【技术实现步骤摘要】
本专利技术涉及视觉2d多目标跟踪方法的，特别是涉及适用于路侧感知场景的车辆跟踪方法的。
技术介绍
1、车辆检测及跟踪是路侧感知的重要环节之一，但受到边缘计算单元的算力限制，感知模型需要权衡精度和实时性，轻量化的模型往往准确率不高，此外车辆高速运动的特性会导致画面中车辆出现动态模糊问题，这些都容易使检测器出现漏检、误检的问题。因此需要使用目标跟踪方法持续预测并跟踪车辆。
2、目标跟踪方法是在给定的图像序列中实现对同一目标的关联，并给出各个目标运动轨迹的方法。应用该方法的路侧感知场景的车辆跟踪方法可获得车辆运动轨迹，在协助智能车辆感知路况、为交管部门提供车流数据、播报异常事件等领域发挥重要作用。
3、然而，目前路侧感知场景的视觉多目标跟踪方法往往直接应用行人跟踪的方法，其容易出现长期跟踪中目标丢失、目标id切换频繁等方面的问题，在路侧感知场景上的表现不佳。为解决以上问题，部分现有技术使用了复杂的深度学习方法以获得更准确的外观特征或时序特征，但其在边缘计算单元上难以保证跟踪的实时性。
4、总的来说，现有技术...
【技术保护点】
1.一种适用于路侧感知场景的车辆跟踪方法，其特征在于，其包括：
2.根据权利要求1所述的车辆跟踪方法，其特征在于，所述S1包括：
3.根据权利要求2所述的车辆跟踪方法，其特征在于，所述S11包括：
4.根据权利要求1所述的车辆跟踪方法，其特征在于，所述卡尔曼滤波算法中，以所述轨迹框的特征向量作为状态量，以匀变速运动模型作为车辆的初始路侧运动模型即卡尔曼滤波算法的状态方程，以加速度作为该状态方程的输入量，如下：
5.根据权利要求4所述的车辆跟踪方法，其特征在于，采用如下的指数移动平均模型对加速度进行平滑处理：
...
【技术特征摘要】
1.一种适用于路侧感知场景的车辆跟踪方法，其特征在于，其包括：
2.根据权利要求1所述的车辆跟踪方法，其特征在于，所述s1包括：
3.根据权利要求2所述的车辆跟踪方法，其特征在于，所述s11包括：
4.根据权利要求1所述的车辆跟踪方法，其特征在于，所述卡尔曼滤波算法中，以所述轨迹框的特征向量作为状态量，以匀变速运动模型作为车辆的初始路侧运动模型即卡尔曼滤波算法的状态方程，以加速度作为该状态方程的输入量，如下：
5.根据权利要求4所述的车辆跟踪方法，其特征在于，采用如下的指数移动平均模型对加速度进行平滑处理：
【专利技术属性】
技术研发人员：孙超，张祥超，王博，张晓春，陈振武，周勇，孙逢春，
申请(专利权)人：北京理工大学深圳汽车研究院电动车辆国家工程实验室深圳研究院，
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。