一种基于深度信息的车辆跟踪方法

摘要

本发明公开了一种基于深度信息的车辆跟踪方法，所述方法包括：采用基于距离的方法对每一帧数据进行聚类；在聚类内部提取目标的特征向量；依据特征向量初步判断目标是否为车辆目标；采用卡尔曼滤波器对单个目标进行跟踪；通过计算当前帧中识别出来的目标与跟踪器中目标的代价方程实现目标关联；当正在被跟踪的目标漏检时，根据当前状态对目标状态进行估计，当重新检测到目标时，继续对目标进行跟踪，保持了跟踪的连贯性；能够跟踪出现在扫描环境内的新目标，删除消失的目标，即被跟踪的目标的数目是随实际情况变化的；解决了采用联合概率数据关联算法只能跟踪确定数目的目标的缺点，与多假设跟踪算法相比，计算量和内存开销都比较小。

主权项

1.一种基于深度信息的车辆跟踪方法，包括以下步骤，A．利用测距传感器连续获取扫描范围内物体的深度信息R，R={(r_n，φ_n)|n=0，…，N_R}，其中，r_n表示扫描点与传感器的距离，φ_n表示扫描点的方位角，N_R表示一个扫描周期采集到的扫描点的个数，n为0到N_R的整数，并将深度信息R由极坐标转换为笛卡尔坐标；传感器一个扫描周期获得的数据称为一帧；B．采用自适应距离阈值的方法对获取的每帧数据实时进行聚类分析，形成不同的聚类；C．计算每一个聚类的内部距离d，如果聚类的内部距离d小于阈值A，去掉该聚类，内部距离d的计算公式如下，$d=\sqrt{x_{p_{\mathrm{ni}}{p}_{\mathrm{ne}}}^2+y_{p_{\mathrm{ni}}{p}_{\mathrm{ne}}}^2}$其中，x_pnipne表示一个聚类的起点与终点的横坐标之差；y_pnipne表示一个聚类的起点与终点的纵坐标之差；D．对保留的聚类分别进行直线拟合，并在此基础上提取目标的特征向量，特征向量包括聚类内线段的数目，目标的形状、目标大小和线段的长度比；E．根据特征向量的值依次判别保留的聚类是否为车辆目标；其特征在于还包括以下步骤：F．如果当前帧中识别出来的车辆目标数目不为零，执行步骤G；如果当前帧中识别出来的目标数目为零，执行步骤H；G．如果跟踪器数目为零，为当前帧识别出来的每个车辆目标建立一个跟踪器，重复步骤A至步骤F；如果跟踪器数目不为零，执行步骤I；所述跟踪器的模型为：{{num，size，ratio}，{x，y，vx，vy}，{error_cov_post}，{lost，losttime}，{objectid}}，其中，{num，size，ratio}分别表示车辆目标包含的线段的数目、目标大小和长宽比，在跟踪过程中，利用关联到的车辆目标的特征向量更新这三个参数，如果关联不上，不更新，{x，y，vx，vy}分别表示线性卡尔曼滤波器对车辆目标在当前帧中x、y方向的位置坐标，以及在x、y方向的速度的预测值，表示线性卡尔曼滤波器对车辆目标在当前帧中x、y方向的位置，以及在x、y方向上的速度的估计值，{error_cov_post}表示线性卡尔曼滤波器的后验估计误差协方差矩阵，{lost，losttime}分别表示跟踪器中的目标是否丢失，以及丢失的次数，跟踪过程中，根据目标关联的结果对这两个参数进行更新，{objectid}表示跟踪器在当前帧中关联到的目标的序号，根据目标关联的结果对这个参数进行更新；H．如果跟踪器数目为零，重复步骤A至步骤F；如果跟踪器数目不为零，认为跟踪器中的目标丢失，此时以每个跟踪器为对象进行判断，如果丢失次数大于5，删除跟踪器，如果丢失次数小于等于5，更新跟踪器中目标的位置估计值和预测值，其中更新后的位置估计值和预测值相同，位置预测值是以当前时刻跟踪器中目标位置的预测值{x，y}作为测量值通过线形卡尔曼滤波器预测得到的，直到遍历所有跟踪器，然后重复步骤A至步骤F；I．将当前帧中识别出来的目标与跟踪器进行目标关联，确定他们之间的对应关系，继续下一步；J．如果在当前帧中有新的目标与第j个跟踪器相对应，以当前帧中传感器测量得到的对应目标的位置作为线性卡尔曼滤波器的测量值，更新跟踪器的状态；如果当前帧中没有新目标与该跟踪器相对应，认为跟踪器中的目标丢失，如果丢失次数大于5，删除跟踪器，如果丢失次数小于或等于5，更新跟踪器中目标的位置估计值和预测值，其中更新后的位置估计值和预测值相同，位置预测值是以当前时刻跟踪器中目标位置的预测值{x，y}作为测量值通过线性卡尔曼滤波器预测得到的；历遍所有跟踪器后，继续下一步；K．以当前帧中识别出来的车辆目标为对象，判断是否存在跟踪器与该目标相对应，如果没有，为该目标建立一个跟踪器，如果有，则继续判断当前帧中识别出来的下一个车辆目标是否有跟踪器与之相对应，直到遍历当前帧中识别出来的所有车辆目标，返回步骤A；L．重复步骤A至步骤K的过程，实现对所有车辆目标的识别和跟踪。