[發明專利]一種基于卡爾曼濾波與匈牙利算法的道路3D車輛跟蹤方法及系統

在審

• 申請號: 202010631250.0
• 申請日: 2020-07-03
• 公開（公告）號: CN111932580A
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 蔡英鳳;張田田;王海;李祎承;陳小波;孫曉強;陳龍;徐興
• 申請（專利權）人: 江蘇大學
• 主分類號: G06T7/20
• 分類號: G06T7/20
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于卡爾曼濾波與匈牙利算法的道路3D車輛跟蹤方法及系統，屬于智能汽車感知技術領域，包括步驟1、建立檢測模塊對當前幀t進行目標檢測，獲取第t幀的目標檢測集合；步驟2、建立3D卡爾曼濾波器模型對當前幀t進行目標狀態預測；步驟3、建立數據關聯模塊，利用匈牙利算法將檢測結果與預測的跟蹤目標相匹配；步驟4、建立3D卡爾曼濾波器模型根據關聯結果更新目標狀態。步驟5、建立軌跡管理模塊對軌跡進行更新。本發明提出的將結合卡爾曼濾波狀態更新和匈牙利算法應用于智能車輛的3D目標跟蹤，可以快速的發現、定位和跟蹤目標車輛，并且跟蹤精度非常高。

技術領域

本發明屬于智能汽車感知領域，具體涉及一種基于卡爾曼濾波與匈牙利算法的道路3D車輛識別及跟蹤的方法和系統。

背景技術

智能車是一個包括感知、決策及控制的復雜系統，環境感知是路徑規劃和決策控制的重要前提，3D車輛跟蹤是環境感知的關鍵內容之一，對于自主駕駛的路徑規劃具有重要影響。

目前有大量的目標跟蹤算法被提出并在智能交通系統中得到廣泛的應用，目前大多數的目標跟蹤和檢測算法，處理對象都集中在RGB圖像上，比如由Girshick相繼提出的Fast RCNN、Faster RCNN、YOLO等，這些算法都是比較成功的基于深度學習的目標檢測算法。由xiang等提出的一種基于馬爾可夫決策(MDP)框架的在線多目標跟蹤方法，但只能在道路環境不復雜的情況下取得較好的結果。但隨著立體視覺的興起，人們致力于研究目標3D框跟蹤算法的可行性。

常用的車輛跟蹤方法包括：基于區域跟蹤算法，假設車輛是由一個個像素點形成的連通塊，根據連通塊的特征去計算與檢測出的連通塊的特征的相似度確定跟蹤目標；基于模型的跟蹤算法，根據建立好的目標模型庫與檢測出來的運動目標進行匹配以達到跟蹤的目的；基于特征匹配跟蹤算法：利用運動目標不變或不易受外界因素干擾的特征在相鄰圖像幀中進行目標匹配。但如果面對城市復雜的交通環境，在解決目標遮擋，復雜運動建模，權衡計算復雜度與計算精確度等問題上，上述方法仍存在一定的不足。

發明內容

針對上述存在的問題，提供一種改進的基于卡爾曼濾波與匈牙利算法的道路3D車輛跟蹤方法及系統，實現復雜城市道路環境下3D車輛跟蹤。

本發明采用的技術方案是：一種改進的基于卡爾曼濾波與匈牙利算法的道路3D車輛跟蹤方法，該方法包括以下步驟：

步驟1、建立檢測模塊對當前幀t進行目標檢測，獲取第t幀的目標檢測集合；

步驟2、建立3D卡爾曼濾波器模型對當前幀t進行目標狀態預測；

步驟3、建立數據關聯模塊將檢測結果與預測的跟蹤目標相匹配；

步驟4、建立3D卡爾曼濾波器模型根據關聯結果更新目標狀態。

步驟5、建立軌跡管理模塊對軌跡進行更新；

進一步，步驟1的具體實現包括：

基于預設的車輛檢測器，進行視頻幀的3D目標檢測處理，獲取目標檢測結果，得到車輛目標的檢測集合其中表示在t幀時刻檢測的第n個目標車輛(共n個目標車輛)，

檢測結果為車輛目標的3D包圍盒，所述3D包圍盒的信息包括：中心坐標(x,y,z)，尺度大小(h,w,l)，方向角θ，檢測置信度s。

進一步，步驟2的具體實現包括：

為預測下一幀車輛目標的狀態，采用恒定速度模型近似車輛目標的幀間位移，建立狀態變量T＝{x,y,z,θ,h,w,h,v_x,v_y,v_z}，其中v_x,v_y,v_z表示車輛目標在三維空間中的運動速度；