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)