对象的跟踪方法、装置和车辆与流程

1.本发明涉及车辆领域，具体而言，涉及一种对象的跟踪方法、装置和车辆。


背景技术：

2.在实际的交通环境中，车辆所处环境比较复杂。为了满足车辆的自动避障和路径规划，需从大量的目标数据中筛选出有效目标，建立对应的航迹管理，并准确地获得车辆的状态信息，实时进行多目标跟踪。
3.卡尔曼滤波因为速度快、易于实现等特点被广泛应用于雷达目标跟踪体系中，但对于非线性、非高斯场景的处理能力相对较差，在相关技术中，对于目标跟踪中的非线性场景，通常跟踪偏差大，无法得到良好的跟踪效果，存在无法对对象进行有效跟踪的技术问题。
4.针对上述对于目标跟踪中的非线性场景无法对对象进行有效跟踪的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种对象的跟踪方法、装置和车辆，以至少解决对于目标跟踪中的非线性场景无法对对象进行有效跟踪的技术问题。
6.根据本发明实施例的一个方面，提供了一种对象的跟踪方法。该方法可以包括：获取待跟踪的目标对象在第一时刻的第一状态信息；基于非线性模型对第一状态信息进行滤波处理，得到多个维度的状态特征，其中，非线性模型为基于与第一状态信息的预测误差和检测误差对应的滤波参数而建立；基于多个维度的状态特征确定目标对象在第二时刻的第二状态信息，其中，第二时刻为第一时刻之后的时刻；基于第二状态信息对目标对象进行跟踪，得到跟踪结果。
7.可选地，获取目标对象在第一时刻的属性数据；基于属性数据确定预测误差和检测误差。
8.可选地，基于属性数据确定预测误差，包括：对属性数据中的异常数据进行过滤；基于目标对象对应的时间序列和过滤后的属性数据，确定预测误差，其中，时间序列包括目标对象多次出现的时间。
9.可选地，基于属性数据确定检测误差，包括：对属性数据中的异常数据进行过滤；基于过滤后的属性数据与对应的目标属性数据之间的差值，确定检测误差。
10.可选地，基于多个维度的状态特征确定目标对象在第二时刻的第二状态信息，包括：建立与多个维度的状态特征对应的目标矩阵，其中，目标矩阵用于表示多个维度的状态特征与目标状态序列的特征之间的差异，目标状态序列包括目标对象的多种目标状态信息；对目标矩阵进行匹配，得到第二状态信息。
11.可选地，对目标矩阵进行匹配，得到第二状态信息，包括：确定存在与目标矩阵匹配上的目标状态序列，对第一状态信息进行卡尔曼滤波，得到第二状态信息；确定未存在与
目标矩阵匹配上的目标状态序列，基于非线性模型将第一状态信息更新为第二状态信息，或基于新建的目标状态序列确定第二状态信息。
12.可选地，对第一状态信息进行卡尔曼滤波，得到第二状态信息，包括：基于非线性模型对第一状态信息进行卡尔曼滤波，得到第二状态信息，其中，非线性模型对应的检测误差为基于目标对象与车辆之间的距离进行修正。
13.可选地，基于第二状态信息对目标对象进行跟踪，得到跟踪结果，包括：基于第二状态信息确定目标对象的运动信息和/或目标对象的位置信息，其中，跟踪结果包括运动信息和/或位置信息。
14.根据本发明实施例的另一方面，还提供了一种对象的跟踪装置。该装置可以包括：获取单元，用于获取待跟踪的目标对象在第一时刻的第一状态信息；滤波单元，用于基于非线性模型对第一状态信息进行滤波处理，得到多个维度的状态特征，其中，非线性模型为基于与第一状态信息的预测误差和检测误差对应的滤波参数而建立；确定单元，用于基于多个维度的状态特征确定目标对象在第二时刻的第二状态信息，其中，第二时刻为第一时刻之后的时刻；跟踪单元，用于基于第二状态信息对目标对象进行跟踪，得到跟踪结果。
15.根据本发明实施例的另一方面，还提供了一种车辆。该车辆用于执行本发明实施例的对象的跟踪方法。
16.在本发明实施例中，获取待跟踪的目标对象在第一时刻的第一状态信息；基于非线性模型对第一状态信息进行滤波处理，得到多个维度的状态特征，其中，非线性模型为基于与第一状态信息的预测误差和检测误差对应的滤波参数而建立；基于多个维度的状态特征确定目标对象在第二时刻的第二状态信息，其中，第二时刻为第一时刻之后的时刻；基于第二状态信息对目标对象进行跟踪，得到跟踪结果。也就是说，本发明采用非线性模型，对目标对象的状态信息进行滤波处理，充分考虑目标对象各个维度的状态特征信息，以得到基于检测信息与预测信息融合得到更准确的目标对象的实时状态信息，进而解决了对于目标跟踪中的非线性场景无法对对象进行有效跟踪的技术问题。
附图说明
17.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
18.图1是根据本发明实施例的一种对象的跟踪方法的流程图；
19.图2是根据本发明实施例的一种滤波自适应参数计算方法的示意图；
20.图3是根据本发明实施例的一种预测误差计算方法的示意图；
21.图4是根据本发明实施例的一种检测误差计算方法的示意图；
22.图5是根据本发明实施例的一种对象的跟踪装置的示意图。
具体实施方式
23.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范
围。
24.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
25.实施例1
26.根据本发明实施例，提供了一种对象的跟踪的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
27.图1是根据本发明实施例的一种对象的跟踪方法的流程图，如图1所示，该方法可以包括如下步骤：
28.步骤s1，获取待跟踪的目标对象在第一时刻的第一状态信息。
29.在本发明上述步骤s1提供的技术方案中，在第一时刻，获取待跟踪的目标对象的第一状态信息。其中，第一时刻可以表示为t-1时刻，待跟踪的目标对象可以包括障碍物等，第一状态信息可以为状态量信息，状态量信息可以包括目标对象的尺寸、中心点、朝向角度、速度分量以及加速度分量和角速度等信息，此处仅作举例说明，不做具体限定。
30.可选地，目标对象的尺寸可以包括目标对象的长宽高{l，w，h}，目标对象的中心点可以包括目标对象的中心点坐标{x，y，z}，目标对象的速度分量可以包括目标对象在中心点不同方向的速度分量{vx，vy}，目标对象的加速度分量可以包括目标对象在中心点不同方向的加速度分量{ax，ay}。
31.可选地，获取待跟踪的目标对象在第一时刻的第一状态信息还可以包括：获取目标对象在第一时刻的属性数据；基于属性数据确定预测误差和检测误差。其中，属性数据可以是真值数据和/或检测数据，真值数据可以是图像帧各个状态量的标注数据真值，可以包括障碍物的序号、尺寸信息以及位姿信息等；检测数据可以是图像帧各个状态量的检测数据，可以包括障碍物的序号、尺寸信息以及位姿信息等。
32.可选地，可以对获取的目标对象在第一时刻的属性数据中的异常数据进行过滤，基于目标对象对应的时间序列和过滤后的属性数据，确定预测误差，其中，时间序列包括目标对象多次出现的时间，可以是一个障碍物对应一条时间序列的轨迹。
33.可选地，可以对获取的目标对象在第一时刻的属性数据中的异常数据进行过滤，基于过滤后的属性数据与对应的目标属性数据之间的差值，确定检测误差，其中，目标属性数据可以是真值标注文件，过滤后的属性数据与对应的目标属性数据之间的差值可以是检测信息与真值信息之间的差值。
34.步骤s2，基于非线性模型对第一状态信息进行滤波处理，得到多个维度的状态特征，其中，非线性模型为基于与第一状态信息的预测误差和检测误差对应的滤波参数而建立。
35.在本发明上述步骤s2提供的技术方案中，基于非线性模型对第一状态信息进行滤波处理，以得到多个维度的状态特征，非线性模型可以为非线性运动模型，多个维度的状态特征可以为各个维度状态特征。
36.可选地，基于非线性模型进行滤波处理可以包括采用非线性运动模型进行自适应滤波状态预测和/或自适应滤波状态更新。
37.步骤s3，基于多个维度的状态特征确定目标对象在第二时刻的第二状态信息。
38.在本发明上述步骤s3的技术方案中，基于多个维度的状态特征确定目标对象在第二时刻的第二状态信息，包括：建立与多个维度的状态特征对应的目标矩阵，对目标矩阵进行匹配，得到第二状态信息。其中，第二时刻可以为t时刻，第二状态信息可以为状态量信息，状态量信息可以包括尺寸、中心点、朝向角度、速度分量以及加速度分量和角速度等信息，此处仅作举例说明，不做具体限定。
39.可选地，目标矩阵用于表示多个维度的状态特征与目标状态序列的特征之间的差异，可以是关联矩阵，目标状态序列包括目标对象的多种目标状态信息，可以是跟踪序列中存放的多个目标状态量信息或检测序列中的多个目标状态量信息，目标状态序列的特征可以是跟踪序列预测值的特征。
40.可选地，对目标矩阵进行匹配可以是对目标矩阵采用匹配算法进行基于误差结合距离特征匹配计算，从而得到第二状态信息。
41.步骤s4，基于第二状态信息对目标对象进行跟踪，得到跟踪结果。
42.在本发明上述步骤s4技术方案中，可以通过第二状态信息确定目标对象的相关信息从而得到跟踪结果，其中，跟踪结果包括运动信息和/或位置信息。
43.可选地，经过自适应滤波得到方差更小的当前时刻的障碍物的状态信息，从而进行下一帧的跟踪循环。重复上述更新过程，可以实时得到噪声小、准确的障碍物的速度位置信息，从而为后续车辆的自动避障和路径规划提供信息依据。
44.下面对该实施例的上述方法进行进一步介绍。
45.作为一种可选的实施例方式，步骤s1，获取待跟踪的目标对象在第一时刻的第一状态信息，包括：获取目标对象在第一时刻的属性数据；基于属性数据确定预测误差和检测误差。
46.在该实施例中，获取目标对象在第一时刻的属性数据，基于属性数据确定预测误差和检测误差，其中，属性数据可以是真值数据和/或检测数据，真值数据可以是图像帧各个状态量的标注数据真值，可以包括障碍物的序号、尺寸信息以及位姿信息等；检测数据可以是图像帧各个状态量的检测数据，可以包括障碍物的序号、尺寸信息以及位姿信息等。
47.可选地，可以根据目标检测结果得到单个目标检测状态量信息，{l
m-1
，w
m-1
，h
m-1
}表示障碍物的尺寸，{x
m-1
，y
m-1
，z
m-1
}表示障碍物的中心点，yaw
m-1
表示障碍物的朝向角度，其中，下标
m-1
表示t-1时刻的检测结果。
48.可选地，可以在跟踪序列中存放单个目标状态量信息，{l
t-1
，w
t-1
，h
t-1
}表示障碍物的尺寸，{x
t-1
，y
t-1
，z
t-1
}表示障碍物的中心点，yaw
t-1
表示障碍物的朝向角度，{vx
t-1
，vy
t-1
}表示障碍物的速度分量，{ax
t-1
，ay
t-1
}表示障碍物的加速度分量，ω
t-1
表示障碍物的角速度，其中，下标
t-1
表示t-1时刻的跟踪结果。
49.可选地，基于非线性运动模型，根据在第一时刻获取的第一状态信息，计算各个状
态量的预测值：
50.l
t_
＝l
t-1
+q
l
51.w
t_
＝w
t-1
+qw52.h
t_
＝h
t-1
+qh[0053][0054][0055]zt_
＝z
t-1
+qz[0056]
yaw
t_
＝yaw
t-1
+ω
t-1
×
δt+q
yaw
[0057]
vx
t_
＝vx
t-1
+ax
t-1
×
δt+q
vx
[0058]
vy
t_
＝vy
t-1
+ay
t-1
×
δt+q
vy
[0059]
ax
t_
＝ax
t-1
+q
ax
[0060]
ayt
_
＝ay
t-1
+q
ay
[0061]
ω
t_
＝ω
t-1
+q
ω
ꢀꢀꢀ
(1)
[0062]
在上述公式(1)式中，{l
t_
，w
t_
，h
t_
}表示障碍物的尺寸的预测数值，{x
t_
，y
t_
，z
t_
}表示障碍物的中心点的预测数值，yaw
t_
表示障碍物的朝向角度的预测数值，{vx
t_
，vy
t_
}表示障碍物的速度的预测数值，{ax
t_
，ay
t_
}表示障碍物的加速度的预测数值，ω
t_
表示障碍物的角速度，下标
t_
表示各个状态量的预测数值，q表示各个状态的噪声。
[0063]
可选地，对于公式(1)式，为了防止分母出现0的情况，进行一次判断，如果cos(yaw
t-1
)或sin(yaw
t-1
)的绝对值小于一定的阈值，则为这两个数值加上一个小的数值，使分母不为0。
[0064]
可选地，计算预测误差包括：加载真值数据，根据障碍物类型对不同障碍物进行分类，针对不同障碍物分别计算，通过统计数据真值中的异常数值进行过滤，同时针对真值设置区域范围，只有在区域范围内的数据才有效，并进行计算：
[0065]ql
＝l
t_-l
t-1
[0066]qw
＝w
t-‑wt-1
[0067]
qh＝h
t_-h
t-1
[0068]
[0069][0070]
qz＝z
t_-z
t-1
[0071]qyaw
＝yaw
t_-yaw
t-1-ω
t-1
×
δt≈yaw
t_-yaw
t-1-(yaw
t-1-yaw
t-2
)
[0072]qvx
＝vx
t_-vx
t-1-ax
t-1
×
δt≈vx
t_-vx
t-1-(vx
t-1-vx
t-2
)
[0073]qvy
＝vy
t_-vy
t-1-ay
t-1
×
δt≈vy
t_-vy
t-1-(vy
t-1-vy
t-2
)
[0074]qax
＝ax
t_-ax
t-1
[0075]qay
＝ay
t_-ay
t-1
[0076]qω
＝ω
t_-ω
t-1
ꢀꢀꢀ
(2)
[0077]
在上述公式(2)式中，q表示各个状态量前后帧差值的差值。
[0078]
可选地，通过标注序号将同一个障碍物的所有时间串联，最终形成的数据格式为一个障碍物对应一条时间序列的轨迹，排查真值的序号查看障碍物的时间是否是连续的，防止因为遮挡造成的数据标注真值的丢失，对前后帧差值的差值进行方差计算得到各个状态量的预测误差：
[0079]ql
＝var(q
l
)
[0080]qw
＝var(qw)
[0081]
qh＝var(qh)
[0082]qx
＝var(q
x
)
[0083]
qy＝var(qy)
[0084]
qz＝var(qz)
[0085]qyaw
＝var(q
yaw
)
[0086]qvx
＝var(q
vx
)
[0087]qvy
＝var(q
vy
)
[0088]qax
＝var(q
ax
)
[0089]qay
＝var(q
ay
)
[0090]qω
＝var(q
ω
)
ꢀꢀꢀ
(3)
[0091]
在上述公式(3)式中q表示各个状态量的预测误差。
[0092]
可选地，计算检测误差包括：加载检测数据，根据障碍物类型对不同障碍物进行分类，针对不同障碍物分别计算，通过统计检测数据中的异常数值进行过滤，同时加载gt真值数据，比较相同帧数的数据，保留检测数据与真值数据相同时间戳的数据，匹配同一帧相同时间戳的检测数据与真值数据。
[0093]
可选地，匹配同一帧相同时间戳的检测数据与真值数据包括：针对检测设置区域范围，只有在区域范围内的数据才有效，并进行计算；针对检测数据与真值数据计算各个障碍物马氏距离，形成度量矩阵，最后进行匈牙利匹配；得到匹配结果，分别存储匹配上的真值数据和检测数据；对存储的真值数据和检测数据进行门限限定，删除马氏距离大于一定阈值且匹配上的检测真值数据对，计算相同帧检测信息与真值信息之间的差值：
[0094][0095][0096][0097][0098]
在上述公式(4)式中，表示的是第k帧的l标注数据真值，其余变量同理；表示的是第k帧的l检测数据，其余变量同理。
[0099]
可选地，计算检测信息与真值信息之间差值的方差：
[0100][0101][0102][0103][0104][0105][0106][0107][0108][0109][0110]
在上述公式(5)式中，r
l
表示的是l的检测误差，其余变量同理。
[0111]
作为一种可选的实施例方式，步骤s2，基于非线性模型对第一状态信息进行滤波处理，得到多个维度的状态特征，其中，非线性模型为基于与第一状态信息的预测误差和检测误差对应的滤波参数而建立。
[0112]
可选地，基于非线性模型进行滤波处理可以包括采用非线性运动模型进行自适应滤波状态预测和/或自适应滤波状态更新。
[0113]
可选地，采用非线性运动模型进行自适应滤波状态预测包括：初始化雅可比矩阵ja，基于雅可比矩阵对各个状态量进行求导，计算状态协方差。
[0114]
可选地，初始化雅可比矩阵ja为(12
×
12)的单位阵，当角速度ω
t-1
不为0时，雅可比矩阵ja计算方式：
[0115][0116][0117][0118][0119][0120][0121][0122]
ja(7，8)＝ja(9，11)＝ja(10，12)＝δt
ꢀꢀ
(6)
[0123]
q＝(q
l
，qw，qh，q
x
，qy，qz，q
yaw
，q
vx
，q
vy
，q
ax
，q
ay
，q
ω
)
ꢀꢀ
(7)
[0124]
在上述公式(6)式中，ja表示状态转移矩阵；在上述公式(7)式中，q表示预测误差。
[0125]
可选地，基于雅可比矩阵计算状态协方差，将雅可比矩阵带入(8)式：
[0126][0127]
可选地，当角速度为0时，取一个极小值。
[0128]
作为一种可选的实施例方式，步骤s3，基于多个维度的状态特征确定目标对象在第二时刻的第二状态信息，其中，第二时刻为第一时刻之后的时刻。
[0129]
可选地，第二时刻可以为t时刻，第二状态信息可以为状态量信息，状态量信息可以包括尺寸、中心点、朝向角度、速度分量以及加速度分量和角速度等信息。
[0130]
作为一种可选的实施例方式，基于多个维度的状态特征确定目标对象在第二时刻的第二状态信息，包括：建立与多个维度的状态特征对应的目标矩阵，对目标矩阵进行匹配，得到第二状态信息。
[0131]
可选地，建立与多个维度状态特征对应的目标矩阵，可以包括：计算各个维度状态特征的关联矩阵：
[0132]
假设在第t帧检测模型检测出(i)个障碍物，当前有(j)个跟踪序列，最终可以得到
一个(i
×
j)的m矩阵：
[0133][0134]
在上述公式(9)式中，m
ij
表示第(i)个障碍物，与第(j)个跟踪序列的特征差异，该数值越大越好。
[0135]
设置观测转移矩阵为h：
[0136][0137]
状态量的观测模型为：
[0138]
r＝(r
l
，rw，rh，r
x
，ry，rz，r
yaw
，r
vx
，r
vy
，r
ω
)
[0139]ot
(j)＝h
×
μ
t_
(j)
[0140]st
(j)＝h
×
p
t
(j)
×
h-+r
ꢀꢀꢀꢀ
(11)
[0141]
在上述公式(11)式中，r表示检测系统误差，μ
t_
(j)表示状态量的预测值，s
t
(j)表示计算中间变量。
[0142]
可选地，计算检测障碍物与跟踪序列预测值的特征距离maha(i，j)：
[0143][0144]mij
＝maha(i，j)
ꢀꢀꢀꢀ
(12)
[0145]
在上述公式(12)式中，maha(i，j)特征距离表示的是两个障碍物的特征的差异，此数值越小越好；me
t
表示状态量的检测值。
[0146]
作为一种可选的实施例方式，对目标矩阵采用匹配算法进行基于误差结合距离特征匹配计算，得到第二状态信息，包括：确定存在与目标矩阵匹配上的目标状态序列，对第一状态信息进行卡尔曼滤波，得到第二状态信息；确定未存在与目标矩阵匹配上的目标状态序列，基于非线性模型将第一状态信息更新为第二状态信息，或基于新建的目标状态序列确定第二状态信息。
[0147]
可选地，确定存在与目标矩阵匹配上的目标状态序列，基于非线性模型对第一状态信息进行卡尔曼滤波，得到第二状态信息。其中，对第一状态进行卡尔曼滤波可以是对第一状态进行自适应扩展卡尔曼滤波更新，非线性模型对应的检测误差是基于目标对象与车辆之间的距离进行修正，可以是检测误差进行自适应修正，满足障碍物在不同范围内参数的自适应调整。
[0148]
可选地，对于匹配上的结果采用自适应扩展卡尔曼滤波更新过程，包括：检测误差进行自适应修正；采用非线性运动模型进行自适应扩展卡尔曼滤波状态更新得到状态预测量，进行更新过程计算状态量检测值。
[0149]
可选地，对于匹配上的结果采用自适应扩展卡尔曼滤波更新过程，包括：检测误差进行自适应修正；采用非线性运动模型进行自适应扩展卡尔曼滤波状态更新得到状态预测量，进行更新过程计算状态量检测值。
[0150]
可选地，检测误差进行自适应修正包括：通过匹配之后，计算测量状态量的分速度{vxm，vym}：
[0151][0152][0153]
可选地，采用自适应方案进行修正测量方差r，测量方差r与障碍物距离自车范围相关，假设障碍物距离自车的范围用range来表示，障碍物距离自车范围越大，则测量方差r越大，表示测量误差的不准确性越大，其中参数range_limit与thres表示测量误差的限制参数，通过测试可以获取；
[0154][0155]
在上述公式(15)式中，r
improve
表示检测误差自适应修正参数。
[0156]
可选地，采用非线性运动模型进行自适应扩展卡尔曼滤波状态更新得到μ
t
，进行更新过程计算的测量状态量的为me
t
，其中μ
t
＝{l
t
，w
t
，h
t
，x
t
，y
t
，z
t
，yaw
t
，vx
t
，vy
t
，ax
t
，ay
t
，ω
t
}，me
t
＝{lm，wm，hm，xm，ym，zm，yawm，vxm，vym}：
[0157]kt
＝p
t_ht
(hp
t_ht
+r+r
improve
)-1
ꢀꢀ
(16)
[0158]
μ
t
＝μ
t_
+k
t
(me
t-h
×
μ
t_
)
ꢀꢀ
(17)
[0159]
p
t
＝(i-k
t
h)p
t_
ꢀꢀ
(18)
[0160]
在上述公式(16)式中，k表示卡尔曼增益；在上述公式(18)式中，i表示单位矩阵。
[0161]
可选地，确定未存在与目标矩阵匹配上的目标状态序列，基于非线性模型将第一状态信息更新为第二状态信息，或基于新建的目标状态序列确定第二状态信息。其中，新建目标状态序列可以是新建跟踪序列或新建轨迹初始化。
[0162]
可选地，确定未存在与目标矩阵匹配上的目标状态序列，包括未匹配上的跟踪序列和未匹配上的检测序列。
[0163]
作为一种可选的实施例方式，步骤s4，基于第二状态信息对目标对象进行跟踪，得到跟踪结果，包括：通过第二状态信息确定目标对象的运动信息和/或目标对象的位置信息。
[0164]
可选地，经过自适应滤波得到方差更小的当前时刻的障碍物的状态信息{l
t
，w
t
，h
t
，x
t
，y
t
，z
t
，yaw
t
，vx
t
，vy
t
，ax
t
，ax
t
，ω
t
}，基于得到的当前时刻状态信息再次进行自适应滤波状态预测，从而进行下一帧的跟踪循环。重复上述更新过程，可以实时得到噪声小、准确的障碍物的速度位置信息。
[0165]
该实施例通过获取待跟踪的目标对象在第一时刻的第一状态信息；基于非线性模型对第一状态信息进行滤波处理，得到多个维度的状态特征；基于多个维度的状态特征确定目标对象在第二时刻的第二状态信息；基于第二状态信息对目标对象进行跟踪，得到跟踪结果。也就是说，本发明采用非线性模型，对目标对象的状态信息进行滤波处理，充分考虑障碍物的各个维度的状态特征信息，以得到基于检测信息与预测信息融合得到的更准确
的目标对象的实时状态信息，从而实现提高非线性场景对象跟踪的有效性的技术效果，解决了对于目标跟踪中的非线性场景无法对对象进行有效跟踪的技术问题。
[0166]
实施例2
[0167]
下面结合优选的实施方式对本发明实施例的技术方案进行举例说明。
[0168]
在实际的交通环境中，车辆所处环境比较复杂。为了满足车辆的自动避障和路径规划，需从大量的目标数据中筛选出有效目标，建立对应的航迹管理，并准确地获得车辆的状态信息，实时进行多目标跟踪。
[0169]
在相关技术中，一般采用卡尔曼滤波、粒子滤波等比较经典的滤波方法来估计目标的运动信息和位置信息，但对于非线性、非高斯场景的处理能力相对较差，在实际中遇到非线性问题时，跟踪偏差大，无法得到良好的跟踪效果。
[0170]
为了解决上述问题，本发明基于恒定转动率和速度运动模型，采用滤波算法，利用自适应扩展卡尔曼滤波进行障碍物运动估计，采用(交并比损失函数，简称为iou)误差、方向误差与马氏距离加权值进行数据关联，满足障碍物在不同的范围内参数的自适应调整，使得障碍物的运动信息和位置信息更加准确；同时基于误差结合距离特征计算的匹配，充分考虑障碍物的各个维度的特征信息，使得不同障碍物之间的特征差距变大，匹配效果更好，最终通过启发式的规则进行航迹管理。
[0171]
在该实施例中，图2是根据本发明实施例的一种滤波自适应参数计算方法的示意图，如图2所示，该方法可以包括以下步骤：
[0172]
步骤s2010，获取t-1时刻的状态信息。
[0173]
可选地，t-1时刻的状态信息可以包括目标尺寸、中心点、朝向角、速度分量、加速度分量以及角速度信息。
[0174]
步骤s2020，对获取的t-1时刻的状态信息采用非线性运动模型进行自适应滤波状态预测。
[0175]
可选地，对获取的t-1时刻的状态信息采用非线性运动模型进行自适应滤波状态预测可以包括各个状态量的预测值的计算以及各个状态量预测误差和检测误差的计算。
[0176]
步骤s2030，获取t时刻检测模型的信息。
[0177]
可选地，t时刻检测模型的信息可以包括尺寸、位置、朝向角等信息。
[0178]
步骤s2040，进行关联矩阵各个维度状态特征之间的计算。
[0179]
可选地，关联矩阵各个维度状态特征之间的计算可以包括检测障碍物与跟踪序列预测值的特征距离的计算，特征距离表示的是两个障碍物的特征的差异，此数值越小越好。
[0180]
步骤s2050，匹配计算。
[0181]
可选地，将计算结果同获取的t时刻的检测模型的信息进行匹配计算可以是对于关联矩阵采用匹配算法进行计算，优化的目标为找到最多的匹配对数，同时使得权值总和最大。
[0182]
可选地，采用启发式规则对匹配得到的最终结果进行处理。
[0183]
步骤s2051，检测误差根据距离进行自适应修正。
[0184]
可选地，基于匹配上的数据对检测误差根据特征距离进行自适应修正。
[0185]
步骤s2052，采用非线性运动模型进行自适应滤波状态更新。
[0186]
可选地，通过匹配之后计算测量状态量的分速度和检测误差自适应修正参数，从
而采用非线性运动模型进行自适应扩展卡尔曼滤波状态更新得到状态量的预测值和状态量的检测值。
[0187]
步骤s2053，没有匹配上的跟踪序列。
[0188]
步骤s2054，进行次数累加，与设定阈值进行判断。
[0189]
可选地，对于没有匹配上的跟踪序列进行次数累加，与预设的阈值进行比较，判断是否大于阈值。
[0190]
步骤s2055，采用非线性运动模型进行状态更新。
[0191]
步骤s2056，对此跟踪序列进行删除。
[0192]
可选地，对于未匹配的跟踪序列采用非线性运动模型进行更新，直到未更新的时间或者次数大于设定的阈值，则将其轨迹删除，防止误检过多为后端决策规划带来问题。
[0193]
步骤s2057，对于没有匹配上的检测序列。
[0194]
步骤s2058，新建跟踪序列。
[0195]
可选地，对于未匹配的检测序列，为其新建轨迹初始化。
[0196]
步骤s2059，获得t时刻的状态信息，包括目标尺寸、中心点、朝向角、速度、加速度以及角速度信息。
[0197]
在该实施例中，图3是根据本发明实施例的一种预测误差计算方法的示意图，如图3所示，该方法可以包括以下步骤：
[0198]
步骤s301，加载真值标注文件。
[0199]
可选地，真值标注文件可以为真值数据，可以包括障碍物的序号，尺寸信息以及位姿信息等。
[0200]
步骤s302，对障碍物按照类别划分。
[0201]
可选地，根据障碍物类型对不同障碍物进行分类，针对不同障碍物分别计算。
[0202]
步骤s303，根据尺寸、速度、加速度信息进行异常值过滤。
[0203]
可选地，对统计数据真值中的异常数值进行过滤，同时针对真值设置区域范围，只有在区域范围内的数据才有效，并进行计算。
[0204]
步骤s304，按照标注序号构建轨迹，把相同id的障碍物放在一块。
[0205]
可选地，通过标注序号将同一个障碍物的所有时间串联，最终形成的数据格式为一个障碍物对应一条时间序列的轨迹。
[0206]
步骤s305，对轨迹进行插值计算。
[0207]
可选地，排查真值的序号查看障碍物的时间是否是连续的，防止因为遮挡造成的数据标注真值的丢失。
[0208]
步骤s306，求解前后帧之间的差值计算。
[0209]
步骤s307，求解各个类型方差q。
[0210]
可选地，q可以表示各个状态量的预测误差。
[0211]
在该实施例中，图4是根据本发明实施例的一种检测误差计算方法的示意图，如图4所示，该方法可以包括以下步骤：
[0212]
步骤s4010，加载dt检测信息文件。
[0213]
可选地，检测信息文件可以是图像帧各个状态量的检测数据，可以包括障碍物的序号、尺寸信息以及位姿信息等。
[0214]
步骤s4020，对障碍物按照类别划分。
[0215]
可选地，根据障碍物类型对不同障碍物进行分类，针对不同障碍物分别计算。
[0216]
步骤s4030，根据尺寸、速度、加速度信息进行异常值过滤。
[0217]
可选地，通过该统计检测数据中的异常数值进行过滤。
[0218]
步骤s4040，加载gt真值标注文件。
[0219]
可选地，真值标注文件可以为真值数据，可以包括障碍物的序号，尺寸信息以及位姿信息等。
[0220]
步骤s4050，将相同时间戳的数值保留下来。
[0221]
可选地，比较相同帧数的数据，保留检测数据与真值数据相同时间戳的数据。
[0222]
步骤s4060，匹配。
[0223]
可选地，将同一帧相同时间戳的检测数据与真值数据进行匹配。
[0224]
步骤s4061，进行数据范围限制。
[0225]
可选地，针对检测信息文件设置区域范围，只有在区域范围内的数据才有效，并进行计算。
[0226]
步骤s4062，进行马氏距离计算。
[0227]
可选地，针对检测数据与真值数据计算各个障碍物马氏距离，形成度量矩阵。
[0228]
步骤s4063，匈牙利匹配。
[0229]
步骤s4070，得到匹配结果。
[0230]
可选地，得到匹配的结果，将匹配上的真值数据和检测数据分别存储下来。
[0231]
步骤s4080，进行门限限定，大于一定阈值的进行删除。
[0232]
可选地，对存储的真值数据和检测数据进行门限限定，删除马氏距离大于一定阈值且匹配上的检测真值数据对。
[0233]
步骤s4091，求解相同帧检测信息与真值信息之间的差值。
[0234]
步骤s4092，求解各个类型的方差。
[0235]
可选地，计算检测信息与真值信息之间差值的方差。
[0236]
本发明公开利用非线性模型，对于转弯变速的障碍物跟踪的效果好，针对不同障碍物，根据障碍物出现的时间以及在距离自车的距离采用自动实现参数调节，针对现有的确定性目标关联算法对小物体的关联准确度低等问题，采用基于误差以及马氏距离的数据关联计算，对于小物体匹配提高了关联的准确性，最终利用出现的次数等启发式规则进行障碍物的轨迹管理，减少障碍物的物件漏检率。同时，基于以往滤波经验的调参方法，费时费力，而且往往依靠工程师的工作经验，本专利发明一种滤波参数计算方法，可以有效准确地计算滤波中的检测误差以及预测误差，大大降低时间成本，以及提高准确率。
[0237]
实施例3
[0238]
根据本发明实施例，还提供了一种对象的跟踪装置。需要说明的是，该对象的跟踪装置可以用于执行实施例1中的对象的跟踪方法。
[0239]
图5是根据本发明实施例的一种对象的跟踪装置的示意图。如图5所示，该对象的跟踪装置50可以包括：获取单元501、滤波单元502、确定单元503和跟踪单元504。
[0240]
获取单元501，用于获取待跟踪的目标对象在第一时刻的第一状态信息。
[0241]
滤波单元502，用于基于非线性模型对第一状态信息进行滤波处理，得到多个维度
的状态特征，其中，非线性模型为基于与第一状态信息的预测误差和检测误差对应的滤波参数而建立；
[0242]
确定单元503，用于基于多个维度的状态特征确定目标对象在第二时刻的第二状态信息，其中，第二时刻为第一时刻之后的时刻；
[0243]
跟踪单元504，用于基于第二状态信息对目标对象进行跟踪，得到跟踪结果。
[0244]
可选地，获取单元501包括：第一处理模块，用于获取目标对象在第一时刻的属性数据；对属性数据中的异常数据进行过滤。
[0245]
可选地，第一处理模块包括：第一确定子模块，用于对获取的目标对象在第一时刻的属性数据中的异常数据进行过滤。
[0246]
可选地，获取单元501包括：第二处理模块，用于基于属性数据确定预测误差和检测误差。
[0247]
可选地，第二处理模块包括：第一处理子模块，用于基于目标对象对应的时间序列和过滤后的属性数据，确定预测误差。
[0248]
可选地，第二处理模块包括：第二处理子模块，用于基于过滤后的属性数据与对应的目标属性数据之间的差值，确定检测误差。
[0249]
在本发明实施例中，通过获取单元，获取待跟踪的目标对象在第一时刻的第一状态信息；通过滤波单元，基于非线性模型对第一状态信息进行滤波处理，得到多个维度的状态特征，其中，非线性模型为基于与第一状态信息的预测误差和检测误差对应的滤波参数而建立；通过确定单元，基于多个维度的状态特征确定目标对象在第二时刻的第二状态信息，其中，第二时刻为第一时刻之后的时刻；通过跟踪单元，基于第二状态信息对目标对象进行跟踪，得到跟踪结果，从而实现提高非线性场景对象跟踪的有效性的技术效果，解决了对于目标跟踪中的非线性场景无法对对象进行有效跟踪的技术问题。
[0250]
实施例4
[0251]
根据本发明实施例，还提供了一种计算机可读存储介质，该存储介质包括存储的程序，其中，所述程序执行实施例1中所述的对象的跟踪方法。
[0252]
实施例5
[0253]
根据本发明实施例，还提供了一种处理器，该处理器用于运行程序，其中，所述程序运行时执行实施例1中所述的对象的跟踪方法。
[0254]
实施例6
[0255]
根据本发明实施例，还提供了一种车辆，该车辆用于执行本发明实施例的对象的跟踪方法。
[0256]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0257]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0258]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连
接，可以是电性或其它的形式。
[0259]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0260]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0261]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0262]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。