yng2020/pazhou_radardata_track

项目说明

预测性能

算法

算法流程图见下：

整体思路介绍

整体思路就是先做标定，拿到雷达坐标系的原点的经纬度数据，以及利用3车道的标定数据，确定4车道的边界所在。然后再进行目标跟踪和识别。这一部分在前文已经通过算法流程图说得十分详细了。算法伪代码如下

开始;
通过标定数据获取雷达坐标系原点的经纬度信息;
将全体雷达数据按记录的时间划分为n_Gap帧;
初始化一些参数与用于记录追踪情况的向量tracer_buffer;
  while(当前处理的帧cnt < n_Gap?) {
    从雷达数据中提取帧cnt的全体数据curFrameAllData;
    创建OKIndex;
    if (数据位置在四车道内 && RCS > RCSMin?) {
      将对应下标push到OKIndex中;
    }
    对curFrameAllDat中的下标在OKIndex中的数据，
    按照速度，纵向距离，横向距离，RCS升序排序，
    得到curFrameData;
    while(在tracer_buffer中有目标未被处理?) {
      if (在curFrameData找到能与目标相匹配的数据?) {
        在curFrameData中拿走能完成匹配的多个数据点;
        动态更新车辆长度;
        在进行卡夫曼滤波后记录结果;
      }
      else {
        if (连续追踪失败次数>maxFailTime?) {
          将目标从追踪队列内移除;
        }
        else {
          保留目标在追踪队列内;
          连续追踪失败次数+1;
        }
      }
      处理目标数+1;
    }
    while (在得到curFrameData中有数据未被处理?) {
      if (数据的速度不等于0?) {
        if (在剩余的数据中，能找到多个速度相近，且位置接近的数据?) {
          在curFrameData中拿走对应的多个数据点;
          计算车辆长度;
          用这些数据构成一个追踪目标并记录结果;
        }
      }
      处理数据数+1;
    }
  }
while (有结果未输出?) {
  if (该结果对应的车辆被记录追踪的次数>1?)
    逐条输出结果;
}
结束;

方法的创新点

算法的主体部分都只是用了一些直观和常用的算法，但是由于这一问题存在许多超参数，因此我们在线下创建了许多评价指标，如平均目标连续追踪长度等，让我们能有方向地进行参数调整。

算法的其他细节

其他注意事项