一種基於深度信息的車輛跟蹤方法
2023-09-16 15:44:55 2
專利名稱：一種基於深度信息的車輛跟蹤方法
技術領域：
本發明涉及的是一種模式識別和智能車輛技術領域的方法，具體是一種用於汽車輔助駕駛系統的基於深度信息的車輛跟蹤方法。
背景技術：
用於車輛識別和跟蹤的方法主要包括基於機器視覺的方法和基於深度信息的方法。基於機器視覺的車輛檢測系統一般採用CCD攝像頭，硬體成本較低，能夠感知到豐富的環境信息，但受環境變化影響大。晴天時樹木的陰影，光滑表面的反光，道路上的積水以及夜間光照不足等都會對圖像信息的識別造成很大影響。基於深度信息的算法一般採用雷射雷達、微波雷達等獲取深度信息，能夠準確的得到目標的距離信息，而且不容易受到環境的影響，數據處理的速度比基於機器視覺的方法快。多目標跟蹤的關鍵問題是目標間的關聯。目標關聯的方法包括兩大類確定性方法和概率統計的方法。確定性方法通過計算t_l時刻的所有目標和t時刻的某一個目標的代價方程來確定關聯，一般通過一些運動約束組合來定義代價方程，這些約束包括同一目標在連續兩幀數據中的位置不會相差很大，同一目標的速度變化很小等[1]。Veenmant2]等採用確定性方法進行運動目標的關聯，但假定被跟蹤的目標的數目是確定的，不能處理新目標出現以及目標消失的情況。概率統計目標關聯的方法主要針對採集到的環境信息中包含大量雜波以及目標的機動性大的情況，具有代表性的方法包括聯合概率數據關聯(Joint Probability DataAssociation, JPDA)和多假設跟蹤(Multiple Hypothesis Tracking, MHT)。JPDA 需要計算被跟蹤的目標和當前幀中真實目標的測量值以及虛假目標之間的聯合概率，計算量非常大，而且同樣假定被跟蹤的目標數目是確定的。MHT方法由Reidt3]提出，這種方法能夠處理新目標出現和目標消失的情況，但要保存連續幾幀數據中每一個目標的所有可能的關聯，因此計算量和內存開銷都非常大。
目前常用的多目標跟蹤方法最初是出於軍事、航空等的需求發展而來的，所針對的目標的機動性高，航跡複雜，雜波幹擾大，因此模型也比較複雜，計算量大。而用於汽車輔助駕駛系統的多目標跟蹤系統一般工作於路面上，所跟蹤的目標運行軌跡相對比較簡單，因此需要一種能夠快速、準確的實現多目標關聯和跟蹤的方法。
發明內容
本發明提供一種車輛識別和跟蹤方法，能夠在基於深度信息條件下，根據車輛的形狀、尺寸等特徵識別有效區域內的車輛目標，並通過計算代價方程實現多目標關聯，利用卡爾曼濾波器對目標進行跟蹤，能夠準確、快速的跟蹤車輛。本發明的整體技術方案如附
圖1所示，具體實施步驟如下1. 一種基於深度信息的車輛跟蹤方法，包括以下步驟，A.利用測距傳感器連續獲取掃描範圍內物體的深度信息R，R={(rn，(K) |n=0，…，Nj,其中，rn表不掃描點與傳感器的距離，4>n表不掃描點的方位角，Nk表不一個掃描周期採集到的掃描點的個數，n為O到Nk的整數,並將深度信息R由極坐標轉換為笛卡爾坐標；傳感器一個掃描周期獲得的數據稱為一巾貞;B.採用自適應距離閾值的方法對獲取的每幀數據實時進行聚類分析，形成不同的聚類；C.計算每一個聚類的內部距離d，如果聚類的內部距離d小於閾值A，去掉該聚類，內部距離d的計算公式如下，
_2]其中，Xpnipne表示一個聚類的起點與終點的橫坐標之差；ypnipm表示一個聚類的起點與終點的縱坐標之差；D.對保留的聚類分別進行直線擬合，並在此基礎上提取目標的特徵向量，特徵向量包括聚類內線段的數目，目標的形狀、目標大小和線段的長度比；E.根據特徵向量的值依次判別保留的聚類是否為車輛目標；F.如果當前幀中識別出來的車輛目標數目不為零，執行步驟G ;如果當前幀中識別出來的目標數目為零，執行步驟H ；G.如果跟蹤器數目為零，為當前幀識別出來的每個車輛目標建立一個跟蹤器，重複步驟A至步驟F ;如果跟蹤器數目不為零，執行步驟I ;所述跟蹤器的模型為{ {num，
權利要求
1. 一種基於深度信息的車輛跟蹤方法，包括以下步驟， A.利用測距傳感器連續獲取掃描範圍內物體的深度信息R，R={(rn，(K)n=0,…，Nj，其中，rn表不掃描點與傳感器的距離，4>n表不掃描點的方位角，Nk表不一個掃描周期米集到的掃描點的個數，n為O到Nk的整數,並將深度信息R由極坐標轉換為笛卡爾坐標；傳感器一個掃描周期獲得的數據稱為一巾貞; B.採用自適應距離閾值的方法對獲取的每幀數據實時進行聚類分析，形成不同的聚類； C.計算每一個聚類的內部距離d，如果聚類的內部距離d小於閾值A，去掉該聚類，內部距離d的計算公式如下，
2.根據權利要求1中步驟B所述的自適應距離閾值的方法，其特徵在於包含以下步驟 第一步，計算當前獲取的一巾貞數據中連續兩個點Pn-JP Pn之間的距離d= I Pn-Pn-J I,其中n的取值範圍為I到Nk; 第二步，計算Plri和Pn兩點的橫坐標之差與縱坐標之差的比值的絕對值
3.根據權利要求1中步驟C所述聚類內部距離d的閾值A為0.5米。
4.根據權利要求1中步驟D所述直線擬合以及提取特徵向量的方法，其特徵在於包括以下步驟 .4.1)利用迭代適應點IEPF算法分割聚類內部的點，將聚類內部的點分割為多個子集，分割過程中每個子集內到由該子集兩端點形成的連線的距離最大的點記為Pna，Pna到由該子集的兩端點形成的連線的距離記為Dna，當所有子集的Dna都小於閾值Dthd時，認為完成了分割聚類的過程； . 4.2)對步驟4.1)分割後的每個子集採用最小二乘法進行直線擬合，然後參照每個子集的起始點和終點確定本子集擬合的直線的兩個端點，提取線段，在此基礎上，提取目標的特徵向量 (1)線段數目num，聚類內部存在一條線段時，num值為I;存在一條折線時，num值為.2 ； (2)目標形狀shape，聚類內線段的數目為I時，shape值為線段的斜率的絕對值；聚類內線段的數目為2時，shape值為兩條線段間夾角的餘弦的絕對值； (3)目標大小size，聚類內線段的數目為I時，size大小為線段的長度；存在一條折線時，size大小為折線最小外接矩形的面積； (4)線段長度比ratio，聚類內部存在一條線段時，ratio長度比為O;存在一條折線時，ratio為兩條線段的長度比。
5.根據權利要求4的步驟4.1)所述，閾值Dthd的取值範圍為0. 2米到0. 5米之間。
6.根據權利要求1中步驟E所述，如果聚類的特徵向量滿足以下兩種情況之一，則判定該聚類為車輛目標第一種情況(I) num= I, (2)1.1 米< size < 5. 5 米，(3) ratio=。； 第二種情況(l)num=2, (2) shape〈0. 3,即兩條線段的夾角接近90度，(3) 0. 8平方米^ size ^ 15 平方米(4) 0. 2 ^ ratio ^ 6。
7.根據權利要求1中所述的目標關聯，其特徵在於包含以下步驟 計算第k幀中識別出來的第i個車輛目標4與第j個跟蹤器I1的代價方程，具體為V(i, j) = a 氺position (i, j) +氺num(i，j) + y 氺size (i, j) + k 氺ratio (i, j) 其中 a+3 + Y + K=l，且 a 在 0.5-0. 7 之間，
全文摘要
本發明公開了一種基於深度信息的車輛跟蹤方法，所述方法包括採用基於距離的方法對每一幀數據進行聚類；在聚類內部提取目標的特徵向量；依據特徵向量初步判斷目標是否為車輛目標；採用卡爾曼濾波器對單個目標進行跟蹤；通過計算當前幀中識別出來的目標與跟蹤器中目標的代價方程實現目標關聯；當正在被跟蹤的目標漏檢時，根據當前狀態對目標狀態進行估計，當重新檢測到目標時，繼續對目標進行跟蹤，保持了跟蹤的連貫性；能夠跟蹤出現在掃描環境內的新目標，刪除消失的目標，即被跟蹤的目標的數目是隨實際情況變化的；解決了採用聯合概率數據關聯算法只能跟蹤確定數目的目標的缺點，與多假設跟蹤算法相比，計算量和內存開銷都比較小。
文檔編號G01S17/66GK103064086SQ20121043543
公開日2013年4月24日 申請日期2012年11月4日 優先權日2012年11月4日
發明者段建民, 周俊靜, 楊光祖, 於宏嘯 申請人:北京工業大學