一种用于3D点云的目标实时跟踪方法和系统技术方案

本发明专利技术涉及一种用于3D点云的目标实时跟踪方法和系统。所述方法包括：将轨迹库中的多个轨迹中的每个的卡尔曼滤波状态预测到输入的检测框的时间戳，并输出所述多个轨迹中的每个相对应的预测框；将所述检测框和所述预测框进行匹配，并输出匹配结果；当所述匹配结果为所述匹配的所述检测框和所述匹配的所述预测框时，通过所述匹配的所述检测框更新所述匹配的所述预测框的轨迹的卡尔曼滤波状态和所述轨迹的分数；当所述匹配结果为所述未匹配的所述检测框和未匹配的所述预测框时，基于所述未匹配的所述检测框产生新的轨迹，并且基于所述未匹配的所述预测框更新所述轨迹的分数。通过本公开的处理方案，在提高了目标实时识别的准确性的同时缩短了处理时间。确性的同时缩短了处理时间。确性的同时缩短了处理时间。

【技术实现步骤摘要】
一种用于3D点云的目标实时跟踪方法和系统


[0001]本专利技术涉及雷达
，具体涉及一种用于3D点云的目标实时跟踪方法和系统。

技术介绍

[0002]为了实现L4级别自动驾驶目标，对感知系统的准确性、推理时间和帧率都提出了更高的要求。提高准确性需要考虑物体尺寸、定位精度、物体是否因噪声或其他故障而丢失或添加，以及物体的ID是否随时间变化而不发生改变。缺乏准确性将导致严重的安全风险，甚至可能导致致命的碰撞。对于推理时间和帧率，需要保证传感器系统、计算平台和感知算法能够输出汽车周围局部环境的当前状况，并且未避免跳帧，需要具有足够的频率(帧率)，且具有实时状态的延迟(推理时间)。例如，对于目标帧率(如10Hz)，感知算法的推理时间必须低于由帧率导致的推理时间(在这种情况下为100ms)。
[0003]现有技术中的目标跟踪有两种大方向：基于检测的跟踪(tracking
‑
by
‑
detection)和联合跟踪。
[0004]基于检测的跟踪表示一种顺序设计，将目标检测和目标跟踪完全分开。跟踪模块依赖于检测模块的最新输出，尝试关联来自属于同一真实世界对象的不同帧的边框。但是，在自动驾驶的情况下，自车移动的同时物体也发生移动，物体的轨迹叠加自车的轨迹导致在激光雷达的空间中观测到的轨迹不能够被恒定速度(Constant Velocity，CV)运动模型建模，导致低鲁棒性。
[0005]联合跟踪方法则表示一种并行设计，也就是说，同时执行检测和跟踪。基于时空输出，这些算法允许在后处理阶段直接应用解算器。联合跟踪方法虽然能够正确地跨帧关联对象，还可以处理噪声输入(false positive)和时间遮挡或检测失败(false negative)，但是还存在弥合时间间隔艰难的问题，因此，基于重叠度(Intersection over Union，IOU)匹配算法的联合跟踪方法很难匹配快速物体，导致跟踪不上的问题。
[0006]因此，需要一种能够在多种状态下快速且精确地实时跟踪目标的方法。

技术实现思路

[0007]有鉴于此，本公开实施例提供一种用于3D点云的目标实时跟踪方法和系统，至少部分解决现有技术中存在的问题。
[0008]第一方面，本公开实施例提供了一种用于3D点云的目标实时跟踪方法，包括：
[0009]基于预设的运动模型，将轨迹库中的多个轨迹中的每个的卡尔曼滤波状态预测到输入的检测框的时间戳，并输出所述多个轨迹中的每个相对应的预测框；
[0010]基于预设的匹配标准，将所述检测框和所述预测框进行匹配，并输出匹配结果，所述匹配结果包括匹配的所述检测框和匹配的所述预测框，未匹配的所述检测框和未匹配的所述预测框、以及无匹配结果中的至少一项，其中
[0011]当所述匹配结果为所述匹配的所述检测框和所述匹配的所述预测框时，通过所述
匹配的所述检测框更新所述匹配的所述预测框的轨迹的卡尔曼滤波状态和所述轨迹的分数；
[0012]当所述匹配结果为所述未匹配的所述检测框和未匹配的所述预测框时，基于所述未匹配的所述检测框产生新的轨迹，并且基于所述未匹配的所述预测框更新所述轨迹的分数。
[0013]根据本公开实施例的一种具体实现方式，所述方法还包括：
[0014]基于预设的轨迹分数阈值对所述轨迹的分数进行判断，其中
[0015]当所述轨迹的分数大于所述预设的轨迹分数阈值时，确认所述轨迹。
[0016]根据本公开实施例的一种具体实现方式，所述方法还包括：
[0017]将所述输入的所述检测框的雷达坐标系转换为自车坐标系，并将所述自车坐标系转换为地图坐标系。
[0018]根据本公开实施例的一种具体实现方式，所述将所述输入的检测框的雷达坐标系转换为自车坐标系包括通过标定参数进行转换。
[0019]根据本公开实施例的一种具体实现方式，所述将所述检测框和所述预测框进行匹配包括通过计算欧氏距离进行匹配。
[0020]第二方面，本公开实施例提供了一种用于3D点云的目标实时跟踪系统，所述系统包括：
[0021]预测模块，被配置用于
[0022]基于预设的运动模型，将轨迹库中的多个轨迹中的每个的卡尔曼滤波状态预测到输入的检测框的时间戳，并输出所述多个轨迹中的每个相对应的预测框；
[0023]匹配模块，被配置用于
[0024]将所述检测框和所述预测框进行匹配，并输出匹配结果，所述匹配结果包括匹配的所述检测框和匹配所述预测框、未匹配的所述检测框和未匹配的所述预测框、以及无匹配结果中的至少一项；
[0025]更新模块，被配置用于
[0026]当输出的所述匹配结果为所述匹配的所述检测框和所述匹配所述预测框时，通过所述匹配的所述检测框更新所述匹配的所述预测框的轨迹的卡尔曼滤波状态和所述轨迹的分数；
[0027]轨迹管理模块，被配置用于
[0028]当输出的所述匹配结果为未匹配的所述检测框和未匹配的所述预测框时，基于未匹配的所述检测框产生新的轨迹，以及基于未匹配的所述预测框更新所述轨迹的分数。
[0029]根据本公开实施例的一种具体实现方式，所述系统还包括前处理模块，用于将所述检测框的雷达坐标系转换为自车坐标系，并将所述自车坐标系转换为地图坐标系。
[0030]第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
[0031]至少一个处理器；以及，
[0032]与该至少一个处理器通信连接的存储器；其中，
[0033]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的用于3D点云的目标实时跟踪方法。
[0034]第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的用于3D点云的目标实时跟踪方法。
[0035]第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的用于3D点云的目标实时跟踪方法。
[0036]本专利技术实施例提出的用于3D点云的目标实时跟踪方法，通过自适应的普通卡尔曼滤波、恒定速度运动模型、在地图坐标系下进行跟踪、欧氏距离匹配，可以实现在推理时间低于最高限制的情况下进行实时跟踪，针对包含激光雷达3D点云深度学习模型的感知方案，本专利技术实施例的推理时间为毫秒级别。
附图说明
[0037]为了更清楚地说明本公开实施例的技术方案，下面将对实施例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公开的一些实施例，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，还可以根据这些附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于3D点云的目标实时跟踪方法，其特征在于，所述方法包括以下步骤：基于预设的运动模型，将轨迹库中的多个轨迹中的每个的卡尔曼滤波状态预测到输入的检测框的时间戳，并输出所述多个轨迹中的每个相对应的预测框；基于预设的匹配标准，将所述检测框和所述预测框进行匹配，并输出匹配结果，所述匹配结果包括匹配的所述检测框和匹配的所述预测框、未匹配的所述检测框和未匹配的所述预测框、以及无匹配结果中的至少一项，其中当所述匹配结果为所述匹配的所述检测框和所述匹配的所述预测框时，通过所述匹配的所述检测框更新所述匹配的所述预测框的轨迹的卡尔曼滤波状态和所述轨迹的分数；当所述匹配结果为所述未匹配的所述检测框和未匹配的所述预测框时，基于所述未匹配的所述检测框产生新的轨迹，并且基于所述未匹配的所述预测框更新所述轨迹的分数。2.根据权利要求1所述的用于3D点云的目标实时跟踪方法，其特征在于，所述方法还包括：基于预设的轨迹分数阈值对所述轨迹的分数进行判断，其中当所述轨迹的分数大于所述预设的轨迹分数阈值时，确认所述轨迹。3.根据权利要求1所述的用于3D点云的目标实时跟踪方法，其特征在于，所述方法还包括：将所述输入的检测框的雷达坐标系转换为自车坐标系，并将所述自车坐标系转换为地图坐标系。4.根据权利要求3所述的用于3D点云的目标实时跟踪方法，其特征在于，所述将所述输入的检测框的雷达坐标系转换为自车坐标系包括通过标定参数进行转换。5.根据权利要求1所述的用于3D点云的目标实时跟踪方法，其特征在于，所述将所述检测框和所述预测框进行匹配包括通过计算欧氏距离进行匹配。6.一种用于3D点云的目标实时跟踪系统，其特征在于，所述系统包括：预测模块，被配置用于基于预设的运动模型，将轨迹库中的多个轨迹中的每个的卡尔曼滤波状态预测到输入...

【专利技术属性】
技术研发人员：高思聪，邱中原，陈义飞，梁爽，
申请(专利权)人：北京超星未来科技有限公司，
类型：发明
国别省市：