跟踪信息处理方法技术

本申请提供了一种基于激光点云的跟踪信息处理方法

【技术实现步骤摘要】
跟踪信息处理方法、程序产品、电子设备和芯片系统


[0001]本申请涉及自动驾驶
，尤其涉及一种跟踪信息处理方法
、
程序产品
、
电子设备和芯片系统
。

技术介绍

[0002]3D
多目标跟踪是自动驾驶系统的关键组成部分，因为它提供关键信息，以促进从感知
、
预测到规划的各种车载模块
。
激光雷达是自动驾驶车辆感知周围环境最常用的传感器
。
[0003]基于激光点云的
3D
多目标跟踪
(3D Multi
‑
Object Tracking based on LiDAR Points)
算法是计算视觉的基础技术之一，在多种视觉感知设备
(
例如监控相机
、
激光雷达
)
上具有广泛应用
。
基于激光雷达的
3D
多目标跟踪算法是当前自动驾驶领域关键核心技术之一
。
[0004]目前有的
3D
多目标跟踪
(3D Multi
‑
Object Tracking
，
3D MOT)
算法，对错误的输入观测值没有筛选和修正过程，基于错误的观察值会产生错误的预测值，降低预测准确度
。

技术实现思路

[0005]本申请提供一种跟踪信息处理方法
、
程序产品
、
电子设备和芯片系统，该方法能够提升观测值的可信度，或修复轨迹断连和错连的问题
。
[0006]第一方面，本申请实施例提供一种基于激光点云的跟踪信息处理方法，该方法包括：确定待处理的至少一个第一边界框对应的置信度；第一边界框为基于激光点云图像对跟踪目标预标注的边界框；至少基于置信度，从至少一个第一边界框中筛选可信输入，获得可信输入序列
。
[0007]在一种可行的实施方式中，确定待处理的至少一个第一边界框对应的置信度，包括：将待处理的至少一个第一边界框对应的输入数据，输入至预测模型，基于预测模型的输出，确定至少一个第二边界框；计算第一边界框与对应的第二边界框之间的交并比
IOU
值，作为第一边界框对应的置信度
。
[0008]在一种可行的实施方式中，至少基于置信度，从至少一个第一边界框中筛选可信输入，包括：将至少一个第一边界框中置信度大于或等于第一阈值的边界框，加入可信输入序列中
。
[0009]在一种可行的实施方式中，至少基于置信度，从至少一个第一边界框中筛选可信输入，还包括：对于至少一个第一边界框中置信度小于第一阈值的第三边界框，执行以下操作：计算第三边界框对应的当前帧与前一帧或后一帧之间的迭代最近邻点
ICP
配准度；将置信度小于第一阈值且大于或等于第二阈值，且
ICP
配准度大于或等于第三阈值的第三边界框，加入可信输入序列中
。
[0010]在一种可行的实施方式中，计算第三边界框对应的当前帧与前一帧和
/
或后一帧之间的迭代最近邻点
ICP
配准度之后，方法还包括：将置信度小于第二阈值且
ICP
配准度低
于第三阈值的边界框，确定为待修正边界框；对待修正边界框进行修正；将修正之后的边界框加入可信输入序列中
。
[0011]在一种可行的实施方式中，获得可信输入序列之后，方法还包括：以可信输入序列中的一个边界框作为锚定框；将可信输入序列中不同大小的边界框分别替换为相同大小的锚定框；确定各个锚定框分别对应的虚拟锚点；虚拟锚点为相应的锚定框的中心点
。
[0012]在一种可行的实施方式中，获得可信输入序列之后，方法还包括：确定可信输入序列对应的
N
条轨迹，
N≥2
；一条轨迹包括至少一个边界框；将第
m
条轨迹，顺序输入预测模型，获得第一轨迹；第
m
条轨迹为
N
条轨迹中的一条，
1≤m≤N
；第一轨迹为对第
m
条轨迹进行正向预测得到的轨迹；将第一轨迹，逆序输入至预测模型，获得第二轨迹；第二轨迹为对第一轨迹进行反向预测得到的轨迹；基于第一轨迹和
/
或第二轨迹，将第
m
条轨迹和
/
或第二轨迹中漏检的边界框补齐
。
[0013]在一种可行的实施方式中，获得第二轨迹之后，方法还包括：计算第二轨迹与
N
‑1条轨迹的匹配度；
N
‑1条轨迹为
N
条轨迹中除第
m
条轨迹以外的轨迹；在第
n
条轨迹与第二轨迹的匹配度满足预设条件的情况下，确定第
n
条轨迹与第一轨迹为同一条轨迹，连接第一轨迹和第
n
条轨迹；其中，
n≠m
，且
1≤n≤N。
[0014]在一种可行的实施方式中，计算第二轨迹与
N
‑1条轨迹的匹配度，包括：生成全局时序查找表；全局时序查找表中包含各个边界框对应的编号和时间戳；按照时间戳从后往前的顺序，计算第二轨迹和
N
‑1条轨迹中对应于同一时间戳的边界框之间的
IOU
值；在第
n
条轨迹与第二轨迹的匹配度满足预设条件的情况下，确定第
n
条轨迹与第一轨迹为同一条轨迹，包括：在第
n
条轨迹与第二轨迹之间存在连续
x
个边界框之间的
IOU
值大于第四阈值的情况下，确定第
n
条轨迹与第
m
条轨迹为同一条轨迹
。
[0015]第二方面，本申请实施例还提供一种基于激光点云的跟踪信息处理方法，该方法包括：确定待处理的
N
条轨迹，
N≥2
；一条轨迹包括至少一个边界框；将第
m
条轨迹，顺序输入预测模型，获得第一轨迹；第
m
条轨迹为
N
条轨迹中的一条，
1≤m≤N
；第一轨迹为对第
m
条轨迹进行正向预测得到的轨迹；将第一轨迹，逆序输入至预测模型，获得第二轨迹；第二轨迹为对第一轨迹进行反向预测得到的轨迹；基于第一轨迹和
/
或第二轨迹，将第
m
条轨迹和
/
或第二轨迹中漏检的边界框补齐
。
[0016]在一种可行的实施方式中，获得第二轨迹之后，方法还包括：按照时间逆序，计算第二轨迹与
N
‑1条轨迹的匹配度；
N
‑1条轨迹为
N
条轨迹中除第
m
条轨迹以外的剩余轨迹；在第
...

【技术保护点】

【技术特征摘要】
1.
一种基于激光点云的跟踪信息处理方法，其特征在于，所述方法包括：确定待处理的至少一个第一边界框对应的置信度；所述第一边界框为基于激光点云图像对跟踪目标预标注的边界框；至少基于所述置信度，从所述至少一个第一边界框中筛选可信输入，获得可信输入序列
。2.
如权利要求1所述的方法，其特征在于，确定待处理的至少一个第一边界框对应的置信度，包括：将待处理的至少一个第一边界框对应的输入数据，输入至预测模型，基于所述预测模型的输出，确定至少一个第二边界框；计算第一边界框与对应的第二边界框之间的交并比
IOU
值，作为所述第一边界框对应的置信度
。3.
如权利要求1或2所述的方法，其特征在于，至少基于所述置信度，从所述至少一个第一边界框中筛选可信输入，包括：将所述至少一个第一边界框中置信度大于或等于第一阈值的边界框，加入所述可信输入序列中
。4.
如权利要求3所述的方法，其特征在于，至少基于所述置信度，从所述至少一个第一边界框中筛选可信输入，还包括：对于所述至少一个第一边界框中置信度小于第一阈值的第三边界框，执行以下操作：计算所述第三边界框对应的当前帧与前一帧或后一帧之间的迭代最近邻点
ICP
配准度；将置信度小于第一阈值且大于或等于第二阈值，且
ICP
配准度大于或等于第三阈值的第三边界框，加入所述可信输入序列中
。5.
如权利要求4所述的方法，其特征在于，计算所述第三边界框对应的当前帧与前一帧和
/
或后一帧之间的迭代最近邻点
ICP
配准度之后，所述方法还包括：将置信度小于第二阈值且
ICP
配准度低于所述第三阈值的边界框，确定为待修正边界框；对所述待修正边界框进行修正；将修正之后的边界框加入所述可信输入序列中
。6.
如权利要求1‑5中任一项所述的方法，其特征在于，获得可信输入序列之后，所述方法还包括：以所述可信输入序列中的一个边界框作为锚定框；将所述可信输入序列中不同大小的边界框分别替换为相同大小的所述锚定框；确定各个锚定框分别对应的虚拟锚点；所述虚拟锚点为相应的锚定框的中心点
。7.
如权利要求1‑6中任一项所述的方法，其特征在于，获得可信输入序列之后，所述方法还包括：确定所述可信输入序列对应的
N
条轨迹，
N≥2
；一条轨迹包括至少一个边界框；将第
m
条轨迹，顺序输入预测模型，获得第一轨迹；所述第
m
条轨迹为所述
N
条轨迹中的一条，
1≤m≤N
；所述第一轨迹为对所述第
m
条轨迹进行正向预测得到的轨迹；将所述第一轨迹，逆序输入至所述预测模型，获得第二轨迹；所述第二轨迹为对所述第
一轨迹进行反向预测得到的轨迹；基于所述第一轨迹和
/
或所述第二轨迹，将所述第
m
条轨迹和
/
或所述第二轨迹中漏检的边界框补齐
。8.
如权利要求7所述的方法，其特征在于，获得第二轨迹之后，所述方法还包括：计算所述第二轨迹与
N
‑1条轨迹的匹配度；所述
N
‑1条轨迹为所述
N
条轨迹中除所述第
m
条轨迹以外的轨迹；在第
n
条轨迹与所述第二轨迹的匹配度满足预设条件的情况下，确定所述第
n
条轨迹与所述第一轨迹为同一条轨迹，连接所述第一轨迹和所述第
n
条轨迹；其中，
n≠m
，且
1≤n≤N。9.
如权利要求8所述的方法，其特征在于，计算所述第二轨迹与
N
‑1条轨迹的匹配度，包括：生成全局时序查找表；所述全局时序查找表中包含各个边界框对应的编号和时间戳；按照时间戳从后往前的顺序，计算所述第二轨迹和所述
N
‑1条轨迹中对应于同一时间戳的边界框之间的
IOU
值；在第
n
条轨迹与所述第二轨迹的匹配度满足预设条件的情况下，确定所述第
n
条轨迹与所述第一轨迹为同一条轨迹，包括：在第
n
条轨迹与所述第二轨迹之间存在连续
x
个边界框之...

【专利技术属性】
技术研发人员：黄涛，王重道，冯柏岚，欧雅健，王艳秋，周彦谷，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：