始概率密度函数作为在下一时刻目标对象的第二 运动参数的概率密度函数。此外，固有运动参数可用于在估算时确定第二运动参数的取值 范围。
[0032] 以下将描述在步骤S104中估算在下一时刻目标对象的第二运动参数的概率密度 函数的一个示例。在本示例中，固定运动参数为具有目标对象的属性的物体在加速和制动 时能够达到的最大加速度、特征运动参数为目标对象速度和加速度的历史数据，并且第二 运动参数为在下一时刻目标对象的加速度。如本领域的技术人员所能够理解的，固定运动 参数、特征运动参数和第二运动参数的具体形式不限于此。在可替换的示例中，例如，固定 运动参数可包括具有目标对象的属性的物体能够达到的最大速度等参数。此外，特征运动 参数还可包括目标对象在当前帧中移动的距离等参数。
[0033] 如上所述，在步骤S104中，可首先根据特征运动参数，估算在下一时刻目标对象 的第二运动参数的初始概率密度函数。在本示例中，可根据所确定的目标对象在当前时刻 的速度和加速度估算的加速度的初始概率密度函数。具体地，可基于高斯分布模型，根据以 下公式（2)建立在给定当前时刻的速度vt的情况下，下一时刻目标对象的加速度at+1的概 率密度函数P(at+1|vt):
[0034]
[0035] 其中，Ufev)是加速度期望值，表示在给定速度vt的条件下，具有最大概率的加速 度。〇fev)是用于以上公式（2)估计的方差。可根据目标对象的加速度与速度的历史数据 利用例如期望值最大化（ExpectationMaximization)等算法来计算加速度期望值ii(a，v) 和估计的方差〇u，v)。图3是示出了根据公式（2)得到的在给定当前时刻的速度\的情况 下，下一时刻目标对象的加速度at+1的概率密度函数P(at+11vt)曲线的示意性说明图。
[0036] 此外，还可基于高斯分布模型，根据以下公式（3)建立在给定当前时刻的速度at 的情况下，下一时刻目标对象的加速度at+1的概率密度函数P(at+1|at):
[0037]
[0038] 其中，Ua为加速度期望均值，表示在给定加速度at的条件下，具有最大概率的加 速度。〇 3为用于以上公式⑶方差。与和〇u;v)类似地，可根据目标对象的加速度 与速度的历史数据利用例如期望值最大化（ExpectationMaximization)等算法来计算加 速度期望均值Ua和方差〇 a。
[0039] 可根据概率密度函数P(at+1|vt)和概率密度函数P(at+1at)获得初始概率密度函 数。根据本发明的一个示例，可利用混合高斯分布模型来根据概率密度函数P(at+1|vt)和概 率密度函数P(at+1|at)建立初始概率密度函数。
[0040] 此外，在本示例中，还可基于Logistic分布模型，根据以下公式（4)建立在给定邻 域距离d的情况下下一时刻目标对象的加速度at+1的概率密度函数P(at+11d)，以确定距离 d对于下一时刻目标对象的加速度at+1的影响：
[0041]
[0042] 其中，d是目标对象与邻域对象之间的距离，dthresh()ld是预先设定的距离阈值。 [0043] 然后，如上所述，根据目标对象与邻域对象之间的距离，调整初始概率密度函 数。在本示例中，根据以下公式（5)结合根据概率密度函数P(at+1|vt)和概率密度函数 P(at+11at)建立初始概率密度函数和概率密度函数P(at+11d)，以获得根据目标对象与邻域 对象之间的距离调整的、在下一时刻目标对象的加速度的概率密度函数P(at+1):
[0044]
[0045] 其中，aP(at+11at) + (1-a)P(at+11 Vt)是利用混合高斯分布模型建立的初始概率密 度函数，a是混合高斯分布模型的加权系数，k是归一化系数。13_是制动时目标对象能够 达到的最大加速度，是加速时目标对象能够达到的最大加速度。图4是示出了根据公 式（4)得到的在给定邻域距离d的情况下，下一时刻目标对象的加速度at+1的概率密度函 数P(at+1|d)曲线的示意性说明图。如图4所示，当距离d较大的时，P(at+1|d)的值接近1， 当如公式（5)将P(at+1|d)与初始概率密度函数相结合时，P(at+1|d)对初始概率密度函数的 调整幅度较小，也就是说，邻域对象对待测目标的影响小。另一方面，当距离d接近距离阈 值dtosh()ld或者小于距离阈值dthMsh()ld时，P(at+1|d)的值减小，当如公式（5)将P(at+1|d)与 初始概率密度函数相结合时，P(at+11d)对初始概率密度函数的调整幅度较大，也就是说，邻 域对象对待测目标的影响大。
[0046] 可根据公式（5)中所示的概率密度函数P(at+1)，构建在下一时刻目标对象的加速 度概率密度图（APDM)，并且可在给定的概率下，预测在下一时刻目标对象的加速度的范围。
[0047] 以上以第二运动参数为在下一时刻目标对象的加速度为例进行了描述，然而，在 本发明中，第二运动参数的具体形式不限于在下一时刻目标对象的加速度。根据本发明的 另一示例，还可根据所获得的加速度的概率密度函数P(at+1)，根据来预测目标对象在下一 时刻的速度。并且进一步地，可以根据估计的加速度及速度范围，预测目标对象在下一帧中 的位移范围，从而确定目标对象在下一帧的搜索区域。
[0048] 图5a是示出了根据传统算法得到的搜索区域的示例说明图。在图5a所示的示例 情形中，根据传统算法得到在下一帧的目标对象搜索区域510。图5b是示出了根据本发明 实施例中的算法得到的搜索区域的示例说明图。在图5b所示的示例情形中，根据本发明实 施例中的算法，在给定在下一时刻目标对象的加速度的概率P(at+1) =95%的条件下，预测加 速度范围，进而根据所预测的加速度范围估算出在下一帧中的目标对象搜索区域520。在图 5a和图5b所示的示例中，目标对象为车辆A。比较图5a和图5b可以清楚地看出根据本发 明实施例提供的方法预测的目标对象搜索区域更加精确，可以有效的减小邻近行人，车辆 等的干扰，同时降低处理时间。
[0049] 应注意，虽然在本示例中以高斯分布模型、混合高斯分布模型以及Logistic分布 模型为例进行了描述，但是如本领域技术人员能够理解的，还可采用其它具有类似特性的 数学模型。例如，可采用指数衰减函数模型来建立在给定邻域距离d的情况下下一时刻目 标对象的加速度at+1的概率密度函数P(at+11d)。
[0050] 此外，在根据本发明的实施例中，第一运动参数和邻域对象与目标对象之间的距 离都是矢量，优选地，可将第一运动参数和邻域对象与目标对象之间的距离进行分解，以便 于计算，减少运算量。具体地，根据本发明的一个示例，图1中所示的方法1〇〇还可包括将 目标对象当前运动方向设置为前向方向，而将与目标对象当前运动方向垂直的方向设置为 侧向方向，并且将第一运动参数和目标对象与邻域对象之间的距离分别分解为沿前向方向 的前向分量和沿侧向方向的侧向分量。
[0051] 图6a是示出了目标对象B的当前运动方向的示意性说明图。如图6a所示，矢量交 为目标对象B的当前运动速度。图6b是示出了根据目标对象B的当前运动方向所确定的 坐标系。如图6b所示，原点〇为目标对象B的几何中心，p轴指示目标对象B的速度方向， 即，前向方向，而s轴指示与目标对象B的速度方向垂直的方向，即，侧向方向。可将例如目 标对象B的当前速度、加速度之类的第一运动参数分解为沿p轴的前向分量和沿s轴的侧 向分量。此外，可对目标对象与每个邻域对象之间的距离进行类似的分解。图6c是示出了 前向方向和侧向方向对目标对象与一个邻域对象之间的距离进行分解的示例性说明图。如 图6c所示，目标对象B与邻域对象C之间的距离屯可被分解为沿p轴的前向分量dlp,inc;iple 和沿s轴的侧向分量dlside;。
[0052] 从而，在步骤S104中可分别根据第一运动参数和距离的前向分量，估算第二运动 参数的概率密度函数沿前向方向的前向分量；并且根据第一运动参数和距离的侧向分量， 估算第二运动参数的概率密度函数沿侧向方向的侧向分量。可分别输出所估算的第二运动 参数的概率密度函数的前向分量和侧向分量。可替换地，也可首先结合所估算的第二运动 参数的概率密度函数的前向分量和侧向分量以获得以矢量形式的第二运动参数的概率密 度函数，然后输出结合后的第二运动参数的概率密度函数。
[0053] 下面，参照图7说明本发明的实施例的预测目标对象的运动参数的装置。图7是示 出了根据本发明的一个实施例的预测目标对象的运动参数的装置700的示范性结构框图。 如图7中所示，本实施例的预测目标对象的运动参数的装置700包括参数获取单元710、对 象确定单元720、距离获取单元730和参数估算单元740。预测目标对象的运动参数的装置 700的各个单元可分别执行上述图1中的预测目标对象的运动参数的方法100的各个步骤 /功能。因此，以下仅对预测目标对象的运动参数的装置700的主要部件进行了描述，而省 略了以上已经结合图1描述过的细节内容。
[0054] 参数获取单元710可根据检测数据获得目标对象的第一运动参数。可通过预先安 装的相机、雷达设备来进行获得检测数据。此外，例如，第一运动参数可包括由目标对象的 属性确定的固有运动参数和由目标对象的历史运动轨迹确定的特征运动参数。
[0055] 图8是描述了根据本发明一个实施例的参数获取单元710的示范性结构框图。如 图8所示，参数获取单元710可包括识别模块810、固有参数获取模块820和特征参数获取 模块830。参数获取单元710的各个模块可分别执行上述图2中的获得目标对象