车辆跟踪方法、装置、计算机可读存储介质及电子设备与流程

本公开涉及车辆监控领域，具体地，涉及一种车辆跟踪方法、装置、计算机可读存储介质及电子设备。

背景技术：

车辆跟踪是高级驾驶辅助系统(adas，advanceddrivingassistantsystem)和自动驾驶车辆最重要的数据融合任务之一。adas可以应用于碰撞避免/碰撞缓解(ca/cm)、自适应巡航控制(acc，adaptivecruisecontrol)、停止-助推或盲点检测等方面，其应用都需要可靠地估计出其他车辆的位置信息。

现有技术中，通常基于传感器采集的信息对车辆进行跟踪定位，然而在通过传感器采集的信息进行定位时，需要保证采集的信息的同步性，然而采集的同步信号会由于网络带宽占用等原因造成异步传输。而在数据传输较慢、数据丢失的情况下，则会出现数据跟踪严重延迟甚至无法进行跟踪的现象，车辆跟踪效率较低。

技术实现要素：

本公开的目的是提供一种效率高、准确率高的车辆跟踪方法、装置、计算机可读存储介质及电子设备。

为了实现上述目的，根据本公开的第一方面，提供一种车辆跟踪方法，所述方法包括：

根据最近一次获得的目标跟踪车辆的状态信息的跟踪值，基于顺序卡尔曼滤波模型确定所述目标跟踪车辆的状态信息的预测值，其中，所述状态信息至少包括位置信息；

获取所述目标跟踪车辆的状态信息的检测值；

响应于获取到的所述检测值，根据所述检测值和最近一次确定出的所述预测值，基于所述顺序卡尔曼滤波模型获得所述目标跟踪车辆的状态信息的新的跟踪值。

根据本公开的第二方面，提供一种车辆跟踪装置，所述装置包括：

第一确定模块，用于根据最近一次获得的目标跟踪车辆的状态信息的跟踪值，基于顺序卡尔曼滤波模型确定所述目标跟踪车辆的状态信息的预测值，其中，所述状态信息至少包括位置信息；

获取模块，用于获取所述目标跟踪车辆的状态信息的检测值；

第二确定模块，用于响应于获取到的所述检测值，根据所述检测值和最近一次确定出的所述预测值，基于所述顺序卡尔曼滤波模型获得所述目标跟踪车辆的状态信息的新的跟踪值。

根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面所述方法的步骤。

根据本公开的第四方面，提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现上述第一方面所述方法的步骤。

在上述技术方案中，根据最近一次获得的目标跟踪车辆的状态信息的跟踪值，并在获得目标跟踪车辆的状态信息的检测值时，基于顺序卡尔曼滤波模型对目标跟踪车辆的状态信息的预测值和检测值进行融合，从而确定该目标跟踪车辆的新的跟踪值。因此，通过上述技术方案，一方面，可以更加准确地确定出的目标跟踪车辆的状态信息的跟踪值，对目标跟踪车辆进行有效跟踪。另一方面，通过顺序卡尔曼滤波模型对目标跟踪车辆的状态信息的预测值和检测值进行融合，可以有效避免同步信息异步传输时，造成的跟踪数据延迟的现象，有效保证确定出的目标跟踪车辆的状态信息的跟踪值的时效性，进一步提高车辆跟踪的准确性。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是根据本公开的一种实施方式提供的车辆跟踪方法的流程图；

图2是根据设置在本车上的相机传感器拍摄的图像确定目标跟踪车辆的状态信息的检测值的示例性实现方式的流程图；

图3是根据本公开的一种实施方式提供的车辆跟踪装置的框图；

图4是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

为了使本领域技术人员更容易理解本发明实施例提供的技术方案，下面首先对涉及到的相关技术进行简单介绍。

首先，对卡尔曼滤波模型进行介绍。在本公开中，使用卡尔曼滤波模型对跟踪车辆进行跟踪时，跟踪车辆的运动模型采用cv(constantvelocity，恒定速度)模型，其状态向量示例性表示如下：

x(k)＝[px(k)，py(k)，vx(k)，vy(k)]^t(1)

其中，x(k)表示跟踪车辆的状态信息，px(k)和py(k)表示车辆的位置，vx(k)和vy(k)表示车辆在本地ne(northeast)坐标中的速度，其中，x和y表示北向和东向。cv模型为标准动力学模型，跟踪车辆的运动模型可以表示为：

x(k)＝fx(k-1)+v(k)(2)

其中，状态模型矩阵f表示为：

δt表示自最近一次卡尔曼滤波模型更新以来经过的时间；

v(k)表示噪声，用于表征检测系统演变的不确定性，其可以表示为：

其中，ax和ay分别是坐标系中x和y方向的加速度分量，其中，ax和ay为独立的高斯随机变量，且其均值为0，方差分别为其中，方差的取值由车辆的运动模型确定。其中，v(k)也是高斯随机变量，v(k)的平均值为0，v(k)的变化通过q给出，q表示如下：

以上对卡尔曼滤波模型进行介绍，以下则结合卡尔曼滤波模型对本公开的具体实施例进行详细说明。

图1所示，为根据本公开的一种实施方式提供的车辆跟踪方法的流程图。如图1所示，所述方法包括：

在s11中，根据最近一次获得的目标跟踪车辆的状态信息的跟踪值，基于顺序卡尔曼滤波模型确定目标跟踪车辆的状态信息的预测值，其中，所述状态信息至少包括位置信息。

示例地，可以通过上述公式(2)根据最近一次获得的目标跟踪车辆的状态信息的跟踪值确定目标跟踪车辆当前的状态信息的预测值。状态信息至少包括位置信息，即状态信息可以通过上文所述px(k)和py(k)进行表示。

可选地，顺序卡尔曼滤波模型可以间隔一定时长进行预测，示例地，顺序卡尔曼滤波模型可以每10ms进行一次预测，从而获得一次目标跟踪车辆的状态信息的预测值。

在s12中，获取目标跟踪车辆的状态信息的检测值。其中，目标跟踪车辆的状态信息的检测值为实时检测确定出的该目标跟踪车辆的状态信息。

在s13中，响应于获取到的检测值，根据检测值和最近一次确定出的预测值，基于顺序卡尔曼滤波模型获得目标跟踪车辆的状态信息的新的跟踪值。

其中，检测值用于表示实时检测确定的该目标跟踪车辆当前的状态信息，预测值用于表示基于该目标跟踪车辆的历史轨迹确定出的当前的状态信息，通过将该两者融合，可以在确定目标跟踪车辆的状态信息的跟踪值时，既参考该目标跟踪车辆的实时检测值，又可以参考该目标跟踪车辆的历史轨迹确定出的预测值，从而可以更加准确地确定出目标跟踪车辆的状态信息的跟踪值。

其中，本公开中采用顺序卡尔曼滤波确定目标跟踪车辆的状态信息的新的跟踪值。顺序卡尔曼滤波模型可以采用顺序更新的方法进行滤波，即将获得的每个状态信息的检测值视为独立的检测值，并根据获取到的检测值的顺序进行滤波。

在上述技术方案中，根据最近一次获得的目标跟踪车辆的状态信息的跟踪值，并在获得目标跟踪车辆的状态信息的检测值时，基于顺序卡尔曼滤波模型对目标跟踪车辆的状态信息的预测值和检测值进行融合，从而确定该目标跟踪车辆的新的跟踪值。因此，通过上述技术方案，一方面，可以更加准确地确定出的目标跟踪车辆的状态信息的跟踪值，对目标跟踪车辆进行有效跟踪。另一方面，通过顺序卡尔曼滤波模型对目标跟踪车辆的状态信息的预测值和检测值进行融合，可以有效避免同步信息异步传输时，造成的跟踪数据延迟的现象，有效保证确定出的目标跟踪车辆的状态信息的跟踪值的时效性，进一步提高车辆跟踪的准确性。

为了使本领域技术人员更加理解本发明实施例提供的技术方案，下面对上述步骤进行详细的说明。

可选地，在s12中，获取目标跟踪车辆的状态信息的检测值，可以包括：

接收与本车通信的所述目标跟踪车辆发送的通信信息，其中，所述通信信息包括所述目标跟踪车辆的状态信息的检测值。

示例地，该状态信息可以包括位置信息和速度信息。其中，车辆上都设置有gnss(globalnavigationsatellitesystem，全球导航卫星系统)接收器，通过该gnss接收器，目标跟踪车辆可以确定其位置信息和速度信息，从而可以将该位置信息和速度信息发送至本车。示例地，可以将该位置信息和速度信息以标准v2v基本安全消息(basicsafemessage，bsm)的方式发送至本车。本车则可以对该基本安全消息进行解析，从而获得目标跟踪车辆的位置信息和速度信息。可选地，本车也可以基于本车和目标跟踪车辆的位置信息和速度信息确定两者的相对位置和相对速度。可选地，目标跟踪车辆可以预定时间间隔向本车发送通信信息，也可以不定时地向本车发送通信信息，本公开对此不进行限定。

可选地，针对于通过目标跟踪车辆发送的通信信息确定出的目标跟踪车辆的状态信息的检测值，在本公开的一种示例性实施例中，该检测值对应的向量化表示如下：

zv(k)＝[zv,px(k)zv,py(k)zv,vx(k)zv,vy(k)]^t(6)

其中，zv(k)表示通过目标跟踪车辆发送的通信信息确定出的目标跟踪车辆的状态信息的检测值，zv,px(k)和zv,py(k)分别表示通过目标跟踪车辆发送的通信信息确定出的目标跟踪车辆的位置信息的检测值在x、y轴上的分量，zv,vx(k)和zv,vy(k)表示通过目标跟踪车辆发送的通信信息确定出的目标跟踪车辆的速度信息的检测值在x、y轴上的分量。

在该实施例中，目标跟踪车辆的观察模型(记为，第一观察模型)如下所示：

zv(k)＝hvx(k)+wv(k)(7)

其中，hv为第一观察矩阵，具体表示如下：

wv(k)为第一观察模型的测量噪声，wv(k)的平均值为0，wv(k)的变化通过rv给出，设定其随时间不变，表示如下：

因此，通过上述方案，在获取到根据目标跟踪车辆发送的通信信息确定的目标跟踪车辆的状态信息的检测值时，可以根据与该检测值对应的观察模型对该检测值进行处理，从而可以有效保证顺序卡尔曼滤波模型确定状态信息的新的跟踪值的准确度。

可选地，在s12中，获取目标跟踪车辆的状态信息的检测值，可以包括：

根据设置在本车上的相机传感器拍摄的图像确定所述目标跟踪车辆的状态信息的检测值。

示例地，所述相机传感器为多个，本车上可以设置有多个相机传感器，可以根据相机传感器的拍摄范围设置相机传感器的个数，以使得该多个相机传感器可以拍摄本车周围360度的角度范围内的图像。

示例地，在相机传感器拍摄图像后，可以对该图像进行图像识别，进而进行特征提取，以确定目标跟踪车辆的状态信息的检测值，该状态信息可以为目标跟踪车辆的位置信息。示例地，可以通过cnn(convolutionalneuralnetworks，卷积神经网络)算法检测图像中的车辆，从而确定各个车辆的位置信息的检测值，示例地，可以通过相机投影的方式确定车辆的位置信息的检测值。其中，cnn算法检测图像和确定图像中车辆的位置信息均为现有技术，在此不在赘述。

可选地，针对于根据设置在本车上的相机传感器拍摄的图像确定的所述目标跟踪车辆的状态信息的检测值，在本公开的一种示例性实施例中，该检测值对应的向量化表示如下：

zc(k)＝[zc,px(k)zc,py(k)]^t(10)

其中，zc(k)表示根据设置在本车上的相机传感器拍摄的图像确定的所述目标跟踪车辆的状态信息的检测值，zc,px(k)和zc,py(k)分别表示根据设置在本车上的相机传感器拍摄的图像确定的目标跟踪车辆的位置信息的检测值在x、y轴上的分量。

在该实施例中，目标跟踪车辆的观察模型(记为，第二观察模型)如下所示：

zc(k)＝hcx(k)+wc(k)(11)

其中，hc为第二观察矩阵，具体表示如下：

wc(k)为第二观察模型的测量噪声，wc(k)的平均值为0，wc(k)的变化通过rc给出，设定其随时间不变，表示如下：

因此，通过上述技术方案，在获取到根据设置在本车上的相机传感器拍摄的图像确定的所述目标跟踪车辆的状态信息的检测值时，可以根据与该检测值对应的观测模型对该检测值进行处理，从而可以有效保证顺序卡尔曼滤波模型确定状态信息的新的跟踪值的准确度。

需要说明的是，本公开中的目标跟踪车辆的状态信息的检测值可以同时包括上述基于通信信息确定出的检测值和基于所述相机传感器拍摄的图像确定出的检测值。在该实施例中，需要保证基于通信信息确定出的检测值对应的地理坐标系与基于相机传感器拍摄的图像确定出的检测值对应的地理坐标系一致。因此，在上述两者的对应的坐标系不一致，如，基于通信信息确定的检测值对应的地理坐标系为世界地球系统84(worldgeodeticsystem84，wgs84)坐标系，基于相机传感器拍摄的图像确定出的检测值对应的地理坐标系可以为ned(northeastdown，东北坐标系)，则可以通过坐标系转换算法将其转化为一致的坐标系。其中，坐标系转换算法为现有技术，在此不再赘述。

当顺序卡尔曼滤波模型进行计算时，可以将上述两种方式确定的检测信息利用其对应的观察模型分别进行处理。如当检测值为根据设置在本车上的相机传感器拍摄的图像确定的，顺序卡尔曼滤波模型可以根据上述公式(11)对其进行处理；当检测值为根据与本车通信的所述目标跟踪车辆发送的通信信息确定出的，顺序卡尔曼滤波模型可以根据上述公式(7)对其进行处理。

可选地，所述方法还包括：

分别确定所述新的跟踪值与所述检测值之间的第一估计差、以及所述新的跟踪值和所述最近一次确定出的所述预测值之间的第二估计差。

根据所述第一估计差和所述第二估计差确定所述顺序卡尔曼滤波模型的增益矩阵，以更新所述顺序卡尔曼滤波模型。

其中，第一估计差为新的跟踪值与该检测值之差，第二估计差为新的跟踪值与该最近一次确定出的该预测值之差。其中，增益矩阵用于表示在确定新的跟踪值时，状态信息的检测值和预测值对应的权重。增益矩阵的计算方式为现有技术，在此不再赘述。

通过上述技术方案，在每次确定出目标跟踪车辆的状态信息的跟踪值之后，计算顺序卡尔曼滤波模型的增益矩阵，从而可以实时更新该顺序卡尔曼滤波模型，可以有效提高顺序卡尔曼滤波模型的预测精准度，提高车辆跟踪的准确性。

可选地，所述方法还包括：

确定目标跟踪车辆的状态信息的检测值和最近一次确定出的目标跟踪车辆的状态信息的预测值之间的估计差异，公式如下：

其中，v(k)表示该估计差异，z(k)表示该检测值，h表示该检测值对应的观察模型的观察矩阵。其中，z(k)和h可以根据该检测值的来源确定其对应的观察模型和观察矩阵。表示最近一次确定出的目标跟踪车辆的状态信息的预测值。

其中，该估计差异的平均值为0，其方差如下：

s(k)＝e{v(k)v^t(k)}＝hp(k/k-1)h+r(15)

其中，r表示测量噪声，p(k/k-1)是的方差矩阵。

通过该估计差异，可以表征出顺序卡尔曼滤波模型的预测值所形成的第一序列和对应的状态信息的检测值所形成的第二序列之间的偏离程度，从而可以根据该估计差异衡量顺序卡尔曼滤波模型的预测准确度。

可选地，所述图像中包含多个周边车辆的图像信息；

所述根据设置在本车上的相机传感器拍摄的图像确定所述目标跟踪车辆的状态信息的检测值的示例性实现方式如下，如图2所示，包括：

在s21中，从多个周边车辆中确定与目标跟踪车辆相匹配的周边车辆，其中，与所述目标跟踪车辆相匹配的周边车辆为与所述目标跟踪车辆的车辆类型信息一致的周边车辆，所述车辆类型信息至少包括车辆颜色或车辆型号。

示例地，从相机传感器拍摄的图像中提取车辆信息时，车辆信息可以包括车辆的车辆颜色或车辆型号。示例地，若提取出的车辆信息包括车辆颜色，则可以将拍摄的图像中的各个车辆的车辆颜色与目标跟踪车辆的车辆颜色进行匹配，并将该拍摄的图像中与该目标跟踪车辆的车辆颜色一致的车辆确定为与目标跟踪车辆相匹配的周边车辆。

在s22中，根据图像，确定与目标跟踪车辆相匹配的各个周边车辆的状态信息的检测值。

在确定出与目标跟踪车辆相匹配的周边车辆时，可以基于该图像确定与目标跟踪车辆相匹配的周边车辆对应的状态信息的检测值。其中，根据图像确定检测值的方式已在上文进行说明，在此不再赘述。

在s23中，分别确定目标跟踪车辆的最近一次的状态信息的预测值和与目标跟踪车辆相匹配的各个周边车辆的状态信息的检测值之间的差异，并对各个差异进行归一化，以获得目标跟踪车辆对应的各个标准差异。

其中，目标跟踪车辆的最近一次的状态信息的预测值和与所述目标跟踪车辆相匹配的任一周边车辆的状态信息的检测值之间的差异可以通过上述公式(14)进行计算，并通过如下公式对各个差异进行归一化：

其中，表示目标跟踪车辆的最近一次的状态信息的预测值和与该目标跟踪车辆相匹配的第i个周边车辆的状态信息的检测值对应的标准差异；

vi(k)表示目标跟踪车辆的最近一次的状态信息的预测值和与该目标跟踪车辆相匹配的第i个周边车辆的状态信息的检测值对应的估计差异；

si(k)表示目标跟踪车辆的最近一次的状态信息的预测值和与该目标跟踪车辆相匹配的第i个周边车辆的状态信息的检测值对应的估计差异的方差。

在s24中，若存在小于第一预设阈值的标准差异，则将最小标准差异对应的周边车辆的状态信息的检测值确定为目标跟踪车辆的状态信息的检测值。

其中，第一预设阈值可以根据实际使用场景进行设置。若标准差异小于该第一预设阈值，表示该周边车辆的状态信息的检测值与目标跟踪车辆的状态信息的预测值相近，因此，可以将拍摄的图像中与目标跟踪车辆最近的周边车辆确定为该目标跟踪车辆，从而将该最小标准差异对应的周边车辆的状态信息的检测值确定为所述目标跟踪车辆的状态信息的检测值。

通过上述技术方案，可以将相机传感器拍摄的图像中的车辆与目标跟踪车辆关联起来，从而可以对目标跟踪车辆的状态信息的预测值进行校正，从而可以提高目标跟踪车辆的状态信息的准确度，提高车辆跟踪的准确度。

可选地，所述方法还包括：

若存在小于第一预设阈值的标准差异，则将最小标准差异对应的周边车辆与所述目标跟踪车辆相关联，所述目标跟踪车辆为本车的跟踪车辆列表中记录的跟踪车辆之一。

在通过上文所述确定出目标跟踪车辆的状态信息的检测值后，可以将该最小标准差异对应的周边车辆与所述目标跟踪车辆相关联，从而确定拍摄的图像中的车辆与跟踪车辆列表中的车辆的对应关系。通过上述方式也可以确定跟踪车辆列表中其他跟踪车辆的状态信息的检测值，从而可以确定出拍摄的图像中的各个车辆与本车的跟踪车辆列表中车辆的对应关系，便于对跟踪车辆列表中的车辆进行管理。

示例地，若检测值是通过目标跟踪车辆发送的通信信息确定出的，由于该通信信息中具有唯一的服务集标识(ssid，servicesetidentifier)，可以基于该服务集标识将该检测值与跟踪车辆列表中的车辆进行关联。如该检测值关联的服务集标识为id1，可以将该检测值确定为跟踪车辆列表中的服务集标标识为id1的车辆的检测值。

可选地，所述方法还包括：

若同一相机传感器拍摄的连续n张所述图像中均包含同一周边车辆的图像信息，且该周边车辆未与所述跟踪车辆列表中的任何跟踪车辆存在关联关系，则将该周边车辆添加至所述跟踪车辆列表中，其中，n为正整数，且n>1。

其中，每个相机传感器的拍摄范围不同，因此，其对应的目标跟踪车辆一般不同。对于同一相机传感器而言，其对应的跟踪车辆一般为同一组车辆。可选地，在该实施例中，在将周边车辆与目标跟踪车辆相关联时，可以为该周边车辆对应的图像信息标记关联标识。示例地，该标记标识可以是该周边车辆对应的跟踪列表中的车辆的id。

对于本次拍摄的图像中、未与跟踪车辆列表中的任何跟踪车辆存在关联关系的车辆，若本次拍摄的图像为该相机传感器拍摄的首帧图像，直接记录该周边车辆出现次数，初始值为1。

若本次拍摄的图像不是该相机传感器拍摄的首帧图像，则将本次拍摄的图像中、未与跟踪车辆列表中的任何跟踪车辆存在关联关系的周边车辆(为了便于说明，记为a)的图像信息与该相机传感器上一次拍摄的图像进行比对，以确定上一次拍摄的图像中是否存在该周边车辆a。若通过比对确定上一次拍摄的图像中不存在该周边车辆a，则直接记录该周边车辆出现次数，初始值为1。

若通过比对确定上一次拍摄的图像中存在该周边车辆a，则确定在上一次拍摄的图像中该周边车辆a对应的图像信息是否标记有关联标识，若未标记有关联标识，则将该周边车辆a的出现次数加1；若标记有关联标识，则将记录该周边车辆a的出现次数，初始值为1。

示例地，n可以根据实际使用场景进行设置，如设置为3。则，同一相机传感器连续3次拍摄的图像中出现同一周边车辆且该周边车辆未标记有关联标识，可以表示该周边车辆为新进入该相机传感器拍摄范围内的车辆，且该车辆出现频率稳定，因此，可以将该车辆增加至本车的跟踪车辆列表中，以在后续对该车辆进行跟踪。

可选地，当本车接收到一通信车辆发送的通信信息、且该通信信息中携带有该通信车辆的状态信息的检测值时，若该车辆不在本车的跟踪车辆列表中，则直接将该通信车辆增加至本车的跟踪车辆列表中，以在后续对该车辆进行跟踪，进一步完成本车需要跟踪的车辆，保证车辆跟踪的全面性。

可选地，在一实施例中，在获取到的目标跟踪车辆的状态信息的检测值表示该目标跟踪车辆在本车的跟踪范围之外时，若该检测值是通过目标跟踪车辆发送的通信消息确定出的，则直接将该目标跟踪车辆从车辆列表中移除，若该检测值是通过本车的相机传感器拍摄的图像确定出的，若该相机传感器拍摄的图像中连续出现m(其中，m为大于1的整数)次的检测值表示该目标跟踪车辆在本车的跟踪范围之外时，将该目标跟踪车辆从本车的跟踪车辆列表中移除。

在另一实施例中，若在一定时长内未接收到目标跟踪车辆的状态信息的检测值，将该目标跟踪车辆从本车的跟踪车辆列表中移除。由此，可以对本车的跟踪车辆列表进行实时、准确地管理，避免对不需要跟踪的车辆进行跟踪所造成的资源浪费，降低数据处理量。

可选地，所述方法还包括：

若连续获取到的所述目标跟踪车辆的状态信息的检测值为无效的次数超过第二预设阈值，进行报警，以提示用于产生所述检测值的相机传感器异常，或者与所述目标跟踪车辆的通信发生异常。

其中，当目标跟踪车辆的状态信息的检测值处于异常范围，且连续出现相同的检测值，或者获取的图像中全部或部分黑屏，或检测值对应的时间与当前时间之间的差值超过一阈值，确定对应的检测值无效。示例地，第二预设阈值可以基于实际使用场景进行设置。在该实施例中，可以根据目标跟踪车辆的状态信息的检测值的来源确定其对应的提示信息。若该检测值是通过通信信息确定出的，则可以提示与所述目标跟踪车辆的通信发生异常，若该检测值是通过相机传感器拍摄的图像确定出的，则可以提示用于产生所述检测值的相机传感器异常，从而可以便于用户及时知晓异常的检测，以及确定应对措施，提升用户使用体验。

可选地，所述方法还包括：

缓存最近预设时长内获取到的所述目标跟踪车辆的状态信息的检测值，且每个所述检测值关联有对应的检测时间。

示例地，若该状态信息的检测值是通过目标跟踪车辆发送的通信信息确定出的，则该检测值对应的检测时间可以为该目标跟踪车辆确定其状态信息的检测值的时间或是发送该通信信息的时间；若该状态信息的检测值是通过本车的相机传感器拍摄的图像确定出的，则该检测值对应的检测时间可以是该图像的拍摄时间。

其中，为了保证不同检测值对应时间的一致性，在确定时间时，目标跟踪车辆及本车可以同时采用gps(globalpositioningsystem，全球定位系统)中提供的时间戳，基于gps中的公共卫星保证时间一致性。

若本次获取到的所述目标跟踪车辆的状态信息的检测值对应的检测时间晚于上次获取到的所述目标跟踪车辆的状态信息的检测值对应的检测时间，则执行所述响应于获取到的所述检测值，根据所述检测值和最近一次确定出的所述预测值，基于所述顺序卡尔曼滤波模型获得所述目标跟踪车辆的状态信息的新的跟踪值的步骤。

其中，本次获取到的目标跟踪车辆的状态信息的检测值对应的检测时间晚于上次获取到的目标跟踪车辆的状态信息的检测值对应的检测时间，表示该检测值的获取是顺序的，则此时，可以直接执行步骤13，以确定出状态信息的新的跟踪值。

通过上述技术方案，根据检测值对应的检测时间确定检测值是否是顺序的，只有在该检测值为顺序接收时，才会基于该检测值和最近一次确定的预测值对目标跟踪车辆的状态信息进行跟踪，从而可以有效避免检测值的无序接收对跟踪结果造成的影响，保证车辆跟踪的准确性。

可选地，所述方法还包括：

若本次获取到的所述目标跟踪车辆的状态信息的检测值对应的检测时间不晚于上次获取到的所述目标跟踪车辆的状态信息的检测值对应的检测时间，则根据所述最近预设时长内获取到的所述目标跟踪车辆的状态信息的检测值和最近一次确定出的所述预测值，基于所述顺序卡尔曼滤波模型获得所述目标跟踪车辆的状态信息的新的跟踪值，或通过前向预测和去相关算法确定所述目标跟踪车辆的状态信息的新的跟踪值。

其中，若本次获取到的目标跟踪车辆的状态信息的检测值对应的检测时间不晚于上次获取到的目标跟踪车辆的状态信息的检测值对应的检测时间，则可能是由于通信信息的传输、或者是相机传感器故障等造成检测信息的无序接收，此时，直接根据本次获取的检测值对目标跟踪车辆进行跟踪时，由于其检测值对应是该目标跟踪车辆之前的状态信息，则会导致状态信息的跟踪值偏离。

因此，在本公开的一示例性实施例中，可以根据最近预设时长内获取到的目标跟踪车辆的状态信息的检测值确定一综合检测值，从而根据该综合检测值和最近一次确定出的所述预测值，确定该新的跟踪值，从而有效降低无序的检测值对车辆跟踪结果的影响。

在本公开的另一实施例中，通过前向预测和去相关(forward-predictionfusionanddecorrelation，fpfd)算法确定所述目标跟踪车辆的状态信息的新的跟踪值，其中，前向预测和fpfd算法为现有技术，在此不再赘述。

因此，通过上述技术方案，在获取到的检测值无序时，可以对无序检测值进行处理，以有效降低无序检测值对跟踪结果的影响，保证车辆跟踪的准确性。

可选地，本公开中还可包括其他的传感器的测量值，如雷达、激光雷达、声纳等，通过顺序卡尔曼滤波器将上述传感器的测量值进行融合，其融合方法与上文所述相类似，在此不再赘述，从而可以进一步提高车辆跟踪的性能和稳健性。

本公开还提供一种车辆跟踪装置，如图3所示，所述装置10包括：

第一确定模块100，用于根据最近一次获得的目标跟踪车辆的状态信息的跟踪值，基于顺序卡尔曼滤波模型确定所述目标跟踪车辆的状态信息的预测值，其中，所述状态信息至少包括位置信息；

获取模块200，用于获取所述目标跟踪车辆的状态信息的检测值；

第二确定模块300，用于响应于获取到的所述检测值，根据所述检测值和最近一次确定出的所述预测值，基于所述顺序卡尔曼滤波模型获得所述目标跟踪车辆的状态信息的新的跟踪值。

可选地，所述装置10还包括：

第三确定模块，用于分别确定所述新的跟踪值与所述检测值之间的第一估计差、以及所述新的跟踪值和所述最近一次确定出的所述预测值之间的第二估计差；

第四确定模块，用于根据所述第一估计差和所述第二估计差确定所述顺序卡尔曼滤波模型的增益矩阵，以更新所述顺序卡尔曼滤波模型。

可选地，所述获取模块200包括：

接收子模块，用于接收与本车通信的所述目标跟踪车辆发送的通信信息，其中，所述通信信息包括所述目标跟踪车辆的状态信息的检测值。

可选地，所述获取模块200包括：

第一确定子模块，用于根据设置在本车上的相机传感器拍摄的图像确定所述目标跟踪车辆的状态信息的检测值。

可选地，所述图像中包含多个周边车辆的图像信息；

所述第一确定子模块，包括：

第二确定子模块，用于从所述多个周边车辆中确定与所述目标跟踪车辆相匹配的周边车辆，其中，与所述目标跟踪车辆相匹配的周边车辆为与所述目标跟踪车辆的车辆类型信息一致的周边车辆，所述车辆类型信息至少包括车辆颜色或车辆型号；

第三确定子模块，用于根据所述图像，确定与所述目标跟踪车辆相匹配的各个所述周边车辆的状态信息的检测值；

第四确定子模块，用于分别确定所述目标跟踪车辆的最近一次的状态信息的预测值和与所述目标跟踪车辆相匹配的各个所述周边车辆的状态信息的检测值之间的差异，并对各个所述差异进行归一化，以获得所述目标跟踪车辆对应的各个标准差异；

第五确定子模块，用于在存在小于第一预设阈值的标准差异的情况下，则将最小标准差异对应的周边车辆的状态信息的检测值确定为所述目标跟踪车辆的状态信息的检测值。

可选地，所述装置10还包括：

关联模块，用于在存在小于第一预设阈值的标准差异的情况下，将最小标准差异对应的周边车辆与所述目标跟踪车辆相关联，所述目标跟踪车辆为本车的跟踪车辆列表中记录的跟踪车辆之一。

可选地，所述装置10还包括：

添加模块，用于在同一相机传感器拍摄的连续n张所述图像中均包含同一周边车辆的图像信息，且该周边车辆未与所述跟踪车辆列表中的任何跟踪车辆存在关联关系的情况下，将该周边车辆添加至所述跟踪车辆列表中，其中，n为正整数，且n>1。

可选地，所述相机传感器为多个。

可选地，所述装置10还包括：

报警模块，用于在连续获取到的所述目标跟踪车辆的状态信息的检测值为无效的次数超过第二预设阈值的情况下，进行报警，以提示用于产生所述检测值的相机传感器异常，或者与所述目标跟踪车辆的通信发生异常。

可选地，所述装置10还包括：

缓存模块，用于缓存最近预设时长内获取到的所述目标跟踪车辆的状态信息的检测值，且每个所述检测值关联有对应的检测时间；

所述第二确定模块用于在本次获取到的所述目标跟踪车辆的状态信息的检测值对应的检测时间晚于上次获取到的所述目标跟踪车辆的状态信息的检测值对应的检测时间的情况下，执行所述响应于获取到的所述检测值，根据所述检测值和最近一次确定出的所述预测值，基于所述顺序卡尔曼滤波模型获得所述目标跟踪车辆的状态信息的新的跟踪值的步骤。

可选地，所述装置10还包括：

第五确定模块，用于在本次获取到的所述目标跟踪车辆的状态信息的检测值对应的检测时间不晚于上次获取到的所述目标跟踪车辆的状态信息的检测值对应的检测时间的情况下，根据所述最近预设时长内获取到的所述目标跟踪车辆的状态信息的检测值和最近一次确定出的所述预测值，基于所述顺序卡尔曼滤波模型获得所述目标跟踪车辆的状态信息的新的跟踪值，或通过前向预测和去相关算法确定所述目标跟踪车辆的状态信息的新的跟踪值。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图4是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图4，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1922可以被配置为执行该计算机程序，以执行上述的车辆跟踪方法。

另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm等等。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的车辆跟踪方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的车辆跟踪方法。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。