【技术实现步骤摘要】
本专利技术涉及目标追踪领域，具体涉及一种目标跟踪方法、系统、计算机设备以及存储介质。
技术介绍
1、多目标追踪（multi-object tracking, mot）是无人驾驶领域的一项关键技术。目前在进行多目标追踪时，一般利用卡尔曼滤波器进行滤波，以预测目标状态。卡尔曼滤波器算法在目标跟踪领域应用广泛，卡尔曼滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态，能够有效去除噪声还原真实数据。
2、但是在实际场景中，由于检测的不稳定性，处于交叉口等待红灯的静止车辆在检测数据中会出现晃动情况，导致在正常的多目标跟踪（mot）结果中也有晃动现象。同样，行驶中的车辆由于检测不稳定可能出现位置和朝向偏差，使得卡尔曼滤波器可能产生错误的判断，如误以为车辆需要转弯，最终导致卡尔曼滤波器输出误差较大的信息，影响追踪精度。
技术实现思路
1、有鉴于此，为了克服上述问题的至少一个方面，本专利技术实施例提出一种融合感知设备的目标跟踪方法 ，包括以下步骤：
2、获取目标的前n帧的检测数据；
3、基于所述前n帧的检测数据预测所述目标的运动模式；
4、获取目标的第n+1帧的检测数据；
5、基于所述运动模式、第n帧的检测数据、所述第n+1帧的检测数据确定所述目标的第n+1帧的实际状态。
6、在一些实施例中，基于所述运动模式、第n帧的检测数据、所述第n+1帧的检测数据确定所述目标的第n+1帧的实际状态，进一步包括：
7、响应于所述运动模式为非静止状态，基于所述第n+1帧的检测数据和所述第n帧的检测数据计算所述目标的位置变化值和朝向变化值；
8、获取与目标的实际运动状态对应的位置变化阈值和朝向变化阈值；
9、基于所述目标的位置变化值和朝向变化值、与目标的实际运动状态对应的位置变化阈值和朝向变化阈值计算观测方差；
10、基于所述观测方差进行卡尔曼滤波处理以确定所述目标第n+1帧的实际状态。
11、在一些实施例中，基于所述运动模式、第n帧的检测数据、所述第n+1帧的检测数据确定所述目标的第n+1帧的实际状态，进一步包括：
12、响应于所述运动模式为静止状态，将第n帧的检测数据对应的状态作为所述目标的第n+1帧的实际状态。
13、在一些实施例中，获取目标的前n帧的检测数据，进一步包括：
14、获取所述目标在每一帧的检测数据，其中所述检测数据包括中心点横坐标、中心点纵坐标、朝向、目标长度、目标宽度以及目标类型；
15、利用每一个所述中心点横坐标构建横坐标向量、每一个所述中心点纵坐标构建纵坐标向量、每一个所述朝向构建朝向向量；
16、对所述横坐标向量、所述纵坐标向量、所述朝向向量、所述目标长度、所述目标宽度以及所述目标类型进行预处理。
17、在一些实施例中，基于所述前n帧检测数据预测所述目标的运动模式，进一步包括：
18、获取已训练的预测模型；
19、将预处理后的所述横坐标向量、所述纵坐标向量、所述朝向向量、所述目标长度、所述目标宽度以及所述目标类型作为输入数据输入到所述预测模型进行预测得到所述目标的运动模式。
20、在一些实施例中，将预处理后的所述横坐标向量、所述纵坐标向量、所述朝向向量、所述目标长度、所述目标宽度以及所述目标类型输入到所述预测模型进行预测得到所述目标的运动模式，进一步包括：
21、利用所述预测模型的卷积神经网络对所述输入数据进行特征提取；
22、将所述卷积神经网络提取的特征输入到所述预测模型的长短期记忆网络进行计算；
23、将所述长短期记忆网络的计算结果与所述卷积神经网络提取的特征进行相加并输入到所述预测模型的全连接前馈神经网络；
24、将所述全连接前馈神经网络的输出作为所述目标的运动模式。
25、在一些实施例中，对所述横坐标向量、所述纵坐标向量、所述朝向向量、所述目标长度、所述目标宽度以及所述目标类型进行预处理，进一步包括：
26、计算所述横坐标向量的所有元素中最大值和最小值的第一平均值并将每一个元素减去所述第一平均值；
27、计算所述纵坐标向量的所有元素中最大值和最小值的第二平均值并将每一个元素减去所述第二平均值；
28、计算所述朝向向量的所有元素中最大值和最小值的第三平均值并将每一个元素减去所述第三平均值；
29、将所述目标长度除以预设的长度归一化超参；
30、将所述目标宽度除以预设的宽度归一化超参；
31、将所述目标类型除以预设的类型归一化超参。
32、基于同一专利技术构思，根据本专利技术的另一个方面，本专利技术的实施例还提供了一种目标跟踪系统，包括：
33、第一获取模块，配置为获取目标的前n帧的检测数据；
34、预测模块，配置为基于所述前n帧检测数据预测所述目标的运动模式；
35、第二获取模块，配置为获取目标的第n+1帧的检测数据；
36、计算模块，配置为基于所述运动模式、第n帧的检测数据、所述第n+1帧的检测数据确定所述目标的第n+1帧的实际状态。
37、基于同一专利技术构思，根据本专利技术的另一个方面，本专利技术的实施例还提供了一种计算机设备，包括：
38、至少一个处理器；以及
39、存储器，所述存储器存储有可在所述处理器上运行的计算机程序，所述处理器执行所述程序时执行如上所述的任一种融合感知设备的目标跟踪方法 的步骤。
40、基于同一专利技术构思，根据本专利技术的另一个方面，本专利技术的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时执行如上所述的任一种融合感知设备的目标跟踪方法 的步骤。
41、本专利技术具有以下有益技术效果之一：本专利技术提出的方案通过对目标的前n帧的检测数据，预先判断目标的运动模式，从而结合运动模式、第n+1帧的检测数据确定第n+1帧的实际状态，进而得到更准确的跟踪效果。
本文档来自技高网...【技术保护点】
1.一种目标跟踪方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，基于所述运动模式、第N帧的检测数据、所述第N+1帧的检测数据确定所述目标的第N+1帧的实际状态，进一步包括：
3.如权利要求1所述的方法，其特征在于，基于所述运动模式、第N帧的检测数据、所述第N+1帧的检测数据确定所述目标的第N+1帧的实际状态，进一步包括：
4.如权利要求1所述的方法，其特征在于，获取目标的前N帧的检测数据，进一步包括：
5.如权利要求4所述的方法，其特征在于，基于所述前N帧检测数据预测所述目标的运动模式，进一步包括：
6.如权利要求5所述的方法，其特征在于，将预处理后的所述横坐标向量、所述纵坐标向量、所述朝向向量、所述目标长度、所述目标宽度以及所述目标类型输入到所述预测模型进行预测得到所述目标的运动模式，进一步包括：
7.如权利要求4所述的方法，其特征在于，对所述横坐标向量、所述纵坐标向量、所述朝向向量、所述目标长度、所述目标宽度以及所述目标类型进行预处理，进一步包括：
8.一种目标跟踪系
9.一种计算机设备，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行如权利要求1-7任意一项所述的方法的步骤。
...【技术特征摘要】
1.一种目标跟踪方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，基于所述运动模式、第n帧的检测数据、所述第n+1帧的检测数据确定所述目标的第n+1帧的实际状态，进一步包括：
3.如权利要求1所述的方法，其特征在于，基于所述运动模式、第n帧的检测数据、所述第n+1帧的检测数据确定所述目标的第n+1帧的实际状态，进一步包括：
4.如权利要求1所述的方法，其特征在于，获取目标的前n帧的检测数据，进一步包括：
5.如权利要求4所述的方法，其特征在于，基于所述前n帧检测数据预测所述目标的运动模式，进一步包括：
6.如权利要求5所述的...
【专利技术属性】
技术研发人员：吉章伟，郭振华，
申请(专利权)人：天翼交通科技有限公司，
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。