CN112562331A - 一种基于视觉感知的他方车辆轨迹预测方法 - Google Patents
一种基于视觉感知的他方车辆轨迹预测方法 Download PDFInfo
- Publication number
- CN112562331A CN112562331A CN202011372996.0A CN202011372996A CN112562331A CN 112562331 A CN112562331 A CN 112562331A CN 202011372996 A CN202011372996 A CN 202011372996A CN 112562331 A CN112562331 A CN 112562331A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- target
- vehicles
- moment
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Abstract
本发明公开了一种基于视觉感知的他方车辆轨迹预测方法,具体为:步骤1:实时采集主车辆车身周围的图像;步骤2:基于当前时刻车身周围的图像,采用改进的目标跟踪算法检测出当前时刻主车辆周围的其他车辆,并判断该其他车辆是否是新出现的车辆,若是新出现的车辆,则当前时刻不对该车辆的轨迹进行预测;步骤3:计算当前时刻其他车辆与主车辆之间的距离;步骤4:预测下一个时刻其他车辆相对于主车辆的位置。本发明减少了计算时间和计算的复杂度,可高效的实现实时预测效果,适用于大部分车辆和智能驾驶场景。
Description
技术领域
本发明属于自动驾驶领域。
背景技术
近年来,大量的主动安全驾驶系统和自动驾驶汽车被开发出来。这些驾驶系统需要保证驾驶员在动态变化的交通环境中的安全,并需要了解未来环境会发生什么变化。无人驾驶关键技术之一是对前方车辆的检测和测距,现有技术针对特定车辆,安全驾驶不仅需要准确识别和定位附近的物体,还需要预测其未来的位置和动作,以便有足够的时间来避免碰撞。
发明内容
发明目的:为了解决上述现有技术存在的问题,本发明提供了一种基于视觉感知的他方车辆轨迹预测方法。
技术方案:本发明提供了一种基于视觉感知的他方车辆轨迹预测方法,具体包括如下步骤:
步骤1:设置在主车辆车身上的单目相机实时采集车身周围的图像,以主车辆的中心作为原点建立车身坐标系;
步骤2:基于当前时刻车身周围的图像,采用改进的目标跟踪算法检测出当前时刻主车辆周围的其他车辆,将该其他车辆作为目标车辆,计算当前时刻第t个目标车辆与前K个历史时刻的第k个历史时刻中第y个目标车辆相似度,其中k=1,2,…,K,t=1,2,…M,M为当前时刻中目标车辆的总个数,y=1,2,…,N,其中N为第k个历史时刻中所有目标车辆的总个数;基于相似度判断两个目标车辆是否为同一个车辆,若是,则转步骤3,否则,认为该当前时刻第t个目标车辆为新的目标车辆,当前时刻不预测该新的目标车辆的轨迹;
步骤3:计算当前时刻第t个目标车辆与主车辆的距离,得到该第t个目标车辆在车身坐标系下的位置;
步骤4:根据步骤3中的位置,以及第t个目标车辆的速度得到下一个时刻该第t个目标车辆在车身坐标系下的位置。
进一步的,所述步骤2具体为:
步骤2.1:采用yolo5算法检测当前时刻图像中的目标车辆,并根据目标车辆的大小采用矩形框bbox框出该目标车辆;采用卡尔曼滤波得到bbox框的具体位置;
步骤2.2:提取当前时刻第t个目标车辆的表面特征向量,并计算该表面特征向量与第k个历史时刻中第y个目标车辆的表面特征向量的余弦距离costfeature,所述表面特征向量包括:汽车颜色特征向量,汽车纹理特征向量,汽车形状特征向量;
步骤2.3:基于余弦距离计算当前时刻第t个目标车辆与第k个历史时刻中第y个目标车辆的相似度Cost:
步骤2.4:基于当前时刻目标车辆的总个数M和第k个历史时刻目标车辆的总个数N,构建M×N的矩阵,该矩阵中第t行第y列的元素为当前时刻第t个目标车辆与第k个历史时刻中第y个目标车辆之间的相似度;
步骤2.5:将M×N的矩阵中值最大的元素所对应的行和列删除,并将该元素对应的两个目标车辆作为同一个目标车辆;继续在(M-1)×(N-1)的矩阵中选择值最大的元素,重复步骤2.5,直至矩阵中所有元素的值均小于预设的阈值。
进一步的,所述步骤2.3中相似度Cost为:
Cost=alpha1×costIOU+alpha2×costfeature
其中,alpha1和alpha2均为系数,costIOU=area/(area1+area2-area),其中area为当前时刻第t个目标车辆的bbox与第k个历史时刻中第y个目标车辆的bbox的重叠区域的面积,area1为当前时刻第t个目标车辆的bbox的面积,area2为第k个历史时刻中第y个目标车辆的bbox的面积。
进一步的,所述步骤3具体为:根据小孔成像原理和三角形相似定理计算当前时刻第t个目标车辆与主车辆的距离。
进一步的,所述步骤4中基于改进的目标跟踪算法得到第t个目标车辆的历史行驶时间和在车身坐标系下的历史坐标,得到该第t个目标车辆在车身坐标系下x轴上的平均速度,y轴上的平均速度,z轴上的平均速度,从而得到下一个时刻该第t个目标车辆在车身坐标系下的坐标。
有益效果:本专利依靠视觉感知,结合深度学习2d+3d检测算法,多目标跟踪算法,单目测距算法,轨迹预测算法。不需要预测他方车辆的运动方向,减少了计算时间和计算的复杂度,可高效的实现实时预测效果。适用于大部分车辆和智能驾驶场景。
附图说明
图1本发明的流程图;
图2为本发明构建M×N的矩阵图;
图3为本发明的三角形相似法原理图。
具体实施方式
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
如图1所示本实施例提供了一种基于视觉感知的他方车辆轨迹预测方法,具体包括如下步骤:
步骤1:设置在主车辆车身上的单目相机实时采集车身周围的图像,以主车辆的中心作为原点建立车身坐标系;
步骤2:基于当前时刻车身周围的图像,采用改进的目标跟踪算法检测出当前时刻主车辆周围的其他车辆,将该其他车辆作为目标车辆,计算当前时刻第t个目标车辆与前K个历史时刻的第k个历史时刻中第y个目标车辆相似度,其中k=1,2,…,K,t=1,2,…M,M为当前时刻中目标车辆的总个数,y=1,2,…,N,其中N为第k个历史时刻中所有目标车辆的总个数;基于相似度判断两个目标车辆是否为同一个车辆,若是,则转步骤3,否则,认为该当前时刻第t个目标车辆为新的目标车辆,当前时刻不预测该新的目标车辆的轨迹;
步骤3:计算当前时刻第t个目标车辆与主车辆的距离,得到该第t个目标车辆在车身坐标系下的位置;
步骤4:根据步骤3中的位置,以及第t个目标车辆的速度得到下一个时刻该第t个目标车辆在车身坐标系下的位置。
优选的,所述步骤2具体包括:
他方车辆目标检测
打开主车辆车身上的单目相机拍摄周围场景图像,采用开源目标检测框架yolo5算法检测场景图像中的车辆目标,获取场景中,每个车辆的2d检测框bbox,并且提取出车辆表面的特征向量,之后依据3d还原网络恢复出车辆的真实长宽高信息和朝向;所述表面特征向量为256维特征向量包括:汽车颜色特征向量,汽车纹理特征向量,汽车形状特征向量;
他方车辆(目标车辆)跟踪
由于yolo5目标检测的bbox具有观测误差,为了使观测结果更精确,采用kalman滤波,使结果接近与真实值。
计算余弦匹配代价:
设当前时刻第t个目标车辆的表面特征向量rt,第k个历史时刻中第y个目标车辆的表面特征向量ry,则余弦匹配代价:
计算匹配代价,所述匹配代价包括车辆目标位置bbox的相似度和车辆表面特征的相似度;
车辆目标位置bbox的相似度costIOU计算:
costIOU=area/(area1+area2-area)
其中area为当前时刻第t个目标车辆的bbox与第k个历史时刻中第y个目标车辆的bbox的重叠区域的面积,area1为当前时刻第t个目标车辆的bbox的面积,area2为第k个历史时刻中第y个目标车辆的bbox的面积。
余弦值越大表示越相似。
融合bbox和表面特征的相似度计算。
Cost=alpha1×costIOU+alpha2×costfeature
alpha1和alpha2均为系数,本实施例中alpha1=0.4,alpha2=0.6,
基于最优匹配的方法,设当前时刻有M个目标车辆,第k个历史时刻目标车辆的总个数为N,那么具有M×N个相似度代价值,即生成一个M×N的矩阵如图2所示。
首先,找出矩阵中最大的元素,如图2所示,如果x23的得分最高,将此时的第2个车辆和历史时刻的第3个车辆关联,认为是同一个目标车辆;其次,将x23所在的行和列上的元素丢弃。之后,找矩阵中剩余元素的最大值,如x71,将此时第7个车辆和历史时刻的第1个车辆关联,认为是同一个目标车辆,依次类推,直至矩阵中所有元素的值均小于预设的阈值。
优选的,所述步骤3具体为:
计算当前时刻他方车辆(目标车辆)距离我方车辆的位置。
如图3所示,采用单目测距的方法,P03为光心,即镜头的中心;P02为物体上点的入射光线;PB为相机的焦距,h为物体在图像上的高度,单位pixel;H为物体实际的高度,单位m;
3.1将主车辆中心位置为车身坐标系的原点,将相机安装位置转换成车身坐标系下的坐标位置;在测距之前先对相机进行标定,畸变矫正;
3.2依据小孔成像模型原理,根据三角形相似方法,
为目标车辆距离我方车辆相机的位置,fx为焦距在x轴方向上的投影;fy为焦距在y轴方向上的投影。Zx,Zy为目标车辆在相机坐标系下的位置。
优选的,所述步骤4具体为:
根据当前时刻和上一时刻的他方车辆距离我方车辆的位置,预测下一秒以内他方车辆的轨迹.由于这个场景主要是预测道路上行驶的车辆,采用基于运动学模型的方法进行预测.由于我们的算法可以达到实时的效果在40ms左右,假设在这段时间内车辆是匀速运动的,速度为v,则下一时刻目标车辆在x轴的位置pos:
pos=p2+v*T
v=(p2-p1)/(t2-t1)
其中,p2为当前时刻目标车辆在x轴的位置,t2为当前时刻,p1为上一时刻目标车辆在x轴的位置,t1为上一时刻,T为当前时刻到下一个时刻的时间间隔。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于视觉感知的他方车辆轨迹预测方法,其特征在于,具体包括如下步骤:
步骤1:设置在主车辆车身上的单目相机实时采集车身周围的图像,以主车辆的中心作为原点建立车身坐标系;
步骤2:基于当前时刻车身周围的图像,采用改进的目标跟踪算法检测出当前时刻主车辆周围的其他车辆,将该其他车辆作为目标车辆,计算当前时刻第t个目标车辆与前K个历史时刻的第k个历史时刻中第y个目标车辆相似度,其中k=1,2,…,K,t=1,2,…M,M为当前时刻中目标车辆的总个数,y=1,2,…,N,其中N为第k个历史时刻中所有目标车辆的总个数;基于相似度判断两个目标车辆是否为同一个车辆,若是,则转步骤3,否则,认为该当前时刻第t个目标车辆为新的目标车辆,当前时刻不预测该新的目标车辆的轨迹;
步骤3:计算当前时刻第t个目标车辆与主车辆的距离,得到该第t个目标车辆在车身坐标系下的位置;
步骤4:根据步骤3中的位置,以及第t个目标车辆的速度得到下一个时刻该第t个目标车辆在车身坐标系下的位置。
2.根据权利要求1所述的一种基于视觉感知的他方车辆轨迹预测方法,其特征在于,所述步骤2具体为:
步骤2.1:采用yolo5算法检测当前时刻图像中的目标车辆,并根据目标车辆的大小采用矩形框bbox框出该目标车辆;采用卡尔曼滤波得到bbox框的具体位置;
步骤2.2:提取当前时刻第t个目标车辆的表面特征向量,并计算该表面特征向量与第k个历史时刻中第y个目标车辆的表面特征向量的余弦距离costfeature,所述表面特征向量包括:汽车颜色特征向量,汽车纹理特征向量,汽车形状特征向量;
步骤2.3:基于余弦距离计算当前时刻第t个目标车辆与第k个历史时刻中第y个目标车辆的相似度Cost;
步骤2.4:基于当前时刻目标车辆的总个数M和第k个历史时刻目标车辆的总个数N,构建M×N的矩阵,该矩阵中第t行第y列的元素为当前时刻第t个目标车辆与第k个历史时刻中第y个目标车辆之间的相似度;
步骤2.5:将M×N的矩阵中值最大的元素所对应的行和列删除,并将该元素对应的两个目标车辆作为同一个目标车辆;继续在(M-1)×(N-1)的矩阵中选择值最大的元素,重复步骤2.5,直至矩阵中所有元素的值均小于预设的阈值。
3.根据权利要求2所述的一种基于视觉感知的他方车辆轨迹预测方法,其特征在于,所述步骤2.3中相似度Cost为:
Cost=alpha1×costIOU+alpha2×costfeature
其中,alpha1和alpha2均为系数,costIOU=area/(area1+area2-area),其中area为当前时刻第t个目标车辆的bbox与第k个历史时刻中第y个目标车辆的bbox的重叠区域的面积,area1为当前时刻第t个目标车辆的bbox的面积,area2为第k个历史时刻中第y个目标车辆的bbox的面积。
4.根据权利要求1所述的一种基于视觉感知的他方车辆轨迹预测方法,其特征在于,所述步骤3具体为:根据小孔成像原理和三角形相似定理计算当前时刻第t个目标车辆与主车辆的距离。
5.根据权利要求1所述的一种基于视觉感知的他方车辆轨迹预测方法,其特征在于,所述步骤4中基于改进的目标跟踪算法得到第t个目标车辆的历史行驶时间和在车身坐标系下的历史坐标,得到该第t个目标车辆在车身坐标系下x轴上的平均速度,y轴上的平均速度,z轴上的平均速度,从而得到下一个时刻该第t个目标车辆在车身坐标系下的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011372996.0A CN112562331A (zh) | 2020-11-30 | 2020-11-30 | 一种基于视觉感知的他方车辆轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011372996.0A CN112562331A (zh) | 2020-11-30 | 2020-11-30 | 一种基于视觉感知的他方车辆轨迹预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112562331A true CN112562331A (zh) | 2021-03-26 |
Family
ID=75045314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011372996.0A Pending CN112562331A (zh) | 2020-11-30 | 2020-11-30 | 一种基于视觉感知的他方车辆轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112562331A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899554A (zh) * | 2015-05-07 | 2015-09-09 | 东北大学 | 一种基于单目视觉的车辆测距方法 |
CN105574552A (zh) * | 2014-10-09 | 2016-05-11 | 东北大学 | 一种基于单目视觉的车辆测距与碰撞预警方法 |
US20170021863A1 (en) * | 2015-07-20 | 2017-01-26 | Dura Operating, Llc | System and method for verifying road position information for a motor vehicle |
CN108803617A (zh) * | 2018-07-10 | 2018-11-13 | 深圳大学 | 轨迹预测方法及装置 |
CN108846854A (zh) * | 2018-05-07 | 2018-11-20 | 中国科学院声学研究所 | 一种基于运动预测与多特征融合的车辆跟踪方法 |
CN109376572A (zh) * | 2018-08-09 | 2019-02-22 | 同济大学 | 基于深度学习的交通视频中实时车辆检测与轨迹跟踪方法 |
CN109532662A (zh) * | 2018-11-30 | 2019-03-29 | 广州鹰瞰信息科技有限公司 | 一种车距及碰撞时间计算方法及装置 |
CN109631915A (zh) * | 2018-12-19 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 轨迹预测方法、装置、设备及计算机可读存储介质 |
CN111667512A (zh) * | 2020-05-28 | 2020-09-15 | 浙江树人学院(浙江树人大学) | 基于改进卡尔曼滤波的多目标车辆轨迹预测方法 |
CN111914664A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 基于重识别的车辆多目标检测和轨迹跟踪方法 |
CN111932580A (zh) * | 2020-07-03 | 2020-11-13 | 江苏大学 | 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 |
-
2020
- 2020-11-30 CN CN202011372996.0A patent/CN112562331A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574552A (zh) * | 2014-10-09 | 2016-05-11 | 东北大学 | 一种基于单目视觉的车辆测距与碰撞预警方法 |
CN104899554A (zh) * | 2015-05-07 | 2015-09-09 | 东北大学 | 一种基于单目视觉的车辆测距方法 |
US20170021863A1 (en) * | 2015-07-20 | 2017-01-26 | Dura Operating, Llc | System and method for verifying road position information for a motor vehicle |
CN108846854A (zh) * | 2018-05-07 | 2018-11-20 | 中国科学院声学研究所 | 一种基于运动预测与多特征融合的车辆跟踪方法 |
CN108803617A (zh) * | 2018-07-10 | 2018-11-13 | 深圳大学 | 轨迹预测方法及装置 |
CN109376572A (zh) * | 2018-08-09 | 2019-02-22 | 同济大学 | 基于深度学习的交通视频中实时车辆检测与轨迹跟踪方法 |
CN109532662A (zh) * | 2018-11-30 | 2019-03-29 | 广州鹰瞰信息科技有限公司 | 一种车距及碰撞时间计算方法及装置 |
CN109631915A (zh) * | 2018-12-19 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 轨迹预测方法、装置、设备及计算机可读存储介质 |
CN111667512A (zh) * | 2020-05-28 | 2020-09-15 | 浙江树人学院(浙江树人大学) | 基于改进卡尔曼滤波的多目标车辆轨迹预测方法 |
CN111932580A (zh) * | 2020-07-03 | 2020-11-13 | 江苏大学 | 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 |
CN111914664A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 基于重识别的车辆多目标检测和轨迹跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112639821B (zh) | 一种车辆可行驶区域检测方法、系统以及采用该系统的自动驾驶车辆 | |
US11682129B2 (en) | Electronic device, system and method for determining a semantic grid of an environment of a vehicle | |
JP3895238B2 (ja) | 障害物検出装置及びその方法 | |
US7684590B2 (en) | Method of recognizing and/or tracking objects | |
US5937079A (en) | Method for stereo image object detection | |
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 | |
EP2372642B1 (en) | Method and system for detecting moving objects | |
WO2020097840A1 (en) | Systems and methods for correcting a high-definition map based on detection of obstructing objects | |
US20040125207A1 (en) | Robust stereo-driven video-based surveillance | |
CN111563415A (zh) | 一种基于双目视觉的三维目标检测系统及方法 | |
EP2960858A1 (en) | Sensor system for determining distance information based on stereoscopic images | |
EP3803790B1 (en) | Motion segmentation in video from non-stationary cameras | |
CN114419098A (zh) | 基于视觉变换的运动目标轨迹预测方法及装置 | |
JP2020067698A (ja) | 区画線検出装置及び区画線検出方法 | |
CN116310679A (zh) | 多传感器融合目标检测方法、系统、介质、设备及终端 | |
CN111292369A (zh) | 激光雷达的伪点云数据生成方法 | |
JP4344860B2 (ja) | ステレオ画像を用いた道路平面領域並びに障害物検出方法 | |
Badino et al. | Stereo-based free space computation in complex traffic scenarios | |
JP4967758B2 (ja) | 物体移動の検出方法及び検出装置 | |
CN111860270B (zh) | 一种基于鱼眼相机的障碍物检测方法及装置 | |
WO2022017320A1 (zh) | 障碍物信息获取方法、避障方法、移动装置及计算机可读存储介质 | |
CN117519168A (zh) | 一种基于视觉图像和激光雷达的机器人导航避障方法 | |
CN114170499A (zh) | 目标检测方法、跟踪方法、装置、视觉传感器和介质 | |
CN116403186A (zh) | 基于FPN Swin Transformer与Pointnet++ 的自动驾驶三维目标检测方法 | |
CN112562331A (zh) | 一种基于视觉感知的他方车辆轨迹预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |