CN113486775A - 一种目标追踪方法、系统、电子设备及存储介质 - Google Patents
一种目标追踪方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113486775A CN113486775A CN202110748620.3A CN202110748620A CN113486775A CN 113486775 A CN113486775 A CN 113486775A CN 202110748620 A CN202110748620 A CN 202110748620A CN 113486775 A CN113486775 A CN 113486775A
- Authority
- CN
- China
- Prior art keywords
- target
- camera
- millimeter wave
- wave radar
- coordinate system
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 239000000428 dust Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本说明书实施例公开了一种目标追踪方法、系统、电子设备及存储介质，获取目标区域内毫米波雷达的目标识别结果；获取所述目标区域内摄像头的目标识别结果；将所述毫米波雷达的目标识别结果与所述摄像头的目标识别结果进行融合处理，以确定所述目标区域内的有效目标。
Description
技术领域
本说明书实施例涉及安防技术领域，尤其涉及一种目标追踪方法、系统、电子设备及存储介质。
背景技术
现有安防设施基本采用激光对射、振动电缆、视频监控等技术手段，但应用技术较为单一，实际运行中无法通过一类技术解决众多的场景管控需求，长期存在大量的误报现象，导致监控人员思想麻木，存在空防安全隐患。
虽然毫米波雷达可以有效探测人员、车辆等目标的位置与速度信息，但也存在虚警较多且无法对目标进行识别的问题。
虽然机器视觉可以在目标识别追踪上取得了种种成果，但其同时也存在时效性不佳以及容易受天候、黑夜等因素影响的问题。
发明内容
有鉴于此，本说明书实施例提供了一种目标追踪方法、系统、电子设备及存储介质，用于解决现有技术中安防设施手段单一、存在空防安全隐患的问题。
本说明书实施例采用下述技术方案：
本说明书实施例提供一种目标追踪方法，包括：
获取目标区域内毫米波雷达的目标识别结果；
获取所述目标区域内摄像头的目标识别结果；
将所述毫米波雷达的目标识别结果与所述摄像头的目标识别结果进行融合处理，以确定所述目标区域内的有效目标。
本说明书实施例还提供一种目标追踪系统，包括：
毫米波雷达，用以获取目标区域内毫米波雷达的目标识别结果；
摄像头，用以获取所述目标区域内摄像头的目标识别结果；
融合目标检测识别模块，将所述毫米波雷达的目标识别结果与所述摄像头的目标识别结果进行融合处理，以确定所述目标区域内的有效目标。
本说明书实施例还提供一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成至少一个处理器执行以下步骤：
获取目标区域内毫米波雷达的目标识别结果；
获取所述目标区域内摄像头的目标识别结果；
将所述毫米波雷达的目标识别结果与所述摄像头的目标识别结果进行融合处理，以确定所述目标区域内的有效目标。
本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现目标追踪。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
1)降低了虚警率，提高目标识别的准确性、相对单一传感器扩大了视野范围，同时利用目标语义去除了大量的虚警目标，提升了检测结果的鲁棒性；
2)运用神经网络对摄像头进行目标检测识别追踪，能够获得较为精准的目标信息，能够利用摄像头的丰富信息，提取出目标类型等传统方法检测不出的信息，这对于最终建立的融合追踪模型提供了基础；
3)目标检测场景中存在的实时性差，基于改进的网络模型，在不影响目标分类准确度的情况下提高帧率，对整个系统而言是提高了融合系统的实时性。
附图说明
此处所说明的附图用来提供对本说明书实施例的进一步理解，构成本说明书实施例的一部分，本说明书的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种目标追踪方法的流程示意图；
图2为本说明书实施例提供的一种目标追踪方法的流程示意图；
图3为本说明书实施例提供的一种目标追踪方法的流程示意图；
图4为本说明书实施例提供的一种目标追踪方法的流程示意图；
图5为本说明书实施例提供的一种目标追踪系统的结构示意图；
图6为本说明书实施例提供的一种目标追踪方法的流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
如图1所示，为本说明书实施例提供的一种目标追踪方法的流程示意图。
S100、获取目标区域内毫米波雷达的目标识别结果；
在本说明书实施例中，毫米波雷达是利用在30～300GHz频谱范围内的毫米波进行探测工作的雷达，由于毫米波的特性，雷达具有分辨率高、能穿透雾霾灰尘、能在全天时工作等特性，而且由于多普勒效应的应用，毫米波雷达在探测目标的距离角度之外，还可以获得目标得速度信息，但由于现实环境存在多种金属物体(如飞机、车辆等)、回波信号不均匀等，毫米波雷达也存在虚警过多、横向角度过小等缺点。
S200、获取所述目标区域内摄像头的目标识别结果；
S300、将所述毫米波雷达的目标识别结果与所述摄像头的目标识别结果进行融合处理，以确定所述目标区域内的有效目标。
毫米波雷达和摄像头为当前防护系统中最常见的两种传感器，毫米波雷达对于灰尘、雾霾、光照环境不敏感，其能准确的给出目标相对毫米波雷达自身的位置与速度，毫米波雷达的这些特点，刚好可以将摄像头受光线、灰尘、雾霾影响较大，速度位置人员车辆需要较为复杂的算法的缺点弥补，摄像头在目标种类识别上具有优势，又可以用来解决毫米波雷达存在的虚警过多的问题，将毫米波雷达与摄像头进行融合，可以达到较好的效果。
本应用实施例为在上述应用实施例的基础上所进行的进一步优化，其具体如下：
如图2所示，所述步骤S100具体包括：
S110、利用所述毫米波雷达对所述目标区域进行目标初选；
S120、对所述目标初选的结果进行滤波选择；
S130、获取所述毫米波雷达在所述目标区域内的目标识别结果。
其中，在本说明书实施例中，所述毫米波雷达对所述目标区域进行目标初选的目标检测算法为利用生命周期的目标追踪保持算法。
本应用实施例为在上述应用实施例的基础上所进行的进一步优化，其具体如下：
如图3所示，所述步骤S200具体包括：
S210、利用所述摄像头在所述目标区域内进行目标识别；
S220、获取所述摄像头的目标识别结果。
其中，在本说明书实施例中，所述摄像头采用基于卷积神经网络的目标检测算法进行目标追踪识别。
由于周界、区域防护的工作环境较为恶劣，这对于摄像头所用的目标识别算法就提出了高鲁棒性的需求，且考虑到系统的时效性需求，这对算法的效率也有很高的要求，基于以上考虑，采用基于卷积神经网络的目标检测算法用作摄像头的目标检测算法，基于卷积神经网络的目标检测算法在效果上具有较大优势。
周界即物理围界，每个机场都有自己物理围界，有的是围墙，有的是铁丝网，经常有人员翻越物理未接、冲撞物理未接，进入机场控制区，安保和飞行安全带来了非常大的安全事故，机场围界安全防护是每个机场的非常重要的问题。
本应用实施例为在上述应用实施例的基础上所进行的进一步优化，其具体如下：
如图4所示，所述步骤S300具体可以包括：
S310、对所述毫米波雷达的目标识别结果和所述摄像头的目标识别结果进行数据预处理；
S320、融合目标识别结果；
S330、结果输出，确定所述目标区域内的有效目标。
其中，作为一种应用实施例，对所述毫米波雷达的目标识别结果和所述摄像头的目标识别结果进行数据预处理包括：
在时间同步的情况下，对所述毫米波雷达的目标识别结果和所述摄像头的目标识别结果进行数据预处理。
在步骤S320中，融合包含了所用到的目标坐标系、雷达坐标系、摄像头坐标系、图像坐标系、像素坐标系等各个坐标系的设定、建立的原因。
作为一种应用实施例，融合目标识别结果，可以包括：
结合摄像头的成像原理方法对图像坐标系之间存在的转换关系进行整理；
结合摄像头标定对目标识别结果中存在的畸变进行修正，进而建立像素坐标系到目标坐标系的关系；
利用雷达检测原理，建立所述目标坐标系与雷达坐标系的关系；
利用目标坐标系建立目标坐标系、雷达坐标系、摄像头坐标系、图像坐标系、像素坐标系之间的转换关系，实现摄像头所检测目标与雷达所检测目标在空间上的同步。
进一步地，融合目标识别结果，还可以包括时间上的融合，其中，时间融合包含了内插外推法，实现了摄像头和毫米波雷达所检测目标的时间融合。
如图5所示，为本说明书实施例提供的一种目标追踪系统的结构示意图。
其中，所述目标追踪系统可以包括：
毫米波雷达1，用以获取目标区域内毫米波雷达的目标识别结果；
摄像头2，用以获取所述目标区域内摄像头的目标识别结果；
融合目标检测识别模块3，将所述毫米波雷达的目标识别结果与所述摄像头的目标识别结果进行融合处理，以确定所述目标区域内的有效目标。
进一步地，获取目标区域内毫米波雷达的目标识别结果，可以包括：
利用所述毫米波雷达对所述目标区域进行目标初选；
对所述目标初选的结果进行滤波选择；
获取所述毫米波雷达在所述目标区域内的目标识别结果。
进一步地，所述毫米波雷达对所述目标区域进行目标初选的目标检测算法为利用生命周期的目标追踪保持算法。
进一步地，获取所述目标区域内摄像头的目标识别结果，可以包括：
利用所述摄像头在所述目标区域内进行目标识别；
获取所述摄像头的目标识别结果。
进一步地，所述摄像头基于卷积神经网络的目标检测算法进行目标追踪识别。
进一步地，将所述毫米波雷达的目标识别结果与所述摄像头的目标识别结果进行融合处理，以确定所述目标区域内的有效目标，可以包括：
对所述毫米波雷达的目标识别结果和所述摄像头的目标识别结果进行数据预处理；
融合目标识别结果；
结果输出，确定所述目标区域内的有效目标。
进一步地，对所述毫米波雷达的目标识别结果和所述摄像头的目标识别结果进行数据预处理可以包括：
在时间同步的情况下，对所述毫米波雷达的目标识别结果和所述摄像头的目标识别结果进行数据预处理。
进一步地，融合目标识别结果，可以包括：
结合摄像头的成像原理方法对图像坐标系之间存在的转换关系进行整理；
结合摄像头标定对目标识别结果中存在的畸变进行修正，进而建立像素坐标系到目标坐标系的关系；
利用雷达检测原理，建立所述目标坐标系与雷达坐标系的关系；
利用目标坐标系建立目标坐标系、雷达坐标系、摄像头坐标系、图像坐标系、像素坐标系之间的转换关系，实现摄像头所检测目标与雷达所检测目标在空间上的同步。
本说明书实施例提供的目标追踪系统，可以达到以下效果：
1)降低了虚警率，提高目标识别的准确性、相对单一传感器扩大了视野范围，同时利用目标语义去除了大量的虚警目标，提升了检测结果的鲁棒性；
2)运用神经网络对摄像头进行目标检测识别追踪，能够获得较为精准的目标信息，能够利用摄像头的丰富信息，提取出目标类型等传统方法检测不出的信息，这对于最终建立的融合追踪模型提供了基础；
3)目标检测场景中存在的实时性差，基于改进的网络模型，在不影响目标分类准确度的情况下提高帧率，对整个系统而言是提高了融合系统的实时性。
如图6所示，为本说明书实施例提供的一种目标追踪方法的流程示意图。
按照上述实施例提供的目标追踪系统的系统架构，本说明书实施例的数据处理分为雷达数据处理、摄像头数据处理和融合数据处理，经过这三个模块的配合构成整个融合系统。
基于毫米波雷达与摄像头融合的目标识别追踪系统，以视频数据与雷达数据为输入，能够将融合的结果进行展示与保存，系统中的空间融合包含了对于融合系统中所用到的目标坐标系、雷达坐标系、摄像头坐标系、图像坐标系、像素坐标系等各个坐标系的设定、建立的原因，并结合摄像头的成像原理(小孔成像)方法对图像坐标系之间存在的转换关系进行整理，以及摄像头标定对转换关系存在的畸变进行修正，进而建立像素坐标系到目标坐标系的关系。
进一步，利用雷达检测原理，建立目标坐标系与雷达坐标系的关系，利用目标坐标系将目标坐标系、雷达坐标系、摄像头坐标系、图像坐标系、像素坐标系这五个坐标系建立转换关系，实现了摄像头所检测目标与雷达所检测目标在空间上的同步，时间融合包含了内插外推法，实现了不同传感器所检测目标的时间融合。
本说明书实施例利用毫米波雷达与摄像头都可以对目标进行识别追踪，毫米波雷达进行目标感知得优点在于探测距离远、能得到目标的速度信息、不受黑夜雾霾灰尘等影响，摄像头进行目标感知特点在于能够获得丰富的数据信息、感知探测视角范围广，本系统采用融合检测识别模块，在尽可能降低虚警的情况下检测出对目前防护造成影响的目标。
基于同一发明构思，本说明书实施例还提供一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成由至少一个处理器执行以下步骤：
获取目标区域内毫米波雷达的目标识别结果；
获取所述目标区域内摄像头的目标识别结果；
将所述毫米波雷达的目标识别结果与所述摄像头的目标识别结果进行融合处理，以确定所述目标区域内的有效目标。
其中，处理器的其他功能还可以参见上述实施例中记载的内容，这里不再一一赘述。
基于同一发明构思，本说明书实施例还提供一种计算机可读存储介质，包括与电子设备结合使用的程序，程序可被处理器执行以完成以下步骤：
获取目标区域内毫米波雷达的目标识别结果；
获取所述目标区域内摄像头的目标识别结果；
将所述毫米波雷达的目标识别结果与所述摄像头的目标识别结果进行融合处理，以确定所述目标区域内的有效目标。
其中，处理器的其他功能还可以参见上述实施例中记载的内容，这里不再一一赘述。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(例如，对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如，现场可编程门阵列(Field ProgrammableGate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、AtmelAT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求保护范围之内。
Claims (18)
1.一种目标追踪方法，其特征在于，所述方法包括：
获取目标区域内毫米波雷达的目标识别结果；
获取所述目标区域内摄像头的目标识别结果；
将所述毫米波雷达的目标识别结果与所述摄像头的目标识别结果进行融合处理，以确定所述目标区域内的有效目标。
2.如权利要求1所述的方法，其特征在于，获取目标区域内毫米波雷达的目标识别结果，包括：
利用所述毫米波雷达对所述目标区域进行目标初选；
对所述目标初选的结果进行滤波选择；
获取所述毫米波雷达在所述目标区域内的目标识别结果。
3.如权利要求2所述的方法，其特征在于，所述毫米波雷达对所述目标区域进行目标初选的目标检测算法为利用生命周期的目标追踪保持算法。
4.如权利要求1所述的方法，其特征在于，获取所述目标区域内摄像头的目标识别结果，包括：
利用所述摄像头在所述目标区域内进行目标识别；
获取所述摄像头的目标识别结果。
5.如权利要求4所述的方法，其特征在于，所述摄像头采用基于卷积神经网络的目标检测算法进行目标追踪识别。
6.如权利要求1所述的方法，其特征在于，将所述毫米波雷达的目标识别结果与所述摄像头的目标识别结果进行融合处理，以确定所述目标区域内的有效目标，包括：
对所述毫米波雷达的目标识别结果和所述摄像头的目标识别结果进行数据预处理；
融合目标识别结果；
结果输出，确定所述目标区域内的有效目标。
7.如权利要求6所述的方法，其特征在于，对所述毫米波雷达的目标识别结果和所述摄像头的目标识别结果进行数据预处理包括：
在时间同步的情况下，对所述毫米波雷达的目标识别结果和所述摄像头的目标识别结果进行数据预处理。
8.如权利要求6所述的方法，其特征在于，融合目标识别结果，包括：
结合摄像头的成像原理方法对图像坐标系之间存在的转换关系进行整理；
结合摄像头标定对目标识别结果中存在的畸变进行修正，进而建立像素坐标系到目标坐标系的关系；
利用雷达检测原理，建立所述目标坐标系与雷达坐标系的关系；
利用目标坐标系建立目标坐标系、雷达坐标系、摄像头坐标系、图像坐标系、像素坐标系之间的转换关系，实现摄像头所检测目标与雷达所检测目标在空间上的同步。
9.一种目标追踪系统，其特征在于，所述系统包括：
毫米波雷达，用以获取目标区域内毫米波雷达的目标识别结果；
摄像头，用以获取所述目标区域内摄像头的目标识别结果；
融合目标检测识别模块，将所述毫米波雷达的目标识别结果与所述摄像头的目标识别结果进行融合处理，以确定所述目标区域内的有效目标。
10.如权利要求9所述的系统，其特征在于，获取目标区域内毫米波雷达的目标识别结果，包括：
利用所述毫米波雷达对所述目标区域进行目标初选；
对所述目标初选的结果进行滤波选择；
获取所述毫米波雷达在所述目标区域内的目标识别结果。
11.如权利要求10所述的系统，其特征在于，所述毫米波雷达对所述目标区域进行目标初选的目标检测算法为利用生命周期的目标追踪保持算法。
12.如权利要求9所述的系统，其特征在于，获取所述目标区域内摄像头的目标识别结果，包括：
利用所述摄像头在所述目标区域内进行目标识别；
获取所述摄像头的目标识别结果。
13.如权利要求12所述的系统，其特征在于，所述摄像头基于卷积神经网络的目标检测算法进行目标追踪识别。
14.如权利要求9所述的系统，其特征在于，将所述毫米波雷达的目标识别结果与所述摄像头的目标识别结果进行融合处理，以确定所述目标区域内的有效目标，包括：
对所述毫米波雷达的目标识别结果和所述摄像头的目标识别结果进行数据预处理；
融合目标识别结果；
结果输出，确定所述目标区域内的有效目标。
15.如权利要求14所述的系统，其特征在于，对所述毫米波雷达的目标识别结果和所述摄像头的目标识别结果进行数据预处理包括：
在时间同步的情况下，对所述毫米波雷达的目标识别结果和所述摄像头的目标识别结果进行数据预处理。
16.如权利要求14所述的系统，其特征在于，融合目标识别结果，包括：
结合摄像头的成像原理方法对图像坐标系之间存在的转换关系进行整理；
结合摄像头标定对目标识别结果中存在的畸变进行修正，进而建立像素坐标系到目标坐标系的关系；
利用雷达检测原理，建立所述目标坐标系与雷达坐标系的关系；
利用目标坐标系建立目标坐标系、雷达坐标系、摄像头坐标系、图像坐标系、像素坐标系之间的转换关系，实现摄像头所检测目标与雷达所检测目标在空间上的同步。
17.一种目标追踪的电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成至少一个处理器执行以下步骤：
获取目标区域内毫米波雷达的目标识别结果；
获取所述目标区域内摄像头的目标识别结果；
将所述毫米波雷达的目标识别结果与所述摄像头的目标识别结果进行融合处理，以确定所述目标区域内的有效目标。
18.一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现权利要求1至8任一项所述的目标追踪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110748620.3A CN113486775A (zh) | 2021-07-02 | 2021-07-02 | 一种目标追踪方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110748620.3A CN113486775A (zh) | 2021-07-02 | 2021-07-02 | 一种目标追踪方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113486775A true CN113486775A (zh) | 2021-10-08 |
Family
ID=77939477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110748620.3A Pending CN113486775A (zh) | 2021-07-02 | 2021-07-02 | 一种目标追踪方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113486775A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114173058A (zh) * | 2021-11-30 | 2022-03-11 | 云控智行科技有限公司 | 视频图像稳定处理方法、装置及设备 |
| CN115617532A (zh) * | 2022-11-22 | 2023-01-17 | 浙江莲荷科技有限公司 | 一种目标追踪处理方法、系统及相关装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609522A (zh) * | 2017-09-19 | 2018-01-19 | 东华大学 | 一种基于激光雷达和机器视觉的信息融合车辆检测系统 |
| CN107944458A (zh) * | 2017-12-08 | 2018-04-20 | 北京维大成科技有限公司 | 一种基于卷积神经网络的图像识别方法和装置 |
| EP3438872A1 (en) * | 2017-08-04 | 2019-02-06 | Bayerische Motoren Werke Aktiengesellschaft | Method, apparatus and computer program for a vehicle |
| CN110532896A (zh) * | 2019-08-06 | 2019-12-03 | 北京航空航天大学 | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 |
| US20190391254A1 (en) * | 2018-06-20 | 2019-12-26 | Rapsodo Pte. Ltd. | Radar and camera-based data fusion |
| CN111368706A (zh) * | 2020-03-02 | 2020-07-03 | 南京航空航天大学 | 基于毫米波雷达和机器视觉的数据融合动态车辆检测方法 |
| CN112115810A (zh) * | 2020-08-31 | 2020-12-22 | 南京理工大学 | 基于信息融合的目标识别方法、系统、计算机设备和存储介质 |
-
2021
- 2021-07-02 CN CN202110748620.3A patent/CN113486775A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3438872A1 (en) * | 2017-08-04 | 2019-02-06 | Bayerische Motoren Werke Aktiengesellschaft | Method, apparatus and computer program for a vehicle |
| CN107609522A (zh) * | 2017-09-19 | 2018-01-19 | 东华大学 | 一种基于激光雷达和机器视觉的信息融合车辆检测系统 |
| CN107944458A (zh) * | 2017-12-08 | 2018-04-20 | 北京维大成科技有限公司 | 一种基于卷积神经网络的图像识别方法和装置 |
| US20190391254A1 (en) * | 2018-06-20 | 2019-12-26 | Rapsodo Pte. Ltd. | Radar and camera-based data fusion |
| CN110532896A (zh) * | 2019-08-06 | 2019-12-03 | 北京航空航天大学 | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 |
| CN111368706A (zh) * | 2020-03-02 | 2020-07-03 | 南京航空航天大学 | 基于毫米波雷达和机器视觉的数据融合动态车辆检测方法 |
| CN112115810A (zh) * | 2020-08-31 | 2020-12-22 | 南京理工大学 | 基于信息融合的目标识别方法、系统、计算机设备和存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114173058A (zh) * | 2021-11-30 | 2022-03-11 | 云控智行科技有限公司 | 视频图像稳定处理方法、装置及设备 |
| CN114173058B (zh) * | 2021-11-30 | 2023-12-26 | 云控智行科技有限公司 | 视频图像稳定处理方法、装置及设备 |
| CN115617532A (zh) * | 2022-11-22 | 2023-01-17 | 浙江莲荷科技有限公司 | 一种目标追踪处理方法、系统及相关装置 |
| CN115617532B (zh) * | 2022-11-22 | 2023-03-31 | 浙江莲荷科技有限公司 | 一种目标追踪处理方法、系统及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11087138B2 (en) | Vehicle damage assessment method, apparatus, and device | |
| US10083349B2 (en) | Event signal processing method and apparatus | |
| CN112001456B (zh) | 一种车辆定位方法、装置、存储介质及电子设备 | |
| CN111238450B (zh) | 视觉定位方法及装置 | |
| CN113486775A (zh) | 一种目标追踪方法、系统、电子设备及存储介质 | |
| CN111311709A (zh) | 一种生成高精地图的方法及装置 | |
| CN111353417A (zh) | 一种目标检测的方法及装置 | |
| CN113887608A (zh) | 一种模型训练的方法、图像检测的方法及装置 | |
| CN111797711A (zh) | 一种模型训练的方法及装置 | |
| CN114494381A (zh) | 模型训练及深度估计方法、装置、存储介质及电子设备 | |
| CN114077252A (zh) | 机器人碰撞障碍区分装置及方法 | |
| CN110874953A (zh) | 区域报警方法、装置、电子设备及可读存储介质 | |
| CN112818968A (zh) | 一种目标物分类方法及装置 | |
| CN112883871A (zh) | 一种模型训练以及确定无人车运动策略方法及装置 | |
| JP2004106682A (ja) | 障害物検出装置 | |
| CN113450459A (zh) | 目标物的三维模型构建方法及装置 | |
| CN114187328B (zh) | 一种物体检测方法、装置和电子设备 | |
| CN114997264A (zh) | 训练数据生成、模型训练及检测方法、装置及电子设备 | |
| CN114187355A (zh) | 一种图像标定方法及装置 | |
| CN114332189A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
| CN113643321A (zh) | 一种无人驾驶设备的传感器数据采集方法及装置 | |
| CN113205144B (zh) | 一种模型训练的方法及装置 | |
| CN111798489A (zh) | 一种特征点跟踪方法、设备、介质及无人设备 | |
| CN112184901A (zh) | 一种深度图确定方法及装置 | |
| CN116740197B (zh) | 一种外参的标定方法、装置、存储介质及电子设备 |
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 |