【技术实现步骤摘要】
本专利技术涉及多目标跟踪，具体涉及基于场景目标数量改进卡尔曼滤波的3d多目标跟踪方法。
技术介绍
1、在自动驾驶和机器人技术中，准确的感知和跟踪周围环境中的动态物体（如行人、车辆和障碍物）是实现安全和高效自主导航的关键。多目标跟踪技术旨在从传感器数据中同时跟踪多个动态目标、提供每个目标的运动轨迹和预测位置。与二维图像数据相比、lidar提供的三维点云数据包含丰富的空间信息，有助于更加准确地检测和跟踪目标。
2、尽管基于神经网络的学习方法在目标跟踪领域表现出色，但是其计算资源需求量大，数据需求量大、模型的可解释性差、对环境变化的鲁棒性不足以及训练和部署的复杂性高。所以相比之下，传统目标跟踪方法在计算复杂度、资源需求和稳定性等方面具有一定的优势，特别是在资源受限和需要高解释性的应用中仍然具有重要的应用价值。
3、目前传统目标跟踪方法通常依赖于基于特征的算法，如光流法（optical flow）、粒子滤波（filtering）和卡尔曼滤波（kalman filtering）。这些方法利用图像处理和统计技术来跟踪目标的运动轨迹。这些方法的主要优点是计算复杂度低、对硬件要求较低，并且在特定条件下能够提供稳定和准确的跟踪结果。
4、传统卡尔曼滤波算法简单，一般在卡尔曼滤波过程中选用固定的过程噪声，但是在场景变化特别快的情况下，其过程噪声是一直在变化的，所以由于其简单的计算方式，很容易出现误差，从而无法完成3d多目标跟踪的任务。在对准确关联对进行判断过程中，一般选用固定的iou阈值，然而在高密度的场景中，车
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的在于提供基于场景目标数量改进卡尔曼滤波的3d多目标跟踪方法。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、基于场景目标数量改进卡尔曼滤波的3d多目标跟踪方法，包括步骤：
4、a、以雷达发射中心作为坐标系的原点，建立雷达坐标系，并获得原始点云数据；
5、b、对所得的原始点云数据处理，获得第i帧点云数据处理后的检测框，用于表示每个目标信息；
6、c、用第i帧目标检测框的数目调整数据关联部分的iou阈值，得到当前帧场景下的iou阈值；
7、d、获得第i帧的跟踪集合和检测集合之间的目标关联对；
8、e、对获得的每个关联对的权值是否小于动态iou阈值进行判断，并且区分为不同的目标类型，所述目标类型包括跟踪成功类型、检测错误类型和遮挡类型；
9、f、将步骤e得到的不同目标类型的关联对作为自适应卡尔曼滤波器的输入，并且经过预测，从而获得第i+1帧的目标最优估计，重复上述步骤直至将所有的点云数据均遍历完成，从而得到不同场景中目标变化的多目标准确跟踪。
10、在本专利技术中，优选的，在步骤a中，建立雷达坐标系以智能车辆的前进方向为x轴，以驾驶员左侧方向为y轴，以车辆上方为z轴。
11、在本专利技术中，优选的，在步骤b中，对所得的原始点云数据通过pointrcnn目标检测算法，获得第i帧点云数据处理后的检测框，用于表示每个目标信息，将第i帧的检测集合和第i-1帧经过卡尔曼滤波预测得到第i帧的跟踪集合一同传入下一步骤c中。
12、在本专利技术中，优选的，在步骤c中，当前帧场景下的iou阈值为：
13、，k是调节参数，控制曲线的陡峭度，是密度的中点，是交叉比最高值，是交叉比最低值，是当前帧目标密度值，是最终的交叉比阈值。
14、在本专利技术中，优选的，在步骤d中，具体还包括步骤：
15、d1、使用diou算法提升到三维来计算跟踪集合和检测集合目标之间的关联矩阵；
16、d2、将获得的关联矩阵作为匈牙利算法的输入，获得检测目标集合和跟踪目标集合的准确关联对。
17、在本专利技术中，优选的，在步骤d1中，diou算法具体采用：
18、，是所述跟踪集合的目标检测框与检测集合的目标检测框之间的中心距离，
19、,
20、其中,是所述跟踪集合的目标检测框在当前雷达坐标系下的重心点的三维坐标，,是检测集合的目标检测框在当前雷达坐标系下的重心点的三维坐标，c为能够包含两个目标检测框的最小立方体的对角线长度。
21、在本专利技术中，优选的，在所述步骤e中，具体包括步骤：
22、e1、判断每个关联对的权值小于动态iou阈值是否成立，如果成立则表示关联对中的两个目标之间存在关联，否则表示两者没有关联；
23、e2、关联成功的关联对为跟踪成功类型，用该关联对作为观测值更新卡尔曼滤波器的跟踪目标信息，同时如果该关联对中的跟踪目标连续关联的次数大于三帧，则将其输出到显示程序；
24、e3、关联失败的检测目标作为新进入场景的目标，如果后续跟踪过程中连续三帧能够关联成功，则其为检测错误类型，将其输出到显示程序；
25、e4、关联失败的跟踪目标作为要离开场景的目标，如果后续跟踪过程中连续两帧没有关联成功，其为遮挡类型，将其停止输出到显示程序；
26、e5、再次使用第i帧检测集合中检测框的数目作为输入调整卡尔曼滤波过程噪声q，从而实现自适应卡尔曼滤波器。
27、在本专利技术中，优选的，在步骤e5中，噪声q具体调整依据：
28、,是基础过程噪声协方差矩阵，在滤波器初始化时给定，n是当前帧检测集合中检测框的数目，场景度量预设的最大值，用于归一化n，alpha是调整因子，用于控制n对q的影响程度。
29、与现有技术相比，本专利技术的有益效果是：
30、1、本专利技术的方法将场景每一帧场景内的目标数量信息计算出来的权重作为惩罚项添加到过程噪声协方差矩阵q中。在通过卡尔曼滤波器预测下一帧目标位置前，根据上一帧的场景内的目标数量来更新过程噪声q，从而使得过程噪声更加符合当前场景，进而获得较为准确地预测信息，从而提高了后续数据关联的精度，进而提高了在场景快速切换的情况下跟踪的精度。
31、2.本专利技术提出一种基于场景目标数量改进的动态调整iou阈值的方法，首先通过匈牙利等关联算法获得准确关联对，然后根据场景内目标的数量通过sigmoid算法计算出当前场景下适合的iou阈值，最后再通过此阈值来判断关联对的准确性。根据车辆密度动态调整iou阈值，可以在不同场景中更好的平衡跟踪的准确性和稳定性，从而提高整体跟踪性能。
32、3.本专利技术提出使用diou替换之前算法的giou，并且将其提升到三维的方法，引入diou弥补了giou在目标重合情况下无法区分目标的相对状态的缺陷，使得在目标重合的情况下也能计算出由于目标不同的状态而体现处的权值，从而提高后续数据关联的准确性。
本文档来自技高网...【技术保护点】
1.基于场景目标数量改进卡尔曼滤波的3D多目标跟踪方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于场景目标数量改进卡尔曼滤波的3D多目标跟踪方法，其特征在于，在步骤A中，建立雷达坐标系以智能车辆的前进方向为X轴，以驾驶员左侧方向为Y轴，以车辆上方为z轴。
3.根据权利要求2所述的基于场景目标数量改进卡尔曼滤波的3D多目标跟踪方法，其特征在于，在步骤B中，对所得的原始点云数据通过pointrcnn目标检测算法，获得第i帧点云数据处理后的检测框，用于表示每个目标信息，将第i帧的检测集合和第i-1帧经过卡尔曼滤波预测得到第i帧的跟踪集合一同传入下一步骤C中。
4.根据权利要求1所述的基于场景目标数量改进卡尔曼滤波的3D多目标跟踪方法，其特征在于，在步骤C中，当前帧场景下的IOU阈值为：
5.根据权利要求4所述的基于场景目标数量改进卡尔曼滤波的3D多目标跟踪方法，其特征在于，在步骤D中，具体还包括步骤：
6.根据权利要求5所述的基于场景目标数量改进卡尔曼滤波的3D多目标跟踪方法，其特征在于，在步骤D1中，DIOU算法具
7.根据权利要求1所述的基于场景目标数量改进卡尔曼滤波的3D多目标跟踪方法，其特征在于，在步骤E中，具体包括步骤：
8.根据权利要求7所述的基于场景目标数量改进卡尔曼滤波的3D多目标跟踪方法，其特征在于，在步骤E5中，噪声Q具体调整依据：
...【技术特征摘要】
1.基于场景目标数量改进卡尔曼滤波的3d多目标跟踪方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于场景目标数量改进卡尔曼滤波的3d多目标跟踪方法，其特征在于，在步骤a中，建立雷达坐标系以智能车辆的前进方向为x轴，以驾驶员左侧方向为y轴，以车辆上方为z轴。
3.根据权利要求2所述的基于场景目标数量改进卡尔曼滤波的3d多目标跟踪方法，其特征在于，在步骤b中，对所得的原始点云数据通过pointrcnn目标检测算法，获得第i帧点云数据处理后的检测框，用于表示每个目标信息，将第i帧的检测集合和第i-1帧经过卡尔曼滤波预测得到第i帧的跟踪集合一同传入下一步骤c中。
4.根据权利要求1所述的基于...
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。