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】
本专利技术涉及目标跟踪,特别涉及一种目标跟踪时参考点的选取方法、装置、设备和存储介质。
技术介绍
1、汽车自动驾驶时,需要应用目标跟踪技术识别并跟踪路面上的其他物体,如行人、障碍物和其他车辆等。
2、目前主流的目标跟踪技术都是基于参考点进行跟踪,即利用传感器(例如激光雷达)获得周围环境的连续若干帧点云数据,一帧点云数据,由目标物体表面的若干个点组成。
3、然后针对拍摄到的每一帧点云数据,在该帧点云数据中识别目标物体,获得用于指征目标物体所在位置的目标框,并从目标框的若干个备选参考点中选择一个作为目标物体在该帧点云数据的参考点,由此,通过跟踪连续多帧点云数据中目标物体的参考点,就可以获得目标物体的移动轨迹。
4、现有的目标跟踪技术一般是直接选取每一帧中距离传感器最近的备选参考点作为该帧的参考点。
5、这种选取参考点的方法的问题在于,选中的参考点可能被其他物体遮挡,导致参考点附近的点云质量较差(具体表现为参考点附近的点数量很少,且间隔较大),进而导致参考点无法准确反映目标物体当前的位置,对目标跟踪的准确度造成不良影响。
技术实现思路
1、针对上述现有技术的缺点,本专利技术提供一种目标跟踪时参考点的选取方法、装置、设备和存储介质,以提高目标跟踪技术的准确度。
2、本申请第一方面提供一种目标跟踪时参考点的选取方法,包括:
3、获得一帧原始点云数据;
4、结合预设的选取目标和所述原始点云数据,选择一个目标框的
5、可选的,所述结合预设的选取目标和所述原始点云数据,选择一个目标框的备选参考点作为所述原始点云数据中目标物体的参考点,包括:
6、确定所述原始点云数据的质心;
7、计算所述原始点云数据中每一个点的质心距离,并统计所述原始点云数据中全部点的质心距离的平均值和标准差;其中,点的质心距离为该点到所述质心的距离;
8、至少根据所述平均值和所述标准差构建概率分布函数;其中,所述概率分布函数的自变量包括质心距离,因变量为选取概率;所述概率分布函数中,自变量与所述平均值的接近程度,和所述因变量正相关;
9、利用所述概率分布函数和目标框的每一备选参考点的质心距离,获得每一所述备选参考点的选取概率;
10、将选取概率最大的所述备选参考点确定为所述原始点云数据中目标物体的参考点。
11、可选的,所述选取目标包括参考点的邻近点云质量最优、且参考点和历史参考点的距离最小化;
12、其中,所述原始点云数据为采集到的首帧点云数据时,所述历史参考点为所述目标框中预先指定的一个备选参考点;所述原始点云数据不为采集到的首帧点云数据时,所述历史参考点为所述原始点云数据的前一帧点云数据中所述目标物体的参考点;
13、所述至少根据所述平均值和所述标准差构建概率分布函数,包括:
14、根据所述平均值,所述标准差和历史参考点距离构建概率分布函数;其中,所述概率分布函数的自变量包括历史参考点距离;所述概率分布函数中,自变量和所述历史参考点距离负相关;所述历史参考点距离,为任意一个所述备选参考点到所述历史参考点的距离;
15、所述利用所述概率分布函数、目标框的每一备选参考点的质心距离,获得每一所述备选参考点的选取概率,包括:
16、利用所述概率分布函数计算目标框的每一备选参考点的质心距离和历史参考点距离,获得每一所述备选参考点的选取概率。
17、可选的,所述根据所述平均值,所述标准差和历史参考点距离构建概率分布函数,包括:
18、根据所述平均值和所述标准差构建高斯分布函数;其中,所述高斯分布函数的自变量为所述质心距离;
19、根据所述历史参考点距离构建惩罚函数;其中,所述惩罚函数的自变量为所述历史参考点距离,所述惩罚函数的因变量和自变量负相关;
20、将所述高斯分布函数和所述惩罚函数叠加得到概率分布函数。
21、本申请第二方面提供一种目标跟踪时参考点的选取装置,包括:
22、获得单元,用于获得一帧原始点云数据;
23、选择单元,用于结合预设的选取目标和所述原始点云数据,选择一个目标框的备选参考点作为所述原始点云数据中目标物体的参考点;其中,所述选取目标至少包括参考点的邻近点云质量最优。
24、可选的,所述选择单元结合预设的选取目标和所述原始点云数据,选择一个目标框的备选参考点作为所述原始点云数据中目标物体的参考点时,具体用于:
25、确定所述原始点云数据的质心;
26、计算所述原始点云数据中每一个点的质心距离,并统计所述原始点云数据中全部点的质心距离的平均值和标准差;其中,点的质心距离为该点到所述质心的距离;
27、至少根据所述平均值和所述标准差构建概率分布函数;其中,所述概率分布函数的自变量包括质心距离,因变量为选取概率;所述概率分布函数中,自变量与所述平均值的接近程度,和所述因变量正相关;
28、利用所述概率分布函数和目标框的每一备选参考点的质心距离,获得每一所述备选参考点的选取概率;
29、将选取概率最大的所述备选参考点确定为所述原始点云数据中目标物体的参考点。
30、可选的,所述选取目标包括参考点的邻近点云质量最优、且参考点和历史参考点的距离最小化;
31、其中,所述原始点云数据为采集到的首帧点云数据时,所述历史参考点为所述目标框中预先指定的一个备选参考点;所述原始点云数据不为采集到的首帧点云数据时,所述历史参考点为所述原始点云数据的前一帧点云数据中所述目标物体的参考点;
32、所述选择单元至少根据所述平均值和所述标准差构建概率分布函数时,具体用于:
33、根据所述平均值,所述标准差和历史参考点距离构建概率分布函数;其中,所述概率分布函数的自变量包括历史参考点距离;所述概率分布函数中,自变量和所述历史参考点距离负相关;所述历史参考点距离,为任意一个所述备选参考点到所述历史参考点的距离;
34、所述选择单元利用所述概率分布函数计算目标框的每一备选参考点的质心距离,获得每一所述备选参考点的选取概率时,具体用于:
35、利用所述概率分布函数、目标框的每一备选参考点的质心距离和历史参考点距离,获得每一所述备选参考点的选取概率。
36、可选的,所述选择单元根据所述平均值,所述标准差和历史参考点距离构建概率分布函数时,具体用于:
37、根据所述平均值和所述标准差构建高斯分布函数;其中,所述高斯分布函数的自变量为所述质心距离;
38、根据所述历史参考点距离构建惩罚函数;其中,所述惩罚函数的自变量为所述历史参考点距离,所述惩罚函数的因变量和自变量负相关;
39、将所述高斯分布函数本文档来自技高网...
【技术保护点】
1.一种目标跟踪时参考点的选取方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述结合预设的选取目标和所述原始点云数据,选择一个目标框的备选参考点作为所述原始点云数据中目标物体的参考点,包括:
3.根据权利要求2所述的方法,其特征在于,所述选取目标包括参考点的邻近点云质量最优、且参考点和历史参考点的距离最小化;
4.根据权利要求3所述的方法,其特征在于,所述根据所述平均值,所述标准差和历史参考点距离构建概率分布函数,包括:
5.一种目标跟踪时参考点的选取装置,其特征在于,包括:
6.根据权利要求5所述的装置,其特征在于,所述选择单元结合预设的选取目标和所述原始点云数据,选择一个目标框的备选参考点作为所述原始点云数据中目标物体的参考点时,具体用于:
7.根据权利要求6所述的装置,其特征在于,所述选取目标包括参考点的邻近点云质量最优、且参考点和历史参考点的距离最小化;
8.根据权利要求7所述的装置,其特征在于,所述选择单元根据所述平均值,所述标准差和历史参考点距离构建概率分布函数时
9.一种电子设备,其特征在于,包括存储器和处理器;
10.一种计算机存储介质,其特征在于,用于存储计算机程序,所述计算机程序被执行时,具体用于实现如权利要求1至4任意一项所述的目标跟踪时参考点的选取方法。
...【技术特征摘要】
1.一种目标跟踪时参考点的选取方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述结合预设的选取目标和所述原始点云数据,选择一个目标框的备选参考点作为所述原始点云数据中目标物体的参考点,包括:
3.根据权利要求2所述的方法,其特征在于,所述选取目标包括参考点的邻近点云质量最优、且参考点和历史参考点的距离最小化;
4.根据权利要求3所述的方法,其特征在于,所述根据所述平均值,所述标准差和历史参考点距离构建概率分布函数,包括:
5.一种目标跟踪时参考点的选取装置,其特征在于,包括:
6.根据权利要求5所述的装置,其特征在于,所述选择单元...
【专利技术属性】
技术研发人员:王泽荔,赵镇南,齐陆,
申请(专利权)人:上海汽车集团股份有限公司,
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。