CN117765026A - 一种目标跟踪方法、系统、装置及存储介质 - Google Patents
一种目标跟踪方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN117765026A CN117765026A CN202311772300.7A CN202311772300A CN117765026A CN 117765026 A CN117765026 A CN 117765026A CN 202311772300 A CN202311772300 A CN 202311772300A CN 117765026 A CN117765026 A CN 117765026A
- Authority
- CN
- China
- Prior art keywords
- tracking
- target
- determining
- frame
- detection threshold
- 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 57
- 238000001514 detection method Methods 0.000 claims abstract description 112
- 230000008859 change Effects 0.000 claims description 65
- 238000012545 processing Methods 0.000 description 40
- 238000003672 processing method Methods 0.000 description 26
- 230000002159 abnormal effect Effects 0.000 description 24
- 238000001914 filtration Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 230000003068 static effect Effects 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- 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、系统、装置及存储介质，其中，该方法包括：获取与跟踪目标相关的多帧跟踪信息，多帧跟踪信息分别对应多个时刻，多个时刻包括当前时刻和至少一个历史时刻；基于多帧跟踪信息，确定噪声指数；基于噪声指数，确定运动检测阈值；基于运动检测阈值和多帧跟踪信息，确定跟踪目标的运动状态。
Description
技术领域
本说明书涉及数据处理技术领域，特别涉及一种目标跟踪方法和系统。
背景技术
在自动驾驶领域，对目标的稳定准确的速度评估是追求更高安全性、稳定性和产生更智能驾驶行为的基础。首先，从安全性角度，准确的目标速度估计有助于避免碰撞，保持车辆在道路上的安全行驶位置，利于规划决策和控制等环节准确响应道路与环境变化。其次，从稳定性角度，异常速度的输出可能导致控制系统的不稳定，使车辆无法适应快速变化的道路条件和交通情况。最后，如果速度估计不准确，自动驾驶系统将难以生成有效的行驶路线和执行平稳的车辆控制，进而可能导致不适当的急刹车或过度加速，还可能引发危险情况。
因此，本说明书一些实施例提出了一种目标跟踪方法和系统，以提供稳定、准确的目标速度输出。
发明内容
本说明书实施例之一提供一种目标跟踪方法，目标跟踪方法包括：获取与跟踪目标相关的多帧跟踪信息，所述多帧跟踪信息分别对应多个时刻，所述多个时刻包括当前时刻和至少一个历史时刻；基于所述多帧跟踪信息，确定噪声指数；基于所述噪声指数，确定运动检测阈值；基于所述运动检测阈值和所述多帧跟踪信息，确定所述跟踪目标的运动状态。
在一些实施例中，所述基于所述多帧跟踪信息，确定噪声指数包括：基于所述多帧跟踪信息，确定所述跟踪目标的至少一组位置信息；基于所述至少一组位置信息，确定至少一个方向变化参数；基于所述至少一个方向变化参数，确定所述噪声指数。
在一些实施例中，所述基于所述噪声指数，确定运动检测阈值包括：基于所述噪声指数和运动指数，确定所述运动检测阈值，所述运动指数基于所述多帧跟踪信息中所述跟踪目标为移动状态的帧数确定。
在一些实施例中，所述基于所述噪声指数，确定运动检测阈值包括：基于所述噪声指数和第一权重因子，确定应用于相邻帧检测的第一检测阈值；和/或基于所述噪声指数和第二权重因子，确定应用于间隔帧检测的第二检测阈值，其中，所述第一权重因子与所述第二权重因子不同。
在一些实施例中，所述基于所述运动检测阈值和所述多帧跟踪信息，确定所述跟踪目标的运动状态包括：基于所述多帧跟踪信息，确定目标时刻对应的第一位置变化量，所述目标时刻对应的所述第一位置变化量基于所述目标时刻对应的全局跟踪信息和相邻的前一历史时刻对应的全局跟踪信息确定；基于所述目标时刻对应的所述第一位置变化量和所述运动检测阈值，确定所述跟踪目标的所述运动状态。
在一些实施例中，所述基于所述目标时刻对应的所述第一位置变化量和所述运动检测阈值，确定所述跟踪目标的所述运动状态包括：响应于所述跟踪目标的速度大于预设速度阈值，若至少两个目标时刻对应的所述第一位置变化量大于所述运动检测阈值，则确定所述跟踪目标的所述运动状态为移动状态；响应于所述跟踪目标的速度小于等于所述预设速度阈值，若连续三个目标时刻对应的所述第一位置变化量大于所述运动检测阈值，则确定所述跟踪目标的所述运动状态为移动状态。
在一些实施例中，所述基于所述运动检测阈值和所述多帧跟踪信息，确定所述跟踪目标的运动状态包括：基于所述多帧跟踪信息，确定所述当前时刻对应的第二位置变化量，所述当前时刻对应的所述第二位置变化量基于所述当前时刻对应的全局跟踪信息和与所述当前时刻间隔的先前历史时刻对应的全局跟踪信息确定；基于所述当前时刻对应的所述第二位置变化量和所述运动检测阈值，确定所述跟踪目标的所述运动状态。
本说明书实施例之一提供一种目标跟踪系统，目标跟踪系统包括：获取模块，用于获取与跟踪目标相关的多帧跟踪信息，所述多帧跟踪信息分别对应多个时刻，所述多个时刻包括当前时刻和至少一个历史时刻；噪声指数确定模块，用于基于所述多帧跟踪信息，确定噪声指数；检测阈值确定模块，用于基于所述噪声指数，确定运动检测阈值；运动状态确定模块，用于基于所述运动检测阈值和所述多帧跟踪信息，确定所述跟踪目标的运动状态。
本说明书实施例之一提供一种目标跟踪装置，包括处理器，所述处理器用于执行上述目标跟踪方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取所述计算机指令时，所述计算机执行上述目标跟踪方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的示例性目标跟踪系统的应用场景示意图；
图2是根据本说明书一些实施例所示的示例性目标跟踪系统的模块图；
图3是根据本说明书一些实施例所示的目标跟踪方法的示例性流程图；
图4A-图4D是通过卡尔曼方法跟踪静止跟踪目标的示意图；
图5A-图5D是通过卡尔曼方法跟踪低速跟踪目标的示意图；
图6是根据本说明书一些实施例所示的基于运动检测阈值和多帧跟踪信息进行目标跟踪的示例性流程图；
图7是根据本说明书一些实施例所示的基于运动检测阈值和多帧跟踪信息进行目标跟踪的另一示例性流程图；
图8是根据本说明书一些实施例所示的基于运动检测阈值和多帧跟踪信息进行目标跟踪的另一示例性流程图；
图9A-图9B是本说明书一些实施例所示的跟踪静止跟踪目标的示意图；
图10A-图10B是本说明书一些实施例所示的跟踪低速跟踪目标的示意图；
图11A-图11B是本说明书一些实施例所示的跟踪高速跟踪目标的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例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说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
在自动驾驶领域，目标跟踪是确保自动驾驶车辆能够安全、高效地感知和响应周围环境的关键组成部分。在目标跟踪中，对异常速度的过滤更是保证准确的目标跟踪的重要一环。
在目标跟踪中，激光雷达、惯导系统等传感器测量误差，行人、自行车等目标运动的不确定性，传感器遮挡，多目标互相干扰，数据缺失等多种因素都有可能引发异常速度。由于这些原因，自动驾驶系统必须设计具有强大的数据处理和异常检测机制，以过滤和纠正异常速度值，以确保系统的安全性和性能。
有些现有方案通过设定正常速度的上下限阈值，过滤异常速度。这种方法的优势在于简单，而缺点很明确，阈值设置不佳时不仅影响异常速度的过滤，还会造成正常速度的输出受限。例如，正常速度下限设置过高会导致低于下限的缓行物体无速度输出，而设置过低则会引入大量静态物体的噪声速度。还有些现有方案通过统计方法检测异常值，该方式依赖大量的历史信息，且灵敏性不高，在自动驾驶场景中使用价值较低。
然而，对于本身速度估计有较大噪声的场景，正常速度和异常速度的判定往往在检测带噪的情景下较难区分，一刀切的阈值往往顾此失彼，异常速度过滤的比例和正常速度的保留需要权衡，权衡不合适的场景，产生的后果方向也不一致。试想一个场景，在检测噪声加大的场景，为过滤静止物体或运动物体的噪声速度，往往需要提高对正常速度判定的标准，诚然，由异常速度引发的错误预测轨迹大幅减小，但对于低速运动物体而言，其速度的输出受阻，那么有这么一个危险场景，车道旁等候横穿的行人若突然缓速移动，低速阶段速度输出受阻的情况下，行人轨迹预测线出现的在行人速度较大的时间，引发减速或刹车的决策时机晚于最佳时期，可能造成危险。
有鉴于此，本说明书一些实施例提供了一种目标跟踪方法和系统，考虑噪声情况，结合噪声情况设定相应的检测阈值，对于区分静止和低速运动具有更高的灵敏性和准确性。
图1是根据本说明书一些实施例所示的示例性目标跟踪系统的应用场景的示意图。
如图1所示，目标跟踪系统的应用场景100中包括跟踪设备110、处理设备120、终端设备130、存储设备140和网络150。
跟踪设备110是指监测和记录跟踪目标的位置、运动或状态的设备。在一些实施例中，跟踪设备110具有多种类型。例如，自动驾驶场景中，跟踪设备110包括摄像机、激光雷达、雷达、毫米波雷达、红外传感器、超声波传感器、GPS跟踪器(Global PositioningSystem Trackers)、气体传感器、压力传感器、加速度计和陀螺仪、声纳、电磁传感器、蓝牙跟踪器等。
在一些实施例中，跟踪设备110可以设置于车辆上和/或驾驶环境中，例如，建筑物上、灯柱上、路口处等。在一些实施例中，跟踪设备110可以采集环境中的各种数据，例如，环境和/或跟踪目标的图像、环境的雷达点云、GPS位置数据、超声波测距数据等。
上述跟踪设备的相关描述仅用于说明目的，而无意限制本说明书的范围。
处理设备120能够用于处理从跟踪设备110、终端设备130、存储设备140和/或目标跟踪系统的应用场景100的其他组件获取的数据和/或信息，并对数据和/或信息进行分析和/或处理。例如，处理设备120从跟踪设备110获取环境中的各种数据；并对环境中的各种数据进行处理。
在一些实施例中，处理设备120是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中，处理设备120可以是本地或远程的。例如，处理设备120可以通过网络150从跟踪设备110、终端设备130和/或存储设备140访问信息和/或数据。又例如，处理设备120可以直接连接到跟踪设备110、终端设备130和/或存储设备140以访问信息和/或数据。在一些实施例中，处理设备120在云平台上实现。例如，云平台包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
在一些实施例中，处理设备120和跟踪设备110可以集成为一体。在一些实施例中，处理设备120和跟踪设备110可以直接或间接相连接，联合作用实现本说明书所述的方法和/或功能。
终端设备130可以与跟踪设备110、处理设备120和/或存储设备140通信和/或连接。在一些实施例中，可以通过终端设备130实现与用户的交互。在一些实施例中，终端设备130可以包括移动设备131、平板电脑132、笔记本电脑133等或其任意组合。在一些实施例中，终端设备130(或其全部或部分功能)可以集成在处理设备120中。
存储设备140可以存储数据、指令和/或任何其他信息。在一些实施例中，存储设备140可以存储从跟踪设备110、处理设备120、终端设备130和/或获取的数据(例如，环境中的各种数据等)。在一些实施例中，存储设备140可以存储处理设备120用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。
在一些实施例中，存储设备140可以包括一个或多个存储组件，每个存储组件可以是一个独立的设备，也可以是其他设备的一部分。在一些实施例中，存储设备140可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。在一些实施例中，存储设备140可在云平台上实现。在一些实施例中，存储设备140可以是跟踪设备110、处理设备120和/或终端设备130的一部分。
网络150可以包括能够促进信息和/或数据交换的任何合适的网络。在一些实施例中，目标跟踪系统的应用场景100的至少一个组件(例如，跟踪设备110、处理设备120、终端设备130、存储设备140)可以通过网络150与目标跟踪系统的应用场景100中至少一个其他组件交换信息和/或数据。例如，处理设备120可以通过网络150从跟踪设备110获取环境中的各种数据等。
应当注意，上述关于目标跟踪系统的应用场景100的描述仅仅是为了说明的目的而提供，并不意图限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，目标跟踪系统的应用场景100可以在其它设备上实现类似或不同的功能。然而，这些变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的示例性目标跟踪系统的模块图。
在一些实施例中，目标跟踪系统200可以通过处理设备120或其他设备实现。在一些实施例中，如图2所示，目标跟踪系统200可以包括获取模块210、噪声指数确定模块220、检测阈值确定模块230和运动状态确定模块240。
获取模块210可以用于获取与跟踪目标相关的多帧跟踪信息，多帧跟踪信息分别对应多个时刻，多个时刻包括当前时刻和至少一个历史时刻。关于多帧跟踪信息获取的更多内容可以参考步骤310及其相关描述。
噪声指数确定模块220可以用于基于多帧跟踪信息，确定噪声指数。关于噪声指数确定的更多内容可以参考步骤320及其相关描述。
检测阈值确定模块230可以用于基于噪声指数，确定运动检测阈值。关于运动检测阈值确定的更多内容可以参考步骤230及其相关描述。
运动状态确定模块240可以用于基于运动检测阈值和多帧跟踪信息，确定跟踪目标的运动状态。关于跟踪目标的运动状态的确定的更多内容可以参考步骤240及其相关描述。
应当理解，图2所示的系统及其模块可以利用各种方式来实现。例如，通过硬件、软件或者软件和硬件的结合来实现。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
图3是根据本说明书一些实施例所示的目标跟踪方法的示例性流程图。在一些实施例中，流程300可以由处理设备(例如，处理设备120)执行。例如，流程300可以以程序或指令的形式存储在存储装置(如处理设备的自带存储单元或外接存储设备)中，所述程序或指令在被执行时，可以实现流程300。流程300可以包括以下操作。
步骤310，获取与跟踪目标相关的多帧跟踪信息，多帧跟踪信息分别对应多个时刻，多个时刻包括当前时刻和至少一个历史时刻。在一些实施例中，步骤310可以由处理设备120或获取模块210执行。
跟踪目标是指环境中的交通参与者。例如，行人、非机动车、车辆等。在一些实施例中，例如，港口自动驾驶的环境中，跟踪目标包括装卸设备(例如，起重机、吊车、堆高机、装卸机和输送带等)、船舶、集装箱、车辆、工作人员、访客等。
跟踪信息是指通过监测和记录对跟踪目标的跟踪，得到的相关数据和/或信息。跟踪信息可以反映跟踪目标的状态、变化、变化趋势等。
在一些实施例中，跟踪信息包括跟踪目标的多种数据，例如，跟踪信息可以包括跟踪目标的种类、置信度、边界框中心、尺寸、航向信息等；也可以包括跟踪目标的点云、点云特征等信息；还可以包括跟踪目标的运动状态表征量、特征状态、生命周期等信息，其中，运动状态表征量包括跟踪目标的位置、速度、加速度、位移等，特征状态包括边界框长、宽等尺寸特征、点云直方图特征等。
在一些实施例中，跟踪目标的数据可以基于世界坐标系(Universal TransverseMercator Coordinate System)、局部地图坐标系(Local Map Coordinate System)、地理坐标系(Geographic Coordinate System)、车体坐标系(Vehicle Coordinate System)、车辆坐标系(Vehicle Frame)等表示。
在一些实施例中，获取模块210通过下述主要步骤获取多帧跟踪信息。
首先，获取模块210对跟踪设备110采集到的点云等数据进行目标检测，得到每一个跟踪目标的种类、置信度、边界框中心、尺寸、航向信息等。
其次，通过已经建好的模型(例如，卡尔曼模型)预测跟踪目标在当前时刻的运动状态表征量，例如，跟踪目标的位置、速度、加速度等。
再次，采用匹配方法(例如，匈牙利匹配方法)对历史帧中的跟踪目标与当前帧中新检测目标的关联关系进行判定；新建、更新或保持关联关系。
最后，通过进一步处理(例如，卡尔曼滤波)，得到跟踪信息的最终状态。
在一些实施例中，获取模块210可以从存储设备140、处理设备120的存储单元等获取多帧跟踪信息。在一些实施例中，获取模块210可以通过从存储设备、数据库读取、调用数据接口等方式获取得到多帧跟踪信息，本说明书对此不做限制。
在一些实施例中，多帧跟踪信息可以对应预设时间长度t(预设帧数N)的时间窗。预设时间长度t与跟踪设备110(例如，激光雷达)的采集频率等相关。在一些实施例中，预设时间长度t(预设帧数N)的选取需要权衡速度输出的及时性和对噪声的对抗能力。例如，如果所采用激光雷达感知系统的传感器输出频率10Hz，则设定N＝10，t＝1s，即选取10帧(即1秒时间段)跟踪信息进行运动噪声的评估。在一些实施例中，时间窗的最短时间长度为4，少于4帧的数据不做处理，4<长度<N的时间窗按实际的长度进行处理。在一些实施例中，时间窗的长度可以结合实际需求设定。
在一些实施例中，多帧跟踪信息分别对应多个时刻，多个时刻包括当前时刻和至少一个历史时刻。在一些实施例中，多帧跟踪信息中的每一帧跟踪信息对应获得该帧跟踪信息的时刻。例如，多帧跟踪信息中的当前帧跟踪信息对应当前时刻。又例如，当前帧跟踪信息的前一帧跟踪信息对应当前时刻的前一历史时刻。再例如，多帧跟踪信息中的第一帧跟踪信息对应预设时间窗的开始时刻。作为示例，假设当前时刻以k(k>＝N)表示，则N帧跟踪信息为第k-N+1帧跟踪信息、第k-N+2帧跟踪信息、……、第k帧跟踪信息。
在一些实施例中，多帧跟踪信息中的不同帧跟踪信息采用相同的坐标系表示。
在一些实施例中，由于存在跟踪目标出现、被遮挡、离开视野或者新的跟踪目标进入视野的情况，多帧跟踪信息中不同帧跟踪信息包含的跟踪目标可能相同或不同。
步骤320，基于多帧跟踪信息，确定噪声指数。在一些实施例中，步骤320可以由处理设备120或噪声指数确定模块220执行。
噪声指数是指反映检测波动水平的量。
在一些实施例中，噪声指数确定模块220通过多种方法确定噪声指数。例如，将多帧跟踪信息输入训练好的机器学习模型，得到多帧跟踪信息对应的噪声指数。又例如，将跟踪设备110采集到的多帧点云等输入训练好的机器学习模型，得到多帧跟踪信息对应的噪声指数。
在一些实施例中，噪声指数确定模块220基于多帧跟踪信息，确定跟踪目标的至少一组位置信息，并基于至少一组位置信息，确定噪声指数。
在一些实施例中，结合上文，N帧跟踪信息可以分别包括N帧位置信息，噪声指数确定模块220可以基于N帧位置信息，确定至少一组位置信息。在一些实施例中，一组位置信息包括N帧位置信息中的至少三帧位置信息。例如，一组位置信息包括连续三帧位置信息。
在一些实施例中，每帧位置信息包括x方向的位置和y方向的位置。例如，第k帧位置信息包括(pos_xk，pos_yk)，其中，k为正整数。又例如，N帧位置信息包括(pos_xk-N+1，pos_yk-N+1)、(pos_xk-N+2，pos_yk-N+2)、(pos_xk-N+3，pos_yk-N+3)、……(pos_xk，pos_yk)，其中，k>＝N。
在一些实施例中，噪声指数确定模块220基于至少一组位置信息，确定至少一个方向变化参数，并基于至少一个方向变化参数，确定噪声指数。
方向变化参数是反映方向改变程度的量。方向变化参数旨在区分低速运动跟踪目标和静止跟踪目标的检测波动(体现噪声指数)，对于静止跟踪目标，检测位置的波动无固定规律，而低速跟踪目标在带噪情况下仍然会有较为清晰的运动方向。例如，图4A-图4D和图5A-图5D展示了静止跟踪目标和低速跟踪目标在带噪的情况下检测波动规律的不同，印证了基于方向变化参数确定检测波动(体现噪声指数)的有效性，后文将进行详细描述。
在一些实施例中，对于至少一组位置信息中的每组位置信息，噪声指数确定模块220可以计算该组位置信息对应的位移量夹角，并将该位移量夹角作为该组位置信息对应的方向变化参数。例如，对于包括k-N+1、k-N+2和k-N+3连续三帧的一组位置信息，该组位置信息对应的方向变化参数angle_changek-N+3计算公式为：
angle_change_angk-N+3＝angle_change_radk-N+3*180/π
angle_changek-N+3＝min(angle_change_angk-N+3,360-angle_change_angk-N+3)
在一些实施例中，噪声指数确定模块220基于至少一个方向变化参数，确定噪声指数。在一些实施例中，噪声指数确定模块220可以将至少一个方向变化参数的平均值作为噪声指数。例如，基于长度为N的时间窗内的至少一个方向变化参数，计算噪声指数的计算公式为：
在一些实施例中，噪声指数确定模块220可以基于至少一个方向变化参数和其分别对应的权重，进行加权处理，并将加权处理结果作为噪声指数。在一些实施例中，以一个方向变化参数为例，其对应的权重可以与其对应的一组位置信息的时刻和当前时刻间的时间距离负相关。例如，仍以一个方向变化参数为例，该方向变化参数基于一组位置信息确定，该组位置信息对应连续三帧跟踪信息(对应连续三个时刻)，该方向变化参数对应的权重可以与该连续三个时刻的平均时刻和当前时刻间的时间距离负相关。
基于方向变化参数，确定噪声指数，能够有效区分低速运动物体和静止物体的检测波动。
步骤330，基于噪声指数，确定运动检测阈值。在一些实施例中，步骤330可以由处理设备120或检测阈值确定模块230执行。
运动检测阈值是指用于判断跟踪目标是否为移动状态的阈值。例如，如果跟踪目标的运动状态表征量(例如，位移)大于运动检测阈值，则跟踪目标处于移动状态；反之，则跟踪目标不处于移动状态。
在一些实施例中，检测阈值确定模块230可以基于噪声指数和权重因子，确定运动检测阈值。例如，第k帧对应的运动检测阈值thk的计算公式为：
thk＝a·noise_indicatork·bk
其中，a为权重因子，noise_indicatork为噪声指数，权重因子可以结合实际需求设置。
在一些实施例中，检测阈值确定模块230可以基于噪声指数和运动指数，确定运动检测阈值，其中，运动指数可以体现多帧跟踪信息中跟踪目标的整体移动状态。例如，第k帧对应的运动检测阈值thk的计算公式为：
thk＝a·noise_indicatork·bk
其中，a为权重因子，noise_indicatork为噪声指数，bk为运动指数。
在一些实施例中，运动指数可以基于多帧跟踪信息中跟踪目标为移动状态的帧数确定。在一些实施例中，运动指数bk设计为历史运动帧数(多帧跟踪信息中跟踪目标为移动状态的帧数)的指数函数，对运动检测阈值进行进一步衰减。例如，运动指数bk的计算公式为：
其中，mk为历史运动帧数(多帧跟踪信息中跟踪目标为移动状态的帧数)，w1、w2和w3为系数，w1、w2和w3可以根据经验或需求设置。例如，w1可以用于调整历史移动状态的权重力度，例如，若需要历史移动状态起更大作用，可将w1设置为0-1之间的较小值；w3体现衰减程度，w3越小，衰减速度越慢，可结合实际需求设置；w2可以用于调节bk所处的区间，可结合实际需求设置。
跟踪目标在静止或运动到静止后mk均为0，即bk为1，意味着此时历史运动帧数的加权将失效，仅依靠检测位置噪声水平(噪声指数)对运动检测阈值进行调节。
额外增加历史运动状态判定的信息对运动检测阈值进行进一步衰减，对动态目标阈值调整，能够使其对位置变化更为灵敏，使其具备对低速且高噪物体进行准确辨识的能力。
在一些实施例中，检测阈值确定模块230基于噪声指数和第一权重因子，确定应用于相邻帧检测的第一检测阈值；和/或基于噪声指数和第二权重因子，确定应用于间隔帧检测的第二检测阈值，其中，第一权重因子与第二权重因子不同。
例如，第k帧对应的应用于相邻帧检测的第一检测阈值计算公式为thk1＝a1·noise_indicatork；第k帧对应的应用于间隔帧检测的第二检测阈值计算公式为thk2＝a2·noise_indicatork，其中，第一权重因子a1与第二权重因子a2不同。
又例如，帧对应的应用于相邻帧检测的第一检测阈值计算公式为thk1＝a1·noise_indicatork·bk；第k帧对应的应用于间隔帧检测的第二检测阈值计算公式为thk2＝a2·noise_indicatork·bk，其中，第一权重因子a1与第二权重因子a2不同。
在一些实施例中，第一权重因子和/或第二权重因子根据使用场景的检测情况进行评估和设置。
在一些实施例中，第一权重因子和/或第二权重因子可以随着场景变化自适应动态调整。例如，在交叉口和转弯场景中，低速跟踪目标更为常见，低速跟踪目标通常在相邻帧之间的位置变化较小，而且在间隔帧之间的位置变化也可能不太显著。通过降低第一权重因子和/或第二权重因子，使运动检测阈值降低，对低速跟踪目标更灵敏。
步骤340，基于运动检测阈值和多帧跟踪信息，确定跟踪目标的运动状态。在一些实施例中，步骤340可以由处理设备120或运动状态确定模块240执行。
在一些实施例中，运动状态确定模块240可以通过多种方法基于运动检测阈值和多帧跟踪信息，确定跟踪目标的运动状态。
在一些实施例中，如图6所示，运动状态确定模块240基于多帧跟踪信息，确定目标时刻对应的第一位置变化量；基于目标时刻对应的第一位置变化量和运动检测阈值，确定跟踪目标的运动状态。
在一些实施例中，如图7所示，运动状态确定模块240基于多帧跟踪信息，确定当前时刻对应的第二位置变化量；基于当前时刻对应的第二位置变化量和运动检测阈值，确定跟踪目标的运动状态。
在一些实施例中，如图8所示，运动状态确定模块240首先基于第一位置变化量，确定跟踪目标的运动状态；若判断跟踪目标的运动状态不为移动状态，再根据第二位置变化量进一步判断跟踪目标的运动状态。
图6是根据本说明书一些实施例所示的基于运动检测阈值和多帧跟踪信息进行目标跟踪的示例性流程图。在一些实施例中，流程600可以由处理设备(例如，处理设备120)和/或运动状态确定模块240执行。例如，流程600可以以程序或指令的形式存储在存储装置(如处理设备的自带存储单元或外接存储设备)中，所述程序或指令在被执行时，可以实现流程600。流程600可以包括以下操作。
步骤610，基于多帧跟踪信息，确定目标时刻对应的第一位置变化量。在一些实施例中，目标时刻对应的第一位置变化量基于目标时刻对应的全局跟踪信息和相邻的前一历史时刻对应的全局跟踪信息确定。
在一些实施例中，第一位置变化量包括x方向的第一位置变化量和y方向的第一位置变化量。以目标时刻为第k帧对应的时刻为例，对应的x方向的第一位置变化量可以通过下述公式计算得到：
其中，duration1为相邻帧的理论时间间隔，例如，0.1s；tk和tk-1分别为第k帧和第k-1帧的时间戳；smooth_pos_xk为目标时刻对应的全局跟踪信息；smooth_pos_xk-1为相邻的前一历史时刻对应的全局跟踪信息。
在一些实施例中，全局跟踪信息可以是时间窗内的多帧位置信息的平均值或加权平均值。例如，目标时刻对应的全局跟踪信息可以是包括目标时刻在内的N帧位置信息(包括目标时刻对应的位置信息和之前N-1个历史时刻对应的位置信息)的平均值或加权平均值；相邻的前一历史时刻对应的全局跟踪信息可以是包括该历史时刻在内的N帧位置信息(包括该历史时刻对应的位置信息和之前N-1个历史时刻对应的位置信息)的平均值或加权平均值。在一些实施例中，加权处理的权重设定方式与本说明书其他位置所述的方式类似，此处不再赘述。
在一些实施例中，y方向的第一位置变化量可以参照上式，以类似方式进行计算。
在一些实施例中，运动状态确定模块240基于目标时刻对应的第一位置变化量和运动检测阈值(例如，第一检测阈值)，确定跟踪目标的运动状态。例如，如果x方向或y方向的第一位置变化量高于第一检测阈值，则判断跟踪目标在目标时刻的运动状态为移动状态。又例如，如果x方向和y方向的第一位置变化量都高于第一检测阈值，则判断跟踪目标在目标时刻的运动状态为移动状态。
在本说明书实施例中，基于全局跟踪信息进行运动状态判断，位置变化量更可靠，判断结果更准确。
在一些实施例中，运动状态确定模块240在进行运动状态判断时，除了考虑目标时刻对应的第一位置变化量和运动检测阈值外，还进一步考虑跟踪目标的速度。也就是说，针对较高速度的目标和较低速度的目标，执行不同的判断条件，从而使得判断结果更准确。在一些实施例中，运动状态确定模块240首先判断跟踪目标的速度是否大于预设速度阈值，响应于跟踪目标的速度大于预设速度阈值，执行步骤620；响应于跟踪目标的速度小于等于预设速度阈值，执行步骤630。
步骤620，若至少两个目标时刻对应的第一位置变化量大于运动检测阈值，则确定跟踪目标的运动状态为移动状态。
预设速度阈值是预先设定的，用于划分高速和低速的边界速度值。预设速度阈值根据经验和/或需求设定。在一些实施例中，预设速度阈值可以为1m/s、1.5m/s、2m/s、2.5m/s等。
例如，假设跟踪目标的速度为2m/s，预设速度阈值为1.5m/s，如果至少第k-N+1帧和第k-1帧对应的第一位置变化量均大于第一检测阈值，则判断该跟踪目标的运动状态为移动状态。
步骤630，若连续三个目标时刻对应的第一位置变化量大于运动检测阈值，则确定跟踪目标的运动状态为移动状态。
例如，假设跟踪目标的速度为0.5m/s，预设速度阈值为1.5m/s，如果第k-2帧、第k-1帧和第k帧连续三帧对应的第一位置变化量均大于第一检测阈值，则判断该跟踪目标的运动状态为移动状态。
上述对高速和低速运动的跟踪目标分别判断的方法，既满足高速物体速度输出的及时性，同时对低速带噪物体的速度输出具有较好的剔除异常值的能力。
图7是根据本说明书一些实施例所示的基于运动检测阈值和多帧跟踪信息进行目标跟踪的另一示例性流程图。在一些实施例中，流程700可以由处理设备(例如，处理设备120)和/或运动状态确定模块240执行。例如，流程700可以以程序或指令的形式存储在存储装置(如处理设备的自带存储单元或外接存储设备)中，所述程序或指令在被执行时，可以实现流程700。流程700可以包括以下操作。
步骤710，基于多帧跟踪信息，确定当前时刻对应的第二位置变化量。在一些实施例中，当前时刻对应的第二位置变化量基于当前时刻对应的全局跟踪信息和与当前时刻间隔的先前历史时刻对应的全局跟踪信息确定。
在一些实施例中，与第一位置变化量类似，第二位置变化量包括x方向的第二位置变化量和y方向的第二位置变化量。以当前时刻为第k帧对应的时刻为例，对应的x方向的第二位置变化量可以通过下述公式计算得到：
其中，duration2为间隔帧的理论时间间隔，与选择的间隔帧相关，例如，以选取的间隔帧为第k-N+1帧为例，duration2可以为1s；tk和tk-N+1分别为第k帧和第k-N+1帧的时间戳；smooth_pos_xk为当前时刻对应的全局跟踪信息；smooth_pos_xk-N+1为当前时刻间隔的先前历史时刻对应的全局跟踪信息。全局跟踪信息的计算方式可见前文，此处不再赘述。
在一些实施例中，y方向的第二位置变化量参照上式进行计算。
步骤720，基于当前时刻对应的第二位置变化量和运动检测阈值(例如，第二检测阈值)，确定跟踪目标的运动状态。例如，如果x方向和/或y方向的第二位置变化量高于第二检测阈值，则判断跟踪目标在当前时刻的运动状态为移动状态。
对于低速带噪的跟踪目标，通过引入基于间隔帧的位置变化判据，可以使得判断结果更准确。
图8是根据本说明书一些实施例所示的基于运动检测阈值和多帧跟踪信息进行目标跟踪的另一示例性流程图。在一些实施例中，流程800可以由处理设备(例如，处理设备120)和/或运动状态确定模块240执行。例如，流程800可以以程序或指令的形式存储在存储装置(如处理设备的自带存储单元或外接存储设备)中，所述程序或指令在被执行时，可以实现流程800。流程800可以包括以下操作。
步骤810，基于多帧跟踪信息，确定目标时刻对应的第一位置变化量。在一些实施例中，目标时刻对应的第一位置变化量基于目标时刻对应的全局跟踪信息和相邻的前一历史时刻对应的全局跟踪信息确定。步骤810的细节可参考步骤610。
运动状态确定模块240基于目标时刻对应的第一位置变化量和运动检测阈值，确定跟踪目标的运动状态。在一些实施例中，运动状态确定模块240首先判断跟踪目标的速度是否大于预设速度阈值，响应于跟踪目标的速度大于预设速度阈值，执行步骤820；响应于跟踪目标的速度小于等于预设速度阈值，执行步骤830。
步骤820，若至少两个目标时刻对应的第一位置变化量大于运动检测阈值，则确定跟踪目标的运动状态为移动状态。步骤820的细节可参考步骤620。
步骤830，若连续三个目标时刻对应的第一位置变化量大于运动检测阈值，则确定跟踪目标的运动状态为移动状态。步骤830的细节可参考步骤630。
经过步骤820或步骤830的判断，如果跟踪目标的运动状态为移动状态，则结束运动状态的判断；如果跟踪目标的运动状态不为移动状态，则再执行步骤840和步骤850，根据第二位置变化量确定跟踪目标的运动状态。
步骤840，基于多帧跟踪信息，确定当前时刻对应的第二位置变化量。在一些实施例中，当前时刻对应的第二位置变化量基于当前时刻对应的全局跟踪信息和与当前时刻间隔的先前历史时刻对应的全局跟踪信息确定。步骤840的细节可参考步骤710。
步骤850，基于当前时刻对应的第二位置变化量和运动检测阈值，确定跟踪目标的运动状态。步骤850的细节可参考步骤720。
通过上述判断过程，可以满足对高速跟踪目标的运动状态判断的及时性，同时满足对低速带噪跟踪目标的运动状态判断的准确性。
图4A-图4D展示了静止跟踪目标在带噪情况下的方向变化以及卡尔曼方法输出的速度等示意图。
图4A展示的是二维平面上静止跟踪目标的位置随时间的变化图，其中，横轴是x轴，纵轴是y轴。连线代表时间的关联，即相邻时间点的位置用线段连接。连线410是初步检测出来的跟踪目标的位置的连线，连线420是经过卡尔曼滤波后得到的跟踪目标的位置的连线。
图4B是将图4A的检测位置展开到了x轴和y轴。其中，position x(即曲线430)代表x方向的位置，position y(即曲线440)代表y方向的位置。cv vx和ctra vx分别是基于不同的卡尔曼运动模型(例如，匀速直线运动模型以及匀加速和恒定转速模型)输出的x方向的位置。cv vy和ctra vy分别是基于不同的卡尔曼运动模型(例如，匀速直线运动模型以及匀加速和恒定转速模型)输出的y方向的位置。
由图4A和图4B可以看出，检测到的静止跟踪目标的位置一直在波动,且波动方向无明确规律。
图4C展示的是静止跟踪目标在x方向的速度输出。cv vx(曲线450)和ctra vx(曲线460)分别是基于不同的卡尔曼运动模型(例如，匀速直线运动模型以及匀加速和恒定转速模型)输出的x方向的速度值，state vx为经过常规的异常速度处理方法(例如，基于阈值过滤的处理方法)处理后的x方向的速度值。
图4D展示的是静止跟踪目标在y方向的速度输出。cv vy(曲线470)和ctra vy(曲线480)分别是基于不同的卡尔曼运动模型输出的y方向的速度值。state vy为经过常规的异常速度处理方法(例如，基于阈值过滤的处理方法)处理后的y方向的速度值。
由图4C和图4D可以看出，常规的卡尔曼方法中，由于噪声的影响，对静止物体也有速度的输出(尤其是初期，有较大的异常速度输出)。相应地，若通过常规的基于阈值过滤的处理方法进行速度处理，对静止物体也会有速度输出。
图5A-图5D展示了低速跟踪目标在带噪情况下的方向变化以及卡尔曼方法输出的速度等示意图。
图5A展示的是二维平面上低速跟踪目标的位置随时间的变化图。其中，横轴是x轴，纵轴是y轴。连线代表时间的关联，即相邻时间点的位置用线段连接。连线511是初步检测出来的跟踪目标的位置的连线，连线512是经过卡尔曼滤波后得到的跟踪目标的位置的连线。
图5B是将图5A的位置展开到了x轴和y轴。其中，position x(即曲线521)代表x方向的位置，position y(即曲线522)代表y方向的位置。cv vx和ctra vx分别是基于不同的卡尔曼运动模型(例如，匀速直线运动模型以及匀加速和恒定转速模型)输出的x方向的位置。cv vy和ctra vy分别是基于不同的卡尔曼运动模型(例如，匀速直线运动模型以及匀加速和恒定转速模型)输出的y方向的位置。
由图5A和图5B可以看出，低速跟踪目标在带噪情况下仍然会有较为清晰的运动方向。
图5C展示的是低速跟踪目标在x方向的速度输出。cv vx(曲线531)和ctra vx(曲线532)分别是基于不同的卡尔曼运动模型(例如，匀速直线运动模型以及匀加速和恒定转速模型)输出的x方向的速度值，state vx(曲线533)为经过常规的异常速度处理方法(例如，基于阈值过滤的处理方法)处理后的x方向的速度值。
图5D展示的是低速跟踪目标在y方向的速度输出。cv vy(曲线541)和ctra vy(曲线542)分别是基于不同的卡尔曼运动模型输出的y方向的速度值。state vy(曲线543)为经过常规的异常速度处理方法(例如，基于阈值过滤的处理方法)处理后的y方向的速度值。
由图5C和图5D可以看出，常规的卡尔曼方法中,因检测噪声的存在，低速跟踪目标的输出速度并不准确。相应地，若通过常规的异常速度处理方法(例如，基于阈值过滤的处理方法)进行速度处理，较低的速度无法正常输出。
相应地，在此背景下，基于本说明书实施例引入的基于噪声指数的运动状态判定，可以有效区分静止跟踪目标和低速跟踪目标，进一步地还能保持对高速跟踪目标的及时准确跟踪。具体说明如下：
1)有效对抗噪声，保持静止跟踪目标状态的准确判定。例如，图9A表示针对静止跟踪目标的x方向的速度输出，cv vx(曲线910)和ctra vx(曲线920)分别是基于不同的卡尔曼运动模型输出的x方向的速度值，state vx(曲线930)为经过常规的异常速度处理方法(例如，基于阈值过滤的处理方法)处理后的x方向的速度值。revised vx(曲线940)为根据本说明书实施例输出的x方向的速度值。图9B表示针对静止跟踪目标的y方向的速度输出，与x方向类似，cv vy(因与x方向类似，图9B中未再进行一一编号)和ctra vy分别是基于不同的卡尔曼运动模型输出的y方向的速度值，state vy为经过常规的异常速度处理方法(例如，基于阈值过滤的处理方法)处理后的y方向的速度值。revised vy为根据本说明书实施例输出的y方向的速度值。可以看出，对于静止跟踪目标，由于其位置无规律波动，加之噪声影响，按常规的速度处理方法会有异常速度输出。而根据本说明书实施例所述的方案，能够有效对抗噪声，保持静止跟踪目标状态的准确判定。
2)能够准确有效地跟踪低速跟踪目标的状态。例如，图10A表示针对低速跟踪目标的x方向的速度输出，cv vx(曲线1010)和ctra vx(曲线1020)分别是基于不同的卡尔曼运动模型输出的x方向的速度值，state vx(曲线1030a和曲线1030b)为经过常规的异常速度处理方法(例如，基于阈值过滤的处理方法)处理后的x方向的速度值。revised vx(曲线1040)为根据本说明书实施例输出的x方向的速度值。图10B表示针对低速跟踪目标的y方向的速度输出，与x方向类似，cv vy(因与x方向类似，图10B中未再进行一一编号)和ctra vy分别是基于不同的卡尔曼运动模型输出的y方向的速度值，state vy为经过常规的异常速度处理方法(例如，基于阈值过滤的处理方法)处理后的y方向的速度值。revised vy为根据本说明书实施例输出的y方向的速度值。可以看出，对于低速跟踪目标，按常规的速度处理方法，不仅在卡尔曼模型初始化初期(曲线1030a)输出异常速度，对卡尔曼模型稳定后(曲线1030b)的正常较低速度也进行了截断，未产生有效输出。而根据本说明书实施例所述的方案，能够准确有效地跟踪低速跟踪目标的状态。
3)能够提前甄别出移动状态的跟踪目标，并提前输出速度，对自动驾驶车辆的预测、决策和规划留出充裕的反应时间。例如，图11A表示针对移动状态的跟踪目标的x方向的速度输出，cv vx(曲线1110)和ctra vx(曲线1120)分别是基于不同的卡尔曼运动模型输出的x方向的速度值，state vx(曲线1130)为经过常规的异常速度处理方法(例如，基于阈值过滤的处理方法)处理后的x方向的速度值。revised vx(曲线1140)为根据本说明书实施例输出的x方向的速度值。图11B表示针对低速跟踪目标的y方向的速度输出，与x方向类似，cvvy(因与x方向类似，图11B中未再进行一一编号)和ctra vy分别是基于不同的卡尔曼运动模型输出的y方向的速度值，state vy为经过常规的异常速度处理方法(例如，基于阈值过滤的处理方法)处理后的y方向的速度值。revised vy为根据本说明书实施例输出的y方向的速度值。可以看出，常规的速度处理方法中，输出速度较晚，在跟踪目标起步后数秒内仍输出为0的速度。而根据本说明书实施例所述的方案，能够及时准确地输出速度(例如，提前1-2s)，保障后续流程的顺利进行。
需要注意的是，以上对于系统及其模块的描述，仅为描述方便，作为示意，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种目标跟踪方法，其特征在于，所述方法包括：
获取与跟踪目标相关的多帧跟踪信息，所述多帧跟踪信息分别对应多个时刻，所述多个时刻包括当前时刻和至少一个历史时刻；
基于所述多帧跟踪信息，确定噪声指数；
基于所述噪声指数，确定运动检测阈值；
基于所述运动检测阈值和所述多帧跟踪信息，确定所述跟踪目标的运动状态。
2.根据权利要求1所述的方法，其特征在于，所述基于所述多帧跟踪信息，确定噪声指数包括：
基于所述多帧跟踪信息，确定所述跟踪目标的至少一组位置信息；
基于所述至少一组位置信息，确定至少一个方向变化参数；
基于所述至少一个方向变化参数，确定所述噪声指数。
3.根据权利要求1所述的方法，其特征在于，所述基于所述噪声指数，确定运动检测阈值包括：
基于所述噪声指数和运动指数，确定所述运动检测阈值，所述运动指数基于所述多帧跟踪信息中所述跟踪目标为移动状态的帧数确定。
4.根据权利要求1所述的方法，其特征在于，所述基于所述噪声指数，确定运动检测阈值包括：
基于所述噪声指数和第一权重因子，确定应用于相邻帧检测的第一检测阈值；和/或
基于所述噪声指数和第二权重因子，确定应用于间隔帧检测的第二检测阈值，其中，所述第一权重因子与所述第二权重因子不同。
5.根据权利要求1所述的方法，其特征在于，所述基于所述运动检测阈值和所述多帧跟踪信息，确定所述跟踪目标的运动状态包括：
基于所述多帧跟踪信息，确定目标时刻对应的第一位置变化量，所述目标时刻对应的所述第一位置变化量基于所述目标时刻对应的全局跟踪信息和相邻的前一历史时刻对应的全局跟踪信息确定；
基于所述目标时刻对应的所述第一位置变化量和所述运动检测阈值，确定所述跟踪目标的所述运动状态。
6.根据权利要求5所述的方法，其特征在于，所述基于所述目标时刻对应的所述第一位置变化量和所述运动检测阈值，确定所述跟踪目标的所述运动状态包括：
响应于所述跟踪目标的速度大于预设速度阈值，若至少两个目标时刻对应的所述第一位置变化量大于所述运动检测阈值，则确定所述跟踪目标的所述运动状态为移动状态；
响应于所述跟踪目标的速度小于等于所述预设速度阈值，若连续三个目标时刻对应的所述第一位置变化量大于所述运动检测阈值，则确定所述跟踪目标的所述运动状态为移动状态。
7.根据权利要求1所述的方法，其特征在于，所述基于所述运动检测阈值和所述多帧跟踪信息，确定所述跟踪目标的运动状态包括：
基于所述多帧跟踪信息，确定所述当前时刻对应的第二位置变化量，所述当前时刻对应的所述第二位置变化量基于所述当前时刻对应的全局跟踪信息和与所述当前时刻间隔的先前历史时刻对应的全局跟踪信息确定；
基于所述当前时刻对应的所述第二位置变化量和所述运动检测阈值，确定所述跟踪目标的所述运动状态。
8.一种目标跟踪系统，其特征在于，所述系统包括：
获取模块，用于获取与跟踪目标相关的多帧跟踪信息，所述多帧跟踪信息分别对应多个时刻，所述多个时刻包括当前时刻和至少一个历史时刻；
噪声指数确定模块，用于基于所述多帧跟踪信息，确定噪声指数；
检测阈值确定模块，用于基于所述噪声指数，确定运动检测阈值；
运动状态确定模块，用于基于所述运动检测阈值和所述多帧跟踪信息，确定所述跟踪目标的运动状态。
9.一种目标跟踪装置，其特征在于，包括处理器，所述处理器用于执行权利要求1～7中任一项所述的目标跟踪方法。
10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取所述计算机指令时，所述计算机执行如权利要求1～7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311772300.7A CN117765026A (zh) | 2023-12-21 | 2023-12-21 | 一种目标跟踪方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311772300.7A CN117765026A (zh) | 2023-12-21 | 2023-12-21 | 一种目标跟踪方法、系统、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117765026A true CN117765026A (zh) | 2024-03-26 |
Family
ID=90313796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311772300.7A Pending CN117765026A (zh) | 2023-12-21 | 2023-12-21 | 一种目标跟踪方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117765026A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832343A (zh) * | 2019-04-17 | 2020-10-27 | 北京京东尚科信息技术有限公司 | 目跟踪方法和装置、存储介质 |
| CN114359330A (zh) * | 2021-11-01 | 2022-04-15 | 中国人民解放军陆军工程大学 | 融合深度信息的长期目标跟踪方法及系统 |
| CN114660592A (zh) * | 2022-03-21 | 2022-06-24 | 大连理工大学 | 一种基于毫米波雷达点云数据的室内人员信息检测方法 |
| CN115839718A (zh) * | 2022-09-29 | 2023-03-24 | 北京斯年智驾科技有限公司 | 一种基于运动约束的融合定位方法及装置 |
| CN115984325A (zh) * | 2022-12-30 | 2023-04-18 | 辽宁工程技术大学 | 一种靶向寻量时空正则化的目标跟踪方法 |
| WO2023083164A1 (zh) * | 2021-11-12 | 2023-05-19 | 北京万集科技股份有限公司 | 目标追踪方法、信号融合方法、装置、终端和存储介质 |
-
2023
- 2023-12-21 CN CN202311772300.7A patent/CN117765026A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832343A (zh) * | 2019-04-17 | 2020-10-27 | 北京京东尚科信息技术有限公司 | 目跟踪方法和装置、存储介质 |
| CN114359330A (zh) * | 2021-11-01 | 2022-04-15 | 中国人民解放军陆军工程大学 | 融合深度信息的长期目标跟踪方法及系统 |
| WO2023083164A1 (zh) * | 2021-11-12 | 2023-05-19 | 北京万集科技股份有限公司 | 目标追踪方法、信号融合方法、装置、终端和存储介质 |
| CN114660592A (zh) * | 2022-03-21 | 2022-06-24 | 大连理工大学 | 一种基于毫米波雷达点云数据的室内人员信息检测方法 |
| CN115839718A (zh) * | 2022-09-29 | 2023-03-24 | 北京斯年智驾科技有限公司 | 一种基于运动约束的融合定位方法及装置 |
| CN115984325A (zh) * | 2022-12-30 | 2023-04-18 | 辽宁工程技术大学 | 一种靶向寻量时空正则化的目标跟踪方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王超;苏湛;: "基于Kalman和Surf的Camshift目标跟踪研究", 软件导刊, no. 01, 15 January 2018 (2018-01-15) * |
| 高丽;卢娜;: "多帧高斯混合概率假设密度的多目标跟踪算法", 火力与指挥控制, no. 09, 15 September 2017 (2017-09-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2021523443A (ja) | Ｌｉｄａｒデータと画像データの関連付け | |
| CN110286389B (zh) | 一种用于障碍物识别的栅格管理方法 | |
| CN112154455B (zh) | 数据处理方法、设备和可移动平台 | |
| CN112053563B (zh) | 可用于边缘计算平台、云控平台的事件检测方法及设备 | |
| JPWO2014192137A1 (ja) | 移動軌跡予測装置及び移動軌跡予測方法 | |
| CN105823479B (zh) | 驾驶行为分析方法 | |
| CN114368693B (zh) | 用于臂架的防碰撞方法、装置、处理器及起重机 | |
| CN109448439A (zh) | 车辆安全行驶方法及装置 | |
| CN112046494B (zh) | 一种车辆控制方法、装置、设备及存储介质 | |
| CN113887400B (zh) | 障碍物检测方法、模型训练方法、装置及自动驾驶车辆 | |
| CN110426714B (zh) | 一种障碍物识别方法 | |
| CN114475656A (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
| JP2021190119A (ja) | 交通参加者の経路を予測するための方法およびデバイス、ならびにセンサシステム | |
| CN113538734A (zh) | 用于处理驾驶数据的方法、装置、电子设备及存储介质 | |
| CN113049264B (zh) | 一种车辆高级驾驶辅助系统的测试系统及方法 | |
| CN117765026A (zh) | 一种目标跟踪方法、系统、装置及存储介质 | |
| CN111951552A (zh) | 一种自动驾驶中风险管理的方法以及相关装置 | |
| CN114282776A (zh) | 车路协同评估自动驾驶安全性的方法、装置、设备和介质 | |
| CN113744518B (zh) | 一种车辆可行驶区域的检测方法及装置 | |
| CN116615765A (zh) | 驾驶员状态检测方法、装置及存储介质 | |
| JP2022052875A (ja) | 自動運転装置 | |
| CN114426030A (zh) | 一种行人穿行意图估计方法、装置、设备和汽车 | |
| CN111326002A (zh) | 一种自动驾驶汽车环境感知的预测方法、装置及系统 | |
| KR20200133852A (ko) | 자율 주행 장치 및 방법 | |
| US20230296407A1 (en) | Apparatus, method, and computer program for determining sections for map update |
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 |