【技术实现步骤摘要】
基于最优运动模型轨迹预测的高稳定多目标跟踪方法
[0001]本申请涉及多目标跟踪
，尤其是涉及基于最优运动模型轨迹预测的高稳定多目标跟踪方法。
技术介绍
[0002]轨迹预测是多目标跟踪中轨迹管理的核心模块，由于相邻两帧间常常存在不规则的运动以及较大的帧间位移，直接使用历史帧轨迹框与当前帧检测框之间进行代价矩阵构建及求解误差较大，故引入轨迹预测对活跃轨迹进行预测，进而利用轨迹预测后的，代表轨迹在当前帧状态的三维轨迹框和当前帧的检测器的三维检测框进行数据关联，得到最优匹配状态。
[0003]现有的多目标跟踪轨迹预测方法多采用时序神经网络或线性卡尔曼滤波进行预测，但是时序神经网络，即基于深度学习的多目标跟踪方法虽然效果较好，但易对数据集发生过拟合，泛化性能较差；而线性卡尔曼滤波器虽然在不同场景下泛化性较强，速度快，但只适用于相对简单路况及线性运动模型，未考虑角速度，加速度，转弯率等的影响，不能完全切合实际运动情况，性能较差。同时，现有的多目标跟踪轨迹预测方法普遍将全部类别的车辆及行人简化成同一运动模型，虽然简单、易...
【技术保护点】
【技术特征摘要】
1.一种基于最优运动模型轨迹预测的高稳定多目标跟踪方法，其特征在于，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；利用上一图像帧中所有运动目标的运动信息，基于运动目标所属类别的最优运动方程，得到上一图像帧中所有轨迹在当前图像帧中的预测框；其中，所述类别包括：行人、汽车、摩托车、卡车和自行车；行人的最优运动方程为恒定速度的运动方程；自行车的最优运动方程为恒定加速度的运动方程；汽车和摩托车的最优运动方程为恒定转弯率和速度幅度的运动方程；卡车的最优运动方程为恒定转弯率和加速度的运动方程；基于各检测框和各预测框之间的关联代价矩阵，使用匹配算法得到当前图像帧中匹配成功的检测框。2.根据权利要求1所述的方法，其特征在于，利用上一图像帧中所有运动目标的运动信息，基于运动目标所属类别的最优运动方程，得到上一图像帧中所有轨迹在当前图像帧中的预测框；包括：获取上一图像帧轨迹的最终状态向量和对应的最终协方差矩阵P
t
‑1，t为当前图像帧的序号；利用上一图像帧轨迹的最终状态向量和对应的最终协方差矩阵P
t
‑1，计算得到当前图像帧轨迹的状态向量预测值和对应的协方差矩阵预测值P
t|t
‑1，由此得到上一图像帧中所有轨迹在当前图像帧中的预测框。3.根据权利要求2所述的方法，其特征在于，当运动目标的类别为行人，则上一图像帧轨迹的最终状态向量表示为：其中：表示上一图像帧的运动目标的检测框中心在全局坐标系下的坐标，和为检测框的宽、高和长，和分别表示检测框全局坐标系下沿X和Y坐标轴的速度；其状态转移函数为：X
t
＝A1X
t
‑1其中，A1为第一状态转移矩阵，X
t
‑1为上一图像帧的轨迹的状态向量；X
t
为当前图像帧的轨迹的状态向量；利用上一图像帧轨迹的最终状态向量和对应的最终协方差矩阵P
t
‑1，计算得到当前图像帧轨迹的状态向量预测值和对应的协方差矩阵预测值P
t|t
‑1，由此得到上一图像帧中所有轨迹在当前图像帧中的预测框；包括：根据上一图像帧轨迹的最终状态向量利用卡尔曼滤波计算当前图像帧轨迹的状态向量预测值态向量预测值态向量预测值
其中，Δt为当前图像帧和上一图像帧的时间间隔；计算当前图像帧轨迹的协方差矩阵预测值P
t|t
‑1：其中，Q为预测噪声。4.根据权利要求2所述的方法，其特征在于，当运动目标的类别为自行车，则上一图像帧轨迹的最终状态向量表示为：其中：表示上一图像帧的运动目标的检测框中心在全局坐标系下的坐标，和为检测框的宽、高和长，和分别表示检测框全局坐标系下沿X和Y坐标轴的速度；和分别表示检测框全局坐标系下沿X和Y坐标轴的加速度；其状态转移函数为：X
t
＝A2X
t
‑1其中，A2为第二状态转移矩阵，X
t
‑1为上一图像帧的轨迹的状态向量；X
t
为当前图像帧的轨迹的状态向量；利用上一图像帧轨迹的最终状态向量和对应的最终协方差矩阵P
t
‑1，计算得到当前图像帧轨迹的状态向量预测值和对应的协方差矩阵...
【专利技术属性】
技术研发人员：张新钰，李骏，戴崑，王力，张伟伟，谢涛，李效宇，
申请(专利权)人：清华大学，
类型：发明
国别省市：
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。