CN117333508A - 一种目标跟踪方法、装置、设备及介质 - Google Patents

一种目标跟踪方法、装置、设备及介质 Download PDF

Info

Publication number
CN117333508A
CN117333508A CN202311066515.7A CN202311066515A CN117333508A CN 117333508 A CN117333508 A CN 117333508A CN 202311066515 A CN202311066515 A CN 202311066515A CN 117333508 A CN117333508 A CN 117333508A
Authority
CN
China
Prior art keywords
target
target tracking
tracking object
data
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
Application number
CN202311066515.7A
Other languages
English (en)
Inventor
饶晋
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.)
Yunkong Zhixing Technology Co Ltd
Original Assignee
Yunkong Zhixing 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 Yunkong Zhixing Technology Co Ltd filed Critical Yunkong Zhixing Technology Co Ltd
Priority to CN202311066515.7A priority Critical patent/CN117333508A/zh
Publication of CN117333508A publication Critical patent/CN117333508A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本说明书实施例公开了一种目标跟踪方法、装置、设备以及计算机可读介质，包括：获取第一目标跟踪对象在第一时刻之前被感知到的各个目标轨迹点的第一历史轨迹数据；在目标轨迹点的数量小于预设数量时，利用匀速直线运动模型预测第一目标跟踪对象在第一时刻处的预测轨迹数据；而在目标轨迹点的数量大于预设数量时，利用多项式运动模型预测第一目标跟踪对象在第一时刻处的预测轨迹数据；以在第一目标跟踪对象进行非匀速直线运动时，提高预测轨迹数据的准确性；进而在利用传感器获取第二目标跟踪对象在第一时刻处的观测轨迹数据后，提高根据预测轨迹数据以及所述观测轨迹数据进行处理，得到的目标对象跟踪结果的准确性。

Description

一种目标跟踪方法、装置、设备及介质
技术领域
本说明书涉及目标跟踪技术领域，尤其涉及一种目标跟踪方法。
背景技术
目前，智能交通已经成为人们广泛接收的概念，自动驾驶是其重要的领域之一，通常利用路侧感知设备或自动驾驶车辆上搭载的传感器检测目标，得到目标的运动状态，然后针对上述检测到的目标进行有效的预测、跟踪，以便于根据上述预测、跟踪结果生成自动驾驶车辆的自动驾驶策略，避免发生交通事故。
现有技术中，针对路侧感知设备或车载传感器检测到的多目标进行跟踪的方法通常采用基于检测的多目标跟踪方法(Tracking-by-Detecton，英文简称，TBD)，基于检测的多目标跟踪方法有SORT、DeepSORT、ByteTrack等算法，上述算法主要包括两部分，首先基于卡尔曼滤波算法根据当前时刻的目标的运动信息预测目标在下一时刻的运动状态，然后利用匈牙利算法将预测得到的目标的运动状态与路侧感知设备或车载传感器检测到的目标的运动状态进行匹配，在实际应用过程中，SORT、DeepSORT、ByteTrack等的跟踪算法中预测目标当前时刻的运动状态，通常会将目标的运动状态近似假设为匀速直线运动，然后利用匀速直线运动模型预测目标在下一时刻的运动状态，由于该假设条件很多场景下是一种近似处理，未考虑目标多变的运动状态，因此，在预测时可能出现误差，导致预测不准确，从而导致在进行目标匹配融合时的不准确，进而导致目标的跟踪结果不准确。
基于此，如何提供一种目标跟踪方法以提高目标跟踪结果的准确性，成为亟待解决的技术问题。
发明内容
本说明书实施例提供一种目标跟踪方法、装置、设备及介质，以提升针对目标跟踪结果的准确性。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种目标跟踪方法，所述方法可以包括：
获取缓存数据集，所述缓存数据集中包含有用于反映在第一时刻之前被感知到的第一目标跟踪对象的各个目标轨迹点的第一历史轨迹数据；
若所述第一目标跟踪对象的所述目标轨迹点的数量大于预设数量，则利用多项式运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据；
若所述第一目标跟踪对象的所述目标轨迹点的数量小于所述预设数量，则利用匀速直线运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据；
获取检测数据集，所述检测数据集中包含有利用传感器获取到的第二目标跟踪对象在所述第一时刻处的观测轨迹数据；
针对所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，以及，所述第二目标跟踪对象在所述第一时刻处的观测轨迹数据进行处理，得到目标对象跟踪结果。
本说明书实施例提供的一种目标跟踪装置，所述装置可以包括：
第一获取模块，用于获取缓存数据集，所述缓存数据集中包含有用于反映在第一时刻之前被感知到的第一目标跟踪对象的各个目标轨迹点的第一历史轨迹数据；
第一处理模块，用于若所述第一目标跟踪对象的所述目标轨迹点的数量大于预设数量，则利用多项式运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据；
第二处理模块，用于若所述第一目标跟踪对象的所述目标轨迹点的数量小于所述预设数量，则利用匀速直线运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据；
第二获取模块，用于获取检测数据集，所述检测数据集中包含有利用传感器获取到的第二目标跟踪对象在所述第一时刻处的观测轨迹数据；
第三处理模块，用于针对所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，以及，所述第二目标跟踪对象在所述第一时刻处的观测轨迹数据进行处理，得到目标对象跟踪结果。
本说明书实施例提供的一种目标跟踪设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取缓存数据集，所述缓存数据集中包含有用于反映在第一时刻之前被感知到的第一目标跟踪对象的各个目标轨迹点的第一历史轨迹数据；
若所述第一目标跟踪对象的所述目标轨迹点的数量大于预设数量，则利用多项式运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据；
若所述第一目标跟踪对象的所述目标轨迹点的数量小于所述预设数量，则利用匀速直线运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据；
获取检测数据集，所述检测数据集中包含有利用传感器获取到的第二目标跟踪对象在所述第一时刻处的观测轨迹数据；
针对所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，以及，所述第二目标跟踪对象在所述第一时刻处的观测轨迹数据进行处理，得到目标对象跟踪结果。
本说明书实施例提供的计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现一种目标跟踪方法。
本说明书中至少一个实施例能够达到以下有益效果：
通过获取第一目标跟踪对象在第一时刻之前被感知到的各个目标轨迹点的第一历史轨迹数据；在目标轨迹点的数量小于预设数量时，利用匀速直线运动模型根据各个目标轨迹点处的第一历史轨迹数据预测第一目标跟踪对象在第一时刻处的预测轨迹数据；而在目标轨迹点的数量大于预设数量时，利用多项式运动模型根据各个目标轨迹点处的第一历史轨迹数据预测第一目标跟踪对象在第一时刻处的预测轨迹数据；由于第一目标跟踪对象在运动过程中并非进行匀速直线运动，利用多项式运动模型针对第一目标跟踪对象在第一时刻处的预测轨迹数据进行预测，充分考虑了第一目标跟踪对象在第一时刻之前的运动状态，从而能够提高预测轨迹数据的准确性；进而在利用传感器获取第二目标跟踪对象在第一时刻处的观测轨迹数据后，可以提高根据预测轨迹数据以及所述观测轨迹数据进行处理，得到的目标对象跟踪结果的准确性。
附图说明
为了更清楚地说明本说明书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的介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的一种目标跟踪方法的流程示意图；
图2是本说明书实施例提供的一种目标跟踪装置的结构示意图；
图3是本说明书实施例提供的一种目标跟踪设备的结构示意图。
具体实施方式
为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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他实施例，都属于本说明书一个或多个实施例保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的一种目标跟踪方法的流程示意图。从程序角度而言，流程的执行主体可以是智能设备或设备处搭载的目标应用的服务端。
如图1所示，该流程可以包括以下步骤：
步骤102：获取缓存数据集，所述缓存数据集中包含有用于反映在第一时刻之前被感知到的第一目标跟踪对象的各个目标轨迹点的第一历史轨迹数据。
在本说明书实施例中，所述第一时刻可以是当前时刻；所述各个目标轨迹点用于反映所述第一目标跟踪对象在第一时刻之前的在各个采集时刻处采集的轨迹点，所述各个目标轨迹点构成所述第一目标跟踪对象在所述第一时刻之前的运行轨迹；所述第一历史轨迹数据包括第一目标跟踪对象在各个目标轨迹点处的位置数据以及速度数据，当然还可以包括其他用于反映所述第一目标跟踪对象在各个目标轨迹点处的运动状态的数据，在此不做具体限定。
在实际应用中，任一目标轨迹点处的第一历史轨迹数据可以是针对路侧感知设备采集的所述第一目标跟踪对象在所述任一目标轨迹处的第一轨迹数据，以及，根据预测得到的所述第一目标跟踪对象在所述任一目标轨迹处第二轨迹数据进行融合得到的轨迹数据。可以理解的，针对所述第一目标跟踪对象最初的目标轨迹点的第一历史轨迹数据，可以是通过路侧感知设备观测得到的轨迹数据。
在实际应用中所述路侧感知设备可以包括：激光雷达、毫米波雷达、超声波雷达、红外传感器、摄像头、速度传感器中的一种或多种，当然还可以包括其他可以获取第一目标跟踪对象的位置数据以及速度数据的传感器，在此不做具体限定。
步骤104：若所述第一目标跟踪对象的所述目标轨迹点的数量大于预设数量，则利用多项式运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据。
在本说明书实施例中，所述多项式运动模型可以是n阶的多项式运动模型，所述n的值可以是2、3、4或5，在此不做具体限定。
在本说明书实施例中，在n阶多项式运动模型中包括n+1个多项式运动模型系数，通常需要利用n+2个目标轨迹点处的第一历史轨迹数据针对所述多项式运动模型的多项式运动模型系数进行解算，因此，在选择多项式运动模型之前首先需要判断目标轨迹点的数量是否大于选择的多项式运动模型所需使用的预设数量；可以理解的，当所述多项式运动模型为2阶多项式运动模型时，所述预设数量为4；当所述多项式运动模型为3阶多项式运动模型时，所述预设数量为5；以此类推，在此不再赘述。
在实际应用中，所述多项式运动模型可以是根据所述目标轨迹点数量确定的指定多项式运动模型。当目标轨迹点数量为大于4的指定数量时，可以选取2阶至(指定数量-2)阶之间的任意一种多项式运动模型。
具体的，可以理解的当所述目标轨迹点的数量为4个时，可以利用2阶多项式运动模型针对第一目标跟踪对象在第一时刻处的预测轨迹数据进行预测；当所述目标轨迹点的数量为5个时，可以利用3阶多项式运动模型或低于3阶的多项式运动模型针对第一目标跟踪对象在第一时刻处的预测轨迹数据进行预测；当所述目标轨迹点的数量为6个时，可以利用4阶多项式运动模型或低于4阶的多项式运动模型针对第一目标跟踪对象在第一时刻处的预测轨迹数据进行预测；当所述目标轨迹点的数量为7个时，可以利用5阶多项式运动模型或低于5阶的多项式运动模型针对第一目标跟踪对象在第一时刻处的预测轨迹数据进行预测。
在实际应用中，当选取的多项式运动模型为阶次低于(指定数量-2)时k阶多项式运动模型时，则选取采集时刻距离所述第一时间最近的k+2个目标轨迹点，以便于根据上述k+2个目标轨迹点处的第一历史轨迹数据确定所述k阶多项式运动模型中的多项式运动模型系数。
在本说明书实施例中，目标对象包括第一目标跟踪对象，在运动过程中目标跟踪对象通常并非是进行匀速直线运动，利用多项式运动模型针对所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据进行预测，充分考虑了第一目标跟踪对象在第一时刻之前的运动状态，因此，利用多项式运动模型根据第一时刻之前的多个运动状态针对第一时刻的预测轨迹数据进行预测，可以有效提高预测的准确性。
步骤106：若所述第一目标跟踪对象的所述目标轨迹点的数量小于所述预设数量，则利用匀速直线运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据。
在本说明书实施例中，当第一目标跟踪对象为刚出现的目标跟踪对象时，其目标轨迹点的数量通常较少，此时，无法利用多项式运动模型预测所述第一目标跟踪对象在第一时刻处的预测轨迹数据，此时可以将第一目标跟踪对象的运动近似为匀速直线运动，从而利用匀速直线运动模型去预测所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据。
在实际应用中，匀速直线运动模型可以仅根据所述第一目标跟踪对象在第一时刻的上一时刻处的第一历史轨迹数据(即在距离所述第一时刻最近的目标轨迹点的采集时刻所采集的目标轨迹点处的第一历史轨迹数据)，去预测所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据。
步骤108：获取检测数据集，所述检测数据集中包含有利用传感器获取到的第二目标跟踪对象在所述第一时刻处的观测轨迹数据。
在本说明书实施例中，所述传感器可以是激光雷达、毫米波雷达、超声波雷达、红外传感器、摄像头、速度传感器中的一种或多种路侧感知设备，当然所述传感器还可以是其他可以获取第一目标跟踪对象的位置数据以及速度数据的传感器，在此不做具体限定。
在本说明书实施例中，所述观测轨迹数据可以包括所述第二目标跟踪的位置数据以及速度数据，当然还可以包括其他用于反映所述第二目标跟踪对象在所述第一时刻处的运动状态的数据，在此不做具体限定。
在本说明书实施例中，所述第一目标跟踪对象与所述第二目标跟踪对象可以是相同的目标跟踪对象也可以是部分相同的目标跟踪对象。
在本说明书实施例中，通常利用传感器获取到的关于第二目标跟踪对象的观测轨迹数据中的位置数据可以为第二目标跟踪对象在大地坐标系或世界坐标系中经度数据和纬度数据，此时，为了便于后续处理可以将所述第二目标跟踪对象在大地坐标系或世界坐标系中的经度数据和纬度数据转换为平面平面坐标系中的位置数据，所述平面坐标系可以是以获取第二目标跟踪对象的观测轨迹数据的路侧感知设备为原点建立的平面坐标系，当然还可以以其他定点为坐标系原点建立坐标系，在此不做具体限定。
步骤110：针对所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，以及，所述第二目标跟踪对象在所述第一时刻处的观测轨迹数据进行处理，得到目标对象跟踪结果。
在本说明书实施例中，可以针对所述预测轨迹数据以及所述观测轨迹数据进行匹配、融合处理从而得到目标对象跟踪结果。
在实际应用中可以利用匈牙利匹配算法进行匹配，当然还可以利用其他匹配方法进行匹配，在此不做具体限定，
应当理解，本说明书一个或多个实施例所述的方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。
图1中的方法，通过获取第一目标跟踪对象在第一时刻之前被感知到的各个目标轨迹点的第一历史轨迹数据；在目标轨迹点的数量小于预设数量时，利用匀速直线运动模型根据第一时刻的上一时刻处的目标轨迹点处的第一历史轨迹数据，去预测第一目标跟踪对象在第一时刻处的预测轨迹数据；而在目标轨迹点的数量大于预设数量时，利用多项式运动模型根据各个目标轨迹点处的第一历史轨迹数据预测第一目标跟踪对象在第一时刻处的预测轨迹数据；由于第一目标跟踪对象在运动过程中并非进行匀速直线运动，而利用多项式运动模型针对第一目标跟踪对象在第一时刻处的预测轨迹数据进行预测，充分考虑了第一目标跟踪对象在第一时刻之前的运动状态，因此能够提高预测轨迹数据的准确性；从而在利用传感器获取第二目标跟踪对象在第一时刻处的观测轨迹数据后，可以提高根据预测轨迹数据以及所述观测轨迹数据进行处理，得到的目标对象跟踪结果的准确性。
基于图1的方法，本说明书实施例还提供了该方法的一些具体实施方式，下面进行说明。
在本说明书实施例中，为了便于理解还提供了得到各个预设种类的感知对象对应的目标数据子集的具体方法。
具体的，所述获取检测数据集，具体可以包括：
利用传感器获取所述第二目标跟踪对象在所述第一时刻处的观测轨迹数据。
将所述观测轨迹数据中包含的用于反映所述第二目标跟踪对象在所述第一时刻所处的经度和纬度的第一位置坐标数据，转换为所述平面坐标系中的第二位置坐标数据。
所述针对所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，以及，所述第二目标跟踪对象在所述第一时刻处的观测轨迹数据进行处理，得到目标对象跟踪结果，具体可以包括：
判断所述第二位置坐标数据与所述第一历史轨迹数据中包含的三位置坐标数据之间的目标距离是否小于预设距离阈值，得到第一判断结果。
若所述第一判断结果表示所述目标距离小于所述预设距离阈值，则确定所述第三位置坐标所属的所述第一目标跟踪对象与所述第二位置坐标所属的所述第二目标跟踪对象匹配成功。
在本说明书实施例中，所述平面坐标系可以是以获取二目标跟踪对象的观测轨迹数据的路侧感知设备为原点建立的平面坐标系。
在本说明书实施例中，所述通常利用传感器获取的第一目标跟踪对象的观测轨迹数据可以包括用于反映所述第一目标跟踪对象的经度和纬度的位置数据，以及，第一目标跟踪对象的速度数据，当然还可以包括其他用于反映所述第二目标跟踪对象的运动状态的数据，在此不做具体限定。
在实际应用中所述路侧感知设备可以包括：激光雷达、毫米波雷达、超声波雷达、红外传感器、摄像头、速度传感器中的一种或多种，当然还可以包括其他可以获取第一目标跟踪对象的位置数据以及速度数据的传感器，在此不做具体限定。
在本说明书实施例中，通常利用传感器获取到的关于第二目标跟踪对象的观测轨迹数据中的位置数据可以为第二目标跟踪对象在大地坐标系或世界坐标系中经度数据和纬度数据，此时，为了便于后续处理可以将所述第二目标跟踪对象在大地坐标系或世界坐标系中的经度数据和纬度数据转换为平面平面坐标系中的位置数据，得到第二目标跟中对象在平面坐标系中的第二位置坐标数据，所述第二位置坐标数据用于反映第二目标对象距离平面坐标系中的x轴与y轴的距离；在平面坐标系中，可以以米为单位表示所述第二目标跟踪的位置数据，相较于在大地坐标系或世界坐标系中以度为单位表示第一目标跟踪对象的位置更加直观，且在针对第一目标对象与第二目标对象在进行目标匹配时可以使匹配代价更加明确。
在本说明书实施例中，当第一目标跟踪对象的第三位置数据与第二目标跟踪对象第二位置数据之间的目标距离小于述预设距离阈值，则认为所述第一目标跟踪对象与所述第二目标跟踪对象为同一个目标对象。在实际应用中，可以通过计算第一目标跟踪对象的第三位置数据与第二目标跟踪对象第二位置数据之间的欧式距离或余弦距离从而得到目标距离。
在本说明书实施例中，为了便于理解本申请中的技术方案，还提供了当所述第一目标跟踪对象与所述第二目标跟踪对象不是同一个目标对象，即第一目标跟踪对象与所述第二目标跟踪对象匹配不成功时的判断方法以及处理方法。
具体的，所述判断所述目标距离是否小于预设距离阈值，得到第一判断结果之后，还可以包括：
若所述第一判断结果表示所述目标距离大于所述预设距离阈值，则判断所述观测轨迹数据的置信度是否大于置信度阈值，得到第二判断结果。
若所述第二判断结果表示所述观测轨迹数据的所述置信度大于所述置信度阈值，则确定所述第二目标跟踪对象为新增目标对象。
若所述第二判断结果表示所述观测轨迹数据的所述置信度小于所述置信度阈值，则确定所述第二目标跟踪对象为噪声对象。
在本说明书实施例中，当所述观测轨迹数据的置信度大于置信度阈值时，可以确定观测轨迹数据反映的第二目标跟踪对象为新增目标对象；当所述观测轨迹数据的置信度小于置信度阈值时，则观测轨迹数据反映的第二目标跟踪对象为虚拟对象。
在本说明书实施例中，所述观测轨迹数据的置信度可以是用于获取观测轨迹数据的传感器的置信度。
在本说明书实施例中，为了便于理解本方法，还提供了利用多项式运动模型预测第一目标跟踪对象在第一时刻处的预测轨迹数据的具体过程。
具体的，所述利用多项式运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，具体可以包括：
利用包含多项式运动模型系数的系数值的所述多项式运动模型，计算所述第一目标跟踪对象在所述第一时刻处的所述预测轨迹数据，相对于所述第一目标跟踪对象处于第一轨迹点处的第一历史轨迹数据的目标变化量；所述第一轨迹点与距离所述第一时刻最近的采集时刻所采集的目标轨迹点之间有n个所述目标轨迹点，所述n的值为所述多项式运动模型的阶次。
将所述目标变化量与所述第一目标跟踪对象处于所述第一轨迹点处的第一历史轨迹数据进行求和处理，得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据。
在本说明书实施例中，所述多项式运动模型可以用于计算述第一目标跟踪对象在所述第一时刻处的所述预测轨迹数据，相对于所述第一目标跟踪对象处于第一轨迹点处的第一历史轨迹数据的目标变化量；在本说明书实施例中，所述第一轨迹点为目标轨迹点中的指定轨迹点。
下面以三阶多项式运动模型进行举例说明利用多项式运动模型预测第一目标跟踪对象在第一时刻处的预测轨迹数据的过程，所述多项式运动模型可以为：y＝a0+a1x+a2x2+a3x3，其中，在根据所述第一目标跟踪对象的所述第一历史轨迹数据预测所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据时，所述y用于反映所述第一目标跟踪对象在所述第一时刻处的所述预测轨迹数据，相对于所述第一目标跟踪对象处于所述第一轨迹点处的所述第一历史轨迹数据的所述目标变化量；x用于反映所述第一时刻与所述第一目标跟踪对象处于所述第一轨迹点处的时刻之间的目标时间差；ai(i＝0、1、2、3)为所述多项式运动模型系数；所述第一轨迹点与距离所述第一时刻最近的采集时刻所采集的目标轨迹点之间有3个目标轨迹点；当然，所述多项式运动模型也可以是2阶或4阶、5阶多项式运动模型，在此不做具体限定。
在本说明书实施例中，在利用多项式运动模型针对所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据进行预测之前，首先要针对选取的指定阶次的多项式运动模型的多项式运动模型系数进行确定，从而得到能够使用的多项式运动模型。
所述利用包含多项式运动模型系数的系数值的所述多项式运动模型，计算所述第一目标跟踪对象在所述第一时刻处的所述预测轨迹数据，相对于所述第一目标跟踪对象处于第一轨迹点处的第一历史轨迹数据的目标变化量之前，还可以包括：
根据n+2个所述目标轨迹点的所述第一历史轨迹数据计算所述多项式运动模型的多项式运动模型系数。
其中，所述多项式运动模型可以为：y＝a0+a1x+a2x2+a3x3，所述y用于反映所述第一目标跟踪对象处于任一第二轨迹点处的第一历史轨迹数据，相对于所述第一目标跟踪对象处于所述第一轨迹点处的第一历史轨迹数据的历史状态变化量；x用于反映所述第一目标跟踪对象处于所述任一所述第二轨迹点处的时刻与所述第一目标跟踪对象处于所述第一轨迹点处的时刻之间的目标时间差；ai(i＝0、1、2、3)为所述多项式运动模型系数；所述第二轨迹点为n+2个目标轨迹点中除所述第一轨迹点以外的目标轨迹点。
在本说明书实施例中，所述多项式运动模型可以为3阶多项式运动模型，也可以是2阶或4阶、5阶多项式运动模型；针对3阶多项式运动模型，需要利用五个目标轨迹点的第一历史轨迹数据针对多项式运动模型系数进行求解，在实际应用中用于针对多项式运动模型系数进行求解的上述五个目标轨迹点为采集时刻距离所述第一时刻最近的五个轨迹点。可以理解的，为了提高利用多项式运动模型预测第一目标跟踪对象在所述第一时刻处预测轨迹数据的准确性，在每次预测前可以利用距离预测时刻最近的指定数据量(多项式运动模型为2阶，则指定数量为4个；多项式运动模型为3阶，则指定数量为5个，以此类推，不再赘述)的目标轨迹点去调整多项式运动模型系数。
在本说明书实施例中，示例性的，第一历史轨迹数据中包括(t0,s0)、(t1,s1)、(t2,s2)、(t3,s3)、(t4,s4)5个轨迹数据，所述si为第一目标跟踪对象处于各个目标轨迹点处的运动状态量，即，X轴位置、Y轴位置、X轴速度、Y轴速度。
变化量y和时间变化量x如下:
yi＝si-s0 (i＝1,2,3,4)
xi＝ti-t0 (i＝1,2,3,4)
通过上式建立的求解方程如下：
将上述方程进行简化，如下：
Y＝GA
针对多项式运动模型的多项式运动模型系数进行求解，如下：
A＝(GTG)-1GTY
在本说明书实施例中，可以针对第一历史轨迹中不同的运动状态量(X轴位置、Y轴位置、X轴速度、Y轴速度)分别计算多项式运动模型系数，从而利用不同多项式运动模型系数的多项式运动模型分别针对不同的运动状态量进行预测。
在本说明书实施例中，为了便于理解方案，还提供了利用匀速直线运动模型针对所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据进行预测的具体方案。
所述利用匀速直线运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，具体可以包括：
利用所述匀速直线运动模型，根据所述第一目标跟踪对象在所述第一时刻的上一时刻处的所述第一历史轨迹数据中的位置数据，预测所述第一目标跟踪对象在所述第一时刻处的目标位置数据；以及，
利用所述匀速直线运动模型，根据所述第一目标跟踪对象在所述上一时刻处的所述第一历史轨迹数据中的速度数据，预测所述第一目标跟踪对象在所述第一时刻处的目标速度数据，得到包含有所述目标位置数据以及所述目标速度数据的所述预测轨迹数据。
其中，所述匀速直线运动模型可以为：
Pk+1＝Pk+vkΔt；
vk+1＝vk
所述Pk+1用于反映通过预测得到的所述第一目标跟踪对象在所述第一时刻处的目标位置数据；所述Pk为所述第一目标跟踪对象在所述第一时刻的上一时刻处的所述第一历史轨迹数据中的位置数据；所述vk+1用于反映所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据中的目标速度数据；所述vk为所述第一目标跟踪对象在所述上一时刻处的所述第一历史轨迹数据中的速度数据；所述Δt为所述第一时刻与所述上一时刻的时间差。
在本说明书实施例中，通过利用匀速直线运动模型针对第一目标跟踪对象在所述第一时刻处的预测轨迹数据进行预测，可以在目标轨迹点的数量较少无法利用多项式运动模型进行预测时也能进行预测。
在本说明书实施例中，为了实现针对目标对象的跟踪，在针对所述第一目标跟踪对象以及所述第二目标跟踪对象进行匹配后，还需要针对所述第一目标跟踪对象以及所述第二目标跟踪对象的运动状态数据进行融合。
具体的，所述确定所述第三位置坐标所属的所述第一目标跟踪对象与所述第二位置坐标所属的所述第二目标跟踪对象为同一个目标跟踪对象之后，还可以包括：
针对匹配成功的所述第一目标跟踪对象以及所述第二目标跟踪对象，根据所述第一目标跟踪对象的所述第三位置坐标、所述第三位置坐标的第一权重、所述第二目标跟踪对象的所述第二位置坐标以及第二位置坐标的第二权重，计算得到所述目标跟踪对象在所述第一时刻处的目标位置坐标。
针对匹配成功的所述第一目标跟踪对象以及所述第二目标跟踪对象，根据所述预测轨迹数据中包含的预测对象速度、所述预测对象速度的第三权重、所述观测轨迹数据中包含的观测对象速度、所述观测对象速度的第四权重，计算得到所述目标跟踪对象在所述第一时刻处的目标速度。
在本说明书实施例中，所述第一权重、第二权重、第三权重、第四权重可以根据实际需求进行设定，上述各个权重的权重值在此不做具体限定。
基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图2为本说明书实施例提供的对应于图1的目标跟踪装置的结构示意图。如图2所示，该装置可以包括：
第一获取模块202，用于获取缓存数据集，所述缓存数据集中包含有用于反映在第一时刻之前被感知到的第一目标跟踪对象的各个目标轨迹点的第一历史轨迹数据。
第一处理模块204，用于若所述第一目标跟踪对象的所述目标轨迹点的数量大于预设数量，则利用多项式运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据。
第二处理模块206，用于若所述第一目标跟踪对象的所述目标轨迹点的数量小于所述预设数量，则利用匀速直线运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据。
第二获取模块208，用于获取检测数据集，所述检测数据集中包含有利用传感器获取到的第二目标跟踪对象在所述第一时刻处的观测轨迹数据；
第三处理模块210，用于针对所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，以及，所述第二目标跟踪对象在所述第一时刻处的观测轨迹数据进行处理，得到目标对象跟踪结果。
基于图2的装置，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。
可选的，所述第二获取模块208，具体可以用于：
利用传感器获取所述第二目标跟踪对象在所述第一时刻处的观测轨迹数据。
将所述观测轨迹数据中包含的用于反映所述第二目标跟踪对象在所述第一时刻所处的经度和纬度的第一位置坐标数据，转换为所述平面坐标系中的第二位置坐标数据。
所述第三处理模块210，具体可以包括：
第一判断单元，用于判断所述第二位置坐标数据与所述第一历史轨迹数据中包含的三位置坐标数据之间的目标距离是否小于预设距离阈值，得到第一判断结果。
第一处理单元，用于若所述第一判断结果表示所述目标距离小于所述预设距离阈值，则确定所述第三位置坐标所属的所述第一目标跟踪对象与所述第二位置坐标所属的所述第二目标跟踪对象匹配成功。
可选的，所述第三处理模块210，具体还可以包括：
第二判断单元，用于若所述第一判断结果表示所述目标距离大于所述预设距离阈值，则判断所述观测轨迹数据的置信度是否大于置信度阈值，得到第二判断结果。
第二处理单元，用于若所述第二判断结果表示所述观测轨迹数据的所述置信度大于所述置信度阈值，则确定所述第二目标跟踪对象为新增目标对象；
第三处理单元，用于若所述第二判断结果表示所述观测轨迹数据的所述置信度小于所述置信度阈值，则确定所述第二目标跟踪对象为噪声对象。
可选的，所述第一处理模块204，具体可以用于：
利用包含多项式运动模型系数的系数值的所述多项式运动模型，计算所述第一目标跟踪对象在所述第一时刻处的所述预测轨迹数据，相对于所述第一目标跟踪对象处于第一轨迹点处的第一历史轨迹数据的目标变化量；所述第一轨迹点与距离所述第一时刻最近的采集时刻所采集的目标轨迹点之间有n个所述目标轨迹点，所述n的值为所述多项式运动模型的阶次。
将所述目标变化量与所述第一目标跟踪对象处于所述第一轨迹点处的第一历史轨迹数据进行求和处理，得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据。
可选的，所述第一处理模块204，具体还可以用于：
根据n+2个所述目标轨迹点的所述第一历史轨迹数据计算所述多项式运动模型的多项式运动模型系数。
其中，所述多项式运动模型为：y＝a0+a1x+a2x2+a3x3，所述y用于反映所述第一目标跟踪对象处于任一第二轨迹点处的第一历史轨迹数据，相对于所述第一目标跟踪对象处于所述第一轨迹点处的第一历史轨迹数据的历史变化量；x用于反映所述第一目标跟踪对象处于所述任一所述第二轨迹点处的时刻与所述第一目标跟踪对象处于所述第一轨迹点处的时刻之间的目标时间差；ai(i＝0、1、2、3)为所述多项式运动模型系数；所述第二轨迹点为所述预设数量的所述目标轨迹点中除所述第一轨迹点以外的目标轨迹点。
可选的，所述第二处理模块206，具体可以用于：
利用所述匀速直线运动模型，根据所述第一目标跟踪对象在所述第一时刻的上一时刻处的所述第一历史轨迹数据中的位置数据，预测所述第一目标跟踪对象在所述第一时刻处的目标位置数据；以及，
利用所述匀速直线运动模型，根据所述第一目标跟踪对象在所述上一时刻处的所述第一历史轨迹数据中的速度数据，预测所述第一目标跟踪对象在所述第一时刻处的目标速度数据，得到包含有所述目标位置数据以及所述目标速度数据的所述预测轨迹数据。
其中，所述匀速直线运动模型为：
Pk+1＝Pk+vkΔt；
vk+1＝vk
所述Pk+1用于反映通过预测得到的所述第一目标跟踪对象在所述第一时刻处的目标位置数据；所述Pk为所述第一目标跟踪对象在所述第一时刻的上一时刻处的所述第一历史轨迹数据中的位置数据；所述vk+1用于反映所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据中的目标速度数据；所述vk为所述第一目标跟踪对象在所述上一时刻处的所述第一历史轨迹数据中的速度数据；所述Δt为所述第一时刻与所述上一时刻的时间差。
可选的，所述第三处理模块210，具体还可以包括：
第一数据融合单元，用于针对匹配成功的所述第一目标跟踪对象以及所述第二目标跟踪对象，根据所述第一目标跟踪对象的所述第三位置坐标、所述第三位置坐标的第一权重、所述第二目标跟踪对象的所述第二位置坐标以及第二位置坐标的第二权重，计算得到所述目标跟踪对象在所述第一时刻处的目标位置坐标。
第二数据融合单元，用于针对匹配成功的所述第一目标跟踪对象以及所述第二目标跟踪对象，根据所述预测轨迹数据中包含的预测对象速度、所述预测对象速度的第三权重、所述观测轨迹数据中包含的观测对象速度、所述观测对象速度的第四权重，计算得到所述目标跟踪对象在所述第一时刻处的目标速度。
图3为本说明书实施例提供的对应于图1的一种目标跟踪设备的结构示意图。如图3所示，设备300可以包括：
至少一个处理器310；以及，
与所述至少一个处理器通信连接的存储器330；其中，
所述存储器330存储有可被所述至少一个处理器310执行的指令320，所述指令被所述至少一个处理器310执行，以使所述至少一个处理器310能够：
获取缓存数据集，所述缓存数据集中包含有用于反映在第一时刻之前被感知到的第一目标跟踪对象的各个目标轨迹点的第一历史轨迹数据；
若所述第一目标跟踪对象的所述目标轨迹点的数量大于预设数量，则利用多项式运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据；
若所述第一目标跟踪对象的所述目标轨迹点的数量小于所述预设数量，则利用匀速直线运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据；
获取检测数据集，所述检测数据集中包含有利用传感器获取到的第二目标跟踪对象在所述第一时刻处的观测轨迹数据；
针对所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，以及，所述第二目标跟踪对象在所述第一时刻处的观测轨迹数据进行处理，得到目标对象跟踪结果。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于图3所示的目标跟踪设备而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware DescriptionLanguage)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种目标跟踪方法，其特征在于，所述方法包括：
获取缓存数据集，所述缓存数据集中包含有用于反映在第一时刻之前被感知到的第一目标跟踪对象的各个目标轨迹点的第一历史轨迹数据；
若所述第一目标跟踪对象的所述目标轨迹点的数量大于预设数量，则利用多项式运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据；
若所述第一目标跟踪对象的所述目标轨迹点的数量小于所述预设数量，则利用匀速直线运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据；
获取检测数据集，所述检测数据集中包含有利用传感器获取到的第二目标跟踪对象在所述第一时刻处的观测轨迹数据；
针对所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，以及，所述第二目标跟踪对象在所述第一时刻处的观测轨迹数据进行处理，得到目标对象跟踪结果。
2.根据权利要求1所述方法，其特征在于，所述获取检测数据集，具体包括：
利用传感器获取所述第二目标跟踪对象在所述第一时刻处的观测轨迹数据；
将所述观测轨迹数据中包含的用于反映所述第二目标跟踪对象在所述第一时刻所处的经度和纬度的第一位置坐标数据，转换为所述平面坐标系中的第二位置坐标数据；
所述针对所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，以及，所述第二目标跟踪对象在所述第一时刻处的观测轨迹数据进行处理，得到目标对象跟踪结果，具体包括：
判断所述第二位置坐标数据与所述第一历史轨迹数据中包含的三位置坐标数据之间的目标距离是否小于预设距离阈值，得到第一判断结果；
若所述第一判断结果表示所述目标距离小于所述预设距离阈值，则确定所述第三位置坐标所属的所述第一目标跟踪对象与所述第二位置坐标所属的所述第二目标跟踪对象匹配成功。
3.根据权利要求2所述的方法，其特征在于，所述判断所述目标距离是否小于预设距离阈值，得到第一判断结果之后，还包括：
若所述第一判断结果表示所述目标距离大于所述预设距离阈值，则判断所述观测轨迹数据的置信度是否大于置信度阈值，得到第二判断结果；
若所述第二判断结果表示所述观测轨迹数据的所述置信度大于所述置信度阈值，则确定所述第二目标跟踪对象为新增目标对象；
若所述第二判断结果表示所述观测轨迹数据的所述置信度小于所述置信度阈值，则确定所述第二目标跟踪对象为噪声对象。
4.根据权利要求2或3所述方法，其特征在于，所述利用多项式运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，具体包括：
利用包含多项式运动模型系数的系数值的所述多项式运动模型，计算所述第一目标跟踪对象在所述第一时刻处的所述预测轨迹数据，相对于所述第一目标跟踪对象处于第一轨迹点处的第一历史轨迹数据的目标变化量；所述第一轨迹点与距离所述第一时刻最近的采集时刻所采集的目标轨迹点之间有n个所述目标轨迹点，所述n的值为所述多项式运动模型的阶次；
将所述目标变化量与所述第一目标跟踪对象处于所述第一轨迹点处的第一历史轨迹数据进行求和处理，得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据。
5.根据权利要求4所述方法，其特征在于，所述利用包含多项式运动模型系数的系数值的所述多项式运动模型，计算所述第一目标跟踪对象在所述第一时刻处的所述预测轨迹数据，相对于所述第一目标跟踪对象处于第一轨迹点处的第一历史轨迹数据的目标变化量之前，还包括：
根据n+2个所述目标轨迹点的所述第一历史轨迹数据计算所述多项式运动模型的多项式运动模型系数；
其中，所述多项式运动模型为：y＝a0+a1x+a2x2+a3x3，所述y用于反映所述第一目标跟踪对象处于任一第二轨迹点处的第一历史轨迹数据，相对于所述第一目标跟踪对象处于所述第一轨迹点处的第一历史轨迹数据的历史状态变换量；x用于反映所述第一目标跟踪对象处于所述任一所述第二轨迹点处的时刻与所述第一目标跟踪对象处于所述第一轨迹点处的时刻之间的目标时间差；ai(i＝0、1、2、3)为所述多项式运动模型系数；所述第二轨迹点为所述n+2个所述目标轨迹点中除所述第一轨迹点以外的目标轨迹点。
6.根据权利要求2或3所述方法，其特征在于，所述利用匀速直线运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，具体包括：
利用所述匀速直线运动模型，根据所述第一目标跟踪对象在所述第一时刻的上一时刻处的所述第一历史轨迹数据中的位置数据，预测所述第一目标跟踪对象在所述第一时刻处的目标位置数据；以及，
利用所述匀速直线运动模型，根据所述第一目标跟踪对象在所述上一时刻处的所述第一历史轨迹数据中的速度数据，预测所述第一目标跟踪对象在所述第一时刻处的目标速度数据，得到包含有所述目标位置数据以及所述目标速度数据的所述预测轨迹数据；
其中，所述匀速直线运动模型为：
Pk+1＝Pk+vkΔt；
vk+1＝vk
所述Pk+1用于反映通过预测得到的所述第一目标跟踪对象在所述第一时刻处的目标位置数据；所述Pk为所述第一目标跟踪对象在所述第一时刻的上一时刻处的所述第一历史轨迹数据中的位置数据；所述vk+1用于反映所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据中的目标速度数据；所述vk为所述第一目标跟踪对象在所述上一时刻处的所述第一历史轨迹数据中的速度数据；所述Δt为所述第一时刻与所述上一时刻的时间差。
7.根据权利要求2所述方法，其特征在于，所述确定所述第三位置坐标所属的所述第一目标跟踪对象与所述第二位置坐标所属的所述第二目标跟踪对象为同一个目标跟踪对象之后，还包括：
针对匹配成功的所述第一目标跟踪对象以及所述第二目标跟踪对象，根据所述第一目标跟踪对象的所述第三位置坐标、所述第三位置坐标的第一权重、所述第二目标跟踪对象的所述第二位置坐标以及第二位置坐标的第二权重，计算得到所述目标跟踪对象在所述第一时刻处的目标位置坐标；
针对匹配成功的所述第一目标跟踪对象以及所述第二目标跟踪对象，根据所述预测轨迹数据中包含的预测对象速度、所述预测对象速度的第三权重、所述观测轨迹数据中包含的观测对象速度、所述观测对象速度的第四权重，计算得到所述目标跟踪对象在所述第一时刻处的目标速度。
8.一种目标跟踪装置，其特征在于，所述装置包括：
第一获取模块，用于获取缓存数据集，所述缓存数据集中包含有用于反映在第一时刻之前被感知到的第一目标跟踪对象的各个目标轨迹点的第一历史轨迹数据；
第一处理模块，用于若所述第一目标跟踪对象的所述目标轨迹点的数量大于预设数量，则利用多项式运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据；
第二处理模块，用于若所述第一目标跟踪对象的所述目标轨迹点的数量小于所述预设数量，则利用匀速直线运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据；
第二获取模块，用于获取检测数据集，所述检测数据集中包含有利用传感器获取到的第二目标跟踪对象在所述第一时刻处的观测轨迹数据；
第三处理模块，用于针对所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，以及，所述第二目标跟踪对象在所述第一时刻处的观测轨迹数据进行处理，得到目标对象跟踪结果。
9.一种目标跟踪设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取缓存数据集，所述缓存数据集中包含有用于反映在第一时刻之前被感知到的第一目标跟踪对象的各个目标轨迹点的第一历史轨迹数据；
若所述第一目标跟踪对象的所述目标轨迹点的数量大于预设数量，则利用多项式运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据；
若所述第一目标跟踪对象的所述目标轨迹点的数量小于所述预设数量，则利用匀速直线运动模型，根据所述第一目标跟踪对象的所述第一历史轨迹数据预测得到所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据；
获取检测数据集，所述检测数据集中包含有利用传感器获取到的第二目标跟踪对象在所述第一时刻处的观测轨迹数据；
针对所述第一目标跟踪对象在所述第一时刻处的预测轨迹数据，以及，所述第二目标跟踪对象在所述第一时刻处的观测轨迹数据进行处理，得到目标对象跟踪结果。
10.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现权利要求1至7中任一项所述的目标跟踪方法。
CN202311066515.7A 2023-08-23 2023-08-23 一种目标跟踪方法、装置、设备及介质 Pending CN117333508A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311066515.7A CN117333508A (zh) 2023-08-23 2023-08-23 一种目标跟踪方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311066515.7A CN117333508A (zh) 2023-08-23 2023-08-23 一种目标跟踪方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN117333508A true CN117333508A (zh) 2024-01-02

Family

ID=89290859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311066515.7A Pending CN117333508A (zh) 2023-08-23 2023-08-23 一种目标跟踪方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN117333508A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118279348A (zh) * 2024-03-28 2024-07-02 深圳市中航世星科技有限公司 基于视频图像下运动目标检测与跟踪的方法及相关设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118279348A (zh) * 2024-03-28 2024-07-02 深圳市中航世星科技有限公司 基于视频图像下运动目标检测与跟踪的方法及相关设备

Similar Documents

Publication Publication Date Title
CN110262486B (zh) 一种无人驾驶设备运动控制方法及装置
CN111127551B (zh) 一种目标检测的方法及装置
CN111077555A (zh) 一种定位方法及装置
CN111797906B (zh) 基于视觉和惯性里程定位的方法及装置
CN112036462B (zh) 一种模型训练以及目标检测的方法及装置
CN112629550B (zh) 一种预测障碍物轨迹以及模型训练的方法及装置
CN111062372B (zh) 一种预测障碍物轨迹的方法及装置
CN111288971B (zh) 一种视觉定位方法及装置
CN116740361B (zh) 一种点云分割方法、装置、存储介质及电子设备
CN117333508A (zh) 一种目标跟踪方法、装置、设备及介质
US20220314980A1 (en) Obstacle tracking method, storage medium and unmanned driving device
CN112799411A (zh) 一种无人驾驶设备的控制方法及装置
CN111798489B (zh) 一种特征点跟踪方法、设备、介质及无人设备
CN117095371A (zh) 一种目标检测方法及检测装置
CN116558545A (zh) 一种传感器数据的标定方法及装置
CN116106869A (zh) 自动驾驶车辆的定位评价方法、装置及电子设备
CN112393723B (zh) 一种定位方法、设备、介质及无人设备
CN116300842A (zh) 一种无人设备控制方法、装置、存储介质及电子设备
CN112712561A (zh) 一种建图方法、装置、存储介质及电子设备
CN117333509A (zh) 一种目标跟踪方法、装置及设备
CN118053153B (zh) 一种点云数据的识别方法、装置、存储介质及电子设备
CN116740924A (zh) 一种道路通行时长的确定方法、装置和可读介质
CN117009919A (zh) 一种多传感器感知数据融合方法、装置及设备
CN117197489A (zh) 一种目标跟踪方法、装置及设备
CN116381670A (zh) 基于毫米波雷达的多目标检测方法、装置和存储介质

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