CN104933064B - 预测目标对象的运动参数的方法和装置 - Google Patents

Abstract

本发明的实施例提供了一种预测目标对象的运动参数的方法和装置。根据本发明实施例的预测目标对象的运动参数的方法，包括：根据检测数据获得目标对象的第一运动参数；根据检测数据根据检测数据确定位于目标对象周围的邻域对象；获得目标对象与邻域对象之间的距离；以及根据第一运动参数和目标对象与邻域对象之间的距离，估算在下一时刻目标对象的第二运动参数的概率密度函数。

Description

预测目标对象的运动参数的方法和装置

技术领域

本发明涉及预测目标对象的运动参数的方法和装置。更具体地，本发明涉及基于目标对象的先前的运动参数来预测目标对象在下一时刻的运动参数的方法和装置。

背景技术

随着技术的发展，车辆辅助驾驶系统和/或自动驾驶系统的应用日渐普及。这样的驾驶系统通常包括在车辆上安装的诸如摄像设备、雷达设备之类的信息采集设备，并且通过例如分析摄像设备拍摄和/或雷达设备所采集的数据来给出有助于驾驶员驾驶的信息或者帮助驾驶员执行特定的操作。

可靠的三维道路环境理解对于车辆的自动驾驶系统和/或辅助驾驶系统十分重要。三维道路环境理解主要包括目标对象检测，目标对象运动预测，目标对象跟踪等方面。其中，目标对象的运动预测是一个非常重要的方面，它对于目标对象的跟踪检测与车辆的控制有直接的影响。

已经提出了通过Kalman滤波算法来预测目标对象的运动。在Kalman滤波算法中，基于目标对象的运动模型与估计的误差来预测目标对象的位置，以得到具有最小均方差的预测结果。然而，Kalman滤波没有考虑场景中其他对象对于目标对象的运动带来的影响。

此外，在城市道路环境中，所采集的图像中的对象较为密集，并且目标对象的特征不稳定，很容易导致错误的检测或匹配。为避免在跟踪过程中的错误检测或匹配，要求预测目标对象将会运动到的精确位置。然而Kalman滤波算法只预测出了具有最大概率的目标对象的位置，而通常预测出的位置并不是目标对象将会运动到的精确位置，因此常常还需要在预测出的位置附近对目标对象进行搜索检测，但该搜索区域并没有被预测，因而增加了搜索的难度。

发明内容

本发明实施例的目的在于提供一种能够更加准确地预测目标对象的运动参数的方法和装置。

本发明的一个实施例提供了一种预测目标对象的运动参数的方法，包括：根据检测数据获得目标对象的第一运动参数；根据检测数据确定位于目标对象周围的邻域对象；获得目标对象与邻域对象之间的距离；以及根据第一运动参数和目标对象与邻域对象之间的距离，估算在下一时刻目标对象的第二运动参数的概率密度函数。

本发明的另一实施例提供了一种预测目标对象的运动参数的装置，包括：参数获取单元，配置来根据检测数据获得目标对象的第一运动参数；对象确定单元，配置来根据检测数据确定位于目标对象周围的邻域对象；距离获取单元，配置来获得目标对象与邻域对象之间的距离；以及参数估算单元，配置来根据第一运动参数和目标对象与邻域对象之间的距离，估算在下一时刻目标对象的第二运动参数的概率密度函数。

通过上述本发明实施例提供的预测目标对象的运动参数的方法和装置，可获得目标对象的运动参数的概率密度函数，从而不仅可以得到目标对象具有最大概率的运动参数，还可获得在其它概率下目标对象的运动参数的范围。此外，本发明实施例提供的预测目标对象的运动参数的方法和装置根据目标对象与邻域对象之间的距离对目标对象的运动参数进行预测，从而提高了预测的准确性，并且有效地降低了目标跟踪检测时的错误匹配率。

附图说明

图1是描述了根据本发明一个实施例的预测目标对象的运动参数的方法的流程图；

图2是描述了根据本发明一个实施例的获得目标对象的第一运动参数的方法的流程图；

图3是示出了在给定当前时刻的速度的情况下，下一时刻目标对象的加速度的概率密度函数曲线的示意性说明图；

图4是示出了在给定邻域距离d的情况下，下一时刻目标对象的加速度的概率密度函数曲线的示意性说明图。

图5a是示出了根据传统算法得到的搜索区域的示例说明图。

图5b是示出了根据本发明实施例中的算法得到的搜索区域的示例说明图。

图6a是示出了目标对象的当前运动方向的示意性说明图。

图6b是示出了根据目标对象的当前运动方向所确定的坐标系。

图6c是示出了前向方向和侧向方向对目标对象与一个邻域对象之间的距离进行分解的示例性说明图。

图7是示出了根据本发明的一个实施例的预测目标对象的运动参数的装置的示范性结构框图。

图8是描述了根据本发明一个实施例的参数获取单元的示范性结构框图。

图9是示出按照本发明实施例的预测运动参数的硬件系统的总体硬件框图。

具体实施方式

为了使本领域技术人员更好地理解本发明，将参考附图详细描述本发明的优选实施例。注意，在本说明书和附图中，具有基本上相同步骤和元素用相同的附图标记来表示，且对这些步骤和元素的重复解释将被省略。

图1是描述了根据本发明一个实施例的预测目标对象的运动参数的方法的流程图。下面，将参照图1来描述根据本发明实施例的预测目标对象的运动参数的方法。如图1所示，在步骤S101中，根据检测数据获得目标对象的第一运动参数。可通过预先安装的相机、雷达等设备来进行检测，并且获得检测数据。此外，根据本发明的一个示例，第一运动参数可包括由目标对象的属性确定的固有运动参数和由目标对象的历史运动轨迹确定的特征运动参数。

以下将结合图2描述根据本发明一个实施例，在步骤S101中获得目标对象的第一运动参数的方法。图2是描述了根据本发明一个实施例的获得目标对象的第一运动参数的方法的流程图。如图2所示，在步骤S201中，识别目标对象以确定目标对象的属性。根据本发明的一个示例，目标对象的属性可以是目标对象的类型。例如，可识别目标对象，以确定目标对象是小轿车、大卡车、摩托车、自行车、行人、还是障碍物等。可利用各种现有技术来确定目标对象的类型。例如，在步骤S201中可根据支持向量机（support vector machine）来识别目标对象所属类型。

在步骤S202中，根据目标对象的属性，获得目标对象的固有运动参数。固有运动参数可指使由属性确定的目标对象的运动能力。例如，固有运动参数可包括在加速和/或制动时具有该属性的对象一般能够达到的最大加速度、最大速度等。根据本发明的一个示例，在步骤S202中可根据目标对象的属性，从本地预先存储的数据库中获得具有该属性的对象的固有运动参数。可替换地，在步骤S202中也可与互联网相连接，根据目标对象的属性，从远程数据库中获得具有该属性的对象的固有运动参数。

然后，在步骤S203中，根据目标对象的历史运动轨迹，获得目标对象的特征运动参数。特征运动参数可指示根据目标对象的历史运动轨迹确定的目标对象的运动状态。例如，特征运动参数可包括目标对象当前的速度、加速度、在当前帧中的位移等。具体地，根据本发明的一个示例，可基于如下所示的公式(1)中的二阶加速度运动模型，来根据目标的历史运动轨迹计算目标当前的运动速度及加速度：

其中，d_t是当前帧检测到的目标对象的位移，v_t,a_t分别是待估计的当前帧的目标对象的速度与加速度，t是两帧之间的时间间隔。d_t-1是先前帧检测到的目标对象的位移,v_t-1是先前帧估计的速目标对象的度。计算过程可以迭代进行，在每一帧对参数求解。

此外，根据本发明的一个示例，特征运动参数还可指示根据目标对象的历史运动轨迹确定的目标对象的运动能力，并且可根据特征运动参数来对固有运动参数进行修正。例如，在步骤S201中识别目标对象为自行车，并且在步骤S202中获得一般自行车的最大速度为20km/h，而根据目标对象的历史运动轨迹发现目标对象在相对长的一段时间中最大速度达到25km/h，在此情况下，可将固有运动参数中国的最大速度修改为25km/h。

返回图1，在步骤S102中，根据检测数据确定位于目标对象周围的邻域对象。换言之，邻域对象可以是根据所检测的数据确定的在各个方向上邻近目标对象的对象。根据本发明的一个示例，可预先设定目标对象的邻域的范围，例如，预先设定邻域对象与目标对象之间的最大距离，并且将位于邻域范围内的对象作为目标对象的邻域对象。此外，由于通常在每个方向里目标对象最近的对象对于目标对象的影响最显著，而位于该最近对象之后的对象对于目标对象的影响很微弱，因此根据本发明的另一示例，根据所检测的数据，可将仅在每个方向上距离目标对象最近的对象作为目标对象的邻域对象，而不考虑在该方向上位于距离目标对象最近的对象之后的物体。从而简化了预测运动参数所需要的计算。

在步骤S103中，获得目标对象与每个邻域对象之间的距离。然后，在步骤S104中，根据第一运动参数和目标对象与邻域对象之间的距离，估算在下一时刻目标对象的第二运动参数的概率密度函数。在根据本发明的示例中，第二运动参数可指示根据第一运动参数和目标对象与邻域对象之间的距离确定的目标对象将会出现的运动状态。例如，在步骤S101中获得的第一运动参数包括固有运动参数和特征运动参数的情况下，在步骤S104中，可首先根据特征运动参数，估算在下一时刻目标对象的第二运动参数的初始概率密度函数。然后，根据目标对象与邻域对象之间的距离，调整初始概率密度函数。具体地说，当目标对象与邻域对象之间的距离越小时，对第二运动参数的初始概率密度函数的调整幅度越大，反之当目标对象与邻域对象之间的距离越大时，对第二运动参数的初始概率密度函数的调整幅度越小。最后，将调整后的初始概率密度函数作为在下一时刻目标对象的第二运动参数的概率密度函数。此外，固有运动参数可用于在估算时确定第二运动参数的取值范围。

以下将描述在步骤S104中估算在下一时刻目标对象的第二运动参数的概率密度函数的一个示例。在本示例中，固定运动参数为具有目标对象的属性的物体在加速和制动时能够达到的最大加速度、特征运动参数为目标对象速度和加速度的历史数据，并且第二运动参数为在下一时刻目标对象的加速度。如本领域的技术人员所能够理解的，固定运动参数、特征运动参数和第二运动参数的具体形式不限于此。在可替换的示例中，例如，固定运动参数可包括具有目标对象的属性的物体能够达到的最大速度等参数。此外，特征运动参数还可包括目标对象在当前帧中移动的距离等参数。

如上所述，在步骤S104中，可首先根据特征运动参数，估算在下一时刻目标对象的第二运动参数的初始概率密度函数。在本示例中，可根据所确定的目标对象在当前时刻的速度和加速度估算的加速度的初始概率密度函数。具体地，可基于高斯分布模型，根据以下公式(2)建立在给定当前时刻的速度v_t的情况下，下一时刻目标对象的加速度a_t+1的概率密度函数P(a_t+1|v_t)：

其中，μ_(a,v)是加速度期望值，表示在给定速度v_t的条件下，具有最大概率的加速度。σ_(a,v)是用于以上公式(2)估计的方差。可根据目标对象的加速度与速度的历史数据利用例如期望值最大化(Expectation Maximization)等算法来计算加速度期望值μ_(a,v)和估计的方差σ_(a,v)。图3是示出了根据公式(2)得到的在给定当前时刻的速度v_t的情况下，下一时刻目标对象的加速度a_t+1的概率密度函数P(a_t+1|v_t)曲线的示意性说明图。

此外，还可基于高斯分布模型，根据以下公式(3)建立在给定当前时刻的速度a_t的情况下，下一时刻目标对象的加速度a_t+1的概率密度函数P(a_t+1|a_t)：

其中，μ_a为加速度期望均值，表示在给定加速度a_t的条件下，具有最大概率的加速度。σ_a为用于以上公式(3)方差。与μ_(a,v)和σ_(a,v)类似地，可根据目标对象的加速度与速度的历史数据利用例如期望值最大化(Expectation Maximization)等算法来计算加速度期望均值μ_a和方差σ_a。

可根据概率密度函数P(a_t+1|v_t)和概率密度函数P(a_t+1a_t)获得初始概率密度函数。根据本发明的一个示例，可利用混合高斯分布模型来根据概率密度函数P(a_t+1|v_t)和概率密度函数P(a_t+1|at)建立初始概率密度函数。

此外，在本示例中，还可基于Logistic分布模型，根据以下公式(4)建立在给定邻域距离d的情况下下一时刻目标对象的加速度a_t+1的概率密度函数P(a_t+1|d)，以确定距离d对于下一时刻目标对象的加速度a_t+1的影响：

其中，d是目标对象与邻域对象之间的距离，d_threshold是预先设定的距离阈值。

然后，如上所述，根据目标对象与邻域对象之间的距离，调整初始概率密度函数。在本示例中，根据以下公式(5)结合根据概率密度函数P(a_t+1|v_t)和概率密度函数P(a_t+1|a_t)建立初始概率密度函数和概率密度函数P(a_t+1|d)，以获得根据目标对象与邻域对象之间的距离调整的、在下一时刻目标对象的加速度的概率密度函数P(a_t+1)：

其中，αP(a_t+1|a_t)+(1-α)P(a_t+1|v_t)是利用混合高斯分布模型建立的初始概率密度函数，α是混合高斯分布模型的加权系数，k是归一化系数。b_max是制动时目标对象能够达到的最大加速度，a_max是加速时目标对象能够达到的最大加速度。图4是示出了根据公式(4)得到的在给定邻域距离d的情况下，下一时刻目标对象的加速度a_t+1的概率密度函数P(a_t+1|d)曲线的示意性说明图。如图4所示，当距离d较大的时，P(a_t+1|d)的值接近1，当如公式(5)将P(a_t+1|d)与初始概率密度函数相结合时，P(a_t+1|d)对初始概率密度函数的调整幅度较小，也就是说，邻域对象对待测目标的影响小。另一方面，当距离d接近距离阈值d_threshold或者小于距离阈值d_threshold时，P(a_t+1|d)的值减小，当如公式(5)将P(a_t+1|d)与初始概率密度函数相结合时，P(a_t+1|d)对初始概率密度函数的调整幅度较大，也就是说，邻域对象对待测目标的影响大。

可根据公式(5)中所示的概率密度函数P(a_t+1)，构建在下一时刻目标对象的加速度概率密度图（APDM），并且可在给定的概率下，预测在下一时刻目标对象的加速度的范围。

以上以第二运动参数为在下一时刻目标对象的加速度为例进行了描述，然而，在本发明中，第二运动参数的具体形式不限于在下一时刻目标对象的加速度。根据本发明的另一示例，还可根据所获得的加速度的概率密度函数P(a_t+1)，根据来预测目标对象在下一时刻的速度。并且进一步地，可以根据估计的加速度及速度范围，预测目标对象在下一帧中的位移范围，从而确定目标对象在下一帧的搜索区域。

图5a是示出了根据传统算法得到的搜索区域的示例说明图。在图5a所示的示例情形中，根据传统算法得到在下一帧的目标对象搜索区域510。图5b是示出了根据本发明实施例中的算法得到的搜索区域的示例说明图。在图5b所示的示例情形中，根据本发明实施例中的算法,在给定在下一时刻目标对象的加速度的概率P(a_t+1)=95%的条件下，预测加速度范围，进而根据所预测的加速度范围估算出在下一帧中的目标对象搜索区域520。在图5a和图5b所示的示例中，目标对象为车辆A。比较图5a和图5b可以清楚地看出根据本发明实施例提供的方法预测的目标对象搜索区域更加精确，可以有效的减小邻近行人，车辆等的干扰，同时降低处理时间。

应注意，虽然在本示例中以高斯分布模型、混合高斯分布模型以及Logistic分布模型为例进行了描述，但是如本领域技术人员能够理解的，还可采用其它具有类似特性的数学模型。例如，可采用指数衰减函数模型来建立在给定邻域距离d的情况下下一时刻目标对象的加速度a_t+1的概率密度函数P(a_t+1|d)。

此外，在根据本发明的实施例中，第一运动参数和邻域对象与目标对象之间的距离都是矢量，优选地，可将第一运动参数和邻域对象与目标对象之间的距离进行分解，以便于计算，减少运算量。具体地，根据本发明的一个示例，图1中所示的方法100还可包括将目标对象当前运动方向设置为前向方向，而将与目标对象当前运动方向垂直的方向设置为侧向方向，并且将第一运动参数和目标对象与邻域对象之间的距离分别分解为沿前向方向的前向分量和沿侧向方向的侧向分量。

图6a是示出了目标对象B的当前运动方向的示意性说明图。如图6a所示，矢量为目标对象B的当前运动速度。图6b是示出了根据目标对象B的当前运动方向所确定的坐标系。如图6b所示，原点o为目标对象B的几何中心，p轴指示目标对象B的速度方向，即，前向方向，而s轴指示与目标对象B的速度方向垂直的方向，即，侧向方向。可将例如目标对象B的当前速度、加速度之类的第一运动参数分解为沿p轴的前向分量和沿s轴的侧向分量。此外，可对目标对象与每个邻域对象之间的距离进行类似的分解。图6c是示出了前向方向和侧向方向对目标对象与一个邻域对象之间的距离进行分解的示例性说明图。如图6c所示，目标对象B与邻域对象C之间的距离d₁可被分解为沿p轴的前向分量d_1principle和沿s轴的侧向分量d_1side。

从而，在步骤S104中可分别根据第一运动参数和距离的前向分量，估算第二运动参数的概率密度函数沿前向方向的前向分量；并且根据第一运动参数和距离的侧向分量，估算第二运动参数的概率密度函数沿侧向方向的侧向分量。可分别输出所估算的第二运动参数的概率密度函数的前向分量和侧向分量。可替换地，也可首先结合所估算的第二运动参数的概率密度函数的前向分量和侧向分量以获得以矢量形式的第二运动参数的概率密度函数，然后输出结合后的第二运动参数的概率密度函数。

下面，参照图7说明本发明的实施例的预测目标对象的运动参数的装置。图7是示出了根据本发明的一个实施例的预测目标对象的运动参数的装置700的示范性结构框图。如图7中所示，本实施例的预测目标对象的运动参数的装置700包括参数获取单元710、对象确定单元720、距离获取单元730和参数估算单元740。预测目标对象的运动参数的装置700的各个单元可分别执行上述图1中的预测目标对象的运动参数的方法100的各个步骤/功能。因此，以下仅对预测目标对象的运动参数的装置700的主要部件进行了描述，而省略了以上已经结合图1描述过的细节内容。

参数获取单元710可根据检测数据获得目标对象的第一运动参数。可通过预先安装的相机、雷达设备来进行获得检测数据。此外，例如，第一运动参数可包括由目标对象的属性确定的固有运动参数和由目标对象的历史运动轨迹确定的特征运动参数。

图8是描述了根据本发明一个实施例的参数获取单元710的示范性结构框图。如图8所示，参数获取单元710可包括识别模块810、固有参数获取模块820和特征参数获取模块830。参数获取单元710的各个模块可分别执行上述图2中的获得目标对象的第一运动参数的方法200的各个步骤/功能。因此，以下仅对参数获取单元710的主要部件进行了描述，而省略了以上已经结合图2描述过的细节内容。

识别模块810可识别目标对象以确定目标对象的属性。根据本发明的一个示例，目标对象的属性可以是目标对象的类型。例如，可识别目标对象，以确定目标对象是小轿车、大卡车、摩托车、自行车、行人、还是障碍物等。可利用各种现有技术来确定目标对象的类型。例如，识别模块810可通过支持向量机（support vector machine）来识别目标对象所属类型。

固有参数获取模块820可根据目标对象的属性，获得目标对象的固有运动参数。固有运动参数可指使由属性确定的目标对象的运动能力。例如，固有运动参数可包括在加速和/或制动时具有该属性的对象一般能够达到的最大加速度、最大速度等。根据本发明的一个示例，固有参数获取模块820可根据目标对象的属性，从本地预先存储的数据库中获得具有该属性的对象的固有运动参数。可替换地，固有参数获取模块820也可与互联网相连接，根据目标对象的属性，从远程数据库中获得具有该属性的对象的固有运动参数。

然后，特征参数获取模块830可根据目标对象的历史运动轨迹，获得目标对象的特征运动参数。特征运动参数可指示根据目标对象的历史运动轨迹确定的目标对象的运动状态。例如，特征运动参数可包括目标对象当前的速度、加速度、在当前帧中的位移等。如上所述，根据本发明的一个示例，可基于公式(1)中的二阶加速度运动模型，来根据目标的历史运动轨迹计算目标当前的运动速度及加速度。

此外，根据本发明的一个示例，特征运动参数还可指示根据目标对象的历史运动轨迹确定的目标对象的运动能力，并且可根据特征运动参数来对固有运动参数进行修正。例如，识别模块810识别目标对象为自行车，并且固有参数获取模块820获得一般自行车的最大速度为20km/h，而特征参数获取模块830根据目标对象的历史运动轨迹发现目标对象在相对长的一段时间中最大速度达到25km/h，在此情况下，固有参数获取模块820可将固有运动参数中国的最大速度修改为25km/h。

返回图7，对象确定单元720可根据检测数据确定位于目标对象周围的邻域对象。换言之，邻域对象可以根据检测数据确定的在各个方向上邻近目标对象的对象。根据本发明的一个示例，可预先设定目标对象的邻域的范围，例如，预先设定邻域对象与目标对象之间的最大距离，并且对象确定单元720将位于邻域范围内的对象作为目标对象的邻域对象。此外，由于通常在每个方向里目标对象最近的对象对于目标对象的影响最显著，而位于该最近对象之后的对象对于目标对象的影响很微弱，因此根据本发明的另一示例，对象确定单元720可根据所检测的数据将仅在每个方向上距离目标对象最近的对象作为目标对象的邻域对象，而不考虑在该方向上位于距离目标对象最近的对象之后的物体。从而简化了预测运动参数所需要的计算。

距离获取单元730可获得目标对象与每个邻域对象之间的距离。然后，参数估算单元740可根据第一运动参数和目标对象与邻域对象之间的距离，估算在下一时刻目标对象的第二运动参数的概率密度函数。例如，参数估算单元740可包括初始参数估算模块和调整模块。在参数获取单元710获得的第一运动参数包括固有运动参数和特征运动参数的情况下，初始参数估算模块可首先根据特征运动参数，估算在下一时刻目标对象的第二运动参数的初始概率密度函数。然后，调整模块可根据目标对象与邻域对象之间的距离，调整初始概率密度函数。具体地说，当目标对象与邻域对象之间的距离越小时，调整模块对第二运动参数的初始概率密度函数的调整幅度越大，反之当目标对象与邻域对象之间的距离越大时，调整模块对第二运动参数的初始概率密度函数的调整幅度越小。最后，将调整后的初始概率密度函数作为在下一时刻目标对象的第二运动参数的概率密度函数。此外，参数估算单元740可使用固有运动参数以便在估算时确定第二运动参数的取值范围。

以下将描述在本发明中估算在下一时刻目标对象的第二运动参数的概率密度函数的一个示例。在本示例中，固定运动参数为具有目标对象的属性的物体在加速和制动时能够达到的最大加速度、特征运动参数为目标对象速度和加速度的历史数据，并且第二运动参数为在下一时刻目标对象的加速度。如本领域的技术人员所能够理解的，固定运动参数、特征运动参数和第二运动参数的具体形式不限于此。在可替换的示例中，例如，固定运动参数可包括具有目标对象的属性的物体能够达到的最大速度。此外，特征运动参数还可包括目标对象在当前帧中移动的距离。此外，第二运动参数还可包括在下一时刻目标对象的速度以及目标对象在下一帧中移动的距离等。

如上所述，初始参数估算模块可首先根据特征运动参数，估算在下一时刻目标对象的第二运动参数的初始概率密度函数。在本示例中，可根据所确定的目标对象在当前时刻的速度和加速度估算的加速度的初始概率密度函数。初始参数估算模块可利用混合高斯分布模型、根据上述公式(2)和公式(3)来估算在下一时刻目标对象的第二运动参数的初始概率密度函数。

此外，调整模块可根据上述公式(4)建立在给定邻域距离d的情况下下一时刻目标对象的加速度a_t+1的概率密度函数P(a_t+1|d)，并且根据上述公式(5)结合初始概率密度函数和概率密度函数P(a_t+1|d)，以获得根据目标对象与邻域对象之间的距离调整的、在下一时刻目标对象的加速度的概率密度函数。从而，当目标对象与邻域对象之间的距离较大的时，对初始概率密度函数的调整幅度较小。另一方面，当目标对象与邻域对象之间的距离接近距离阈值d_threshold或者小于距离阈值d_threshold时，P(a_t+1|d)的值减小，其对初始概率密度函数的调整幅度较大。

参数估算单元740可根据公式(5)中所示的概率密度函数P(a_t+1)，构建在下一时刻目标对象的加速度概率密度图，并且可在给定的概率下，预测在下一时刻目标对象的加速度的范围。此外，根据本发明的另一示例，参数估算单元740还可根据所获得的加速度的概率密度函数P(a_t+1)，根据来预测目标对象在下一时刻的速度。并且进一步地，可以根据估计的加速度及速度范围，预测目标对象在下一帧中的位移范围，从而确定目标对象在下一帧的搜索区域。

此外，在根据本发明的实施例中，第一运动参数和邻域对象与目标对象之间的距离都是矢量，优选地，可将第一运动参数和邻域对象与目标对象之间的距离进行分解，以便于计算。具体地，图7中所示的装置800还可包括设置单元和分解单元。设置单元可将目标对象当前运动方向设置为前向方向，而将与目标对象当前运动方向垂直的方向设置为侧向方向。此外，分解单元可将第一运动参数和目标对象与邻域对象之间的距离分别分解为沿前向方向的前向分量和沿侧向方向的侧向分量。

相应地，参数估算单元可包括前向分量估算模块和侧向分量估算模块。具体地，前向分量估算模块可分别根据第一运动参数和距离的前向分量，估算第二运动参数的概率密度函数沿前向方向的前向分量。此外，侧向分量估算模块可根据第一运动参数和距离的侧向分量，估算第二运动参数的概率密度函数沿侧向方向的侧向分量。可分别输出所估算的第二运动参数的概率密度函数的前向分量和侧向分量。可替换地，也可首先结合所估算的第二运动参数的概率密度函数的前向分量和侧向分量以获得以矢量形式的第二运动参数的概率密度函数，然后输出结合后的第二运动参数的概率密度函数。

通过根据本发明以上实施例的预测目标对象的运动参数的方法和的装置，可获得目标对象的运动参数的概率密度函数，从而不仅可以得到目标对象具有最大概率的运动参数，还可获得在其它概率下目标对象的运动参数的范围，此外，通过考虑目标对象与邻域对象之间的距离对目标对象的运动参数进行预测，提高了预测的准确性，并且有效地降低了目标跟踪检测时的错误匹配率。

此外，根据本发明的另一示例，本发明还可以通过一种预测运动参数的硬件系统来实施。图9是示出按照本发明实施例的预测运动参数的硬件系统900的总体硬件框图。如图9所示，预测运动参数的系统900可以包括：输入设备910，用于从外部输入有关图像或信息，例如相机和/或雷达装置所检测的数据、存储设备中存储的信息等；处理设备920，用于实施上述的按照本发明实施例的预测目标对象的运动参数的方法，例如可以包括计算机的中央处理器或其它的具有处理能力的芯片等等，此外，处理设备920还可以连接到诸如因特网的网络（未示出），根据处理过程的需要从远程设备获取信息，或者传送所估算的结果等等；输出设备930，用于向外部输出实施上述预测运动参数过程所得的结果。此外，可选择地，预测运动参数的系统900还可包括存储设备940，用于存储以易失或非易失的方式存储例如上述固有运动参数之类的信息，以及目标对象的历史运动轨迹等特征运动参数。此外，还可存储所预测第二运动参数。例如，存储设备940可以包括随机存取存储器（RAM）、只读存储器（ROM）、硬盘、或半导体存储器等等的各种易失或非易失性存储器。

所属技术领域的技术人员知道，本发明可以实现为系统、装置、方法或计算机程序产品。因此，本发明可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件（包括固件、驻留软件、微代码等），还可以是硬件和软件结合的形式，本文一般称为“组件、“模块”、“装置”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。

可以采用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

上面参照本发明实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本发明。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，这些计算机程序指令通过计算机或其它可编程数据处理装置执行，产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。

也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中，这样，存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置(instructionmeans)的制造品（manufacture）。

也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种预测目标对象的运动参数的方法，包括：

根据检测数据获得目标对象的第一运动参数；

根据所述检测数据确定位于所述目标对象周围的邻域对象；

获得所述目标对象与所述邻域对象之间的距离；以及

根据所述第一运动参数和所述目标对象与所述邻域对象之间的距离，估算在下一时刻所述目标对象的第二运动参数的概率密度函数；

其中所述根据检测数据获得目标对象的第一运动参数包括：

根据所述目标对象的历史运动轨迹，获得所述目标对象的特征运动参数；以及

所述根据所述第一运动参数和所述目标对象与所述邻域对象之间的距离，估算在下一时刻所述目标对象的第二运动参数的概率密度函数包括：

根据所述特征运动参数，估算在下一时刻所述目标对象的第二运动参数的初始概率密度函数；

根据所述目标对象与所述邻域对象之间的距离，调整所述初始概率密度函数，以获得所述目标对象在下一时刻的第二运动参数的概率密度函数，其中

所述目标对象与所述邻域对象之间的距离越小，对所述第二运动参数的初始概率密度函数的调整幅度越大。

2.如权利要求1所述的方法，其中所述根据检测数据获得目标对象的第一运动参数包括：

识别所述目标对象以确定所述目标对象的属性；

根据所述目标对象的属性，获得所述目标对象的固有运动参数。

3.如权利要求1或2所述的方法，其中所述根据所述检测数据确定所述目标对象的邻域对象包括：

根据所述检测数据，将在每个方向上距离所述目标对象最近的对象作为所述目标对象的邻域对象。

4.如权利要求1或2所述的方法，还包括：

将所述目标对象当前运动方向设置为前向方向，并且将与所述目标对象当前运动方向垂直的方向设置为侧向方向；以及

将所述第一运动参数和所述目标对象与所述邻域对象之间的距离分别分解为沿所述前向方向的前向分量和沿所述侧向方向的侧向分量，其中

所述根据所述第一运动参数和所述目标对象与所述邻域对象之间的距离，估算在下一时刻所述目标对象的第二运动参数的概率密度函数包括：

根据所述第一运动参数和所述距离的前向分量，估算所述第二运动参数的概率密度函数沿所述前向方向的前向分量；以及

根据所述第一运动参数和所述距离的侧向分量，估算所述第二运动参数的概率密度函数沿所述侧向方向的侧向分量。

5.一种预测目标对象的运动参数的装置，包括：

参数获取单元，配置来根据检测数据获得目标对象的第一运动参数；

对象确定单元，配置来根据所述检测数据确定位于所述目标对象周围的邻域对象；

距离获取单元，配置来获得所述目标对象与所述邻域对象之间的距离；以及

参数估算单元，配置来根据所述第一运动参数和所述目标对象与所述邻域对象之间的距离，估算在下一时刻所述目标对象的第二运动参数的概率密度函数；

特征参数获取模块，配置来根据所述目标对象的历史运动轨迹，获得所述目标对象的特征运动参数；

其中所述参数估算单元包括：

初始参数估算模块，配置来根据所述特征运动参数，估算在下一时刻所述目标对象的第二运动参数的初始概率密度函数；以及

调整模块，配置来根据所述目标对象与所述邻域对象之间的距离，调整所述初始概率密度函数，以获得所述目标对象在下一时刻的第二运动参数的概率密度函数，其中

所述目标对象与所述邻域对象之间的距离越小，对所述第二运动参数的初始概率密度函数的调整幅度越大。

6.如权利要求5所述的装置，其中所述参数获取单元包括：

识别模块，配置来识别所述目标对象以确定所述目标对象的属性；

固有参数获取模块，配置来根据所述目标对象的属性，获得所述目标对象的固有运动参数。

7.如权利要求5或6所述的装置，其中

所述对象确定单元根据所述检测数据，将在每个方向上距离所述目标对象最近的对象作为所述目标对象的邻域对象。

8.如权利要求5或6所述的装置，还包括：

设置单元，配置来将所述目标对象当前运动方向设置为前向方向，并且将与所述目标对象当前运动方向垂直的方向设置为侧向方向；以及

分解单元，配置来将所述第一运动参数和所述目标对象与所述邻域对象之间的距离分别分解为沿所述前向方向的前向分量和沿所述侧向方向的侧向分量，其中

所述参数估算单元包括：

前向分量估算模块，配置来根据所述第一运动参数和所述距离的前向分量，估算所述第二运动参数的概率密度函数沿所述前向方向的前向分量；以及

侧向分量估算模块，配置来根据所述第一运动参数和所述距离的侧向分量，估算所述第二运动参数的概率密度函数沿所述侧向方向的侧向分量。