一种基于类别最优匹配的多目标跟踪方法及装置制造方法及图纸

本申请提供了一种基于类别最优匹配的多目标跟踪方法及装置，涉及智能驾驶技术领域，所述方法包括：获取检测器输出的当前图像帧中的所有运动目标的检测框，对检测框进行分类；利用上一图像帧中所有运动目标的运动信息，得到上一图像帧中所有运动目标在当前图像帧中的预测框；根据预先设定的每个类别的代价函数，计算所属类别的检测框和所有预测框的关联值，由此构建每个类别的第一关联代价矩阵；每个类别的代价函数为：二维交并比、三维交并比、二维广义交并比、三维广义交并比或欧氏距离；基于每个类别的第一关联代价矩阵，使用匹配算法得到当前图像帧中匹配成功的检测框。本申请提高了检测框匹配的正确率，提高了多类别多目标的跟踪精度。标的跟踪精度。标的跟踪精度。

【技术实现步骤摘要】
一种基于类别最优匹配的多目标跟踪方法及装置


[0001]本申请涉及智能驾驶
，尤其是涉及一种基于类别最优匹配的多目标跟踪方法及装置。

技术介绍

[0002]在三维多目标跟踪中存在新目标进入与旧目标消失的问题，也就导致跟踪策略与单目标跟踪不同。多目标跟踪算法，由于目标消失与产生，大部分都是不考虑初始框的，其常用的跟踪策略是TBD(Tracking
‑
by
‑
Detecton)，又或者也可叫DBT(Detection
‑
Based
‑
Tracking)，即在每一帧进行目标检测，再利用目标检测的结果来进行目标跟踪，这一步称之为数据关联(Data Assoiation)，是多目标跟踪中的关键步骤。
[0003]数据关联目前的主流方法是将轨迹预测得到的预测框和当前检测框进行匹配，采用同一跟踪标准进行所有类别的代价矩阵构建及求解，即采用一次匹配关联。若没有获得匹配，则直接进行轨迹状态是否删除的判断。此类方法虽然构建代价矩阵简单方便并且在不同场景下泛化性较强，但对各种类别采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于类别最优匹配的多目标跟踪方法，其特征在于，所述方法包括：获取检测器输出的当前图像帧中的所有运动目标的检测框，对检测框进行分类；利用上一图像帧中所有运动目标的运动信息，得到上一图像帧中所有运动目标在当前图像帧中的预测框；根据预先设定的每个类别的代价函数，计算所属类别的检测框和所有预测框的关联值，由此构建每个类别的第一关联代价矩阵；每个类别的代价函数为：二维交并比、三维交并比、二维广义交并比、三维广义交并比或欧氏距离；基于每个类别的第一关联代价矩阵，使用匹配算法得到当前图像帧中匹配成功的检测框的目标序号。2.根据权利要求1所述的方法，其特征在于，所述检测框的信息包括：位置、运动方向、偏航角和速度；所述预测框的信息包括：目标序号、位置、运动方向、偏航角和速度。3.根据权利要求1所述的方法，其特征在于，所述运动目标的类别包括：行人，自行车，摩托车，卡车和汽车；行人的代价函数为三维交并比；自行车的代价函数为欧式距离；摩托车的代价函数为二维广义交并比；卡车的代价函数为二维交并比；汽车的代价函数为三维广义交并比。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：利用数据集确定各类别的代价函数，具体包括：获取数据集，所述数据集包括连续样本图像帧的多个运动目标的真实框；获取检测器输出的样本图像每一帧中的预设类别的运动目标的检测框；利用样本图像上一帧中所有运动目标的运动信息，得到样本图像上一帧中所有运动目标在样本图像每一帧中的预测框；基于二维交并比的代价函数，计算检测框和所有预测框的关联值，由此构建第一关联代价样本矩阵；基于第一关联代价样本矩阵，使用匹配算法得到样本图像每一帧中匹配成功的检测框；利用样本图像所有帧的匹配成功的检测框和对应的预设类别的运动目标的真实框计算第一准确度；基于三维交并比的代价函数，计算检测框和所有预测框的关联值，由此构建第二关联代价样本矩阵；基于第二关联代价样本矩阵，使用匹配算法得到样本图像每一帧中匹配成功的检测框；利用样本图像所有帧的匹配成功的检测框和对应的预设类别的运动目标的真实框计算第二准确度；基于二维广义交并比的代价函数，计算检测框和所有预测框的关联值，由此构建第三关联代价样本矩阵；基于第三关联代价样本矩阵，使用匹配算法得到样本图像每一帧中匹配成功的检测框；利用样本图像所有帧的匹配成功的检测框和对应的预设类别的运动目标的真实框计算第三准确度；基于三维广义交并比的代价函数，计算检测框和所有预测框的关联值，由此构建第四关联代价样本矩阵；基于第四关联代价样本矩阵，使用匹配算法得到样本图像每一帧中匹配成功的检测框；利用样本图像所有帧的匹配成功的检测框和对应的预设类别的运动目标的真实框计算第四...

【专利技术属性】
技术研发人员：张新钰，王力，高镜涵，李效宇，吴新刚，
申请(专利权)人：清华大学，
类型：发明
国别省市：