【技术实现步骤摘要】
本专利技术涉及计算机，尤其是一种抗遮挡的三维多目标跟踪方法。
技术介绍
1、在智能网联汽车、自动驾驶、无人机和无人船编队协同、空对地观测等智能环境感知场景中，三维多目标跟踪是非常关键的感知任务之一。三维多目标跟踪算法被广泛用于捕获复杂场景中车辆、行人、无人船等动态信息。实时三维多目标跟踪可以从感知场景中提取动态信息，并通过探索这些空间和时间信息来获得准确的跟踪轨迹。三维多目标跟踪算法凭借高精度、高时空分辨率的优势，成为了自动驾驶、交通监控和车路协同领域中提取动态最关键的感知任务之一。现有多目标跟踪算法所依赖感知数据主要分为图像、激光雷达和多模态数据三类，通过探索这些感知数据时空信息，获得准确的跟踪轨迹。
2、现有的三维多目标跟踪算法主要分为两类，端到端的跟踪方法和检测-跟踪两阶段跟踪方法。基于端到端的算法，对检测模块和跟踪模块协同训练，通过利用时空序列中的目标特一性机制，获得目标在时空序列中的独一无二的运动轨迹，进而在跟踪精度和跟踪效率方面都获得了较好的结果。基于检测-跟踪两阶段算法则需要利用独立的跟踪模块关联检测结果。然而，现有的三维多目标跟踪算法仍然受到实际场景中遮挡问题的困扰，这些算法没有针对数据遮挡问题本身进行相关研究。
技术实现思路
1、有鉴于此，本专利技术实施例提供一种效率高且精度高的，抗遮挡的三维多目标跟踪方法。
2、本专利技术实施例的一方面提供了一种抗遮挡的三维多目标跟踪方法，包括：
3、随机将初始点云中的部分点云进行掩码处理，并
4、将所述掩码点云进行体素化表示，并利用多阶段编码器提取掩码点云的多尺度特征，再将多尺度特征输入到动量解码器中获得重构后的点云数据；
5、将重构后的点云数据和初始点云数据进行比对，持续优化编码器和解码器模块，直到重构后的点云数据和初始点云数据之间的误差达到预设的理想值；
6、利用优化好的编码器模块提取待跟踪点云数据的特征信息，获得遮挡目标的初始空间状态，接着利用空间图整合后优化模块对初始检测结果进行优化，获得修正后的检测结果；
7、利用几何和角点亲和力获得历史跟踪目标和检测目标之间的匹配关系，获得当前时刻的跟踪结果，直至完成对多个目标的跟踪。
8、可选地，所述将所述掩码点云进行体素化表示，并利用多阶段编码器提取掩码点云的多尺度特征，再将多尺度特征输入到动量解码器中获得重构后的点云数据，包括：
9、将掩码的点云划分为互不重叠的体素块，将点云体素转化为非空体素来生成点云的位置编码；
10、将指定比例的体素进行随机掩码，同时剩余的未掩码体素输入到体素特征编码器中获得体素特征，并确定各个体素特征的对应空间坐标；
11、引入跨区域注意力机制模块学习未掩码体素在不同空间区域内的特征表示；其中，所述跨区域注意力机制模块包含两个稀疏注意力算法和一个区域转移操作；
12、获得跨区域编码特征后，采用步长为2的稀疏卷积层对特征进行下采样；
13、根据动量解码器的主干网络，将对应的特征进行融合；
14、根据融合得到动量特征预测掩码的点云数据。
15、可选地，对于第i个点云数据对应的体素指数的表达式为：
16、
17、其中，vi表示体素指数；表示向上取整函数；vx,vy和vz表示在x-y-z平面上体素的大小。
18、可选地，所述多阶段编码器中，对于s-1阶段的体素特征，将体素特征表示为fs-1，该体素特征对应的空间坐标表示为cs-1，将体素特征的相关信息输入到s阶段，在s阶段中，一个步长为1的稀疏卷积层用于整合s-1阶段的特征，该过程的表达式为：
19、fs,1＝sc(fs-1,st＝1)
20、其中，fs,1代表第s阶段中经过sc操作所提取到的特征；sc代表稀疏卷积操作。
21、可选地，所述跨区域注意力机制模块包括两个稀疏注意力处理过程和一个区域转移操作过程，所述跨区域注意力机制模块的处理过程的表达式为：
22、fs,2＝sr(sr(fs,1,cs-1),rs(cs-1))
23、其中，fs,2代表第s阶段中经过跨区域注意力机制后所提取到的特征；sr代表稀疏区域注意力模块，该模块基于标准的transformer设计；cs-1代表体素特征对应的空间坐标；rs代表区域漂移操作；
24、所述获得跨区域编码特征后，采用步长为2的稀疏卷积层对特征进行下采样这一过程的表达式为：
25、fs,3＝sc(fs，2,st＝2)
26、其中，fs,3代表第s阶段中经过sc操作下采样后的特征；sc代表稀疏卷积操作。
27、可选地，所述利用几何和角点亲和力获得历史跟踪目标和检测目标之间的匹配关系，获得当前时刻的跟踪结果，包括：
28、确定一个时空序列下对应时刻的跟踪状态的表达形式；
29、计算跟踪目标和检测目标之间的几何亲和力和角点亲和力，获得最终的亲和力关系；
30、将计算到的亲和力矩阵输入到匈牙利算法中获得检测目标和跟踪目标的关联信息，进而获得当前时刻的跟踪状态。
31、本专利技术实施例的另一方面还提供了一种抗遮挡的三维多目标跟踪装置，包括：
32、第一模块，用于随机将初始点云中的部分点云进行掩码处理，并记录掩码点云的实际空间位置；
33、第二模块，用于将所述掩码点云进行体素化表示，并利用多阶段编码器提取掩码点云的多尺度特征，再将多尺度特征输入到动量解码器中获得重构后的点云数据；
34、第三模块，用于将重构后的点云数据和初始点云数据进行比对，持续优化编码器和解码器模块，直到重构后的点云数据和初始点云数据之间的误差达到预设的理想值；
35、第四模块，用于利用优化好的编码器模块提取待跟踪点云数据的特征信息，获得遮挡目标的初始空间状态，接着利用空间图整合后优化模块对初始检测结果进行优化，获得修正后的检测结果；
36、第五模块，用于利用几何和角点亲和力获得历史跟踪目标和检测目标之间的匹配关系，获得当前时刻的跟踪结果，直至完成对多个目标的跟踪。
37、本专利技术实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
38、所述存储器用于存储程序；
39、所述处理器执行所述程序实现如前面所述的方法。
40、本专利技术实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
41、本专利技术实施例的另一方面还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如前面所述的方法。
42、本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计本文档来自技高网...
【技术保护点】
1.一种抗遮挡的三维多目标跟踪方法，其特征在于，包括：
2.根据权利要求1所述的一种抗遮挡的三维多目标跟踪方法，其特征在于，所述将所述掩码点云进行体素化表示，并利用多阶段编码器提取掩码点云的多尺度特征，再将多尺度特征输入到动量解码器中获得重构后的点云数据，包括：
3.根据权利要求2所述的一种抗遮挡的三维多目标跟踪方法，其特征在于，对于第i个点云数据对应的体素指数的表达式为：
4.根据权利要求2所述的一种抗遮挡的三维多目标跟踪方法，其特征在于，所述多阶段编码器中，对于s-1阶段的体素特征，将体素特征表示为Fs-1，该体素特征对应的空间坐标表示为Cs-1，将体素特征的相关信息输入到s阶段，在s阶段中，一个步长为1的稀疏卷积层用于整合s-1阶段的特征，该过程的表达式为：
5.根据权利要求4所述的一种抗遮挡的三维多目标跟踪方法，其特征在于，所述跨区域注意力机制模块包括两个稀疏注意力处理过程和一个区域转移操作过程，所述跨区域注意力机制模块的处理过程的表达式为：
6.根据权利要求1所述的一种抗遮挡的三维多目标跟踪方法，其特征在于，所
7.一种抗遮挡的三维多目标跟踪装置，其特征在于，包括：
8.一种电子设备，其特征在于，包括处理器以及存储器；
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至6中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
...【技术特征摘要】
1.一种抗遮挡的三维多目标跟踪方法，其特征在于，包括：
2.根据权利要求1所述的一种抗遮挡的三维多目标跟踪方法，其特征在于，所述将所述掩码点云进行体素化表示，并利用多阶段编码器提取掩码点云的多尺度特征，再将多尺度特征输入到动量解码器中获得重构后的点云数据，包括：
3.根据权利要求2所述的一种抗遮挡的三维多目标跟踪方法，其特征在于，对于第i个点云数据对应的体素指数的表达式为：
4.根据权利要求2所述的一种抗遮挡的三维多目标跟踪方法，其特征在于，所述多阶段编码器中，对于s-1阶段的体素特征，将体素特征表示为fs-1，该体素特征对应的空间坐标表示为cs-1，将体素特征的相关信息输入到s阶段，在s阶段中，一个步长为1的稀疏卷积层用于整合s-1阶段的特征，该过程的表达式为：
5.根据权利要求4所述的一...
【专利技术属性】
技术研发人员：张晓飞，范正平，谭晓军，阮漪灏，石伯栋，吴加学，任杰，
申请(专利权)人：南方海洋科学与工程广东省实验室珠海，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。