CN114137562A - 一种基于改进全局最邻近的多目标跟踪方法 - Google Patents

一种基于改进全局最邻近的多目标跟踪方法 Download PDF

Info

Publication number
CN114137562A
CN114137562A CN202111445276.7A CN202111445276A CN114137562A CN 114137562 A CN114137562 A CN 114137562A CN 202111445276 A CN202111445276 A CN 202111445276A CN 114137562 A CN114137562 A CN 114137562A
Authority
CN
China
Prior art keywords
target
frame
association
optimal estimation
ith frame
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.)
Granted
Application number
CN202111445276.7A
Other languages
English (en)
Other versions
CN114137562B (zh
Inventor
张炳力
徐雨强
姜俊昭
张成标
黄鹤
刘文涛
潘泽昊
杨程磊
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.)
Hefei University of Technology
Intelligent Manufacturing Institute of Hefei University Technology
Original Assignee
Hefei University of Technology
Intelligent Manufacturing Institute of Hefei University 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 Hefei University of Technology, Intelligent Manufacturing Institute of Hefei University Technology filed Critical Hefei University of Technology
Priority to CN202111445276.7A priority Critical patent/CN114137562B/zh
Publication of CN114137562A publication Critical patent/CN114137562A/zh
Application granted granted Critical
Publication of CN114137562B publication Critical patent/CN114137562B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/66—Tracking systems using electromagnetic waves other than radio waves

Landscapes

  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于改进全局最邻近的多目标跟踪方法，包括：1在车顶安装激光雷达；2将激光雷达采集到的点云信息处理输出为检测框，将采集的第i帧数据结合第i帧最优估计输入到算法中；3通过设置关联门限获取多目标的关联代价矩阵并计算关联代价，得到第i帧的最优估计和观测之间准确的关联对；4将得到的关联对之间进行加权融合后的结果作为EKF滤波器的输入得到第i+1帧的最优估计，结合第i+1帧的观测，继续迭代。本发明提供的方法能够避免多目标跟踪过程中最优估计和观测之间出现的错误关联，实现对密集多目标的准确跟踪，有助于规划、决策的精准执行。

Description

一种基于改进全局最邻近的多目标跟踪方法
技术领域
本发明涉及动态多目标跟踪技术领域，尤其涉及一种基于改进全局最邻近的多目标跟踪方法。
背景技术
智能汽车技术的发展绕不开对多目标的跟踪技术研究，而多目标之间的数据关联作为目标跟踪中极其重要的一环也成为了研究的热点。传感器工作过程中由于获得的观测数据的不确定性和多目标跟踪问题的复杂性，再加上传感器的测量误差及缺乏多目标跟踪环境的先验知识，这就使得观测数据与真实目标之间的对应配对关系很难确定，从而导致很难完成多目标的准确跟踪。
目前对常用的目标数据关联方法可以分为基于概率论的方法和基于智能理论的方法两类。基于概率论的数据关联可分为最近邻方法、全局最近邻方法和联合概率数据关联方法等。基于智能理论的数据关联方法可分为神经网络算法等。
最近邻数据关联方法原理简单，可以实现单目标的有效跟踪，在多目标情况下，由于其简单的匹配机制，导致极易出现错误关联，从而无法完成多目标的准确跟踪。联合概率数据关联方法是一种较好的针对多目标跟踪问题的数据关联算法，但由于执行过程中需要计算联合事件概率，随着目标数的增加会导致计算量指数增长，严重影响多目标跟踪的实时性。
基于神经网络的数据关联方法是基于深度学习架构实现的，在密集多目标数据关联的表现较好，但存在计算量大，一些库函数难以移植到硬件芯片上，硬件成本要求高的缺点。
发明内容
本发明针对现有方法中存在的问题，提供了一种基于改进全局最邻近的多目标跟踪方法，以期能实现密集场景下多目标的预测和观测数据的正关联，从而保证对密集多目标跟踪的准确性。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于改进全局最邻近的多目标跟踪方法的特点在于，包括如下步骤：
A、在车顶上安装激光雷达，并以激光雷达的激光发射中心作为坐标系的原点O，以车辆前进方向为X轴、以驾驶员左侧方向为Y轴，以车辆上方为Z轴，建立激光雷达坐标系O-XYZ；且所述雷达坐标系的O-XY面与地面保持水平；
B、对所述激光雷达采集到的点云信息进行处理，包括：通过射线坡度阈值方法去除所述点云信息中的地面点云；对去除地面点云后的数据点云信息进行直通滤波、半径滤波、下采样的处理，得到滤波后的点云；对所述滤波后的点云进行聚类操作，得到聚类后的多目标，并用检测框分别框出聚类后的每个目标，用于表示每个目标信息；
C、获取第i帧数据中最优估计和观测之间的准确关联对：
C1、设置关联门限为rth；定义变量i表示所述激光雷达数据的帧数，定义变量k表示观测第i帧激光雷达数据包含的目标数，定义变量j表示最优估计第i帧激光雷达数据包含的目标数，初始化i＝1；
C2、初始化j＝1；以第i帧激光雷达数据中第j个检测框的坐标信息作为第i帧的第j个目标最优估计
Figure BDA0003384722600000021
C3、初始化k＝1；以第i帧激光雷达数据中第k个检测框的坐标信息作为第i帧的第k个目标观测信息
Figure BDA0003384722600000022
C4计算第i帧的第j个目标最优估计
Figure BDA0003384722600000023
与第i帧的第k个目标观测信息
Figure BDA0003384722600000024
之间的欧氏距离
Figure BDA0003384722600000025
C5、判断
Figure BDA0003384722600000026
是否成立，若成立，则表示第i帧的第j个目标最优估计
Figure BDA0003384722600000027
与第i帧的第k个目标观测信息
Figure BDA0003384722600000028
之间存在关联；否则，表示两者无关联；
C6、将k+1赋值给k后，返回步骤C4顺序执行，直到第i帧的所有目标观测信息遍历完成后，将j+1赋值给j后，返回步骤C3，直到第i帧的所有目标最优估计遍历完成，
C7、根据存在关联的所有目标最优估计和观测信息，利用GNN算法得到第i帧的关联代价矩阵及其关联代价；
C8、在所述第i帧的关联代价矩阵中选取关联代价最小的关联对，计算关联对所对应的最优估计和观测之间的交并比IOUmin，并与所设置的交并比阈值IOUth进行比较，若IOUmin≥IOUth，则表示获得正确关联，并输出相应关联对，否则，舍去相应的关联对，并返回C8，直到输出正确关联的关联对；
D、对正确关联的关联对进行加权融合，得到的融合结果作为EKF滤波器的输入，并经过所述EKF滤波器中建立的二阶精度的预测方程，同时调节所述预测方程中的预测噪声和观测噪声，从而获得第i+1帧所有目标的最优估计；
E、将i+1赋值给i后，返回步骤C2顺序执行，直到所有激光雷达数据遍历完成，从而实现密集场景下多目标的跟踪。
本发明所述的基于改进全局最邻近的多目标跟踪方法的特点也在于，所述步骤B的聚类是采用基于密度的dbscan聚类方法，其中，聚类阈值dkd是利用式(1)计算：
Figure BDA0003384722600000031
式(1)中，x、y、z为点云的三维坐标，k为放大因子，θl为激光雷达的垂直角分辨率。
所述步骤C8的交并比计算是去除关联代价最小的关联对的X轴坐标，从而将最优估计和观测信息的目标检测框投影到同一平面，并利用式(2)计算第i帧数据中的第j个最优估计和第k个观测之间的交并比
Figure BDA0003384722600000032
Figure BDA0003384722600000033
式(2)中，
Figure BDA0003384722600000034
为第i帧的第j个最优估计的检测框投影到OYZ面上的面积，
Figure BDA0003384722600000035
为第i帧的第k个观测信息的检测框投影到OYZ面上的面积。
与现有技术相比，本发明的有益效果在于：
1.本发明针对全局最邻近方法在多目标跟踪时，密集目标关联不准确的问题，以获得最优估计和观测之间的准确关联为目标，首先利用激光雷达采集多目标的点云数据，经去地、滤波、聚类后生成目标的检测框，较之GNN进利用物体的中心点坐标，本发明充分利用了物体的宽高信息；然后设置合理门限，将利用扩展卡尔曼滤波得到的最优估计(若为第一帧，则将第一帧的观测同时作为第一帧的最优估计)与观测结果进行关联得到关联对；通过计算关联对之间的交并比判断是否满足阈值，若满足则输出，否则选择次优的关联对重新计算交并比使之满足阈值，得到准确关联对；将关联对的加权结果输入滤波器得到下一帧的最优估计，进行多次迭代，得到每帧最优估计和观测之间的准确关联对，有效避免了GNN在处理密集目标时出现的错误关联的情况，从而提高了密集多目标场景下跟踪的准确率，以确保规划控制的准确执行；
2.本发明提出了一种基于密度的DBSCAN激光雷达点云聚类方法，首先通过利用点云的坐标信息计算得到点云与坐标原点的距离结合激光雷达的垂直角分辨率，计算出在该激光点的位置激光雷达能够识别的最小物体高度；然后利用高度信息乘以放大因子设置聚类阈值，以得到较为精准的聚类结果，进而获取较为准确的检测框信息，依据点云距离和激光雷达的垂直角分辨率自适应调整聚类阈值，从而提高了激光雷达数据处理时的聚类精度获得更为准确的目标信息；
3.本发明提出了获取关联矩阵的方法，首先设置合理的距离阈值，利用最优估计的一个目标与内层遍历的观测目标之间计算欧式距离并判断该最优估计目标与所有观测目标之间的关联情况；然后遍历外层的最优估计目标，判断与观测目标之间的关联情况，获取最优估计和观测之间的所有可能关联情况；依据GNN算法，选取总体关联代价最小的关联对计算是否满足设置的交并比阈值；若满足则输出关联结果并进行加权融合，否则舍去该关联对，选择剩余关联对中最小关联代价的关联对，重新计算是否满足设置的交并比阈值，直至完成最终的准确配对，正确的关联对于提升多目标的跟踪精度具有重要意义。
附图说明
图1为本发明一种基于改进全局最邻近的多目标跟踪方法的整体流程图；
图2a为本发明某一场景；
图2b为本发明图2a中的场景下经激光雷达点云经滤波聚类后输出的检测框；
图3为本发明多目标关联场景下可能存在的关联情况图。
具体实施方式
本实施例中，一种基于改进全局最邻近的多目标跟踪方法，是应用于动态多目标跟踪领域，其整体流程如图1所示，包括如下步骤：
A、在车顶上安装激光雷达，并以激光雷达的激光发射中心作为坐标系的原点O，以车辆前进方向为X轴、以驾驶员左侧方向为Y轴，以车辆上方为Z轴，建立激光雷达坐标系O-XYZ；且雷达坐标系的O-XY面与地面保持水平；
B、对激光雷达采集到的点云信息进行处理得到目标的检测框，包括：
B1、通过射线坡度阈值方法去除点云信息中的地面点云，通过在平直、坡道等路面场景上的实测，设置射线坡度阈值方法中的局部坡度阈值为8°，全局坡度阈值为5°时可以获得较好的地面点云去除效果；
B2、对去除地面点云后的数据点云信息进行直通滤波，直通滤波对于X轴方向上滤波参数为0.5-60m，参数的设置考虑激光雷达角分辨率本雷达的垂直角分辨率为0.6°，在60米时能够识别的最小物体高度为hmin＝60×tan0.6＝0.6米，对于Z轴方向上直通滤波的参数为-0.6-2.9m，参考激光雷达的安装高度为0.6米，需要滤去3.5米以上的目标；半径滤波设置的查询半径0.02米，查询点数为10，去除离群点效果较好；
B3、对点云进行下采样的处理实现对近距离密集点云的稀疏化减少后面聚类时处理的点云数量，得到滤波后的点云；
B4、对滤波后的点云进行聚类操作，且聚类是采用基于密度的dbscan聚类方法，聚类阈值时随点云的距离自适应变化的以获得较好的聚类效果，其中，聚类阈值dkd是利用式(1)计算：
Figure BDA0003384722600000051
式(1)中，x、y、z为点云的三维坐标，k为放大因子，θl为激光雷达的垂直角分辨率。得到聚类后的多目标，用检测框分别框出聚类后的每个目标来表示目标信息，图2a为多目标场景图，图中可以看出行人目标较为密集，图2b为对应的处理输出的检测框效果，从图中可以看出激光雷达可以准确完成目标的聚类；
C、获取本帧数据中最优估计和观测之间的准确关联对，图3为多目标场景下可能出现的关联情况A表示观测，Z表示最优估计：
C1、设置合理的关联门限，使目标的最优估计尽可能落入到目标的观测门限中，但门限的大小的设置要适当，过大会导致匹配情况复杂影响算法的实时性，过小可能会导致目标关联不上，设置关联门限为rth＝0.5米的圆形门限；定义变量i表示激光雷达数据的帧数，定义变量k表示观测第i帧激光雷达数据包含的目标数，定义变量j表示最优估计第i帧激光雷达数据包含的目标数，初始化i＝1；
C2、初始化j＝1；以第i帧激光雷达数据中第j个检测框的坐标信息作为第i帧的第j个目标最优估计
Figure BDA0003384722600000052
C3、初始化k＝1；以第i帧激光雷达数据中第k个检测框的坐标信息作为第i帧的第k个目标观测信息
Figure BDA0003384722600000053
C4计算第i帧的第j个目标最优估计
Figure BDA0003384722600000054
与第i帧的第k个目标观测信息
Figure BDA0003384722600000055
之间的欧氏距离
Figure BDA0003384722600000056
C5、判断
Figure BDA0003384722600000057
是否成立，若成立，则表示第i帧的第j个目标最优估计
Figure BDA0003384722600000058
与第i帧的第k个目标观测信息
Figure BDA0003384722600000059
之间存在关联；否则，表示两者无关联；
C6、将k+1赋值给k后，返回步骤C4顺序执行，直到第i帧的所有目标观测信息遍历完成后，将j+1赋值给j后，返回步骤C3，直到第i帧的所有目标最优估计遍历完成，
C7、根据存在关联的所有目标最优估计和观测信息，利用GNN算法得到第i帧的关联代价矩阵及其关联代价；
C8、在第i帧的关联代价矩阵中选取关联代价最小的关联对，计算关联对所对应的最优估计和观测之间的交并比IOUmin，经过实例测试选取IOUmin＝0.7米，步骤C8的交并比计算是去除关联代价最小的关联对的X轴坐标，从而将最优估计和观测信息的目标检测框投影到同一平面，并利用式(2)计算第i帧数据中的第j个最优估计和第i帧数据中的第k个最优估计之间的交并比
Figure BDA0003384722600000061
Figure BDA0003384722600000062
式(2)中，
Figure BDA0003384722600000063
为第i帧的第j个最优估计的检测框投影到OYZ面上的面积，
Figure BDA0003384722600000064
为第i帧的第j个观测信息的检测框投影到OYZ面上的面积。并与所设置的交并比阈值IOUth进行比较，若IOUmin≥IOUth，则表示获得正确关联，并输出相应关联对，否则，舍去相应的关联对，并返回C8，直到输出正确关联的关联对；
D、对正确关联的关联对进行加权融合，经测试其中最优估计和观测的权重均取0.5，得到的融合结果作为EKF滤波器的输入，并经过EKF滤波器中建立的二阶精度的预测方程，同时调节预测方程中的预测噪声和观测噪声，从而获得第i+1帧所有目标的最优估计；
E、将i+1赋值给i后，返回步骤C2顺序执行，直到所有激光雷达数据遍历完成，从而实现密集场景下多目标的准确跟踪。

Claims (3)

1.一种基于改进全局最邻近的多目标跟踪方法，其特征在于，包括如下步骤：
A、在车顶上安装激光雷达，并以激光雷达的激光发射中心作为坐标系的原点O，以车辆前进方向为X轴、以驾驶员左侧方向为Y轴，以车辆上方为Z轴，建立激光雷达坐标系O-XYZ；且所述雷达坐标系的O-XY面与地面保持水平；
B、对所述激光雷达采集到的点云信息进行处理，包括：通过射线坡度阈值方法去除所述点云信息中的地面点云；对去除地面点云后的数据点云信息进行直通滤波、半径滤波、下采样的处理，得到滤波后的点云；对所述滤波后的点云进行聚类操作，得到聚类后的多目标，并用检测框分别框出聚类后的每个目标，用于表示每个目标信息；
C、获取第i帧数据中最优估计和观测之间的准确关联对：
C1、设置关联门限为rth；定义变量i表示所述激光雷达数据的帧数，定义变量k表示观测第i帧激光雷达数据包含的目标数，定义变量j表示最优估计第i帧激光雷达数据包含的目标数，初始化i＝1；
C2、初始化j＝1；以第i帧激光雷达数据中第j个检测框的坐标信息作为第i帧的第j个目标最优估计
Figure FDA0003384722590000011
C3、初始化k＝1；以第i帧激光雷达数据中第k个检测框的坐标信息作为第i帧的第k个目标观测信息
Figure FDA0003384722590000012
C4计算第i帧的第j个目标最优估计
Figure FDA0003384722590000013
与第i帧的第k个目标观测信息
Figure FDA0003384722590000014
之间的欧氏距离
Figure FDA0003384722590000015
C5、判断
Figure FDA0003384722590000016
是否成立，若成立，则表示第i帧的第j个目标最优估计
Figure FDA0003384722590000017
与第i帧的第k个目标观测信息
Figure FDA0003384722590000018
之间存在关联；否则，表示两者无关联；
C6、将k+1赋值给k后，返回步骤C4顺序执行，直到第i帧的所有目标观测信息遍历完成后，将j+1赋值给j后，返回步骤C3，直到第i帧的所有目标最优估计遍历完成，
C7、根据存在关联的所有目标最优估计和观测信息，利用GNN算法得到第i帧的关联代价矩阵及其关联代价；
C8、在所述第i帧的关联代价矩阵中选取关联代价最小的关联对，计算关联对所对应的最优估计和观测之间的交并比IOUmin，并与所设置的交并比阈值IOUth进行比较，若IOUmin≥IOUth，则表示获得正确关联，并输出相应关联对，否则，舍去相应的关联对，并返回C8，直到输出正确关联的关联对；
D、对正确关联的关联对进行加权融合，得到的融合结果作为EKF滤波器的输入，并经过所述EKF滤波器中建立的二阶精度的预测方程，同时调节所述预测方程中的预测噪声和观测噪声，从而获得第i+1帧所有目标的最优估计；
E、将i+1赋值给i后，返回步骤C2顺序执行，直到所有激光雷达数据遍历完成，从而实现密集场景下多目标的跟踪。
2.根据权利要求1所述的基于改进全局最邻近的多目标跟踪方法，其特征在于，所述步骤B的聚类是采用基于密度的dbscan聚类方法，其中，聚类阈值dkd是利用式(1)计算：
Figure FDA0003384722590000021
式(1)中，x、y、z为点云的三维坐标，k为放大因子，θl为激光雷达的垂直角分辨率。
3.根据权利要求1所述的基于改进全局最邻近的多目标数据关联方法，其特征在于，所述步骤C8的交并比计算是去除关联代价最小的关联对的X轴坐标，从而将最优估计和观测信息的目标检测框投影到同一平面，并利用式(2)计算第i帧数据中的第j个最优估计和第k个观测之间的交并比
Figure FDA0003384722590000022
Figure FDA0003384722590000023
式(2)中，
Figure FDA0003384722590000024
为第i帧的第j个最优估计的检测框投影到OYZ面上的面积，
Figure FDA0003384722590000025
为第i帧的第k个观测信息的检测框投影到OYZ面上的面积。
CN202111445276.7A 2021-11-30 2021-11-30 一种基于改进全局最邻近的多目标跟踪方法 Active CN114137562B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111445276.7A CN114137562B (zh) 2021-11-30 2021-11-30 一种基于改进全局最邻近的多目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111445276.7A CN114137562B (zh) 2021-11-30 2021-11-30 一种基于改进全局最邻近的多目标跟踪方法

Publications (2)

Publication Number Publication Date
CN114137562A true CN114137562A (zh) 2022-03-04
CN114137562B CN114137562B (zh) 2024-04-12

Family

ID=80385915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111445276.7A Active CN114137562B (zh) 2021-11-30 2021-11-30 一种基于改进全局最邻近的多目标跟踪方法

Country Status (1)

Country Link
CN (1) CN114137562B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115032651A (zh) * 2022-06-06 2022-09-09 合肥工业大学 一种基于激光雷达与机器视觉融合的目标检测方法
CN115792890A (zh) * 2023-02-06 2023-03-14 成都九洲迪飞科技有限责任公司 基于凝聚量测自适应互联的雷达多目标跟踪方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110531376A (zh) * 2019-08-23 2019-12-03 畅加风行(苏州)智能科技有限公司 用于港口无人驾驶车辆的障碍物检测和跟踪方法
WO2019242174A1 (zh) * 2018-06-21 2019-12-26 华南理工大学 基于激光雷达的建筑结构自动测量及3d模型生成方法
CN110675431A (zh) * 2019-10-08 2020-01-10 中国人民解放军军事科学院国防科技创新研究院 一种融合图像和激光点云的三维多目标跟踪方法
CN112561966A (zh) * 2020-12-22 2021-03-26 清华大学 一种融合时空信息的稀疏点云多目标跟踪方法
CN112862858A (zh) * 2021-01-14 2021-05-28 浙江大学 一种基于场景运动信息的多目标跟踪方法
CN113160280A (zh) * 2021-04-28 2021-07-23 江苏方天电力技术有限公司 一种基于激光雷达的动态多目标跟踪方法
WO2021189825A1 (zh) * 2020-03-25 2021-09-30 苏州科达科技股份有限公司 多目标跟踪方法、装置和存储介质
CN115032651A (zh) * 2022-06-06 2022-09-09 合肥工业大学 一种基于激光雷达与机器视觉融合的目标检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019242174A1 (zh) * 2018-06-21 2019-12-26 华南理工大学 基于激光雷达的建筑结构自动测量及3d模型生成方法
CN110531376A (zh) * 2019-08-23 2019-12-03 畅加风行(苏州)智能科技有限公司 用于港口无人驾驶车辆的障碍物检测和跟踪方法
CN110675431A (zh) * 2019-10-08 2020-01-10 中国人民解放军军事科学院国防科技创新研究院 一种融合图像和激光点云的三维多目标跟踪方法
WO2021189825A1 (zh) * 2020-03-25 2021-09-30 苏州科达科技股份有限公司 多目标跟踪方法、装置和存储介质
CN112561966A (zh) * 2020-12-22 2021-03-26 清华大学 一种融合时空信息的稀疏点云多目标跟踪方法
CN112862858A (zh) * 2021-01-14 2021-05-28 浙江大学 一种基于场景运动信息的多目标跟踪方法
CN113160280A (zh) * 2021-04-28 2021-07-23 江苏方天电力技术有限公司 一种基于激光雷达的动态多目标跟踪方法
CN115032651A (zh) * 2022-06-06 2022-09-09 合肥工业大学 一种基于激光雷达与机器视觉融合的目标检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHANG B, CHENG J, ZHANG Y, ZHANG C, SHEN G.: "Research and experiment on path-tracking control of autonomous tractor based on lateral deviation and yaw rate feedback", APPLIED ENGINEERING IN AGRICULTURE, vol. 37, no. 5, 31 December 2022 (2022-12-31) *
周俊静;段建民;杨光祖;: "基于雷达测距的车辆识别与跟踪方法", 汽车工程, no. 11, 25 November 2014 (2014-11-25) *
张炳力;吴德新;窦聪;顾炎: "复合电源能量匹配与多目标模糊控制策略研究", 汽车技术, no. 12, 24 December 2014 (2014-12-24) *
陈出新;周德云;: "基于模糊聚类的多目标跟踪算法", 火力与指挥控制, no. 02, 15 February 2010 (2010-02-15) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115032651A (zh) * 2022-06-06 2022-09-09 合肥工业大学 一种基于激光雷达与机器视觉融合的目标检测方法
CN115032651B (zh) * 2022-06-06 2024-04-09 合肥工业大学 一种基于激光雷达与机器视觉融合的目标检测方法
CN115792890A (zh) * 2023-02-06 2023-03-14 成都九洲迪飞科技有限责任公司 基于凝聚量测自适应互联的雷达多目标跟踪方法及系统
CN115792890B (zh) * 2023-02-06 2023-08-15 成都九洲迪飞科技有限责任公司 基于凝聚量测自适应互联的雷达多目标跟踪方法及系统

Also Published As

Publication number Publication date
CN114137562B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN111337941B (zh) 一种基于稀疏激光雷达数据的动态障碍物追踪方法
CN113432600B (zh) 基于多信息源的机器人即时定位与地图构建方法及系统
WO2022188663A1 (zh) 一种目标检测方法及装置
CN113516664B (zh) 一种基于语义分割动态点的视觉slam方法
CN111929699A (zh) 一种顾及动态障碍物的激光雷达惯导里程计与建图方法及系统
CN112154481B (zh) 基于多个测量假设的目标追踪
CN109459045B (zh) 一种针对低频gps轨迹的改进交互式投票匹配方法
CN114137562A (zh) 一种基于改进全局最邻近的多目标跟踪方法
CN109460539B (zh) 一种基于简化容积粒子滤波的目标定位方法
US20210304491A1 (en) Ground map generation
CN107025657A (zh) 一种基于视频图像的车辆行为轨迹检测方法
CN116449384A (zh) 基于固态激光雷达的雷达惯性紧耦合定位建图方法
CN115063454B (zh) 多目标跟踪匹配方法、装置、终端及存储介质
CN115861968A (zh) 一种基于实时点云数据的动态障碍物剔除方法
CN116109601A (zh) 一种基于三维激光雷达点云的实时目标检测方法
CN113536959A (zh) 一种基于立体视觉的动态障碍物检测方法
Cai et al. A lightweight feature map creation method for intelligent vehicle localization in urban road environments
Fleck et al. Robust tracking of reference trajectories for autonomous driving in intelligent roadside infrastructure
CN108871365A (zh) 一种航向约束下的状态估计方法及系统
CN115201849A (zh) 一种基于矢量地图的室内建图方法
CN112612034A (zh) 基于激光帧和概率地图扫描的位姿匹配方法
Leung et al. Evaluating set measurement likelihoods in random-finite-set slam
Wang et al. Detection and tracking dynamic vehicles for autonomous driving based on 2-D point scans
CN115971004A (zh) 一种针对车厢的智能腻子喷涂方法及系统
CN115563574A (zh) 一种基于综合判据的多传感器空中目标点迹数据融合方法

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
GR01 Patent grant
GR01 Patent grant