CN115984328A - 用于自动驾驶的多阶段匹配方法、装置和计算机设备 - Google Patents

Abstract

本发明公开了一种用于自动驾驶的多阶段匹配方法、装置和计算机设备。其中，所述方法包括：配置三个阈值包括低分数阈值、高分数阈值和生产轨迹阈值，基于该三个阈值，将检测框和轨迹预测框分别划分为四个集合，基于该四个集合，通过将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，和将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，和将未匹配上的高分数3D检测框与非确定态3D轨迹预测框匹配为第三匹配阶段，和将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段，设置两个匹配标准代替一个匹配标准和三个阈值代替一个阈值。通过上述方式，能够实现提高多目标跟踪方案的精确性和鲁棒性。

Description

用于自动驾驶的多阶段匹配方法、装置和计算机设备

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种用于自动驾驶的多阶段匹配方法、装置和计算机设备。

背景技术

现有的用于自动驾驶的多阶段匹配方案，在L4级别自动驾驶实现的前提是需要一个可靠的、鲁棒性强的感知方案，包括一套传感器和相关的感知算法。为了满足自动驾驶的安全需求，选择高精度和获取信息丰富的激光雷达作为传感器是合理的，因此，需要基于激光雷达输出的3D点云设计感知算法，算法主要包括两个模块，即多目标检测模块和多目标跟踪模块。感知方案除必须满足的精确度外，还必须满足车辆行驶的实时性，即算法处理每帧点云的时间小于激光雷达输出一帧点云的时间。由于多目标检测模块的推理过程比较耗时，所以多目标跟踪算法的处理时间通常需要控制在几毫秒内。因此，基于卡尔曼滤波设计的多目标跟踪算法较为常见。

多目标跟踪算法的输入为多目标检测模块输出的3D检测框，每一个检测框代表一个被检测出来的物体，包含了物体的类别信息如车辆、行人、自行车等、位置信息、尺寸信息等，由于检测算法自身的局限性，存在误检、漏检的可能性，并且检测框没有物体的速度信息和帧间关系的信息，因此，跟踪算法模块的主要作用如下：

1、将跟踪过程中出现的同一个物体赋值同一个ID，不与其他任何物体的ID相同，并生成3D轨迹；

2、过滤误检框；

3、补充漏检框；

4、补充物体速度信息；

从这个角度来讲，跟踪算法作为整个感知方案的后处理过程，其处理结果极度依赖检测模块的结果。

SORT(多目标跟踪)算法是一种经典的多目标跟踪算法，该算法基于卡尔曼滤波建模每个目标的轨迹，用每一帧的检测框更新对应轨迹的状态，将当前帧的检测框和预测的轨迹框准确地关联起来。SORT算法和相关扩展方案的匹配算法主要步骤如下：

1、基于某一个匹配标准如欧式距离、3D IoU(Intersection over Union,交并比)等，计算检测框与轨迹预测框之间的成本矩阵；

2、使用组合优化算法如匈牙利算法、贪心算法等找出最优的算法组合核心参数为检测框的分数阈值。检测模块赋予每一个检测框一个分数，代表物体的存在概率和检测框的检出正确率，分数低的检测框一般没有对应的物体，分数高的检测框一般有对应的物体，并且表示检测框的尺寸和位置都准确。如果设定的阈值过低，感知方案很可能会输出一些没有对应物体的轨迹，导致无理由刹车之类的问题；如果阈值过高，感知方案可能延迟一些轨迹的输出，不利于车辆的决策行为。

因此，研究能够提高匹配算法精度的方法很有价值。

针对3D点云目标匹配过程，SORT算法具有一定的缺点：

1、由于上文描述的匹配算法只按一个匹配标准进行匹配，所以选择任何一种匹配标准都会有一些相关的误差，导致多目标跟踪方案的精确性一般；

2、由于上文描述的匹配算法只按一个分数阈值过滤低分数的检测框，所以无法避免错误地过滤一些需要的检测框，导致多目标跟踪方案的鲁棒性一般。

发明内容

有鉴于此，本发明的目的在于提出一种用于自动驾驶的多阶段匹配方法、装置和计算机设备，能够实现提高多目标跟踪方案的精确性和鲁棒性。

根据本发明的一个方面，提供一种用于自动驾驶的多阶段匹配方法，包括：配置三个阈值包括低分数阈值α_low、高分数阈值β_high和生产轨迹阈值γ_spawn；基于所述三个阈值，将检测框和轨迹预测框分别划分为四个集合；基于所述四个集合，通过将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，和将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，和将未匹配上的高分数3D检测框与非确定态3D轨迹预测框匹配为第三匹配阶段，和将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段的方式，设置两个匹配标准代替一个匹配标准和设置三个阈值代替一个阈值。

其中，所述基于所述三个阈值，将检测框和轨迹预测框分别划分为四个集合，包括：基于所述三个阈值，采用过滤分数小于低分数阈值α_low的检测框，将剩下的检测框按高分数阈值β_high分为低分数的检测框和高分数的检测框，并将轨迹预测框分为确定态轨迹和非确定态轨迹的方式，将检测框和轨迹预测框分别划分为四个集合。

其中，所述将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，包括：采用对最高质量的框进行匹配和先匹配易匹配的框的方式，将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段。

其中，所述将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，包括：使用低分数的检测框匹配第一匹配阶段没有匹配上的轨迹预测框的方式，将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段。

其中，所述将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段，包括：采用将剩下的框投影到虚构的2D平面上的想象图像和基于2D IoU交并比进行匹配的方式，将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段。

根据本发明的一个方面，提供一种用于自动驾驶的多阶段匹配装置，包括：配置模块、划分模块和设置模块；所述配置模块，用于配置三个阈值包括低分数阈值α_low、高分数阈值β_high和生产轨迹阈值γ_spawn；所述划分模块，用于基于所述三个阈值，将检测框和轨迹预测框分别划分为四个集合；所述设置模块，用于基于所述四个集合，通过将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，和将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，和将未匹配上的高分数3D检测框与非确定态3D轨迹预测框匹配为第三匹配阶段，和将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段的方式，设置两个匹配标准代替一个匹配标准和设置三个阈值代替一个阈值。

其中，所述划分模块，具体用于：基于所述三个阈值，采用过滤分数小于低分数阈值α_low的检测框，将剩下的检测框按高分数阈值β_high分为低分数的检测框和高分数的检测框，并将轨迹预测框分为确定态轨迹和非确定态轨迹的方式，将检测框和轨迹预测框分别划分为四个集合。

其中，所述设置模块，具体用于：采用对最高质量的框进行匹配和先匹配易匹配的框的方式，将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段。

其中，所述设置模块，具体用于：使用低分数的检测框匹配第一匹配阶段没有匹配上的轨迹预测框的方式，将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段。

其中，所述设置模块，具体用于：采用将剩下的框投影到虚构的2D平面上的想象图像和基于2D IoU交并比进行匹配的方式，将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段。

根据本发明的又一个方面，提供一种计算机设备，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如上述任意一项所述的用于自动驾驶的多阶段匹配方法。

根据本发明的再一个方面，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述的用于自动驾驶的多阶段匹配方法。

可以发现，以上方案，可以配置三个阈值包括低分数阈值α_low、高分数阈值β_high和生产轨迹阈值γ_spawn，和可以基于该三个阈值，将检测框和轨迹预测框分别划分为四个集合，以及可以基于该四个集合，通过将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，和将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，和将未匹配上的高分数3D检测框与非确定态3D轨迹预测框匹配为第三匹配阶段，和将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段的方式，设置两个匹配标准代替一个匹配标准和设置三个阈值代替一个阈值，能够实现使用两个匹配标准代替一个匹配标准和设置三个阈值代替一个阈值，实现一个覆盖更多情况的多阶段匹配算法，能够实现提高多目标跟踪方案的精确性和鲁棒性。

进一步的，以上方案，可以基于该三个阈值，采用过滤分数小于低分数阈值α_low的检测框，将剩下的检测框按高分数阈值β_high分为低分数的检测框和高分数的检测框，并将轨迹预测框分为确定态轨迹和非确定态轨迹的方式，将检测框和轨迹预测框分别划分为四个集合，这样的好处是能够实现提高将检测框和轨迹预测框分别划分为四个集合的准确率。

进一步的，以上方案，可以采用对最高质量的框进行匹配和先匹配易匹配的框的方式，将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，这样的好处是能够实现减少数据量以及降低接下来各匹配阶段的难度。

进一步的，以上方案，可以使用低分数的检测框匹配第一匹配阶段没有匹配上的轨迹预测框的方式，将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，这样的好处是能够实现看一下还有没有需要的低分数框，然后因为有比低分数框最高的分数还高的伽玛(gamma_spawn)的阈值，无匹配上的低分数检测框也不会被改成新的轨迹。

进一步的，以上方案，可以采用将剩下的框投影到虚构的2D平面上的想象图像和基于2D IoU交并比进行匹配的方式，将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段，这样的好处是能够实现提高对高速物体识别的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明用于自动驾驶的多阶段匹配方法一实施例的流程示意图；

图2是本发明用于自动驾驶的多阶段匹配装置一实施例的结构示意图；

图3是本发明计算机设备一实施例的结构示意图。

具体实施方式

下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，本领域普通技术人员在没有作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。

本发明提供一种用于自动驾驶的多阶段匹配方法，能够实现提高多目标跟踪方案的精确性和鲁棒性。

请参见图1，图1是本发明用于自动驾驶的多阶段匹配方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括如下步骤：

S101：配置三个阈值包括低分数阈值α_low、高分数阈值β_high和生产轨迹阈值γ_spawn。

在本实施例中，该三个阈值的关系可以是0.0≤α_low≤β_high≤γ_spawn≤1.0，也可以是其它关系，本发明不加以限定。

S102：基于该三个阈值，将检测框和轨迹预测框分别划分为四个集合。

其中，该基于该三个阈值，将检测框和轨迹预测框分别划分为四个集合，可以包括：

基于该三个阈值，采用过滤分数小于低分数阈值α_low的检测框，将剩下的检测框按高分数阈值β_high分为低分数的检测框和高分数的检测框，并将轨迹预测框分为确定态轨迹和非确定态轨迹的方式，将检测框和轨迹预测框分别划分为四个集合，这样的好处是能够实现提高将检测框和轨迹预测框分别划分为四个集合的准确率。

S103：基于该四个集合，通过将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，和将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，和将未匹配上的高分数3D检测框与非确定态3D轨迹预测框匹配为第三匹配阶段，和将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段的方式，设置两个匹配标准代替一个匹配标准和设置三个阈值代替一个阈值。

在本实施例中，未匹配上的高分数检测框按生产轨迹阈值γ_spawn过滤，低于阈值的将被过滤掉，将剩下的未匹配上的高分数检测框和未匹配上的轨迹预测框包含确定态和非确定态投影到一张虚构的图像上，从世界的3D空间投影到虚构图像的2D空间的关系，可以如下：

在本实施例中，x是虚构图像2D空间中的点，P是相机矩阵，X是世界3D空间中的点，R是旋转矩阵，t是平移向量，f是焦距，p是主点偏移。K是校准矩阵，也被称为相机的内参，[R|t]也被称为相机的外参。R和t定义为从世界坐标到相机坐标的转换，顺序是先旋转后平移。采集激光雷达的训练检测模型的数据集的过程中，通常有一台相机和激光雷达一起录数据，这样标注数据的人可以参考视频，可以用这种配置来定参数，最后在图像的2D空间中进行该第四匹配阶段。

其中，该将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，可以包括：

采用对最高质量的框进行匹配和先匹配易匹配的框的方式，将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，这样的好处是能够实现减少数据量以及降低接下来各匹配阶段的难度。

其中，该将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，可以包括：

使用低分数的检测框匹配第一匹配阶段没有匹配上的轨迹预测框的方式，将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，这样的好处是能够实现看一下还有没有需要的低分数框，然后因为有比低分数框最高的分数还高的伽玛的阈值，无匹配上的低分数检测框也不会被改成新的轨迹。

在本实施例中，因为非确定态的轨迹可能没有对应的物体，所以只能将它们的预测框与还没匹配上的高分数检测框匹配。经过该第一匹配阶段和该第二匹配阶段和该第三匹配阶段后，大部分检测框和对应的轨迹预测框已经匹配上了，用生产轨迹阈值γ_spawn过滤以后，在大多数情况下所有确定态的轨迹能够匹配上对应的检测框，并且将新出现物体的检测框例如还没有对应的轨迹分离出来。现在只剩下速度较快的物体：从匹配的角度来看，速度快即两帧之间的相对距离较远，所以可能超过与匹配标准相关的一个阈值而匹配失败。速度较快的物体一般直行，在它们的最近范围内一般也没有别的物体，从人类司机的角度来看，物体的中心点没有太大的移动，并且因为存在高速物体的场景，物体场景一般不密集，所以很容易能识别为同一物体。

其中，该将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段，可以包括：

采用将剩下的框投影到虚构的2D平面上的想象图像和基于2D IoU交并比进行匹配的方式，将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段，这样的好处是能够实现提高对高速物体识别的准确率。

可以发现，在本实施例中，可以配置三个阈值包括低分数阈值α_low、高分数阈值β_high和生产轨迹阈值γ_spawn，和可以基于该三个阈值，将检测框和轨迹预测框分别划分为四个集合，以及可以基于该四个集合，通过将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，和将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，和将未匹配上的高分数3D检测框与非确定态3D轨迹预测框匹配为第三匹配阶段，和将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段的方式，设置两个匹配标准代替一个匹配标准和设置三个阈值代替一个阈值，能够实现使用两个匹配标准代替一个匹配标准和设置三个阈值代替一个阈值，实现一个覆盖更多情况的多阶段匹配算法，能够实现提高多目标跟踪方案的精确性和鲁棒性。

进一步的，在本实施例中，可以基于该三个阈值，采用过滤分数小于低分数阈值α_low的检测框，将剩下的检测框按高分数阈值β_high分为低分数的检测框和高分数的检测框，并将轨迹预测框分为确定态轨迹和非确定态轨迹的方式，将检测框和轨迹预测框分别划分为四个集合，这样的好处是能够实现提高将检测框和轨迹预测框分别划分为四个集合的准确率。

进一步的，在本实施例中，可以采用对最高质量的框进行匹配和先匹配易匹配的框的方式，将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，这样的好处是能够实现减少数据量以及降低接下来各匹配阶段的难度。

进一步的，在本实施例中，可以使用低分数的检测框匹配第一匹配阶段没有匹配上的轨迹预测框的方式，将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，这样的好处是能够实现看一下还有没有需要的低分数框，然后因为有比低分数框最高的分数还高的伽玛的阈值，无匹配上的低分数检测框也不会被改成新的轨迹。

进一步的，在本实施例中，可以采用将剩下的框投影到虚构的2D平面上的想象图像和基于2D IoU交并比进行匹配的方式，将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段，这样的好处是能够实现提高对高速物体识别的准确率。

本发明还提供一种用于自动驾驶的多阶段匹配装置，能够实现提高多目标跟踪方案的精确性和鲁棒性。

请参见图2，图2是本发明用于自动驾驶的多阶段匹配装置一实施例的结构示意图。本实施例中，该用于自动驾驶的多阶段匹配装置20包括配置模块21、划分模块22和设置模块23。

该配置模块21，用于配置三个阈值包括低分数阈值α_low、高分数阈值β_high和生产轨迹阈值γ_spawn。

该划分模块22，用于基于该三个阈值，将检测框和轨迹预测框分别划分为四个集合。

该设置模块23，用于基于该四个集合，通过将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，和将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，和将未匹配上的高分数3D检测框与非确定态3D轨迹预测框匹配为第三匹配阶段，和将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段的方式，设置两个匹配标准代替一个匹配标准和设置三个阈值代替一个阈值。

可选地，该划分模块22，可以具体用于：

基于该三个阈值，采用过滤分数小于低分数阈值α_low的检测框，将剩下的检测框按高分数阈值β_high分为低分数的检测框和高分数的检测框，并将轨迹预测框分为确定态轨迹和非确定态轨迹的方式，将检测框和轨迹预测框分别划分为四个集合。

可选地，该设置模块23，可以具体用于：

采用对最高质量的框进行匹配和先匹配易匹配的框的方式，将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段。

可选地，该设置模块23，可以具体用于：

使用低分数的检测框匹配第一匹配阶段没有匹配上的轨迹预测框的方式，将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段。

可选地，该设置模块23，可以具体用于：

采用将剩下的框投影到虚构的2D平面上的想象图像和基于2D IoU交并比进行匹配的方式，将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段。

该用于自动驾驶的多阶段匹配装置20的各个单元模块可分别执行上述方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。

本发明又提供一种计算机设备，如图3所示，包括：至少一个处理器31；以及，与至少一个处理器31通信连接的存储器32；其中，存储器32存储有可被至少一个处理器31执行的指令，指令被至少一个处理器31执行，以使至少一个处理器31能够执行上述的用于自动驾驶的多阶段匹配方法。

其中，存储器32和处理器31采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器31和存储器32的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器31处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器31。

处理器31负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器32可以被用于存储处理器31在执行操作时所使用的数据。

本发明再提供一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。

可以发现，以上方案，可以配置三个阈值包括低分数阈值α_low、高分数阈值β_high和生产轨迹阈值γ_spawn，和可以基于该三个阈值，将检测框和轨迹预测框分别划分为四个集合，以及可以基于该四个集合，通过将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，和将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，和将未匹配上的高分数3D检测框与非确定态3D轨迹预测框匹配为第三匹配阶段，和将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段的方式，设置两个匹配标准代替一个匹配标准和设置三个阈值代替一个阈值，能够实现使用两个匹配标准代替一个匹配标准和设置三个阈值代替一个阈值，实现一个覆盖更多情况的多阶段匹配算法，能够实现提高多目标跟踪方案的精确性和鲁棒性。

进一步的，以上方案，可以基于该三个阈值，采用过滤分数小于低分数阈值α_low的检测框，将剩下的检测框按高分数阈值β_high分为低分数的检测框和高分数的检测框，并将轨迹预测框分为确定态轨迹和非确定态轨迹的方式，将检测框和轨迹预测框分别划分为四个集合，这样的好处是能够实现提高将检测框和轨迹预测框分别划分为四个集合的准确率。

进一步的，以上方案，可以采用对最高质量的框进行匹配和先匹配易匹配的框的方式，将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，这样的好处是能够实现减少数据量以及降低接下来各匹配阶段的难度。

进一步的，以上方案，可以使用低分数的检测框匹配第一匹配阶段没有匹配上的轨迹预测框的方式，将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，这样的好处是能够实现看一下还有没有需要的低分数框，然后因为有比低分数框最高的分数还高的伽玛的阈值，无匹配上的低分数检测框也不会被改成新的轨迹。

进一步的，以上方案，可以采用将剩下的框投影到虚构的2D平面上的想象图像和基于2D IoU交并比进行匹配的方式，将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段，这样的好处是能够实现提高对高速物体识别的准确率。

在本发明所提供的几个实施方式中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种用于自动驾驶的多阶段匹配方法，其特征在于，包括：

配置三个阈值包括低分数阈值α_low、高分数阈值β_high和生产轨迹阈值γ_spawn；

基于所述三个阈值，将检测框和轨迹预测框分别划分为四个集合；

基于所述四个集合，通过将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，和将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，和将未匹配上的高分数3D检测框与非确定态3D轨迹预测框匹配为第三匹配阶段，和将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段的方式，设置两个匹配标准代替一个匹配标准和设置三个阈值代替一个阈值。

2.如权利要求书1所述的用于自动驾驶的多阶段匹配方法，其特征在于，所述基于所述三个阈值，将检测框和轨迹预测框分别划分为四个集合，包括：

基于所述三个阈值，采用过滤分数小于低分数阈值α_low的检测框，将剩下的检测框按高分数阈值β_high分为低分数的检测框和高分数的检测框，并将轨迹预测框分为确定态轨迹和非确定态轨迹的方式，将检测框和轨迹预测框分别划分为四个集合。

3.如权利要求书1所述的用于自动驾驶的多阶段匹配方法，其特征在于，所述将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，包括：

采用对最高质量的框进行匹配和先匹配易匹配的框的方式，将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段。

4.如权利要求书1所述的用于自动驾驶的多阶段匹配方法，其特征在于，所述将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，包括：

使用低分数的检测框匹配第一匹配阶段没有匹配上的轨迹预测框的方式，将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段。

5.如权利要求书1所述的用于自动驾驶的多阶段匹配方法，其特征在于，所述将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段，包括：

采用将剩下的框投影到虚构的2D平面上的想象图像和基于2D IoU交并比进行匹配的方式，将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段。

6.一种用于自动驾驶的多阶段匹配装置，其特征在于，包括：

配置模块、划分模块和设置模块；

所述配置模块，用于配置三个阈值包括低分数阈值α_low、高分数阈值β_high和生产轨迹阈值γ_spawn；

所述划分模块，用于基于所述三个阈值，将检测框和轨迹预测框分别划分为四个集合；

所述设置模块，用于基于所述四个集合，通过将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段，和将低分数的3D检测框与未匹配上的确定态3D轨迹预测框匹配为第二匹配阶段，和将未匹配上的高分数3D检测框与非确定态3D轨迹预测框匹配为第三匹配阶段，和将剩下的高分数2D检测框与剩下的2D轨迹预测框匹配为第四匹配阶段的方式，设置两个匹配标准代替一个匹配标准和设置三个阈值代替一个阈值。

7.如权利要求6所述的用于自动驾驶的多阶段匹配装置，其特征在于，所述划分模块，具体用于：

基于所述三个阈值，采用过滤分数小于低分数阈值α_low的检测框，将剩下的检测框按高分数阈值β_high分为低分数的检测框和高分数的检测框，并将轨迹预测框分为确定态轨迹和非确定态轨迹的方式，将检测框和轨迹预测框分别划分为四个集合。

8.如权利要求6所述的用于自动驾驶的多阶段匹配装置，其特征在于，所述设置模块，具体用于：采用对最高质量的框进行匹配和先匹配易匹配的框的方式，将高分数的3D检测框与确定态3D轨迹预测框匹配为第一匹配阶段。

9.一种计算机设备，其特征在于，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如权利要求1至5任意一项所述的用于自动驾驶的多阶段匹配方法。

10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任意一项所述的用于自动驾驶的多阶段匹配方法。

Images