专利名称：一种基于深度信息的车辆跟踪方法
技术领域：
本发明涉及的是一种模式识别和智能车辆技术领域的方法，具体是一种用于汽车辅助驾驶系统的基于深度信息的车辆跟踪方法。
背景技术：
用于车辆识别和跟踪的方法主要包括基于机器视觉的方法和基于深度信息的方法。基于机器视觉的车辆检测系统一般采用CCD摄像头，硬件成本较低，能够感知到丰富的环境信息，但受环境变化影响大。晴天时树木的阴影，光滑表面的反光，道路上的积水以及夜间光照不足等都会对图像信息的识别造成很大影响。基于深度信息的算法一般采用激光雷达、微波雷达等获取深度信息，能够准确的得到目标的距离信息，而且不容易受到环境的影响，数据处理的速度比基于机器视觉的方法快。多目标跟踪的关键问题是目标间的关联。目标关联的方法包括两大类确定性方法和概率统计的方法。确定性方法通过计算t_l时刻的所有目标和t时刻的某一个目标的代价方程来确定关联，一般通过一些运动约束组合来定义代价方程，这些约束包括同一目标在连续两帧数据中的位置不会相差很大，同一目标的速度变化很小等[1]。Veenmant2]等采用确定性方法进行运动目标的关联，但假定被跟踪的目标的数目是确定的，不能处理新目标出现以及目标消失的情况。概率统计目标关联的方法主要针对采集到的环境信息中包含大量杂波以及目标的机动性大的情况，具有代表性的方法包括联合概率数据关联(Joint Probability DataAssociation, JPDA)和多假设跟踪(Multiple Hypothesis Tracking, MHT)。JPDA 需要计算被跟踪的目标和当前帧中真实目标的测量值以及虚假目标之间的联合概率，计算量非常大，而且同样假定被跟踪的目标数目是确定的。MHT方法由Reidt3]提出，这种方法能够处理新目标出现和目标消失的情况，但要保存连续几帧数据中每一个目标的所有可能的关联，因此计算量和内存开销都非常大。
目前常用的多目标跟踪方法最初是出于军事、航空等的需求发展而来的，所针对的目标的机动性高，航迹复杂，杂波干扰大，因此模型也比较复杂，计算量大。而用于汽车辅助驾驶系统的多目标跟踪系统一般工作于路面上，所跟踪的目标运行轨迹相对比较简单，因此需要一种能够快速、准确的实现多目标关联和跟踪的方法。
发明内容
本发明提供一种车辆识别和跟踪方法，能够在基于深度信息条件下，根据车辆的形状、尺寸等特征识别有效区域内的车辆目标，并通过计算代价方程实现多目标关联，利用卡尔曼滤波器对目标进行跟踪，能够准确、快速的跟踪车辆。本发明的整体技术方案如附
图1所示，具体实施步骤如下1. 一种基于深度信息的车辆跟踪方法，包括以下步骤，A.利用测距传感器连续获取扫描范围内物体的深度信息R，R={(rn，(K) |n=0，…，Nj,其中，rn表不扫描点与传感器的距离，4>n表不扫描点的方位角，Nk表不一个扫描周期采集到的扫描点的个数，n为O到Nk的整数,并将深度信息R由极坐标转换为笛卡尔坐标；传感器一个扫描周期获得的数据称为一巾贞;B.采用自适应距离阈值的方法对获取的每帧数据实时进行聚类分析，形成不同的聚类；C.计算每一个聚类的内部距离d，如果聚类的内部距离d小于阈值A，去掉该聚类，内部距离d的计算公式如下，
_2]其中，Xpnipne表示一个聚类的起点与终点的横坐标之差；ypnipm表示一个聚类的起点与终点的纵坐标之差；D.对保留的聚类分别进行直线拟合，并在此基础上提取目标的特征向量，特征向量包括聚类内线段的数目，目标的形状、目标大小和线段的长度比；E.根据特征向量的值依次判别保留的聚类是否为车辆目标；F.如果当前帧中识别出来的车辆目标数目不为零，执行步骤G ;如果当前帧中识别出来的目标数目为零，执行步骤H ；G.如果跟踪器数目为零，为当前帧识别出来的每个车辆目标建立一个跟踪器，重复步骤A至步骤F ;如果跟踪器数目不为零，执行步骤I ;所述跟踪器的模型为{ {num，
权利要求
1. 一种基于深度信息的车辆跟踪方法，包括以下步骤， A.利用测距传感器连续获取扫描范围内物体的深度信息R，R={(rn，(K)n=0,…，Nj，其中，rn表不扫描点与传感器的距离，4>n表不扫描点的方位角，Nk表不一个扫描周期米集到的扫描点的个数，n为O到Nk的整数,并将深度信息R由极坐标转换为笛卡尔坐标；传感器一个扫描周期获得的数据称为一巾贞; B.采用自适应距离阈值的方法对获取的每帧数据实时进行聚类分析，形成不同的聚类； C.计算每一个聚类的内部距离d，如果聚类的内部距离d小于阈值A，去掉该聚类，内部距离d的计算公式如下，
2.根据权利要求1中步骤B所述的自适应距离阈值的方法，其特征在于包含以下步骤 第一步，计算当前获取的一巾贞数据中连续两个点Pn-JP Pn之间的距离d= I Pn-Pn-J I,其中n的取值范围为I到Nk; 第二步，计算Plri和Pn两点的横坐标之差与纵坐标之差的比值的绝对值
3.根据权利要求1中步骤C所述聚类内部距离d的阈值A为0.5米。
4.根据权利要求1中步骤D所述直线拟合以及提取特征向量的方法，其特征在于包括以下步骤 .4.1)利用迭代适应点IEPF算法分割聚类内部的点，将聚类内部的点分割为多个子集，分割过程中每个子集内到由该子集两端点形成的连线的距离最大的点记为Pna，Pna到由该子集的两端点形成的连线的距离记为Dna，当所有子集的Dna都小于阈值Dthd时，认为完成了分割聚类的过程； . 4.2)对步骤4.1)分割后的每个子集采用最小二乘法进行直线拟合，然后参照每个子集的起始点和终点确定本子集拟合的直线的两个端点，提取线段，在此基础上，提取目标的特征向量 (1)线段数目num，聚类内部存在一条线段时，num值为I;存在一条折线时，num值为.2 ； (2)目标形状shape，聚类内线段的数目为I时，shape值为线段的斜率的绝对值；聚类内线段的数目为2时，shape值为两条线段间夹角的余弦的绝对值； (3)目标大小size，聚类内线段的数目为I时，size大小为线段的长度；存在一条折线时，size大小为折线最小外接矩形的面积； (4)线段长度比ratio，聚类内部存在一条线段时，ratio长度比为O;存在一条折线时，ratio为两条线段的长度比。
5.根据权利要求4的步骤4.1)所述，阈值Dthd的取值范围为0. 2米到0. 5米之间。
6.根据权利要求1中步骤E所述，如果聚类的特征向量满足以下两种情况之一，则判定该聚类为车辆目标第一种情况(I) num= I, (2)1.1 米< size < 5. 5 米，(3) ratio=。； 第二种情况(l)num=2, (2) shape〈0. 3,即两条线段的夹角接近90度，(3) 0. 8平方米^ size ^ 15 平方米(4) 0. 2 ^ ratio ^ 6。
7.根据权利要求1中所述的目标关联，其特征在于包含以下步骤 计算第k帧中识别出来的第i个车辆目标4与第j个跟踪器I1的代价方程，具体为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 之间，
全文摘要
本发明公开了一种基于深度信息的车辆跟踪方法，所述方法包括采用基于距离的方法对每一帧数据进行聚类；在聚类内部提取目标的特征向量；依据特征向量初步判断目标是否为车辆目标；采用卡尔曼滤波器对单个目标进行跟踪；通过计算当前帧中识别出来的目标与跟踪器中目标的代价方程实现目标关联；当正在被跟踪的目标漏检时，根据当前状态对目标状态进行估计，当重新检测到目标时，继续对目标进行跟踪，保持了跟踪的连贯性；能够跟踪出现在扫描环境内的新目标，删除消失的目标，即被跟踪的目标的数目是随实际情况变化的；解决了采用联合概率数据关联算法只能跟踪确定数目的目标的缺点，与多假设跟踪算法相比，计算量和内存开销都比较小。
文档编号G01S17/66GK103064086SQ20121043543
公开日2013年4月24日 申请日期2012年11月4日 优先权日2012年11月4日
发明者段建民, 周俊静, 杨光祖, 于宏啸 申请人:北京工业大学