CN110927712B - 跟踪方法和装置 - Google Patents
跟踪方法和装置 Download PDFInfo
- Publication number
- CN110927712B CN110927712B CN201911033241.5A CN201911033241A CN110927712B CN 110927712 B CN110927712 B CN 110927712B CN 201911033241 A CN201911033241 A CN 201911033241A CN 110927712 B CN110927712 B CN 110927712B
- Authority
- CN
- China
- Prior art keywords
- moving
- target
- point
- tracking
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种跟踪方法和装置,所述方法包括:获取当前帧多个移动点的点云数据;根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标;基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据;根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪。在经过雷达信号处理得到运动目标的点云数据的基础上,扩大跟踪范围,对移动目标进行检测和跟踪,获取移动目标的轨迹信息,从而提高跟踪算法的精准性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种跟踪方法和装置。
背景技术
随着雷达技术的不断发展,其灵敏度高、无需直接接触、可穿透性强的特点越来越受到研究者的重视,其应用范围从最初用于军事到现在很多领域都用到了雷达技术,例如机场安检仪器中使用太赫兹雷达成像技术、机械振动测量、人类生命体征检测等。随着人工智能技术的发展,其与雷达技术相结合的研究成为一个重要的发展方向。将雷达作为一种新的输入设备,通过智能算法实现人机交互。将雷达技术结合跟踪算法跟踪特定区域中目标的移动轨迹,采用传统的跟踪算法对目标跟踪的精准性低,跟踪范围有限,容易跟丢目标。
发明内容
为了解决上述技术问题,本发明实施例提供了一种跟踪方法和装置。
第一方面,本发明实施例提供了一种跟踪方法,所述方法包括:
获取当前帧多个移动点的点云数据;
根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标;
基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据;
根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪。
可选地,所述基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据,包括:
从至少一个移动目标中选取一个移动目标作为跟踪目标,
从多个移动点中选取一个移动点作为目标移动点,
获取上一帧预测的所述跟踪目标的中心点预测值,以及所述中心点预测值对应的目标协方差矩阵,
根据上一帧预测的所述跟踪目标的中心点预测值和所述目标协方差矩阵基于所述自适应关联波门和最近邻数据算法,将所述目标移动点的点云数据与所述跟踪目标进行关联,得到所述关联数据;
所述根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪,包括:
在固定时间段内,根据每一帧得到的关联数据,生成所述跟踪目标的移动轨迹,实现对所述移动目标的跟踪。
可选地,所述根据上一帧预测的所述跟踪目标的中心点预测值和所述目标协方差矩阵基于所述自适应关联波门和最近邻数据算法,将所述目标移动点的点云数据与所述跟踪目标进行关联,得到所述关联数据,包括:
计算所述目标移动点的点云数据与所述跟踪目标的中心点预测值的差值,得到差值数据;
判断所述差值数据是否大于所述设定阈值;
当所述差值数据小于或等于所述设定阈值时,则根据所述差值数据和所述目标协方差矩阵计算得到马氏距离;
判断所述马氏距离是否大于所述自适应关联波门算法的波门增益;
当所述马氏距离小于或等于所述自适应关联波门的波门增益时,则使所述目标移动点与所述跟踪目标进行关联,得到与所述目标移动点对应的关联数据。
可选地,当所述马氏距离小于或等于所述自适应关联波门的波门增益时,使所述目标移动点与所述跟踪目标进行关联,得到与所述目标移动点对应的关联数据之后,所述方法还包括:
根据上一帧预测的所述跟踪目标的中心点预测值将所述关联数据进行修正处理,得到修正后的关联数据,所述修正后的关联数据用于预测下一帧所述跟踪目标的中心点预测值;
判断是否所有移动点都遍历完与所述跟踪目标关联过程;
当存在移动点未遍历与所述跟踪目标关联过程时,则:
从未遍历与所述跟踪目标关联过程的移动点中选取一个移动点作为目标移动点。
可选地,当所有移动点都遍历完与所述跟踪目标关联过程时,则:
计算关联至所述跟踪目标的移动点总数;
判断所述移动点总数是否为零;
当所述移动点总数为零时,则:
将所述目标协方差矩阵和所述波门增益扩大两倍,得到两倍目标协方差矩阵和两倍波门增益;
判断所述目标协方差矩阵扩大次数是否大于5;
当所述目标协方差矩阵扩大次数小于或等于5时,则:
根据所述两倍目标协方差矩阵和两倍波门增益,重新从多个移动点中选取一个移动点作为目标移动点。
可选地,当所述移动点总数不为零时,或所述移动点总数为零时且所述目标协方差矩阵扩大次数大于5时,则:
判断是否所有移动目标都遍历过作为跟踪目标与移动点关联的过程;
当存在移动目标未遍历过作为跟踪目标与移动点关联的过程时,则:
重新从多个移动目标中选取下一个移动目标作为跟踪目标。
可选地,当所有移动目标都遍历过作为跟踪目标与移动点关联的过程时,则:
判断是否存在无关联关系的移动点;
当存在无关联关系的移动点时,则根据无关联关系的移动点的点云数据,基于聚类算法重新确定至少一个新移动目标,
从至少一个新移动目标中选取一个新移动目标作为跟踪目标,
从无关联关系的移动点中选取一个移动点作为目标移动点;
当不存在无关联关系的移动点时,则:
获取下一帧多个移动点的点云数据。
可选地,所述根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标之前,所述方法包括:
采集多种移动物体的雷达检测信息;
根据所述雷达检测信息进行深度学习建立对象识别模型。
可选地,所述根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标,包括:
根据聚类算法将所述多个移动点的点云数据归属至多个移动物体,将属于同一个移动物体的点云数据进行聚类,得到多个移动物体信息;
根据所述多个移动物体信息和所述对象识别模型确定至少一个移动目标。
第二方面,本发明实施例提供了一种跟踪装置,所述装置包括:
获取单元,用于获取当前帧多个移动点的点云数据;
移动目标确定单元,用于根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标;
关联单元,用于基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据;
轨迹生成单元,用于根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪。
可选地,所述关联单元包括:
跟踪目标确定单元,用于从至少一个移动目标中选取一个移动目标作为跟踪目标,
目标点确定单元,用于从多个移动点中选取一个移动点作为目标移动点,
预测值获取单元,用于获取上一帧预测的所述跟踪目标的中心点预测值,以及所述中心点预测值对应的目标协方差矩阵,
目标点关联单元,用于根据上一帧预测的所述跟踪目标的中心点预测值和所述目标协方差矩阵基于所述自适应关联波门和最近邻数据算法,将所述目标移动点的点云数据与所述跟踪目标进行关联,得到所述关联数据;
所述修正单元包括:
预测值修正单元,用于根据上一帧预测的所述跟踪目标的中心点预测值将所述关联数据进行修正处理,得到修正后的关联数据,所述修正数据用于预测当前帧所述跟踪目标的中心点预测值;
所述轨迹生成单元包括:
轨迹汇总单元,用于在固定时间段内,根据每一帧得到的关联数据,生成所述跟踪目标的移动轨迹,实现对所述移动目标的跟踪。
可选地,所述目标点关联单元包括:
差值计算单元,用于计算所述目标移动点的点云数据与所述跟踪目标的中心点预测值的差值,得到差值数据;
差值判断单元,用于判断所述差值数据是否大于所述设定阈值;
协方差计算单元,用于当所述差值数据小于或等于所述设定阈值时,则根据所述差值数据和所述目标协方差矩阵计算得到马氏距离;
距离判断单元,用于判断所述马氏距离是否大于所述自适应关联波门算法的波门增益;
目标关联单元,用于当所述马氏距离小于或等于所述自适应关联波门的波门增益时,则使所述目标移动点与所述跟踪目标进行关联,得到与所述目标移动点对应的关联数据。
可选地,所述装置还包括:
修正单元,用于根据上一帧预测的所述跟踪目标的中心点预测值将所述关联数据进行修正处理,得到修正后的关联数据,所述修正后的关联数据用于预测下一帧所述跟踪目标的中心点预测值;
关联判断单元,用于判断是否所有移动点都遍历完与所述跟踪目标关联过程;
重新关联单元,用于当存在移动点未遍历与所述跟踪目标关联过程时,则:
从未遍历与所述跟踪目标关联过程的移动点中选取一个移动点作为目标移动点。
可选地,所述装置还包括:
关联汇总单元,用于当所有移动点都遍历完与所述跟踪目标关联过程时,则:
计算关联至所述跟踪目标的移动点总数;
总数判断单元,用于判断所述移动点总数是否为零;
范围扩大单元,用于当所述移动点总数为零时,则:
将所述目标协方差矩阵和所述波门增益扩大两倍,得到两倍目标协方差矩阵和两倍波门增益;
扩大次数判断单元,用于判断所述目标协方差矩阵扩大次数是否大于5;
重新跟踪单元,用于当所述目标协方差矩阵扩大次数小于或等于5时,则:
根据所述两倍目标协方差矩阵和两倍波门增益,重新从多个移动点中选取一个移动点作为目标移动点。
可选地,所述装置还包括:
跟踪目标遍历判断,用于当所述移动点总数不为零时,或所述移动点总数为零时且所述目标协方差矩阵扩大次数大于5时,则:
判断是否所有移动目标都遍历过作为跟踪目标与移动点关联的过程;
跟踪目标遍历单元,用于当存在移动目标未遍历过作为跟踪目标与移动点关联的过程时,则:
重新从多个移动目标中选取下一个移动目标作为跟踪目标。
可选地,所述装置还包括:
移动点关联判断单元,用于当所有移动目标都遍历过作为跟踪目标与移动点关联的过程时,则:
判断是否存在无关联关系的移动点;
移动目标确定单元,用于当存在无关联关系的移动点时,则根据无关联关系的移动点的点云数据,基于聚类算法重新确定至少一个新移动目标,
重新选取跟踪目标单元,用于从至少一个新移动目标中选取一个新移动目标作为跟踪目标,
重新选取目标移动点单元,用于从无关联关系的移动点中选取一个移动点作为目标移动点;
下一帧单元,用于当不存在无关联关系的移动点时,则:
获取下一帧多个移动点的点云数据。
可选地,所述装置还包括:
图像采集单元,用于采集多种移动物体的雷达检测信息;
学习单元,用于根据所述雷达检测信息进行深度学习建立对象识别模型。
可选地,所述移动目标确定单元包括:
归属单元,用于根据聚类算法将所述多个移动点的点云数据归属至多个移动物体,将属于同一个移动物体的点云数据进行聚类,得到多个移动物体信息;
移动目标识别单元,用于根据所述多个移动物体信息和所述对象识别模型确定至少一个移动目标。
本发明的有益效果:
本发明公开了一种跟踪方法和装置,所述方法包括:获取当前帧多个移动点的点云数据;根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标;基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据;根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪。在经过雷达信号处理得到运动目标的点云数据的基础上,扩大跟踪范围,对移动目标进行检测和跟踪,获取移动目标的轨迹信息,从而提高跟踪算法的精准性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中一种跟踪方法的流程示意图;
图2为一个实施例中一种跟踪方法的流程示意图;
图3为一个实施例中一种跟踪方法的流程示意图;
图4为一个实施例中一种跟踪方法的流程示意图;
图5为一个实施例中一种跟踪方法的流程示意图;
图6为一个实施例中一种跟踪方法的流程示意图;
图7为一个实施例中一种跟踪方法的流程示意图;
图8为一个实施例中一种跟踪方法的流程示意图;
图9为一个实施例中一种跟踪方法的流程示意图;
图10为一个实施例中一种跟踪装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为一个实施例中一种跟踪方法的流程示意图,在一个实施例中,参照图1,本发明实施例提供了一种跟踪方法,所述方法包括:
S110、获取当前帧多个移动点的点云数据,所述点云数据包括距离、方位角、仰角和径向速度;
S120、根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标;
S130、基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据;
S140、根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪。
本发明实施例公开了一种跟踪方法,所述方法包括:获取当前帧多个移动点的点云数据;根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标;基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据;根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪。在经过雷达信号处理得到运动目标的点云数据的基础上,扩大跟踪范围,对移动目标进行检测和跟踪,获取移动目标的轨迹信息,从而提高跟踪算法的精准性。上述移动目标可以为但不仅限于人。
图2为一个实施例中一种跟踪方法的流程示意图,在一个实施例中,参照图1和图2,所述基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据,即步骤S130包括:
S131、从至少一个移动目标中选取一个移动目标作为跟踪目标,
S132、从多个移动点中选取一个移动点作为目标移动点,
S133、获取上一帧预测的所述跟踪目标的中心点预测值,以及所述中心点预测值对应的目标协方差矩阵,
S134、根据上一帧预测的所述跟踪目标的中心点预测值和所述目标协方差矩阵基于所述自适应关联波门和最近邻数据算法,将所述目标移动点的点云数据与所述跟踪目标进行关联,得到所述关联数据;
所述根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪,即步骤S140包括:
S141、在固定时间段内,根据每一帧得到的关联数据,生成所述跟踪目标的移动轨迹,实现对所述移动目标的跟踪。
根据本实施例中的方法,从多个移动点中选取一个作为目标移动点,从多个移动目标中选取一个作为跟踪目标,根据上一帧预测的所述跟踪目标的中心点预测值,所述中心点预测值包括距离、方位角、仰角和径向速度,与所述目标移动点进行关联,将关联后的关联数据与所述上一帧预测的中心点预测值做加权处理,对上一帧预测的中心点预测值进行修正得到修正后的修正数据,所述修正数据用于指示修正后所述跟踪目标的中心点数据,根据所述修正数据基于扩展卡尔曼滤波预测当前帧的中心点预测值,所述当前帧的中心点预测值用于与下一帧的目标移动点进行关联。在固定时间段内,根据每一帧得到的关联数据,生成所述跟踪目标的移动轨迹,以此实现每一帧的跟踪计算。
图3为一个实施例中一种跟踪方法的流程示意图,在一个实施例中,参照图2和图3,所述根据上一帧预测的所述跟踪目标的中心点预测值和所述目标协方差矩阵基于所述自适应关联波门和最近邻数据算法,将所述目标移动点的点云数据与所述跟踪目标进行关联,得到所述关联数据,即步骤S134包括:
S1341、计算所述目标移动点的点云数据与所述跟踪目标的中心点预测值的差值,得到差值数据;
S1342、判断所述差值数据是否大于所述设定阈值;
S1343、当所述差值数据小于或等于所述设定阈值时,则根据所述差值数据和所述目标协方差矩阵计算得到马氏距离d;
S1344、判断所述马氏距离d是否大于所述自适应关联波门算法的波门增益G,所述波门增益G的初始值为3;
S1345、当所述马氏距离d小于或等于所述自适应关联波门的波门增益G时,则使所述目标移动点与所述跟踪目标进行关联,得到与所述目标移动点对应的关联数据。
其中,所述差值数据包括距离、方位角、仰角和径向速度,当所述差值数据中任意一个参数大于所述设定阈值的设定值时,则表示上述目标移动点不属于所述跟踪目标。上述方法基于自适应关联波门算法和最近邻数据关联算法,对当前帧的目标移动点的点云数据与上一帧扩展卡尔曼滤波预测的中心点预测值进行关联,最终判断所述目标移动点是否属于所述跟踪目标,每一帧所有移动点都要遍历上述过程,即可根据与跟踪目标关联成功的移动点确定跟踪目标的移动轨迹,提高了跟踪方法的精准性。
图4为一个实施例中一种跟踪方法的流程示意图,在一个实施例中,参照图3和图4,当所述马氏距离小于或等于所述自适应关联波门的波门增益时,则使所述目标移动点与所述跟踪目标进行关联,得到与所述目标移动点对应的关联数据之后,即步骤S1345之后,所述方法还包括:
S1346、根据上一帧预测的所述跟踪目标的中心点预测值将所述关联数据进行修正处理,得到修正后的关联数据,所述修正后的关联数据用于预测下一帧所述跟踪目标的中心点预测值;
S1347、判断是否所有移动点都遍历完与所述跟踪目标关联过程;
S1348、当存在移动点未遍历与所述跟踪目标关联过程时,则:
从未遍历与所述跟踪目标关联过程的移动点中选取一个移动点作为目标移动点。
在本发明实施例中,判断是否所有移动点都遍历完与所述跟踪目标关联的过程,用于保证每一个点都遍历与跟踪目标关联的过程,根据判断每一帧每一个移动点是否属于跟踪目标,以实现对跟踪目标的跟踪处理。
图5为一个实施例中一种跟踪方法的流程示意图,在一个实施例中,参照图4和图5,步骤S1347后,所述方法还包括:
S1349、当所有移动点都遍历完与所述跟踪目标关联过程时,则:
计算关联至所述跟踪目标的移动点总数;
S13410、判断所述移动点总数是否为零;
S13411、当所述移动点总数为零时,则:
将所述目标协方差矩阵和所述波门增益扩大两倍,得到两倍目标协方差矩阵和两倍波门增益;
S13412、判断所述目标协方差矩阵扩大次数是否大于5;
S13413、当所述目标协方差矩阵扩大次数小于或等于5时,则:
根据所述两倍目标协方差矩阵和两倍波门增益,重新从多个移动点中选取一个移动点作为目标移动点。
计算该目标关联到跟踪目标的移动点总数,若移动点总数为0,且该目标的径向速度大于0.5m/s,扩大该跟踪目标的目标协方差矩阵H和波门增益G为原来的2倍,将所有移动点与所述跟踪目标重新关联,若仍关联不到点,将协方差矩阵H和波门增益G再扩大2倍,若仍然关联不到点时,所述协方差矩阵H和波门增益G最多可扩大至第5次。根据上述方法将跟踪目标的目标协方差矩阵H和波门增益G扩大,用于扩大跟踪目标的跟踪范围,避免跟踪范围过小无法识别跟踪目标,使跟踪目标丢失。
图6为一个实施例中一种跟踪方法的流程示意图,在一个实施例中,参照图5和图6,步骤S13410或步骤S13412之后,所述方法还包括:
S13414、当所述移动点总数不为零时,或所述移动点总数为零时且所述目标协方差矩阵扩大次数大于5时,则:
判断是否所有移动目标都遍历过作为跟踪目标与移动点关联的过程;
S13415、当存在移动目标未遍历过作为跟踪目标与移动点关联的过程时,则:
重新从多个移动目标中选取下一个移动目标作为跟踪目标。
在本发明实施例中,根据上述方法确保每一个移动目标都可关联到属于自己的移动点,确保每一帧中每一个移动目标都可被跟踪识别,适用于对多个移动目标同时跟踪。
图7为一个实施例中一种跟踪方法的流程示意图,在一个实施例中,参照图6和图7,步骤S13414之后,所述方法还包括:
S13416、当所有移动目标都遍历过作为跟踪目标与移动点关联的过程时,则:
判断是否存在无关联关系的移动点;
S13417、当存在无关联关系的移动点时,则根据无关联关系的移动点的点云数据,基于聚类算法重新确定至少一个新移动目标,
S13418、从至少一个新移动目标中选取一个新移动目标作为跟踪目标,
S13419、从无关联关系的移动点中选取一个移动点作为目标移动点;
S134110、当不存在无关联关系的移动点时,则:
获取下一帧多个移动点的点云数据。
当所有移动点作为目标移动点与所有移动目标进行关联过程后,仍存在无关联关系的移动点,说明出现新移动目标,则需要根据所有无关联关系的移动点基于类聚算法,确定新移动目标,再将所有无关联关系的移动点与新移动目标进行关联处理,对新移动目标进行跟踪。
图8为一个实施例中一种跟踪方法的流程示意图,在一个实施例中,参照图1和图8,所述根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标之前,即步骤S120之前,所述方法包括:
S111、采集多种移动物体的雷达检测信息;
S112、根据所述雷达检测信息进行深度学习建立对象识别模型。
在对移动目标进行跟踪之前,通过采集多种移动物体的雷达检测信息,建立用于识别对应移动物体的对象识别模型,便于后续在跟踪过程中确定移动目标。
图9为一个实施例中一种跟踪方法的流程示意图,在一个实施例中,参照图8和图9,所述根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标,即步骤S120包括:
S121、根据聚类算法将所述多个移动点的点云数据归属至多个移动物体,将属于同一个移动物体的点云数据进行聚类,得到多个移动物体信息;
S122、根据所述多个移动物体信息和所述对象识别模型确定至少一个移动目标。
在本发明实施例中,通过聚类算法将多个移动点进行聚类处理,再输入对象识别模型中,即可得到至少一个移动目标,便于后续对所述移动目标的跟踪。
图1-图9为各个实施例中一种跟踪方法的流程示意图。应该理解的是,虽然图1-图9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-图9中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图10为一个实施例中一种跟踪装置的结构示意图,在一个实施例中,参照图10,本发明实施例提供了一种跟踪装置,所述装置包括:
获取单元210,用于获取当前帧多个移动点的点云数据;
移动目标确定单元220,用于根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标;
关联单元230,用于基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据;
轨迹生成单元240,用于根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪。
在一个实施例中,所述关联单元230包括:
跟踪目标确定单元,用于从至少一个移动目标中选取一个移动目标作为跟踪目标,
目标点确定单元,用于从多个移动点中选取一个移动点作为目标移动点,
预测值获取单元210,用于获取上一帧预测的所述跟踪目标的中心点预测值,以及所述中心点预测值对应的目标协方差矩阵,
目标点关联单元230,用于根据上一帧预测的所述跟踪目标的中心点预测值和所述目标协方差矩阵基于所述自适应关联波门和最近邻数据算法,将所述目标移动点的点云数据与所述跟踪目标进行关联,得到所述关联数据;
预测值修正单元,用于根据上一帧预测的所述跟踪目标的中心点预测值将所述关联数据进行修正处理,得到修正后的关联数据,所述修正数据用于预测当前帧所述跟踪目标的中心点预测值;
所述轨迹生成单元240包括:
轨迹汇总单元,用于在固定时间段内,根据每一帧得到的关联数据,生成所述跟踪目标的移动轨迹,实现对所述移动目标的跟踪。
在一个实施例中,所述目标点关联单元230包括:
差值计算单元,用于计算所述目标移动点的点云数据与所述跟踪目标的中心点预测值的差值,得到差值数据;
差值判断单元,用于判断所述差值数据是否大于所述设定阈值;
协方差计算单元,用于当所述差值数据小于或等于所述设定阈值时,则根据所述差值数据和所述目标协方差矩阵计算得到马氏距离;
距离判断单元,用于判断所述马氏距离是否大于所述自适应关联波门算法的波门增益;
目标关联单元230,用于当所述马氏距离小于或等于所述自适应关联波门的波门增益时,则使所述目标移动点与所述跟踪目标进行关联,得到与所述目标移动点对应的关联数据。
在一个实施例中,所述装置还包括:
修正单元,用于根据上一帧预测的所述跟踪目标的中心点预测值将所述关联数据进行修正处理,得到修正后的关联数据,所述修正后的关联数据用于预测下一帧所述跟踪目标的中心点预测值;
关联判断单元,用于判断是否所有移动点都遍历完与所述跟踪目标关联过程;
重新关联单元230,用于当存在移动点未遍历与所述跟踪目标关联过程时,则:
从未遍历与所述跟踪目标关联过程的移动点中选取一个移动点作为目标移动点。
在一个实施例中,所述装置还包括:
关联汇总单元,用于当所有移动点都遍历完与所述跟踪目标关联过程时,则:
计算关联至所述跟踪目标的移动点总数;
总数判断单元,用于判断所述移动点总数是否为零;
范围扩大单元,用于当所述移动点总数为零时,则:
将所述目标协方差矩阵和所述波门增益扩大两倍,得到两倍目标协方差矩阵和两倍波门增益;
扩大次数判断单元,用于判断所述目标协方差矩阵扩大次数是否大于5;
重新跟踪单元,用于当所述目标协方差矩阵扩大次数小于或等于5时,则:
根据所述两倍目标协方差矩阵和两倍波门增益,重新从多个移动点中选取一个移动点作为目标移动点。
在一个实施例中,所述装置还包括:
跟踪目标遍历判断,用于当所述移动点总数不为零时,或所述移动点总数为零时且所述目标协方差矩阵扩大次数大于5时,则:
判断是否所有移动目标都遍历过作为跟踪目标与移动点关联的过程;
跟踪目标遍历单元,用于当存在移动目标未遍历过作为跟踪目标与移动点关联的过程时,则:
重新从多个移动目标中选取下一个移动目标作为跟踪目标。
在一个实施例中,所述装置还包括:
移动点关联判断单元,用于当所有移动目标都遍历过作为跟踪目标与移动点关联的过程时,则:
判断是否存在无关联关系的移动点;
移动目标确定单元220,用于当存在无关联关系的移动点时,则根据无关联关系的移动点的点云数据,基于聚类算法重新确定至少一个新移动目标,
重新选取跟踪目标单元,用于从至少一个新移动目标中选取一个新移动目标作为跟踪目标,
重新选取目标移动点单元,用于从无关联关系的移动点中选取一个移动点作为目标移动点;
下一帧单元,用于当不存在无关联关系的移动点时,则:
获取下一帧多个移动点的点云数据。
在一个实施例中,所述装置还包括:
图像采集单元,用于采集多种移动物体的雷达检测信息;
学习单元,用于根据所述雷达检测信息进行深度学习建立对象识别模型。
在一个实施例中,所述移动目标确定单元220包括:
归属单元,用于根据聚类算法将所述多个移动点的点云数据归属至多个移动物体,将属于同一个移动物体的点云数据进行聚类,得到多个移动物体信息;
移动目标识别单元,用于根据所述多个移动物体信息和所述对象识别模型确定至少一个移动目标。
本发明实施例公开了一种跟踪装置,所述装置包括:获取单元210,用于获取当前帧多个移动点的点云数据;移动目标确定单元220,用于根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标;关联单元230,用于基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据;轨迹生成单元240,用于根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪。在经过雷达信号处理得到运动目标的点云数据的基础上,扩大跟踪范围,对移动目标进行检测和跟踪,获取移动目标的轨迹信息,从而提高跟踪算法的精准性。
本发明公开了一种跟踪方法和装置,所述方法包括:获取当前帧多个移动点的点云数据;根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标;基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据;根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪。在经过雷达信号处理得到运动目标的点云数据的基础上,扩大跟踪范围,对移动目标进行检测和跟踪,根据每个移动目标关联到的点云数据,进行移动目标真实位置的修正计算,并预测下一帧的位置和目标协方差矩阵,进入下一帧将预测的位置信息和目标协方差矩阵基于最近邻数据算法与真实获取的点云数据进行关联,即可实时进行每一帧的跟踪计算,在固定时间段内获取移动目标每一帧修正后的关联数据,即可得到该移动目标的轨迹信息,从而提高跟踪算法的精准性。
所述装置包括:获取单元210,用于获取当前帧多个移动点的点云数据;移动目标确定单元220,用于根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标;关联单元230,用于基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据;轨迹生成单元240,用于根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪。在经过雷达信号处理得到运动目标的点云数据的基础上,扩大跟踪范围,对移动目标进行检测和跟踪,获取移动目标的轨迹信息,从而提高跟踪算法的精准性。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种跟踪方法,其特征在于,所述方法包括:
获取当前帧多个移动点的点云数据;
根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标;
基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据;
根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪;
其中,所述基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据,包括:
从至少一个移动目标中选取一个移动目标作为跟踪目标,
从多个移动点中选取一个移动点作为目标移动点,
获取上一帧预测的所述跟踪目标的中心点预测值,以及所述中心点预测值对应的目标协方差矩阵,
根据上一帧预测的所述跟踪目标的中心点预测值和所述目标协方差矩阵,基于所述自适应关联波门和最近邻数据算法,将所述目标移动点的点云数据与所述跟踪目标进行关联,得到所述关联数据。
2.根据权利要求1所述的方法,其特征在于,所述根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪,包括:
在固定时间段内,根据每一帧得到的关联数据,生成所述跟踪目标的移动轨迹,实现对所述移动目标的跟踪。
3.根据权利要求2所述的方法,其特征在于,所述根据上一帧预测的所述跟踪目标的中心点预测值和所述目标协方差矩阵基于所述自适应关联波门和最近邻数据算法,将所述目标移动点的点云数据与所述跟踪目标进行关联,得到所述关联数据,包括:
计算所述目标移动点的点云数据与所述跟踪目标的中心点预测值的差值,得到差值数据;
判断所述差值数据是否大于设定阈值;
当所述差值数据小于或等于所述设定阈值时,则根据所述差值数据和所述目标协方差矩阵计算得到马氏距离;
判断所述马氏距离是否大于所述自适应关联波门算法的波门增益;
当所述马氏距离小于或等于所述自适应关联波门的波门增益时,则使所述目标移动点与所述跟踪目标进行关联,得到与所述目标移动点对应的关联数据。
4.根据权利要求3所述的方法,其特征在于,当所述马氏距离小于或等于所述自适应关联波门的波门增益时,使所述目标移动点与所述跟踪目标进行关联,得到与所述目标移动点对应的关联数据之后,所述方法还包括:
根据上一帧预测的所述跟踪目标的中心点预测值将所述关联数据进行修正处理,得到修正后的关联数据,所述修正后的关联数据用于预测下一帧所述跟踪目标的中心点预测值;
判断是否所有移动点都遍历完与所述跟踪目标关联过程;
当存在移动点未遍历与所述跟踪目标关联过程时,则:
从未遍历与所述跟踪目标关联过程的移动点中选取一个移动点作为目标移动点。
5.根据权利要求4所述的方法,其特征在于,当所有移动点都遍历完与所述跟踪目标关联过程时,则:
计算关联至所述跟踪目标的移动点总数;
判断所述移动点总数是否为零;
当所述移动点总数为零时,则:
将所述目标协方差矩阵和所述波门增益扩大两倍,得到两倍目标协方差矩阵和两倍波门增益;
判断所述目标协方差矩阵扩大次数是否大于5;
当所述目标协方差矩阵扩大次数小于或等于5时,则:
根据所述两倍目标协方差矩阵和两倍波门增益,重新从多个移动点中选取一个移动点作为目标移动点。
6.根据权利要求5所述的方法,其特征在于,当所述移动点总数不为零时,或所述移动点总数为零时且所述目标协方差矩阵扩大次数大于5时,则:
判断是否所有移动目标都遍历过作为跟踪目标与移动点关联的过程;
当存在移动目标未遍历过作为跟踪目标与移动点关联的过程时,则:
重新从多个移动目标中选取下一个移动目标作为跟踪目标。
7.根据权利要求6所述的方法,其特征在于,当所有移动目标都遍历过作为跟踪目标与移动点关联的过程时,则:
判断是否存在无关联关系的移动点;
当存在无关联关系的移动点时,则根据无关联关系的移动点的点云数据,基于聚类算法重新确定至少一个新移动目标,
从至少一个新移动目标中选取一个新移动目标作为跟踪目标,
从无关联关系的移动点中选取一个移动点作为目标移动点;
当不存在无关联关系的移动点时,则:
获取下一帧多个移动点的点云数据。
8.根据权利要求1所述的方法,其特征在于,所述根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标之前,所述方法包括:
采集多种移动物体的雷达检测信息;
根据所述雷达检测信息进行深度学习建立对象识别模型。
9.根据权利要求8所述的方法,其特征在于,所述根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标,包括:
根据聚类算法将所述多个移动点的点云数据归属至多个移动物体,将属于同一个移动物体的点云数据进行聚类,得到多个移动物体信息;
根据所述多个移动物体信息和所述对象识别模型确定至少一个移动目标。
10.一种跟踪装置,其特征在于,所述装置包括:
获取单元,用于获取当前帧多个移动点的点云数据;
移动目标确定单元,用于根据当前帧多个移动点的点云数据基于聚类算法,确定至少一个移动目标;
关联单元,用于基于自适应关联波门和最近邻数据算法,将当前帧多个移动点的点云数据与所述移动目标进行关联,得到关联数据;
轨迹生成单元,用于根据所述关联数据得到移动目标的移动轨迹,实现对所述移动目标的跟踪;
其中,所述关联单元包括:
跟踪目标确定单元,用于从至少一个移动目标中选取一个移动目标作为跟踪目标,
目标点确定单元,用于从多个移动点中选取一个移动点作为目标移动点,
预测值获取单元,用于获取上一帧预测的所述跟踪目标的中心点预测值,以及所述中心点预测值对应的目标协方差矩阵,
目标点关联单元,用于根据上一帧预测的所述跟踪目标的中心点预测值和所述目标协方差矩阵基于所述自适应关联波门和最近邻数据算法,将所述目标移动点的点云数据与所述跟踪目标进行关联,得到所述关联数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911033241.5A CN110927712B (zh) | 2019-10-28 | 2019-10-28 | 跟踪方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911033241.5A CN110927712B (zh) | 2019-10-28 | 2019-10-28 | 跟踪方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110927712A CN110927712A (zh) | 2020-03-27 |
CN110927712B true CN110927712B (zh) | 2022-02-01 |
Family
ID=69849603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911033241.5A Active CN110927712B (zh) | 2019-10-28 | 2019-10-28 | 跟踪方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110927712B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597889B (zh) * | 2020-04-09 | 2022-11-18 | 苏宁云计算有限公司 | 一种视频中目标移动的检测方法、装置及系统 |
CN111781608B (zh) * | 2020-07-03 | 2023-04-25 | 浙江光珀智能科技有限公司 | 一种基于fmcw激光雷达的运动目标检测方法及系统 |
CN111866305A (zh) * | 2020-08-11 | 2020-10-30 | 普达迪泰(天津)智能装备科技有限公司 | 室内外特定条件下的图像增强与环境适应性方法 |
CN112561971A (zh) * | 2020-12-16 | 2021-03-26 | 珠海格力电器股份有限公司 | 人流量统计方法、装置、设备及存储介质 |
CN115049696A (zh) * | 2021-03-08 | 2022-09-13 | 北京金茂绿建科技有限公司 | 一种基于雷达数据的人员监测方法和装置 |
CN113740836A (zh) * | 2021-07-31 | 2021-12-03 | 南京市德赛西威汽车电子有限公司 | 一种基于毫米波雷达的静止目标跟踪优化方法 |
CN113689471B (zh) * | 2021-09-09 | 2023-08-18 | 中国联合网络通信集团有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
CN117250606B (zh) * | 2023-11-07 | 2024-04-05 | 浙江宇视科技有限公司 | 轨迹跟踪方法、装置、设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4550318A (en) * | 1982-02-03 | 1985-10-29 | The Johns Hopkins University | Retrospective data filter |
CN103729859B (zh) * | 2013-12-30 | 2016-08-24 | 西北工业大学 | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 |
CN105066995B (zh) * | 2015-07-15 | 2018-11-13 | 北方信息控制集团有限公司 | 一种情报处理目标关联方法 |
CN105807280B (zh) * | 2016-04-26 | 2017-12-22 | 中国船舶重工集团南京鹏力科技集团有限公司 | 基于航迹状态估计的回波融合目标的航迹关联方法 |
CN107341819B (zh) * | 2017-05-09 | 2020-04-28 | 深圳市速腾聚创科技有限公司 | 目标跟踪方法及存储介质 |
CN108445480B (zh) * | 2018-02-02 | 2022-05-03 | 重庆邮电大学 | 基于激光雷达的移动平台自适应扩展目标跟踪系统及方法 |
CN110361727A (zh) * | 2019-07-22 | 2019-10-22 | 浙江大学 | 一种毫米波雷达多目标跟踪方法 |
-
2019
- 2019-10-28 CN CN201911033241.5A patent/CN110927712B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110927712A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110927712B (zh) | 跟踪方法和装置 | |
CN111126152B (zh) | 一种基于视频的多目标行人检测与跟踪的方法 | |
CN111797716B (zh) | 一种基于Siamese网络的单目标跟踪方法 | |
CN106780485B (zh) | 基于超像素分割和特征学习的sar图像变化检测方法 | |
CN107145862B (zh) | 一种基于霍夫森林的多特征匹配多目标跟踪方法 | |
CN106778712B (zh) | 一种多目标检测与跟踪方法 | |
CN110288627B (zh) | 一种基于深度学习和数据关联的在线多目标跟踪方法 | |
CN107133970B (zh) | 基于运动信息的在线多目标跟踪方法及装置 | |
CN103942536B (zh) | 一种迭代更新轨迹模型的多目标跟踪方法 | |
CN111476817A (zh) | 一种基于yolov3的多目标行人检测跟踪方法 | |
Scheiner et al. | Radar-based feature design and multiclass classification for road user recognition | |
CN111882586B (zh) | 一种面向剧场环境的多演员目标跟踪方法 | |
CN103456009B (zh) | 目标检测方法与装置、监控系统 | |
CN100531405C (zh) | 体育视频目标跟踪方法 | |
CN110781785A (zh) | 基于Faster RCNN算法改进的交通场景下行人检测方法 | |
CN110717934B (zh) | 一种基于strcf的抗遮挡目标跟踪方法 | |
CN110555870A (zh) | 基于神经网络的dcf跟踪置信度评价与分类器更新方法 | |
CN114063056A (zh) | 一种船舶航迹融合方法、系统、介质和设备 | |
Gündüz et al. | Efficient multi-object tracking by strong associations on temporal window | |
Zuo et al. | Moving object detection in video sequence images based on an improved visual background extraction algorithm | |
CN111830501A (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及系统 | |
CN117630860A (zh) | 一种毫米波雷达的手势识别方法 | |
CN116403007B (zh) | 基于目标向量的遥感影像变化检测方法 | |
CN115220002B (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |