[发明专利]一种用于智能汽车的3D目标追踪方法

说明书

本发明提供一种用于智能汽车的3D目标追踪方法，包括：获取t时刻的3D检测目标和3D虚目标；利用匹配器将t时刻的3D检测目标与3D虚目标进行匹配，获取t时刻3D的追踪目标，匹配器的匹配具体包括：获取t时刻3D检测目标与3D虚目标的距离相似度、类别差异因子；将距离相似度、3D检测目标、追踪目标提取的融合特征输入至第一神经网络回归出匹配矩阵Match_array，过滤掉符合条件的最佳匹配对中类别差异因子为0的匹配对，获取t时刻的3D追踪目标。通过神经网络对融合特征进行训练，用于调节3D检测目标和3D虚目标点的距离相似度大小，能够适配不同的场景，能够提升了3D检测目标与3D虚目标的匹配的准确性。

技术领域

本发明涉及智能汽车的3D目标追踪领域，特别是涉及一种用于智能汽车3D目标追踪方法。

背景技术

随着智能汽车的迅速发展，ADAS是智能汽车的标配功能，在ADAS(高级辅助驾驶)中，虽然其功能不及自动驾驶如L4/L5 level的功能，但是在高速行驶过程中L2、L3的功能中，要求汽车能够识别前方的目标并判断距离前方的距离，并根据前方的目标从而调整驾驶策略，如：加速、减速或刹车等，因此精准的多目标跟踪对于智能汽车的ADAS也是一个较为关键的技术。现阶段，多目标追踪出现过2D追踪和3D追踪，在2D目标追踪过程中，尽管追踪目标较为准确，并且计算小，但是其无法提供准确提供目标距离消息，使得汽车跟随行驶过程中较难控制，如果目标距离预测不准确，则可能会导致追尾。因为，目前较多研究者都专注于3D研究，但是3D研究仍然沿用2D的技术方案，在检测目标与跟踪目标的匹配过程仅考虑目标中心点之间距离或者考虑检测目标与预测目标的3D IOU进行重叠，造成算法在一些场景下识别准确率低。

发明内容

基于现有技术中存在的缺陷，本发明提供一种用于智能汽车的3D目标追踪方法，至少包括：

获取t-1时刻的3D追踪目标；获取t时刻的3D检测目标和3D虚目标；

利用匹配器将t时刻的3D检测目标与3D虚目标进行匹配，获取t时刻3D的追踪目标；

其中，匹配器的匹配具体包括：获取t时刻3D检测目标与3D虚目标距离相似度、3D检测目标与3D虚目标的类别差异因子；

将距离相似度、3D检测目标和3D追踪目标提取的融合特征输入至第一神经网络回归出匹配矩阵Match_array:

其中，Dist_array表示距离相似度，GNET₀表示第一神经网络，表示检测目标的融合特征,

表示追踪目标的融合特征；

其中，GNET₀的运算步骤包括：通过将t时刻3D检测器提取的3D检测目标融合特征特征和t-1时刻3D检测器提取3D追踪目标的融合特征输入解码神经网络进行训练获得第一输出，将第一输出减去第一权重调节因子A后在乘以第二调节权重因子B，然后在加上距离相似度后进行回归输出匹配矩阵，从匹配矩阵中选择符合条件的最佳匹配对；

过滤掉符合条件的最佳匹配对中类别差异因子为0的匹配对，则剩余符合条件的匹配对中，与3D虚目标对应的3D检测目标为t时刻的3D追踪目标。

一种用于智能汽车的3D目标追踪方法，进一步可选地，从匹配矩阵中选择符合条件的匹配对至少包括：设计匹配阈值，将匹配矩阵中的元素值与匹配阈值相比较，获取小于匹配阈值的元素，形成第一匹配矩阵；

将第一匹配矩阵中所有的元素按照数值从小到大进行排序，分别获取排序后每个元素对应的3D虚目标和3D检测目标索引，将获得所有目标索引形成第二匹配矩阵；

然后依次从第二匹配矩阵中取出目标索引，如果目标索引中对应的3D虚目标和3D检测目标都未匹配，则取出目标索引为最佳匹配对；如果目标索引中对应的3D虚目标或3D检测目标已存在的最佳匹配对中，则丢弃目标索引；