国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于深度信息的車輛跟蹤方法

      文檔序號:5961495閱讀:1019來源:國知局
      專利名稱:一種基于深度信息的車輛跟蹤方法
      技術(shù)領(lǐng)域
      本發(fā)明涉及的是一種模式識別和智能車輛技術(shù)領(lǐng)域的方法,具體是一種用于汽車輔助駕駛系統(tǒng)的基于深度信息的車輛跟蹤方法。
      背景技術(shù)
      用于車輛識別和跟蹤的方法主要包括基于機(jī)器視覺的方法和基于深度信息的方法?;跈C(jī)器視覺的車輛檢測系統(tǒng)一般采用CCD攝像頭,硬件成本較低,能夠感知到豐富的環(huán)境信息,但受環(huán)境變化影響大。晴天時(shí)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(huì)對圖像信息的識別造成很大影響?;谏疃刃畔⒌乃惴ㄒ话悴捎眉す饫走_(dá)、微波雷達(dá)等獲取深度信息,能夠準(zhǔn)確的得到目標(biāo)的距離信息,而且不容易受到環(huán)境的影響,數(shù)據(jù)處理的速度比基于機(jī)器視覺的方法快。多目標(biāo)跟蹤的關(guān)鍵問題是目標(biāo)間的關(guān)聯(lián)。目標(biāo)關(guān)聯(lián)的方法包括兩大類確定性方法和概率統(tǒng)計(jì)的方法。確定性方法通過計(jì)算t_l時(shí)刻的所有目標(biāo)和t時(shí)刻的某一個(gè)目標(biāo)的代價(jià)方程來確定關(guān)聯(lián),一般通過一些運(yùn)動(dòng)約束組合來定義代價(jià)方程,這些約束包括同一目標(biāo)在連續(xù)兩幀數(shù)據(jù)中的位置不會(huì)相差很大,同一目標(biāo)的速度變化很小等[1]。Veenmant2]等采用確定性方法進(jìn)行運(yùn)動(dòng)目標(biāo)的關(guān)聯(lián),但假定被跟蹤的目標(biāo)的數(shù)目是確定的,不能處理新目標(biāo)出現(xiàn)以及目標(biāo)消失的情況。概率統(tǒng)計(jì)目標(biāo)關(guān)聯(lián)的方法主要針對采集到的環(huán)境信息中包含大量雜波以及目標(biāo)的機(jī)動(dòng)性大的情況,具有代表性的方法包括聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(Joint Probability DataAssociation, JPDA)和多假設(shè)跟蹤(Multiple Hypothesis Tracking, MHT)。JPDA 需要計(jì)算被跟蹤的目標(biāo)和當(dāng)前幀中真實(shí)目標(biāo)的測量值以及虛假目標(biāo)之間的聯(lián)合概率,計(jì)算量非常大,而且同樣假定被跟蹤的目標(biāo)數(shù)目是確定的。MHT方法由Reidt3]提出,這種方法能夠處理新目標(biāo)出現(xiàn)和目標(biāo)消失的情況,但要保存連續(xù)幾幀數(shù)據(jù)中每一個(gè)目標(biāo)的所有可能的關(guān)聯(lián),因此計(jì)算量和內(nèi)存開銷都非常大。

      目前常用的多目標(biāo)跟蹤方法最初是出于軍事、航空等的需求發(fā)展而來的,所針對的目標(biāo)的機(jī)動(dòng)性高,航跡復(fù)雜,雜波干擾大,因此模型也比較復(fù)雜,計(jì)算量大。而用于汽車輔助駕駛系統(tǒng)的多目標(biāo)跟蹤系統(tǒng)一般工作于路面上,所跟蹤的目標(biāo)運(yùn)行軌跡相對比較簡單,因此需要一種能夠快速、準(zhǔn)確的實(shí)現(xiàn)多目標(biāo)關(guān)聯(lián)和跟蹤的方法。

      發(fā)明內(nèi)容
      本發(fā)明提供一種車輛識別和跟蹤方法,能夠在基于深度信息條件下,根據(jù)車輛的形狀、尺寸等特征識別有效區(qū)域內(nèi)的車輛目標(biāo),并通過計(jì)算代價(jià)方程實(shí)現(xiàn)多目標(biāo)關(guān)聯(lián),利用卡爾曼濾波器對目標(biāo)進(jìn)行跟蹤,能夠準(zhǔn)確、快速的跟蹤車輛。本發(fā)明的整體技術(shù)方案如附

      圖1所示,具體實(shí)施步驟如下1. 一種基于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(xù)獲取掃描范圍內(nèi)物體的深度信息R,R={(rn,(K) |n=0,…,Nj,其中,rn表不掃描點(diǎn)與傳感器的距離,4>n表不掃描點(diǎn)的方位角,Nk表不一個(gè)掃描周期采集到的掃描點(diǎn)的個(gè)數(shù),n為O到Nk的整數(shù),并將深度信息R由極坐標(biāo)轉(zhuǎn)換為笛卡爾坐標(biāo);傳感器一個(gè)掃描周期獲得的數(shù)據(jù)稱為一巾貞;B.采用自適應(yīng)距離閾值的方法對獲取的每幀數(shù)據(jù)實(shí)時(shí)進(jìn)行聚類分析,形成不同的聚類;C.計(jì)算每一個(gè)聚類的內(nèi)部距離d,如果聚類的內(nèi)部距離d小于閾值A(chǔ),去掉該聚類,內(nèi)部距離d的計(jì)算公式如下,
      _2]其中,Xpnipne表示一個(gè)聚類的起點(diǎn)與終點(diǎn)的橫坐標(biāo)之差;ypnipm表示一個(gè)聚類的起點(diǎn)與終點(diǎn)的縱坐標(biāo)之差;D.對保留的聚類分別進(jìn)行直線擬合,并在此基礎(chǔ)上提取目標(biāo)的特征向量,特征向量包括聚類內(nèi)線段的數(shù)目,目標(biāo)的形狀、目標(biāo)大小和線段的長度比;E.根據(jù)特征向量的值依次判別保留的聚類是否為車輛目標(biāo);F.如果當(dāng)前幀中識別出來的車輛目標(biāo)數(shù)目不為零,執(zhí)行步驟G ;如果當(dāng)前幀中識別出來的目標(biāo)數(shù)目為零,執(zhí)行步驟H ;G.如果跟蹤器數(shù)目為零,為當(dāng)前幀識別出來的每個(gè)車輛目標(biāo)建立一個(gè)跟蹤器,重復(fù)步驟A至步驟F ;如果跟蹤器數(shù)目不為零,執(zhí)行步驟I ;所述跟蹤器的模型為{ {num,
      權(quán)利要求
      1. 一種基于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(xù)獲取掃描范圍內(nèi)物體的深度信息R,R={(rn,(K)n=0,…,Nj,其中,rn表不掃描點(diǎn)與傳感器的距離,4>n表不掃描點(diǎn)的方位角,Nk表不一個(gè)掃描周期米集到的掃描點(diǎn)的個(gè)數(shù),n為O到Nk的整數(shù),并將深度信息R由極坐標(biāo)轉(zhuǎn)換為笛卡爾坐標(biāo);傳感器一個(gè)掃描周期獲得的數(shù)據(jù)稱為一巾貞; B.采用自適應(yīng)距離閾值的方法對獲取的每幀數(shù)據(jù)實(shí)時(shí)進(jìn)行聚類分析,形成不同的聚類; C.計(jì)算每一個(gè)聚類的內(nèi)部距離d,如果聚類的內(nèi)部距離d小于閾值A(chǔ),去掉該聚類,內(nèi)部距離d的計(jì)算公式如下,
      2.根據(jù)權(quán)利要求1中步驟B所述的自適應(yīng)距離閾值的方法,其特征在于包含以下步驟 第一步,計(jì)算當(dāng)前獲取的一巾貞數(shù)據(jù)中連續(xù)兩個(gè)點(diǎn)Pn-JP Pn之間的距離d= I Pn-Pn-J I,其中n的取值范圍為I到Nk; 第二步,計(jì)算Plri和Pn兩點(diǎn)的橫坐標(biāo)之差與縱坐標(biāo)之差的比值的絕對值
      3.根據(jù)權(quán)利要求1中步驟C所述聚類內(nèi)部距離d的閾值A(chǔ)為0.5米。
      4.根據(jù)權(quán)利要求1中步驟D所述直線擬合以及提取特征向量的方法,其特征在于包括以下步驟 .4.1)利用迭代適應(yīng)點(diǎn)IEPF算法分割聚類內(nèi)部的點(diǎn),將聚類內(nèi)部的點(diǎn)分割為多個(gè)子集,分割過程中每個(gè)子集內(nèi)到由該子集兩端點(diǎn)形成的連線的距離最大的點(diǎn)記為Pna,Pna到由該子集的兩端點(diǎn)形成的連線的距離記為Dna,當(dāng)所有子集的Dna都小于閾值Dthd時(shí),認(rèn)為完成了分割聚類的過程; . 4.2)對步驟4.1)分割后的每個(gè)子集采用最小二乘法進(jìn)行直線擬合,然后參照每個(gè)子集的起始點(diǎn)和終點(diǎn)確定本子集擬合的直線的兩個(gè)端點(diǎn),提取線段,在此基礎(chǔ)上,提取目標(biāo)的特征向量 (1)線段數(shù)目num,聚類內(nèi)部存在一條線段時(shí),num值為I;存在一條折線時(shí),num值為.2 ; (2)目標(biāo)形狀shape,聚類內(nèi)線段的數(shù)目為I時(shí),shape值為線段的斜率的絕對值;聚類內(nèi)線段的數(shù)目為2時(shí),shape值為兩條線段間夾角的余弦的絕對值; (3)目標(biāo)大小size,聚類內(nèi)線段的數(shù)目為I時(shí),size大小為線段的長度;存在一條折線時(shí),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(nèi)部存在一條線段時(shí),ratio長度比為O;存在一條折線時(shí),ratio為兩條線段的長度比。
      5.根據(jù)權(quán)利要求4的步驟4.1)所述,閾值Dthd的取值范圍為0. 2米到0. 5米之間。
      6.根據(jù)權(quán)利要求1中步驟E所述,如果聚類的特征向量滿足以下兩種情況之一,則判定該聚類為車輛目標(biāo)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(jù)權(quán)利要求1中所述的目標(biāo)關(guān)聯(lián),其特征在于包含以下步驟 計(jì)算第k幀中識別出來的第i個(gè)車輛目標(biāo)4與第j個(gè)跟蹤器I1的代價(jià)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(fā)明公開了一種基于深度信息的車輛跟蹤方法,所述方法包括采用基于距離的方法對每一幀數(shù)據(jù)進(jìn)行聚類;在聚類內(nèi)部提取目標(biāo)的特征向量;依據(jù)特征向量初步判斷目標(biāo)是否為車輛目標(biāo);采用卡爾曼濾波器對單個(gè)目標(biāo)進(jìn)行跟蹤;通過計(jì)算當(dāng)前幀中識別出來的目標(biāo)與跟蹤器中目標(biāo)的代價(jià)方程實(shí)現(xiàn)目標(biāo)關(guān)聯(lián);當(dāng)正在被跟蹤的目標(biāo)漏檢時(shí),根據(jù)當(dāng)前狀態(tài)對目標(biāo)狀態(tài)進(jìn)行估計(jì),當(dāng)重新檢測到目標(biāo)時(shí),繼續(xù)對目標(biāo)進(jìn)行跟蹤,保持了跟蹤的連貫性;能夠跟蹤出現(xiàn)在掃描環(huán)境內(nèi)的新目標(biāo),刪除消失的目標(biāo),即被跟蹤的目標(biāo)的數(shù)目是隨實(shí)際情況變化的;解決了采用聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法只能跟蹤確定數(shù)目的目標(biāo)的缺點(diǎn),與多假設(shè)跟蹤算法相比,計(jì)算量和內(nèi)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(yōu)先權(quán)日2012年11月4日
      發(fā)明者段建民, 周俊靜, 楊光祖, 于宏嘯 申請人:北京工業(yè)大學(xué)
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會(huì)獲得點(diǎn)贊!
      1