一种交互式多车辆跟踪方法及装置制造方法及图纸
【技术实现步骤摘要】
本专利技术涉及智能交通领域，具体涉及一种交互式多车辆跟踪方法及装置。
技术介绍
多车辆跟踪是智能交通系统的关键组成部分，是分析交通流的重要手段。多车辆跟踪在视频观测、交通检测、人的活动分析、运动视频分析等许多应用中至关重要。对车辆轨迹的分析能预测车辆未来的路径，从而可采取适当的动作及时做出决策，从而规避拥堵、分散车流，缓解交通压力，降低交通事故发生率，继而实现交通系统的智能化和集约化。例如，跟踪密集地区的车流状况，以便于对车辆的流向进行预测，探测到可能发生的异常活动等。在现有的多车辆跟踪过程中，往往采用经典的多目标跟踪方法，通过建立车辆的运动模型和传感器测量模型，估计各车辆的运动状态参数，其中，建立的车辆运动模型往往是不依赖于外部环境和周围车辆的。然而，在实际交通系统中，车辆之间是有交互行为的。例如，驾驶员总是期望与前导车保持一个安全的车头间距，当前导车突然制动时，驾驶员所驾驶的车辆需要做出相应的减速停车，以避免发生碰撞；同样，如果前导车加速运动时，驾驶员也会根据实际的安全情况做出相应的加速运动，以尽快到达目的地。因此，在实际的多车辆跟踪过程中，车辆运动的加速度与周围车辆的运动状态有很强的相关性，只有充分考虑车辆之间的交互式行为，才能更好地提高车辆的跟踪精度。然而现有技术中的多车辆跟踪方法均没有考虑到车辆运动状态之间的交互作用，而有时交互作用会对整个跟踪系统产生很大的影响，以至于现有技术中的多车辆跟踪方法并不能很好的进行车辆追踪，甚至有可能与真实车辆轨迹产生巨大的偏离。
技术实现思路
针对现有技术中的缺陷，本专利技术提供一种交互式多车辆跟踪方法及装置，能够获...
【技术保护点】
一种交互式多车辆跟踪方法，其特征在于，包括以下步骤：S1：建立多车辆交互的车辆跟踪模型：xi,k+1=f(xi,k)+Σj=1,j≠iNwijΓ(xj,k-xi,k)+Bi,kw‾i,kyi,k=h(xi,k)+vi,k]]>其中，yi,k表示第k时刻第i个传感器获得的测量信息；xi,k+1表示第k+1时刻第i个待跟踪车辆的运动状态参数；f(x)函数与h(x)函数是状态方程与观测方程中的非线性函数；wij表示第i个待跟踪车辆与第j个待跟踪车辆之间的交互强度；Γ表示第i个待跟踪车辆与第j个待跟踪车辆之间状态的耦合矩阵；与vi,k表示第k时刻的系统噪声与观测噪声，Bi,k表示第k时刻系统的适维矩阵；S2、利用传感器分别获取每个待跟踪车辆在第k时刻的测量信息，其中，一个传感器对应一个待跟踪车辆；S3、根据步骤S2获取的测量信息，以及步骤S1建立的车辆跟踪模型，利用非扩维方法估计待跟踪车辆的运动状态参数，实现对待跟踪车辆的跟踪。
【技术特征摘要】
1.一种交互式多车辆跟踪方法，其特征在于，包括以下步骤：S1：建立多车辆交互的车辆跟踪模型： x i , k + 1 = f ( x i , k ) + Σ j = 1 , j ≠ i N w i j Γ ( x j , k - x i , k ) + B i , k w ‾ i , k y i , k = h ( x i , k ) + v i , k ]]>其中，yi,k表示第k时刻第i个传感器获得的测量信息；xi,k+1表示第k+1时刻第i个待跟踪车辆的运动状态参数；f(x)函数与h(x)函数是状态方程与观测方程中的非线性函数；wij表示第i个待跟踪车辆与第j个待跟踪车辆之间的交互强度；Γ表示第i个待跟踪车辆与第j个待跟踪车辆之间状态的耦合矩阵；与vi,k表示第k时刻的系统噪声与观测噪声，Bi,k表示第k时刻系统的适维矩阵；S2、利用传感器分别获取每个待跟踪车辆在第k时刻的测量信息，其中，一个传感器对应一个待跟踪车辆；S3、根据步骤S2获取的测量信息，以及步骤S1建立的车辆跟踪模型，利用非扩维方法估计待跟踪车辆的运动状态参数，实现对待跟踪车辆的跟踪。2.根据权利要求1所述的方法，其特征在于，所述S3根据步骤S2获取的测量信息，以及步骤S1建立的车辆跟踪模型，利用非扩维方法估计待跟踪车辆的运动状态参数，实现对待跟踪车辆的跟踪，包括：S31：针对每一个状态，获取状态的预测方程和更新方程，并对每个状态进行实时更新： x ^ i , k + 1 | k = f ( x ^ i , k | k ) + Σ j = 1 , j ≠ i N w i j Γ ( x ^ j , k | k - x ^ i , k | k ) ]]> x ^ i , k + 1 | k + 1 = x ^ i , k + 1 | k + K i , k + 1 ( y i , k + 1 - h ( x ^ i , k + 1 | k ) ) ]]>其中，Ki,k+1表示滤波增益矩阵；表示第k时刻对第i个待跟踪车辆估计的预测值；表示第k+1时刻对第i个待跟踪车辆估计的更新值；表示第k时刻对第i个待跟踪车辆估计的更新值；S32：利用非扩维方法获取每一个状态的预测估计误差协方差矩阵与更新估计误差的协方差矩阵的上界： Δ i , k + 1 | k = ( 1 + α 1 ) ( A i , k - Σ j = 1 n w i j Γ ) ( Δ i , k | k - 1 - ( 1 + r ) β 1 I ) - 1 ( A i , k - Σ j = 1 n w i j Γ ) T = β 1 - 1 L i , k 1 L i , k 1 T + ( 1 + α 1 - 1 ) Σ j = 1 n w i j w ‾ i l ΓΔ j , k | k Γ T + B i , k Q i , k B i , k T ]]> Δ i , k + 1 | k + 1 = ( I - K i , k + 1 C i , k + 1 ) ( Δ - 1 i , k + 1 | k - β 2 I ) - 1 ( I - K i , k + 1 C i , k + 1 ) T + K i , k + 1 ( β 2 - 1 L i , k 2 ( L i , k 2 ) T + R i , k + 1 ) K T i , k + 1 ]]>其中，Ri,k+1与Qi,k代表着噪声的协方差矩阵，Δi,k+1|k表示第k时刻对第i个待跟踪车辆的预测估计误差的协方差矩阵；Δi,k+1|k+1表示第k+1时刻对第i个待跟踪车辆的更新估计误差的协方差矩阵；Ci,k+1表示第k+1时刻对第i个待跟踪车辆的非线性测量函数的Jacobian矩阵；表示第k时刻对第i个待跟踪车辆的非线性测量函数的线性化误差矩阵；β2表示一个调节因子；I表示单位矩阵；S33：获取每一个状态的滤波增益矩阵，以使每一个状态的预测估计误差协方差阵达到最小，并对每一个状态进行实时的修正： K i , k + 1 = ( Δ - 1 i , k + 1 | k - β 2 I ) - 1 C i , k + 1 T [ C i , k + 1 ( Δ - 1 i , k + 1 | k - β 2 I ) - 1 C i , k +1 T + ( β 2 - 1 L i , k 2 ( L i , k 2 ) T + R i , k + 1 ) ] - 1 ]]>S34：给定每个状态的初始估计值后，通过上面步骤S31-S3...
【专利技术属性】
技术研发人员：李文玲，贾英民，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。