CN112561960A - 一种基于轨迹相似性度量学习的多目标跟踪重定位方法 - Google Patents
一种基于轨迹相似性度量学习的多目标跟踪重定位方法 Download PDFInfo
- Publication number
- CN112561960A CN112561960A CN202011435920.8A CN202011435920A CN112561960A CN 112561960 A CN112561960 A CN 112561960A CN 202011435920 A CN202011435920 A CN 202011435920A CN 112561960 A CN112561960 A CN 112561960A
- Authority
- CN
- China
- Prior art keywords
- track
- distance
- similarity
- target
- computer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005259 measurement Methods 0.000 title claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000003860 storage Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
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)
Abstract
本发明公开了一种基于轨迹相似性度量学习的多目标跟踪重定位方法。该方法包括：对采集的多目标轨迹整体和每一帧进行特征提取，获得反映深层特征的多目标运动轨迹；利用距离函数计算所述多目标运动轨迹间的相似性；对所述多目标运动轨迹间的相似性进行度量和轨迹聚类，以限制同类轨迹样本之间的距离，且增大不同类轨迹样本之间的距离。利用本发明能够克服多目标间的遮挡、重叠等因素带来的目标丢失和误跟踪问题。
Description
技术领域
本发明涉及智能驾驶领域，更具体地，涉及一种基于轨迹相似性度量学习的多目标跟踪重定位方法。
背景技术
多目标跟踪场景变化高度复杂，实现准确的目标跟踪具有十分重要的意义。例如，在实际驾驶场景中，往往同时存在多个车辆在不同位置行驶，为了有效地保证车辆的自动驾驶与环境理解，首先需要对前方的不同车辆进行检测与跟踪。而多目标跟踪中因为相互重叠、遮挡经常会导致跟踪轨迹丢失或者匹配错误，因此单纯利用轨迹前后帧和目标的相似度进行匹配难以保证跟踪的正确性。
在多目标跟踪技术当中，传统的基于前后帧相似度比较的算法已逐渐被基于特征检测和相似性度量的算法所取代。尽管所提取的特征对于客观因素的变化具备一定的鲁棒性，但在分类时仍然存在类内混淆和类间相似的情况。因此，如何匹配不同场景或跟踪中断后的特征依然是模型设计的主要问题。一种策略是通过学习特征转换方程来对不同视角的特征进行转换，从而进行匹配。例如，假设不同摄像机拍摄画面的颜色分布可以通过双向累计亮度转换方程(bi-directional Cumulative Brightness Transfer Functions)来进行特征转换。例如，通过计算颜色相关性来设计颜色扭曲方程。又如，采用门控网络模型来自适应学习特征转换方式，使其能够应对姿态、分辨率、光照、背景等多个因素的变化。
然而，当场景变化高度复杂而所设计的模型复杂度不足时，特征转换方程的性能会极度降低。为此，研究人员提出利用距离度量学习来处理特征匹配问题。度量学习旨在学习样本分布的过程中，寻找最优的距离度量，使得不同场景内同一个目标的特征在该度量下尽可能地相似，而不同目标的特征尽可能地相异。早期的距离度量包括最大化近邻间隔(Large Margin Nearest Neighbor，LMNN)、信息理论度量学习(Information TheoreticMetric Learning，ITML)等，这些方法由于对数据需求量较大且优化时间较长，很难被应用到实际问题中。现有方法依然无法应对训练样本少所带来的种种问题，而在目标跟踪任务中标记样本往往非常有限，因此，在小样本条件下的距离度量学习仍然是一个未解的难题。
另一方面，深度模型可看作特征提取和特征匹配融合的整体架构，在Siamese网络的架构下，底层网络负责从两个场景中提取目标特征，而高层网络则用来转换特征和衡量相似性。具体而言，特征转换是通过一系列卷积操作和非线性操作将两幅图像的特征转换到同一个特征空间，相似性度量则是依赖于该特征空间下所定义的训练目标方程。如被用于早期的Siamese网络设计工作中的Softmax损失就是用来判别是否为同一目标的最简单的分类损失函数。然而，二分类的损失函数无法很好地表达类内相似和类间相异的性质，研究人员提出利用triplet损失函数来模拟距离度量学习中所定义的准则，即类内距离小于类间距离。与距离度量学习类似，深度学习模型也需要大量的训练样本来完成参数的充分训练，而在有限样本下所训练的模型很难被应用到不同成像条件下的数据，这导致了模型过拟合情况严重和范化能力差等问题。因此，如何利用现有数据库的信息来生成更多的新数据，这是一个非常值得研究并且极具挑战性的问题。
总之，在实际驾驶场景中，往往同时存在多个车辆在不同位置行驶，为了有效地保证车辆的自动驾驶与环境理解，首先需要对前方的不同车辆进行检测与跟踪。而多目标跟踪中因为相互重叠、遮挡经常会导致跟踪轨迹丢失或者匹配错误，因此单纯利用轨迹前后帧和目标的相似度进行匹配难以保证跟踪的正确性。
发明内容
本发明的目的是克服上述现有技术的缺陷，提供一种基于轨迹相似性度量学习的多目标跟踪重定位方法。
本发明的技术方案是提供一种基于轨迹相似性度量学习的多目标跟踪重定位方法。该方法包括以下步骤：
对采集的多目标轨迹整体和每一帧进行特征提取，获得反映深层特征的多目标运动轨迹；
利用距离函数计算所述多目标运动轨迹间的相似性；
对所述多目标运动轨迹间的相似性进行度量和轨迹聚类，以限制同类轨迹样本之间的距离，且增大不同类轨迹样本之间的距离。
与现有技术相比，本发明的优点在于，基于历史轨迹相似性来对多目标轨迹进行分类，再通过度量学习对各目标的相似性进行度量并进行轨迹聚类，从而为车辆轨迹的跟踪、重定位以及后续的轨迹预测提供有效的信息及可靠性保障。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的基于轨迹相似性度量学习的多目标跟踪重定位方法的流程图；
图2是根据本发明一个实施例的基于轨迹相似性度量学习的多目标跟踪重定位研究技术路线图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
为清楚起见，在下文的描述中，将以车辆驾驶场景为例进行介绍。
本发明旨在提出了一种基于轨迹相似性度量学习的多目标跟踪重定位方法。针对车辆四周环境中每个动态物体的历史轨迹都应该是连续而不分段的，但当出现遮挡等情况时获取的信息就会有所丢失，能否实现重定位是直接影响后期轨迹预测所面临的挑战。本发明将基于历史轨迹相似性来对多目标轨迹进行分类，再通过度量学习对各目标的相似性进行度量并进行轨迹聚类，为后续的轨迹预测提供有效的历史轨迹信息。
此外，为减少因遮挡等因素造成信息缺失的影响，同时在保证计算速度的前提下实现对多目标的重定位。本发明通过研究轨迹的相似性度量作为重定位的准则，以期达到多目标跟踪的鲁棒性。
结合图1和图2所示，该实施例提供的基于轨迹相似性度量学习的多目标跟踪重定位方法包括以下步骤：
步骤S110，对采集的多目标轨迹整体和每一帧进行特征提取，获得反映深层特征的多目标运动轨迹。
在本文中，运动轨迹是按照移动对象的行驶时间顺序排序获得，可用于反映时间维度和空间维度的运动趋势。
在此步骤中，对多目标轨迹整体及每一帧进行特征提取，以获得反映深层特征的多目标运动轨迹。例如，可利用现有的神经网络模型提取运动轨迹的深层特征。
步骤S120，利用距离函数计算多目标运动轨迹间的相似性。
由于单纯考虑目标前后帧间的相似性来进行多目标跟踪难以克服信息丢失所带来的问题，在该实施例中，利用轨迹相似性来进行分析。轨迹相似性计算的核心是通过距离函数来计算，点q与轨迹A之间的相似性定义如下：
其中，p'为轨迹A上按照D(.)计算距离最小的点。在计算点到轨迹的距离时重点考虑D(.)的定义，计算两个点距离时，需要考虑环境噪声和区分公共子序列轨迹，以防止目标轨迹间出现交叉重叠的情况，优选地，采用实序列编辑距离(Edit Distance on Realsequences，EDR)来度量两条轨迹之间的距离，表示为：
其中n，m为轨迹A，B的长度，subcost定义为：
其中，Head表示轨迹上的第一点，REST表示除第一个点之外的所有点组成的子序列，ε是预设的阈值。利用EDR能够度量不同长度轨迹之间的相似性。
进一步地，在获得的轨迹之间的EDR距离之后，为了更好地分析度量信息，通过线性判别分析(Linear Discriminant Analysis，LDA)实现最大化类间距离，最小化类内距离。
例如，引入局部Fisher判别(用于解决维数压缩问题，可用于两类或两类以上间的判别)分析基于子空间学习的亲和矩阵进行计算，为相同类和不同类分配不同比例因子。为了反映样本的总体分布，优选采用估计协方差矩阵及Mahalanobis距离(马氏距离，用于表示点与分布之间的距离)实现交叉视图二次判别分析，并将高维空间特征映射到低维。通过线性判别分析能够实现最大化类间距离，最小化类内距离。
步骤S130，对多目标运动轨迹间的相似性进行度量和轨迹聚类，以限制同类轨迹样本之间的距离，且增大不同类轨迹样本之间的距离。
在此步骤中，利用度量学习一个从原始特征到低维稠密的向量空间(称之为嵌入空间)的映射，使得同类对象在嵌入空间上计算的距离较近，而不同类的对象之间的距离较远，从而对数据进行区分。
具体地，将度量学习应用在两两约束条件(即最大化类间距离，最小化类内距离)的后验概率上，并通过两个协方差矩阵分别表示内部差异和外部差异。为实现协方差矩阵进行正则化，优选地，采用keep-it-simple-and-straightforward(KISS)度量学习来学习马氏距离中的矩阵。
然后，利用Mahalanobis距离中大边缘的概念，假设同一类的样本是相邻的。因此，不同类间的距离将会相对变大。
最后，通过成对约束分量分析在高维空间中训练若干对相似样本，以实现映射损失函数的最优化，表示为：
其中，xin表示当前样本轨迹，xjn表示非当前样本的轨迹，j＝1,…c，j≠i的取值，yn∈{-1,1}表示是否属于相同的类的标签，n表示样本序号的取值，lβ是广义逻辑损失函数。
例如，基于(KISS)度量学习进行距离测度学习过程中，是根据样本的类别，将具有相同类别标签的样本组成正样本对，不同类别标签的样本构成负样本对，然后利用这些样本对作为约束条件来训练得到一个马氏矩阵，从而使得最终的距离度量函数能够尽可能地满足所给定的约束条件。
综上所述，本发明提出基于轨迹相似性度量学习的多目标跟踪重定位方法，将多目标的历史轨迹作为目标跟踪的研究对象，通过计算历史轨迹相似度和度量学习方法，克服多目标间的遮挡、重叠等因素带来的丢失和误跟踪问题。
经验证，与现有技术方案相比，本发明在效率和鲁棒性方面均具有显著优势，能够应用在多种类型的移动目标跟踪场景，例如，自动驾驶领域、机器人领域等。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据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的各个方面。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，都可以由计算机可读程序指令实现。
这些计算机可读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，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读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、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
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、程序段或指令的一部分，所述模块、程序段或指令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。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。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动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。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
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。本发明的范围由所附权利要求来限定。
Claims (7)
1.一种基于轨迹相似性度量学习的多目标跟踪重定位方法，包括以下步骤：
对采集的多目标轨迹整体和每一帧进行特征提取，获得反映深层特征的多目标运动轨迹；
利用距离函数计算所述多目标运动轨迹间的相似性；
对所述多目标运动轨迹间的相似性进行度量和轨迹聚类，以限制同类轨迹样本之间的距离，且增大不同类轨迹样本之间的距离。
2.根据权利要求1所述的方法，其特征在于，采用实序列编辑距离EDR来衡量所述多目标运动轨迹间的相似性，表示为：
subcost定义为：
其中，n，m为轨迹A，B的长度，Head表示轨迹上的第一点，REST表示除第一个点之外的所有点组成的子序列，ε是预设的阈值。
3.根据权利要求1所述的方法，其特征在于，对所述多目标运动轨迹间的相似性进行度量和轨迹聚类包括：
通过线性判别分析对所述轨迹间的相似性进行分析，以实现最大化类间距离、最小化类内距离；
将度量学习应用在最大化类间距离，最小化类内距离约束条件的后验概率上，并通过两个协方差矩阵分别表示内部差异和外部差异。
4.根据权利要求3所述的方法，其特征在于，所述度量学习是KISSME度量学习算法，利用轨迹样本对作为约束条件来训练得到一个马氏矩阵，从而使得最终的距离度量函数能够尽可能地满足所给定的约束条件。
5.根据权利要求4所述的方法，其特征在于，所述度量学习以实现映射损失函数的最优化为目标，表示为：
其中，xin表示当前样本轨迹，xjn表示非当前样本的轨迹，j＝1,…c，j≠i的取值，yn∈{-1,1}表示是否属于相同的类的标签，n表示样本序号的取值，lβ是广义逻辑损失函数。
6.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至5中任一项所述方法的步骤。
7.一种电子设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011435920.8A CN112561960B (zh) | 2020-12-10 | 2020-12-10 | 一种基于轨迹相似性度量学习的多目标跟踪重定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011435920.8A CN112561960B (zh) | 2020-12-10 | 2020-12-10 | 一种基于轨迹相似性度量学习的多目标跟踪重定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112561960A true CN112561960A (zh) | 2021-03-26 |
| CN112561960B CN112561960B (zh) | 2023-12-26 |
Family
ID=75060358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011435920.8A Active CN112561960B (zh) | 2020-12-10 | 2020-12-10 | 一种基于轨迹相似性度量学习的多目标跟踪重定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561960B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113910224A (zh) * | 2021-09-30 | 2022-01-11 | 达闼科技（北京）有限公司 | 机器人跟随的方法、装置及电子设备 |
| CN113936103A (zh) * | 2021-12-14 | 2022-01-14 | 星际空间（天津）科技发展有限公司 | 激光点云图模型的构建方法及设备 |
| CN115438247A (zh) * | 2022-06-23 | 2022-12-06 | 山东天地通数码科技有限公司 | 一种基于轨迹的一船多斗的判别方法、装置及设备 |
| CN115841765A (zh) * | 2023-02-22 | 2023-03-24 | 交通运输部科学研究院 | 车辆位置盲区监控方法、装置、电子设备及可读存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091708A (zh) * | 2019-12-13 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
-
2020
- 2020-12-10 CN CN202011435920.8A patent/CN112561960B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091708A (zh) * | 2019-12-13 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 许正;朱松豪;梁志伟;徐国政;: "基于轨迹关联的多目标跟踪", 南京邮电大学学报(自然科学版), no. 02, pages 41 - 48 * |
| 高庆吉;霍璐;牛国臣;: "基于改进霍夫森林框架的多目标跟踪算法", 计算机应用, no. 08, pages 2311 - 2315 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113910224A (zh) * | 2021-09-30 | 2022-01-11 | 达闼科技（北京）有限公司 | 机器人跟随的方法、装置及电子设备 |
| CN113936103A (zh) * | 2021-12-14 | 2022-01-14 | 星际空间（天津）科技发展有限公司 | 激光点云图模型的构建方法及设备 |
| CN115438247A (zh) * | 2022-06-23 | 2022-12-06 | 山东天地通数码科技有限公司 | 一种基于轨迹的一船多斗的判别方法、装置及设备 |
| CN115438247B (zh) * | 2022-06-23 | 2023-10-10 | 山东天地通数码科技有限公司 | 一种基于轨迹的一船多斗的判别方法、装置及设备 |
| CN115841765A (zh) * | 2023-02-22 | 2023-03-24 | 交通运输部科学研究院 | 车辆位置盲区监控方法、装置、电子设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112561960B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108470332B (zh) | 一种多目标跟踪方法及装置 | |
| CN112561960A (zh) | 一种基于轨迹相似性度量学习的多目标跟踪重定位方法 | |
| Pham et al. | Count forest: Co-voting uncertain number of targets using random forest for crowd density estimation | |
| Zhong et al. | Unsupervised deep epipolar flow for stationary or dynamic scenes | |
| CN103593464B (zh) | 基于视觉特征的视频指纹检测及视频序列匹配方法及系统 | |
| Tang et al. | Moana: An online learned adaptive appearance model for robust multiple object tracking in 3d | |
| CN107145862B (zh) | 一种基于霍夫森林的多特征匹配多目标跟踪方法 | |
| US20070154066A1 (en) | Object tracking systems and methods | |
| Garg et al. | Delta descriptors: Change-based place representation for robust visual localization | |
| Li et al. | Robust object tracking with discrete graph-based multiple experts | |
| CN108038515A (zh) | 无监督多目标检测跟踪方法及其存储装置与摄像装置 | |
| Muthu et al. | Motion segmentation of rgb-d sequences: Combining semantic and motion information using statistical inference | |
| Subudhi et al. | Moving object detection using spatio-temporal multilayer compound Markov Random Field and histogram thresholding based change detection | |
| CN107194950B (zh) | 一种基于慢特征分析的多人跟踪方法 | |
| Alsanad et al. | Real-time fuel truck detection algorithm based on deep convolutional neural network | |
| CN107291813B (zh) | 基于语义分割场景的示例搜索方法 | |
| Wang et al. | Sture: Spatial–temporal mutual representation learning for robust data association in online multi-object tracking | |
| Ying et al. | Dynamic random regression forests for real-time head pose estimation | |
| Liu et al. | Fast tracking via spatio-temporal context learning based on multi-color attributes and pca | |
| CN114743257A (zh) | 图像目标行为的检测识别方法 | |
| Aamir et al. | Real-Time Object Detection in Occluded Environment with Background Cluttering Effects Using Deep Learning | |
| Vaquero et al. | SiamMT: Real-time arbitrary multi-object tracking | |
| Kong et al. | Robust part‐based visual tracking via adaptive collaborative modelling | |
| CN116580063B (zh) | 目标追踪方法、装置、电子设备及存储介质 | |
| Zuo et al. | Dynamic target tracking based on corner enhancement with Markov decision process |
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 |