CN117152197A - 一种跟踪对象的确定方法、系统及跟踪方法、系统 - Google Patents
一种跟踪对象的确定方法、系统及跟踪方法、系统 Download PDFInfo
- Publication number
- CN117152197A CN117152197A CN202311413994.5A CN202311413994A CN117152197A CN 117152197 A CN117152197 A CN 117152197A CN 202311413994 A CN202311413994 A CN 202311413994A CN 117152197 A CN117152197 A CN 117152197A
- Authority
- CN
- China
- Prior art keywords
- tracking
- sub
- storage unit
- class
- pose
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 121
- 230000008859 change Effects 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 description 17
- 230000008569 process Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 230000033001 locomotion Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明适用于目标跟踪技术领域,提供了一种跟踪对象的确定方法、系统及跟踪方法、系统,其中一种跟踪对象的确定方法,包括如下步骤:获取跟踪对象所在空间的N帧图像,计算每帧图像中跟踪对象相对于跟踪装置的粗略位姿,并保存在目标存放单元中;计算每帧图像中多个子类目标相对于所述跟踪装置的精确位姿,并保存在对应的每个子类目标存放单元中;获得所述目标存放单元与所述子类目标存放单元之间的最小欧式距离对应的子类目标;将所述最小欧式距离对应的子类目标确定为跟踪对象。通过本申请的方法可以准确确定出跟踪对象。
Description
技术领域
本发明涉及目标跟踪领域,尤其是涉及一种跟踪对象的确定方法、系统及跟踪方法、系统。
背景技术
在行人检测领域中,通常会采用超宽带感应器对行人进行检测定位,此外采用超宽带感应器方式对行人进行定位时通常使用AOA(Angle of Arrival)方法,该方法在理想状态下定位精度可以达到5cm,5°,但是由于超宽带感应器的信号在狭窄场景或者被遮挡时会发生衰减,致使超宽带感应器对行人的定位精度大幅度的降低,计算出来的行人位姿准确度低,使得对行人的检测定位的稳定性难以得到保证。与此同时,在对行人进行实时的跟踪过程中,由于超宽带感应器的定位精度不够准确,行人相对于机器人的位姿也会不够准确,后续机器人难以稳定的对行人进行跟踪,多次出现行人跟踪失败,跟踪丢失的情况,机器人会出现频繁的转向来寻找需要跟踪的行人,导致导航跟随效果无法满足实际中的需求。
发明内容
本发明的目的是提供一种跟踪对象的确定方法、系统、介质和设备,还提供了一种跟踪对象的跟踪方法、系统、介质和设备,来解决现有技术中存在的上述技术问题,主要包括以下几个方面:
本申请第一方面提供了一种跟踪对象的确定方法,包括如下步骤:
获取跟踪对象所在空间的N帧图像,其中N为整数,且N>1;
计算每帧图像中跟踪对象相对于跟踪装置的粗略位姿,将所述粗略位姿保存在目标存放单元中;计算每帧图像中多个子类目标相对于所述跟踪装置的精确位姿,将所述精确位姿保存在对应的每个子类目标存放单元中;其中,所述粗略位姿为通过第一定位方法获得的跟踪对象相对于所述跟踪装置的位姿;所述精确位姿为通过第二定位方法获得的跟踪对象相对于所述跟踪装置的位姿;所述子类目标通过第一帧图像获得;
根据所述目标存放单元与所述子类目标存放单元,获得所述目标存放单元与所述子类目标存放单元之间的最小欧式距离对应的子类目标;
将所述最小欧式距离对应的子类目标确定为跟踪对象。
进一步地,获取跟踪对象所在空间的N帧图像的方法如下:
对跟踪装置安装超宽带感应器基站和激光雷达,对跟踪对象布置超宽带感应器标签;
所述跟踪装置采集所述跟踪对象所在空间的N帧图像,每帧图像中包括所述激光雷达发射产生的激光点云。
进一步地,所述子类目标通过第一帧图像获得方法如下:
以跟踪对象在第一帧图像中的粗略位姿为圆心,超宽带感应器定位误差为半径,对所述第一帧图像中的激光点云进行过滤和索引,获得多个子类目标。
进一步地,每帧图像中多个子类目标相对于所述跟踪装置的精确位姿计算方法如下:
分别以第N-1帧图像中每个子类目标的精确位姿为圆心;
以第N-1帧图像与第N帧图像之间的时间间隔与跟踪对象的移动速度之积为半径,对第N帧图像中的激光点云进行过滤,计算每帧图像中每个子类目标相对于跟踪装置的精确位姿。
本申请第二方面提供了一种跟踪对象的跟踪方法,包括如下步骤:
根据如上述的跟踪对象的确定方法获得跟踪对象;
跟踪装置采用激光雷达对跟踪对象进行跟踪。
进一步地,跟踪装置采用激光雷达对跟踪对象进行跟踪后还包括:
更新目标存放单元和多个子类目标存放单元,所述目标存放单元与多个所述子类目标存放单元可容纳的最大列数为P;
若目标存放单元和所述子类目标存放单元需要存储的列数F大于最大列数P列时,则清除目标存放单元和所述子类目标存放单元中的前F-P列,分别获得目标更新存放单元和子类目标更新存放单元;
对所述目标更新存放单元和子类目标更新存放单元进行加权,获得目标加权存放单元和子类目标加权存放单元。
进一步地,还包括:
采用二范数分别计算所述目标加权存放单元与跟踪对象对应的子类目标加权存放单元之间的距离的变化趋势;
若变化趋势大于变化趋势阈值,则重新确定跟踪对象进行跟踪。
本申请第三方面提供了一种跟踪对象的确定系统,包括如下模块:
图像获取模块:获取跟踪对象所在空间的N帧图像,其中N为整数,且N>1;
位姿计算模块:计算每帧图像中跟踪对象相对于跟踪装置的粗略位姿,将所述粗略位姿保存在目标存放单元中;计算每帧图像中多个子类目标相对于所述跟踪装置的精确位姿,将所述精确位姿保存在对应的每个子类目标存放单元中;其中,所述粗略位姿为通过第一定位方法获得的跟踪对象相对于所述跟踪装置的位姿;所述精确位姿为通过第二定位方法获得的跟踪对象相对于所述跟踪装置的位姿;所述子类目标通过第一帧图像获得;
对象确定模块:根据所述目标存放单元与所述子类目标存放单元,获得所述目标存放单元与所述子类目标存放单元之间的最小欧式距离对应的子类目标;将所述最小欧式距离对应的子类目标确定为跟踪对象。
本申请第四方面提供了一种跟踪对象的跟踪系统,包括如下模块:
跟踪对象获得模块:根据上述的跟踪对象的确定方法获得跟踪对象;
跟踪模块:跟踪装置采用激光雷达对跟踪对象进行跟踪。
本申请第五方面提供了一种可读存储介质,用于存储程序,所述存储程序被执行时,用于实现上述的跟踪对象的确定方法,或用于实现上述的跟踪对象的跟踪方法。
本申请第六方面提供了一种电子设备,包括一个或多个处理器;存储器,其上存储有一个或者多个程序;当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的跟踪对象的确定方法,或用于实现上述的跟踪对象的跟踪方法。
本发明相对于现有技术至少具有如下技术效果:
当跟踪装置在跟踪对象采用超宽带感应器跟踪的跟踪对象位于狭窄场景或被遮挡等情况,超宽带感应器信号变弱,跟踪装置获得的跟踪对象定位不准确,会出现误跟踪或者丢失跟踪对象的情况。本申请提供的跟踪对象的确定方法,通过超宽带感应器对应的定位方法计算出应该跟踪的跟踪对象的粗略位姿,然后通过激光雷达来获得有可能是跟踪对象的子类目标,最后通过两个方法之间的不断约束计算,在子类目标中确定出真正的跟踪对象。
本申请中,通过计算目标存放单元与子类目标存放单元之间的欧式距离,可以准确找到与跟踪对象运动趋势相同的子类目标。即通过最小欧式距离即可找到与跟踪对象运动趋势相同的子类目标,该子类目标即为跟踪装置需要跟踪的对象,跟踪对象的确定方法简单,且精确度高。
超宽带感应器对应的跟踪方法和激光模式的跟踪方法二者相互约束和结合,可以保证在对跟踪对象的实时跟踪过程中,基本处于高精度、稳定性良好的激光跟踪模式,即使偶尔出现激光模式误跟踪的情况,通过超宽带感应器对应的跟踪方法也能完成校准,保证跟踪的过程中跟踪对象不丢失。
需要说明的是,本公开所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、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)以及信号,均为经用户授权或者经过各方充分授权的,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。例如,本公开中涉及到的多媒体资源等都是在充分授权的情况下获取的。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明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,下面所描述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是本申请中跟踪对象确定方法的流程图;
图2是本申请中在第一帧图像中过滤获取子类目标的示意图;
图3是本申请中在第N帧图像中过滤的示意图;
图4是本发明中的计算机可读存储介质结构示意图;
图5是本发明中的电子设备结构示意图;
具体实施方式
以下的说明提供了许多不同的实施例、或是例子,用来实施本发明的不同特征。以下特定例子所描述的元件和排列方式,仅用来精简的表达本发明,其仅作为例子,而并非用以限制本发明。
在下文中将参考附图对本发明的各方面进行更充分的描述。然而,本发明可以具体化成许多不同形式且不应解释为局限于贯穿本发明所呈现的任何特定结构或功能。相反地,提供这些方面将使得本发明周全且完整,并且本发明将给本领域技术人员充分地传达本发明的范围。基于本文所教导的内容,本领域的技术人员应意识到,无论是单独还是结合本发明的任何其它方面实现本文所公开的任何方面,本发明的范围旨在涵盖本文中所公开的任何方面。例如,可以使用本文所提出任意数量的相机或者执行方法来实现。另外,除了本文所提出本发明的多个方面之外,本发明的范围更旨在涵盖使用其它结构、功能或结构和功能来实现的相机或方法。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
实施例一:
如图1-图3所示,本申请实施例一提供了一种跟踪对象的确定方法,包括如下步骤:
获取跟踪对象所在空间的N帧图像,其中N为整数,且N>1;
计算每帧图像中跟踪对象相对于跟踪装置的粗略位姿,将所述粗略位姿保存在目标存放单元中;计算每帧图像中多个子类目标相对于所述跟踪装置的精确位姿,将所述精确位姿保存在对应的每个子类目标存放单元中;其中,所述粗略位姿为通过第一定位方法获得的跟踪对象相对于所述跟踪装置的位姿;所述精确位姿为通过第二定位方法获得的跟踪对象相对于所述跟踪装置的位姿;所述子类目标通过第一帧图像获得;
根据所述目标存放单元与所述子类目标存放单元,获得所述目标存放单元与所述子类目标存放单元之间的最小欧式距离对应的子类目标;
将所述最小欧式距离对应的子类目标确定为跟踪对象。
上述方案中,跟踪装置采集跟踪对象在移动过程所在空间的N帧图像,N为采集图像帧数的总数量,采集的图像的总数量要大于一帧,帧数越多计算结果越准确。需要说明的是,本申请中跟踪装置上安装有超宽带感应器基站和激光雷达,跟踪对象上布置有超宽带感应器标签,跟踪装置在每隔预设时间间隔会移动一次,每次移动后当前的场景为当前帧图像,如第一秒,跟踪对象在第一秒时所处的场景为获得的跟踪对象所在空间的第一帧图像,间隔一秒后,即第二秒,跟踪对象所述的场景为获得的跟踪对象所在空间的第二帧图像,依次类推,此刻形成的N帧图像是当前时刻下跟踪对象所处的场景画面,并不是由相机等采集而来的,因此,每帧图像中包括了激光雷达发射产生的激光点云以及跟踪对象布置的超宽带感应器标签获得的数据。
需要说明是:所述跟踪装置可以是机器人,也可以是小车等,在此不做限制,只要能够实现行人等个跟踪对象的跟踪即可。
当跟踪装置采集完跟踪对象所在空间的图像之后,需要计算每帧图像中跟踪对象相对于所述跟踪装置的粗略位姿,以及计算每帧图像中每个子类目标相对于所述跟踪装置的精确位姿。优选地,可以在跟踪装置采集跟踪对象的图像过程中计算每帧图像中跟踪对象相对于所述跟踪装置的粗略位姿,以及计算每帧图像中每个子类目标相对于所述跟踪装置的精确位姿,也可以在跟踪装置采集跟踪对象的图像达到预设图像数量后,开始计算每帧图像中跟踪对象相对于所述跟踪装置的粗略位姿,以及计算每帧图像中每个子类目标相对于所述跟踪装置的精确位姿。
本申请中采用超宽带感应器对应的AOA定位方法,即第一定位方法来计算每帧图像中跟踪对象相对于跟踪装置的粗略位姿。采用激光测距方法即第二定位方法来计算每帧图像中每个子类目标相对于跟踪装置的精确位姿。
本申请中在每计算完一帧跟踪对象相对于跟踪装置的粗略位姿后,将精确位姿保存至目标存放单元之中,每计算完一帧一个子类目标相对于跟踪装置的精确位姿后,将每个子类目标的精确位姿存放至对应的子类目标存放单元中。如,跟踪对象a的粗略位姿存放在矩阵A中,子类目标b的精确位姿存放在对应的矩阵B中,子类目标c的精确位姿存放在矩阵C中。
优选地,目标存放单元和子类目标存放单元可以是数据集合,也可以是矩阵,本申请中优选目标存放单元和子类目标存放单元均为矩阵,所述矩阵之间的计算过程简单,计算效率高,提高了本申请提供方法的中确定跟踪对象的效率。
进一步地,本申请的中的子类目标不是任意确定的,而是通过对第一帧图像进行处理分析后获得的,在通过获得了多个子类目标之后,第一帧之后的每一帧图像中的子类目标与第一帧图像中获得的多个子类目标相同。
当目标存放单元中存放的粗略位姿达到目标存放单元的预设数量,以及所述子类目标存放单元中存放的精确位姿达到子类目标存放单元的预设数量时,开始计算目标存放单元与每个子类目标存放单元之间的欧式距离,将目标存放单元与每个子类目标存放单元之间获得的欧式距离进行计算,可以获得最小的欧式距离,然后根据最小欧式距离可以准确地找到与之对应的子类目标,该子类目标即为跟踪装置需要跟踪的跟踪对象。
为了更好地理解技术方案,举例说明:跟踪对象a的粗略位姿存放在矩阵A中,子类目标b的精确位姿存放在对应的矩阵B中,子类目标c的精确位姿存放在矩阵C中,子类目标d的精确位姿存放在矩阵 D中,当矩阵A、B、C、D存放的位姿数量达到预设数量时,分别计算矩阵A与B之间的欧式距离S1、矩阵A与C之间的欧式距离S2、矩阵A与D之间的欧式距离S3,计算获得最小的欧式距离为欧式距离S3,则欧式距离S3对应的子类目标D可以确定为跟踪装置需要跟踪的对象。同时子类目标e、子类目标f等子类目标也可以计算与跟踪对象的矩阵之间的欧式距离。
因此,当跟踪装置在跟踪对象采用超宽带感应器跟踪的跟踪对象位于狭窄场景或被遮挡等情况,超宽带感应器信号变弱,跟踪装置获得的跟踪对象定位不准确,会出现误跟踪或者丢失跟踪对象的情况。本申请提供的跟踪对象的确定方法,通过超宽带感应器对应的定位方法计算出应该跟踪的跟踪对象的粗略位姿,然后通过激光雷达来获得有可能是跟踪对象的子类目标,最后通过两个方法之间的不断约束计算,在子类目标中确定出真正的跟踪对象。
本申请中,采用超宽带感应器对应的定位方法的虽然在跟踪对象位于狭窄场景或被遮挡等情况时,信号会变弱,找不到跟踪对象的准确位姿,但优点是不易丢失,可以确定出跟踪对象的粗略位姿;激光雷达的获得的数据准确度高,将两者结合,通过两者之间的数据构建约束,可以准确地确定出跟踪对象。
进一步地,获取跟踪对象所在空间的N帧图像的方法如下:
对跟踪装置安装超宽带感应器基站和激光雷达,对跟踪对象布置超宽带感应器标签;
所述跟踪装置采集所述跟踪对象所在空间的N帧图像,每帧图像中包括所述激光雷达发射产生的激光点云。
上述方案中,跟踪装置在获取跟踪对象所在空间的图像之前,需要在跟踪装置上安装超宽带感应器基站和激光雷达,跟踪对象的身上一些布置超宽带感应标签。跟踪装置通过自身安装的超宽带感应器基站和跟踪对象身上的超宽带感应器标签,可以计算获得跟踪装置的粗略位姿。在跟踪装置上安装激光雷达,激光雷达在发射的过程中遇到障碍物(行人、树、垃圾桶等)会反射激光数据。通过布置完这些设备之后,跟踪装置来采集跟踪对象所在空间的N帧图像,每帧图像中均会包括激光雷达发射产生的激光点云。
通过在跟踪装置上布置超宽带感应基站和激光雷达,在跟踪对象身上布置超宽带感应标签,有助于后续通过超宽带感应器对应的定位方法和激光雷达的定位方法,准确的确定出跟踪对象的准确位姿,找到真正的跟踪对象。
进一步地,如图2所示,所述子类目标通过第一帧图像获得方法如下:
以跟踪对象a在第一帧图像中的粗略位姿为圆心,超宽带感应器定位误差为半径r,对所述第一帧图像中的激光点云进行过滤和索引,获得多个子类目标b、c、d、e、f。
上述方案中,在完成了跟踪对象的图像采集之后,获取跟踪对象的第一帧图像,对第一帧图像进行处理,计算跟踪对象相对于跟踪装置的粗略位姿,然后以该粗略位姿为圆心,超宽带感应器定位误差为半径,过滤出现在此范围内的激光数据,并且对其临近点进行索引实现分类,得到多个子类目标,如子类目标b、c、d、e、f。同时通过激光雷达对应的定位方法计算第一帧图像中每个子类目标相对于跟踪装置的精确位姿。
通过对第一帧图像的过滤处理,可以过滤掉与跟踪对象的确定不相关的其他子类目标,减小计算数据,提高跟踪对象的确定效率。
进一步地,如图3所示,每帧图像中多个子类目标相对于所述跟踪装置的精确位姿计算方法如下:
分别以第N-1帧图像中每个子类目标的精确位姿为圆心;
以第N-1帧图像与第N帧图像之间的时间间隔与跟踪对象的移动速度之积为半径r’,对第N帧图像中的激光点云进行过滤,计算每帧图像中每个子类目标相对于跟踪装置的精确位姿。
上述方案中,在通过第一帧图像获取到了多个子类目标,以及每个子类目标的精确位姿后,由于跟踪对象在不停移动,因此每帧图像中跟踪对象的粗略位姿和子类目标对象的精确位姿是不同的,不断变化的。因此需要重新计算每帧图像中每个子类目标的精确位姿。以N=2为例,即当前采集的照片为两帧,需要计算第二帧图像中每个子类目标的精确位姿,具体方法为:以第一帧图像中获得的每个子类目标的精确位姿为圆心,第一帧和第二帧之间的时间间隔和跟踪对象移动速度之积为半径,过滤第二帧图像中的激光点云,并计算每个子类目标在第二帧图像中的精确位姿。对后续的第三帧、第四帧、第五帧......第N帧,依次采用同样的方法来计算每一帧中每个子类目标相对于跟踪装置的精确位姿。
通过上述步骤,在计算获得了每帧图像中跟踪对象相对于跟踪装置的粗略位姿,每个子类目标相对于跟踪装置的精确位姿之后,并将每帧图像中获得的跟踪对象相对于跟踪装置的粗略位姿保存至目标存放单元中,每个子类目标相对于跟踪装置的精确位姿保存至子类目标存放单元中。计算目标存放单元与每个子类目标存放单元之间的欧式距离,进而获得最小欧式距离,此时说明最小欧式距离对应的子类目标就是运动趋势与跟踪对象运动趋势最接近的一类,即可确定该子类目标就是跟踪装置需要跟踪的跟踪对象。
确定跟踪对象的计算方法如下:
,
表示与目标矩阵运动趋势最接近的子类,即确定的跟踪对象,A为跟踪对象a的粗略位姿存放的矩阵,O表示多个子类目标的精确位姿的位姿矩阵集合,f为计算矩阵欧式距离的函数。
本申请中,通过计算目标存放单元与子类目标存放单元之间的欧式距离,可以准确找到与跟踪对象运动趋势相同的子类目标。即通过最小欧式距离即可找到与跟踪对象运动趋势相同的子类目标,该子类目标即为跟踪装置需要跟踪的对象。由于超宽带感应器对应的定位方法在跟踪对象处于狭窄场景或被遮挡时会衰减,计算获得的跟踪对象的位姿不准确,只是个粗略的位姿,并不是跟踪对象的准确位姿,可以理解为,通过超宽带感应器定位获得的跟踪对象位姿上跟踪对象并没有在,跟踪装置根据超宽带感应器定位的获得的跟踪目标位姿,并不能找到跟踪对象。因此,需要激光雷达来配合,通过计算欧式距离来找到超宽带感应器定位的误差范围内的子类目标中存在的真正的跟踪目标。
实施例二:
本申请实施例二提供了一种跟踪对象的跟踪方法,包括如下步骤:
根据上述的跟踪对象的确定方法获得跟踪对象;
跟踪装置采用激光雷达对跟踪对象进行跟踪。
上述方案中,当采用上述的方法确定跟踪装置要跟踪的跟踪对象之后,后端可以对跟踪装置下方指令,采用激光跟踪模式对跟踪对象进行跟踪,更加精确的对跟踪对象进行跟踪。
进一步地,跟踪装置采用激光雷达对跟踪对象进行跟踪后还包括:
更新目标存放单元和多个子类目标存放单元,所述目标存放单元与多个所述子类目标存放单元可容纳的最大列数为P;
若目标存放单元和所述子类目标存放单元需要存储的列数F大于最大列数P列时,则清除目标存放单元和所述子类目标存放单元中的前F-P列,分别获得目标更新存放单元和子类目标更新存放单元;
对所述目标更新存放单元和子类目标更新存放单元进行加权,获得目标加权存放单元和子类目标加权存放单元。
上述方案中,跟踪装置确定需要跟踪的跟踪对象之后,采用激光雷达对跟踪对象进行跟踪,跟踪的过程中跟踪目标,以及多个子类目标的位姿是实时跟新的,将最新计算获得的跟踪对象的粗略位姿和子类目标的精确位姿加入到之前的目标存放单元和子类目标存放单元中。
对所述目标更新存放单元和子类目标更新存放单元进行加权的方法如下,以跟踪对象的矩阵A为例:
,
其中,P为A矩阵的列数,为加权之后的矩阵,即目标加权存放单元。
进一步地,还包括:
采用二范数分别计算所述目标加权存放单元与跟踪对象对应的子类目标加权存放单元之间的距离的变化趋势;
若变化趋势大于变化趋势阈值,则重新确定跟踪对象进行跟踪。
在确定完跟踪对象之后,还是需要一直判断跟踪的是否准确,若目标加权存放单元与跟踪对象对应的子类目标加权存放单元之间的距离的变化趋势大于变化趋势阈值时,就说明跟踪装置跟踪对象错了,需要重新确定跟踪对象来进行跟踪。若目标加权存放单元与跟踪对象对应的子类目标加权存放单元之间的距离的变化趋势不大于变化趋势阈值时,就继续跟踪当前的跟踪对象。
在确定了跟踪对象之后,由于子类目标的位姿是通过激光数据计算得来的,子类目标的位姿的精度会大幅度提高,保证了确定的跟踪对象的位姿精度,提高了跟踪效果,但是同时,由于单线激光的特征较少,有时候会出现误跟踪的现象,因此,需要超宽带感应器的定位方法来提供约束规则,即当目标加权存放单元与跟踪对象对应的子类目标加权存放单元之间的距离的变化趋势超过变化趋势阈值时,跟踪装置会自动切换至超宽带感应器的跟踪模式中,保持跟踪的稳定性,不会出现目标丢失的现象,同时,再按照上述跟踪对象的确定方法选择正确的子类目标为跟踪对象,采用高精度的激光模式进行跟踪。
超宽带感应器对应的跟踪方法和激光模式的跟踪方法二者相互约束和结合,可以保证在对跟踪对象的实时跟踪过程中,基本处于高精度、稳定性良好的激光跟踪模式,即使偶尔出现激光模式误跟踪的情况,通过超宽带感应器对应的跟踪方法也能完成校准,保证跟踪的过程中跟踪对象不丢失。
实施例三:
本申请实施例三提供了一种跟踪对象的确定系统,包括如下模块:
图像获取模块:获取跟踪对象所在空间的N帧图像,其中N为整数,且N>1;
位姿计算模块:计算每帧图像中跟踪对象相对于跟踪装置的粗略位姿,将所述粗略位姿保存在目标存放单元中;计算每帧图像中多个子类目标相对于所述跟踪装置的精确位姿,将所述精确位姿保存在对应的每个子类目标存放单元中;其中,所述粗略位姿为通过第一定位方法获得的跟踪对象相对于所述跟踪装置的位姿;所述精确位姿为通过第二定位方法获得的跟踪对象相对于所述跟踪装置的位姿;所述子类目标通过第一帧图像获得;
对象确定模块:根据所述目标存放单元与所述子类目标存放单元,获得所述目标存放单元与所述子类目标存放单元之间的最小欧式距离对应的子类目标;将所述最小欧式距离对应的子类目标确定为跟踪对象。
进一步地,图像获取模块中获取跟踪对象所在空间的N帧图像的方法如下:
对跟踪装置安装超宽带感应器基站和激光雷达,对跟踪对象布置超宽带感应器标签;
所述跟踪装置采集所述跟踪对象所在空间的N帧图像,每帧图像中包括所述激光雷达发射产生的激光点云。
进一步地,所述子类目标通过第一帧图像获得方法如下:
以跟踪对象在第一帧图像中的粗略位姿为圆心,超宽带感应器定位误差为半径,对所述第一帧图像中的激光点云进行过滤和索引,获得多个子类目标。
进一步地,每帧图像中多个子类目标相对于所述跟踪装置的精确位姿计算方法如下:
分别以第N-1帧图像中每个子类目标的精确位姿为圆心;
以第N-1帧图像与第N帧图像之间的时间间隔与跟踪对象的移动速度之积为半径,对第N帧图像中的激光点云进行过滤,计算每帧图像中每个子类目标相对于跟踪装置的精确位姿。
实施例四:
本申请实施例四提供了一种跟踪对象的跟踪系统,包括如下模块:
跟踪对象获得模块:根据上述的跟踪对象的确定方法获得跟踪对象;
跟踪模块:跟踪装置采用激光雷达对跟踪对象进行跟踪。
进一步地,跟踪模块还包括:跟踪装置采用激光雷达对跟踪对象进行跟踪后还包括:
更新目标存放单元和多个子类目标存放单元,所述目标存放单元与多个所述子类目标存放单元可容纳的最大列数为P;
若目标存放单元和所述子类目标存放单元需要存储的列数F大于最大列数P列时,则清除目标存放单元和所述子类目标存放单元中的前F-P列,分别获得目标更新存放单元和子类目标更新存放单元;
对所述目标更新存放单元和子类目标更新存放单元进行加权,获得目标加权存放单元和子类目标加权存放单元。
进一步地,还包括:
采用二范数分别计算所述目标加权存放单元与跟踪对象对应的子类目标加权存放单元之间的距离的变化趋势;
若变化趋势大于变化趋势阈值,则重新确定跟踪对象进行跟踪。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
实施例五:
本申请实施例五提供了一种可读存储介质,用于存储程序,所述存储程序被执行时,用于实现上述的跟踪对象的确定方法,或用于实现上述的跟踪对象的跟踪方法。
图4示出了本申请实施例五提供的一种计算机可读存储介质的结构框图。该计算机可读存储介质1200中存储有程序代码1210,所述程序代码1210可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质1200可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM(可擦除可编程只读存储器)、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质1200包括非易失性计算机可读存储介质(non-transitory computer-readablestorage medium)。计算机可读存储介质1200具有执行上述方法中的任何方法步骤的程序代码1210的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读取或者写入到这一个或者多个计算机程序产品中。程序代码1210可以例如以适当形式进行压缩。
实施例六:
本申请实施例六提供了一种电子设备,包括一个或多个处理器;存储器,其上存储有一个或者多个程序;当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的跟踪对象的确定方法,或用于实现上述的跟踪对象的跟踪方法。
图5为本申请实施六提供的一种电子设备1100的结构框图。本申请中的电子设备1100可以包括一个或多个如下部件:存储器1110、处理器1120、以及一个或多个应用程序,其中一个或多个应用程序可以被存储在存储器1110中并被配置为由一个或多个处理器1120执行,一个或多个程序配置用于执行如前述方法实施例所描述的方法。
存储器1110可以包括随机存储器(Random Access Memory, RAM),也可以包括只读存储器(Read-Only Memory,ROM)。存储器1110可用于存储指令、程序、代码、代码集或指令集。存储器1110可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如直方图均衡化功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储电子设备1100在使用中所创建的数据(比如图像矩阵数据等)。
处理器1120可以包括一个或者多个处理核。处理器1120利用各种接口和线路连接整个电子设备1100内的各个部分,通过运行或执行存储在存储器1110内的指令、程序、代码集或指令集,以及调用存储在存储器1110内的数据,执行电子设备1100的各种功能和处理数据。可选地,处理器1120可以采用数字信号处理(Digital Signal Processing, DSP)、现场可编程门阵列(Field-Programmable Gate Array, FPGA)、可编程逻辑阵列(Programmable Logic Array, PLA)中的至少一种硬件形式来实现。处理器1120可集成中央处理器(Central Processing Unit, CPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统和应用程序等;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1120中,单独通过一块通信芯片进行实现。
专业人员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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种跟踪对象的确定方法,其特征在于,包括如下步骤:
获取跟踪对象所在空间的N帧图像,其中N为整数,且N>1;
计算每帧图像中所述跟踪对象相对于跟踪装置的粗略位姿,将所述粗略位姿保存在目标存放单元中;计算每帧图像中多个子类目标相对于所述跟踪装置的精确位姿,将所述精确位姿保存在对应的每个子类目标存放单元中;其中,所述粗略位姿为通过第一定位方法获得的所述跟踪对象相对于所述跟踪装置的位姿;所述精确位姿为通过第二定位方法获得的所述跟踪对象相对于所述跟踪装置的位姿;所述子类目标通过第一帧图像获得;
根据所述目标存放单元与所述子类目标存放单元,获得所述目标存放单元与所述子类目标存放单元之间的最小欧式距离对应的子类目标;
将所述最小欧式距离对应的子类目标确定为跟踪对象。
2.如权利要求1所述的跟踪对象的确定方法,其特征在于,获取跟踪对象所在空间的N帧图像的方法如下:
对所述跟踪装置安装超宽带感应器基站和激光雷达,对所述跟踪对象布置超宽带感应器标签;
所述跟踪装置采集所述跟踪对象所在空间的N帧图像,每帧图像中包括所述激光雷达发射产生的激光点云。
3.如权利要求2所述的跟踪对象的确定方法,其特征在于,所述子类目标通过第一帧图像获得方法如下:
以所述跟踪对象在第一帧图像中的粗略位姿为圆心,所述超宽带感应器定位误差为半径,对所述第一帧图像中的激光点云进行过滤和索引,获得多个子类目标。
4.如权利要求2所述的跟踪对象的确定方法,其特征在于,每帧图像中多个子类目标相对于所述跟踪装置的精确位姿计算方法如下:
分别以第N-1帧图像中每个子类目标的精确位姿为圆心;
以第N-1帧图像与第N帧图像之间的时间间隔与所述跟踪对象的移动速度之积为半径,对第N帧图像中的激光点云进行过滤,计算每帧图像中每个子类目标相对于跟踪装置的精确位姿。
5.一种跟踪对象的跟踪方法,其特征在于,包括如下步骤:
根据如权利要求1-4任一项所述的跟踪对象的确定方法获得跟踪对象;
跟踪装置采用激光雷达对跟踪对象进行跟踪。
6.如权利要求5所述的跟踪对象的跟踪方法,其特征在于,跟踪装置采用激光雷达对跟踪对象进行跟踪后还包括:
更新目标存放单元和多个子类目标存放单元,所述目标存放单元与多个所述子类目标存放单元可容纳的最大列数为P;
若目标存放单元和所述子类目标存放单元需要存储的列数F大于最大列数P列时,则清除目标存放单元和所述子类目标存放单元中的前F-P列,分别获得目标更新存放单元和子类目标更新存放单元;
对所述目标更新存放单元和子类目标更新存放单元进行加权,获得目标加权存放单元和子类目标加权存放单元。
7.如权利要求6所述的跟踪对象的跟踪方法,其特征在于,还包括:
采用二范数分别计算所述目标加权存放单元与跟踪对象对应的子类目标加权存放单元之间的距离的变化趋势;
若变化趋势大于变化趋势阈值,则重新确定跟踪对象进行跟踪。
8.一种跟踪对象的确定系统,其特征在于,包括如下模块:
图像获取模块:获取跟踪对象所在空间的N帧图像,其中N为整数,且N>1;
位姿计算模块:计算每帧图像中所述跟踪对象相对于跟踪装置的粗略位姿,将所述粗略位姿保存在目标存放单元中;计算每帧图像中多个子类目标相对于所述跟踪装置的精确位姿,将所述精确位姿保存在对应的每个子类目标存放单元中;其中,所述粗略位姿为通过第一定位方法获得的所述跟踪对象相对于所述跟踪装置的位姿;所述精确位姿为通过第二定位方法获得的所述跟踪对象相对于所述跟踪装置的位姿;所述子类目标通过第一帧图像获得;
对象确定模块:根据所述目标存放单元与所述子类目标存放单元,获得所述目标存放单元与所述子类目标存放单元之间的最小欧式距离对应的子类目标;将所述最小欧式距离对应的子类目标确定为跟踪对象。
9.一种跟踪对象的跟踪系统,其特征在于,包括如下模块:
跟踪对象获得模块:根据如权利要求1-4任一项所述的跟踪对象的确定方法获得跟踪对象;
跟踪模块:跟踪装置采用激光雷达对跟踪对象进行跟踪。
10.一种可读存储介质,其特征在于,用于存储程序,所述存储程序被执行时,用于实现如权利要求1-4任一项所述的跟踪对象的确定方法,或用于实现如权利要求5-7任一项所述的跟踪对象的跟踪方法。
11.一种电子设备,其特征在于,包括一个或多个处理器;存储器,其上存储有一个或者多个程序;当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-4任一项所述的跟踪对象的确定方法,或用于实现如权利要求5-7任一项所述的跟踪对象的跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311413994.5A CN117152197B (zh) | 2023-10-30 | 2023-10-30 | 一种跟踪对象的确定方法、系统及跟踪方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311413994.5A CN117152197B (zh) | 2023-10-30 | 2023-10-30 | 一种跟踪对象的确定方法、系统及跟踪方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152197A true CN117152197A (zh) | 2023-12-01 |
CN117152197B CN117152197B (zh) | 2024-01-23 |
Family
ID=88884727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311413994.5A Active CN117152197B (zh) | 2023-10-30 | 2023-10-30 | 一种跟踪对象的确定方法、系统及跟踪方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152197B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996312A (zh) * | 2009-08-18 | 2011-03-30 | 索尼株式会社 | 跟踪目标的方法和装置 |
US20130211766A1 (en) * | 2012-02-10 | 2013-08-15 | Ascent Ventures, Llc | Methods for Locating and Sensing the Position, Orientation, and Contour of A Work Object in A Robotic System |
CN105979478A (zh) * | 2016-07-26 | 2016-09-28 | 上海仙知机器人科技有限公司 | 一种定位方法和设备 |
CN109665464A (zh) * | 2018-12-24 | 2019-04-23 | 宁波如意股份有限公司 | 一种移动式叉车自动跟踪的方法及系统 |
CN110941003A (zh) * | 2019-10-25 | 2020-03-31 | 北京汽车集团有限公司 | 车辆识别方法,装置,存储介质及电子设备 |
CN114200428A (zh) * | 2021-10-27 | 2022-03-18 | 北京盈迪曼德科技有限公司 | 多传感器的位姿标定方法、装置及系统 |
CN114359334A (zh) * | 2020-09-30 | 2022-04-15 | 北京万集科技股份有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
CN114460598A (zh) * | 2022-01-30 | 2022-05-10 | 中国第一汽车股份有限公司 | 一种目标识别方法、装置、设备及存储介质 |
CN114610032A (zh) * | 2022-03-10 | 2022-06-10 | 上海控创信息技术股份有限公司 | 目标对象跟随方法、装置、电子设备和可读存储介质 |
CN114724110A (zh) * | 2022-04-08 | 2022-07-08 | 天津天瞳威势电子科技有限公司 | 目标检测方法及设备 |
CN114782496A (zh) * | 2022-06-20 | 2022-07-22 | 杭州闪马智擎科技有限公司 | 一种对象的跟踪方法、装置、存储介质及电子装置 |
US20220375106A1 (en) * | 2021-03-30 | 2022-11-24 | Ubtech Robotics Corp Ltd | Multi-target tracking method, device and computer-readable storage medium |
CN115620098A (zh) * | 2022-12-20 | 2023-01-17 | 中电信数字城市科技有限公司 | 跨摄像头行人跟踪算法的评价方法、系统和电子设备 |
CN115731268A (zh) * | 2022-11-17 | 2023-03-03 | 东南大学 | 基于视觉/毫米波雷达信息融合的无人机多目标跟踪方法 |
CN115810030A (zh) * | 2022-12-28 | 2023-03-17 | 苏州万集车联网技术有限公司 | 目标跟踪方法、装置、设备、存储介质和程序产品 |
CN115825979A (zh) * | 2022-11-22 | 2023-03-21 | 毫末智行科技有限公司 | 一种环境感知方法、装置、电子设备、存储介质及车辆 |
CN116301061A (zh) * | 2023-03-22 | 2023-06-23 | 北京星网船电科技有限公司 | 无人车跟人行驶方法、装置、电子设备及可读存储介质 |
CN116430375A (zh) * | 2023-03-01 | 2023-07-14 | 武汉光庭信息技术股份有限公司 | 一种多传感器融合的多目标跟踪方法及对应的系统 |
-
2023
- 2023-10-30 CN CN202311413994.5A patent/CN117152197B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996312A (zh) * | 2009-08-18 | 2011-03-30 | 索尼株式会社 | 跟踪目标的方法和装置 |
US20130211766A1 (en) * | 2012-02-10 | 2013-08-15 | Ascent Ventures, Llc | Methods for Locating and Sensing the Position, Orientation, and Contour of A Work Object in A Robotic System |
CN105979478A (zh) * | 2016-07-26 | 2016-09-28 | 上海仙知机器人科技有限公司 | 一种定位方法和设备 |
CN109665464A (zh) * | 2018-12-24 | 2019-04-23 | 宁波如意股份有限公司 | 一种移动式叉车自动跟踪的方法及系统 |
CN110941003A (zh) * | 2019-10-25 | 2020-03-31 | 北京汽车集团有限公司 | 车辆识别方法,装置,存储介质及电子设备 |
CN114359334A (zh) * | 2020-09-30 | 2022-04-15 | 北京万集科技股份有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
US20220375106A1 (en) * | 2021-03-30 | 2022-11-24 | Ubtech Robotics Corp Ltd | Multi-target tracking method, device and computer-readable storage medium |
CN114200428A (zh) * | 2021-10-27 | 2022-03-18 | 北京盈迪曼德科技有限公司 | 多传感器的位姿标定方法、装置及系统 |
CN114460598A (zh) * | 2022-01-30 | 2022-05-10 | 中国第一汽车股份有限公司 | 一种目标识别方法、装置、设备及存储介质 |
CN114610032A (zh) * | 2022-03-10 | 2022-06-10 | 上海控创信息技术股份有限公司 | 目标对象跟随方法、装置、电子设备和可读存储介质 |
CN114724110A (zh) * | 2022-04-08 | 2022-07-08 | 天津天瞳威势电子科技有限公司 | 目标检测方法及设备 |
CN114782496A (zh) * | 2022-06-20 | 2022-07-22 | 杭州闪马智擎科技有限公司 | 一种对象的跟踪方法、装置、存储介质及电子装置 |
CN115731268A (zh) * | 2022-11-17 | 2023-03-03 | 东南大学 | 基于视觉/毫米波雷达信息融合的无人机多目标跟踪方法 |
CN115825979A (zh) * | 2022-11-22 | 2023-03-21 | 毫末智行科技有限公司 | 一种环境感知方法、装置、电子设备、存储介质及车辆 |
CN115620098A (zh) * | 2022-12-20 | 2023-01-17 | 中电信数字城市科技有限公司 | 跨摄像头行人跟踪算法的评价方法、系统和电子设备 |
CN115810030A (zh) * | 2022-12-28 | 2023-03-17 | 苏州万集车联网技术有限公司 | 目标跟踪方法、装置、设备、存储介质和程序产品 |
CN116430375A (zh) * | 2023-03-01 | 2023-07-14 | 武汉光庭信息技术股份有限公司 | 一种多传感器融合的多目标跟踪方法及对应的系统 |
CN116301061A (zh) * | 2023-03-22 | 2023-06-23 | 北京星网船电科技有限公司 | 无人车跟人行驶方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117152197B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109059902B (zh) | 相对位姿确定方法、装置、设备和介质 | |
CN110470333B (zh) | 传感器参数的标定方法及装置、存储介质和电子装置 | |
CN110927742A (zh) | 障碍物跟踪方法、装置、设备及存储介质 | |
CN114111774B (zh) | 车辆的定位方法、系统、设备及计算机可读存储介质 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN111381586A (zh) | 一种机器人及其移动控制方法和装置 | |
CN115063454B (zh) | 多目标跟踪匹配方法、装置、终端及存储介质 | |
CN113111513B (zh) | 传感器配置方案确定方法、装置、计算机设备及存储介质 | |
CN114998276A (zh) | 一种基于三维点云的机器人动态障碍物实时检测方法 | |
CN113238209B (zh) | 基于毫米波雷达的道路感知方法、系统、设备及存储介质 | |
CN110673607A (zh) | 动态场景下的特征点提取方法、装置、及终端设备 | |
CN117152197B (zh) | 一种跟踪对象的确定方法、系统及跟踪方法、系统 | |
Du et al. | Particle filter based object tracking of 3D sparse point clouds for autopilot | |
CN110287957B (zh) | 一种低慢小目标的定位方法及定位装置 | |
CN117152949A (zh) | 一种基于无人机的交通事件识别方法及系统 | |
CN116358528A (zh) | 地图更新方法、地图更新装置、自移动设备及存储介质 | |
CN115223135B (zh) | 车位跟踪方法、装置、车辆及存储介质 | |
CN116400349A (zh) | 一种低分辨率毫米波雷达与光学相机的标定方法 | |
CN114740867A (zh) | 基于双目视觉的智能避障方法、装置、机器人及介质 | |
CN113625249A (zh) | 反光板定位方法、机器人及计算机可读存储介质 | |
US20210129341A1 (en) | Robot localization method and apparatus and robot using the same | |
CN113030976A (zh) | 一种利用激光雷达消除金属井盖对毫米波雷达干扰的方法 | |
CN108416305B (zh) | 连续型道路分割物的位姿估计方法、装置及终端 | |
Subash | Automatic road extraction from satellite images using extended Kalman filtering and efficient particle filtering | |
CN115082712B (zh) | 一种基于雷视融合的目标检测方法、装置和可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |