CN113269301B - 基于神经网络估计多目标跟踪系统参数的方法及系统 - Google Patents

基于神经网络估计多目标跟踪系统参数的方法及系统 Download PDF

Info

Publication number
CN113269301B
CN113269301B CN202110458852.5A CN202110458852A CN113269301B CN 113269301 B CN113269301 B CN 113269301B CN 202110458852 A CN202110458852 A CN 202110458852A CN 113269301 B CN113269301 B CN 113269301B
Authority
CN
China
Prior art keywords
neural network
target tracking
parameters
tracking system
data
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.)
Active
Application number
CN202110458852.5A
Other languages
English (en)
Other versions
CN113269301A (zh
Inventor
李洋
王铜
陆海凌
王彦平
林赟
申文杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China University of Technology
Original Assignee
North China University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China University of Technology filed Critical North China University of Technology
Priority to CN202110458852.5A priority Critical patent/CN113269301B/zh
Publication of CN113269301A publication Critical patent/CN113269301A/zh
Application granted granted Critical
Publication of CN113269301B publication Critical patent/CN113269301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开基于神经网络估计多目标跟踪系统参数的方法及系统，其中该方法包括：S1、获取实际交通场景的雷达数据，并对雷达数据进行处理；S2、将处理好的雷达数据分为训练数据与测试数据，搭建神经网络模型并使用训练数据对神经网络模型进行训练，其中，神经网络模型用于输出多目标跟踪系统的参数；S3、当神经网络模型训练完成后，使用测试数据测试神经网络模型，获取并评估神经网络模型输出的多目标跟踪系统的参数；S4、循环执行步骤S2和S3，直至多目标跟踪系统的参数满足预设的精确度阈值，并调节多目标跟踪系统。通过神经网络根据实际交通场景的雷达数据对多目标跟踪系统的参数进行估计，实现了多目标跟踪系统参数的自适应调节。

Description

基于神经网络估计多目标跟踪系统参数的方法及系统
技术领域
本发明涉及雷达技术领域，尤其涉及基于神经网络估计多目标跟踪系统参数的方法及系统。
背景技术
在智能城市建设与自动驾驶辅助系统领域中，由于毫米波雷达具有实时检测车辆目标和行人目标的位置和运动状态的能力，是多目标跟踪系统的主要传感器之一。多目标跟踪算法是多目标跟踪系统的核心技术，其中一种实现方式为：将多假设跟踪算法(Multiple Hypothesis Tracking,MHT)和联合概率数据关联滤波算法(JointProbabilistic Data Association Filter,JPDAF)这两种算法将数据关联作为核心，把多目标跟踪问题视为多个独立的单目标跟踪问题进行处理，实质是利用单目标贝叶斯滤波算法完成对单个目标的状态估计，其缺点是当目标数量增多、场景复杂且系统中各个算法的参数值不合理时导致多目标跟踪效果差，所以只适用于跟踪目标较少且目标运动方式简单的场景，如航空领域。
进而，为了可以对多目标运动与观测模型进行建模，基于随机有限集(RandomFinite Set，RFS)的多目标跟踪算法成为了多目标跟踪系统中比较热门的算法，该算法能够直接对具有杂波环境下目标的个数与状态进行跟踪与检测，避免繁琐的数据关联，但算法本身的计算复杂程度随着目标个数增加而剧增，所以只适用于目标较少的场景。在此基础上，为了提高滤波算法的性能，Mahler提出了一种将后验概率密度取一阶统计矩的滤波算法，称为多目标概率假设密度(Probability Hypothesis Density，PHD)，大大减少了运算量。但是，在随机集框架下的滤波算法仍然存在缺点：系统中各个算法的参数值不合理时跟踪效果差，同时没有提供检测目标的航迹，目标仍然不能够进行区分，故而不能称其为多目标跟踪器。为了解决航迹识别问题，广义标签多伯努利随机集滤波器(GeneralizedLabeled Multi-Bernoulli,GLMB)应势而生，该滤波器在随机有限集中引入了标签的概念，因此在多目标跟踪领域展现出巨大优势，如今被广泛应用以及进一步拓展，但是仍然无法解决如何快速为多目标跟踪系统中的各个算法选取合理参数的问题，导致多目标跟踪系统的性能无法得到完全发挥。
发明内容
本发明的目的在于提供基于神经网络估计多目标跟踪系统参数的方法及系统，通过神经网络根据实际交通场景的雷达数据对多目标跟踪系统的参数进行估计，以实现系统参数自适应。
为了实现上述目的，本发明提供如下技术方案：
一种基于神经网络估计多目标跟踪系统参数的方法，包括：
S1、获取实际交通场景的雷达数据，并对所述雷达数据进行处理；
S2、将处理好的雷达数据分为训练数据与测试数据，搭建神经网络模型并使用所述训练数据对所述神经网络模型进行训练，其中，所述神经网络模型用于输出多目标跟踪系统的参数；
S3、当所述神经网络模型训练完成后，使用所述测试数据测试所述神经网络模型，获取并评估所述神经网络模型输出的所述多目标跟踪系统的参数；
S4、循环执行步骤S2和S3，直至所述多目标跟踪系统的参数满足预设的精确度阈值，并基于满足预设的精确度阈值的所述多目标跟踪系统的参数调节多目标跟踪系统。
具体地，所述实际交通场景的雷达数据包括：目标的数量、每个目标的位置坐标，以及每个目标的方向速度。
优选地，步骤S1中，对所述雷达数据进行处理的方法包括：对所述雷达数据进行主成分分析处理与归一化处理。
进一步地，将处理好的雷达数据分为训练数据与测试数据的方法包括：
预设有数据数量-分配比例对照表，所述数据数量-分配比例对照表用于描述不同数据数量区间对应的训练数据与测试数据的分配比例；
判断所述处理好的雷达数据的数量所属的数据数量区间，并获取对应的训练数据与测试数据的分配比例；
按照所述分配比例将处理好的雷达数据分为训练数据与测试数据。
较佳地，所述神经网络模型采用长短期记忆神经网络模型。
较好地，所述神经网络模型输出的多目标跟踪系统的参数包括：检测概率参数、出生概率参数以及存活概率参数。
优选地，评估所述神经网络模型输出的所述多目标跟踪系统的参数的方法包括：
计算所述多目标跟踪系统的参数的均方根误差；
基于所述均方根误差评估所述多目标跟踪系统的参数是否满足预设的精确度阈值；
其中，所述预设的精确度阈值为：所述均方根误差在0.1以下。
一种基于神经网络估计多目标跟踪系统参数的系统，包括数据采集模块、模型训练模块、模型评估模块以及自适应调节模块，其中，
所述数据采集模块用于获取实际交通场景的雷达数据，对所述雷达数据进行处理，并将处理好的雷达数据分为训练数据与测试数据；
所述模型训练模块用于搭建神经网络模型，使用所述训练数据对所述神经网络模型进行训练，其中，所述神经网络模型用于输出多目标跟踪系统的参数；
所述模型评估模块用于当所述神经网络模型，使用所述测试数据测试训练完成后的神经网络模型，获取并评估所述神经网络模型输出的所述多目标跟踪系统的参数；
所述自适应调节模块用于在所述多目标跟踪系统的参数满足预设的精确度阈值之后，基于满足预设的精确度阈值的所述多目标跟踪系统的参数调节多目标跟踪系统。
一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，所述计算机可读程序指令用于执行上述基于神经网络估计多目标跟踪系统参数的方法。
一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述基于神经网络估计多目标跟踪系统参数的方法。
与现有技术相比，本发明提供的基于神经网络估计多目标跟踪系统参数的方法及系统具有以下有益效果：
本发明提供的基于神经网络估计多目标跟踪系统参数的方法，基于实际交通场景的雷达数据，搭建并训练神经网络模型，利用该神经网络模型输出多目标跟踪系统的参数，直至模型输出的多目标跟踪系统的参数满足预设的精确度阈值，并基于满足预设的精确度阈值的多目标跟踪系统的参数调节多目标跟踪系统，实现了在没有人为干预的情况下，快速得到不同交通场景下多目标跟踪系统的参数，进而提高了多目标跟踪的效果以及交通安全。
本发明提供的基于神经网络估计多目标跟踪系统参数的系统，采用上述方法，通过神经网络根据实际交通场景的雷达数据对多目标跟踪系统的参数进行估计，以实现多目标跟踪系统参数的自适应调节。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，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。在附图中：
图1为本发明实施例中基于神经网络估计多目标跟踪系统参数的方法流程示意图；
图2为本发明实施例中对神经网络模型进行训练及测试的过程示意图；
图3为本发明实施例中长短期记忆神经网络的结构示意图；
图4为本发明实施例中一种电子设备的模块结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
如上文所述，在多目标跟踪系统设计中，现有系统所使用的几种多目标跟踪算法各自有着优缺点，都有需要改进的缺陷，但是算法的参数选择是必须面对的问题，尤其是应用在如今的实际交通场景中，由于杂波较强、目标数量较多、目标种类繁多且目标行动状态变化迅速等原因，导致交通场景变得复杂，需要依赖于使用者的经验对参数进行选取，同时限制着多目标跟踪效果。在这种条件下，对参数选取的经验要求很高，需要对参数进行正确的调整，当参数选取合理时，上述的多目标跟踪算法的性能才可以得到较好地发挥，尽可能地保证多目标跟踪的效果。而且，不同参数的设定与不同的交通环境下，同一个系统的多目标跟踪效果存在较大差异，然而目前的多目标跟踪系统中算法的参数，往往不能与特殊交通场景关联到最优参数，导致其跟踪性能大幅下降。因此，同一个多目标跟踪系统为了应对不同交通场景的差异，需要对系统中算法的参数进行重新调整，这对使用者提出了更高的要求。
有鉴于此，本申请实施例提供一种基于神经网络估计多目标跟踪系统参数的方法及系统，在没有人为干预的情况下，通过神经网络根据实际交通场景的雷达数据对多目标跟踪系统的参数进行估计，从而实现系统参数自适应的目的。
下面将结合附图对本申请实施例进行详细介绍。
实施例一
请参阅图1，一种基于神经网络估计多目标跟踪系统参数的方法，包括：
S1、获取实际交通场景的雷达数据，并对雷达数据进行处理；
S2、将处理好的雷达数据分为训练数据与测试数据，搭建神经网络模型并使用训练数据对神经网络模型进行训练，其中，神经网络模型用于输出多目标跟踪系统的参数；
S3、当神经网络模型训练完成后，使用测试数据测试神经网络模型，获取并评估神经网络模型输出的多目标跟踪系统的参数；
S4、循环执行步骤S2和S3，直至多目标跟踪系统的参数满足预设的精确度阈值，并基于满足预设的精确度阈值的多目标跟踪系统的参数调节多目标跟踪系统。
本发明实施例提供的基于神经网络估计多目标跟踪系统参数的方法，基于实际交通场景的雷达数据，搭建并训练神经网络模型，利用该神经网络模型输出多目标跟踪系统的参数，直至模型输出的多目标跟踪系统的参数满足预设的精确度阈值，并基于满足预设的精确度阈值的多目标跟踪系统的参数调节多目标跟踪系统，实现了在没有人为干预的情况下，快速得到不同交通场景下多目标跟踪系统的参数，提高了多目标跟踪的效果，进而增强了交通安全性。
在具体实施中，可以使用采样频率范围为11～14Hz的毫米波雷达对任意一条或多条道路进行数据采集，并且采集多个不同时间点的雷达数据，以保证有多种特殊交通场景，例如堵车，超车，自行车或行人较多等场景。然后使用主成分分析法(Principal ComponentAnalysis,PCA)对雷达数据进行处理，将雷达数据中低质量样本进行滤除，再进行归一化处理。其中，实际交通场景的雷达数据包括：目标的数量、每个目标的位置坐标，以及每个目标的方向速度。然后将获取到雷达数据作为样本数据进行处理，具体处理方法包括：主成分分析处理与归一化处理。
本领域技术人员应该清楚的是，主成分分析技术(PCA，Principal ComponentsAnalysis)，又称主分量分析。主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。在统计学中，主成分分析PCA是一种简化数据集的技术。它是一个线性变换，这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用于减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的，这样低阶成分往往能够保留住数据的最重要方面。
归一化处理主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速，雷达数据进行降维后，变为三维数据集(对应三类数据)，对每一维分别进行归一化处理。本实施例中，对任意一维数据集中的任一数据x进行归一化处理的公式为：
式(1)中，max为数据x所在维度的数据集中的最大值，min为数据x所在维度的数据集中的最小值。
请参阅图2，将处理后的雷达数据分为训练数据与测试数据，并将训练数据作为输入对神经网络模型进行训练，训练完成后将测试数据输入模型中进行测试，查看模型输出参数的跟踪效果(即测试结果)，根据测试结果调整神经网络结构与权重，直到神经网络输出多目标跟踪系统参数尽可能接近最优值，参数值接近真值为最优值，这里的真值是人为调参得出。其中，本实施例中的神经网络模型采用长短期记忆神经网络模型，神经网络模型输出的多目标跟踪系统的参数包括：检测概率参数、出生概率参数以及存活概率参数。
长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式，在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。请参阅图3，图3为一种lstm神经网络结构，其中ft、it、ot分别为遗忘门、输入门、输出门，ct-1为记忆单元，输入(xt,ht-1)到输出ht的线被称为单元状态，σ为sigmoid激活函数。在实际使用中，由于训练神经网络模型的雷达数据取自各个时间段、不同交通场景，长短期记忆神经网络模型的训练结果目标是：输入当前交通场景下的雷达数据，输出当前交通场景下多目标跟踪系统应选取的最优参数，以保证多目标跟踪系统的跟踪性能。
除此之外，本实施例提供的基于神经网络估计多目标跟踪系统参数的方法中，将处理好的雷达数据分为训练数据与测试数据的方法包括：
预设有数据数量-分配比例对照表，数据数量-分配比例对照表用于描述不同数据数量区间对应的训练数据与测试数据的分配比例；
判断处理好的雷达数据的数量所属的数据数量区间，并获取对应的训练数据与测试数据的分配比例；
按照分配比例将处理好的雷达数据分为训练数据与测试数据。
例如，数据量较小时，例如小于2000条雷达数据，可以采用训练数据：测试数据为7:3的分配比例；数据量中等时，例如2000～10000条雷达数据，可以采用训练数据：测试数据为8:2的分配比例；数据量较大时，例如大于10000条雷达数据，采用训练数据：测试数据为9:1的分配比例。具体的分配比例在此不作限制，可根据实际情况确定。
具体实施过程中，使用训练数据对初步搭建的神经网络模型进行训练，在训练过程中观察损失函数的波动，调整神经网络结构与权重，直至该模型训练完成，神经网络模型训练完成的判断标准为：直到长短期记忆神经网络收敛。当神经网络模型训练完成后，使用测试数据测试神经网络模型，获取并评估神经网络模型输出的多目标跟踪系统的参数。其中，基于神经网络估计多目标跟踪系统参数的方法，评估神经网络模型输出的多目标跟踪系统的参数的方法包括：
计算多目标跟踪系统的参数的均方根误差，公式为：
式(2)中：m为雷达数据的总帧数，yi为参数的预测值；为参数的真值；其中，该真值是通过人为调参得出的参数值。
然后基于均方根误差评估多目标跟踪系统的参数是否满足预设的精确度阈值，其中，预设的精确度阈值为：均方根误差在0.1以下。
若多目标跟踪系统的参数不满足预设的精确度阈值，即神经网络模型的测试没有通过，代表神经网络模型没有训练好，则调整神经网络模型继续训练及测试，直至多目标跟踪系统的参数满足预设的精确度阈值。若多目标跟踪系统的参数满足预设的精确度阈值，则基于满足预设的精确度阈值的多目标跟踪系统的参数调节多目标跟踪系统，即根据神经网络模型的输出，调整当前环境下的多目标跟踪系统参数，保证该系统的目标跟踪性能。
本发明实施例提供的基于神经网络估计多目标跟踪系统参数的方法，首先获取实际交通中的雷达数据，对该雷达数据进行预处理；然后将雷达数据输入训练好的长短期记忆神经网络模型，输出所估计的多目标跟踪系统的参数；根据输出的参数对多目标跟踪系统进行调优。利用长短期记忆神经网络对特殊交通场景下的多目标跟踪参数估计，使得多目标跟踪系统实现参数自适应，不用人为干预，此外，通过训练长短期记忆神经网络模型，使其能够学习不同交通场景与多目标跟踪系统参数的关系，并能够根据特殊场景的差异对系统的参数进行估计，从而保证目标跟踪性能，实现了在时变交通场景下多目标跟踪系统参数的实时调优，使多目标跟踪系统对目标的跟踪性能够一直保持优良。
实施例二
与上述实施例一相对应的，本发明实施例还提供一种基于神经网络估计多目标跟踪系统参数的系统，其中，本实施例中，与实施例一相同或相应的内容，请参考上文介绍，后续不再赘述。
本发明实施例提供一种基于神经网络估计多目标跟踪系统参数的系统，包括数据采集模块、模型训练模块、模型评估模块以及自适应调节模块，其中，数据采集模块用于获取实际交通场景的雷达数据，对雷达数据进行处理，并将处理好的雷达数据分为训练数据与测试数据；模型训练模块用于搭建神经网络模型，使用训练数据对神经网络模型进行训练，其中，神经网络模型用于输出多目标跟踪系统的参数；模型评估模块用于当神经网络模型，使用测试数据测试训练完成后的神经网络模型，获取并评估神经网络模型输出的多目标跟踪系统的参数；自适应调节模块用于在多目标跟踪系统的参数满足预设的精确度阈值之后，基于满足预设的精确度阈值的多目标跟踪系统的参数调节多目标跟踪系统。
本发明基于神经网络估计多目标跟踪系统参数的系统，采用上述实施例一提供的基于神经网络估计多目标跟踪系统参数的方法，通过神经网络根据实际交通场景的雷达数据对多目标跟踪系统的参数进行估计，以实现多目标跟踪系统参数的自适应调节。与现有技术相比，本发明实施例提供的基于神经网络估计多目标跟踪系统参数的系统的有益效果与上述实施例一提供的基于神经网络估计多目标跟踪系统参数的方法的有益效果相同，且该系统中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。
实施例三
本发明实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的基于神经网络估计多目标跟踪系统参数的方法。
本发明实施例提供的计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定，例如，数据采集模块还可以被描述为“用于获取实际交通场景的雷达数据，对雷达数据进行处理，并将处理好的雷达数据分为训练数据与测试数据的模块”。
本发明提供的计算机可读存储介质，存储有用于执行上述基于神经网络估计多目标跟踪系统参数的方法的计算机可读程序指令，通过神经网络根据实际交通场景的雷达数据对多目标跟踪系统的参数进行估计，实现了多目标跟踪系统参数的自适应调节。与现有技术相比，本发明实施例提供的计算机可读存储介质的有益效果与上述实施例一提供的基于神经网络估计多目标跟踪系统参数的方法的有益效果相同，在此不做赘述。
实施例四
本发明实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的基于神经网络估计多目标跟踪系统参数的方法。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
通常，以下系统可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
本发明提供的电子设备，采用上述实施例一中的基于神经网络估计多目标跟踪系统参数的方法，实现了在时变交通场景下多目标跟踪系统参数的实时调优，使多目标跟踪系统对目标的跟踪性能够一直保持优良。与现有技术相比，本发明实施例提供的电子设备的有益效果与上述实施例一提供的基于神经网络估计多目标跟踪系统参数的方法的有益效果相同，且该电子设备中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种基于神经网络估计多目标跟踪系统参数的方法，其特征在于，包括：
S1、获取实际交通场景的雷达数据，并对所述雷达数据进行处理；
S2、将处理好的雷达数据分为训练数据与测试数据，搭建神经网络模型并使用所述训练数据对所述神经网络模型进行训练，其中，所述神经网络模型用于输出多目标跟踪系统的参数，将处理好的雷达数据分为训练数据与测试数据的方法包括：预设有数据数量-分配比例对照表，所述数据数量-分配比例对照表用于描述不同数据数量区间对应的训练数据与测试数据的分配比例；判断所述处理好的雷达数据的数量所属的数据数量区间，并获取对应的训练数据与测试数据的分配比例；按照所述分配比例将处理好的雷达数据分为训练数据与测试数据；
S3、当所述神经网络模型训练完成后，使用所述测试数据测试所述神经网络模型，获取并评估所述神经网络模型输出的所述多目标跟踪系统的参数，其中，所述神经网络模型输出的多目标跟踪系统的参数包括检测概率参数、出生概率参数以及存活概率参数；
S4、循环执行步骤S2和S3，直至所述多目标跟踪系统的参数满足预设的精确度阈值，并基于满足预设的精确度阈值的所述多目标跟踪系统的参数调节多目标跟踪系统。
2.根据权利要求1所述的基于神经网络估计多目标跟踪系统参数的方法，其特征在于，所述实际交通场景的雷达数据包括：目标的数量、每个目标的位置坐标，以及每个目标的方向速度。
3.根据权利要求1或2所述的基于神经网络估计多目标跟踪系统参数的方法，其特征在于，步骤S1中，对所述雷达数据进行处理的方法包括：对所述雷达数据进行主成分分析处理与归一化处理。
4.根据权利要求1所述的基于神经网络估计多目标跟踪系统参数的方法，其特征在于，所述神经网络模型采用长短期记忆神经网络模型。
5.根据权利要求1或4所述的基于神经网络估计多目标跟踪系统参数的方法，其特征在于，评估所述神经网络模型输出的所述多目标跟踪系统的参数的方法包括：
计算所述多目标跟踪系统的参数的均方根误差；
基于所述均方根误差评估所述多目标跟踪系统的参数是否满足预设的精确度阈值；
其中，所述预设的精确度阈值为：所述均方根误差在0.1以下。
6.一种基于神经网络估计多目标跟踪系统参数的系统，其特征在于，包括数据采集模块、模型训练模块、模型评估模块以及自适应调节模块，其中，
所述数据采集模块用于获取实际交通场景的雷达数据，对所述雷达数据进行处理，并将处理好的雷达数据分为训练数据与测试数据；
所述模型训练模块用于搭建神经网络模型，使用所述训练数据对所述神经网络模型进行训练，其中，所述神经网络模型用于输出多目标跟踪系统的参数，将处理好的雷达数据分为训练数据与测试数据的方法包括：预设有数据数量-分配比例对照表，所述数据数量-分配比例对照表用于描述不同数据数量区间对应的训练数据与测试数据的分配比例；判断所述处理好的雷达数据的数量所属的数据数量区间，并获取对应的训练数据与测试数据的分配比例；按照所述分配比例将处理好的雷达数据分为训练数据与测试数据；
所述模型评估模块用于当所述神经网络模型，使用所述测试数据测试训练完成后的神经网络模型，获取并评估所述神经网络模型输出的所述多目标跟踪系统的参数，其中，所述神经网络模型输出的多目标跟踪系统的参数包括检测概率参数、出生概率参数以及存活概率参数；
所述自适应调节模块用于在所述多目标跟踪系统的参数满足预设的精确度阈值之后，基于满足预设的精确度阈值的所述多目标跟踪系统的参数调节多目标跟踪系统。
7.一种计算机可读存储介质，其特征在于，具有存储在其上的计算机可读程序指令，所述计算机可读程序指令用于执行权利要求1至5中任一项所述的基于神经网络估计多目标跟踪系统参数的方法。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5中任一项所述的基于神经网络估计多目标跟踪系统参数的方法。
CN202110458852.5A 2021-04-27 2021-04-27 基于神经网络估计多目标跟踪系统参数的方法及系统 Active CN113269301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110458852.5A CN113269301B (zh) 2021-04-27 2021-04-27 基于神经网络估计多目标跟踪系统参数的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110458852.5A CN113269301B (zh) 2021-04-27 2021-04-27 基于神经网络估计多目标跟踪系统参数的方法及系统

Publications (2)

Publication Number Publication Date
CN113269301A CN113269301A (zh) 2021-08-17
CN113269301B true CN113269301B (zh) 2023-08-08

Family

ID=77229491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110458852.5A Active CN113269301B (zh) 2021-04-27 2021-04-27 基于神经网络估计多目标跟踪系统参数的方法及系统

Country Status (1)

Country Link
CN (1) CN113269301B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116058814A (zh) * 2021-11-01 2023-05-05 北京荣耀终端有限公司 心率检测方法及电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107247259A (zh) * 2017-07-10 2017-10-13 西安电子科技大学 基于神经网络的k分布海杂波形状参数估计方法
CN107993257A (zh) * 2017-12-28 2018-05-04 中国科学院西安光学精密机械研究所 一种智能imm卡尔曼滤波前馈补偿目标追踪方法及系统
CN108288282A (zh) * 2017-12-26 2018-07-17 浙江工业大学 一种基于卷积神经网络的自适应特征选择目标跟踪方法
CN108921879A (zh) * 2018-05-16 2018-11-30 中国地质大学（武汉） 基于区域选择的CNN和Kalman滤波的运动目标跟踪方法及系统
WO2019037498A1 (zh) * 2017-08-25 2019-02-28 腾讯科技（深圳）有限公司 主动跟踪方法、装置及系统
CN110110625A (zh) * 2019-04-24 2019-08-09 北方工业大学 Sar图像目标识别方法及装置
CN110275148A (zh) * 2019-06-20 2019-09-24 中国人民解放军海军航空大学 一种海杂波幅度分布参数估计方法及系统
CN111798491A (zh) * 2020-07-13 2020-10-20 哈尔滨工业大学 一种基于Elman神经网络的机动目标跟踪方法
CN112613532A (zh) * 2020-11-26 2021-04-06 西安电子科技大学 基于雷达与循环神经网络补全红外融合的动目标跟踪方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6678640B2 (en) * 1998-06-10 2004-01-13 Matsushita Electric Industrial Co., Ltd. Method and apparatus for parameter estimation, parameter estimation control and learning control
US11816585B2 (en) * 2018-12-03 2023-11-14 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107247259A (zh) * 2017-07-10 2017-10-13 西安电子科技大学 基于神经网络的k分布海杂波形状参数估计方法
WO2019037498A1 (zh) * 2017-08-25 2019-02-28 腾讯科技（深圳）有限公司 主动跟踪方法、装置及系统
CN108288282A (zh) * 2017-12-26 2018-07-17 浙江工业大学 一种基于卷积神经网络的自适应特征选择目标跟踪方法
CN107993257A (zh) * 2017-12-28 2018-05-04 中国科学院西安光学精密机械研究所 一种智能imm卡尔曼滤波前馈补偿目标追踪方法及系统
CN108921879A (zh) * 2018-05-16 2018-11-30 中国地质大学（武汉） 基于区域选择的CNN和Kalman滤波的运动目标跟踪方法及系统
CN110110625A (zh) * 2019-04-24 2019-08-09 北方工业大学 Sar图像目标识别方法及装置
CN110275148A (zh) * 2019-06-20 2019-09-24 中国人民解放军海军航空大学 一种海杂波幅度分布参数估计方法及系统
CN111798491A (zh) * 2020-07-13 2020-10-20 哈尔滨工业大学 一种基于Elman神经网络的机动目标跟踪方法
CN112613532A (zh) * 2020-11-26 2021-04-06 西安电子科技大学 基于雷达与循环神经网络补全红外融合的动目标跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于自回归LSTM神经网络的地铁车站环境参数概率预测;曲洪权等;制冷与空调;第34卷(第6期);第676-681页 *

Also Published As

Publication number Publication date
CN113269301A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN108960090B (zh) 视频图像处理方法及装置、计算机可读介质和电子设备
CN108197652B (zh) 用于生成信息的方法和装置
CN112001287A (zh) 障碍物的点云信息生成方法、装置、电子设备和介质
CN110287810B (zh) 车门动作检测方法、装置和计算机可读存储介质
CN113269301B (zh) 基于神经网络估计多目标跟踪系统参数的方法及系统
CN111291715B (zh) 基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质
CN113780270A (zh) 目标检测方法和装置
CN112183627A (zh) 生成预测密度图网络的方法和车辆年检标数量检测方法
CN114169425B (zh) 训练目标跟踪模型和目标跟踪的方法和装置
CN111787280A (zh) 基于边缘计算的视频实时目标追踪方法及装置
CN114741185A (zh) 面向多目标视频监控的边缘计算系统及其工作方法
CN111627029B (zh) 图像实例分割结果的获取方法及装置
CN116088537B (zh) 车辆避障方法、装置、电子设备和计算机可读介质
CN109684566A (zh) 标签引擎实现方法、装置、计算机设备及存储介质
CN112766402A (zh) 算法选择方法、装置和电子设备
CN112132015A (zh) 违规驾驶姿势的检测方法、装置、介质和电子设备
CN110781809A (zh) 基于注册特征更新的识别方法、装置及电子设备
CN115527163A (zh) 目标检测模型优化方法、装置、电子设备及可读存储介质
JP2024507602A (ja) データ処理方法及び予測モデルをトレーニングするための方法
CN111414921B (zh) 样本图像处理方法、装置、电子设备及计算机存储介质
CN114120423A (zh) 人脸图像检测方法、装置、电子设备和计算机可读介质
CN113792655A (zh) 一种意图识别方法、装置、电子设备及计算机可读介质
CN113778078A (zh) 定位信息生成方法、装置、电子设备和计算机可读介质
CN112612277A (zh) 车辆轨迹规划方法、装置、设备和计算机可读介质
JP7446359B2 (ja) 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム

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