CN112748732A - 基于改进Kstar算法和深度学习的实时路径规划方法 - Google Patents

Abstract

本发明公开基于改进Kstar算法和深度学习的实时路径规划方法。本发明将k‑shortest paths问题结合到实时路径规划中，通过改进Kstar算法快速高效的找出k条优秀的待选路径，并且提出更加合理的道路评估公式，综合考量通过道路需要花费的时间和道路的拥堵指数，在找出最优路径的同时，缓解交通压力。使用改进的Kstar算法，将道路图区域化，大幅提高启发式搜索的速度，构造堆、路径结构图等高效的数据结构，优化了不必要的内存浪费，在与常规最优路径算法时间复杂度接近的情况下快速得到多条待选路径，有效减少不必要的导航路线规划次数。

Description

基于改进Kstar算法和深度学习的实时路径规划方法

技术领域

本发明涉及计算机科学和智能交通系统技术领域，具体涉及一种基于改进Kstar算法和深度学习的实时路径规划方法。

背景技术

随着城市发展和车辆普及，道路拥堵成为交通路径规划的重难点，因拥堵而造成的时间空间上的浪费以及经济成本正在不断增加，合理的实时最优路径规划已经成为智能交通领域发展的迫切需要。

实时最优路径规划是智能交通领域的重要组成，可以有效缓解交通压力，降低交通拥堵程度，但是现有的简单动态实时规划已经无法应付复杂的实时交通环境，而复杂的动态实时规划算法计算复杂度过高，同时现有的实时路径规划系统通常对同一路径反复计算并且需要在路径估值超出阈值后重新进行路径规划，这将需要花费更多的时间。现有的道路评估公式大部分只是简单的对通过道路所花费的时间或者道路长度进行衡量，存在一段道路比较拥挤但是仍然将用户引导至该路段的情况，这将会加重交通的压力。

因此，本发明针对上述问题，为动态实时路径规划提供新的方法，改进现有技术方案中的不足。

发明内容

为了克服现有实时动态路径规划存在的缺陷，本发明公开了一种基于改进Kstar算法和深度学习的实时路径规划方法，将k-shortest paths问题结合到实时路径规划中，通过改进Kstar算法快速高效的找出k条优秀的待选路径，并且提出更加合理的道路评估公式，综合考量通过道路需要花费的时间和道路的拥堵指数，在找出最优路径的同时，缓解交通压力。为了解决现有技术的问题，本发明的技术方案包括以下步骤：

步骤(1)：设定更新周期；

步骤(2)：获取用户当前位置和目标位置；

步骤(3)：获取当前位置与目标位置之间的地图和所包含道路的相关历史信息，将划定成一个个区域，使用改进Kstar算法得到k条待选路径。具体包括以下步骤：

步骤(3.1)：在地图上确定并标记起点s与目标位置t：

步骤(3.2)：使用启发式搜索，检索出一条从初始位置s到目标位置t的一条最短路径，启发函数为：

f(n)＝h(n)+λd(n) 公式(1)

其中，n代表搜索过程中的一个点位，f(n)代表点位n的启发值，d(n)代表初始位置s到点位n的曼哈顿距离，h(n)代表点位n的权重，λ表示调节权重的参数；

步骤(3.3)：将步骤(3.2)中检索到的最短路径划分为树边(tree edge)，其余检索过的路径划分为侧边(sidetrack edge)，对于最短路径上的每一个顶点v都按照以下规则构造堆H(v)：

对于上述最短路径上的每一个顶点v，判断顶点v是否是起点s，若是则H(v)为空堆，否则令u为v的父节点，u为指向v的树边的起点，H(v)为H(u)的副本；同时判断顶点v是否存在属于侧边的入边，若否则不做处理，若是则将上述入边的起点x与顶点v构成集合(x,v)作为节点加入H(v),然后由于H(v)为H(u)的副本，所以将H(u)内所有节点加入到H(v)中；每个H(v)具有若干节点，但只有一个根节点，根节点只有一个子节点，所有节点根据权值大小按照升序排列，根节点的权值最小。

节点(x,v)权值公式如下：

其中，x、v表示边edge(x,v)的起点和终点，d(x)表示s到x的距离，d(v)表示s到v的距离，w(x,v)表示edge(x,v)的权重。

步骤(3.5)：构造出路径结构图(Path Structure Graph，P(G))：

重新定义堆H(v_i)存在若干节点(x_i,v_i)；

针对同一堆，选取任意节点(x_i,v_i)以及(x_i,v_i)指向的节点(x_i′,v_i′)，它们之间的边权值为

针对不同堆，选取两个堆中任意节点(x_i,v_i)以及(x_j,v_j)，其中v_j＝x_i，它们之间的边权值为

步骤(3.6)：对上述路径结构图使用Dijkstra算法，搜索得到k条待选路径；k为自定义阈值，若待选路径小于k条，则返回步骤(3.2)继续进行启发式搜索；

步骤(4)：通过监控等设备获取步骤(3)k条待选路径中道路的实况图像，并发送到云服务器端；

步骤(5)：训练深度学习模型，对车辆进行检测与跟踪，计算道路拥堵指数，具体包括以下步骤：

步骤(5.1)：从云服务器端获取实况图像，使用YOLOv3神经网络进行车辆识别检测，得到车辆的位置，并在图像上标注；

所述的YOLOv3神经网络经过UA-DETRAC数据集训练好构成。

步骤(5.2)：车辆跟踪部分使用DeepSort算法，步骤如下：

步骤(5.2.1)：使用卡尔曼滤波对每一帧的实况图像进行车辆跟踪预测：

步骤(5.2.2)：计算车辆运动相似度，将上一帧卡尔曼滤波多个跟踪器得到的车辆跟踪预测结果与当前帧多个检测框的车辆检测结果进行两两目标距离计算，获取运动相似度；筛选得到小于阈值的距离，此时运动状态关联成功,公式如下：

其中d_j表示当前帧第j个车辆检测框的位置，ε_i表示上一帧第i个跟踪器对车辆目标的预测位置，S_i表示车辆检测得到车辆位置与车辆跟踪得到的车辆位置的均值之间的协方差矩阵；

步骤(5.2.3)：计算车辆外观相似度，通过卷积神经网络(CNN)计算第i个跟踪器最近成功关联的k个跟踪框得到的车辆的特征向量与当前帧第j个车辆检测结果的特征向量，根据下方公式求得检测框得到的车辆图像和跟踪框成功关联的车辆图像之间的车辆外观相似度：

其中

表示第i个跟踪器最近匹配成功的k个跟踪框得到的车辆的特征向量，k为阈值，可以自由调节，r_j表示由第j个检测框得到的车辆的特征向量，

表示第i个跟踪器的最近成功匹配的检测框。

步骤(5.2.4)：根据车辆运动相似度度量和车辆外观相似度度量，计算融合特征值：

其中，w_a,w_b分别表示车辆运动相似度度量和车辆外观相似度度量对应的权重。

步骤(5.2.5)：将融合结果作为匈牙利算法的输入实现最大匹配，关联车辆检测结果和车辆跟踪结果，训练模型时需要根据结果对卡尔曼滤波更新；

步骤(5.3)：使用车辆检测和跟踪的结果预测平均车辆速度和道路拥堵指数，包括如下步骤：

步骤(5.3.1)：将车辆跟踪得到的图像坐标转化为实际道路的坐标后计算实际位移，除以上下帧之间相差的时间可以预测出每一辆车的大致速度v_j；

步骤(5.3.2)：计算平均车辆速度，公式如下：

其中v_j代表第j辆车的速度，n代表车辆的数量，

代表估计的平均车辆速度。按照不同的车辆速度划定拥堵指数：

其中z_i代表拥堵指数，z_i＝0时代表死锁，z_i＝1时代表堵塞，z_i＝2时代表拥挤，z_i＝3时代表通畅。v₁,v₂,v₃均为阈值，根据经验设定。

步骤(6)：根据以下公式计算各待选路径的权重，选择权重最小的一条作为最优路径，路径权值估计公式如下：

其中，L_i代表第i段路的长度，

代表第i段路的平均速度，β代表惩罚系数，可以在0到10之间自由调节，10代表拥堵路段的惩罚最高，z_i代表道路的拥堵指数。

步骤(7)：是否到达目标地点，若到达则结束路径规划，否则回到步骤2。

与现有技术相比，本发明提出的方法具有以下优点：

1.高效性：使用改进的Kstar算法，将道路图区域化，大幅提高启发式搜索的速度，构造堆、路径结构图等高效的数据结构，优化了不必要的内存浪费，在与常规最优路径算法时间复杂度接近的情况下快速得到多条待选路径，有效减少不必要的导航路线规划次数。

2.鲁棒性：采用高效的YOLOv3网络模型和DeepSort跟踪算法，将多种深度学习算法和模型相结合，有效的减少数据中噪音的干扰，增强了对车辆的检测和跟踪能力以及拥堵模型的预测能力。

3.合理性：传统路径规划只是简单考虑道路花费时间或者是道路长度，本方法综合考量通过道路需要花费的时间长度和拥挤程度，避免了拥堵道路愈加拥堵的困难，更加合理的规划路径，缓解交通压力，实现智能交通。

附图说明

图1为实时路径规划方法的流程图；

图2为基于改进Kstar算法和深度学习的实时路径规划方法的详细流程图；

图3为上海市某一局部地区的道路图；

图4为本实例中对道路图的建模示意图；

图5为本方法所得最佳路径与长度最短路径和时间最短路径的多次实验对比图；

具体实施方式

以下将结合附图对本发明提供的一种基于改进Kstar算法和深度学习的实时路径规划方法作进一步说明。

参见图1-2，所示为本方法的流程图，具体步骤如下：

步骤(1)：设定更新周期，一般设定为五分钟；

步骤(2)：根据用户的导航请求获得目标位置，根据GPS卫星获取用户当前位置；

步骤(3)：加载当前位置与目标位置之间的地图和所包含道路的相关历史信息，使用改进Kstar算法得到k条待选路径，将地图上的节点分层，根据省市等范围划分为层级网络。在步骤(3)中进一步包括了以下步骤：

步骤(3.1)：在地图上确定并标记起点s与目标位置t，若起点与目标位置分属不同省、不同市等则将规划目标调整为同一层网络的出口，然后调用该出口到目标地点所在网络的入口的历史最佳路径即可：

步骤(3.2)：使用启发式搜索，检索出一条从初始位置s到目标位置t的一条最短路径。具体的启发式搜索步骤为：

步骤(3.2.1)：将初始位置s加入到优先队列open_list中；

步骤(3.2.2)：取出优先队列open_list中的第一个节点，并判断该节点能到达的所有节点是否已经访问过，若已访问过则跳过该节点，若尚未访问则加入到open_list中并判断节点是否已在优先队列中，若已在则更新最小启发值，然后将最先取出的节点存入close_list，close_list表示已经访问过的节点的队列。启发值的计算公式为；

f(n)＝h(n)+λd(n)公式(1)

其中，n代表搜索过程中的一个点位，f(n)代表点位n的启发值，d(n)代表初始位置s到点位n的曼哈顿距离，h(n)代表点位n的权重，λ表示调节权重的参数；

步骤(3.2.3)：循环步骤(3.2.2)直到找到目标位置t，或者优先队列open_list为空时结束搜索并返回搜索失败。

步骤(3.3)：找到目标位置t时暂停启发式搜索，将此时起点s到目标位置t的路径作为第一条最短路径保存；

步骤(3.4)：将步骤(3.3)中检索到的最短路径划分为树边(tree edge)，其余检索过的路径划分为侧边(sidetrack edge)，对于最短路径上的每一个顶点v都按照以下规则构造堆H(v)：

对于上述最短路径上的每一个顶点v，判断顶点v是否是起点s，若是则H(v)为空堆，否则令u为v的父节点，u为指向v的树边的起点，H(v)为H(u)的副本；同时判断顶点v是否存在属于侧边的入边，若否则不做处理，若是则将上述入边的起点x与顶点v构成集合(x,v)作为节点加入H(v),然后由于H(v)为H(u)的副本，所以将H(u)内所有节点加入到H(v)中；每个H(v)具有若干节点，但只有一个根节点，根节点只有一个子节点，所有节点根据权值大小按照升序排列，根节点的权值最小。

节点(x,v)权值公式如下：

其中，x、v表示边edge(x,v)的起点和终点，d(x)表示s到x的距离，d(v)表示s到v的距离，w(x,v)表示edge(x,v)的权重。

步骤(3.5)：构造出路径结构图(Path Structure Graph，P(G))，重新定义堆H(v_i)存在若干节点(x_i,v_i)，

针对同一堆，选取任意节点(x_i,v_i)以及(x_i,v_i)指向的节点(x_i′,v_i′)，它们之间的边权值为

针对不同堆，选取两个堆中任意节点(x_i,v_i)以及(x_j,v_j)，其中v_j＝x_i，它们之间的边权值为

步骤(3.6)：对路径结构图使用Dijkstra算法得到k条待选路径，若待选路径小于k条，k为自定义阈值，则返回步骤(3.2)继续进行启发式搜索；

步骤(4)：通过监控等设备获取各路径中道路的实况图像，并发送到云服务器端；

步骤(5)：训练深度学习模型，对车辆进行检测与跟踪，计算道路拥挤程度，在步骤(5)中进一步包括了以下步骤：

步骤(5.1)：从云服务器端获取实况图像，对图像进行归一化处理后，使用经过UA-DETRAC数据集训练的YOLOv3神经网络进行车辆识别检测得到车辆的位置并在图像上标注，YOLOv3神经网络是一种高效的目标检测神经网络模型，该模型采用了Darknet-53的网络结构，由53个3*3和1*1的卷积层组成；

步骤(5.2)：车辆跟踪部分使用DeepSort算法，步骤如下：

步骤(5.2.1)：使用卡尔曼滤波对每一帧做出车辆跟踪预测，设置均值：

x＝[cx cy r h vx vy vr vh]

其中cx与cy表示检测车辆中心位置，r表示宽高比，h表示高，vx、vy、vr、vh分别表示x、y、r、h的速度变化值；

卡尔曼滤波预测公式为：

x′＝τx 公式(3)

P′＝τPτ^T+Q 公式(4)

其中，x′表示在t时刻的卡尔曼滤波做出的检测车辆的位置预测，x表示目标车辆在t-1时刻的位置，P表示在t-1帧时该方法的协方差矩阵，P′表示在t帧时由上一帧的数据计算得到的新协方差矩阵，τ表示状态转移矩阵，dt是当前帧和上一帧的时间差,Q表示噪声矩阵。

步骤(5.2.2)：计算车辆运动相似度，将上一帧卡尔曼滤波多个跟踪器得到的车辆跟踪预测结果与当前帧多个检测框的车辆检测结果进行两两目标距离计算，获取运动相似度；筛选得到小于阈值的距离，此时运动状态关联成功，公式如下：

其中d_j表示当前帧第j个车辆检测框的位置，ε_i表示上一帧第i个跟踪器对车辆目标的预测位置，S_i表示车辆检测得到车辆位置与车辆跟踪得到的车辆位置的均值之间的协方差矩阵；

步骤(5.2.3)：计算车辆外观相似度，通过特定的特征提取卷积神经网络计算第i个跟踪器最近成功关联的k个跟踪框得到的车辆的特征向量与当前帧第j个车辆检测结果的特征向量；

表1：特定的特征提取卷积神经网络

根据下方公式求得检测框得到的车辆图像和跟踪框成功关联的车辆图像之间的车辆外观相似度：

其中

表示第i个跟踪器最近匹配成功的k个跟踪框得到的车辆的特征向量，k为阈值，可以自由调节，r_j表示由第j个检测框得到的车辆的特征向量的转置矩阵，

表示第i个跟踪器的最近成功匹配的检测框。

步骤(5.2.4)：融合车辆运动相似度度量和车辆外观相似度度量计算特征值：

其中，w_a,w_b表示两个度量对应的权重参数，c_i,j表示总的特征值。

步骤(5.2.5)：将融合结果作为匈牙利算法的输入实现最大匹配，关联检测结果和跟踪结果，训练模型时需要根据结果对卡尔曼滤波更新；

步骤(5.3)：使用车辆检测和跟踪的结果预测平均车辆速度和道路拥挤程度，包括如下步骤：

步骤(5.3.1)：将车辆跟踪得到的图像坐标转化为实际道路的坐标后计算实际位移，除以上下帧之间相差的时间可以预测出每一辆车的大致速度v_j；

步骤(5.3.2)：计算平均车辆速度，平均车辆速度公式如下：

其中v_j代表第j辆车的速度，n代表车辆的数量，

代表估计的平均车辆速度。按照不同的车辆速度划定拥堵等级：

其中z_i代表拥堵程度，z_i＝0时代表死锁，z_i＝1时代表堵塞，z_i＝2时代表拥挤，z_i＝3时代表通畅，v₁,v₂,v₃均为可调节的阈值。

步骤(6)：根据路径权值估计公式计算待选路径的权重，选择一条最优路径，路径权值估计公式如下：

其中，L_i代表第i段路的长度，

代表第i段路的平均速度，β代表惩罚系数，可以在0到10之间自由调节，10代表拥堵路段的惩罚最高，z_i代表道路的拥挤程度。

步骤(7)：是否到达目标地点，若到达则结束路径规划，否则回到步骤2。

参阅图3以上海市浦东区的某地区为例。

参阅图4，经过提取该地区的道路特征，通过抽象建模得到该地区的二维模型，添加5X5的栅格并获取各个路段的相关历史信息，该信息包括路段的长度以及历史平均速度，由此计算出每个路段的初始权重。以edge(S0,S1)为例，该路段长度为0.3089km，为支路，历史平均速度为30km/h，因此该路段权值为0.0103；以edge(S0,S4)为例，该路段长度为0.2800km，为次干路，历史平均速度为40km/h，因此该路段权值为0.0070。本次实例设定k＝5，起点为S0，目标地点为S18，根据改进的Kstar算法可以快速得到多条最短路。

表2：由改进的Kstar算法得到的待选路径

获取这五条路径上各段道路的实况图像，使用训练好的YOLOv3网络模型和DeepSort算法识别与跟踪车辆，其中经过实践检验得到当w_a＝0,w_b＝1时算法达到最佳效果，得到平均车辆速度从而判断拥堵等级，计算道路权重。以编号1的路径为例，需要得到六段道路的拥挤等级，获取所有待选道路上的监控视频，以路段edge(S0,S1)为例，通过车辆识别算法和跟踪算法得到车辆运动之后的图像，计算相邻帧之间车辆中心点的位移，一般设定25帧为一次车辆速度检测，除以帧差时间预测出车辆的速度，根据平均车辆速度公式：

通过计算得到该路段实时平均车辆速度

根据车辆速度划定拥堵等级为顺畅，即z＝0，同理计算出其他道路的平均车辆速度和拥堵等级。然后根据路径权值估计公式：

β设置为0.5，求出该条路径的权值W＝0.0588，同理，得到其他4条路径的最终权值。

表3：本实例中Kstar算法得到的待选路径的权重

因此选择的最优路径是编号为2的路径。经过计算检验，最短路径优先的路径计算得到的权重为0.0402，最少时间优先的路径计算得到的权重为0.0710，表明传统以最短路径优先的路径和以最少时间优先的路径均无法绕开完全拥挤路段。图5为本方法所得最佳路径和长度最短路径、时间最短路径的多次实验结果对比图，从图中可以看出本方法在拥挤的交通环境下更加合理，有效避开拥挤路段，实现路径规划的同时缓解交通压力。

本方法具有高效性和鲁棒性，改进了传统实施路径规划的不足之处。本方法高效性具体表现在克服了传统路径规划反复查找最优路径造成的时间浪费，结合k-shortestpaths问题快速生成多条优秀的待选路径，为实时最优路径规划提供足够的备选方案。本方法的鲁棒性具体表现在采用了多种深度学习算法和模型，在车辆检测中选择了十分高效的YOLOv3算法，快速准确的得到检测框，减少噪声干扰，在车辆跟踪中使用卡尔曼滤波和度量融合，综合考量车辆的运动相似度和外观相似度，实现更加准确的车辆跟踪。传统路径规划中只考虑路径所花费时间，本方法提出了更加合理的路径权重估计公式，结合路径花费时间和路径拥堵程度做到规划最优路径的同时减缓交通压力，实现智能交通。

以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业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公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.基于改进Kstar算法和深度学习的实时路径规划方法，其特征在于包括以下步骤：

步骤(1)：设定更新周期；

步骤(2)：获取用户当前位置和目标位置；

步骤(3)：获取当前位置与目标位置之间的地图和所包含道路的相关历史信息，将划定成一个个区域，使用改进Kstar算法得到k条待选路径；

步骤(4)：获取步骤(3)k条待选路径中道路的实况图像，并发送到云服务器端；

步骤(5)：训练深度学习模型，对车辆进行检测与跟踪，计算道路拥堵指数；

步骤(6)：根据以下公式计算各待选路径的权重，选择权重最小的一条作为最优路径，路径权值估计公式如下：

其中，L_i代表第i段路的长度，

代表第i段路的平均速度，β代表惩罚系数，z_i代表道路的拥堵指数；

步骤(7)：是否到达目标地点，若到达则结束路径规划，否则回到步骤2。

2.根据权利要求1所述的基于改进Kstar算法和深度学习的实时路径规划方法，其特征在于步骤(3)具体包括以下步骤：

步骤(3.1)：在地图上确定并标记起点s与目标位置t：

步骤(3.2)：使用启发式搜索，检索出一条从初始位置s到目标位置t的一条最短路径，启发函数为：

f(n)＝h(n)+λd(n) 公式(1)

其中，n代表搜索过程中的一个点位，f(n)代表点位n的启发值，d(n)代表初始位置s到点位n的曼哈顿距离，h(n)代表点位n的权重，λ表示调节权重的参数；

步骤(3.3)：将步骤(3.2)中检索到的最短路径划分为树边(tree edge)，其余检索过的路径划分为侧边(sidetrack edge)，对于最短路径上的每一个顶点v都按照以下规则构造堆H(v)：

对于上述最短路径上的每一个顶点v，判断顶点v是否是起点s，若是则H(v)为空堆，否则令u为v的父节点，u为指向v的树边的起点，H(v)为H(u)的副本；同时判断顶点v是否存在属于侧边的入边，若否则不做处理，若是则将上述入边的起点x与顶点v构成集合(x,v)作为节点加入H(v),然后由于H(v)为H(u)的副本，所以将H(u)内所有节点加入到H(v)中；每个H(v)具有若干节点，但只有一个根节点，根节点只有一个子节点，所有节点根据权值大小按照升序排列，根节点的权值最小；

节点(x,v)权值公式如下：

其中，x、v表示边edge(x,v)的起点和终点，d(x)表示s到x的距离，d(v)表示s到v的距离，w(x,v)表示edge(x,v)的权重；

步骤(3.5)：构造出路径结构图(Path Structure Graph，P(G))：

重新定义堆H(v_i)存在若干节点(x_i,v_i)；

针对同一堆，选取任意节点(x_i,v_i)以及(x_i,v_i)指向的节点(x_i′,v_i′)，它们之间的边权值为

针对不同堆，选取两个堆中任意节点(x_i,v_i)以及(x_j,v_j)，其中v_j＝x_i，它们之间的边权值为

步骤(3.6)：对上述路径结构图使用Dijkstra算法，搜索得到k条待选路径；k为自定义阈值，若待选路径小于k条，则返回步骤(3.2)继续进行启发式搜索。

3.根据权利要求1所述的基于改进Kstar算法和深度学习的实时路径规划方法，其特征在于步骤(5)具体包括以下步骤：

步骤(5.1)：从云服务器端获取实况图像，使用YOLOv3神经网络进行车辆识别检测，得到车辆的位置；

步骤(5.2)：车辆跟踪部分使用DeepSort算法；

步骤(5.3)：使用车辆检测和跟踪的结果预测平均车辆速度和道路拥堵指数。

4.根据权利要求1所述的基于改进Kstar算法和深度学习的实时路径规划方法，其特征在于步骤(5.2)具体是：

步骤(5.2.1)：使用卡尔曼滤波对每一帧的实况图像进行车辆跟踪预测：

步骤(5.2.2)：计算车辆运动相似度，将上一帧卡尔曼滤波多个跟踪器得到的车辆跟踪预测结果与当前帧多个检测框的车辆检测结果进行两两目标距离计算，获取运动相似度；筛选得到小于阈值的距离，此时运动状态关联成功,公式如下：

其中d_j表示当前帧第j个车辆检测框的位置，ε_i表示上一帧第i个跟踪器对车辆目标的预测位置，S_i表示车辆检测得到车辆位置与车辆跟踪得到的车辆位置的均值之间的协方差矩阵；

步骤(5.2.3)：计算车辆外观相似度，通过卷积神经网络(CNN)计算第i个跟踪器最近成功关联的k个跟踪框得到的车辆的特征向量与当前帧第j个车辆检测结果的特征向量，根据下方公式求得检测框得到的车辆图像和跟踪框成功关联的车辆图像之间的车辆外观相似度：

其中

表示第i个跟踪器最近匹配成功的k个跟踪框得到的车辆的特征向量，k为阈值，可以自由调节，r_j表示由第j个检测框得到的车辆的特征向量，

表示第i个跟踪器的最近成功匹配的检测框；

步骤(5.2.4)：根据车辆运动相似度度量和车辆外观相似度度量，计算融合特征值：

其中，w_a,w_b分别表示车辆运动相似度度量和车辆外观相似度度量对应的权重；

步骤(5.2.5)：将融合结果作为匈牙利算法的输入实现最大匹配，关联车辆检测结果和车辆跟踪结果，训练模型时需要根据结果对卡尔曼滤波更新。

5.根据权利要求1所述的基于改进Kstar算法和深度学习的实时路径规划方法，其特征在于步骤(5.3)具体是：

步骤(5.3.1)：将车辆跟踪得到的图像坐标转化为实际道路的坐标后计算实际位移，除以上下帧之间相差的时间可以预测出每一辆车的大致速度v_j；

步骤(5.3.2)：计算平均车辆速度，公式如下：

其中v_j代表第j辆车的速度，n代表车辆的数量，

代表估计的平均车辆速度；按照不同的车辆速度划定拥堵指数：

其中z_i代表拥堵指数，z_i＝0时代表死锁，z_i＝1时代表堵塞，z_i＝2时代表拥挤，z_i＝3时代表通畅；v₁,v₂,v₃均为阈值。

Images