CN115131426B - 一种对车辆后轴中心点进行估计的处理方法 - Google Patents

一种对车辆后轴中心点进行估计的处理方法 Download PDF

Info

Publication number
CN115131426B
CN115131426B CN202210897248.7A CN202210897248A CN115131426B CN 115131426 B CN115131426 B CN 115131426B CN 202210897248 A CN202210897248 A CN 202210897248A CN 115131426 B CN115131426 B CN 115131426B
Authority
CN
China
Prior art keywords
state quantity
detection frame
center point
vehicle detection
vehicle
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
CN202210897248.7A
Other languages
English (en)
Other versions
CN115131426A (zh
Inventor
李经纬
赵政
柯岩
张雨
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.)
Suzhou Qingyu Technology Co Ltd
Original Assignee
Suzhou Qingyu Technology Co Ltd
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 Suzhou Qingyu Technology Co Ltd filed Critical Suzhou Qingyu Technology Co Ltd
Priority to CN202210897248.7A priority Critical patent/CN115131426B/zh
Publication of CN115131426A publication Critical patent/CN115131426A/zh
Application granted granted Critical
Publication of CN115131426B publication Critical patent/CN115131426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Navigation (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明实施例涉及一种对车辆后轴中心点进行估计的处理方法，所述方法包括：获取第一观测数据；进行凸包重心点确认；当第一观测数据包括第一车辆检测框时进行车辆检测框底边中心点确认；对车辆检测框底边中心点的状态量进行更新；对车辆检测框尺寸的状态量进行更新；对车辆检测框底边中心与凸包重心的偏移向量的状态量进行更新；当第一观测数据不包括第一车辆检测框时，对车辆检测框底边中心与凸包重心的偏移向量的状态量进行估计；对车辆检测框底边中心点的状态量进行更新；对车辆检测框尺寸的状态量进行估计；对车辆后轴中心点位置进行估计。通过本发明建立起一个结合了车辆凸包和检测框特征的后轴中心点估算机制，可以确保后轴中心点不丢失。

Description

一种对车辆后轴中心点进行估计的处理方法
技术领域
本发明涉及数据处理技术领域，特别涉及一种对车辆后轴中心点进行估计的处理方法。
背景技术
多目标跟踪(multiple object tracking，MOT)是自动驾驶系统感知模块的关键技术。感知模块在处理多目标跟踪任务时先对输入的激光雷达点云进行目标检测分类，再对前后时刻的同类目标进行关联，再基于关联结果对各个目标进行轨迹跟踪。在对目标进行轨迹跟踪时，感知模块一般都是基于各种滤波器算法来处理(诸如卡尔曼滤波器算法、拓展卡尔曼滤波器算法、无损卡尔曼滤波器算法或结合了多种滤波器的交互性多模型算法)，具体就是先通过观测获得各个时刻上各个目标的跟踪点观测量，再基于对应的滤波器算法和跟踪点观测量对当前时刻各个目标的运动状态量进行估计，再将得到的运动状态量和历史运动状态量结合起来就能得到各个目标的跟踪轨迹。
对于车辆目标而言，感知模块选择的跟踪点为车辆后轴中心点。而车辆后轴中心点并不是直观通过点云观测得到的，每次都需要根据其他参数进行推导。常见的一种推导方式就是以感知模块每次获取的点云目标检测框(也称为车辆检测框)为参考，在其纵向中心线上取靠近底边方向1/4位置处的点为车辆后轴中心点，并根据目标检测框的观测量对该车辆后轴中心点的观测量进行设置。在实际应用中我们发现，这种常规处理方式受感知模块的目标检测分类模型限制可能存在因漏检导致车辆后轴中心点丢失的情况，即在某个时刻对某个车辆目标发生漏检从而失去当前时刻的目标检测框，继而失去当前时刻的车辆后轴中心点；而车辆后轴中心点丢失，又可能进一步造成感知模块输出的跟踪轨迹发生跳变。
若要解决这个问题，就得在当前的推导方式之上增加一些补充特征，并且确保增加的补充特征不会因为其他原因出现特征丢失的情况。我们发现虽然目标检测分类模型存在点云目标漏检的问题，但车辆目标的原始点云不会丢失，对应的由原始点云分析得到的形状凸包也不会丢失。倘若能将车辆的形状凸包(也称为车辆凸包)作为车辆检测框的补充并建立起一个结合了车辆凸包和车辆检测框特征的车辆后轴中心点估算机制，那么自然就能解决上述因漏检造成的车辆后轴中心点丢失问题、因车辆后轴中心点丢失造成的跟踪轨迹跳变问题。
发明内容
本发明的目的，就是针对现有技术的缺陷，提供一种对车辆后轴中心点进行估计的处理方法、电子设备及计算机可读存储介质；每次将鸟瞰角度下的车辆凸包与车辆检测框同时纳入车辆的观测数据范围，并创建三个卡尔曼滤波器分别对车辆检测框底边中心点、车辆检测框尺寸(宽、长)和车辆凸包重心与检测框底边中心点的偏移向量进行持续跟踪；在未发生漏检也即是观测数据中包括鸟瞰检测框时优选以检测框为参考进行车辆后轴中心点估计，在发生漏检也即是观测数据中不包括鸟瞰检测框时以鸟瞰凸包为参考进行车辆后轴中心点估计。通过本发明，将车辆凸包作为车辆检测框的补充并建立起一个结合了车辆凸包和车辆检测框特征的车辆后轴中心点估算机制，并由此达到解决车辆后轴中心点丢失问题、解决跟踪轨迹跳变问题的目的。
为实现上述目的，本发明实施例第一方面提供了一种对车辆后轴中心点进行估计的处理方法，所述方法包括：
获取鸟瞰视角地图上指定车辆在任意时刻t的观测数据作为对应的第一观测数据；所述第一观测数据包括第一车辆凸包；
根据所述第一车辆凸包进行凸包重心点确认处理生成对应的第一凸包重心点Pc,t；
当所述第一观测数据还包括所述第一车辆检测框时，根据所述第一车辆检测框进行车辆检测框底边中心点确认处理；并基于预设的第一卡尔曼滤波器对车辆检测框底边中心点的状态量进行更新生成对应的第一状态量X1,t；并基于预设的第二卡尔曼滤波器对车辆检测框尺寸的状态量进行更新生成对应的第二状态量X2,t；并基于预设的第三卡尔曼滤波器对车辆检测框底边中心与凸包重心的偏移向量的状态量进行更新生成对应的第三状态量X3,t；
当所述第一观测数据不包括所述第一车辆检测框时，基于预设的第三卡尔曼滤波器和上一时刻t-1的第三状态量X3,t-1对车辆检测框底边中心与凸包重心的偏移向量在当前时刻t的状态量进行估计生成对应的第三状态量X3,t；并根据所述第三状态量X3,t、所述第一凸包重心点Pc,t和预设的第一卡尔曼滤波器对车辆检测框底边中心点的状态量进行更新生成对应的第一状态量X1,t；并基于预设的第二卡尔曼滤波器和上一时刻t-1的第二状态量X2,t-1对车辆检测框尺寸在当前时刻t的状态量进行估计生成对应的第二状态量X2,t；
根据所述第一状态量X1,t和所述第二状态量X2,t对当前时刻t的车辆后轴中心点位置进行估计生成对应的第一后轴中心点Pm,t。
优选的，所述第一车辆检测框包括中心点位置、检测框宽度和检测框长度；
所述第一卡尔曼滤波器的状态方程和观测方程为：
X1,t＝A1X1,t-1+B1,t-1,
Z1,t＝H1X1,t+K1,t，
其中，X1,t-1、X1,t为时刻t-1、t的第一状态量，Z1,t为时刻t的第一观测量，A1为X1,t-1到X1,t的一步预测转换量，H1为X1,t与Z1,t之间的状态观测转换量；第一状态量X1具体为底边中心点的状态量第一观测量Z1具体为底边中心点的观测量Pb；B1,t-1为状态噪声，k1,t为观测噪声；
所述第二卡尔曼滤波器的状态方程和观测方程为：
X2,t＝A2X2,t-1+B2,t-1,
Z2,t＝H2X2,t+K2,t，
其中，X2,t-1、X2,t为时刻t-1、t的第二状态量，Z2,t为时刻t的第二观测量，A2为X2,t-1到X2,t的一步预测转换量，H2为X2,t与Z2,t之间的状态观测转换量；第二状态量X2具体为车辆检测框尺寸的状态量(W*，L*)，第二观测量Z2具体为车辆检测框尺寸的观测量(W，L)；B2,t-1为状态噪声，k2,t为观测噪声；
所述第三卡尔曼滤波器的状态方程和观测方程为：
X3,t＝A3X3,t-1+B3,t-1,
Z3,t＝H3X3,t+K3,t，
其中，X3,t-1、X3,t为时刻t-1、t的第三状态量，Z3,t为时刻t的第三观测量，A3为X3,t-1到X3,t的一步预测转换量，H3为X3,t与Z3,t之间的状态观测转换量；第三状态量X3具体为车辆检测框底边中心与凸包重心的偏移向量的状态量v*，第三观测量Z3具体为车辆检测框底边中心与凸包重心的偏移向量的观测量v；B3,t-1为状态噪声，k3,t为观测噪声。
优选的，所述根据所述第一车辆检测框进行车辆检测框底边中心点确认处理，具体包括：
提取所述第一车辆检测框的所述中心点位置、所述检测框宽度和所述检测框长度作为对应的第一中心点Ct、第一宽度Wt和第一长度Lt；
以与地图x轴方向平行的方向为矩形宽度方向、以与地图y轴方向平行的方向为矩形长度方向、以所述第一中心点Ct为矩形中心点、以所述第一宽度Wt、所述第一长度Lt为矩形的宽度和长度，在所述鸟瞰视角地图上做矩形；并将得到的矩形作为对应的车辆检测框；并将所述车辆检测框的底边作为对应的车辆检测框底边；并将所述车辆检测框底边的中心点作为当前时刻t的车辆检测框底边中心点记为第一底边中心点Pb,t。
优选的，所述基于预设的第一卡尔曼滤波器对车辆检测框底边中心点的状态量进行更新生成对应的第一状态量X1,t，具体包括：
由所述第一底边中心点Pb,t作为对应的第一观测量Z1,t；并将所述第一观测量Z1,t和前一时刻的第一状态量X1,t-1代入所述第一卡尔曼滤波器的观测方程和状态方程对车辆检测框底边中心点在当前时刻t的状态量进行估计生成对应的所述第一状态量X1,t。
优选的，所述基于预设的第二卡尔曼滤波器对车辆检测框尺寸的状态量进行更新生成对应的第二状态量X2,t，具体包括：
由所述第一宽度Wt和所述第一长度Lt组成对应的第二观测量Z2,t；并将所述第二观测量Z2,t和前一时刻的第二状态量X2,t-1代入所述第二卡尔曼滤波器的观测方程和状态方程对车辆检测框尺寸在当前时刻t的状态量进行估计生成对应的所述第二状态量X2,t。
优选的，所述基于预设的第三卡尔曼滤波器对车辆检测框底边中心与凸包重心的偏移向量的状态量进行更新生成对应的第三状态量X3,t，具体包括：
对所述第一底边中心点Pb,t到所述第一凸包重心点Pc,t间的偏移向量进行确定生成对应的第一偏移向量vt，vt＝Pb,t-Pc,t；
并由所述第一偏移向量vt作为对应的第三观测量Z3,t；并将所述第三观测量Z3,t和前一时刻的第三状态量X3,t-1代入所述第三卡尔曼滤波器的观测方程和状态方程对车辆检测框底边中心与凸包重心的偏移向量的状态量在当前时刻t的状态量进行估计生成对应的所述第三状态量X3,t。
优选的，所述基于预设的第三卡尔曼滤波器和上一时刻t-1的第三状态量X3,t-1对车辆检测框底边中心与凸包重心的偏移向量在当前时刻t的状态量进行估计生成对应的第三状态量X3,t，具体包括：
基于所述第三卡尔曼滤波器的状态方程的一步预测转换量A3和上一时刻t-1的所述第三状态量X3,t-1，对底边中心与凸包重心的偏移向量在当前时刻t的状态量进行一步预测并将预测结果作为当前时刻t的所述第三状态量X3,t，X3,t＝A3X3,t-1。
优选的，所述根据所述第三状态量X3,t、所述第一凸包重心点Pc,t和预设的第一卡尔曼滤波器对车辆检测框底边中心点的状态量进行更新生成对应的第一状态量X1,t，具体包括：
将所述第三状态量X3,t作为对应的第一偏移向量并根据所述第一偏移向量/>和所述第一凸包重心点Pc,t对当前时刻t的车辆检测框底边中心点进行估计生成对应的第一底边中心点Pb,t，/>并由所述第一底边中心点Pb,t作为对应的第一观测量Z1,t；并将所述第一观测量Z1,t和前一时刻的第一状态量X1,t-1代入所述第一卡尔曼滤波器的观测方程和状态方程对车辆检测框底边中心点在当前时刻t的状态量进行估计生成对应的所述第一状态量X1,t。
优选的，所述基于预设的第二卡尔曼滤波器和上一时刻t-1的第二状态量X2,t-1对车辆检测框尺寸在当前时刻t的状态量进行估计生成对应的第二状态量X2,t，具体包括：
基于所述第二卡尔曼滤波器的状态方程的一步预测转换量A2和上一时刻t-1的所述第二状态量X2,t-1，对车辆检测框尺寸在当前时刻t的状态量进行一步预测并将预测结果作为当前时刻t的所述第二状态量X2,t，X2,t＝A2X2,t-1。
优选的，所述根据所述第一状态量X1,t和所述第二状态量X2,t对当前时刻t的车辆后轴中心点位置进行估计生成对应的第一后轴中心点Pm,t，具体包括：
将所述第一状态量X1,t作为对应的底边中心点状态量并将所述第二状态量X2,t作为对应的车辆检测框尺寸状态量/>并以与地图x轴方向平行的方向为矩形宽度方向、以与地图y轴方向平行的方向为矩形长度方向、以所述底边中心点状态量/>对应的位置点为矩形底边中心点、以所述车辆检测框尺寸状态量/>的/>为矩形的宽度和长度，在所述鸟瞰视角地图上做矩形；并将得到的矩形作为对应的第一矩形；并在所述第一矩形上过所述矩形底边中心点做所述第一矩形的中心线记为第一中心线；并将所述第一中心线上与所述矩形底边中心点的距离为预设的第一距离的位置点作为对应的所述第一后轴中心点Pm,t。
本发明实施例第二方面提供了一种电子设备，包括：存储器、处理器和收发器；
所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；
所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
本发明实施例第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。
本发明实施例提供了一种对车辆后轴中心点进行估计的处理方法、电子设备及计算机可读存储介质；每次将鸟瞰角度下的车辆凸包与车辆检测框同时纳入车辆的观测数据范围，并创建三个卡尔曼滤波器分别对车辆检测框底边中心点、车辆检测框尺寸(宽、长)和车辆凸包重心与检测框底边中心点的偏移向量进行持续跟踪；在未发生漏检也即是观测数据中包括鸟瞰检测框时优选以检测框为参考进行车辆后轴中心点估计，在发生漏检也即是观测数据中不包括鸟瞰检测框时以鸟瞰凸包为参考进行车辆后轴中心点估计。通过本发明，将车辆凸包作为车辆检测框的补充并建立起了一个结合了车辆凸包和车辆检测框特征的车辆后轴中心点估算机制，从而解决了常规处理方式中常见的车辆后轴中心点丢失问题，也解决了因车辆后轴中心点丢失造成的跟踪轨迹跳变的问题，自然也就提高了感知模块输出的目标跟踪轨迹的平滑度。
附图说明
图1为本发明实施例一提供的一种对车辆后轴中心点进行估计的处理方法示意图；
图2a为本发明实施例一提供的鸟瞰视角地图上第一车辆凸包和第一车辆检测框的各个参考点以及第一偏移向量的示意图；
图2b为本发明实施例一提供的鸟瞰视角地图上第一矩形、矩形底边中心点、第一中心线、第一距离和第一后轴中心点Pm,t的示意图；
图3为本发明实施例二提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例一提供一种对车辆后轴中心点进行估计的处理方法，图1为本发明实施例一提供的一种对车辆后轴中心点进行估计的处理方法示意图，如图1所示，本方法主要包括如下步骤：
步骤1，获取鸟瞰视角地图上指定车辆在任意时刻t的观测数据作为对应的第一观测数据；
其中，第一观测数据包括第一车辆凸包。
这里，感知模块预先通过激光雷达可以得到时刻t的车辆点云，通过地图模块可以获得鸟瞰视角地图；继而对车辆点云做鸟瞰视角地图投影可以得到对应的车辆二维点集，对车辆二维点集做凸边形绘制可以得到对应的车辆凸边形即第一车辆凸包，基于预设的目标检测分类模型可以对车辆点云进行目标检测分类处理得到三维或二维目标检测框，再对三维/或二维目标检测框做鸟瞰视角地图投影或坐标转换就能得到鸟瞰视角地图上的车辆检测框即下文提到的第一车辆检测框。本发明实施例以车辆凸包+车辆检测框作为每个时刻的车辆观测数据即第一观测数据，因为感知模块使用的目标检测分类模型可能发生漏检从而导致当次得到的第一车辆检测框为空，所以第一观测数据存在两种情况：第一观测数据只包括第一车辆凸包，或第一观测数据包括第一车辆凸包和第一车辆检测框。
步骤2，根据第一车辆凸包进行凸包重心点确认处理生成对应的第一凸包重心点Pc,t；
这里，第一车辆凸包与第一凸包重心点Pc,t如图2a为本发明实施例一提供的鸟瞰视角地图上第一车辆凸包和第一车辆检测框的各个参考点以及第一偏移向量的示意图所示；本发明实施例对凸包顶点三角形重心进行持续迭代来计算第一凸包重心点Pc,t；
具体为：步骤21，对第一车辆凸包的外部顶点的数量进行统计得到第一数量N，N>2；
步骤22，对N个外部顶点进行两两相连得到N-2个三角形，并对每个三角形的三个顶点的坐标进行平均值计算得到对应的三角形重心，从而得到N-2个三角形重心；
步骤23，对N-2是否等于1进行识别；若否，则将N-2作为新的N并返回步骤22继续迭代；若是，则将当次得到的唯一三角形重心作为第一车辆凸包的重心即第一凸包重心点Pc,t，并结束迭代转至步骤3。
步骤3，当第一观测数据还包括第一车辆检测框时，根据第一车辆检测框进行车辆检测框底边中心点确认处理；并基于预设的第一卡尔曼滤波器对车辆检测框底边中心点的状态量进行更新生成对应的第一状态量X1,t；并基于预设的第二卡尔曼滤波器对车辆检测框尺寸的状态量进行更新生成对应的第二状态量X2,t；并基于预设的第三卡尔曼滤波器对车辆检测框底边中心与凸包重心的偏移向量的状态量进行更新生成对应的第三状态量X3,t；
其中，第一车辆检测框包括中心点位置、检测框宽度和检测框长度；
这里，本发明实施例在感知模块使用的目标检测分类模型未发生漏检也即第一观测数据由第一车辆凸包和第一车辆检测框组成时优选以第一车辆检测框为参考对用于估计车辆后轴中心点的三类状态量即第一、第二和第三状态量进行不间断更新；
具体包括：步骤31，根据第一车辆检测框进行车辆检测框底边中心点确认处理；
具体包括：步骤311，提取第一车辆检测框的中心点位置、检测框宽度和检测框长度作为对应的第一中心点Ct、第一宽度Wt和第一长度Lt；
这里，第一车辆检测框为感知模块预先通过预设的目标检测分类模型得到的目标检测框(Bounding Box)，由二维目标检测框的公知常识可知其必然包括中心点位置即第一中心点Ct、检测框宽度即第一宽度Wt和检测框长度即第一长度Lt，如图2a所示；
步骤312，以与地图x轴方向平行的方向为矩形宽度方向、以与地图y轴方向平行的方向为矩形长度方向、以第一中心点Ct为矩形中心点、以第一宽度Wt、第一长度Lt为矩形的宽度和长度，在鸟瞰视角地图上做矩形；并将得到的矩形作为对应的车辆检测框；并将车辆检测框的底边作为对应的车辆检测框底边；并将车辆检测框底边的中心点作为当前时刻t的车辆检测框底边中心点记为第一底边中心点Pb,t；
这里，第一底边中心点Pb,t如图2a所示；
步骤32，基于预设的第一卡尔曼滤波器对车辆检测框底边中心点的状态量进行更新生成对应的第一状态量X1,t；
其中，第一卡尔曼滤波器的状态方程和观测方程为：
X1,t＝A1X1,t-1+B1,t-1,
Z1,t＝H1X1,t+K1,t，
其中，X1,t-1、X1,t为时刻t-1、t的第一状态量，Z1,t为时刻t的第一观测量，A1为X1,t-1到X1,t的一步预测转换量，H1为X1,t与Z1,t之间的状态观测转换量；第一状态量X1具体为底边中心点的状态量第一观测量Z1具体为底边中心点的观测量Pb；B1,t-1为状态噪声，k1,t为观测噪声；
具体包括：由第一底边中心点Pb,t作为对应的第一观测量Z1,t；并将第一观测量Z1,t和前一时刻的第一状态量X1,t-1代入第一卡尔曼滤波器的观测方程和状态方程对车辆检测框底边中心点在当前时刻t的状态量进行估计生成对应的第一状态量X1,t；
这里，卡尔曼滤波器的原理为通过状态方程基于前一时刻的状态量和当前时刻的观测量对当前时刻的状态量进行估计更新，卡尔曼滤波器的方程求解可查询公开的技术实现文献，在此不做一一赘述；因为卡尔曼滤波器会参考上一时刻状态量进行估计、具有很好的平滑特性，所以本发明实施例使用一个卡尔曼滤波器即第一卡尔曼滤波器对车辆检测框底边中心点进行持续状态跟踪；前一时刻的第一状态量X1,t-1为时刻t-1估计的状态量得到的第一状态量X1,t为第一观测量Z1,t(Pb,t)在时刻t对应的状态量/>
步骤33，基于预设的第二卡尔曼滤波器对车辆检测框尺寸的状态量进行更新生成对应的第二状态量X2,t；
其中，第二卡尔曼滤波器的状态方程和观测方程为：
X2,t＝A2X2,t-1+B2,t-1,
Z2,t＝H2X2,t+K2,t，
其中，X2,t-1、X2,t为时刻t-1、t的第二状态量，Z2,t为时刻t的第二观测量，A2为X2,t-1到X2,t的一步预测转换量，H2为X2,t与Z2,t之间的状态观测转换量；第二状态量X2具体为车辆检测框尺寸的状态量(W*，L*)，第二观测量Z2具体为车辆检测框尺寸的观测量(W，L)；B2,t-1为状态噪声，k2,t为观测噪声；
具体包括：由第一宽度Wt和第一长度Lt组成对应的第二观测量Z2,t；并将第二观测量Z2,t和前一时刻的第二状态量X2,t-1代入第二卡尔曼滤波器的观测方程和状态方程对车辆检测框尺寸在当前时刻t的状态量进行估计生成对应的第二状态量X2,t；
这里，本发明实施例使用一个卡尔曼滤波器即第二卡尔曼滤波器对车辆检测框尺寸(宽、长)进行持续状态跟踪；前一时刻的第二状态量X2,t-1为时刻t-1估计的状态量第二状态量X2,t为第二观测量Z2,t(Wt，Lt)在时刻t对应的状态量即/>
步骤34，基于预设的第三卡尔曼滤波器对车辆检测框底边中心与凸包重心的偏移向量的状态量进行更新生成对应的第三状态量X3,t；
其中，第三卡尔曼滤波器的状态方程和观测方程为：
X3,t＝A3X3,t-1+B3,t-1,
Z3,t＝H3X3,t+K3,t，
其中，X3,t-1、X3,t为时刻t-1、t的第三状态量，Z3,t为时刻t的第三观测量，A3为X3,t-1到X3,t的一步预测转换量，H3为X3,t与Z3,t之间的状态观测转换量；第三状态量X3具体为车辆检测框底边中心与凸包重心的偏移向量的状态量v*，第三观测量Z3具体为车辆检测框底边中心与凸包重心的偏移向量的观测量v；B3,t-1为状态噪声，k3,t为观测噪声；
具体包括：对第一底边中心点Pb,t到第一凸包重心点Pc,t间的偏移向量进行确定生成对应的第一偏移向量vt，vt＝Pb,t-Pc,t；并由第一偏移向量vt作为对应的第三观测量Z3,t；并将第三观测量Z3,t和前一时刻的第三状态量X3,t-1代入第三卡尔曼滤波器的观测方程和状态方程对车辆检测框底边中心与凸包重心的偏移向量的状态量在当前时刻t的状态量进行估计生成对应的第三状态量X3,t。
这里，第一偏移向量vt如图2a所示；本发明实施例使用一个卡尔曼滤波器即第三卡尔曼滤波器对车辆凸包重心与检测框底边中心点的偏移向量进行持续跟踪；前一时刻的第三状态量X3,t-1为时刻t-1估计的状态量的第三状态量X3,t为第三观测量Z3,t(vt)在时刻t对应的状态量即/>
步骤4，当第一观测数据不包括第一车辆检测框时，基于预设的第三卡尔曼滤波器和上一时刻t-1的第三状态量X3,t-1对车辆检测框底边中心与凸包重心的偏移向量在当前时刻t的状态量进行估计生成对应的第三状态量X3,t；并根据第三状态量X3,t、第一凸包重心点Pc,t和预设的第一卡尔曼滤波器对车辆检测框底边中心点的状态量进行更新生成对应的第一状态量X1,t；并基于预设的第二卡尔曼滤波器和上一时刻t-1的第二状态量X2,t-1对车辆检测框尺寸在当前时刻t的状态量进行估计生成对应的第二状态量X2,t；
这里，本发明实施例在感知模块使用的目标检测分类模型发生漏检也即第一观测数据只包括第一车辆凸包时以第一车辆凸包为参考对用于估计车辆后轴中心点的三类状态量即第一、第二和第三状态量进行不间断更新；
具体包括：步骤41，基于预设的第三卡尔曼滤波器和上一时刻t-1的第三状态量X3,t-1对车辆检测框底边中心与凸包重心的偏移向量在当前时刻t的状态量进行估计生成对应的第三状态量X3,t；
具体包括：基于第三卡尔曼滤波器的状态方程的一步预测转换量A3和上一时刻t-1的第三状态量X3,t-1，对底边中心与凸包重心的偏移向量在当前时刻t的状态量进行一步预测并将预测结果作为当前时刻t的第三状态量X3,t，X3,t＝A3X3,t-1；
这里，第三卡尔曼滤波器的状态方程如前文所述，为：
X3,t＝A3X3,t-1+B3,t-1，
其中，X3,t-1、X3,t为时刻t-1、t的第三状态量，A3为X3,t-1到X3,t的一步预测转换量，B3,t-1为状态噪声；
因为当前没有第一车辆检测框，所以无法观测车辆检测框的底边中心点，也就是无法确定车辆凸包重心与检测框底边中心点偏移向量的观测量，也就无法通过常规的卡尔曼方程求解方式来对当前时刻t的第三状态量进行估计；为解决这个问题，本发明实施例采用一步预测的方式来对当前时刻t的第三状态量进行估计，即根据状态方程的一步预测转换量A3对上一时刻t-1的第三状态量X3,t-1做一次一步预测计算并将计算结果A3X3,t-1作为当前时刻t的第三状态量X3,t，所以X3,t＝A3X3,t-1；
步骤42，根据第三状态量X3,t、第一凸包重心点Pc,t和预设的第一卡尔曼滤波器对车辆检测框底边中心点的状态量进行更新生成对应的第一状态量X1,t；
具体包括：将第三状态量X3,t作为对应的第一偏移向量并根据第一偏移向量和第一凸包重心点Pc,t对当前时刻t的车辆检测框底边中心点进行估计生成对应的第一底边中心点Pb,t，/>并由第一底边中心点Pb,t作为对应的第一观测量Z1,t；并将第一观测量Z1,t和前一时刻的第一状态量X1,t-1代入第一卡尔曼滤波器的观测方程和状态方程对车辆检测框底边中心点在当前时刻t的状态量进行估计生成对应的第一状态量X1,t；
这里，已知第三卡尔曼滤波器的第三状态量是一个车辆凸包重心与检测框底边中心点的偏移向量，所以可将第三状态量X3,t作为第一偏移向量在已知第一偏移向量/>和第一凸包重心点Pc,t的情况下自然就能估计出对应的检测框底边中心点即第一底边中心点Pb,t；这时，再以该第一底边中心点Pb,t为第一观测量Z1,t并结合前一时刻的第一状态量X1,t-1通过常规的卡尔曼方程求解方式对第一卡尔曼滤波器进行求解，就可得到当前时刻t的状态量第一状态量X1,t；
步骤43，基于预设的第二卡尔曼滤波器和上一时刻t-1的第二状态量X2,t-1对车辆检测框尺寸在当前时刻t的状态量进行估计生成对应的第二状态量X2,t；
具体包括：基于第二卡尔曼滤波器的状态方程的一步预测转换量A2和上一时刻t-1的第二状态量X2,t-1，对车辆检测框尺寸在当前时刻t的状态量进行一步预测并将预测结果作为当前时刻t的第二状态量X2,t，X2,t＝A2X2,t-1；
这里，第二卡尔曼滤波器的状态方程如前文所述，为：
X3,t＝A2X2,t-1+B2,t-1，
其中，X2,t-1、X2,t为时刻t-1、t的第二状态量，A2为X2,t-1到X2,t的一步预测转换量，B2,t-1为状态噪声；
因为当前没有第一车辆检测框，所以无法观测车辆检测框的宽度和长度，也就是无法确定车辆检测框尺寸(宽、长)的观测量，也就无法通过常规的卡尔曼方程求解方式来对当前时刻t的第二状态量进行估计；为解决这个问题，本发明实施例采用一步预测的方式来对当前时刻t的第二状态量进行估计，即根据状态方程的一步预测转换量A2对上一时刻t-1的第二状态量X2,t-1做一次一步预测计算并将计算结果A2X2,t-1作为当前时刻t的第二状态量X2,t，所以X2,t＝A2X2,t-1。
步骤5，根据第一状态量X1,t和第二状态量X2,t对当前时刻t的车辆后轴中心点位置进行估计生成对应的第一后轴中心点Pm,t；
具体包括：将第一状态量X1,t作为对应的底边中心点状态量并将第二状态量X2,t作为对应的车辆检测框尺寸状态量/>并以与地图x轴方向平行的方向为矩形宽度方向、以与地图y轴方向平行的方向为矩形长度方向、以底边中心点状态量/>对应的位置点为矩形底边中心点、以车辆检测框尺寸状态量/>的/>为矩形的宽度和长度，在鸟瞰视角地图上做矩形；并将得到的矩形作为对应的第一矩形；并在第一矩形上过矩形底边中心点做第一矩形的中心线记为第一中心线；并将第一中心线上与矩形底边中心点的距离为预设的第一距离的位置点作为对应的第一后轴中心点Pm,t。
这里，第一矩形、矩形底边中心点、第一中心线、第一距离和第一后轴中心点Pm,t如图2b为本发明实施例一提供的鸟瞰视角地图上第一矩形、矩形底边中心点、第一中心线、第一距离和第一后轴中心点Pm,t的示意图所示；常规情况下默认将车辆中轴线上距离车尾1/4的点视为车辆后轴中心点，所以第一距离默认为
图3为本发明实施例二提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器，也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图3所示，该电子设备可以包括：处理器301(例如CPU)、存储器302、收发器303；收发器303耦合至处理器301，处理器301控制收发器303的收发动作。存储器302中可以存储各种指令，以用于完成各种处理功能以及实现前述方法实施例描述的处理步骤。优选的，本发明实施例涉及的电子设备还包括：电源304、系统总线305以及通信端口306。系统总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。
在图3中提到的系统总线305可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，RAM)，也可能还包括非易失性存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、图形处理器(Graphics Processing Unit，GPU)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是，本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种运行指令的芯片，该芯片用于执行前述方法实施例描述的处理步骤。
本发明实施例提供了一种对车辆后轴中心点进行估计的处理方法、电子设备及计算机可读存储介质；每次将鸟瞰角度下的车辆凸包与车辆检测框同时纳入车辆的观测数据范围，并创建三个卡尔曼滤波器分别对车辆检测框底边中心点、车辆检测框尺寸(宽、长)和车辆凸包重心与检测框底边中心点的偏移向量进行持续跟踪；在未发生漏检也即是观测数据中包括鸟瞰检测框时优选以检测框为参考进行车辆后轴中心点估计，在发生漏检也即是观测数据中不包括鸟瞰检测框时以鸟瞰凸包为参考进行车辆后轴中心点估计。通过本发明，将车辆凸包作为车辆检测框的补充并建立起了一个结合了车辆凸包和车辆检测框特征的车辆后轴中心点估算机制，从而解决了常规处理方式中常见的车辆后轴中心点丢失问题，也解决了因车辆后轴中心点丢失造成的跟踪轨迹跳变的问题，自然也就提高了感知模块输出的目标跟踪轨迹的平滑度。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种对车辆后轴中心点进行估计的处理方法，其特征在于，所述方法包括：
获取鸟瞰视角地图上指定车辆在任意时刻t的观测数据作为对应的第一观测数据；所述第一观测数据包括第一车辆凸包；
根据所述第一车辆凸包进行凸包重心点确认处理生成对应的第一凸包重心点Pc,t；
当所述第一观测数据还包括所述第一车辆检测框时，根据所述第一车辆检测框进行车辆检测框底边中心点确认处理；并基于预设的第一卡尔曼滤波器对车辆检测框底边中心点的状态量进行更新生成对应的第一状态量X1,t；并基于预设的第二卡尔曼滤波器对车辆检测框尺寸的状态量进行更新生成对应的第二状态量X2,t；并基于预设的第三卡尔曼滤波器对车辆检测框底边中心与凸包重心的偏移向量的状态量进行更新生成对应的第三状态量X3,t；
当所述第一观测数据不包括所述第一车辆检测框时，基于预设的第三卡尔曼滤波器和上一时刻t-1的第三状态量X3,t-1对车辆检测框底边中心与凸包重心的偏移向量在当前时刻t的状态量进行估计生成对应的第三状态量X3,t；并根据所述第三状态量X3,t、所述第一凸包重心点Pc,t和预设的第一卡尔曼滤波器对车辆检测框底边中心点的状态量进行更新生成对应的第一状态量X1,t；并基于预设的第二卡尔曼滤波器和上一时刻t-1的第二状态量X2,t-1对车辆检测框尺寸在当前时刻t的状态量进行估计生成对应的第二状态量X2,t；
根据所述第一状态量X1,t和所述第二状态量X2,t对当前时刻t的车辆后轴中心点位置进行估计生成对应的第一后轴中心点Pm,t。
2.根据权利要求1所述的对车辆后轴中心点进行估计的处理方法，其特征在于，
所述第一车辆检测框包括中心点位置、检测框宽度和检测框长度；
所述第一卡尔曼滤波器的状态方程和观测方程为：
X1,t＝A1X1,t-1+B1,t-1,
Z1,t＝H1X1,t+K1,t，
其中，X1,t-1、X1,t为时刻t-1、t的第一状态量，Z1,t为时刻t的第一观测量，A1为X1,t-1到X1,t的一步预测转换量，H1为X1,t与Z1,t之间的状态观测转换量；第一状态量X1具体为底边中心点的状态量P* b，第一观测量Z1具体为底边中心点的观测量Pb；B1,t-1为状态噪声，k1,t为观测噪声；
所述第二卡尔曼滤波器的状态方程和观测方程为：
X2,t＝A2X2,t-1+B2,t-1,
Z2,t＝H2X2,t+K2,t，
其中，X2,t-1、X2,t为时刻t-1、t的第二状态量，Z2,t为时刻t的第二观测量，A2为X2,t-1到X2,t的一步预测转换量，H2为X2,t与Z2,t之间的状态观测转换量；第二状态量X2具体为车辆检测框尺寸的状态量(W*，L*)，第二观测量Z2具体为车辆检测框尺寸的观测量(W，L)；B2,t-1为状态噪声，k2,t为观测噪声；
所述第三卡尔曼滤波器的状态方程和观测方程为：
X3,t＝A3X3,t-1+B3,t-1,
Z3,t＝H3X3,t+K3,t，
其中，X3,t-1、X3,t为时刻t-1、t的第三状态量，Z3,t为时刻t的第三观测量，A3为X3,t-1到X3,t的一步预测转换量，H3为X3,t与Z3,t之间的状态观测转换量；第三状态量X3具体为车辆检测框底边中心与凸包重心的偏移向量的状态量v*，第三观测量Z3具体为车辆检测框底边中心与凸包重心的偏移向量的观测量v；B3,t-1为状态噪声，k3,t为观测噪声。
3.根据权利要求2所述的对车辆后轴中心点进行估计的处理方法，其特征在于，所述根据所述第一车辆检测框进行车辆检测框底边中心点确认处理，具体包括：
提取所述第一车辆检测框的所述中心点位置、所述检测框宽度和所述检测框长度作为对应的第一中心点Ct、第一宽度Wt和第一长度Lt；
以与地图x轴方向平行的方向为矩形宽度方向、以与地图y轴方向平行的方向为矩形长度方向、以所述第一中心点Ct为矩形中心点、以所述第一宽度Wt、所述第一长度Lt为矩形的宽度和长度，在所述鸟瞰视角地图上做矩形；并将得到的矩形作为对应的车辆检测框；并将所述车辆检测框的底边作为对应的车辆检测框底边；并将所述车辆检测框底边的中心点作为当前时刻t的车辆检测框底边中心点记为第一底边中心点Pb,t。
4.根据权利要求3所述的对车辆后轴中心点进行估计的处理方法，其特征在于，所述基于预设的第一卡尔曼滤波器对车辆检测框底边中心点的状态量进行更新生成对应的第一状态量X1,t，具体包括：
由所述第一底边中心点Pb,t作为对应的第一观测量Z1,t；并将所述第一观测量Z1,t和前一时刻的第一状态量X1,t-1代入所述第一卡尔曼滤波器的观测方程和状态方程对车辆检测框底边中心点在当前时刻t的状态量进行估计生成对应的所述第一状态量X1,t。
5.根据权利要求3所述的对车辆后轴中心点进行估计的处理方法，其特征在于，所述基于预设的第二卡尔曼滤波器对车辆检测框尺寸的状态量进行更新生成对应的第二状态量X2,t，具体包括：
由所述第一宽度Wt和所述第一长度Lt组成对应的第二观测量Z2,t；并将所述第二观测量Z2,t和前一时刻的第二状态量X2,t-1代入所述第二卡尔曼滤波器的观测方程和状态方程对车辆检测框尺寸在当前时刻t的状态量进行估计生成对应的所述第二状态量X2,t。
6.根据权利要求3所述的对车辆后轴中心点进行估计的处理方法，其特征在于，所述基于预设的第三卡尔曼滤波器对车辆检测框底边中心与凸包重心的偏移向量的状态量进行更新生成对应的第三状态量X3,t，具体包括：
对所述第一底边中心点Pb,t到所述第一凸包重心点Pc,t间的偏移向量进行确定生成对应的第一偏移向量vt，vt＝Pb,t-Pc,t；
并由所述第一偏移向量vt作为对应的第三观测量Z3,t；并将所述第三观测量Z3,t和前一时刻的第三状态量X3,t-1代入所述第三卡尔曼滤波器的观测方程和状态方程对车辆检测框底边中心与凸包重心的偏移向量的状态量在当前时刻t的状态量进行估计生成对应的所述第三状态量X3,t。
7.根据权利要求2所述的对车辆后轴中心点进行估计的处理方法，其特征在于，所述基于预设的第三卡尔曼滤波器和上一时刻t-1的第三状态量X3,t-1对车辆检测框底边中心与凸包重心的偏移向量在当前时刻t的状态量进行估计生成对应的第三状态量X3,t，具体包括：
基于所述第三卡尔曼滤波器的状态方程的一步预测转换量A3和上一时刻t-1的所述第三状态量X3,t-1，对底边中心与凸包重心的偏移向量在当前时刻t的状态量进行一步预测并将预测结果作为当前时刻t的所述第三状态量X3,t，X3,t＝A3X3,t-1。
8.根据权利要求7所述的对车辆后轴中心点进行估计的处理方法，其特征在于，所述根据所述第三状态量X3,t、所述第一凸包重心点Pc,t和预设的第一卡尔曼滤波器对车辆检测框底边中心点的状态量进行更新生成对应的第一状态量X1,t，具体包括：
将所述第三状态量X3,t作为对应的第一偏移向量并根据所述第一偏移向量/>和所述第一凸包重心点Pc,t对当前时刻t的车辆检测框底边中心点进行估计生成对应的第一底边中心点/>并由所述第一底边中心点Pb,t作为对应的第一观测量Z1,t；并将所述第一观测量Z1,t和前一时刻的第一状态量X1,t-1代入所述第一卡尔曼滤波器的观测方程和状态方程对车辆检测框底边中心点在当前时刻t的状态量进行估计生成对应的所述第一状态量X1,t。
9.根据权利要求7所述的对车辆后轴中心点进行估计的处理方法，其特征在于，所述基于预设的第二卡尔曼滤波器和上一时刻t-1的第二状态量X2,t-1对车辆检测框尺寸在当前时刻t的状态量进行估计生成对应的第二状态量X2,t，具体包括：
基于所述第二卡尔曼滤波器的状态方程的一步预测转换量A2和上一时刻t-1的所述第二状态量X2,t-1，对车辆检测框尺寸在当前时刻t的状态量进行一步预测并将预测结果作为当前时刻t的所述第二状态量X2,t，X2,t＝A2X2,t-1。
10.根据权利要求2所述的对车辆后轴中心点进行估计的处理方法，其特征在于，所述根据所述第一状态量X1,t和所述第二状态量X2,t对当前时刻t的车辆后轴中心点位置进行估计生成对应的第一后轴中心点Pm,t，具体包括：
将所述第一状态量X1,t作为对应的底边中心点状态量并将所述第二状态量X2,t作为对应的车辆检测框尺寸状态量/>并以与地图x轴方向平行的方向为矩形宽度方向、以与地图y轴方向平行的方向为矩形长度方向、以所述底边中心点状态量/>对应的位置点为矩形底边中心点、以所述车辆检测框尺寸状态量/>的/>为矩形的宽度和长度，在所述鸟瞰视角地图上做矩形；并将得到的矩形作为对应的第一矩形；并在所述第一矩形上过所述矩形底边中心点做所述第一矩形的中心线记为第一中心线；并将所述第一中心线上与所述矩形底边中心点的距离为预设的第一距离的位置点作为对应的所述第一后轴中心点Pm,t。
11.根据权利要求10所述的对车辆后轴中心点进行估计的处理方法，其特征在于，所述第一距离默认为
12.一种电子设备，其特征在于，包括：存储器、处理器和收发器；
所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现权利要求1-11任一项所述的方法步骤；
所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行权利要求1-11任一项所述的方法的指令。
CN202210897248.7A 2022-07-28 2022-07-28 一种对车辆后轴中心点进行估计的处理方法 Active CN115131426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210897248.7A CN115131426B (zh) 2022-07-28 2022-07-28 一种对车辆后轴中心点进行估计的处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210897248.7A CN115131426B (zh) 2022-07-28 2022-07-28 一种对车辆后轴中心点进行估计的处理方法

Publications (2)

Publication Number Publication Date
CN115131426A CN115131426A (zh) 2022-09-30
CN115131426B true CN115131426B (zh) 2024-03-22

Family

ID=83385314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210897248.7A Active CN115131426B (zh) 2022-07-28 2022-07-28 一种对车辆后轴中心点进行估计的处理方法

Country Status (1)

Country Link
CN (1) CN115131426B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150049529A (ko) * 2013-10-30 2015-05-08 인하대학교 산학협력단 차량의 위치 추정 장치 및 방법
CN112348848A (zh) * 2020-10-26 2021-02-09 国汽(北京)智能网联汽车研究院有限公司 一种交通参与者的信息生成方法及系统
WO2021163846A1 (zh) * 2020-02-17 2021-08-26 华为技术有限公司 目标跟踪方法以及目标跟踪装置
CN114663478A (zh) * 2022-03-24 2022-06-24 苏州轻棹科技有限公司 一种根据多参考点预测信息估计锚点位置的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150049529A (ko) * 2013-10-30 2015-05-08 인하대학교 산학협력단 차량의 위치 추정 장치 및 방법
WO2021163846A1 (zh) * 2020-02-17 2021-08-26 华为技术有限公司 目标跟踪方法以及目标跟踪装置
CN112348848A (zh) * 2020-10-26 2021-02-09 国汽(北京)智能网联汽车研究院有限公司 一种交通参与者的信息生成方法及系统
CN114663478A (zh) * 2022-03-24 2022-06-24 苏州轻棹科技有限公司 一种根据多参考点预测信息估计锚点位置的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
交通视频中的Kalman滤波的多车辆跟踪算法;贲晛烨;王科俊;李阳;谢滨姣;;应用科技;20110315(03);全文 *
高速移动错位下的车辆通信参数精确检测;郭彬;;计算机测量与控制;20150225(02);全文 *

Also Published As

Publication number Publication date
CN115131426A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
WO2021072696A1 (zh) 目标检测与跟踪方法、系统、可移动平台、相机及介质
CN109901567B (zh) 用于输出障碍物信息的方法和装置
US8199977B2 (en) System and method for extraction of features from a 3-D point cloud
WO2020098708A1 (zh) 车道线的检测及驾驶控制方法、装置和电子设备
CN111223135A (zh) 通过使用雷达和运动数据的单目相机来增强距离估计的系统和方法
US20230386076A1 (en) Target detection method, storage medium, electronic device, and vehicle
EP3859596A1 (en) Object collision prediction method and device
CN114217665A (zh) 一种相机和激光雷达时间同步方法、装置及存储介质
CN115147683A (zh) 位姿估计网络模型的训练方法、位姿估计方法及装置
WO2021102676A1 (zh) 物体状态获取方法、可移动平台及存储介质
CN106240454B (zh) 提供车辆碰撞预警的系统及车载设备
CN115131426B (zh) 一种对车辆后轴中心点进行估计的处理方法
CN114255443A (zh) 一种交通车辆单目定位方法、装置、设备及存储介质
JP2024012160A (ja) 目標状態推定方法、装置、電子機器及び媒体
CN116596750A (zh) 一种点云处理方法、装置、电子设备及存储介质
CN116594002A (zh) 一种错时发波的多雷达数据融合方法、装置、设备及介质
CN114648639B (zh) 一种目标车辆的检测方法、系统及装置
CN114663478A (zh) 一种根据多参考点预测信息估计锚点位置的方法
CN115359332A (zh) 基于车路协同的数据融合方法、装置、电子设备及系统
CN114966736A (zh) 一种基于点云数据进行目标速度预测的处理方法
CN116363192A (zh) 仓储货物的体积测量方法、装置、计算机设备及存储介质
CN115147612B (zh) 一种基于累加点云对车辆尺寸进行实时估计的处理方法
CN114613002B (zh) 基于光线投影原理的运动视角下动态物体检测方法及系统
CN114757980B (zh) 一种连续帧点云数据的离线配准方法
US20230102186A1 (en) Apparatus and method for estimating distance and non-transitory computer-readable medium containing computer program for estimating distance

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