CN115810030A - 目标跟踪方法、装置、设备、存储介质和程序产品 - Google Patents
目标跟踪方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN115810030A CN115810030A CN202211694290.5A CN202211694290A CN115810030A CN 115810030 A CN115810030 A CN 115810030A CN 202211694290 A CN202211694290 A CN 202211694290A CN 115810030 A CN115810030 A CN 115810030A
- Authority
- CN
- China
- Prior art keywords
- target
- tracked
- detection
- current moment
- moment
- 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
Images
Abstract
本申请涉及一种目标跟踪方法、装置、设备、存储介质和程序产品，该方法包括：根据待跟踪目标在上一时刻的跟踪结果，确定待跟踪目标在当前时刻的预测状态，根据待跟踪目标所属的检测场景当前时刻采集的检测数据，确定检测场景在当前时刻的多个检测目标的检测结果，根据待跟踪目标在当前时刻的预测状态和多个检测目标的检测结果，更新待跟踪目标在当前时刻的跟踪结果。该方法中，将待跟踪目标在当前时刻的预测状态和待跟踪目标所属场景中多个检测目标的检测结果，更新待跟踪目标在当前时刻的跟踪结果，使得在对待跟踪目标进行跟踪时，不仅考虑了待跟踪目标的状态预测值，还考虑了当前实际检测值，提高了目标的跟踪结果的准确性。
Description
技术领域
本申请涉及计算机视觉技术领域，特别是涉及一种目标跟踪方法、装置、设备、存储介质和程序产品。
背景技术
在实际的应用场景中，都有对目标进行跟踪的需求。通常，采用感知设备采集目标实现目标跟踪，其中，感知设备包括但不限于相机、激光雷达、毫米波雷达等。
实际应用中，在对感知设备采集的目标进行跟踪时，感知设备本身可能会具有某些局限性，例如，激光雷达的稀疏性、图片的遮挡等。这些感知设备本身所固有的属性，会使感知设备最终感知到的目标的位置存在一定误差，导致目标的跟踪结果的准确性较差。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高目标的跟踪结果准确性的目标跟踪方法、装置、设备、存储介质和程序产品。
第一方面，本申请提供了一种目标跟踪方法，该方法包括：
根据待跟踪目标在上一时刻的跟踪结果，确定待跟踪目标在当前时刻的预测状态；
根据待跟踪目标所属的检测场景当前时刻采集的检测数据，确定检测场景在当前时刻的多个检测目标的检测结果；
根据待跟踪目标在当前时刻的预测状态和多个检测目标的检测结果，更新待跟踪目标在当前时刻的跟踪结果。
在其中一个实施例中，根据待跟踪目标在上一时刻的跟踪结果，确定待跟踪目标在当前时刻的预测状态，包括：
获取待跟踪目标从上一时刻到当前时刻状态变化过程中的高斯噪声，以及待跟踪目标的待跟踪目标从上一时刻到当前时刻的状态转移矩阵；
根据待跟踪目标在上一时刻的跟踪结果、高斯噪声和状态转移矩阵，确定待跟踪目标在当前时刻的预测状态。
在其中一个实施例中，待跟踪目标包括多个，根据待跟踪目标在当前时刻的预测状态和多个检测目标的检测结果，更新待跟踪目标在当前时刻的跟踪结果，包括：
将各待跟踪目标在当前时刻的预测状态与各检测目标的检测结果进行匹配，得到多个匹配对；每一个匹配对包括一个待跟踪目标和一个检测目标；
针对任一匹配对，获取待跟踪目标在上一时刻的检测结果和预测状态之间的差值，得到滤波新息；
根据滤波新息、待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果，生成待跟踪目标在当前时刻的跟踪结果。
在其中一个实施例中，预测状态包括待跟踪目标的位置坐标；检测结果包括检测目标的位置坐标；将各待跟踪目标在当前时刻的预测状态与各检测目标的检测结果进行匹配，得到多个匹配对，包括：
根据各待跟踪目标在当前时刻的位置坐标和各检测目标在当前时刻的位置坐标，获取各待跟踪目标与各检测目标之间的区域重合度；
根据各待跟踪目标与各检测目标之间的区域重合度，确定多个匹配对。
在其中一个实施例中，根据各待跟踪目标与各检测目标之间的区域重合度，确定多个匹配对，包括：
针对任一待跟踪目标，若存在与待跟踪目标的区域重合度大于预设重合阈值的检测目标，则将待跟踪目标和区域重合度最大的检测目标确定为匹配对；
若不存在区域重合度最大的检测目标，则获取待跟踪目标和各检测目标之间的距离，并根据待跟踪目标和各检测目标之间的距离，确定待跟踪目标的匹配对。
在其中一个实施例中，获取待跟踪目标和各检测目标之间的距离，包括：
根据待跟踪目标的航向角，分别获取待跟踪目标与各检测目标的航向偏差；
根据各航向偏差和预设的距离系数，确定待跟踪目标和各检测目标之间的距离。
在其中一个实施例中，根据待跟踪目标和各检测目标之间的距离，确定待跟踪目标的匹配对，包括：
获取与待跟踪目标的距离小于预设距离阈值的检测目标；
将待跟踪目标和距离最小的检测目标确定为匹配对。
在其中一个实施例中，该方法还包括：
在确定完多个匹配对之后，若存在未匹配成功的待跟踪目标和检测目标，则将待跟踪目标剔除，并将检测目标作为待跟踪目标。
在其中一个实施例中，根据滤波新息、待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果，生成待跟踪目标在当前时刻的跟踪结果，包括：
根据滤波新息，更新待跟踪目标从上一时刻到当前时刻的滤波增益矩阵；
根据滤波增益矩阵、待跟踪目标在当前时刻状态量到观测量的转换矩阵、待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果，计算待跟踪目标在当前时刻的跟踪结果。
在其中一个实施例中，根据滤波新息，更新待跟踪目标从上一时刻到当前时刻的滤波增益矩阵，包括：
根据滤波新息，确定待跟踪目标从上一时刻到当前时刻的过程噪声和观测噪声；
根据待跟踪目标在上一时刻的跟踪结果的协方差矩阵、状态转移矩阵、过程噪声和观测噪声，得到待跟踪目标从上一时刻到当前时刻的滤波增益矩阵。
在其中一个实施例中，根据滤波新息，确定待跟踪目标从上一时刻到当前时刻的过程噪声和观测噪声，包括：
获取滤波新息的均值；
根据滤波新息的均值、转换矩阵和待跟踪目标在上一时刻的预测状态的协方差矩阵，得到过程噪声；
根据滤波新息的均值、上一时刻的滤波增益矩阵，得到观测噪声。
在其中一个实施例中，根据待跟踪目标在上一时刻的跟踪结果的协方差矩阵、状态转移矩阵、过程噪声和观测噪声，得到待跟踪目标从上一时刻到当前时刻的滤波增益矩阵，包括：
根据待跟踪目标在上一时刻的跟踪结果的协方差矩阵、状态转移矩阵和过程噪声，计算待跟踪目标在当前时刻的预测状态的协方差矩阵；
根据待跟踪目标在当前时刻的预测状态的协方差矩阵、转换矩阵和观测噪声，确定待跟踪目标从上一时刻到当前时刻的滤波增益矩阵。
第二方面，本申请还提供了一种目标跟踪装置，该装置包括：
预测模块，用于根据待跟踪目标在上一时刻的跟踪结果，确定待跟踪目标在当前时刻的预测状态；
检测模块，用于根据待跟踪目标所属的检测场景当前时刻采集的检测数据，确定检测场景在当前时刻的多个检测目标的检测结果；
更新模块，用于根据待跟踪目标在当前时刻的预测状态和多个检测目标的检测结果，更新待跟踪目标在当前时刻的跟踪结果。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，该处理器执行计算机程序时实现上述第一方面中任一实施例提供的方法的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一实施例提供的方法的步骤。
第五方面，本申请实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一实施例提供的方法的步骤。
上述目标跟踪方法、装置、设备、存储介质和程序产品，根据待跟踪目标在上一时刻的跟踪结果，确定待跟踪目标在当前时刻的预测状态，根据待跟踪目标所属的检测场景当前时刻采集的检测数据，确定检测场景在当前时刻的多个检测目标的检测结果，根据待跟踪目标在当前时刻的预测状态和多个检测目标的检测结果，更新待跟踪目标在当前时刻的跟踪结果。该方法中，将待跟踪目标在当前时刻的预测状态和待跟踪目标所属场景中多个检测目标的检测结果，更新待跟踪目标在当前时刻的跟踪结果，使得在对待跟踪目标进行跟踪时，不仅考虑了待跟踪目标的状态预测值，还考虑了当前实际检测值，提高了目标的跟踪结果的准确性。
附图说明
图1为一个实施例中目标跟踪方法的应用环境图；
图2为一个实施例中目标跟踪方法的流程示意图；
图3为另一个实施例中目标跟踪方法的流程示意图；
图4为另一个实施例中目标跟踪方法的流程示意图；
图5为另一个实施例中目标跟踪方法的流程示意图；
图6为一个实施例中检测目标和待跟踪目标的分布示意图；
图7为另一个实施例中目标跟踪方法的流程示意图；
图8为另一个实施例中目标跟踪方法的流程示意图；
图9为另一个实施例中目标跟踪方法的流程示意图；
图10为另一个实施例中目标跟踪方法的流程示意图；
图11为另一个实施例中目标跟踪方法的流程示意图；
图12为另一个实施例中目标跟踪方法的流程示意图；
图13为另一个实施例中目标跟踪方法的流程示意图；
图14为另一个实施例中目标跟踪方法的流程示意图；
图15为另一个实施例中目标跟踪方法的流程示意图；
图16为一个实施例中目标跟踪装置的结构框图；
图17为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的目标跟踪方法，可以应用于如图1所示的应用环境中。其中，感知设备102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。感知设备102可以是激光雷达、相机等设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
通常而言，当一个系统运行时，会存在包括过程噪声与观测噪声的两类误差，这两类噪声并不是恒定不变的。普通卡尔曼滤波算法在处理此类问题时，一般会在算法初始化阶段对过程噪声和观测噪声进行确定，并在后续算法中保持不变。基于此设定，可能会令算法求解过程出现较为严重偏差。
基于此，本申请提供了一种目标跟踪方法、装置、设备、存储介质和程序产品，能够提出目标的跟踪结果的准确性。
在一个实施例中，如图2所示，提供了一种目标跟踪方法，该实施例包括以下步骤：
S201，根据待跟踪目标在上一时刻的跟踪结果，确定待跟踪目标在当前时刻的预测状态。
其中，待跟踪目标为交通场景中需要跟踪的目标，待跟踪目标可以是一个或多个目标。
在每一时刻对待跟踪目标进行跟踪时，均会将待跟踪目标的跟踪结果存储在数据存储系统中，因此，可以在数据存储系统中获取待跟踪目标在上一时刻的跟踪结果。
可选地，跟踪结果可以包括待跟踪目标的位置、速度和加速度等信息。
因此，可根据待跟踪目标上一时刻的跟踪结果，确定待跟踪目标在当前时刻的跟踪结果。
具体地，获取当前时刻和上一时刻的时刻差，然后根据待跟踪目标在上一时刻的速度确定待跟踪目标上一时刻到当前时刻的位置偏差，再根据待跟踪目标在上一时刻的跟踪结果和位置偏差，确定待跟踪目标在当前时刻的位置信息。
其中，预测状态包括待跟踪目标的位置、速度和加速度等信息。
S202，根据待跟踪目标所属的检测场景当前时刻采集的检测数据，确定检测场景在当前时刻的多个检测目标的检测结果。
获取待跟踪目标所属场景的检测场景在当前时刻采集的检测数据，然后对检测数据进行目标检测，得到检测场景在当前时刻的多个检测目标的检测结果。
由于检测场景中可能存在多个检测目标，因此，对检测场景中的检测数据进行目标检测，能够得到多个检测目标的检测结果。
其中，检测结果可以包括检测目标的位置等信息。
确定检测场景在当前时刻的多个检测目标的检测结果的方式可以是，通过预设的目标检测模型，将待跟踪目标所属的检测场景当前时刻采集的检测数据作为目标检测模型的输入，通过对检测数据进行分析，得到检测场景在当前时刻的多个检测目标的检测结果。
若感知设备为激光雷达或毫米波雷达，则检测数据为点云数据，对点云数据进行目标检测，得到检测场景在当前时刻的多个检测目标的检测结果。
若感知设备为相机，则检测数据为图像数据，对图像数据进行目标检测，得到检测场景在当前时刻的多个检测目标的检测结果。
需要说明的是，感知设备可以是激光雷达、毫米波雷达或相机中的一种或多种，若感知设备为多种，则通过感知设备采集的多个检测数据，得到多个检测数据对应的检测结果，然后对多个检测结果进行融合，得到检测场景在当前时刻的多个检测目标的检测结果。
S203，根据待跟踪目标在当前时刻的预测状态和多个检测目标的检测结果，更新待跟踪目标在当前时刻的跟踪结果。
根据待跟踪目标在当前时刻的预测状态和多个检测目标的检测结果，更新待跟踪目标在当前时刻的跟踪结果。
由于多个检测目标中应存在待跟踪目标在当前时刻对应的检测结果，因此，可以首先在多个检测目标中进行查询，获取待跟踪目标对应的检测目标，此时，待跟踪目标和对应的检测目标应为同一个目标。
然后根据待跟踪目标在当前时刻的预测状态和对应检测目标的检测结果，更新待跟踪目标在当前时刻的跟踪结果。其中，更新的方式可以是，获取在当前时刻的预测状态和检测结果的均值，将均值作为待跟踪目标在当前时刻的跟踪结果；也可以是将预测状态和检测结果的加权平均作为待跟踪目标在当前时刻的跟踪结果。
上述目标跟踪方法，根据待跟踪目标在上一时刻的跟踪结果，确定待跟踪目标在当前时刻的预测状态，根据待跟踪目标所属的检测场景当前时刻采集的检测数据，确定检测场景在当前时刻的多个检测目标的检测结果，根据待跟踪目标在当前时刻的预测状态和多个检测目标的检测结果，更新待跟踪目标在当前时刻的跟踪结果。该方法中，将待跟踪目标在当前时刻的预测状态和待跟踪目标所属场景中多个检测目标的检测结果，更新待跟踪目标在当前时刻的跟踪结果，使得在对待跟踪目标进行跟踪时，不仅考虑了待跟踪目标的状态预测值，还考虑了当前实际检测值，提高了目标的跟踪结果的准确性。
在一个实施例中，如图3所示，根据待跟踪目标在上一时刻的跟踪结果，确定待跟踪目标在当前时刻的预测状态，包括以下步骤：
S301，获取待跟踪目标从上一时刻到当前时刻状态变化过程中的高斯噪声，以及待跟踪目标的待跟踪目标从上一时刻到当前时刻的状态转移矩阵。
获取待跟踪目标从上一时刻到当前时刻状态变化过程中的高斯噪声，其中，高斯噪声为均值为0的高斯白噪声。
待跟踪目标的待跟踪目标从上一时刻到当前时刻的状态转移矩阵可以用A表示：
其中，dt是相邻两时刻的时间差，A表示状态转移矩阵。
S302，根据待跟踪目标在上一时刻的跟踪结果、高斯噪声和状态转移矩阵，确定待跟踪目标在当前时刻的预测状态。
获取待跟踪目标在当前时刻的预测状态的方式可以用公式(2)计算。
其中，xk表示待跟踪目标在k时刻的预测状态，
表示待跟踪目标在上一时刻的跟踪结果，wk表示待跟踪目标从k-1时刻到k时刻状态变化过程中的高斯噪声。
上述目标跟踪方法，获取待跟踪目标从上一时刻到当前时刻状态变化过程中的高斯噪声，以及待跟踪目标的待跟踪目标从上一时刻到当前时刻的状态转移矩阵，根据待跟踪目标在上一时刻的跟踪结果、高斯噪声和状态转移矩阵，确定待跟踪目标在当前时刻的预测状态。该方法中，通过待跟踪目标在上一时刻的跟踪结果、高斯噪声和状态转移矩阵，确定待跟踪目标在当前时刻的跟踪结果，提高了待跟踪目标在当前时刻得到的预测状态的准确性。
通常条件下，多个目标的检测结果与跟踪算法产生跟踪结果不存在关联性，为了将二者建立起一一对应关系，便需要利用特征提取为检测数据与跟踪轨迹数据的关联提供依据。具体而言，特征提取通过一系列准则，计算给出检测数据与跟踪轨迹数据的近似程度，进而关联检测与跟踪的数据。
在待跟踪目标包括多个时，在一个实施例中，如图4所示，根据待跟踪目标在当前时刻的预测状态和多个检测目标的检测结果，更新待跟踪目标在当前时刻的跟踪结果，包括以下步骤：
S401，将各待跟踪目标在当前时刻的预测状态与各检测目标的检测结果进行匹配，得到多个匹配对。
其中，每一个匹配对包括一个待跟踪目标和一个检测目标。
将各待跟踪目标和各检测目标进行匹配，得到多个匹配对，匹配的方式可以是，利用各待跟踪目标在当前时刻的预测状态和各检测目标在当前时刻的检测结果，通过匈牙利匹配算法确定各待跟踪目标与检测目标的匹配对。
匹配对中包括一个待跟踪目标和一个检测目标，待跟踪目标和检测目标为同一个目标。
S402，针对任一匹配对，获取待跟踪目标在上一时刻的检测结果和预测状态之间的差值，得到滤波新息。
滤波新息表示测量值与预测值的偏差，因此，滤波新息的计算方式如公式(3)所示。
ek＝Zk-Hxk (3)
其中，ek为滤波新息，Zk表示待跟踪目标在k时刻的检测结果，H表示待跟踪目标从k-1时刻到k时刻状态量到观测量的转换矩阵，xk表示待跟踪目标在k-1时刻的预测状态。
S403，根据滤波新息、待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果，生成待跟踪目标在当前时刻的跟踪结果。
根据滤波新息、待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果，确定待跟踪目标在当前时刻的跟踪结果的方式可以是，根据预设的计算模型确定，具体地，将滤波新息、待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果作为计算模型的输入，通过计算模型的分析，输出待跟踪目标在当前示例的跟踪结果。
上述目标跟踪方法，将各待跟踪目标在当前时刻的预测状态与各检测目标的检测结果进行匹配，得到多个匹配对；每一个匹配对包括一个待跟踪目标和一个检测目标，针对任一匹配对，获取待跟踪目标在上一时刻的检测结果和预测状态之间的差值，得到滤波新息，然后根据滤波新息、待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果，生成待跟踪目标在当前时刻的跟踪结果。该方法中，首先将各待跟踪目标和各检测目标进行匹配，然后对匹配后的待跟踪目标的预测状态和检测结果进行计算，更新待跟踪目标在当前时刻的跟踪结果，提高了对待跟踪目标进行目标跟踪的准确性。
预测状态包括待跟踪目标的位置坐标；检测结果包括检测目标的位置坐标；在一个实施例中，如图5所示，将各待跟踪目标在当前时刻的预测状态与各检测目标的检测结果进行匹配，得到多个匹配对，包括以下步骤：
S501，根据各待跟踪目标在当前时刻的位置坐标和各检测目标在当前时刻的位置坐标，获取各待跟踪目标与各检测目标之间的区域重合度。
获取各待跟踪目标和各检测目标之间的区域重合度的方式，可以是获取各待跟踪目标和各检测目标的交并比，利用交并比进行待跟踪目标和检测目标的相似度计算，交并比可实现大部分检测与跟踪数据的特征计算并为关联过程提供支持。
以一个待跟踪目标和检测目标为例，如图6所示，图6为待跟踪目标和检测目标的交并比匹配，重合部分为待跟踪目标在当前时刻的位置坐标和检测目标在当前时刻的位置坐标的重合部分。
S502，根据各待跟踪目标与各检测目标之间的区域重合度，确定多个匹配对。
为了准确地跟踪目标，将区域重合度作为代价矩阵，对待跟踪目标和检测目标进行匹配。
在一个实施例中，如图7所示，根据各待跟踪目标与各检测目标之间的区域重合度，确定多个匹配对，包括以下步骤：
S701，针对任一待跟踪目标，若存在与待跟踪目标的区域重合度大于预设重合阈值的检测目标，则将待跟踪目标和区域重合度最大的检测目标确定为匹配对。
针对任一待跟踪目标，获取与待跟踪目标的区域重合度大于预设重合阈值的检测目标，并将与待跟踪目标的区域重合度最大的检测目标确定为匹配对。
例如，预设重合阈值为0.8，检测目标1与待跟踪目标之间的区域重合度为0.83，检测目标2与待跟踪目标之间的区域重合度为0.86，检测目标3与待跟踪目标之间的区域重合度为0.9，因此将检测目标3与待跟踪目标进行匹配，作为匹配对。
S702，若不存在区域重合度最大的检测目标，则获取待跟踪目标和各检测目标之间的距离，并根据待跟踪目标和各检测目标之间的距离，确定待跟踪目标的匹配对。
若待跟踪目标不存在区域重合度最大的检测目标，即表示各检测目标与待跟踪目标的区域重合度均不大于预设重合阈值，则待跟踪目标与检测目标不能匹配。
若待跟踪目标未通过区域重合度与检测目标匹配，则进行二次匹配，通过距离将待跟踪目标与各检测目标进行匹配。
待跟踪目标和各检测目标之间的距离可以是欧式距离，然后将与待跟踪目标距离最小的检测目标确定为待跟踪目标的匹配对。
上述目标跟踪方法，根据各待跟踪目标在当前时刻的位置坐标和各检测目标在当前时刻的位置坐标，获取各待跟踪目标与各检测目标之间的区域重合度，根据各待跟踪目标与各检测目标之间的区域重合度，确定多个匹配对。该方法中，通过各待跟踪目标与各检测目标之间的区域重合度，确定待跟踪目标的匹配对，提高了匹配的准确性。
在一个实施例中，如图8所示，获取待跟踪目标和各检测目标之间的距离，包括以下步骤：
S801，根据待跟踪目标的航向角，分别获取待跟踪目标与各检测目标的航向偏差。
为了进一步对待跟踪目标进行匹配，利用距离作为代价矩阵，以提高匹配的可能性。
检测目标和待跟踪目标都有对应的中心点，设置距离阈值，满足距离阈值的检测目标和待跟踪目标就是同一个目标。
同时，为了防止不同车道目标与相邻车道目标产生误匹配，本实施例中舍弃了笛卡尔坐标系下的距离计算方式，选用了Frenet坐标系代替笛卡尔坐标系，并基于向量思想计算检测目标和待跟踪目标的行驶方向距离和横向距离，再利用公式计算加权距离作为最终代价矩阵。
首先，若检测目标的坐标为(xdet，ydet)，轨迹的坐标为(xtra，ytra)，轨迹的航向角θtra_y，若航向角θtra_y为与Y轴的夹角，则需要变成与X轴的夹角，将其转到与X轴的夹角：θtra_x＝-θtra_y-90。
首先，计算检测目标与待跟踪目标的X轴和Y轴的误差：
diff_x＝xdet-xtra (5)
diff_y＝ydet-ytra (6)
然后计算检测目标和待跟踪目标之间的横向偏差(垂直于航向的距离)和纵向偏差(沿着航向的距离)：
lat_dis＝diff_x·cos(θtra_x)+diff_y·sin(θtra_x) (7)
lon_dis＝diff_x·sin(θtra_x)-diff_y·cos(θtra_x) (8)
其中，lat_dis和lon_dis分别为待跟踪目标与检测目标在x和y轴的航向偏差。
S802，根据各航向偏差和预设的距离系数，确定待跟踪目标和各检测目标之间的距离。
基于上述航向偏差，计算加权距离：
d＝μ*lat_dis+σ*lon_dis (9)
其中，d为待跟踪目标和检测目标之间的距离，μ和σ表示预设的距离系数。
上述目标跟踪方法，根据待跟踪目标的航向角，分别获取待跟踪目标与各检测目标的航向偏差，根据各航向偏差和预设的距离系数，确定待跟踪目标和各检测目标之间的距离。该方法中，通过计算待跟踪目标和检测目标之间的距离对待跟踪目标和检测目标进行匹配，提高了待跟踪目标和检测目标匹配的准确性。
在一个实施例中，如图9所示，根据待跟踪目标和各检测目标之间的距离，确定待跟踪目标的匹配对，包括以下步骤：
S901，获取与待跟踪目标的距离小于预设距离阈值的检测目标。
S902，将待跟踪目标和距离最小的检测目标确定为匹配对。
获取与待跟踪目标的距离小于预设距离阈值的检测目标，然后将与待跟踪目标的距离最小的检测目标确定为待跟踪目标的匹配对。
例如，预设距离阈值为0.1，检测目标1与待跟踪目标之间的距离为0.08，检测目标2与待跟踪目标之间的距离为0.06，检测目标3与待跟踪目标之间的距离为0.03，因此将检测目标3与待跟踪目标进行匹配，作为匹配对。
上述目标跟踪方法，获取与待跟踪目标的距离小于预设距离阈值的检测目标，将待跟踪目标和距离最小的检测目标确定为匹配对。该方法中，通过将设置距离阈值，并将与待跟踪目标距离最小的检测目标作为待跟踪目标的匹配对，提高了匹配的准确性，从而保证了后续对待跟踪目标进行目标跟踪的准确性。
在进行了区域重合度匹配和距离匹配后，还可能存在未匹配成功的检测目标和待跟踪目标，则在一个实施例中，该实施例包括：在确定完多个匹配对之后，若存在未匹配成功的待跟踪目标和检测目标，则将待跟踪目标剔除，并将检测目标作为待跟踪目标。
若存在匹配成功的待跟踪目标和检测目标，则未匹配成功的待跟踪目标可能是之前误检的目标，则可以将该待跟踪目标剔除，未匹配成功的检测目标可能是新的目标，则将检测目标作为待跟踪目标。
在一个实施例中，如图10所示，根据滤波新息、待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果，生成待跟踪目标在当前时刻的跟踪结果，包括以下步骤：
S1001，根据滤波新息，更新待跟踪目标从上一时刻到当前时刻的滤波增益矩阵。
根据滤波新息，对待跟踪目标的历史滤波增益矩阵进行更新，得到待跟踪目标从上一时刻到当前时刻的滤波增益矩阵。
具体地，可根据预设的更新算法确定，将滤波新息作为更新算法的输入，通过更新算法的运行，得到待跟踪目标从上一时刻到当前时刻的滤波增益矩阵。
S1002，根据滤波增益矩阵、待跟踪目标在当前时刻状态量到观测量的转换矩阵、待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果，计算待跟踪目标在当前时刻的跟踪结果。
可根据公式(10)计算待跟踪目标在当前时刻的跟踪结果。
其中，
表示待跟踪目标在k时刻的跟踪结果，xk表示待跟踪目标在k时刻的预测状态，Kk表示待跟踪目标从k-1时刻到k时刻的滤波增益矩阵，Zk表示待跟踪目标在k时刻的检测结果。
上述目标跟踪方法，根据滤波新息，更新待跟踪目标从上一时刻到当前时刻的滤波增益矩阵，根据滤波增益矩阵、待跟踪目标在当前时刻状态量到观测量的转换矩阵、待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果，计算待跟踪目标在当前时刻的跟踪结果。该方法中，通过实时更新待跟踪目标的滤波增益矩阵，保证了待跟踪目标的跟踪结果的准确性，从而提高了对待跟踪目标进行跟踪的准确性。
在一个实施例中，如图11所示，根据滤波新息，更新待跟踪目标从上一时刻到当前时刻的滤波增益矩阵，包括以下步骤：
S1101，根据滤波新息，确定待跟踪目标从上一时刻到当前时刻的过程噪声和观测噪声。
根据滤波新息，更新待跟踪目标从上一时刻到当前时刻的过程噪声和观测噪声，在一个实施例中，如图12所示，根据滤波新息，确定待跟踪目标从上一时刻到当前时刻的过程噪声和观测噪声，包括以下步骤：
S1201，获取滤波新息的均值。
滤波新息的均值的计算方式如公式(11)所示。
其中，
表示滤波新息的均值，N表示滤波新息对应的协方差矩阵中的阶数，j0＝k-N+1。滤波新息的均值也表示滤波新息协方差矩阵在长度为N的滑动采样的最优估计值。
可选地，滤波新息ek对应的协方差矩阵为：
Ck＝Rk+HPkHT (12)
其中，Ck表示k-1时刻到k时刻的滤波新息的协方差矩阵，Rk表示k时刻的观测噪声，Pk表示k时刻预测状态的协方差矩阵。
S1202，根据滤波新息的均值、转换矩阵和待跟踪目标在上一时刻的预测状态的协方差矩阵，得到过程噪声。
具体地，过程噪声的计算方式如公式(13)所示。
其中，
表示k时刻的过程噪声，
表示k时刻滤波新息的均值。
S1203，根据滤波新息的均值、上一时刻的滤波增益矩阵，得到观测噪声。
具体地，观测噪声的计算方式如公式(14)所示。
其中，
表示k时刻的观测噪声，Kk表示k-1时刻的增益滤波矩阵，
表示滤波新息的均值。
S1102，根据待跟踪目标在上一时刻的跟踪结果的协方差矩阵、状态转移矩阵、过程噪声和观测噪声，得到待跟踪目标从上一时刻到当前时刻的滤波增益矩阵。
在一个实施例中，如图13所示，根据待跟踪目标在上一时刻的跟踪结果的协方差矩阵、状态转移矩阵、过程噪声和观测噪声，得到待跟踪目标从上一时刻到当前时刻的滤波增益矩阵，包括以下步骤：
S1301，根据待跟踪目标在上一时刻的跟踪结果的协方差矩阵、状态转移矩阵和过程噪声，计算待跟踪目标在当前时刻的预测状态的协方差矩阵。
待跟踪目标的预测状态的协方差矩阵的计算方式如公式(15)所示。
其中，Pk表示待跟踪目标在k时刻的预测状态的协方差矩阵，A表示状态转移矩阵，
表示待跟踪目标在k-1时刻的跟踪结果的协方差矩阵，Qk-1表示k-1时刻的过程噪声，是均值为0的高斯白噪声的方差。
可选地，
表示待跟踪目标在k-1时刻的跟踪结果的协方差矩阵的计算方式如公式(16)所示。
其中，Kk-1表示k-2时刻到k-1时刻的滤波增益矩阵，H状态量到观测量的转换矩阵，Pk-1表示待跟踪目标在k-1时刻的跟踪结果。
S1302，根据待跟踪目标在当前时刻的预测状态的协方差矩阵、转换矩阵和观测噪声，确定待跟踪目标从上一时刻到当前时刻的滤波增益矩阵。
滤波增益矩阵的更新过程为：
其中，Kk表示待跟踪目标从k-1时刻到k时刻的滤波增益矩阵，Rk-1表示k-1时刻的观测噪声，均值为0的高斯白噪声的协方差矩阵，也称为量测噪声。
上述目标跟踪方法，根据滤波新息，确定待跟踪目标从上一时刻到当前时刻的过程噪声和观测噪声，根据待跟踪目标在上一时刻的跟踪结果的协方差矩阵、状态转移矩阵、过程噪声和观测噪声，得到待跟踪目标从上一时刻到当前时刻的滤波增益矩阵。该方法中，通过更新卡尔曼滤波中的过程噪声和观测噪声，更新卡尔曼滤波中的滤波增益矩阵，提高了待跟踪目标的跟踪结果的准确性。
在一个实施例中，设置待跟踪目标的生命周期管理，从待跟踪目标的轨迹生成到删除的周期，一般会设置阈值，例如，30帧，表示匹配超过30帧后，待跟踪目标在30帧之前的轨迹就删除，其表示待跟踪目标已驶出跟踪场景。
在一个实施例中，由于感知设备的扫描频率很高，扫描间隔时间很短，因此，可认为较短时间内目标的运动作匀变速直线运动，所以待跟踪目标的状态量为{x,y,vx,vy,ax,ay}，其中，{x,y}代表待跟踪目标的位置，{vx,vy}代表待跟踪目标在x、y轴方向的速度，{ax,ay}代表待跟踪目标在x、y轴方向的加速度。
在一个实施例中，多目标跟踪主要包括四个步骤，即：特征提取、数据关联、卡尔曼滤波和生命周期管理。其流程如图14所示。首先在多目标跟踪的特征提取模块采用交并比与距离两种方式对检测与跟踪结果进行相似度计算；在关联匹配阶段，对经过置信度排序后的检测数据，采用包含交并比与椭圆距离两种方式的两阶段级联匹配，利用匈牙利匹配实现尽最大可能匹配；最后，在卡尔曼滤波模块，提出一种根据新息自适应调整卡尔曼滤波噪声矩阵的方法，进而间接修改卡尔曼增益，以提高目标检测位置发生较大变化时多目标跟踪算法的精度和鲁棒性。
其中，图14中的检测目标为通过相机、激光雷达、毫米波雷达其中一种设备采集周围环境数据，通过深度学习或者传统的方式的获取目标检测结果。
轨迹表示的是，在第一帧的时候，没有轨迹，检测目标都未匹配上，所以直接根据检测目标新建轨迹，后面就是依据未匹配上的检测目标新建轨迹，并与原有的轨迹合到一起，同时，需要删除未匹配上的轨迹，最终组成新的轨迹。
采用交并比与距离两种方式进行特征提取，实现了两阶段级联匹配进行数据关联；并根据新息自适应调整卡尔曼滤波噪声矩阵的方法，进而间接修改卡尔曼增益，以提高待跟踪目标的跟踪位置发生较大变化时多目标跟踪算法的精度和鲁棒性；当待跟踪目标匹配时，根据待跟踪目标的状态创建轨迹，当目标驶出场景时，删除轨迹信息。
采用交并比与距离两种方式进行特征提取时，会获得一个关于检测与跟踪数据的代价矩阵。在数据关联阶段，需要实现依据代价矩阵确定检测目标和待跟踪目标之间的关系，进而获得目标在不同帧中的相同身份标识。
本实施例中采用两阶段级联匹配方式，首先根据目标的置信度排序，以交并比作为代价矩阵，利用匈牙利匹配算法获得检测目标和待跟踪目标的关联关系，对于未匹配成功结果，以距离作为代价矩阵，利用匈牙利匹配算法进行二次匹配。
基于自适应卡尔曼滤波的多目标跟踪整个流程，针对具有高斯随机噪声的线性系统的多目标跟踪场景，基于自适应卡尔曼滤波的跟踪算法能够相对于传统卡尔曼滤波算法进行更为精确的多目标跟踪，兼具平滑滤波和获取目标速度的作用，能够消除检测异常值的影响，增强系统的鲁棒性和跟踪稳定性。
在一个实施例中，如图15所示，该实施例包括以下步骤：
S1501，根据待跟踪目标在上一时刻目标的跟踪结果，对下一时刻目标的状态进行预测，得到待跟踪目标在当前时刻的预测状态。
S1502，对待跟踪目标所属场景当前时刻的检测数据进行目标检测，得到多个检测目标的检测结果。
S1503，根据待跟踪目标在当前时刻的预测状态和多个检测目标的检测结果，获取各待跟踪目标与各检测目标的交并比。
S1504，根据各交并比，对待跟踪目标和各检测目标进行匹配，得到多个匹配对。
S1505，对于未匹配的待跟踪目标和检测目标，计算各待跟踪目标和各检测目标之间的加权距离。
S1506，根据各加权计算，对待跟踪目标和各检测目标进行二次匹配，得到多个匹配对。
S1507，根据卡尔曼滤波算法对匹配的待跟踪目标的预测状态和检测结果进行更新，得到待跟踪目标在当前时刻的跟踪结果。
S1508，根据待跟踪目标在当前时刻的预测状态和检测结果，计算卡尔曼新息。
S1509，根据卡尔曼新息，计算卡尔曼滤波的过程噪声和观测噪声。
S1510，根据更新的过程噪声和观测噪声，更新卡尔曼滤波增益，并根据卡尔曼滤波增益更新待跟踪目标下一时刻的跟踪结果。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的目标跟踪方法的目标跟踪装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个目标跟踪装置实施例中的具体限定可以参见上文中对于目标跟踪方法的限定，在此不再赘述。
在一个实施例中，如图16所示，提供了一种目标跟踪装置，包括：预测模块1601、检测模块1602和更新模块1603，其中：
预测模块1601，用于根据待跟踪目标在上一时刻的跟踪结果，确定待跟踪目标在当前时刻的预测状态；
检测模块1602，用于根据待跟踪目标所属的检测场景当前时刻采集的检测数据，确定检测场景在当前时刻的多个检测目标的检测结果；
更新模块1603，用于根据待跟踪目标在当前时刻的预测状态和多个检测目标的检测结果，更新待跟踪目标在当前时刻的跟踪结果。
在一个实施例中，预测模块1601包括：
第一获取单元，用于获取待跟踪目标从上一时刻到当前时刻状态变化过程中的高斯噪声，以及待跟踪目标的待跟踪目标从上一时刻到当前时刻的状态转移矩阵；
第一确定单元，用于根据待跟踪目标在上一时刻的跟踪结果、高斯噪声和状态转移矩阵，确定待跟踪目标在当前时刻的预测状态。
在一个实施例中，更新模块1603包括：
匹配单元，用于将各待跟踪目标在当前时刻的预测状态与各检测目标的检测结果进行匹配，得到多个匹配对；每一个匹配对包括一个待跟踪目标和一个检测目标；
得到单元，用于针对任一匹配对，获取待跟踪目标在上一时刻的检测结果和预测状态之间的差值，得到滤波新息；
生成单元，用于根据滤波新息、待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果，生成待跟踪目标在当前时刻的跟踪结果。
在一个实施例中，匹配单元包括：
第一获取子单元，用于根据各待跟踪目标在当前时刻的位置坐标和各检测目标在当前时刻的位置坐标，获取各待跟踪目标与各检测目标之间的区域重合度；
第一确定子单元，用于根据各待跟踪目标与各检测目标之间的区域重合度，确定多个匹配对。
在一个实施例中，第一确定子单元包括：
第二确定子单元，用于针对任一待跟踪目标，若存在与待跟踪目标的区域重合度大于预设重合阈值的检测目标，则将待跟踪目标和区域重合度最大的检测目标确定为匹配对；
第二获取子单元，用于若不存在区域重合度最大的检测目标，则获取待跟踪目标和各检测目标之间的距离，并根据待跟踪目标和各检测目标之间的距离，确定待跟踪目标的匹配对。
在一个实施例中，第二获取子单元包括：
第三获取子单元，用于根据待跟踪目标的航向角，分别获取待跟踪目标与各检测目标的航向偏差；
第三确定子单元，用于根据各航向偏差和预设的距离系数，确定待跟踪目标和各检测目标之间的距离。
在一个实施例中，第二获取子单元包括：
第四获取子单元，用于获取与待跟踪目标的距离小于预设距离阈值的检测目标；
第四确定子单元，用于将待跟踪目标和距离最小的检测目标确定为匹配对。
在一个实施例中，该装置1600还包括：
剔除模块，用于在确定完多个匹配对之后，若存在未匹配成功的待跟踪目标和检测目标，则将待跟踪目标剔除，并将检测目标作为待跟踪目标。
在一个实施例中，生成单元包括：
更新子单元，用于根据滤波新息，更新待跟踪目标从上一时刻到当前时刻的滤波增益矩阵；
第一计算子单元，用于根据滤波增益矩阵、待跟踪目标在当前时刻状态量到观测量的转换矩阵、待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果，计算待跟踪目标在当前时刻的跟踪结果。
在一个实施例中，更新子单元包括：
第五确定子单元，用于根据滤波新息，确定待跟踪目标从上一时刻到当前时刻的过程噪声和观测噪声；
第一得到子单元，用于根据待跟踪目标在上一时刻的跟踪结果的协方差矩阵、状态转移矩阵、过程噪声和观测噪声，得到待跟踪目标从上一时刻到当前时刻的滤波增益矩阵。
在一个实施例中，第五确定子单元包括：
第五获取子单元，用于获取滤波新息的均值；
根据滤波新息的均值、转换矩阵和待跟踪目标在上一时刻的预测状态的协方差矩阵，得到过程噪声；
第二得到子单元，用于根据滤波新息的均值、上一时刻的滤波增益矩阵，得到观测噪声。
在一个实施例中，第一得到子单元包括：
第二计算子单元，用于根据待跟踪目标在上一时刻的跟踪结果的协方差矩阵、状态转移矩阵和过程噪声，计算待跟踪目标在当前时刻的预测状态的协方差矩阵；
第六确定子单元，用于根据待跟踪目标在当前时刻的预测状态的协方差矩阵、转换矩阵和观测噪声，确定待跟踪目标从上一时刻到当前时刻的滤波增益矩阵。
上述目标跟踪装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图17所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标跟踪数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标跟踪方法。
本领域技术人员可以理解，图17中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
本实施例中处理器实现的各步骤，其实现原理和技术效果与上述目标跟踪方法的原理类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本实施例中计算机程序被处理器执行时实现的各步骤，其实现原理和技术效果与上述目标跟踪方法的原理类似，在此不再赘述。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本实施例中计算机程序被处理器执行时实现的各步骤，其实现原理和技术效果与上述目标跟踪方法的原理类似，在此不再赘述。
需要说明的是，本申请所涉及的数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (16)
1.一种目标跟踪方法，其特征在于，所述方法包括：
根据待跟踪目标在上一时刻的跟踪结果，确定所述待跟踪目标在当前时刻的预测状态；
根据所述待跟踪目标所属的检测场景当前时刻采集的检测数据，确定所述检测场景在当前时刻的多个检测目标的检测结果；
根据所述待跟踪目标在当前时刻的预测状态和所述多个检测目标的检测结果，更新所述待跟踪目标在当前时刻的跟踪结果。
2.根据权利要求1所述的方法，其特征在于，所述根据待跟踪目标在上一时刻的跟踪结果，确定所述待跟踪目标在当前时刻的预测状态，包括：
获取所述待跟踪目标从上一时刻到当前时刻状态变化过程中的高斯噪声，以及所述待跟踪目标的所述待跟踪目标从上一时刻到当前时刻的状态转移矩阵；
根据待跟踪目标在上一时刻的跟踪结果、所述高斯噪声和所述状态转移矩阵，确定所述待跟踪目标在当前时刻的预测状态。
3.根据权利要求1或2所述的方法，其特征在于，所述待跟踪目标包括多个，所述根据所述待跟踪目标在当前时刻的预测状态和所述多个检测目标的检测结果，更新所述待跟踪目标在当前时刻的跟踪结果，包括：
将各所述待跟踪目标在当前时刻的预测状态与各所述检测目标的检测结果进行匹配，得到多个匹配对；每一个匹配对包括一个待跟踪目标和一个检测目标；
针对任一匹配对，获取所述待跟踪目标在上一时刻的检测结果和预测状态之间的差值，得到滤波新息；
根据所述滤波新息、所述待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果，生成所述待跟踪目标在当前时刻的跟踪结果。
4.根据权利要求3所述的方法，其特征在于，所述预测状态包括所述待跟踪目标的位置坐标；所述检测结果包括所述检测目标的位置坐标；所述将各所述待跟踪目标在当前时刻的预测状态与各所述检测目标的检测结果进行匹配，得到多个匹配对，包括：
根据各所述待跟踪目标在当前时刻的位置坐标和各所述检测目标在当前时刻的位置坐标，获取各所述待跟踪目标与各所述检测目标之间的区域重合度；
根据各所述待跟踪目标与各所述检测目标之间的区域重合度，确定所述多个匹配对。
5.根据权利要求4所述的方法，其特征在于，所述根据各所述待跟踪目标与各所述检测目标之间的区域重合度，确定所述多个匹配对，包括：
针对任一待跟踪目标，若存在与所述待跟踪目标的区域重合度大于预设重合阈值的检测目标，则将所述待跟踪目标和所述区域重合度最大的检测目标确定为匹配对；
若不存在所述区域重合度最大的检测目标，则获取所述待跟踪目标和各所述检测目标之间的距离，并根据所述待跟踪目标和各所述检测目标之间的距离，确定所述待跟踪目标的匹配对。
6.根据权利要求5所述的方法，其特征在于，所述获取所述待跟踪目标和各所述检测目标之间的距离，包括：
根据所述待跟踪目标的航向角，分别获取所述待跟踪目标与各所述检测目标的航向偏差；
根据各所述航向偏差和预设的距离系数，确定所述待跟踪目标和各所述检测目标之间的距离。
7.根据权利要求6所述的方法，其特征在于，所述根据所述待跟踪目标和各所述检测目标之间的距离，确定所述待跟踪目标的匹配对，包括：
获取与所述待跟踪目标的距离小于预设距离阈值的检测目标；
将所述待跟踪目标和所述距离最小的检测目标确定为匹配对。
8.根据权利要求5所述的方法，其特征在于，所述方法还包括：
在所述确定完多个匹配对之后，若存在未匹配成功的待跟踪目标和检测目标，则将所述待跟踪目标剔除，并将所述检测目标作为待跟踪目标。
9.根据权利要求3所述的方法，其特征在于，所述根据所述滤波新息、所述待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果，生成所述待跟踪目标在当前时刻的跟踪结果，包括：
根据所述滤波新息，更新所述待跟踪目标从上一时刻到当前时刻的滤波增益矩阵；
根据所述滤波增益矩阵、所述待跟踪目标在当前时刻状态量到观测量的转换矩阵、所述待跟踪目标的在当前时刻的预测状态和当前时刻的检测结果，计算所述待跟踪目标在当前时刻的跟踪结果。
10.根据权利要求9所述的方法，其特征在于，所述根据所述滤波新息，更新所述待跟踪目标从上一时刻到当前时刻的滤波增益矩阵，包括：
根据所述滤波新息，确定所述待跟踪目标从上一时刻到当前时刻的过程噪声和观测噪声；
根据所述待跟踪目标在上一时刻的跟踪结果的协方差矩阵、所述状态转移矩阵、所述过程噪声和所述观测噪声，得到所述待跟踪目标从上一时刻到当前时刻的滤波增益矩阵。
11.根据权利要求10所述的方法，其特征在于，所述根据所述滤波新息，确定所述待跟踪目标从上一时刻到当前时刻的过程噪声和观测噪声，包括：
获取所述滤波新息的均值；
根据所述滤波新息的均值、所述转换矩阵和所述待跟踪目标在上一时刻的预测状态的协方差矩阵，得到所述过程噪声；
根据所述滤波新息的均值、上一时刻的滤波增益矩阵，得到所述观测噪声。
12.根据权利要求10所述的方法，其特征在于，所述根据所述待跟踪目标在上一时刻的跟踪结果的协方差矩阵、所述状态转移矩阵、所述过程噪声和所述观测噪声，得到所述待跟踪目标从上一时刻到当前时刻的滤波增益矩阵，包括：
根据所述待跟踪目标在上一时刻的跟踪结果的协方差矩阵、所述状态转移矩阵和所述过程噪声，计算所述待跟踪目标在当前时刻的预测状态的协方差矩阵；
根据所述待跟踪目标在当前时刻的预测状态的协方差矩阵、所述转换矩阵和所述观测噪声，确定所述待跟踪目标从上一时刻到当前时刻的滤波增益矩阵。
13.一种目标跟踪装置，其特征在于，所述装置包括：
预测模块，用于根据待跟踪目标在上一时刻的跟踪结果，确定所述待跟踪目标在当前时刻的预测状态；
检测模块，用于根据所述待跟踪目标所属的检测场景当前时刻采集的检测数据，确定所述检测场景在当前时刻的多个检测目标的检测结果；
更新模块，用于根据所述待跟踪目标在当前时刻的预测状态和所述多个检测目标的检测结果，更新所述待跟踪目标在当前时刻的跟踪结果。
14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述的方法的步骤。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法的步骤。
16.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211694290.5A CN115810030A (zh) | 2022-12-28 | 2022-12-28 | 目标跟踪方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211694290.5A CN115810030A (zh) | 2022-12-28 | 2022-12-28 | 目标跟踪方法、装置、设备、存储介质和程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115810030A true CN115810030A (zh) | 2023-03-17 |
Family
ID=85487242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211694290.5A Pending CN115810030A (zh) | 2022-12-28 | 2022-12-28 | 目标跟踪方法、装置、设备、存储介质和程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115810030A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152197A (zh) * | 2023-10-30 | 2023-12-01 | 成都睿芯行科技有限公司 | 一种跟踪对象的确定方法、系统及跟踪方法、系统 |
-
2022
- 2022-12-28 CN CN202211694290.5A patent/CN115810030A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152197A (zh) * | 2023-10-30 | 2023-12-01 | 成都睿芯行科技有限公司 | 一种跟踪对象的确定方法、系统及跟踪方法、系统 |
| CN117152197B (zh) * | 2023-10-30 | 2024-01-23 | 成都睿芯行科技有限公司 | 一种跟踪对象的确定方法、系统及跟踪方法、系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Overview and methods of correlation filter algorithms in object tracking | |
| CN110657803B (zh) | 机器人定位方法、装置以及存储装置 | |
| CN111127513B (zh) | 一种多目标跟踪方法 | |
| Yousif et al. | An overview to visual odometry and visual SLAM: Applications to mobile robotics | |
| US11402509B2 (en) | Method and system for use in performing localisation | |
| Strasdat et al. | Scale Drift-Aware Large Scale Monocular SLAM. | |
| Lynen et al. | Placeless place-recognition | |
| Jellal et al. | LS-ELAS: Line segment based efficient large scale stereo matching | |
| Roshan Zamir et al. | Gps-tag refinement using random walks with an adaptive damping factor | |
| CN111709975A (zh) | 多目标跟踪方法、装置、电子设备及存储介质 | |
| CN115810030A (zh) | 目标跟踪方法、装置、设备、存储介质和程序产品 | |
| Sehgal et al. | Lidar-monocular visual odometry with genetic algorithm for parameter optimization | |
| Wang et al. | Global localization with a single-line LiDAR by dense 2D signature and 1D registration | |
| Nielsen et al. | Survey on 2d lidar feature extraction for underground mine usage | |
| Charroud et al. | Fast and accurate localization and mapping method for self-driving vehicles based on a modified clustering particle filter | |
| Leung et al. | Evaluating set measurement likelihoods in random-finite-set slam | |
| CN112270748A (zh) | 基于图像的三维重建方法及装置 | |
| CN116681730A (zh) | 一种目标物追踪方法、装置、计算机设备和存储介质 | |
| CN114463429B (zh) | 机器人、地图创建方法、定位方法及介质 | |
| WO2022252482A1 (zh) | 机器人及其环境地图构建方法和装置 | |
| US11830218B2 (en) | Visual-inertial localisation in an existing map | |
| CN113902874A (zh) | 点云数据处理方法、装置、计算机设备和存储介质 | |
| Sun et al. | A Real-time Multi-target tracking method based on Deep Learning | |
| CN115096286A (zh) | 地图合并方法、装置、机器人、存储介质和程序产品 | |
| CN114528453A (zh) | 全局重定位方法、装置、电子设备及存储介质 |
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 |