CN117333509A - 一种目标跟踪方法、装置及设备 - Google Patents
一种目标跟踪方法、装置及设备 Download PDFInfo
- Publication number
- CN117333509A CN117333509A CN202311068491.9A CN202311068491A CN117333509A CN 117333509 A CN117333509 A CN 117333509A CN 202311068491 A CN202311068491 A CN 202311068491A CN 117333509 A CN117333509 A CN 117333509A
- Authority
- CN
- China
- Prior art keywords
- motion data
- moment
- data
- matching
- predicted motion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 102
- 230000033001 locomotion Effects 0.000 claims abstract description 271
- 238000013213 extrapolation Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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、装置及设备，方案可以包括：获取至少一个第一运动目标在第一时刻的第一运动数据；利用外推法对所述第一时刻之前的至少一个时刻的跟踪结果进行数据预测，得到所述第一时刻的第一预测运动数据；将所述第一运动数据和所述第一预测运动数据进行匹配，得到所述第一时刻的跟踪结果。本说明书实施例利用外推法对第一时刻之前的至少一个时刻的跟踪结果进行数据预测，可以得到较为准确的第一预测运动数据，进而将第一运动数据和第一预测运动数据进行匹配，可以得到较为准确的跟踪结果。
Description
技术领域
本申请涉及目标跟踪技术领域，尤其涉及一种目标跟踪方法、装置及设备。
背景技术
目标跟踪是计算机视觉技术中十分重要的一部分，其目的是正确跟踪所需跟踪的目标，例如人、车等等。
其中，SORT(Simple 0nline And RealtimeTracking，简单的在线和实时跟踪)算法是进行多目标跟踪使用较为广泛的一种算法。SORT算法的核心在于目标匹配和预测，其具体采用匈牙利算法进行目标匹配，采用恒定速度模型(Constant Velocity，CV)进行目标预测。其中，恒定速度模型是假设运动目标匀速直线运动进而对运动目标进行预测的模型，但是多数情况下，恒定速度模型的假设条件不成立，进而跟踪准确性较差。
发明内容
本说明书实施例提供一种目标跟踪方法、装置及设备，以解决现有的目标跟踪方法中准确性差的问题。
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，包括：
获取至少一个第一运动目标在第一时刻的第一运动数据；
利用外推法对所述第一时刻之前的至少一个时刻的跟踪结果进行数据预测，得到所述第一时刻的第一预测运动数据；
将所述第一运动数据和所述第一预测运动数据进行匹配，得到所述第一时刻的跟踪结果。
本说明书实施例提供的一种目标跟踪置，包括：
数据获取模块，用于获取至少一个第一运动目标在第一时刻的第一运动数据；
数据预测模块，用于利用外推法对所述第一时刻之前的至少一个时刻的跟踪结果进行数据预测，得到所述第一时刻的第一预测运动数据；
数据匹配模块，用于将所述第一运动数据和所述第一预测运动数据进行匹配，得到所述第一时刻的跟踪结果。
本说明书实施例提供的一种计算机设备，包括存储器、处理器以及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现上述所述目标跟踪方法的步骤。
本说明书一个实施例实现了能够达到以下有益效果：通过利用外推法对第一时刻之前的至少一个时刻的跟踪结果进行数据预测，可以得到较为准确的第一预测运动数据，进而将第一运动数据和第一预测运动数据进行匹配，可以得到较为准确的跟踪结果。
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地介绍，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的前提下，还可以根据这些附图获得其他的附图。
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；
图2为本说明书实施例提供的一种目标跟踪方法的过程示意图；
图3为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4为本说明书实施例提供的一种计算机设备的结构示意图。
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。
SORT(Simple 0nline And RealtimeTracking，简单的在线和实时跟踪)算法是进行多目标跟踪使用较为广泛的一种算法。SORT算法的核心在于目标匹配和预测，其具体采用匈牙利算法进行目标匹配，采用恒定速度模型(Constant Velocity，CV)进行目标预测。其中，恒定速度模型是假设运动目标匀速直线运动进而对运动目标进行预测的模型，但是多数情况下，恒定速度模型的假设条件不成立，进而跟踪准确性较差。
为了解决现有技术中的缺陷，本方案给出了以下实施例：
图1为本说明书实施例提供的一种目标跟踪方法流程图，从程序角度而言，流程的执行主体可以为搭载于应用服务器或云端的程序或应用客户端。如图1所示，方法可以包括如下步骤：
步骤102：获取至少一个第一运动目标在第一时刻的第一运动数据。
在本说明书实施例中，第一运动目标可以为待跟踪的运动目标，比如可以是车辆、行人等。
第一运动目标可以有一个或多个；若第一运动目标存在一个，则本说明书实施例的方法可以对这一个第一运动目标进行跟踪，若第一运动目标存在多个，则可以对这多个第一运动目标进行跟踪。
第一运动目标的第一运动数据，可以包括第一运动目标的位置以及速度等。
进一步地，可以通过数据采集设备采集第一运动目标在第一时刻的第一运动数据，进而流程的执行主体服务器或云端获取第一运动数据。其中，数据采集设备可以是激光雷达、毫米波雷达、超声波雷达、红外传感器以及摄像头中的至少一种。
在本说明书实施例中，第一时刻可以是进行目标跟踪的当前时刻。
步骤104：利用外推法对所述第一时刻之前的至少一个时刻的跟踪结果进行数据预测，得到所述第一时刻的第一预测运动数据。
外推法(英文名称Extrapolation)，是根据某一对象的观测值，计算该对象的观测范围以外的近似值的方法。
在本说明书实施例中，可以利用外推法对第一时刻之前的至少一个时刻的跟踪结果进行数据预测，相比现有的采用恒定速度模型进行数据预测而言，可以得到较为准确的第一预测运动数据。
其中，第一预测运动数据可以包括各运动目标的位置以及速度等，比如可以包括第一运动目标的位置以及速度等，也可以包括除第一运动目标之外的运动目标的位置以及速度等。
步骤106：将所述第一运动数据和所述第一预测运动数据进行匹配，得到所述第一时刻的跟踪结果。
在本说明书实施例中，可以将第一运动数据对应的第一运动目标的位置以及速度，与第一预测运动数据对应的运动目标的位置以及速度进行匹配，进而得到第一时刻的跟踪结果。
进一步地，可以利用匈牙利算法(英文名称Hungarian Algorithm)将第一运动数据和第一预测运动数据进行匹配。
如图1所示，本说明书实施例中，通过利用外推法对第一时刻之前的至少一个时刻的跟踪结果进行数据预测，可以得到较为准确的第一预测运动数据，进而将第一运动数据和第一预测运动数据进行匹配，可以得到较为准确的跟踪结果。
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。
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案，下面进行说明。
在本说明书实施例中，可以预先将数据采集设备设置在运动目标的行驶路径上，比如设置在某一街道上，数据采集设备便可以采集该街道上的运动目标的运动数据，其中，采集的运动数据可以包括多个时刻的运动数据。
其中在某一时刻，该街道上可能经过N个运动目标，数据采集设备可以在该时刻采集到N个运动目标的运动数据，N为大于0的正整数；在另一时刻，该街道上可能经过M个运动目标，数据采集设备可以在该时刻采集到M个运动目标的运动数据，M为大于0的正整数，M可以等于N，也可以不等于N；本说明书实施例的方法可以对运动目标进行跟踪，可以计算N个运动目标中哪些运动目标与M个运动目标中哪些运动目标是同一运动目标，哪些不是同一运动目标。
跟踪结果可以被用于智能交通领域，比如可以基于跟踪结果生成自动驾驶车辆的自动驾驶策略等。
在本说明书实施例中，数据采集设备可以是激光雷达、毫米波雷达、超声波雷达、红外传感器、摄像头等。
由于激光雷达、毫米波雷达以及超声波雷达等数据采集设备采集的运动数据的类型或格式可能不同，因此在本说明书实施例中，还可以对各数据采集设备采集的各运动数据进行预处理，具体可以包括：
获取多个数据采集设备在第一时刻采集的至少一个第一运动目标对应的多个第一原始运动数据；
对所述多个第一原始运动数据进行坐标转换，得到同一坐标系下的多个第一原始运动数据；
将所述同一坐标系下的多个第一原始运动数据确定为所述第一运动数据。
在本说明书实施例中，可以采用H个数据采集设备对L个运动目标进行数据采集，若在第一时刻每个采集设备均采集到L个运动目标，可以在第一时刻采集到该L个运动目标中各个运动目标的H个原数运动数据，上述第一原数运动数据的数量可以为H×L个。H和L均为大于或等于1的正整数。
在本说明书实施例中，同一坐标系可以包括平面直角坐标系或墨卡托坐标系等。
在本说明书实施例中，所述至少一个时刻的跟踪结果包括第二时刻的跟踪结果；所述第二时刻是所述第一时刻的前一个时刻；所述第二时刻的跟踪结果的获取过程可以包括：
获取至少一个第二运动目标在所述第二时刻的第二运动数据；
利用非外推法对至少一个第三运动目标在第三时刻的第三运动数据进行数据预测，得到所述第二时刻的第二预测运动数据；所述非外推法包括基于匀速直线运动模型的方法；所述第三时刻是所述第二时刻的前一个时刻；
将所述第二运动数据和所述第二预测运动数据进行匹配，得到所述第二时刻的跟踪结果。
其中，第二运动数据可以是数据采集设备在第二时刻采集的运动数据。
第三运动数据可以是数据采集设备在第三时刻采集的运动数据。
第二运动数据对应的第二运动目标可以与第一运动数据对应的第一运动目标部分或全部相同，也可以部分或全部不同；第三运动数据对应的第三运动目标可以与第二运动目标部分或全部相同，也可以部分或全部不同。
对本实施例提供的目标跟踪方法进一步解释说明：
获取数据采集设备在第三时刻采集的至少一个第三运动目标的第三运动数据；利用非外推法对第三运动数据进行数据预测，比如利用基于匀速直线运动模型的方法或者卡尔曼滤波算法等进行数据预测，得到第二时刻的第二预测运动数据；其中第三时刻为第二时刻的前一个时刻，第二时刻为第一时刻的前一个时刻；获取数据采集设备在第二时刻采集的至少一个第二运动目标的第二运动数据；将第二预测运动数据和第二运动数据进行匹配，得到第二时刻的跟踪结果；利用外推法对第二时刻的跟踪结果进行数据预测，得到第一时刻的第一预测运动数据；获取数据采集设备在第一时刻采集的至少一个第一运动目标的第一运动数据；将第一预测运动数据和第一运动数据进行匹配，得到第一时刻的跟踪结果；利用外推法对第一时刻的跟踪结果，或者对第一时刻和第二时刻的跟踪结果进行数据预测，将得到的预测运动数据和第一时刻的下一个时刻采集的运动数据进行匹配，得到第一时刻的下一个时刻的跟踪结果。
可以看出，本说明书实施例提供的目标跟踪方法可以是不断进行数据预测-数据匹配的过程，其中第一次数据预测可以是利用非外推法，对数据采集设备采集的运动数据进行的数据预测，非第一次数据预测可以是利用外推法，对非第一次数据预测的时刻之前的至少一个时刻的跟踪结果进行的数据预测；数据匹配可以是对数据采集设备采集的运动数据和预测运动数据进行的数据匹配。
数据量较少时，利用外推法进行数据预测，得到的预测运动数据往往不是特别准确，因此本说明书实施例中，第一次数据预测可以是利用非外推法，对数据采集设备采集的运动数据进行的数据预测。其中，非外推法可以是基于匀速直线运动模型的方法。
匀速直线运动模型可以将运动目标的运动近似为匀速直线运动，从而利用匀速直线去预测运动目标的预测运动数据。其中，利用匀速直线运动模型对第三运动目标在第三时刻的第三运动数据进行数据预测，得到第二时刻的第二预测运动数据，具体公式可以为：
Pk+1＝Pk+vkΔt；
vk+1＝vk
(Pk+1，vk+1)可以表示第k+1时刻，也就是第三运动目标在第二时刻的第二预测运动数据，Pk+1可以表示第二预测运动数据中的位置数据，Pk可以表示第三运动目标在第二时刻的位置数据，vk可以表示第三运动目标在第二时刻的速度数据，Δt可以表示第三时刻与第二时刻的时间差，vk+1可以表示第二预测运动数据中的速度数据。
数据量较多时，可以利用外推法进行数据预测，得到较为准确的预测运动数据。
比如可以利用外推法对第二时刻的跟踪结果进行数据预测，得到第一时刻的第一预测运动数据，具体则可以是利用外推法对第二时刻的跟踪结果以及第三运动数据进行预测，进而得到第一时刻的第一预测运动数据。
利用外推法对第一时刻的跟踪结果进行预测时，则可以是利用外推法对第二时刻的跟踪结果以及第三时刻的跟踪结果进行预测；也可以是利用外推法对第二时刻的跟踪结果、第三时刻的跟踪结果以及第三运动数据进行预测。
基于过多时刻的跟踪结果进行数据预测也可能会影响预测运动数据的准确性。因此为了提高得到的预测运动数据的准确性，在本说明书实施例中，可以利用外推法对两个时刻、三个时刻、四个时刻或五个时刻的跟踪结果进行数据预测，即利用外推法对所述第一时刻之前的两个时刻、三个时刻、四个时刻或五个时刻的跟踪结果进行数据预测，得到所述第一时刻的第一预测运动数据。
进一步地，利用外推法得到第一时刻的第一预测运动数据的计算公式可以如下：
其中，P(t)表示预测运动数据，t表示预测运动数据对应的时刻，当t＝0时，P(t)＝P(t0)，P(t0)表示第一时刻的第一预测运动数据，ti表示在时刻t之前的第i个时刻，tj表示在时刻t之前的第j个时刻，yi表示运动目标的运动数据，比如可以表示运动目标相对设定的坐标系的X轴的位置、相对设定的坐标系的Y轴的位置、相对设定的坐标系的X轴的速度以及相对设定的坐标系的Y轴的速度，(ti，yi)可以表示运动目标的轨迹点，运动目标在不同时刻的轨迹点构成运动目标的运行轨迹，当i＝1时，(t1，y1)可以表示运动目标在第二时刻的轨迹点，可以理解为第二时刻的跟踪结果，当i＝2时，(t2，y2)可以表示运动目标在第三时刻的轨迹点，可以理解为第三时刻的跟踪结果，当i＝3时，(t3，y3)可以表示运动目标在第三时刻的轨迹点，可以理解为第三运动数据。
在本说明书实施例中，为了得到更准确的第一时刻的跟踪结果，所述将所述第一运动数据和所述第一预测运动数据进行匹配，得到所述第一时刻的跟踪结果，具体可以包括：
将所述第一运动数据和所述第一预测运动数据进行匹配，得到匹配结果；所述匹配结果包括匹配成功的第一运动数据以及匹配成功的第一预测运动数据；
对所述匹配成功的第一运动数据和所述匹配成功的第一预测运动数据进行数据融合，得到融合后的运动数据；
将所述融合后的运动数据确定为所述第一时刻的跟踪结果。
进一步地，可以利用匈牙利算法将第一运动数据和第一预测运动数据进行匹配，所述将所述第一运动数据和所述第一预测运动数据进行匹配，得到匹配结果，具体可以包括：
确定所述第二运动数据和所述第二预测运动数据之间的余弦距离；
基于所述余弦距离，将所述第二运动数据和所述第二预测运动数据进行匹配，得到匹配结果。
比如可以确定第二运动数据对应的第二运动目标的位置和第二预测运动数据对应的运动目标的位置之间的余弦距离，当该余弦距离小于或等于设定距离阈值时，可以认为匹配成功，即第二运动目标和第二预测运动数据对应的运动目标为同一运动目标，否则可以认为匹配失败，即第二运动目标和第二预测运动数据对应的运动目标不为同一运动目标。
在本说明书实施例中，还可以利用加权平均算法(英文名称Weighted AverageMethod)对所述匹配成功的第二运动数据和所述匹配成功的第二预测运动数据进行数据融合，得到融合后的运动数据。其中匹配成功的第二运动数据的权重可以为a，匹配成功的第二预测运动数据的权重可以为1-a，a可以表示某一设定值。
对匹配成功的第二运动数据和匹配成功的第二预测运动数据进行数据融合，得到的融合后的运动数据相比第二运动数据或第二预测运动数据而言，可以较为准确的反应运动目标的位置以及速度等。
作为一种实施方式，还可以利用分层算法、基于概率的算法以及基于决策树的算法等对所述匹配成功的第二运动数据和所述匹配成功的第二预测运动数据进行数据融合，进而得到融合后的运动数据，在此不作赘述。
在本说明书实施例中，由于第三运动目标可以与第二运动目标不同，因此对第二运动数据和第二预测运动数据进行匹配，可以得到匹配失败的第二预测运动数据，其中匹配失败的第二预测运动数据对应的运动目标与第二运动目标不为同一个运动目标。可选的，所述匹配结果还包括匹配失败的第二预测运动数据；
所述将所述融合后的运动数据确定为所述任一时刻的跟踪结果，具体可以包括：
将所述融合后的运动数据以及所述匹配失败的第二预测运动数据确定为所述任一时刻的跟踪结果。
进一步地，在所述将所述融合后的运动数据以及所述匹配失败的第二预测运动数据确定为所述任一时刻的跟踪结果之前，目标跟踪方法还可以包括：
对所述匹配失败的第二预测运动数据进行去噪，得到去噪后的匹配失败的第二预测运动数据。
对匹配失败的第二预测运动数据进行去噪，可以得到较为准确的匹配失败的第二预测运动数据。
图2为本说明书实施例提供的一种目标跟踪方法的过程示意图，如图2所示，目标跟踪方法可以包括：
步骤201：数据采集设备采集运动数据。
运动数据可以包括多个时刻采集到的运动数据，比如包括在T时刻采集到的运动数据。
在本说明书实施例中，还可以利用匀速直线运动模型对在T时刻采集到的运动数据进行数据预测，得到T+1时刻的预测运动数据。实际应用中也可以采用其它方式进行数据预测，比如利用卡尔曼滤波算法进行数据预测。
步骤202：将T+1时刻的预测运动数据和在T+1时刻采集的运动数据进行匹配。
其中，T+1时刻是T时刻的下一个时刻。
进一步地，可以利用匈牙利算法将T+1时刻的预测运动数据和在T+1时刻采集的运动数据进行匹配。
步骤203：确定步骤202产生的匹配失败的预测运动数据中的噪声数据，将噪声数据对应的运动目标作为未匹配目标。
去除匹配失败的预测运动数据中的噪声数据，可以得到去噪后的预测运动数据。
步骤204：将步骤203产生的去噪后的预测运动数据对应的目标，作为新目标，进而得到新目标的运动数据。
在本说明书实施例中，作为新目标可以是生成新的跟踪标识，也就是与在T+1时刻采集的运动数据对应的运动目标的跟踪标识不同的跟踪标识。
步骤205：确定步骤202产生的匹配成功的运动数据和匹配成功的预测运动数据。
步骤206：将匹配成功的运动数据和匹配成功的预测运动数据进行数据融合，得到融合后的运动数据。
其中，可以利用加权平均算法将匹配成功的运动数据和匹配成功的预测运动数据进行数据融合。
步骤207：确定T+1时刻的跟踪结果；T+1时刻的跟踪结果包括步骤204产生的新目标的运动数据以及步骤206产生的融合后的运动数据。
步骤208：输出T+1时刻的跟踪结果。
在本说明书实施例中，在步骤208之后，目标跟踪方法还可以包括：
步骤209：利用外推法对T+1时刻的跟踪结果进行数据预测，得到T+2时刻的预测运动数据。T+2时刻是T+1时刻的下一个时刻。
具体可以利用外推法，对T+1时刻的跟踪结果以及在T时刻采集的运动数据进行数据预测，进而得到T+2时刻的预测运动数据。
在步骤209之后，还可以将T+2时刻的预测运动数据和数据采集设备在T+2时刻采集的运动数据进行匹配，进而得到T+2时刻的跟踪结果等。
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3为本说明书实施例提供的一种目标跟踪装置的结构示意图，如图3所示，本说明书实施例提供的目标跟踪置可以包括：
数据获取模块302，用于获取至少一个第一运动目标在第一时刻的第一运动数据；
数据预测模块304，用于利用外推法对所述第一时刻之前的至少一个时刻的跟踪结果进行数据预测，得到所述第一时刻的第一预测运动数据；
数据匹配模块306，用于将所述第一运动数据和所述第一预测运动数据进行匹配，得到所述第一时刻的跟踪结果。
在本说明书实施例中，所述数据匹配模块306，具体可以用于：
将所述第一运动数据和所述第一预测运动数据进行匹配，得到匹配结果；所述匹配结果包括匹配成功的第一运动数据以及匹配成功的第一预测运动数据；
对所述匹配成功的第一运动数据和所述匹配成功的第一预测运动数据进行数据融合，得到融合后的运动数据；
将所述融合后的运动数据确定为所述第一时刻的跟踪结果。
在本说明书实施例中，所述对所述匹配成功的第一运动数据和所述匹配成功的第一预测运动数据进行数据融合，得到融合后的运动数据，具体可以包括：
利用加权平均算法对所述匹配成功的第一运动数据和所述匹配成功的第一预测运动数据进行数据融合，得到融合后的运动数据
在本说明书实施例中，所述匹配结果还包括匹配失败的第一预测运动数据；所述将所述融合后的运动数据确定为所述第一时刻的跟踪结果，具体可以包括：
将所述融合后的运动数据以及所述匹配失败的第一预测运动数据确定为所述第一时刻的跟踪结果。
在本说明书实施例中，在所述将所述融合后的运动数据以及所述匹配失败的第一预测运动数据确定为所述第一时刻的跟踪结果之前，还可以包括：
对所述匹配失败的第一预测运动数据进行去噪，得到去噪后的匹配失败的第一预测运动数据。
在本说明书实施例中，所述将所述第一运动数据和所述第一预测运动数据进行匹配，得到匹配结果，具体可以包括：
确定所述第一运动数据和所述第一预测运动数据之间的余弦距离；
基于所述余弦距离，将所述第一运动数据和所述第一预测运动数据进行匹配，得到匹配结果。
在本说明书实施例中，所述数据获取模块302，具体可以用于：
获取多个数据采集设备在第一时刻采集的至少一个第一运动目标对应的多个第一原始运动数据；
对所述多个第一原始运动数据进行坐标转换，得到同一坐标系下的多个第一原始运动数据；
将所述同一坐标系下的多个第一原始运动数据确定为所述第一运动数据。
在本说明书实施例中，所述至少一个时刻的跟踪结果包括第二时刻的跟踪结果；所述第二时刻是所述第一时刻的前一个时刻；
所述第二时刻的跟踪结果的获取过程可以包括：
获取至少一个第二运动目标在所述第二时刻的第二运动数据；
利用非外推法对至少一个第三运动目标在第三时刻的第三运动数据进行数据预测，得到所述第二时刻的第二预测运动数据；所述非外推法包括基于匀速直线运动模型的方法；所述第三时刻是所述第二时刻的前一个时刻；
将所述第二运动数据和所述第二预测运动数据进行匹配，得到所述第二时刻的跟踪结果。
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设备。
图4为本说明书实施例提供的对应于图1的一种计算机设备的结构示意图。如图4所示，设备400可以包括：包括存储器410、处理器420以及存储在存储器410上的计算机程序430，处理器420执行计算机程序430以实现上述目标跟踪方法的步骤。
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所示的目标跟踪装置以及图4所示的计算机设备而言，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 Description Language)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，包括：
获取至少一个第一运动目标在第一时刻的第一运动数据；
利用外推法对所述第一时刻之前的至少一个时刻的跟踪结果进行数据预测，得到所述第一时刻的第一预测运动数据；
将所述第一运动数据和所述第一预测运动数据进行匹配，得到所述第一时刻的跟踪结果。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一运动数据和所述第一预测运动数据进行匹配，得到所述第一时刻的跟踪结果，具体包括：
将所述第一运动数据和所述第一预测运动数据进行匹配，得到匹配结果；所述匹配结果包括匹配成功的第一运动数据以及匹配成功的第一预测运动数据；
对所述匹配成功的第一运动数据和所述匹配成功的第一预测运动数据进行数据融合，得到融合后的运动数据；
将所述融合后的运动数据确定为所述第一时刻的跟踪结果。
3.根据权利要求2所述的方法，其特征在于，所述对所述匹配成功的第一运动数据和所述匹配成功的第一预测运动数据进行数据融合，得到融合后的运动数据，具体包括：
利用加权平均算法对所述匹配成功的第一运动数据和所述匹配成功的第一预测运动数据进行数据融合，得到融合后的运动数据。
4.根据权利要求2所述的方法，其特征在于，所述匹配结果还包括匹配失败的第一预测运动数据；
所述将所述融合后的运动数据确定为所述第一时刻的跟踪结果，具体包括：
将所述融合后的运动数据以及所述匹配失败的第一预测运动数据确定为所述第一时刻的跟踪结果。
5.根据权利要求4所述的方法，其特征在于，在所述将所述融合后的运动数据以及所述匹配失败的第一预测运动数据确定为所述第一时刻的跟踪结果之前，还包括：
对所述匹配失败的第一预测运动数据进行去噪，得到去噪后的匹配失败的第一预测运动数据。
6.根据权利要求2所述的方法，其特征在于，所述将所述第一运动数据和所述第一预测运动数据进行匹配，得到匹配结果，具体包括：
确定所述第一运动数据和所述第一预测运动数据之间的余弦距离；
基于所述余弦距离，将所述第一运动数据和所述第一预测运动数据进行匹配，得到匹配结果。
7.根据权利要求1所述的方法，其特征在于，所述获取至少一个第一运动目标在第一时刻的第一运动数据，具体包括：
获取多个数据采集设备在第一时刻采集的至少一个第一运动目标对应的多个第一原始运动数据；
对所述多个第一原始运动数据进行坐标转换，得到同一坐标系下的多个第一原始运动数据；
将所述同一坐标系下的多个第一原始运动数据确定为所述第一运动数据。
8.根据权利要求1所述的方法，其特征在于，所述至少一个时刻的跟踪结果包括第二时刻的跟踪结果；所述第二时刻是所述第一时刻的前一个时刻；
所述第二时刻的跟踪结果的获取过程包括：
获取至少一个第二运动目标在所述第二时刻的第二运动数据；
利用非外推法对至少一个第三运动目标在第三时刻的第三运动数据进行数据预测，得到所述第二时刻的第二预测运动数据；所述非外推法包括基于匀速直线运动模型的方法；所述第三时刻是所述第二时刻的前一个时刻；
将所述第二运动数据和所述第二预测运动数据进行匹配，得到所述第二时刻的跟踪结果。
9.一种目标跟踪装置，其特征在于，包括：
数据获取模块，用于获取至少一个第一运动目标在第一时刻的第一运动数据；
数据预测模块，用于利用外推法对所述第一时刻之前的至少一个时刻的跟踪结果进行数据预测，得到所述第一时刻的第一预测运动数据；
数据匹配模块，用于将所述第一运动数据和所述第一预测运动数据进行匹配，得到所述第一时刻的跟踪结果。
10.一种计算机设备，包括存储器、处理器以及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1至8中任意一项所述目标跟踪方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311068491.9A CN117333509A (zh) | 2023-08-23 | 2023-08-23 | 一种目标跟踪方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311068491.9A CN117333509A (zh) | 2023-08-23 | 2023-08-23 | 一种目标跟踪方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117333509A true CN117333509A (zh) | 2024-01-02 |
Family
ID=89276139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311068491.9A Pending CN117333509A (zh) | 2023-08-23 | 2023-08-23 | 一种目标跟踪方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117333509A (zh) |
-
2023
- 2023-08-23 CN CN202311068491.9A patent/CN117333509A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112015847B (zh) | 一种障碍物的轨迹预测方法、装置、存储介质及电子设备 | |
| CN111127551B (zh) | 一种目标检测的方法及装置 | |
| CN112036462B (zh) | 一种模型训练以及目标检测的方法及装置 | |
| US20220314980A1 (en) | Obstacle tracking method, storage medium and unmanned driving device | |
| CN116740361B (zh) | 一种点云分割方法、装置、存储介质及电子设备 | |
| CN111797906B (zh) | 基于视觉和惯性里程定位的方法及装置 | |
| CN115600157B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
| CN111797711A (zh) | 一种模型训练的方法及装置 | |
| CN114550450A (zh) | 一种验证路侧感知设备感知精度的方法、装置及电子设备 | |
| CN115880685A (zh) | 一种基于votenet模型的三维目标检测方法和系统 | |
| CN117333508A (zh) | 一种目标跟踪方法、装置、设备及介质 | |
| CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
| CN114332201A (zh) | 一种模型训练、目标检测的方法以及装置 | |
| CN112818968A (zh) | 一种目标物分类方法及装置 | |
| CN117333509A (zh) | 一种目标跟踪方法、装置及设备 | |
| CN116385999A (zh) | 一种停车位的识别方法、装置及设备 | |
| CN113642616B (zh) | 一种基于环境数据的训练样本的生成方法及装置 | |
| CN117095371A (zh) | 一种目标检测方法及检测装置 | |
| CN114187355A (zh) | 一种图像标定方法及装置 | |
| CN112734851B (zh) | 一种位姿确定的方法以及装置 | |
| CN112393723B (zh) | 一种定位方法、设备、介质及无人设备 | |
| CN114299147A (zh) | 一种定位方法、装置、存储介质及电子设备 | |
| CN114997264A (zh) | 训练数据生成、模型训练及检测方法、装置及电子设备 | |
| CN112712561A (zh) | 一种建图方法、装置、存储介质及电子设备 | |
| CN117197489A (zh) | 一种目标跟踪方法、装置及设备 |
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 |