毫米波雷达是目前智能交通监视系统中的重要组成部分,利用毫米波雷达实现多目标车辆跟踪是智能交通领域的研究热点。针对道路上过往车辆,毫米波雷达监视系统通过目标跟踪与轨迹预测来判断车辆是否存在危险驾驶行为并发出预警信号,因此雷达监视与预警有助于减少交通事故发生。目前,有很多基于视频图像的多目标跟踪算法,但在实际的交通监视环境中这些方法适应性差,容易受到复杂环境的影响,而毫米波雷达检测精度高,抗干扰能力强,可以很好地适应复杂场景。本文围绕交通场景毫米波监视雷达多目标跟踪技术中的聚类算法和数据关联算法进行了研究与应用,并依据实际的交通监视场景设计了一款多目标跟踪系统,具体工作总结如下:(1)提出了一种基于主轴的密度峰值模糊聚类算法。该算法把寻找密度峰值和主轴迭代更新结合起来,利用二次聚类修正初次聚类的结果,从而提高聚类的准确度。另外,该算法通过寻找密度峰值,精确地找到聚类中心点,提高了二次聚类修正的效率,缩短算法运行时间。实际场景测试结果表明,与DBSCAN聚类、模糊C-均值聚类和k-Means聚类算法相比,该聚类算法将分类结果的正确率提高了15%以上,解决了临近车辆聚类不准的问题。(2)提出了一种k近邻联合概率数据关联算法。该算法以聚类后的结果为数据基础,改进了传统联合概率数据关联算法,提出了新的预聚合矩阵和聚合矩阵,提高了数据关联的准确率和算法执行效率。仿真对比实验及实际场景测试结果表明,与最近邻数据关联、联合概率数据关联算法相比,该数据关联算法关联正确率可以达到95%以上,解决了多目标跟踪不准确的问题。(3)设计了一款多目标跟踪系统。针对高速公路场景下临近车辆跟踪不准确问题,该系统结合上述的聚类和数据关联算法设计了多目标跟踪算法,解决了临近车辆多目标跟踪时,目标区分不清和数据关联不准确等相关难题。实际场景测试结果表明,多目标跟踪成功率在95%以上,且对多个应用场景具有较强的鲁棒性。