[发明专利]一种用于无人配送车的3D目标追踪方法

权利要求书

1.一种用于无人配送车的3D目标追踪方法，其特征在于，至少包括：

获取车身前方的点云数据和图像数据，将点云数据和图像数据输入3D目标检测器进行检测，获取t时刻的3D检测目标；

获取t-1时刻的3D的追踪目标，通过目标轨迹预测器预测t-1时刻的3D追踪目标运动到t时刻轨迹，获取t时刻的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、特征相似度和3D检测目标与3D虚目标的类别差异因子；

若类别差异因子为1和特征相似度小于预设第一相似度阈值，获取3D检测目标与3D虚目标中所有对应的距离相似度，选择距离相似度最小3D检测目标与3D虚目标为匹配对。

2.如权利要求1所述一种用于无人配送车的3D目标追踪方法，其特征在于，t时刻，当满足条件3D检测目标的数量与3D虚目标的数量不一致时，若存在任一个3D检测目标与多个不同的3D虚目标匹配成功或存在任一个3D虚目标与多个不同的3D检测目标匹配成功；

查询所有匹配对对应的特征相似度，然后选择特征相似度最大的匹配对为最终3D检测目标与3D虚目标对应的匹配对。

3.如权利要求1所述一种用于无人配送车的3D目标追踪方法，其特征在于，若3D检测目标与3D虚目标的类别差异因子为0，则认为不匹配；

若3D检测目标与3D虚目标的相似度小于预设第一相似度阈值，则认为不匹配；若相似度距离大于预设第二相似度阈值时，则认为不匹配。

4.一种用于无人配送车的3D目标追踪方法，其特征在于，至少包括：

获取车身前方的点云数据和图像数据，将点云数据和图像数据输入3D目标检测器进行检测，获取t时刻的3D检测目标；

获取t-1时刻的3D的追踪目标，通过目标轨迹预测器预测t-1时刻的3D追踪目标运动到t时刻轨迹，获取t时刻的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；

若类别差异因子为1，将距离相似度、通过t时刻3D检测器提取的3D检测目标的特征和t-1时刻3D检测器提取3D追踪目标的特征输入线性神经网络进行训练，判断3D检测目标与3D虚目标是否匹配。

5.如权利要求4所述一种用于无人配送车的3D目标追踪方法，其特征在于，t时刻，通过线性神经网络预测出每个3D检测目标与所有的3D虚目标的概率值，获取概率值最大的匹配对为最终的匹配对。

6.如权利要求4所述一种用于无人配送车的3D目标追踪方法，其特征在于，t时刻，当满足条件3D检测目标的数量与3D虚目标的数量不一致时，若存在任一个3D检测目标与多个不同的3D虚目标匹配成功或存在任一个3D虚目标与多个不同的3D检测目标匹配成功；

在多个匹配对中，选取概率值最大的匹配对为最终的匹配对。

7.如权利要求4所述一种用于无人配送车的3D目标追踪方法，其特征在于，在线性神经网络中的训练中，分别将距离相似度、t时刻3D检测器提取的3D检测目标的特征和t-1时刻3D检测器提取的3D追踪目标的特征输入线性神经网络，然后将二者的输入结果进行拼接后输入通过包含有全连接层、随机节点放弃层、Sigmoid层的神经网络；

神经网络损失函数采用二分类的BECloss函数。