CN111932580A - 一种基于卡尔曼滤波与匈牙利算法的道路3d车辆跟踪方法及系统 - Google Patents
一种基于卡尔曼滤波与匈牙利算法的道路3d车辆跟踪方法及系统 Download PDFInfo
- Publication number
- CN111932580A CN111932580A CN202010631250.0A CN202010631250A CN111932580A CN 111932580 A CN111932580 A CN 111932580A CN 202010631250 A CN202010631250 A CN 202010631250A CN 111932580 A CN111932580 A CN 111932580A
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle
- detection
- tracking
- track
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001914 filtration Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 107
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 230000008447 perception Effects 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪方法及系统,属于智能汽车感知技术领域,包括步骤1、建立检测模块对当前帧t进行目标检测,获取第t帧的目标检测集合;步骤2、建立3D卡尔曼滤波器模型对当前帧t进行目标状态预测;步骤3、建立数据关联模块,利用匈牙利算法将检测结果与预测的跟踪目标相匹配;步骤4、建立3D卡尔曼滤波器模型根据关联结果更新目标状态。步骤5、建立轨迹管理模块对轨迹进行更新。本发明提出的将结合卡尔曼滤波状态更新和匈牙利算法应用于智能车辆的3D目标跟踪,可以快速的发现、定位和跟踪目标车辆,并且跟踪精度非常高。
Description
技术领域
本发明属于智能汽车感知领域,具体涉及一种基于卡尔曼滤波与匈牙利算法的道路3D车辆识别及跟踪的方法和系统。
背景技术
智能车是一个包括感知、决策及控制的复杂系统,环境感知是路径规划和决策控制的重要前提,3D车辆跟踪是环境感知的关键内容之一,对于自主驾驶的路径规划具有重要影响。
目前有大量的目标跟踪算法被提出并在智能交通系统中得到广泛的应用,目前大多数的目标跟踪和检测算法,处理对象都集中在RGB图像上,比如由Girshick相继提出的Fast RCNN、Faster RCNN、YOLO等,这些算法都是比较成功的基于深度学习的目标检测算法。由xiang等提出的一种基于马尔可夫决策(MDP)框架的在线多目标跟踪方法,但只能在道路环境不复杂的情况下取得较好的结果。但随着立体视觉的兴起,人们致力于研究目标3D框跟踪算法的可行性。
常用的车辆跟踪方法包括:基于区域跟踪算法,假设车辆是由一个个像素点形成的连通块,根据连通块的特征去计算与检测出的连通块的特征的相似度确定跟踪目标;基于模型的跟踪算法,根据建立好的目标模型库与检测出来的运动目标进行匹配以达到跟踪的目的;基于特征匹配跟踪算法:利用运动目标不变或不易受外界因素干扰的特征在相邻图像帧中进行目标匹配。但如果面对城市复杂的交通环境,在解决目标遮挡,复杂运动建模,权衡计算复杂度与计算精确度等问题上,上述方法仍存在一定的不足。
发明内容
针对上述存在的问题,提供一种改进的基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪方法及系统,实现复杂城市道路环境下3D车辆跟踪。
本发明采用的技术方案是:一种改进的基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪方法,该方法包括以下步骤:
步骤1、建立检测模块对当前帧t进行目标检测,获取第t帧的目标检测集合;
步骤2、建立3D卡尔曼滤波器模型对当前帧t进行目标状态预测;
步骤3、建立数据关联模块将检测结果与预测的跟踪目标相匹配;
步骤4、建立3D卡尔曼滤波器模型根据关联结果更新目标状态。
步骤5、建立轨迹管理模块对轨迹进行更新;
进一步,步骤1的具体实现包括:
检测结果为车辆目标的3D包围盒,所述3D包围盒的信息包括:中心坐标(x,y,z),尺度大小(h,w,l),方向角θ,检测置信度s。
进一步,步骤2的具体实现包括:
为预测下一帧车辆目标的状态,采用恒定速度模型近似车辆目标的帧间位移,建立状态变量T={x,y,z,θ,h,w,h,vx,vy,vz},其中vx,vy,vz表示车辆目标在三维空间中的运动速度;
基于恒定速度模型:
则t时刻预测的每个跟踪目标车辆轨迹状态为Tt-1|t={xt-1|t,yt-1|t,zt-1|t,θ,h,w,h,vx,vy,vz}。
进一步,步骤3的具体实现包括:
步骤301:确定第i个检测目标与第j个预测的跟踪目标的关联系数Cij;
通过计算第i个检测目标车辆Dt和第j个预测跟踪目标Tt之间的IOU3D(Intersection over Union)确定两者的关联系数Cij,Cij越大表示两者关联程度越高,即第i检测目标可能属于第j个预测跟踪目标。
所述关联系数Cij的计算公式为:
其中,Vi为第i个检测目标3D框的体积,Vj为第j个预测的跟踪目标3D框的体积,Vij为检测目标3D框与预测目标3D框间的相交体积;
步骤302:使用匈牙利算法匹配第i个检测目标车辆Dt和第j个预测跟踪目标车辆Tt;
为每一个检测/预测目标定义一个二值系数Xij:当IOU3D大于设定的阈值0.3时,第i个检测目标匹配给第j个预测跟踪目标,则Xij=1,否则Xij=0,建立的匹配模型表达式为:
由关联系数Cij组成的矩阵C是匹配模型的系数矩阵,矩阵C大小为n×m,在系数矩阵C找到一些Cij使整体效率z最大,其中每一行/列至多有一个元素被选中;
进一步,步骤4的具体实现包括:
步骤401:建立3D卡尔曼滤波器模型根据关联结果初始目标状态更新;
在跟踪过程中,设目标状态方程为:
Tt=FTt-1+wt-1
其中,F为状态转移矩阵,wt-1为t-1时刻的过程噪声,服从正态分布,其均值为0,协方差矩阵为Q;
设目标观测方程为:
Zt=HTt+vt
其中,其中,H为观测矩阵,vt为t时刻的观测噪声,服从正太分布,其均值为0,协方差矩阵为R。
根据T的形式可以得出:
根据运动模型,先验状态协方差矩阵为:
Pt|t-1=FPt-1FT+Qt
其中,Pt-1为t-1时刻更新预测后的状态协方差矩阵。
根据卡尔曼滤波器的计算规则,更新环节车辆目标状态表达式为:Tt=Tt|t-1+Kt(Zt-FTt|t-1);
其中,Kt为残余增益,其计算公式如下:
Kt=Pt|t-1HT(HPt|t-1HT+R)-1
步骤402:建立方向校准模块修正初始目标状态;
进一步,步骤5的具体实现包括:
步骤501:新的轨迹生成处理
步骤502:现存轨迹丢失、终止处理:
本发明提出的基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪系统,包括检测模块、3D卡尔曼滤波器模型、数据关联模块、3D卡尔曼滤波器模型以及轨迹管理模块;
所述检测模块用于对当前帧t进行目标检测,获取第t帧的目标检测集合;
所述3D卡尔曼滤波器模型用于对当前帧t进行目标状态预测;
所述数据关联模块用于将检测结果与预测的跟踪目标相匹配;
所述3D卡尔曼滤波器模型还用于根据关联结果更新目标状态;
所述轨迹管理模块用于对轨迹进行更新。
进一步,所述检测模块对当前帧t进行目标检测的具体内容包括:
检测结果是车辆目标的3D包围盒,所述3D包围盒的信息包括:中心坐标(x3D,y3D,z3D),尺度大小(h3D,w3D,l3D),方向角θ3D,检测置信度s3D;
所述3D卡尔曼滤波器模型对当前帧t进行目标状态预测的具体内容包括:
为了预测下一帧车辆目标的状态,采用恒定速度模型近似车辆目标的帧间位移,建立状态变量T={x,y,z,θ,h,w,h,vx,vy,vz},其中vx,vy,vz表示车辆目标在三维空间中的运动速度;
基于恒定速度模型:
则t时刻预测的每个跟踪目标车辆轨迹状态为Tt-1|t={xt-1|t,yt-1|t,zt-1|t,θ,h,w,h,vx,vy,vz};
所述数据关联模块将检测结果与预测的跟踪目标相匹配的具体内容包括:
确定第i个检测目标与第j个预测的跟踪目标的关联系数Cij;
通过计算第i个检测目标车辆Dt和第j个预测跟踪目标Tt之间的3D IOU确定两者的关联系数Cij,Cij越大表示两者关联程度越高,即第i检测目标可能属于第j个预测跟踪目标;
所述关联系数Cij的计算公式为:
其中,Vi为第i个检测目标3D框的体积,Vj为第j个预测的跟踪目标3D框的体积,Vij为检测目标3D框与预测目标3D框间的相交体积;
使用匈牙利算法匹配第i个检测目标车辆Dt和第j个预测跟踪目标车辆Tt;
为每一个检测/预测目标定义一个二值系数Xij:当IOU3D大于设定的阈值时,第i个检测目标匹配给第j个预测跟踪目标,则Xij=1,否则Xij=0,建立匹配模型表达式为:
由关联系数Cij组成的矩阵C是匹配问题的系数矩阵,矩阵C大小为n×m,在系数矩阵C找到一些Cij使整体效率z最大,其中每一行/列至多有一个元素被选中;
所述3D卡尔曼滤波器模型根据关联结果更新目标状态的具体内容包括:
根据关联结果更新初始目标状态:
在跟踪过程中,设状态方程为:
Tt=FtTt-1+wt-1
其中,F为状态转移矩阵,w为过程噪声,其均值为0,协方差矩阵为Q;
设观测方程为:
Zt=HtTt+vt
其中,H为观测矩阵,v为观测噪声,其均值为0,协方差矩阵为R;
根据运动模型,状态协方差矩阵为:
根据T得出:
根据卡尔曼滤波器的计算规则,更新环节车辆目标状态表达式为:Tt=Tt|t-1+Kt(zt-FTt|t-1)
其中,K为残余增益,其计算公式如下:
所述轨迹管理模块用于对轨迹进行更新的具体内容包括:
本发明的有益效果:
本发明提出的将结合卡尔曼滤波状态更新和匈牙利算法应用于智能车辆的3D目标跟踪,可以快速的发现、定位和跟踪目标车辆,并且跟踪精度非常高。
附图说明
图1为本发明一种基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪方法流程图;
图2为第1副道路场景3D车辆跟踪图像;
图3为第2副道路场景3D车辆跟踪图像;
具体实施方式
为了使本发明的目的、技术方案解释的更加清楚明白,以下结合说明书附图对本发明的具体实施方式进一步详细的说明。
本发明提出的一种基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪方法,如图1所示,为本申请实施提供的一种道路3D车辆跟踪的流程图,主要包含以下步骤:
步骤1、建立检测模块对当前帧t进行目标检测,获取第t帧的目标检测集合;
检测结果是车辆目标的3D包围盒,所述3D包围盒的信息包括:中心坐标(x,y,z),尺度大小(h,w,l),方向角θ,检测置信度s。
步骤2、建立3D卡尔曼滤波器模型对当前帧t进行目标状态预测;
为了预测下一帧车辆目标的状态,采用恒定速度模型近似车辆目标的帧间位移,建立状态变量T={x,y,z,θ,h,w,l,vx,vy,vz},其中vx,vy,vz表示车辆目标在三维空间中的运动速度。
基于恒定速度模型:
则t时刻预测的每个跟踪目标车辆轨迹状态为Tt-1|t={xt-1|t,yt-1|t,zt-1|t,θ,h,w,h,vx,vy,vz}。
步骤3、建立数据关联模块将检测结果与预测跟踪目标相匹配;
步骤301:确定第i个检测目标与第j个预测的跟踪目标的关联系数Cij;
通过计算第i个检测目标车辆Dt和第j个预测跟踪目标Tt之间的IOU3D(Intersection over Union)确定两者的关联系数Cij,Cij越大表示两者关联程度越高,即第i检测目标可能属于第j个预测跟踪目标。
所述关联系数Cij的计算公式为:
其中,Vi为第i个检测目标3D框的体积,Vj为第j个预测的跟踪目标3D框的体积,Vij为检测目标3D框与预测目标3D框间的相交体积。
步骤302:使用匈牙利算法匹配第i个检测目标车辆Dt和第j个预测跟踪目标车辆Tt;
为每一个检测/预测目标定义一个二值系数Xij:当IOU3D大于设定的阈值0.3时,第i个检测目标匹配给第j个预测跟踪目标,则Xij=1,否则Xij=0,。
建立匹配模型表达式为:
由关联系数Cij组成的矩阵C是匹配问题的系数矩阵,矩阵C大小为n×m,在系数矩阵C找到一些Cij使整体效率z最大,其中每一行/列至多有一个元素被选中。
步骤303:最终数据关联模块输出一组匹配成功的检测目标和匹配成功的预测跟踪目标和匹配失败的检测目标以及匹配失败的预测跟踪目标 其中表示在t帧时刻匹配成功的第c个检测目标(共c个匹配成功的检测目标);表示在t帧时刻匹配成功的第c个预测跟踪目标(共c个匹配成功的预测跟踪目标);Dunmatch表示在t帧时刻匹配失败的第n-c个检测目标(共n-c个匹配失败的检测目标);Tunmatch表示在t帧时刻匹配失败的第m-c个预测跟踪目标(共m-c个匹配失败的预测跟踪目标)。
步骤4、建立3D卡尔曼滤波器模型根据关联结果更新目标状态;
步骤401:建立3D卡尔曼滤波器模型根据关联结果更新初始目标状态;
在跟踪过程中,根据卡尔曼滤波器的原理,设目标状态方程为:
Tt=FTt-1+wt-1
其中,F为状态转移矩阵,wt-1为t-1时刻的过程噪声,服从正态分布,其均值为0,协方差矩阵为Q;
同时设目标观测方程为:
Zt=HTt+vt
其中,H为观测矩阵,vt为t时刻的观测噪声,服从正太分布,其均值为0,协方差矩阵为R。
根据T的形式可以得出:
根据运动模型,先验状态协方差矩阵为:
Pt|t-1=FPt-1FT+Q
其中,Pt-1为t-1时刻更新预测后的状态协方差矩阵。
根据卡尔曼滤波器的计算规则,更新环节车辆目标状态表达式为:Tt=Tt|t-1+Kt(Zt-FTt|t-1)
其中,Kt为残余增益,其计算公式如下:
Kt=Pt|t-1HT(HPt|t-1HT+R)-1
步骤402:建立方向校准模块修正初始目标状态;
对于由步骤401建立的卡尔曼滤波器模型不能精确得定位目标3D方向,因此检测目标的方向可以近似与跟踪目标轨迹的方向完全相反,当检测目标与跟踪目标轨迹之间的方向角大于时,则目标轨迹的方向角加π,此时跟踪目标轨迹方向角可以近似于检测目标达到一致,有效提高车辆目标3D跟踪的方向估计。
步骤5、建立轨迹管理模块对轨迹进行更新;
步骤501:新的轨迹生成处理;
步骤502:现存轨迹丢失、终止处理;
图2、图3给出了本实例所述方法对原始道路场景车辆预测跟踪得到的结果图,显示表明,本发明实现了对道路场景的有效3D车辆跟踪,并且跟踪准确度非常高。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪方法,其特征在于,包括如下步骤:
步骤1、当前帧t进行目标检测,获取第t帧的目标检测集合;
步骤2、对当前帧t进行目标状态预测;
步骤3、将检测结果与预测的跟踪目标相匹配;
步骤4、根据匹配结果更新目标状态;
步骤5、对目标状态轨迹进行更新。
4.根据权利要求1所述的一种基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪方法,其特征在于,步骤3的具体实现包括:
步骤301:确定第i个检测目标与第j个预测的跟踪目标的关联系数Cij;
通过计算第i个检测目标车辆Dt和第j个预测跟踪目标Tt之间的IOU3D确定两者的关联系数Cij,Cij越大表示两者关联程度越高,即第i检测目标可能属于第j个预测跟踪目标。
所述关联系数Cij的计算公式为:
其中,Vi为第i个检测目标3D框的体积,Vj为第j个预测的跟踪目标3D框的体积,Vij为检测目标3D框与预测目标3D框间的相交体积;
步骤302:使用匈牙利算法匹配第i个检测目标车辆Dt和第j个预测跟踪目标车辆Tt;
为每一个检测/预测目标定义一个二值系数Xij:当IOU3D大于设定的阈值0.3时,第i个检测目标匹配给第j个预测跟踪目标,则Xij=1,否则Xij=0,建立的匹配模型表达式为:
由关联系数Cij组成的矩阵C是匹配模型的系数矩阵,矩阵C大小为n×m,在系数矩阵C找到一些Cij使整体效率z最大,其中每一行/列至多有一个元素被选中;
5.根据权利要求1所述的一种基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪方法,其特征在于,步骤4的具体实现包括:
步骤401:建立3D卡尔曼滤波器模型根据关联结果初始目标状态更新;
在跟踪过程中,设目标状态方程为:
Tt=FTt-1+wt-1
其中,F为状态转移矩阵,wt-1为t-1时刻的过程噪声,服从正态分布,其均值为0,协方差矩阵为Q;
设目标观测方程为:
Zt=HTt+vt
其中,H为观测矩阵,vt为t时刻的观测噪声,服从正太分布,其均值为0,协方差矩阵为R。
根据T可以得出:
根据运动模型,先验状态协方差矩阵为:
Pt|t-1=FPt-1FT+Q
其中,Pt-1为t-1时刻更新预测后的状态协方差矩阵。
根据卡尔曼滤波器的计算规则,更新环节车辆目标状态表达式为:Tt=Tt|t-1+Kt(Zt-FTt|t-1);
其中,Kt为残余增益,其计算公式如下:
Kt=Pt|t-1HT(HPt|t-1HT+R)-1
步骤402:建立方向校准模块修正初始目标状态;
7.一种基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪系统,其特征在于,包括检测模块、3D卡尔曼滤波器模型、数据关联模块、3D卡尔曼滤波器模型以及轨迹管理模块;
所述检测模块用于对当前帧t进行目标检测,获取第t帧的目标检测集合;
所述3D卡尔曼滤波器模型用于对当前帧t进行目标状态预测;
所述数据关联模块用于将检测结果与预测的跟踪目标相匹配;
所述3D卡尔曼滤波器模型还用于根据关联结果更新目标状态;
所述轨迹管理模块用于对轨迹进行更新。
8.根据权利要求7所述的一种基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪系统,其特征在于,所述检测模块对当前帧t进行目标检测的具体内容包括:
检测结果是车辆目标的3D包围盒,所述3D包围盒的信息包括:中心坐标(x3D,y3D,z3D),尺度大小(h3D,w3D,l3D),方向角θ3D,检测置信度s3D;
所述3D卡尔曼滤波器模型对当前帧t进行目标状态预测的具体内容包括:
为了预测下一帧车辆目标的状态,采用恒定速度模型近似车辆目标的帧间位移,建立状态变量T={x,y,z,θ,h,w,h,vx,vy,vz},其中vx,vy,vz表示车辆目标在三维空间中的运动速度;
基于恒定速度模型:
则t时刻预测的每个跟踪目标车辆轨迹状态为Tt-1|t={xt-1|t,yt-1|t,zt-1|t,θ,h,w,h,vx,vy,vz};
所述数据关联模块将检测结果与预测的跟踪目标相匹配的具体内容包括:
确定第i个检测目标与第j个预测的跟踪目标的关联系数Cij;
通过计算第i个检测目标车辆Dt和第j个预测跟踪目标Tt之间的3D IOU确定两者的关联系数Cij,Cij越大表示两者关联程度越高,即第i检测目标可能属于第j个预测跟踪目标;
所述关联系数Cij的计算公式为:
其中,Vi为第i个检测目标3D框的体积,Vj为第j个预测的跟踪目标3D框的体积,Vij为检测目标3D框与预测目标3D框间的相交体积;
使用匈牙利算法匹配第i个检测目标车辆Dt和第j个预测跟踪目标车辆Tt;
为每一个检测/预测目标定义一个二值系数Xij:当IOU3D大于设定的阈值时,第i个检测目标匹配给第j个预测跟踪目标,则Xij=1,否则Xij=0,建立匹配模型表达式为:
由关联系数Cij组成的矩阵C是匹配问题的系数矩阵,矩阵C大小为n×m,在系数矩阵C找到一些Cij使整体效率z最大,其中每一行/列至多有一个元素被选中;
所述3D卡尔曼滤波器模型根据关联结果更新目标状态的具体内容包括:
根据关联结果更新初始目标状态:
在跟踪过程中,设状态方程为:
Tt=FtTt-1+wt-1
其中,F为状态转移矩阵,w为过程噪声,其均值为0,协方差矩阵为Q;
设观测方程为:
Zt=HtTt+vt
其中,H为观测矩阵,v为观测噪声,其均值为0,协方差矩阵为R;
根据运动模型,状态协方差矩阵为:
根据T得出:
根据卡尔曼滤波器的计算规则,更新环节车辆目标状态表达式为:Tt=Tt|t-1+Kt(zt-FTt|t-1)
其中,K为残余增益,其计算公式如下:
所述轨迹管理模块用于对轨迹进行更新的具体内容包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010631250.0A CN111932580A (zh) | 2020-07-03 | 2020-07-03 | 一种基于卡尔曼滤波与匈牙利算法的道路3d车辆跟踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010631250.0A CN111932580A (zh) | 2020-07-03 | 2020-07-03 | 一种基于卡尔曼滤波与匈牙利算法的道路3d车辆跟踪方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111932580A true CN111932580A (zh) | 2020-11-13 |
Family
ID=73317859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010631250.0A Pending CN111932580A (zh) | 2020-07-03 | 2020-07-03 | 一种基于卡尔曼滤波与匈牙利算法的道路3d车辆跟踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932580A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112444311A (zh) * | 2020-11-22 | 2021-03-05 | 同济大学 | 一种桥梁车辆时空荷载监控方法 |
CN112465870A (zh) * | 2020-12-10 | 2021-03-09 | 济南和普威视光电技术有限公司 | 一种复杂背景下热像报警入侵检测方法及装置 |
CN112562331A (zh) * | 2020-11-30 | 2021-03-26 | 的卢技术有限公司 | 一种基于视觉感知的他方车辆轨迹预测方法 |
CN112634325A (zh) * | 2020-12-10 | 2021-04-09 | 重庆邮电大学 | 一种无人机视频多目标跟踪方法 |
CN112785630A (zh) * | 2021-02-02 | 2021-05-11 | 宁波智能装备研究院有限公司 | 一种显微操作中多目标轨迹异常处理方法及系统 |
CN112785625A (zh) * | 2021-01-20 | 2021-05-11 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
CN112818771A (zh) * | 2021-01-19 | 2021-05-18 | 江苏大学 | 一种基于特征聚合的多目标跟踪算法 |
CN112884816A (zh) * | 2021-03-23 | 2021-06-01 | 武汉理工大学 | 一种基于图像系统的车辆特征深度学习识别轨迹跟踪方法 |
CN113096156A (zh) * | 2021-04-23 | 2021-07-09 | 中国科学技术大学 | 面向自动驾驶的端到端实时三维多目标追踪方法及装置 |
CN113092807A (zh) * | 2021-04-21 | 2021-07-09 | 上海浦江桥隧运营管理有限公司 | 基于多目标跟踪算法的城市高架道路车辆测速方法 |
CN113160280A (zh) * | 2021-04-28 | 2021-07-23 | 江苏方天电力技术有限公司 | 一种基于激光雷达的动态多目标跟踪方法 |
CN113269098A (zh) * | 2021-05-27 | 2021-08-17 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于无人机的多目标跟踪定位与运动状态估计方法 |
CN113281718A (zh) * | 2021-06-30 | 2021-08-20 | 江苏大学 | 一种基于激光雷达场景流估计的3d多目标跟踪系统及方法 |
CN113658222A (zh) * | 2021-08-02 | 2021-11-16 | 上海影谱科技有限公司 | 一种车辆检测跟踪方法及装置 |
CN113673395A (zh) * | 2021-08-10 | 2021-11-19 | 深圳市捷顺科技实业股份有限公司 | 一种车辆轨迹的处理方法及装置 |
CN113763434A (zh) * | 2021-09-26 | 2021-12-07 | 东风汽车集团股份有限公司 | 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法 |
CN114005018A (zh) * | 2021-10-14 | 2022-02-01 | 哈尔滨工程大学 | 一种小算力驱动的水面无人艇多目标跟踪方法 |
CN114170274A (zh) * | 2022-02-11 | 2022-03-11 | 北京宏景智驾科技有限公司 | 目标跟踪方法和装置、电子设备和存储介质 |
CN114897944A (zh) * | 2021-11-10 | 2022-08-12 | 北京中电兴发科技有限公司 | 一种基于DeepSORT的多目标连续跟踪方法 |
CN114913198A (zh) * | 2021-01-29 | 2022-08-16 | 清华大学 | 一种多目标跟踪方法及装置、存储介质、终端 |
CN115050055A (zh) * | 2022-07-06 | 2022-09-13 | 电子科技大学 | 一种基于卡尔曼滤波的人体骨架序列构建方法 |
CN115877343A (zh) * | 2023-02-02 | 2023-03-31 | 中电信数字城市科技有限公司 | 基于雷达目标跟踪的人车匹配方法、装置和电子设备 |
CN115908506A (zh) * | 2022-09-09 | 2023-04-04 | 杭州云栖智慧视通科技有限公司 | 基于卡尔曼预测的多目标跟踪方法 |
CN116228989A (zh) * | 2023-03-30 | 2023-06-06 | 北京数原数字化城市研究中心 | 一种三维轨迹预测方法、装置、设备及介质 |
CN116434567A (zh) * | 2022-12-13 | 2023-07-14 | 武汉溯野科技有限公司 | 一种车流量检测方法、装置和电子设备及路侧端设备 |
CN117576166A (zh) * | 2024-01-15 | 2024-02-20 | 浙江华是科技股份有限公司 | 基于相机和低帧率激光雷达的目标跟踪方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161325A (zh) * | 2019-12-31 | 2020-05-15 | 广州视声智能科技有限公司 | 基于卡尔曼滤波与lstm的三维多目标跟踪方法 |
CN111340855A (zh) * | 2020-03-06 | 2020-06-26 | 电子科技大学 | 一种基于轨迹预测的道路移动目标检测方法 |
-
2020
- 2020-07-03 CN CN202010631250.0A patent/CN111932580A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161325A (zh) * | 2019-12-31 | 2020-05-15 | 广州视声智能科技有限公司 | 基于卡尔曼滤波与lstm的三维多目标跟踪方法 |
CN111340855A (zh) * | 2020-03-06 | 2020-06-26 | 电子科技大学 | 一种基于轨迹预测的道路移动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
XINSHUO WENG: "A Baseline for 3D Multi-Object Tracking", ARXIV, 9 July 2019 (2019-07-09), pages 1 - 8 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112444311A (zh) * | 2020-11-22 | 2021-03-05 | 同济大学 | 一种桥梁车辆时空荷载监控方法 |
CN112562331A (zh) * | 2020-11-30 | 2021-03-26 | 的卢技术有限公司 | 一种基于视觉感知的他方车辆轨迹预测方法 |
CN112465870A (zh) * | 2020-12-10 | 2021-03-09 | 济南和普威视光电技术有限公司 | 一种复杂背景下热像报警入侵检测方法及装置 |
CN112634325A (zh) * | 2020-12-10 | 2021-04-09 | 重庆邮电大学 | 一种无人机视频多目标跟踪方法 |
CN112465870B (zh) * | 2020-12-10 | 2023-07-14 | 济南和普威视光电技术有限公司 | 一种复杂背景下热像报警入侵检测方法及装置 |
CN112818771A (zh) * | 2021-01-19 | 2021-05-18 | 江苏大学 | 一种基于特征聚合的多目标跟踪算法 |
CN112818771B (zh) * | 2021-01-19 | 2024-06-11 | 江苏大学 | 一种基于特征聚合的多目标跟踪算法 |
CN112785625A (zh) * | 2021-01-20 | 2021-05-11 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
CN112785625B (zh) * | 2021-01-20 | 2023-09-22 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
CN114913198A (zh) * | 2021-01-29 | 2022-08-16 | 清华大学 | 一种多目标跟踪方法及装置、存储介质、终端 |
CN112785630A (zh) * | 2021-02-02 | 2021-05-11 | 宁波智能装备研究院有限公司 | 一种显微操作中多目标轨迹异常处理方法及系统 |
CN112884816B (zh) * | 2021-03-23 | 2023-12-15 | 武汉理工大学 | 一种基于图像系统的车辆特征深度学习识别轨迹跟踪方法 |
CN112884816A (zh) * | 2021-03-23 | 2021-06-01 | 武汉理工大学 | 一种基于图像系统的车辆特征深度学习识别轨迹跟踪方法 |
CN113092807A (zh) * | 2021-04-21 | 2021-07-09 | 上海浦江桥隧运营管理有限公司 | 基于多目标跟踪算法的城市高架道路车辆测速方法 |
CN113092807B (zh) * | 2021-04-21 | 2024-05-14 | 上海浦江桥隧运营管理有限公司 | 基于多目标跟踪算法的城市高架道路车辆测速方法 |
CN113096156B (zh) * | 2021-04-23 | 2024-05-24 | 中国科学技术大学 | 面向自动驾驶的端到端实时三维多目标追踪方法及装置 |
CN113096156A (zh) * | 2021-04-23 | 2021-07-09 | 中国科学技术大学 | 面向自动驾驶的端到端实时三维多目标追踪方法及装置 |
CN113160280A (zh) * | 2021-04-28 | 2021-07-23 | 江苏方天电力技术有限公司 | 一种基于激光雷达的动态多目标跟踪方法 |
CN113160280B (zh) * | 2021-04-28 | 2022-07-08 | 江苏方天电力技术有限公司 | 一种基于激光雷达的动态多目标跟踪方法 |
CN113269098B (zh) * | 2021-05-27 | 2023-06-16 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于无人机的多目标跟踪定位与运动状态估计方法 |
CN113269098A (zh) * | 2021-05-27 | 2021-08-17 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于无人机的多目标跟踪定位与运动状态估计方法 |
CN113281718B (zh) * | 2021-06-30 | 2024-03-22 | 江苏大学 | 一种基于激光雷达场景流估计的3d多目标跟踪系统及方法 |
CN113281718A (zh) * | 2021-06-30 | 2021-08-20 | 江苏大学 | 一种基于激光雷达场景流估计的3d多目标跟踪系统及方法 |
CN113658222A (zh) * | 2021-08-02 | 2021-11-16 | 上海影谱科技有限公司 | 一种车辆检测跟踪方法及装置 |
CN113673395A (zh) * | 2021-08-10 | 2021-11-19 | 深圳市捷顺科技实业股份有限公司 | 一种车辆轨迹的处理方法及装置 |
CN113763434B (zh) * | 2021-09-26 | 2024-02-02 | 东风汽车集团股份有限公司 | 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法 |
CN113763434A (zh) * | 2021-09-26 | 2021-12-07 | 东风汽车集团股份有限公司 | 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法 |
CN114005018B (zh) * | 2021-10-14 | 2024-04-16 | 哈尔滨工程大学 | 一种小算力驱动的水面无人艇多目标跟踪方法 |
CN114005018A (zh) * | 2021-10-14 | 2022-02-01 | 哈尔滨工程大学 | 一种小算力驱动的水面无人艇多目标跟踪方法 |
CN114897944A (zh) * | 2021-11-10 | 2022-08-12 | 北京中电兴发科技有限公司 | 一种基于DeepSORT的多目标连续跟踪方法 |
CN114897944B (zh) * | 2021-11-10 | 2022-10-25 | 北京中电兴发科技有限公司 | 一种基于DeepSORT的多目标连续跟踪方法 |
CN114170274A (zh) * | 2022-02-11 | 2022-03-11 | 北京宏景智驾科技有限公司 | 目标跟踪方法和装置、电子设备和存储介质 |
CN115050055B (zh) * | 2022-07-06 | 2024-04-30 | 电子科技大学 | 一种基于卡尔曼滤波的人体骨架序列构建方法 |
CN115050055A (zh) * | 2022-07-06 | 2022-09-13 | 电子科技大学 | 一种基于卡尔曼滤波的人体骨架序列构建方法 |
CN115908506A (zh) * | 2022-09-09 | 2023-04-04 | 杭州云栖智慧视通科技有限公司 | 基于卡尔曼预测的多目标跟踪方法 |
CN116434567A (zh) * | 2022-12-13 | 2023-07-14 | 武汉溯野科技有限公司 | 一种车流量检测方法、装置和电子设备及路侧端设备 |
CN116434567B (zh) * | 2022-12-13 | 2024-01-26 | 武汉溯野科技有限公司 | 一种车流量检测方法、装置和电子设备及路侧端设备 |
CN115877343A (zh) * | 2023-02-02 | 2023-03-31 | 中电信数字城市科技有限公司 | 基于雷达目标跟踪的人车匹配方法、装置和电子设备 |
CN116228989A (zh) * | 2023-03-30 | 2023-06-06 | 北京数原数字化城市研究中心 | 一种三维轨迹预测方法、装置、设备及介质 |
CN117576166A (zh) * | 2024-01-15 | 2024-02-20 | 浙江华是科技股份有限公司 | 基于相机和低帧率激光雷达的目标跟踪方法及系统 |
CN117576166B (zh) * | 2024-01-15 | 2024-04-30 | 浙江华是科技股份有限公司 | 基于相机和低帧率激光雷达的目标跟踪方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932580A (zh) | 一种基于卡尔曼滤波与匈牙利算法的道路3d车辆跟踪方法及系统 | |
Chiu et al. | Probabilistic 3D multi-modal, multi-object tracking for autonomous driving | |
US9990736B2 (en) | Robust anytime tracking combining 3D shape, color, and motion with annealed dynamic histograms | |
Malik | Fast vehicle detection with probabilistic feature grouping and its application to vehicle tracking | |
CN108647646B (zh) | 基于低线束雷达的低矮障碍物的优化检测方法及装置 | |
Kim et al. | Deep learning based vehicle position and orientation estimation via inverse perspective mapping image | |
US9846812B2 (en) | Image recognition system for a vehicle and corresponding method | |
US8355539B2 (en) | Radar guided vision system for vehicle validation and vehicle motion characterization | |
US8818702B2 (en) | System and method for tracking objects | |
JP7078021B2 (ja) | 物体検出装置、物体検出方法及び物体検出用コンピュータプログラム | |
CN111860352B (zh) | 一种多镜头车辆轨迹全跟踪系统及方法 | |
CN114049382B (zh) | 一种智能网联环境下目标融合跟踪方法、系统和介质 | |
Liu et al. | Dynamic vehicle detection with sparse point clouds based on PE-CPD | |
Zhang et al. | Monocular visual traffic surveillance: A review | |
Monteiro et al. | Tracking and classification of dynamic obstacles using laser range finder and vision | |
CN114419098A (zh) | 基于视觉变换的运动目标轨迹预测方法及装置 | |
CN113239719B (zh) | 基于异常信息识别的轨迹预测方法、装置和计算机设备 | |
CN114399675A (zh) | 一种基于机器视觉与激光雷达融合的目标检测方法和装置 | |
CN109917359A (zh) | 基于车载单目视觉的鲁棒车辆距离估计方法 | |
Dornaika et al. | A new framework for stereo sensor pose through road segmentation and registration | |
CN114088081A (zh) | 一种基于多段联合优化的用于精确定位的地图构建方法 | |
CN114998276A (zh) | 一种基于三维点云的机器人动态障碍物实时检测方法 | |
Notz et al. | Extraction and assessment of naturalistic human driving trajectories from infrastructure camera and radar sensors | |
US20230245323A1 (en) | Object tracking device, object tracking method, and storage medium | |
Zhang et al. | An efficient and flexible approach for multiple vehicle tracking in the aerial video sequence |
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 |