System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于计算机视觉,尤其涉及神经网络模型和无迹卡尔曼滤波融合模型结构的设计,主要涉及了一种基于无迹卡尔曼滤波和长短时记忆融合的多目标跟踪方法及系统。
技术介绍
1、近年来,随着人工智能技术发展和日趋成熟,自动驾驶车辆和智能交通系统发展迅速。对道路上的车辆等交通目标的准确感知和跟踪是自动驾驶车辆路径决策和规划的重要前提,然而现有的跟踪算法可能会出现一定的漏跟踪、误跟踪和目标丢失等问题。如何解决复杂交通场景下的准确、可靠和实时的多目标跟踪已成为当前自动驾驶技术发展中的重要问题。
2、目前已有的多目标跟踪方法主要分为两类,一类是基于滤波的多目标跟踪方法,另一类是基于深度学习的多目标跟踪方法。基于滤波的多目标跟踪方法又可分为基于先验知识和基于概率的方法。基于先验知识的方法根据连续帧之间特征的相似性进行数据匹配,以实现目标跟踪,而基于概率的方法通常将对象的状态表示为具有特定不确定性的分布,使用各种基于现有观察(例如过去和现在的观察)的概率推理技术来估计对象状态的概率分布。然而基于滤波的多目标跟踪方法由于受限于检测结果在面向遮挡场景和高密度复杂交通场景时可能出现漏跟踪、误跟踪以及id切换的问题。基于深度学习的多目标跟踪方法,一般是基于两帧输入的链式跟踪框架,实现端到端联合检测跟踪,将目标检测、特征提取、目标关联这3个模块融合至一个网络中进行全局优化。然而完全基于深度学习的端到端的多目标跟踪方法需要数倍于基于滤波的多目标跟踪方法的推理时间,对于算力有限的嵌入式设备可能会出现严重的跟踪延迟。
技术实
1、本专利技术正是针对现有技术中存在的问题,提供一种基于无迹卡尔曼滤波和长短时记忆融合的多目标跟踪方法及系统,采用等转角速率和速度运动模型的无迹卡尔曼滤波方法对跟踪目标的状态向量进行目标运动状态估计,根据目标在上一帧的运动信息使用无迹卡尔曼滤波算法进行当前帧跟踪目标运动状态的预测,并在跟踪目标丢失时,使用长短期记忆神经网络进行预测和修正;同时,采用两阶段数据关联算法,通过计算跟踪目标的轨迹和当前检测的观测值的相似度,获得的相似度匹配上一帧和当前帧的匹配关系;基于加权特征距离计算相似度,根据匈牙利算法对检测目标和跟踪目标进行两阶段数据关联,通过生命周期管理对匹配结果对应的检测和跟踪目标实现稳定的属性更新,实现多目标跟踪。本专利技术方法解决了复杂交通环境下的遮挡、拥堵等因素导致的漏跟踪、误跟踪、id切换问题,并且实现了较快推理速度的多交通目标跟踪能力。
2、为了实现上述目的,本专利技术采取的技术方案是:基于无迹卡尔曼滤波和长短时记忆融合的多目标跟踪方法,所述方法中至少包括两个步骤:
3、s1:采用等转角速率和速度运动模型的无迹卡尔曼滤波方法对跟踪目标的状态向量进行目标运动状态估计,根据目标在上一帧的运动信息使用无迹卡尔曼滤波算法进行当前帧跟踪目标运动状态的预测,并在跟踪目标丢失时,使用长短期记忆神经网络进行预测和修正;
4、s2:两阶段数据关联算法,通过计算跟踪目标的轨迹和当前检测的观测值的相似度,获得的相似度匹配上一帧和当前帧的匹配关系;基于加权特征距离计算相似度,根据匈牙利算法对检测目标和跟踪目标进行两阶段数据关联,通过生命周期管理对匹配结果对应的检测和跟踪目标实现稳定的属性更新,实现多目标跟踪。
5、作为本专利技术的一种改进,所述步骤s1中,若当前时刻系统的观测值未中断,则:
6、步骤s11:检测目标获得观测量zt,将其输入到无迹卡尔曼滤波器ukf1获得ukf1的卡尔曼增益k和状态估计值令为当前时刻目标最优状态估计值xt;
7、步骤s12:选取当前时刻的前n个时间步长的卡尔曼增益(kt-n,kt-(n-1)...,kt-2,kt-1)和zt分别作为lstm1的输入和输出进行模型训练;
8、步骤s13:将训练后的lstm1的输出作为ukf2的输入,ukf2输出新的状态估计值
9、步骤s14:获得当前时刻ukf1输出的状态估计值和ukf2输出的状态估计值的差值选取当前时刻的前n步时间步长的和分别作为lstm2的输入和输出进行模型训练;
10、若当前时刻系统的观测量中断,则
11、步骤s11’:无zt输入,ukf1不输出lstm1通过前n步时间步长的卡尔曼增益(kt-n,kt-(n-1)...,kt-2,kt-1)作为输入,输出作为ukf2的输入,ukf2输出新的状态估计值
12、步骤s12’:lstm2通过当前时刻的前n个时间步长的作为输入,输出
13、步骤s13’:根据获得ukf2输出的状态估计值和求两者和,得到当前时刻目标最优状态估计值xt。
14、作为本专利技术的另一种改进,所述步骤s2具体包括如下步骤:
15、步骤s21:根据检测的置信度,将获得当前时刻t检测到的最优估计值进行区分,其中置信度大于阈值δh分为高分检测目标dh,低于阈值δh且高于阈值δl分为低分检测目标dl,低于δl不进行跟踪;
16、步骤s22:根据t时刻的检测目标dh和t-1时刻得到的跟踪轨迹计算加权特征距离代价矩阵;
17、步骤s23:使用匈牙利算法进行第一次数据关联,得到的结果有匹配成功的检测目标匹配成功的轨迹未匹配成功的检测目标未匹配成功的轨迹其中
18、步骤s24:使用匈牙利算法将与低分检测目标dl进行第二次数据关联,得到的结果有匹配成功的检测目标匹配成功的轨迹未匹配成功的检测目标未匹配成功的轨迹其中
19、步骤s25:对于未匹配成功的检测目标和建立新的跟踪轨迹,并将σ设置为“不确定”状态;
20、步骤s26:对于未匹配成功的轨迹首先判断σ是否为“不确定”状态,若为是则删除改轨迹,进入步骤s28,否则下一步;
21、步骤s27:判断轨迹的丢失次数是否大于阈值τl,若为是,则删除轨迹,否则轨迹的丢失次数cl加1;
22、步骤s28:对于匹配成功的目标和轨迹,首先判断σ是否为“确定”状态,若为是,直接将检测目标的属性更新到相应的轨迹目标上,否则下一步;
23、步骤s29:判断轨迹的出现次数是否大于阈值τa,若为是,该轨迹状态σ更新为“确定”,否则轨迹的出现次数ca加1。
24、为了实现上述目的,本专利技术还采取的技术方案是:基于无迹卡尔曼滤波和长短时记忆融合的多目标跟踪系统,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述方法的步骤。
25、与现有技术相比,本专利技术具有的有益效果:
26、1、本专利技术利用恒转角速率和速度模型,综合考虑了跟踪目标的直线运动和曲线运动,相比较于单一的直线运动模型,更加接近实际交通场景下的目标运动状态,能改善多目标跟踪的性能。
27、2、本专利技术使用无迹卡尔曼滤波,具有较强的非线性模型处理能力,相比较于扩展卡尔曼滤波,在处理非线性模型时,处理效果更好,推理速度更快。
28、3、本专利技术使用长短期记忆网本文档来自技高网...
【技术保护点】
1.基于无迹卡尔曼滤波和长短时记忆融合的多目标跟踪方法,其特征在于:所述方法中至少包括两个步骤:
2.如权利要求1所述的基于无迹卡尔曼滤波和长短时记忆融合的多目标跟踪方法,其特征在于:所述步骤S1中,若当前时刻系统的观测值未中断,则:
3.如权利要求1或2所述的基于无迹卡尔曼滤波和长短时记忆融合的多目标跟踪方法,其特征在于:所述步骤S2具体包括如下步骤:
4.基于无迹卡尔曼滤波和长短时记忆融合的多目标跟踪系统,包括计算机程序,其特征在于:所述计算机程序被处理器执行时实现如上述任一种所述方法的步骤。
【技术特征摘要】
1.基于无迹卡尔曼滤波和长短时记忆融合的多目标跟踪方法,其特征在于:所述方法中至少包括两个步骤:
2.如权利要求1所述的基于无迹卡尔曼滤波和长短时记忆融合的多目标跟踪方法,其特征在于:所述步骤s1中,若当前时刻系统的观测值未中断,则:
3.如权利...
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。