基于改进卡尔曼滤波的多目标车辆轨迹预测方法技术

本发明专利技术涉及一种基于改进卡尔曼滤波的多目标车辆轨迹预测方法，该方法采用图像均衡化、归一化等预处理方式，消除了运动模糊、背景干扰、光照变化等环境因素造成的干扰；同时引入YOLO网络，实时检测图像中目标车辆的目标位置，获知该目标车辆的类型；使用目标检测框与目标预测框的重合交并比作为连接权值，采用KM匹配算法判断相同识别类型的目标车辆当前位置与预测位置的比配关系，从而避免目标车辆的丢失；结合扩展卡尔曼滤波算法预测目标位置信息，提高了目标车辆轨迹预测的准确性。本发明专利技术加强了检测目标车辆与预测目标车辆数据的关联性，可解决目标车辆检测实时性不足导致目标丢失和非线性场景预测精度不高问题。

【技术实现步骤摘要】
基于改进卡尔曼滤波的多目标车辆轨迹预测方法
：本专利技术涉及多目标车辆轨迹预测领域，具体涉及一种基于改进卡尔曼滤波的多目标车辆轨迹预测方法。
技术介绍
：近年来，由于驾驶员的驾驶行为而引发交通事故的数量迅速增加。加强驾驶员对路况的分析能力，辅助驾驶员判断交通环境是解决这一问题的重要途径。目前通过车载视觉传感器进行实时准确的车辆行驶环境分析，并进行车辆轨迹预测，可有效减少交通事故的发生。同时车辆轨迹预测可为智能交通系统(IntelligentTransportationSystem,ITS)中自主协作驾驶、碰撞预警、防碰撞等相关安全技术应用提供实用基础，如在目标车辆路径预测的过程中，可对目标车辆进行检测和跟踪，并在此基础上对目标车辆轨迹进行预测，获得目标车辆的运动趋势，从而及时发出警告提醒驾驶员或采取主动控制车辆制动、转向等措施以避免交通事故的发生。因此在目标车辆轨迹预测的研究中，对于目标车辆的检测和轨迹预测是加速智能交通系统应用的关键因素。目前目标车辆的轨迹预测是智能交通系统应用的重要部分。现今部分学者侧重于构建运动学和动力学模型，进行本文档来自技高网...

【技术保护点】
1.基于改进卡尔曼滤波的多目标轨迹预测方法，其特征在于：内容包括：/n步骤1：YOLO网络参数初始化，对网上公开的数据集以及摄像头采集的图像进行处理，并增加对应标签；/n步骤2：数据处理后获得包括公交车、私家车、消防车、吉普车、面包车、出租车、货车不同类别的图像若干张，对图像中所有车辆进行标注，建立训练集；/n步骤3：根据当前所处状态，读取对应状态下的图像，将图像进行亮度直方化及归一化处理后送入YOLO卷积网络，完成网络模型训练后，当前状态进入应用状态，继续执行步骤4；/n步骤4：根据YOLO网络检测输出，获取当前时刻目标车辆在图像中的位置信息和检测框信息，创建检测的车辆目标赋予ID，令当前帧...

【技术特征摘要】
1.基于改进卡尔曼滤波的多目标轨迹预测方法，其特征在于：内容包括：
步骤1：YOLO网络参数初始化，对网上公开的数据集以及摄像头采集的图像进行处理，并增加对应标签；
步骤2：数据处理后获得包括公交车、私家车、消防车、吉普车、面包车、出租车、货车不同类别的图像若干张，对图像中所有车辆进行标注，建立训练集；
步骤3：根据当前所处状态，读取对应状态下的图像，将图像进行亮度直方化及归一化处理后送入YOLO卷积网络，完成网络模型训练后，当前状态进入应用状态，继续执行步骤4；
步骤4：根据YOLO网络检测输出，获取当前时刻目标车辆在图像中的位置信息和检测框信息，创建检测的车辆目标赋予ID，令当前帧检测目标集合G为当前帧检测出来的所有目标车辆集合；判断当前检测图像是否为视频流的第一帧，若不是，则计算上一时刻预测集合J与未成功匹配集合R的并集T，然后执行步骤5；若是第一帧，则令未成功匹配集合R为空集，继续执行步骤5；
步骤5：根据识别目标车辆类型，将集合G、集合T、集合J和集合R分别分成七个相同类型的子集合LGi、LTi、LJi、LRi；使用KM匹配算法获得集合LGi中的目标车辆与集合LTi中目标车辆的匹配关系，获得集合LGi和LTi内未成功匹配的目标车辆；如果该未匹配车辆目标属于集合LJi，则保留该车辆目标，并将该车辆目标添加到集合LRi；如果该未匹配车辆目标属于集合LGi，则该车辆目标为新加入的目标车辆，创建该目标对象赋予ID和目标参数；如果该未匹配车辆目标属于集合LRi，则记录该车辆目标未匹配成功的次数，如果该次数超过阈值，则删除该车辆目标，否则不操作；
步骤6：计算集合G内每一个车辆目标在当前时刻的速度及坐标，判断集合G内目标车辆是否为新加入的目标车辆，如果是新加入的目标车辆，则初始化当前时刻k的目标车辆的预测状态估计值和预测状态协方差矩阵
步骤7：根据当前时刻k的识别结果，计算观测向量与期望测量值的差Vk，并计算向量Vk的协方差矩阵Sk；
步骤8：通过当前时刻k的预测状态估计值计算当前时刻k的目标车辆的运动状态变量Xk；通过当前时刻k的预测状态协方差矩阵计算当前时刻k的状态协方差矩阵Pk；
步骤9：对当前检测目标分别预测和输出每个目标车辆的下一时刻k+1的预测状态估计值计算时刻k+1的预测状态协方差矩阵
步骤10：判断集合G内每一个车辆目标是否均预测更新完成，若更新完成，则将集合G赋予集合J，并加载训练好的YOLO网络模型；若尚未完成预测更新，则选择下一个目标车辆，重新执行步骤6。


2.根据权利要求1所述的基于改进卡尔曼滤波的多目标轨迹预测方法，其特征在于：所述步骤1中，初始化YOLO网络权重、偏置项和节点向量参数；利用opencv-python库的resize函数来调节图像的分辨率，增加对应标签；利用opencv-python库的getRotationMatrix2D函数，将图像进行旋转，旋转角度设置为随机生成，旋转范围为7度-15度；通过将图像往水平和垂直方向上随机移动1-10个像素距离，实现图像的平移；通过给图像做中心对称实现图像的对称数据增强。


3.根据权利要求1所述的基于改进卡尔曼滤波的多目标轨迹预测方法，其特征在于：所述步骤3中，若处于训练状态，则读取训练集中的车辆图像；若处于评估状态，则读取数据集的测试集图像；若处于应用状态，则读取摄像头采集的图像；将读取的RGB图像转化为YCbCr图像后进行亮度分量Y的直方化处理，将处理后的YCbCr图像转化为RGB图像，更新当前的图像。


4.根据权利要求1所述的基于改进卡尔曼滤波的多目标轨迹预测方法，其特征在于：所述步骤3中，网络模型的训练方法为：计算卷积神经网络中每一层输出特征值，将所有的特征值组成卷积神经网络中卷积层的输出特征值矩阵；根据当前权重矩阵进行训练，并计算损失函数，若损失函数值小于阈值则训练完成，并将当前状态修改为评估状态后执行步骤3，若损失函数值大于等于阈值，则利用损失值进行反向传播，更新网络的偏置和权重后重新进行训练。


5.根据权利要求3所述的基于改进卡尔曼滤波的多目标轨迹预测方法，其特征在于：所述步骤3中，当前状态为评估状态时，将图像送入YOLO的网络卷积层，提取图像特征，调用图像检测函数，对提取特征进行循环判断，获得检测框；根据检测框计算每一个类标签的概率，对每一个类标签概率进行判断，选择最大概率的类型作为目标；根据测试集的识别结果，计算测试集的类别精度和召回率，当类别精度和召回率均小于设定阈值，则将当前状态修改为训练状态后重新进行训练，否则认定训练模型有效，将当前状态修改为应用状态；
通过下列公式计算每一个检测框与其他检测框的两框重叠比例IOU，如果IOU值大于设定阈值，则将该框删除：



其中，IOU表示模型产生的目标窗口...

【专利技术属性】
技术研发人员：陈友荣，陈鹏，任条娟，江俊，苏子漪，刘半藤，
申请(专利权)人：浙江树人学院浙江树人大学，
类型：发明
国别省市：浙江;33