[发明专利]一种基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪方法及系统

说明书

本发明公开了一种基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪方法及系统，属于智能汽车感知技术领域，包括步骤1、建立检测模块对当前帧t进行目标检测，获取第t帧的目标检测集合；步骤2、建立3D卡尔曼滤波器模型对当前帧t进行目标状态预测；步骤3、建立数据关联模块，利用匈牙利算法将检测结果与预测的跟踪目标相匹配；步骤4、建立3D卡尔曼滤波器模型根据关联结果更新目标状态。步骤5、建立轨迹管理模块对轨迹进行更新。本发明提出的将结合卡尔曼滤波状态更新和匈牙利算法应用于智能车辆的3D目标跟踪，可以快速的发现、定位和跟踪目标车辆，并且跟踪精度非常高。

技术领域

本发明属于智能汽车感知领域，具体涉及一种基于卡尔曼滤波与匈牙利算法的道路3D车辆识别及跟踪的方法和系统。

背景技术

智能车是一个包括感知、决策及控制的复杂系统，环境感知是路径规划和决策控制的重要前提，3D车辆跟踪是环境感知的关键内容之一，对于自主驾驶的路径规划具有重要影响。

目前有大量的目标跟踪算法被提出并在智能交通系统中得到广泛的应用，目前大多数的目标跟踪和检测算法，处理对象都集中在RGB图像上，比如由Girshick相继提出的Fast RCNN、Faster RCNN、YOLO等，这些算法都是比较成功的基于深度学习的目标检测算法。由xiang等提出的一种基于马尔可夫决策(MDP)框架的在线多目标跟踪方法，但只能在道路环境不复杂的情况下取得较好的结果。但随着立体视觉的兴起，人们致力于研究目标3D框跟踪算法的可行性。

常用的车辆跟踪方法包括：基于区域跟踪算法，假设车辆是由一个个像素点形成的连通块，根据连通块的特征去计算与检测出的连通块的特征的相似度确定跟踪目标；基于模型的跟踪算法，根据建立好的目标模型库与检测出来的运动目标进行匹配以达到跟踪的目的；基于特征匹配跟踪算法：利用运动目标不变或不易受外界因素干扰的特征在相邻图像帧中进行目标匹配。但如果面对城市复杂的交通环境，在解决目标遮挡，复杂运动建模，权衡计算复杂度与计算精确度等问题上，上述方法仍存在一定的不足。

发明内容

针对上述存在的问题，提供一种改进的基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪方法及系统，实现复杂城市道路环境下3D车辆跟踪。

本发明采用的技术方案是：一种改进的基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪方法，该方法包括以下步骤：

步骤1、建立检测模块对当前帧t进行目标检测，获取第t帧的目标检测集合；

步骤2、建立3D卡尔曼滤波器模型对当前帧t进行目标状态预测；

步骤3、建立数据关联模块将检测结果与预测的跟踪目标相匹配；

步骤4、建立3D卡尔曼滤波器模型根据关联结果更新目标状态。

步骤5、建立轨迹管理模块对轨迹进行更新；

进一步，步骤1的具体实现包括：

基于预设的车辆检测器，进行视频帧的3D目标检测处理，获取目标检测结果，得到车辆目标的检测集合其中表示在t帧时刻检测的第n个目标车辆(共n个目标车辆)，

检测结果为车辆目标的3D包围盒，所述3D包围盒的信息包括：中心坐标(x,y,z)，尺度大小(h,w,l)，方向角θ，检测置信度s。

进一步，步骤2的具体实现包括：

为预测下一帧车辆目标的状态，采用恒定速度模型近似车辆目标的帧间位移，建立状态变量T＝{x,y,z,θ,h,w,h,v_x,v_y,v_z}，其中v_x,v_y,v_z表示车辆目标在三维空间中的运动速度；