(xué)院，山東 青島 266590）

0 引言

高分辨率的車輛軌跡數(shù)據(jù)能夠為車輛碰撞預(yù)測、交通流參數(shù)估計、異常事故感知、違章駕駛行為判別、駕駛員行為分析、駕駛員輔助系統(tǒng)開發(fā)等應(yīng)用提供基礎(chǔ)支持。連續(xù)、準(zhǔn)確、實時的車輛目標(biāo)跟蹤技術(shù)是獲取車輛軌跡數(shù)據(jù)的有效手段。車輛目標(biāo)跟蹤技術(shù)可劃分為單目標(biāo)跟蹤和多目標(biāo)跟蹤兩種，相較于單目標(biāo)跟蹤，多目標(biāo)軌跡跟蹤技術(shù)處理密集車流時效率更高。近年來，隨著城市建設(shè)智能化、集約化水平的不斷提升，復(fù)雜交通環(huán)境下的車輛軌跡數(shù)據(jù)獲取問題將更加依賴于多目標(biāo)軌跡跟蹤技術(shù)的發(fā)展。因此，從長遠來看，多目標(biāo)軌跡跟蹤技術(shù)的研究對于發(fā)揮車輛軌跡數(shù)據(jù)實用價值和推動未來智能交通系統(tǒng)的發(fā)展具有重要意義。

國內(nèi)外學(xué)者對多目標(biāo)軌跡跟蹤算法進行了相關(guān)研究，但在復(fù)雜交通場景中實際運行時仍存在表現(xiàn)不佳的問題。多目標(biāo)跟蹤的任務(wù)是將傳感器對每個目標(biāo)采樣得到的量測數(shù)據(jù)分別關(guān)聯(lián)至不同軌跡，對各條軌跡進行平滑和預(yù)測，然后估計下一時刻的目標(biāo)狀態(tài)，其主要工作包括航跡的起始、維持和消除等[1]。目前應(yīng)用較廣泛的目標(biāo)跟蹤算法主要有卡爾曼濾波算法[2]、聚類算法[3-4]和數(shù)據(jù)關(guān)聯(lián)算法[5]?？柭鼮V波器本質(zhì)上是一種線性濾波器，無法對極坐標(biāo)系下的雷達目標(biāo)進行有效跟蹤。因此，出現(xiàn)了一些非線性濾波跟蹤算法[6]，如擴展卡爾曼濾波、自適應(yīng)擴展卡爾曼濾波[7]、自適應(yīng)Sage-Husa 卡爾曼濾波[8]。基于數(shù)據(jù)關(guān)聯(lián)的目標(biāo)跟蹤算法主要內(nèi)容包括關(guān)聯(lián)門形成、點跡關(guān)聯(lián)、跟蹤起始、跟蹤維持與跟蹤結(jié)束等多個方面。比較經(jīng)典的數(shù)據(jù)關(guān)聯(lián)算法有最近鄰數(shù)據(jù)關(guān)聯(lián)（Nearest Neighbor Data Association,NNDA）[9]、概率數(shù)據(jù)關(guān)聯(lián)（Probabilistic Data Association,PDA）[10]、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)（Joint Probabilistic Data Association,JPDA）[11]及多假設(shè)跟蹤（Multiple Hypothesis Tracking,MHT）[12]。但傳統(tǒng)的數(shù)據(jù)關(guān)聯(lián)算法在實現(xiàn)目標(biāo)跟蹤時存在一個共性問題：目標(biāo)稀疏時效果良好，但目標(biāo)密集時表現(xiàn)較差[13]。針對此問題，Chen等[14]提出了一種在密集雜波環(huán)境下使用組合交互式多模型概率數(shù)據(jù)關(guān)聯(lián)算法跟蹤機動目標(biāo)的改進算法，能在一定程度上降低雜波和背景噪聲的影響，但算法本身沒有考慮車輛目標(biāo)的運動規(guī)律，在復(fù)雜交通場景下運行時仍可能出現(xiàn)軌跡漂移、中斷、縮短等異常情況。近年來，調(diào)頻連續(xù)波（Frequency Modulated Continuous Wave,FMCW）毫米波雷達檢測技術(shù)因同時具有抗干擾能力強、測速精度高、分辨率高、可全天候全天時工作的特點而在交通監(jiān)管領(lǐng)域得到廣泛應(yīng)用，如實時速度控制、交通監(jiān)測[15]和自動駕駛等方面。該技術(shù)可獲取目標(biāo)的距離、速度、角度及散射面積值等信息[16]，即高分辨率、高精度的車輛點跡數(shù)據(jù)。不過，目前毫米波雷達數(shù)據(jù)的應(yīng)用大多只停留在多目標(biāo)檢測識別層面，而缺乏深層次的挖掘與分析。若利用FMCW 毫米波雷達數(shù)據(jù)實現(xiàn)交通場景下多車輛目標(biāo)跟蹤，將在發(fā)揮數(shù)據(jù)潛在價值的同時提升車輛軌跡跟蹤效果。

為解決復(fù)雜交通場景下多目標(biāo)軌跡跟蹤異常問題、提高目標(biāo)識別和軌跡跟蹤精度，本文將基于FMCW 毫米波雷達交通數(shù)據(jù)，提出一種設(shè)置了矩形跟蹤門和關(guān)聯(lián)準(zhǔn)則的改進最近鄰點跡關(guān)聯(lián)算法，通過產(chǎn)生點跡關(guān)聯(lián)對實現(xiàn)軌跡狀態(tài)更新。然后，對于提取到的有效車輛軌跡，采用三階貝塞爾曲線算法進行平滑處理，以實現(xiàn)異常點跡的位置糾偏和缺失幀的位置補償。最后，利用實際樣本數(shù)據(jù)對上述方法進行驗證。

1 研究方法與數(shù)據(jù)獲取

1.1 研究方法

本文所設(shè)計的多目標(biāo)軌跡跟蹤方法流程如圖1所示。

該方法具體分為以下3個步驟：

步驟1：原始數(shù)據(jù)預(yù)處理。初步剔除噪聲和雜波點，并進行參數(shù)轉(zhuǎn)換。

步驟2：基于軌跡狀態(tài)管理實現(xiàn)車輛目標(biāo)軌跡提取。軌跡狀態(tài)包括軌跡起始、軌跡維持和軌跡結(jié)束。對于處于起始和維持狀態(tài)的軌跡，基于改進最近鄰點跡關(guān)聯(lián)算法實現(xiàn)其狀態(tài)更新。

步驟3：基于三階貝塞爾曲線算法實現(xiàn)車輛目標(biāo)軌跡平滑。對步驟2 提取的車輛目標(biāo)原始軌跡做滑窗式平滑處理。

1.2 數(shù)據(jù)獲取

本文旨在解決復(fù)雜交通場景下FMCW 毫米波雷達多目標(biāo)軌跡跟蹤問題。為收集樣本數(shù)據(jù)，本研究在青島市李滄區(qū)黑龍江中路進行了試驗。試驗路段東側(cè)建有萬達商場，車流密集，符合設(shè)定的復(fù)雜交通場景的要求，同時有過街天橋橫跨該路段，滿足為減少目標(biāo)遮擋而設(shè)計的將毫米波雷達數(shù)據(jù)采集系統(tǒng)安裝在道路上方的要求。FMCW毫米波雷達目標(biāo)檢測結(jié)構(gòu)主要包括：1 個獨立e200z7260核和1個e200z420核的NXP-MPC5775K 32 位異構(gòu)多核微控制器、1 個NXP-MR2001 射頻前端和2 組發(fā)射、4 組接收的平面微帶陣列天線。各項技術(shù)參數(shù)如表1所示。

表1 FMCW毫米波雷達的技術(shù)參數(shù)

原始數(shù)據(jù)中包含目標(biāo)運動狀態(tài)的4 個參數(shù)分別定義為：

（1）距離（rm）：目標(biāo)與雷達之間的徑向距離。

（2）速度（vm/s）：目標(biāo)與雷達的徑向相對速度。

（3）角度α（°）：目標(biāo)與雷達垂直探測方向的水平夾角。

（4）RCS（Rada Cross Section）值（dB）：表征目標(biāo)在雷達波照射下所產(chǎn)生的回波強度。

圖2形象地描繪了參數(shù)r,v,α的具體含義：

圖2 中，雷達安裝在A點，H為安裝高度，θ為安裝俯仰角。以雷達的豎直投影點O為原點，雷達所在豎直方向為z軸，雷達垂直探測方向（射線AP）的水平投影為y軸，建立空間直角坐標(biāo)系。點C處為探測目標(biāo)，點O至點C的距離為LOC，點A至點C的距離LAC為參數(shù)r，∠COP為參數(shù)α，目標(biāo)實際運動速度為vs，vs在線段AC方向上的正交分量為參數(shù)v。OC為AC的豎直投影，故在實際實驗中，雷達安裝高度H為3.5m，有效目標(biāo)徑向距離LAC約在15～80m 范圍內(nèi)，令LOC≈LAC，則LOC的取值誤差在0.077～0.414m 范圍內(nèi)。而在產(chǎn)生點跡關(guān)聯(lián)對時，距離增量誤差取值均大于LOC取值的最大誤差，因此，為簡化計算，本文取LOC≈LAC，即LOC≈r。

2 FMCW 毫米波雷達多目標(biāo)軌跡跟蹤方法

2.1 FMCW毫米波雷達數(shù)據(jù)預(yù)處理

2.1.1 噪聲剔除

原始數(shù)據(jù)中存在一系列由金屬護欄、燈柱等引起的背景噪聲，此類噪聲具有距離在一定范圍內(nèi)變化而速度保持為0 的特點。由于本次數(shù)據(jù)采集過程中未觀測到?？寇囕v，且FMCW 毫米波雷達可檢測到低速運動的目標(biāo)，所以將原始數(shù)據(jù)中速度為0 的目標(biāo)均視為背景噪聲并剔除。然后，為便于區(qū)分量測目標(biāo)，在每幀數(shù)據(jù)的第2 列位置新增1列，對速度不為0的目標(biāo)依次編號，并去除參數(shù)全為0的占位目標(biāo)。處理后的數(shù)據(jù)格式如表2所示。

表2 噪聲剔除后每幀數(shù)據(jù)格式

若第m幀數(shù)據(jù)包含n個量測，可將此幀數(shù)據(jù)表示為A(m,n)=(a1,a2,…,an)T，其中第i個量測表示為

2.1.2 參數(shù)轉(zhuǎn)換

在后續(xù)矩形跟蹤門的研究中，將圖2 所示空間直角坐標(biāo)系轉(zhuǎn)換為圖3 所示平面直角坐標(biāo)系，以便于對距離、速度等的差值計算。將目標(biāo)C在圖2 空間坐標(biāo)系中的運動參數(shù)r,v轉(zhuǎn)換至圖3 平面坐標(biāo)系的計算公式見式（1）。

圖3 和式（1）中：rx,ry分別為目標(biāo)C在圖3平面直角坐標(biāo)系中的橫、縱坐標(biāo)；vs為目標(biāo)實際運動速度。

2.2 基于軌跡狀態(tài)管理的車輛目標(biāo)軌跡提取方法

2.2.1 車輛軌跡狀態(tài)管理方法

由于環(huán)境復(fù)雜、車流量大，每幀數(shù)據(jù)包含多條車輛軌跡，且摻雜著未被剔除的虛假目標(biāo)，其中虛假目標(biāo)存在的時間短且一般不呈現(xiàn)距離隨時間連續(xù)變化的特點。因此，本文利用軌跡狀態(tài)管理方法提取有效車輛軌跡，具體流程如圖4所示。

圖4中，軌跡狀態(tài)包括3種：

（1）軌跡起始：新目標(biāo)連續(xù)出現(xiàn)2 幀，軌跡跟蹤開始。

（2）軌跡維持：某條軌跡自跟蹤起始后，每連續(xù)M幀至少更新1次。

（3）軌跡結(jié)束：某條軌跡連續(xù)M幀未更新。

判別為結(jié)束狀態(tài)的軌跡，若其關(guān)聯(lián)長度不小于L幀，則該條軌跡為有效車輛軌跡。

2.2.2 改進最近鄰點跡關(guān)聯(lián)算法

點跡關(guān)聯(lián)對的定義為：2 個有時間間隔的目標(biāo)量測形成的關(guān)聯(lián)。傳統(tǒng)最近鄰數(shù)據(jù)關(guān)聯(lián)算法基于統(tǒng)計距離最近原則將點跡與目標(biāo)軌跡關(guān)聯(lián)，但在車流量大、雜波點較多的情況下，容易導(dǎo)致軌跡異常中斷、軌跡漂移、軌跡縮短等異常情況發(fā)生。其中，軌跡異常中斷指1個目標(biāo)的整條長軌跡被跟蹤為兩部分，即識別為2個目標(biāo)；軌跡漂移指當(dāng)2個速度相近的目標(biāo)先后出現(xiàn)在道路相同位置時，由于出現(xiàn)較早的目標(biāo)其軌跡未被判別為結(jié)束，仍在不斷外推，而出現(xiàn)較晚的目標(biāo)的軌跡后半段被關(guān)聯(lián)至出現(xiàn)較早目標(biāo)的軌跡尾部；軌跡縮短指提取到的軌跡的有效長度遠小于該目標(biāo)在探測范圍內(nèi)真正出現(xiàn)的幀數(shù)，缺失幀多是雜波和虛警復(fù)雜的幀次。上述3種常見的異常情況如下頁圖5所示。

為盡量避免上述異常情況的發(fā)生，本文基于傳統(tǒng)最近鄰數(shù)據(jù)關(guān)聯(lián)算法，考慮到車輛目標(biāo)運動規(guī)律，提出一種設(shè)置了矩形跟蹤門和關(guān)聯(lián)準(zhǔn)則的改進最近鄰點跡關(guān)聯(lián)算法：通過矩形跟蹤門產(chǎn)生初步點跡關(guān)聯(lián)對，通過關(guān)聯(lián)準(zhǔn)則產(chǎn)生最終點跡關(guān)聯(lián)對，其基本流程如下頁圖6所示。

當(dāng)2 個時間間隔為t的量測=(r1,v1,α1)和形成初步關(guān)聯(lián)時，2 個量測在時間t內(nèi)的距離增量和速度增量應(yīng)滿足基本運動規(guī)律，即各增量小于最大增量值，如式（2）～式（4）所示：

式（2）～式（4）中：Δx,Δy和Δv分別為橫向距離增量、縱向距離增量和速度增量；Rx,Ry分別為橫向距離誤差和縱向距離誤差，根據(jù)車輛平均尺寸和雷達距離探測的系統(tǒng)誤差設(shè)定；Rv為速度增量閾值，根據(jù)雷達分辨率和車輛最大加速度設(shè)定。

如圖7 所示，假設(shè)點跡1 在時間t內(nèi)做勻速運動，則經(jīng)過時間t后應(yīng)出現(xiàn)在外推點（圈點4）位置，以外推點為中心設(shè)置矩形跟蹤門，當(dāng)門內(nèi)有點跡（點跡2和點跡3）存在且該點跡相對于點跡1的速度增量小于速度增量閾值時，點跡1分別與門內(nèi)點跡形成初步關(guān)聯(lián)對。圖7 中的初步關(guān)聯(lián)對為1-2和1-3。

設(shè)定關(guān)聯(lián)準(zhǔn)則的目的是解決初步關(guān)聯(lián)對中一對多和多對一的問題。在分別記錄上一時刻被更新軌跡和上一時刻未更新軌跡的尾部量測后，關(guān)聯(lián)準(zhǔn)則具體表述為：

（1）若尾部量測無對應(yīng)初步關(guān)聯(lián)對，則當(dāng)前時刻該條軌跡不更新。

（2）若尾部量測對應(yīng)1 個初步關(guān)聯(lián)對，則該初步關(guān)聯(lián)對成為最終關(guān)聯(lián)對，當(dāng)前時刻該條軌跡完成更新。

（3）若尾部量測對應(yīng)多個初步關(guān)聯(lián)對，則按照最近鄰原則選取最終關(guān)聯(lián)對，當(dāng)前時刻該條軌跡完成更新。

（4）若存在多個尾部量測對應(yīng)當(dāng)前幀的同一點跡，則根據(jù)雷達探測的車流方向進行篩選：車流朝向雷達安裝位置時，去掉當(dāng)前幀量測徑向距離大于尾部量測徑向距離的關(guān)聯(lián)對；車流背向安裝位置時，去掉當(dāng)前幀量測徑向距離小于尾部量測徑向距離的關(guān)聯(lián)對；處理后，若當(dāng)前幀點跡只對應(yīng)1 個尾部量測，則選為最終關(guān)聯(lián)對，若仍對應(yīng)多個尾部量測，選擇的最終關(guān)聯(lián)對應(yīng)保證當(dāng)前最長在跟蹤軌跡得以更新。

軌跡狀態(tài)更新的原則是優(yōu)先更新上一時刻被更新軌跡，然后更新上一時刻未更新軌跡，最后考慮是否存在新增軌跡，具體流程如圖8所示。

由于1 個量測不能被重復(fù)關(guān)聯(lián)至軌跡尾部，故圖8 中某時刻剩余量測應(yīng)是某時刻全部量測減去因軌跡狀態(tài)更新而被占用的所有量測。

2.3 基于貝塞爾曲線的車輛目標(biāo)軌跡平滑方法

2.3.1 三階貝塞爾曲線算法

貝塞爾曲線是樣條曲線中的一種，能夠?qū)崿F(xiàn)直線段之間的平滑過渡[17]。如圖9 所示，三階貝塞爾曲線有4 個控制點P0,P1,P2,P3，當(dāng)各連線的長度滿足式（5）時，點P0123的軌跡構(gòu)成三階貝塞爾曲線。式（5）中，P0P01表示點P0與點P01之間的歐氏距離，P0P1,P1P12,P1P2,P2P23,P2P3,P01P012,P01P12,P12P123,P12P23,P012P0123,P012P123同理。p時刻（0≤p≤1）某點Pp在曲線上的位置B(p)由式（6）計算可得。

2.3.2 滑窗式軌跡平滑方法

對于提取到的有效車輛軌跡，采用三階貝塞爾曲線算法做滑窗式平滑處理，如圖10所示。前4 個量測處理完畢后，釋放起始點，利用平滑后的第2、第3 點與第4、第5 原始點再次進行平滑處理，即滑窗式處理。

3 實例應(yīng)用

3.1 數(shù)據(jù)預(yù)處理

試驗采集的原始樣本數(shù)據(jù)中，前250 幀各目標(biāo)徑向距離信息如圖11所示，可初步看出，距離保持不變的水平線為需要剔除的一部分噪聲和雜波，距離連續(xù)變化的傾斜線為需要跟蹤的車輛軌跡。經(jīng)噪聲剔除后，前250 幀數(shù)據(jù)中各目標(biāo)的徑向距離信息如圖12所示。

3.2 車輛軌跡提取

判斷軌跡結(jié)束的依據(jù)是該條軌跡連續(xù)13幀未更新，即取M=13。13 幀是車速較快的車輛從駛?cè)氲今偝隼走_探測盲區(qū)所需的時間：車速取值85km/h（取速度大于等于70km/h的目標(biāo)的速度平均值），雷達探測盲區(qū)為徑向距離0～15m。若將M擴大取值，可能導(dǎo)致2 條軌跡連為1 條的異常情況發(fā)生。

當(dāng)關(guān)聯(lián)長度不小于20幀時，判斷該條軌跡為有效車輛軌跡，即取L=20。在使用FMCW 毫米波雷達探測車輛目標(biāo)時，還安裝了攝像機記錄實時同步視頻，使軌跡提取效果評價有據(jù)可依。在對應(yīng)前12.5s 的同步視頻中，觀察到出現(xiàn)在探測區(qū)域內(nèi)的車輛總數(shù)為13 輛（觀察數(shù)）。前250 幀原始數(shù)據(jù)在不同L取值下的軌跡提取結(jié)果如表3 所示，可以看出，當(dāng)L為20～23 幀時，軌跡提取效果最好。

表3 不同關(guān)聯(lián)長度下前250幀原始數(shù)據(jù)軌跡提取結(jié)果

為進一步觀察L取值對軌跡提取效果的影響，在前750 幀（37.5s）的視頻中，共觀察到48 輛（觀察數(shù)）車輛，然后在前750幀原始數(shù)據(jù)中提取有效車輛軌跡。不同L取值下軌跡提取結(jié)果如圖13 所示，其中：正確率=正確數(shù)/軌跡提取總數(shù)，漏檢率=漏檢數(shù)/觀察數(shù)，錯檢率=錯檢數(shù)/軌跡提取總數(shù)，重復(fù)率=重復(fù)數(shù)/正確數(shù)。

從圖13 可以看出，在L=25 時，正確率雖比L=20時高，但其漏檢率也隨之增高?？梢?，當(dāng)關(guān)聯(lián)長度L=20時，正確率較高，錯誤率、漏檢率和重復(fù)率均較低，綜合提取效果最好。在M=13,L=20 的情況下，所提取的前250 幀原始數(shù)據(jù)中的13條有效車輛軌跡如圖14所示。

將圖14 與圖12 進行比較，如圖15 所示，可以看出：

（1）有效車輛軌跡的徑向距離集中在10～80m 范圍內(nèi)，而0～10m 和80～140m 范圍內(nèi)的點跡幾乎全部被剔除。即只有少數(shù)車輛在距離雷達磁波發(fā)射點80m 以外的區(qū)域開始被探測，或在距離雷達磁波發(fā)射點10m 以內(nèi)的區(qū)域仍可被有效探測。因此，得出以下兩點結(jié)論：①本文所用毫米波雷達的實際有效探測區(qū)域是距離磁波發(fā)射點10～80m范圍內(nèi)，若超出該范圍，則獲取的目標(biāo)運動參數(shù)與實際數(shù)值存在較大偏差；②徑向距離在0～10m和80～140m范圍內(nèi)的點跡極有可能是雜波或虛警，故可根據(jù)徑向距離初步判斷目標(biāo)真實性。

（2）所提取的有效車輛軌跡的長度小于該目標(biāo)實際被探測的幀數(shù)。該目標(biāo)的某些點跡未被關(guān)聯(lián)的原因在于：①該點跡在雷達有效探測區(qū)域以外，速度值不準(zhǔn)確，無法被有效識別；②該點跡在雷達有效探測區(qū)域內(nèi)，但其與該目標(biāo)的其他點跡的距離差值、速度差值稍大于系統(tǒng)設(shè)置的閾值。

3.3 車輛軌跡平滑

13 條有效車輛軌跡經(jīng)三階貝塞爾曲線算法平滑處理后如圖16所示。

可以看出：整體上，與圖14 的原始軌跡相比，圖16的平滑軌跡突出點減少，點跡位置規(guī)律變化；局部上，原始軌跡新時刻點跡位置落后于舊時刻點跡位置的異常情況得到較好改善。為定量評價軌跡平滑度的提升效果，提出一種曲線擬合的方法分別計算軌跡平滑處理前后的徑向距離誤差，如圖17～圖18所示。

圖17（a）所示為1 條車輛原始軌跡，利用四次多項式擬合可得到圖17（b）中紅色曲線，由式（7）計算原始軌跡與擬合曲線的徑向距離誤差s1=0.631。然后，如圖18（b）所示，將該曲線同位置放在圖18（a）所示車輛平滑軌跡中，由式（8）計算平滑軌跡與擬合曲線的徑向距離誤差s2=0.446。s2＜s1，說明車輛原始軌跡經(jīng)滑窗式貝塞爾曲線算法處理后平滑度得到改善。13條有效車輛軌跡平滑處理前和平滑處理后的曲線擬合誤差匯總?cè)绫? 所示，可見13 條原始車輛軌跡經(jīng)平滑處理后，平均徑向距離誤差由0.555 降至0.446，總體平滑度得到改善。

表4 13條有效車輛軌跡平滑處理前與處理后曲線擬合誤差匯總表

式（7）～式（8）中：ri為原始點跡的徑向距離；為對應(yīng)時刻擬合曲線上的徑向距離；為平滑點跡的徑向距離。

4 結(jié)論

為有效獲取復(fù)雜交通場景下的高分辨率車輛軌跡數(shù)據(jù)，本文提出了一種多目標(biāo)車輛軌跡跟蹤方法，并利用FMCW 毫米波雷達采集的真實數(shù)據(jù)驗證了算法的有效性。研究結(jié)果表明：

（1）設(shè)置了矩形跟蹤門和關(guān)聯(lián)準(zhǔn)則的改進最近鄰點跡關(guān)聯(lián)算法能夠有效提高點跡關(guān)聯(lián)準(zhǔn)確度，解決了傳統(tǒng)最近鄰數(shù)據(jù)關(guān)聯(lián)造成的車輛軌跡漂移、異常中斷和長度縮短等問題。

（2）所采用的軌跡狀態(tài)管理方法能夠有效判別和提取車輛軌跡，提高了復(fù)雜交通場景下目標(biāo)識別和軌跡跟蹤的準(zhǔn)確度。

（3）基于三階貝塞爾曲線的軌跡平滑處理在一定程度上降低了原始數(shù)據(jù)的測量誤差，并實現(xiàn)了缺失幀補償。

當(dāng)?shù)缆飞嫌写笮蛙囕v出現(xiàn)時，如貨車等廂型車輛，由于其車身較長，雷達探測信號可能在車身的不同位置發(fā)生反射，使得同一幀數(shù)據(jù)中出現(xiàn)同一輛車的多個量測。但本文在軌跡狀態(tài)更新時只關(guān)聯(lián)1 個目標(biāo)的1 個新量測，在以后的研究中，將合并同幀數(shù)據(jù)的同車量測，折中確定大型車輛的位置。