CN113192110A

CN113192110A - 多目标跟踪方法、装置、设备及存储介质

Info

Publication number: CN113192110A
Application number: CN202010035998.4A
Authority: CN
Inventors: 梁秀娟
Original assignee: CHINA SATELLITE NAVIGATION AND COMMUNICATIONS CO LTD
Current assignee: CHINA SATELLITE NAVIGATION AND COMMUNICATIONS CO LTD
Priority date: 2020-01-14
Filing date: 2020-01-14
Publication date: 2021-07-30
Anticipated expiration: 2040-01-14
Also published as: CN113192110B

Abstract

本公开实施例提供一种多目标跟踪方法、装置、设备及存储介质，该方法包括：获取k时刻的多组点云和多个目标在k时刻的位置，为了将获取的点云和目标进行匹配，针对每个目标，获取每组点云到每组目标之间的第一距离，并对第一距离进行修正，使用修正距离确定每个目标对应的点云，进而根据每个目标对应的点云和目标的运动轨迹模型确定目标下一时刻的位置，相较于现有技术，本方案使用修正距离进行目标与点云匹配方法更简单，所需参数更少。

Description

多目标跟踪方法、装置、设备及存储介质

技术领域

本公开实施例涉及计算机技术，尤其涉及一种多目标跟踪方法、装置、设备及存储介质。

背景技术

目标跟踪是指将同一目标在不同时刻的位置连接成轨迹，并预测该目标在下一时刻出现的位置。多目标跟踪是针对多个目标进行目标跟踪。

在理想条件下，由于多假设检验能检测出目标的终结和新目标的生成，是处理数据关联的最优算法。现有的多目标跟踪算法通常采用多假设跟踪法，多假设跟踪法是基于贝叶斯的多目标跟踪算法，具体原理为：当激光雷达在采集多个目标的点云数据后，先根据多假设检验算法使点云匹配到对应目标，再对点云进行滤波处理。多假设检验算法保留真实目标的所有假设，并让其继续传递，从后续的观测数据中来消除当前周期的不确定性。

然而，由于多假设检验保留所有假设，并让所有假设进行循环运算，造成匹配过程计算量复杂，并且，当点云中杂波密度增大时，多假设检验的计算复杂度成指数增长，不能满足自动驾驶实时性需求。

发明内容

本公开实施例提供一种多目标跟踪方法、装置、设备及存储介质，以解决现有多目标跟踪算法计算复杂度高的技术问题。

第一方面，本发明提供一种多目标跟踪方法，方法包括：

获取采集设备采集的在k时刻的至少一组点云，以及至少一个目标在k时刻的位置，其中，k为正整数；

针对每个目标，对每组点云和目标在k时刻的位置之间的第一距离进行修正处理，生成修正距离；

根据修正距离，确定每个目标对应的点云；

根据每个目标对应的点云，以及目标的运动轨迹模型，预测目标在k的下一时刻的位置。

可选地，针对每个目标，对点云和目标在k时刻的位置之间的第一距离进行修正处理，生成修正距离，具体包括：

针对每个目标，根据修正系数对第一距离进行修正处理，生成修正距离；

其中，修正系数为卡尔曼滤波模型中的新息协方差，卡尔曼滤波模型用于根据目标对应的点云，及目标的运动轨迹模型预测在k的下一时刻目标的位置。

可选地，根据修正距离，确定每个目标对应的点云，具体包括：

若第一修正距离在预设门限值内，则第一点云为第一目标的候选点云；

根据候选点云确定第一目标对应的点云；

其中，第一修正距离是对第一点云至第一目标k时刻的位置之间的第一距离进行修正处理获得的。

可选地，根据述候选点云确定每个目标的点云，具体包括：

统计第一目标的候选点云的数量；

若候选点云的数量大于或等于1，根据候选点云的数量确定第一目标对应的点云。

可选地，若候选点云的数量大于或等于1，根据候选点云的数量确定第一目标对应的点云，进一步包括：

若候选点云的数量等于1，则将候选点云作为第一目标对应的点云；

若候选点云的数量为多个，则将第二点云作为第一目标对应的点云；

其中，第二点云为最小修正距离对应的候选点云。

第二方面，本发明提供一种多目标跟踪装置，装置包括：

获取模块，用于获取采集设备采集的在k时刻至少一组点云，以及至少一个目标在k时刻的位置，其中，k为正整数；

修正模块，用于针对每个目标，对每组点云和目标在k时刻的位置之间的第一距离进行修正处理，生成修正距离；

确定模块，用于根据修正距离，确定每个目标对应的点云；

预测模块，用于根据每个目标对应的点云，以及目标的运动轨迹模型，预测目标在k的下一时刻的位置。

可选地，修正模块具体用于：

根据候选点云确定第一目标对应的点云；

可选地，修正模块具体用于：

统计第一目标的候选点云的数量；

可选地，修正模块具体用于：

其中，第二点云为最小修正距离对应的候选点云。

第三方面，本发明提供一种电子设备，包括：

存储器，用于存储程序；

处理器，用于执行存储器存储的程序，当程序被执行时，处理器用于执行第一方面及可选方案所涉及的多目标跟踪方法。

第四方面，本发明提供一种多目标跟踪设备，包括：采集设备和处理器，处理器用于执行第一方面及可选方案所涉及的多目标跟踪方法。

第五方面，本发明提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行第一方面及可选方案所涉及的多目标跟踪方法。

本公开实施例提供一种多目标跟踪方法、装置、设备及存储介质，该方法包括：获取在k时刻的多组点云和多个目标在k时刻的位置，为了将获取的点云和目标进行匹配，针对每个目标，获取每组点云到每组目标之间的第一距离，并对第一距离进行修正，使用修正距离确定每个目标对应的点云，进而根据每个目标对应的点云和目标的运动轨迹模型确定目标下一时刻的位置，相较于现有技术，本方案使用修正距离进行目标与点云匹配方法更简单，所需参数更少。另外，作为优选方案，使用卡尔曼滤波模型预测目标下一时刻的位置，并用卡尔曼滤波模型中信息协方差进行修正，无需使用其他算法确定修正参数，降低本方法的复杂度。

附图说明

为了更清楚地说明本公开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一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，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为本公开根据实施例一示出的多目标跟踪方法的流程示意图；

图2为实施例二中的卡尔曼滤波模型的结构示意图；

图3是实施例二提供的多目标跟踪方法的效果示意图；

图4是实施例二提供的多目标跟踪方法的k-1时刻效果示意图；

图5是实施例二提供的多目标跟踪方法的k时刻效果示意图；

图6是实施例二提供的多目标跟踪方法的k+1时刻效果示意图；

图7为本公开根据实施例三示出的多目标跟踪装置的结构示意图；

图8为本公开根据实施例四示出的电子设备的结构示意图；

图9为本公开根据实施例五示出的多目标跟踪设备的结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围内。

针对多目标跟踪，现有技术通常采用多假设跟踪算法，该算法的原理是利用多假设检验对雷达采集的实时点云进行匹配，确定实时点云对应的目标，再对该目标对应的实时点云进行滤波，预测该目标下一时刻的预测位置。由于多假设检测保留目标所有假设，并将该假设进行多次循环递推运算，导致该方法计算复杂。尤其是当实时点云数据中杂波较大，计算复杂度会成指数增长。

针对现有技术以上问题，本公开的发明构思是：该方法包括匹配和预测两个过程，具体为：使用修正后的点云到目标当前位置之间距离进行点云与目标之间的匹配，匹配之后再利用目标对应的点云和目标的运动轨迹模型进行位置预测。相较于现有的跟踪方法，本方案匹配过程未使用复杂的匹配算法，过程更简单，且匹配过程参数使用少，降低本方案的复杂度。

方法实施例

图1为本公开根据实施例一示出的多目标跟踪方法的流程示意图。如图1所示，实施例一提供的多目标跟踪方法包括如下步骤：

S101、获取采集设备采集的在k时刻的至少一组点云，以及至少一个目标在k时刻的位置。

其中，采集设备位于靠近目标的地理区域内，采集设备是基于三维激光扫描技术的，通过激光扫描采集设备获取k时刻目标的大量点位信息，并对采集到的大量点位信息进行聚类处理，生成多组点云。其中，k为正整数。在实施例一中，不限制采集设备基于三维激光扫描技术获取点位信息。

其中，若k时刻为初始时刻，每个目标的位的起始位置是已知的，可直接获得目标在初始时刻的位置。若k时刻不是初始时刻，在k-1时刻会预测目标在k时刻的位置，则可用预测位置作为目标在k时刻的位置。

在实施例一中，采集设备为激光雷达设备，激光雷达设备采集到k时刻目标的大量点位信息后，对点位信息进行聚类处理，得到4组点云，假设目标有3个，分别标记为1号目标、2号目标、以及3号目标。

S102、针对每个目标，对每组点云和目标在k时刻的位置之间的第一距离进行修正处理，生成修正距离。

其中，针对每个目标，获取每组点云和目标在k时刻的位置之间的第一距离，在实施例一中，第一距离为点云和目标在k时刻的位置之间的欧式距离。再对第一距离进行修正处理，获取修正距离。在实施例一中，使用修正参数修正第一距离，获得修正距离。具体为：让修正参数与第一距离相乘，获得修正距离。

S103、根据修正距离，确定每个目标对应的点云。

其中，根据修正距离，确定每个目标对应的点云，具体包括：根据修正距离，确定每个目标对应的候选点云，再从候选点云中确定该目标对应的点云。

根据如下方式确定候选点云：首先进行如下定义，第一点云是S101中所获取的多组点云中的一组点云，第一目标是S101中多个目标中的一个目标。第一修正距离是对第一点云至第一目标k时刻的位置之间的第一距离进行修正处理获得的。判断第一修正距离是否在预设门限值内，若第一修正距离在预设门限值内，则第一点云为第一目标的候选点云。

根据述候选点云确定每个目标的点云，具体包括：统计第一目标的候选点云的数量。若候选点云的数量大于或等于1，根据候选点云的数量确定第一目标对应的点云。若候选点云的数量等于1，则将候选点云作为第一目标对应的点云。若候选点云的数量为多个，则将第二点云作为第一目标对应的点云。其中，第二点云为最小修正距离对应的候选点云。若候选点云的数量为0，将第一目标标记为待定。继续确定在k+1时刻，第一目标是否存在候选点云，若继续没有候选点云，则停止跟踪该第一目标。

例如：1号目标的候选点云仅有1个，则该候选点云与1号目标匹配。2号目标的候选点云有两个，则从2个候选点云点云中选取修正距离最小的候选点云作为与2号目标匹配的点云。3号目标不存在候选点云，则判断3号目标下一时刻是否也不存在候选点云，若存在，则停止跟踪3号目标。

S104、根据每个目标对应的点云，以及目标的运动轨迹模型，预测目标在k的下一时刻的位置。

其中，将目标的运动轨迹模型和目标对应的点云输入预测模型进行预测，输出目标在k的下一时刻的预测位置。

下面重点描述本实施例的原理：先设置预设门限值，并获得点云到目标的位置之间修正距离，由门限值和修正值初步筛选获得候选点云，以限制参与匹配判别的目标数目，再从候选点云中确定与目标对应的点云，在匹配完成后，再使用目标对应的点云和目标的运动轨迹模型预测目标在k的下一时刻的位置。

在实施例一提供的多目标跟踪方法中，对目标的位置和点云之间距离进行修正获得修正距离，使用修正距离作为目标与点云匹配的判据，确定目标的候选点云，再从候选点云中确定目标对应的点云，实施例一提供的方法更简单，所需参数少。

下面重点描述实施例二的提供的多目标跟踪方法，该多目标跟踪方法具体包括如下步骤：

S201、获取采集设备采集的在k时刻的至少一组点云，以及至少一个目标在k时刻的位置。

该步骤在实施例一中S101中详细说明，此处不再赘述。

S202、针对每个目标，对每组点云和目标在k时刻的位置之间的第一距离进行修正处理，生成修正距离。

其中，根据如下公式确定点云和目标在k时刻的位置之间的第一距离：

其中，z(k)表示k时刻的点云，

表示目标k的预测位置。

再根据如下公式对第一距离进行修正处理，生成修正距离。

其中，S(k)表示卡尔曼滤波过程中k时刻的新息协方差，S(k)＝H(k)P(k|k-1)·H'(k)+R(k)，R(k)表示k时刻的激光雷达的量测误差，P(k|k-1)表示状态估计的协方差，H(k)表示测量矩阵。

S203、根据修正距离，确定每个目标对应的点云。

在实施例二中，根据如下公式确定每个目标对应的候选点云。

γ表示预设门限值，可设定γ＝15.72。

S204、根据每个目标对应的点云，以及目标的运动轨迹模型，预测目标在k的下一时刻的位置。

其中，使用目标的运动轨迹模型构建卡尔曼滤波模型，将每个目标对应的实云输入卡尔曼滤波模型，预测k的下一时刻的位置。

当目标为车辆时，假设车辆做匀速直线运动，则车辆的运动轨迹模型可以表示为：

X(k+1)＝F(k)X(k)

其中，

X(k)为状态量，表示车辆轨迹在k时刻的状态，x_k和y_k表明车辆轨迹在k时刻的位置，

和

表明车辆在k时刻的速度。

F(k)是状态转移矩阵，表示车辆轨迹状态从k时刻到k+1时刻的变化，T是k时刻到k+1时刻的时间间隔。

图2为实施例二中的卡尔曼滤波模型的结构示意图。在图2中，

表示k时刻的目标状态，F(k)是状态转移矩阵，G(k)表示系统参数，V(k)表示过程噪声，其协方差为Q(k)，u(k)表示k时刻对系统的控制量，H(k+1)表示测量矩阵，W(k+1)表示测量噪声，其协方差为R(k+1)，v(k+1)表示新息，S(k+1)表示新息协方差，p(k|k)表示时刻状态估计的协方差，

表示k+1的预测位置，z(k+1)为k+1时刻雷达采集到的点云，其中，z(k+1)中包含位置，但不包含速度。

下面描述一下卡尔曼滤波过程中的参数设置。

目标轨迹的系统误差设定为：

激光雷达的量测误差设定为

在初始时刻，将激光雷达初始时刻采集的点云作为目标初始状态中位置，获得激光雷达在两个相邻时刻采集的点云，根据两组点云和采集间隔确定目标的初始速度，将该初始速度作为目标初始状态中速度。

下面重点描述实施例二中使用新息协方差作为修正系数的原理：点云表示目标的运动轨迹，k时刻的新息协方差表示在k-1时刻点云和预测位置是否接近。若接近，目标运动轨迹与预设的运动轨迹模型一致，则新息协方差较小，新息协方差的逆较大。若不接近，目标运动偏离预设的运动轨迹模型，则新息协方差较大，新息协方差的逆较小。同样，由于k-1时刻点云与预测位置的偏差，k时刻点云与预测位置之间的偏差也会偏大，也就是d(k)偏大。为了使偏离运动轨迹模型的点云能够被选为候选点云，修正参数S(k)要够小，使得即使点云偏离运动轨迹模型，也能使d'(k)在预设门限值内，能保证在目标发生不严重的机动运动时，目标轨迹也能保持连续。因此，用卡尔曼滤波过程中新息协方差修正点云和目标的位置之间距离可提高匹配准确度。

图3是实施例二提供的多目标跟踪方法的效果示意图。在当前帧点云和上一帧预测位置之间的修正距离满足门限值时，完成点云和目标之间匹配。可以明显看到预测位置和采集点云数据之间距离非常小，能使用门限值进行匹配。

图4是实施例二提供的多目标跟踪方法的k-1时刻效果示意图。图5是实施例二提供的多目标跟踪方法的k时刻效果示意图。图6是实施例二提供的多目标跟踪方法的k+1时刻效果示意图。在图4至图6中，标号为1的车辆为被跟踪对象，标号2的车辆为采集车辆，用于采集点云。由图可知，被跟踪车辆在连续三帧数据中都能完全跟踪上，而且跟踪效果非常好，可说明实施例二提供的多目标跟踪方法可完成目标的跟踪，而且计算量小，占用计算机CPU资源少，对跟踪设备的性能要求低。

实施例二提供的多目标跟踪算法，新息协方差能够反映出上一时刻点云和预测位置之间的偏差，而上一时刻的点云与预测位置之间偏差会延续到当前时刻，使用信息协方差修正点云和预测位置之间距离，可以在点云和预测位置之间偏差较大情况下使修正距离落入预设门限值内，提高匹配准确度，进而提高跟踪准确性。

产品实施例

图7为本公开根据实施例三示出的多目标跟踪装置的结构示意图。如图7所示，本公开提供一种多目标跟踪装置300，装置包括：

获取模块301，用于获取采集设备采集的在k时刻至少一组点云，以及至少一个目标在k时刻的位置，其中，k为正整数；

修正模块302，用于针对每个目标，对每组点云和目标当前时刻的位置之间的第一距离进行修正处理，生成修正距离；

确定模块303，用于根据修正距离，确定每个目标对应的点云；

预测模块304，用于根据每个目标对应的点云，以及目标的运动轨迹模型，预测目标在k的下一时刻的位置。

可选地，修正模块302具体用于：

根据候选点云确定第一目标对应的点云；

可选地，修正模块302具体用于：

统计第一目标的候选点云的数量；

可选地，修正模块302具体用于：

其中，第二点云为最小修正距离对应的候选点云。

图8为本公开根据实施例四示出的电子设备的结构示意图。如图8所示，实施例四提供的电子设备400包括：处理器401以及存储器402。

存储器402，用于存储计算机执行指令；

处理器401，用于执行存储器存储的计算机执行指令，以实现上述实施例中多目标跟踪方法所执行的各个步骤。具体可以参见前述控制方法实施例中的相关描述。

可选地，上述存储器402既可以是独立的，也可以跟处理器401集成在一起。

当存储器402独立设置时，该电子设备还包括总线403，用于连接存储器402和处理器401。

图9为本公开根据实施例五示出的多目标跟踪设备的结构示意图。如图9所示，实施例五提供多目标跟踪设备500的包括：采集设备501和处理器502，处理器502用于以实现上述实施例中多目标跟踪方法所执行的各个步骤。其中，采集设备为激光雷达。

本公开实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上电子设备所执行的多目标跟踪方法。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围内。

Claims

1.一种多目标跟踪方法，其特征在于，所述方法包括：

针对每个目标，对每组所述点云和所述目标在k时刻的位置之间的第一距离进行修正处理，生成修正距离；

根据所述修正距离，确定每个所述目标对应的点云；

根据每个所述目标对应的点云，以及所述目标的运动轨迹模型，预测所述目标在k的下一时刻的位置。

2.根据权利要求1所述的方法，其特征在于，所述针对每个目标，对所述点云和所述目标在k时刻的位置之间的第一距离进行修正处理，生成修正距离，具体包括：

针对每个目标，根据修正系数对所述第一距离进行修正处理，生成所述修正距离；

其中，所述修正系数为卡尔曼滤波模型中的新息协方差，所述卡尔曼滤波模型用于根据所述目标对应的点云，及所述目标的运动轨迹模型预测在k的下一时刻所述目标的位置。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述修正距离，确定每个所述目标对应的所述点云，具体包括：

根据所述候选点云确定所述第一目标对应的点云；

其中，所述第一修正距离是对所述第一点云至所述第一目标k时刻的位置之间的第一距离进行修正处理获得的。

4.根据权利要求3所述的方法，其特征在于，所述根据述候选点云确定每个所述目标的点云，具体包括：

统计所述第一目标的候选点云的数量；

若所述候选点云的数量大于或等于1，根据所述候选点云的数量确定所述第一目标对应的点云。

5.根据权利要求4所述的方法，其特征在于，所述若所述候选点云的数量大于或等于1，根据所述候选点云的数量确定所述第一目标对应的点云，进一步包括：

若所述候选点云的数量等于1，则将所述候选点云作为所述第一目标对应的点云；

若所述候选点云的数量为多个，则将第二点云作为所述第一目标对应的点云；

其中，所述第二点云为最小修正距离对应的所述候选点云。

6.一种多目标跟踪装置，其特征在于，所述装置包括：

修正模块，用于针对每个目标，对每组所述点云和所述目标在k时刻的位置之间的第一距离进行修正处理，生成修正距离；

确定模块，用于根据所述修正距离，确定每个所述目标对应的点云；

预测模块，用于根据每个所述目标对应的点云，以及所述目标的运动轨迹模型，预测所述目标在k的下一时刻的位置。

7.根据权利要求6所述的装置，其特征在于，所述修正模块具体用于：

8.一种电子设备，其特征在于，包括：

存储器，用于存储程序；

处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如权利要求1至5中任一所述的多目标跟踪方法。

9.一种多目标跟踪设备，其特征在于，包括：采集设备和处理器，所述处理器用于执行如权利要求1至5中任一所述的多目标跟踪方法。

10.一种计算机可读存储介质，其特征在于，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至5中任一所述的多目标跟踪方法。