【技术实现步骤摘要】
本公开涉及计算机视觉领域，更具体地说，涉及一种目标运动状态的估计方法、装置、电子设备和存储介质。
技术介绍
1、在自动驾驶等目标跟踪场景中，自动驾驶车辆需要了解周围环境中所有动态物体的信息，并准确预测其运动轨迹(运动状态)，以便在道路上安全可靠地行驶。因此，3d多目标跟踪(mot，multiple object tracking)已成为自动驾驶应用的关键模块。在mot中，通常会使用运动模型对目标的轨迹进行预测。卡尔曼滤波器(kf，kalman filter)作为经典的运动模型之一，广泛应用于各种mot算法中。
2、然而，由于kf中线性运动的假设，不规则运动会带来预测偏差，从而导致错误的轨迹更新和id切换(ids，identity switch)。同时，kf对所有检测对象和轨迹一视同仁，不能很好地处理错误检测和遮挡问题，面对一些挑战时可能会扭曲其预测和更新过程。
技术实现思路
1、本公开提供一种目标运动状态的估计方法、装置、电子设备和存储介质，以至少解决上述相关技术中的问题，和未提及的其他问题。
2、根据本公开实施例的一个方面，提供一种目标运动状态的估计方法，所述方法包括：获取状态检测信息，其中，所述状态检测信息为对视频序列当前帧中的目标进行检测得到，所述状态检测信息包括目标的瞬时速度检测值以及以下项中的至少一项：目标的位置、大小和运动方向；基于所述状态检测信息对目标的状态预测信息进行更新，得到目标的状态估计信息，其中，当前帧的所述状态预测信息为基于前一帧的状
3、可选的，所述状态检测信息为对所述瞬时速度检测值以及以下项中的至少一项：目标的位置、大小和运动方向进行拼接得到。
4、可选的，所述基于所述状态检测信息对目标的状态预测信息进行更新，得到目标的状态估计信息，包括：基于目标的检测置信度得到卡尔曼滤波算法的测量噪声；基于所述测量噪声和所述状态检测信息对所述状态预测信息进行更新，得到所述状态估计信息。
5、可选的，所述基于目标的检测置信度得到卡尔曼滤波算法的测量噪声，包括：基于所述检测置信度的反相关量和第一常量的乘积，得到所述测量噪声。
6、可选的，所述基于所述测量噪声和所述状态检测信息对所述状态预测信息进行更新，得到所述状态估计信息，包括：基于所述测量噪声和预测不确定性估计得到卡尔曼增益；基于所述卡尔曼增益和所述状态检测信息对所述状态预测信息进行更新，得到所述状态估计信息。
7、可选的，所述方法还包括：基于失配帧信息得到所述卡尔曼滤波算法的预测噪声，其中，所述失配帧信息基于所述视频序列中的所述状态预测信息和所述状态检测信息间的匹配情况得到，所述失配帧信息包括以下项中的至少一项：失配帧数和失配比例；基于所述预测噪声和所述前一帧的状态预测信息得到所述状态预测信息。
8、可选的，所述基于失配帧信息得到所述卡尔曼滤波算法的预测噪声，包括：基于所述失配帧信息和第二常量的和，得到所述预测噪声。
9、根据本公开实施例的另一方面，提供一种目标运动状态的估计装置，所述装置包括：数据获取模块，被配置为：获取状态检测信息，其中，所述状态检测信息为对视频序列当前帧中的目标进行检测得到，所述状态检测信息包括目标的瞬时速度检测值以及以下项中的至少一项：目标的位置、大小和运动方向；状态估计模块，被配置为：基于所述状态检测信息对目标的状态预测信息进行更新，得到目标的状态估计信息，其中，当前帧的所述状态预测信息为基于前一帧的状态估计信息进行预测得到。
10、可选的，所述状态检测信息为对所述瞬时速度检测值以及以下项中的至少一项：目标的位置、大小和运动方向进行拼接得到。
11、可选的，所述状态估计模块被配置为：基于目标的检测置信度得到卡尔曼滤波算法的测量噪声；基于所述测量噪声和所述状态检测信息对所述状态预测信息进行更新，得到所述状态估计信息。
12、可选的，所述状态估计模块被配置为：基于所述检测置信度的反相关量和第一常量的乘积，得到所述测量噪声。
13、可选的，所述状态估计模块被配置为：基于所述测量噪声和预测不确定性估计得到卡尔曼增益；基于所述卡尔曼增益和所述状态检测信息对所述状态预测信息进行更新，得到所述状态估计信息。
14、可选的，所述装置还包括：状态预测模块，被配置为：基于失配帧信息得到所述卡尔曼滤波算法的预测噪声，其中，所述失配帧信息基于所述视频序列中的所述状态预测信息和所述状态检测信息间的匹配情况得到，所述失配帧信息包括以下项中的至少一项：失配帧数和失配比例；基于所述预测噪声和所述前一帧的状态预测信息得到所述状态预测信息。
15、可选的，所述状态预测模块被配置为：基于所述失配帧信息和第二常量的和，得到所述预测噪声。
16、根据本公开实施例的另一方面，还提供一种电子设备，包括：至少一个处理器；至少一个存储计算机可执行指令的存储器，其中，所述计算机可执行指令在被所述至少一个处理器运行时，促使所述至少一个处理器执行如上任意一种目标运动状态的估计方法。
17、根据本公开实施例的另一方面，还提供一种存储指令的计算机可读存储介质，当所述指令被至少一个处理器运行时，促使所述至少一个处理器执行如上任意一种目标运动状态的估计方法。
18、本公开的实施例提供的技术方案至少带来以下有益效果：
19、根据本公开提供的目标运动状态的估计方法、装置、电子设备和存储介质，通过将瞬时速度变量引入到kf的测量值中，可以通过瞬时速度来校准预测的帧间平均速度，以获得更接近目标真实速度的最优速度；通过这个最优速度，就可以在目标运动状态的估计运用到目标跟踪时对不规则移动的目标进行准确地跟踪，并在下一帧中对位置等状态进行更准确的预测。通过设计测量修正来结合瞬时速度，可以缓解对于不规则运动的状态估计不准确的问题。
20、另外，根据不匹配帧的数量动态更新预测噪声，实现自适应预测模块，可以反映预测值的可信度。能够避免目标被长期遮挡的过程中，轨迹(状态)处于失配状态、且缺少测量值的校准过程时，kf的预测噪声随着失配帧数的增加而不断增大的问题。
21、另外，通过引入目标的检测置信度得分，可以提出一种改进的、以自适应计算kf测量噪声的方法，使得在对目标的运动状态进行更新的过程中能够区分目标置信度的高低，可以有效缓解错误检测带来的错误轨迹(状态)更新和ids，以进一步实现通过自适应更新模块来减轻错误检测的问题。
本文档来自技高网...【技术保护点】
1.一种目标运动状态的估计方法，其特征在于，所述方法包括：
2.如权利要求1所述的估计方法，其特征在于，所述状态检测信息为对所述瞬时速度检测值以及以下项中的至少一项：目标的位置、大小和运动方向进行拼接得到。
3.如权利要求1所述的估计方法，其特征在于，所述基于所述状态检测信息对目标的状态预测信息进行更新，得到目标的状态估计信息，包括：
4.如权利要求3所述的估计方法，其特征在于，所述基于目标的检测置信度得到卡尔曼滤波算法的测量噪声，包括：
5.如权利要求3所述的估计方法，其特征在于，所述基于所述测量噪声和所述状态检测信息对所述状态预测信息进行更新，得到所述状态估计信息，包括：
6.如权利要求1-5中任意一项所述的估计方法，其特征在于，所述方法还包括：
7.如权利要求6所述的估计方法，其特征在于，所述基于失配帧信息得到所述卡尔曼滤波算法的预测噪声，包括：
8.一种目标运动状态的估计装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括：
10.一种存储指令的计算
...【技术特征摘要】
1.一种目标运动状态的估计方法，其特征在于，所述方法包括：
2.如权利要求1所述的估计方法，其特征在于，所述状态检测信息为对所述瞬时速度检测值以及以下项中的至少一项：目标的位置、大小和运动方向进行拼接得到。
3.如权利要求1所述的估计方法，其特征在于，所述基于所述状态检测信息对目标的状态预测信息进行更新，得到目标的状态估计信息，包括：
4.如权利要求3所述的估计方法，其特征在于，所述基于目标的检测置信度得到卡尔曼滤波算法的测量噪声，包括：
5.如权利要求3所述的估计方法，其特征在于，所述基于所述测量噪声和所述状态检测...
【专利技术属性】
技术研发人员：任俊臣，朴升仁，闵莹，姚早，宋周奂，张运豪，朱峰，俞炳仁，
申请(专利权)人：三星中国半导体有限公司，
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。