基于自适应旋转椭圆关联波门的目标关联方法及系统与流程

1.本发明涉及自动驾驶的技术领域，具体地，涉及一种基于自适应旋转椭圆关联波门的目标关联方法及系统。


背景技术：

2.随着自动驾驶技术的发展，行驶安全是关键的一个环节。自动驾驶车辆为实现对于行驶周围环境的感知，通常安装多种传感器(摄像头、激光雷达、毫米波雷达等)，通过对传感器数据进行处理分析，获得周围环境、目标、障碍物等信息，为自动驾驶规划控制提供支持。
3.自动驾驶感知技术需要对检测的目标进行跟踪、轨迹预测等。因此，多目标跟踪技术也是当前自动驾驶感知技术研究的热点之一。多目标间的数据关联是多目标跟踪中极其重要的一个环节，数据关联的准确性将直接影响到对于目标真实轨迹的跟踪与预测的性能。若关联的错误率很多，则会产生许多虚假目标；只有提高关联的准确性，才能尽可能的还原真实场景的实际目标个数。
4.目前关联算法常用的有匈牙利算法、最近邻算法、概率密度估计算法、联合概率密度估计方法等。最近邻算法实现原理简单，在目标稀疏场景或单目标跟踪场景下，能够达到良好的关联效果，但在同一区域内的目标个数较多的情况下，由于简单的匹配机制，极易出现关联错误的情况。概率密度数据关联和联合概率密度数据关联的方法，虽然可以通过计算目标间的关联概率，改善密集目标场景下的关联效果，但是由于需要计算所有可能事件的概率，因此计算量较大。匈牙利关联算法是一种类似全局最优的关联算法，通过计算代价矩阵的代价最小和，来实现目标间的关联。因为其计算量适中，使用也较为广泛，但全局最优的关联方法也会引起部分的关联错误。
5.公开号为cn113160280a的中国发明专利文献公开了一种基于激光雷达的动态多目标跟踪方法，首先获取激光雷达目标检测结果，并显示检测结果，然后采用匈牙利算法进行目标关联，并同时通过目标预测位置和当前检测结果之间的交并比判断目标的生成与消失，当关联成功时，用检测框位置对目标位置进行更新，根据检测结果输出的属性标签对应的多模态卡尔曼滤波，估计目标的运动信息，关联失败时，删除未关联的目标状态并生成当前时刻新检测的目标。在一般环境中，相比于传统的多目标跟踪方法，该发明公开的多目标跟踪方法能够有效提高多目标跟踪的准确度。
6.上述技术方案采用单一阈值(iou阈值、欧式距离阈值等)构建关联矩阵，结合匈牙利算法进行目标关联匹配，该种方法容易将非本目标的真实量测数据关联至同一波门内，在使用匈牙利算法计算全局代价最小和时，易产生错误匹配的情况，该关联方法将会影响到目标跟踪的滤波器收敛。


技术实现要素：

7.针对现有技术中的缺陷，本发明的目的是提供一种基于自适应旋转椭圆关联波门
的目标关联方法及系统。
8.第一方面，本发明提供了一种基于自适应旋转椭圆关联波门的目标关联方法，包括如下步骤：
9.椭圆建立步骤：建立椭圆模型，获得关联波门；
10.旋转椭圆获取步骤：通过椭圆模型、关联波门结合目标的运动学模型，获得自适应旋转方向的椭圆模型；
11.目标关联步骤：通过自适应旋转方向的椭圆模型，关注位于关联波门内的待关联目标。
12.优选地，该方法还包括级联方案获取步骤：通过自适应旋转方向的椭圆模型结合目标类别的特征，建立多阈值自适应的级联关联方案；
13.在所述目标关联步骤中，通过自适应旋转方向的椭圆模型结合多阈值自适应的级联关联方案进行目标关联。
14.优选地，在所述椭圆建立步骤中，假设第k时刻有m个已跟踪的目标目标运动状态预测后得到n个量测目标
15.构建第k时刻的关联代价矩阵cost
mat
为：
[0016][0017]
其中，x表示已跟踪目标的集合；xm表示第m个已跟踪目标；表示状态预测后的跟踪目标的集合；表示状态预测后的第m个跟踪目标；m表示量测目标的集合；yn表示第n个量测目标；
[0018]
yj为第j个量测目标，为状态预测后的第i个跟踪目标；当任意i，j的跟踪目标和量测目标的代价和小于阈值ε时，认为代价和小于阈值ε的跟踪目标和量测目标存在潜在关联关系；
[0019]
经过匈牙利匹配算法后，得到的匹配矩阵match
matrix
为：
[0020][0021]
其中，tracr和measc为关联的匹配对，tracr对应为cost
mat
的行索引；measc对应为cost
mat
的列索引；k＝min(m，n)；
[0022]
关联波门模型归纳为：
[0023]
cost
mat
[tracr][measc]≤ε2[0024]
0≤i≤m，0≤j≤n
[0025]
当关联的匹配对满足上述公式时，认为关联成功，进而进行目标状态信息更新环节；
[0026]
预设目标沿着y轴做直线运动，通过建立距离方向的标准椭圆模型为：
[0027]
[0028]
其中，(x0，y0)为目标的预测坐标信息，(xi，yi)为目标的真实量测坐标信息；ra为椭圆模型的长轴半径，rb为椭圆模型的短轴半径。
[0029]
优选地，在所述旋转椭圆获取步骤中，假设第t时刻的运动目标的运动状态模型为：
[0030][0031]
其中，p表示位置；pxk和pyk表示目标的位置；v表示速度；vxk和vyk表示目标的速度，t表示转置；
[0032][0033]
其中，x(t)表示跟踪目标合集；
[0034]
目标朝向的偏航角θk为
[0035][0036]
目标状态转移函数x(t+δt)k为：
[0037][0038]
其中，δt表示t时刻到t+1时刻的时间间隔，为t时刻的运动状态，为t+1＝t+δt时刻的运动状态；
[0039]
自适应旋转朝向的椭圆关联波门，旋转矩阵rotation
mat
为：
[0040][0041]
其中，θ为目标运动状态的朝向角；
[0042]
将椭圆圆心坐标(xo，yo)，长轴半径为ra、短轴半径为rb的椭圆沿着rotation
mat
旋转得到：
[0043][0044]
其中，(x
′
，y
′
)为旋转后椭圆圆心坐标。
[0045]
优选地，在所述级联方案获取步骤中，以欧式距离和速度维度建立目标关联模型，若存在多个关联目标，则取代价最小的量测进行关联更新：
[0046][0047]
其中，dis
measure
为量测目标的位置信息；vel
measure
为量测目标的速度信息，dis
predi
为跟踪目标预测的位置信息；vel
predi
为跟踪目标预测的速度信息，dis
thrd
为距离的关联阈值、vel
thrd
为速度的关联阈值。
[0048]
优选地，所述目标关联步骤包括如下步骤：
[0049]
关联步骤s1：获得目标跟踪估计状态和量测目标状态；
[0050]
关联步骤s2：将获取的目标跟踪估计状态和量测目标状态进入自适应旋转椭圆模型关联模型，计算iou代价关联矩阵；
[0051]
关联步骤s3：通过iou代价关联矩阵进行目标更新、生成或消失管理，计算匈牙利匹配，进行跟踪目标的状态更新和判断没有量测更新的目标是否消失；
[0052]
关联步骤s4：判断是否有未关联的量测和跟踪目标，若是，则转至关联步骤s5，否则转至关联步骤s7；
[0053]
关联步骤s5：自适应旋转椭圆模型关联模型，计算欧式距离代价关联矩阵；
[0054]
关联步骤s6：通过欧式距离代价关联矩阵进行目标更新、生成或消失管理，计算匈牙利匹配，进行跟踪目标的状态更新和判断没有量测更新的目标是否消失，生成新的跟踪目标；
[0055]
关联步骤s7：输出跟踪信息。
[0056]
第二方面，本发明提供了一种基于自适应旋转椭圆关联波门的目标关联系统，包括如下模块：
[0057]
椭圆建立模块：建立椭圆模型，获得关联波门；
[0058]
旋转椭圆获取模块：通过椭圆模型、关联波门结合目标的运动学模型，获得自适应旋转方向的椭圆模型；
[0059]
目标关联模块：通过自适应旋转方向的椭圆模型，关注位于关联波门内的待关联目标。
[0060]
优选地，该系统还包括级联方案获取模块：通过自适应旋转方向的椭圆模型结合目标类别的特征，建立多阈值自适应的级联关联方案；
[0061]
在所述目标关联模块中，通过自适应旋转方向的椭圆模型结合多阈值自适应的级联关联方案进行目标关联。
[0062]
优选地，在所述椭圆建立模块中，假设第k时刻有m个已跟踪的目标目标运动状态预测后得到n个量测目标
[0063]
构建第k时刻的关联代价矩阵cost
mat
为：
[0064][0065]
其中，x表示已跟踪目标的集合；xm表示第m个已跟踪目标；表示状态预测后的跟踪目标的集合；表示状态预测后的第m个跟踪目标；m表示量测目标的集合；yn表示第n个量测目标；
[0066]
yj为第j个量测目标，为状态预测后的第i个跟踪目标；当任意i，j的跟踪目标和量测目标的代价和小于阈值ε时，认为代价和小于阈值ε的跟踪目标和量测目标存在潜在关联关系；
[0067]
经过匈牙利匹配算法后，得到的匹配矩阵match
matrix
为：
[0068]
[0069]
其中，tracr和measc为关联的匹配对，tracr对应为cost
mat
的行索引；measc对应为cost
mat
的列索引；k＝min(m，n)；
[0070]
关联波门模型归纳为：
[0071]
cost
mat
[tracr][measc]≤ε2[0072]
0≤i≤m，0≤j≤n
[0073]
当关联的匹配对满足上述公式时，认为关联成功，进而进行目标状态信息更新环节；
[0074]
预设目标沿着y轴做直线运动，通过建立距离方向的标准椭圆模型为：
[0075][0076]
其中，(x0，y0)为目标的预测坐标信息，(xi，yi)为目标的真实量测坐标信息；ra为椭圆模型的长轴半径，rb为椭圆模型的短轴半径。
[0077]
优选地，在所述旋转椭圆获取模块中，假设第t时刻的运动目标的运动状态模型为：
[0078][0079]
其中，p表示位置；pxk和pyk表示目标的位置；v表示速度；vxk和vyk表示目标的速度，t表示转置；
[0080][0081]
其中，x(t)表示跟踪目标合集；
[0082]
目标朝向的偏航角θk为
[0083][0084]
目标状态转移函数x(t+δt)k为：
[0085][0086]
其中，δt表示t时刻到t+1时刻的时间间隔，为t时刻的运动状态，为t+1＝t+δt时刻的运动状态；
[0087]
自适应旋转朝向的椭圆关联波门，旋转矩阵rotation
mat
为：
[0088][0089]
其中，θ为目标运动状态的朝向角；
[0090]
将椭圆圆心坐标(xo，yo)，长轴半径为ra、短轴半径为rb的椭圆沿着rotation
mat
旋转得到：
[0091]
[0092]
其中，(x
′
，y
′
)为旋转后椭圆圆心坐标。
[0093]
与现有技术相比，本发明具有如下的有益效果：
[0094]
1、本发明通过设计级联关联方法，实施不同的关联阈值调整方法，提高目标间的关联准确率，提升跟踪的稳定性；
[0095]
2、本发明通过设计椭圆关联模型，优化代价矩阵的计算方法，缩小目标关联的感兴趣区域，减少不必要的区域计算，降低算法的运算量，缩短目标关联模块耗时；
[0096]
3、本发明通过目标的运动状态，自适应调整椭圆长短轴的朝向，切合目标真实运动状态，调整目标关联区域，可有效降低圆形模型引起的误匹配的次数。
附图说明
[0097]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0098]
图1为圆形与椭圆关联对比示意图；
[0099]
图2为恒定椭圆模型图；
[0100]
图3为自适应椭圆关联模型示意图；
[0101]
图4为iou计算示意图；
[0102]
图5为跟踪预测信息与量测目标iou关联示意图；
[0103]
图6为跟踪预测信息与量测目标距离关联示意图；
[0104]
图7为算法流程图；
[0105]
图8为自适应旋转椭圆关联波门模块图；
[0106]
图9为目标更新/生成/消失管理模块。
具体实施方式
[0107]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
[0108]
实施例1
[0109]
本发明实施例公开了一种基于自适应旋转椭圆关联波门的目标关联方法，包括如下步骤：
[0110]
椭圆建立步骤：建立椭圆模型，获得关联波门。
[0111]
在一个实施例中，假设第k时刻有m个已跟踪的目标目标运动状态预测后得到n个量测目标
[0112]
构建第k时刻的关联代价矩阵cost
mat
为：
[0113][0114]
其中，x表示已跟踪目标的集合；xm表示第m个已跟踪目标；表示状态预测后的跟
踪目标的集合；表示状态预测后的第m个跟踪目标；m表示量测目标的集合；yn表示第n个量测目标；
[0115]
yj为第j个量测目标，为状态预测后的第i个跟踪目标；当任意i，j的跟踪目标和量测目标的代价和小于阈值ε时，认为代价和小于阈值ε的跟踪目标和量测目标存在潜在关联关系；
[0116]
经过匈牙利匹配算法后，得到的匹配矩阵match
matrix
为：
[0117][0118]
其中，tracr和measc为关联的匹配对，tracr对应为cost
mat
的行索引；measc对应为cost
mat
的列索引；k＝min(m，n)；
[0119]
关联波门模型归纳为：
[0120]
cost
mat
[tracr][measc]≤ε2[0121]
0≤i≤m，0≤j≤n
[0122]
当关联的匹配对满足上述公式时，认为关联成功，进而进行目标状态信息更新环节；
[0123]
预设目标沿着y轴做直线运动，通过建立距离方向的标准椭圆模型为：
[0124][0125]
其中，(x0，y0)为目标的预测坐标信息，(xi，yi)为目标的真实量测坐标信息；ra为椭圆模型的长轴半径，rb为椭圆模型的短轴半径。
[0126]
进一步的，所述预设目标包括a、b、c三个，其中，(x0，y0)为目标a的预测坐标信息，(xi，yi)，i∈[a，b，c]为目标a、b、c的真实量测坐标信息。
[0127]
在一个实施例中，假设第t时刻的运动目标的运动状态模型为：
[0128][0129]
其中，p表示位置；pxk和pyk表示目标的位置；v表示速度；vxk和vyk表示目标的速度，t表示转置；
[0130][0131]
其中，x(t)表示跟踪目标合集；
[0132]
目标朝向的偏航角θk为
[0133][0134]
目标状态转移函数x(t+δt)k为：
[0135][0136]
其中，δt表示t时刻到t+1时刻的时间间隔，为t时刻的运动状态，为t+1＝t+δt时刻的运动状态；
[0137]
自适应旋转朝向的椭圆关联波门，旋转矩阵rotation
mat
为：
[0138][0139]
其中，θ为目标运动状态的朝向角；
[0140]
将椭圆圆心坐标(xo，yo)，长轴半径为ra、短轴半径为rb的椭圆沿着rotation
mat
旋转得到：
[0141][0142]
其中，(x
′
，y
′
)为旋转后椭圆圆心坐标。
[0143]
旋转椭圆获取步骤：通过椭圆模型、关联波门结合目标的运动学模型，获得自适应旋转方向的椭圆模型。
[0144]
级联方案获取步骤：通过自适应旋转方向的椭圆模型结合目标类别的特征，建立多阈值自适应的级联关联方案。
[0145]
在一个实施例中，以欧式距离和速度维度建立目标关联模型，若存在多个关联目标，则取代价最小的量测进行关联更新：
[0146][0147]
其中，dis
measure
为量测目标的位置信息；vel
measure
为量测目标的速度信息，dis
predi
为跟踪目标预测的位置信息；vel
predi
为跟踪目标预测的速度信息，dis
thrd
为距离的关联阈值、vel
thrd
为速度的关联阈值。
[0148]
目标关联步骤：通过自适应旋转方向的椭圆模型，关注位于关联波门内的待关联目标。通过自适应旋转方向的椭圆模型结合多阈值自适应的级联关联方案进行目标关联。
[0149]
在一个实施例中，目标关联步骤包括如下步骤：
[0150]
关联步骤s1：获得目标跟踪估计状态和量测目标状态；
[0151]
关联步骤s2：将获取的目标跟踪估计状态和量测目标状态进入自适应旋转椭圆模型关联模型，计算iou代价关联矩阵；
[0152]
关联步骤s3：通过iou代价关联矩阵进行目标更新、生成或消失管理，计算匈牙利匹配，进行跟踪目标的状态更新和判断没有量测更新的目标是否消失；
[0153]
关联步骤s4：判断是否有未关联的量测和跟踪目标，若是，则转至关联步骤s5，否则转至关联步骤s7；
[0154]
关联步骤s5：自适应旋转椭圆模型关联模型，计算欧式距离代价关联矩阵；
[0155]
关联步骤s6：通过欧式距离代价关联矩阵进行目标更新、生成或消失管理，计算匈牙利匹配，进行跟踪目标的状态更新和判断没有量测更新的目标是否消失，生成新的跟踪目标；
[0156]
关联步骤s7：输出跟踪信息。
[0157]
本发明还提供一种基于自适应旋转椭圆关联波门的目标关联系统，所述基于自适应旋转椭圆关联波门的目标关联系统可以通过执行所述基于自适应旋转椭圆关联波门的
目标关联方法的流程步骤予以实现，即本领域技术人员可以将所述基于自适应旋转椭圆关联波门的目标关联方法理解为所述基于自适应旋转椭圆关联波门的目标关联系统的优选实施方式。
[0158]
实施例2
[0159]
本发明实施例公开了一种基于自适应旋转椭圆关联波门的目标关联系统，包括如下模块：
[0160]
椭圆建立模块：建立椭圆模型，获得关联波门。
[0161]
旋转椭圆获取模块：通过椭圆模型、关联波门结合目标的运动学模型，获得自适应旋转方向的椭圆模型。
[0162]
级联方案获取模块：通过自适应旋转方向的椭圆模型结合目标类别的特征，建立多阈值自适应的级联关联方案。
[0163]
目标关联模块：通过自适应旋转方向的椭圆模型结合多阈值自适应的级联关联方案进行目标关联，关注位于关联波门内的待关联目标。
[0164]
在椭圆建立模块中，假设第k时刻有m个已跟踪的目标目标运动状态预测后得到n个量测目标
[0165]
构建第k时刻的关联代价矩阵cost
mat
为：
[0166][0167]
其中，x表示已跟踪目标的集合；xm表示第m个已跟踪目标；表示状态预测后的跟踪目标的集合；表示状态预测后的第m个跟踪目标；m表示量测目标的集合；yn表示第n个量测目标。
[0168]
yj为第j个量测目标，为状态预测后的第i个跟踪目标；当任意i，j的跟踪目标和量测目标的代价和小于阈值ε时，认为代价和小于阈值ε的跟踪目标和量测目标存在潜在关联关系。
[0169]
经过匈牙利匹配算法后，得到的匹配矩阵match
matrix
为：
[0170][0171]
其中，tracr和measc为关联的匹配对，tracr对应为cost
mat
的行索引；measc对应为cost
mat
的列索引；k＝min(m，n)。
[0172]
关联波门模型归纳为：
[0173]
cost
mat
[tracr][measc]≤ε2[0174]
0≤i≤m，0≤j≤n
[0175]
当关联的匹配对满足上述公式时，认为关联成功，进而进行目标状态信息更新环节。
[0176]
预设目标沿着y轴做直线运动，通过建立距离方向的标准椭圆模型为：
[0177][0178]
其中，(x0，y0)为目标的预测坐标信息，(xi，yi)为目标的真实量测坐标信息；ra为椭圆模型的长轴半径，rb为椭圆模型的短轴半径。
[0179]
在旋转椭圆获取模块中，假设第t时刻的运动目标的运动状态模型为：
[0180][0181]
其中，p表示位置；pxk和pyk表示目标的位置；v表示速度；vxk和vyk表示目标的速度，t表示转置。
[0182][0183]
其中，x(t)表示跟踪目标合集。
[0184]
目标朝向的偏航角θk为
[0185][0186]
目标状态转移函数x(t+δt)k为：
[0187][0188]
其中，δt表示t时刻到t+1时刻的时间间隔，为t时刻的运动状态，为t+1＝t+δt时刻的运动状态。
[0189]
自适应旋转朝向的椭圆关联波门，旋转矩阵rotation
mat
为：
[0190][0191]
其中，θ为目标运动状态的朝向角。
[0192]
将椭圆圆心坐标(xo，yo)，长轴半径为ra、短轴半径为rb的椭圆沿着rotation
mat
旋转得到：
[0193][0194]
其中，(x
′
，y
′
)为旋转后椭圆圆心坐标。
[0195]
实施例3
[0196]
本发明为一种基于自适应旋转椭关联波门的目标关联方法，通过构建更加有效的关联代价矩阵(在关联区域内才有可能被关联)，改善匈牙利数据关联方法的计算全局代价最小和导致的误关联效果。并且通过设计级联关联方案，持续改善和提升目标关联准确率，提升目标跟踪的稳定性。
[0197]
本发明通过提供一种自适应旋转椭圆模型关联阈值的点云目标关联算法，通过设计自适应旋转方向的椭圆模型构建关联代价矩阵，提高目标关联准确性，提高多目标匹配和跟踪性能。并且设计级联关联方案，进一步提升目标关联的准确率，弥补单一关联算法方
案的不足，持续提升跟踪的稳定性。
[0198]
本发明实施的技术方案如下：
[0199]
1.针对单一阈值关联错误的情况，设计椭圆模型，缩小关联范围，使其更关注于位于关联波门内的待关联目标。
[0200]
假设第k时刻有m个已跟踪的目标目标运动状态预测后得到n个量测目标构建第k时刻的关联代价矩阵cost
mat
如公式1为：
[0201][0202]
其中，x表示已跟踪目标的集合；xm表示第m个已跟踪目标；表示状态预测后的跟踪目标的集合；表示状态预测后的第m个跟踪目标；m表示量测目标的集合；yn表示第n个量测目标。
[0203]
yj为第j个量测目标，为状态预测后的第i个跟踪目标。当任意i，j的跟踪目标和量测目标的代价和小于阈值ε时，认为两者存在潜在关联关系。当经过匈牙利匹配算法后，得到的匹配矩阵match
matrix
如公式2为：
[0204][0205]
其中，tracr和measc为关联的匹配对，对应的是cost
mat
的行索引和列索引，k＝min(m，n)。
[0206]
通用技术方案的关联波门模型可归纳为公式3：
[0207]
cost
mat
[tracr][measc]≤ε2，0≤i≤m，0≤j≤n
ꢀꢀ
公式3
[0208]
当关联的匹配对满足上述公式3时，就认为关联成功，可以进行后续的目标状态信息更新环节。但如图1所举例说明的，当目标a预测信息在关联波门存在目标a真实量测、目标c真实量测、目标b真实量测等，当目标b、c量测与目标a预测的代价距离比目标a预测信息和目标a真实量测阈值更小时，更容易发生关联错误。因为圆形的关联波门是一个无方向性的，认为所有量测的权重都是相等的一种无差别关联波门。
[0209]
但是椭圆模型依靠长短轴半径的不同，是一个带有一定天然方向性的关联波门模型。如图1所示，假设目标a量测沿着y轴方法做直线运动，即x轴的横向位移δx很小，y轴方向的纵向位移δy很大。
[0210]
通过图1的对比，通过设计距离方向的标准椭圆模型如公式4所示：
[0211][0212]
其中，(x0，y0)假设为目标a的预测信息，(x0，y0)为目标的真实量测信息，i∈[a，b，c]，δ表示第一目标，b表示第二目标，c表示第三目标；ra和rb分别为椭圆模型的长短轴半径。
[0213]
如图1所示，横向短轴rb的存在缩小了横向关联范围，减少了目标a量测与目标b、c关联的可能性，进而提高跟踪的稳定性和准确性。
[0214]
2.结合目标的运动学模型，设计可自适应旋转方向的椭圆模型：
[0215]
本专利提案除提出设计椭圆关联波门用于过滤部分潜在错误关联匹配外，还将结合目标运动状态设计可自适应旋转的椭圆关联模型。
[0216]
假设第t时刻的运动目标的运动状态模型为：其中，k表示第k个跟踪目标，目标朝向的偏航角θk定义为其中，p表示position，即位置；pxk和pyk表示目标的位置；v表示速度；vxk和vyk表示目标的速度，t表示转置；表示第t时刻，第m个运动目标的运动状态。x(t)表示跟踪目标合集。
[0217]
目标状态转移函数可以表示为公式5：
[0218][0219]
其中，δt表示t时刻到t+1时刻的时间间隔，勾t时刻的运动状态，为t+1＝t+δt时刻的运动状态。
[0220]
因为运动目标((vxk≠0)or(vyk≠0))每个时刻的运动状态是变化的，因此运动目标每个时刻的朝向θk也是变化的，假设使用图2所示的恒定椭圆模型，横向运行或者转弯运动的目标容易丢失关联。
[0221]
为解决图2所示的问题，本专利方案设计可旋转朝向的椭圆关联波门。公式定义如下：
[0222]
旋转矩阵如公式6所示：
[0223][0224]
其中，θ为目标运动状态的朝向角。
[0225]
将椭圆圆心(xo，yo)，长短轴半径分别为ra、rb的椭圆沿着rotation
mat
旋转得到公式7：
[0226][0227]
其中，(x
′
，y
′
)为旋转后椭圆圆心坐标。
[0228]
关联效果如图3所示。从图中可以看出，加入旋转椭圆模型，将会改善目标转弯状态的关联效果。
[0229]
3、结合目标类别的特征，设计多阈值自适应的级联关联方案
[0230]
自动驾驶领域中，常见的目标种类中有小型车、中大型车、行人、非机动车等。若根据单一的关联阈值和关联方案，当传感器数据丢帧时，采用单一的iou匹配则易造成关联失误的情况。以iou关联为例，示意图如图4所示，交并比iou的计算公式如公式8所示：
[0231][0232]
假设第一帧观测到转弯的非机动车，非机动车的长宽高分别为2m，1m，1m，行驶方
向如图5所示，行驶速度别为10m/s，在经过δt＝0.3s时(数据丢了一帧)，速度为7m/s，两者预测值与量测值关联的iou示意图如图5所示，阴影交叉区域为关联的iou。
[0233]
如图6所示，假设以欧式距离和速度两个维度设计目标关联模型如公式9所示。在满足此条件下的目标都可以关联，若存在多个关联目标，则取代价最小的量测进行关联更新：
[0234][0235]
其中dismeasure、velmeasure为量测目标的位置和速度信息，dis
predi
、vel
predi
为跟踪目标预测的位置和速度信息，dis
thrd
、vel
thrd
为距离和速度的关联阈值。
[0236]
综上所述，本专利方案设计的算法流程图如图7所示，即目标关联步骤。算法流程步骤可描述如下：
[0237]
step1：获得第i帧的目标跟踪估计状态和第i帧量测目标状态；
[0238]
step2：进入自适应旋转椭圆模型关联模型模块，计算iou代价关联矩阵；
[0239]
step3：进入目标更新/生成/消失管理模块，计算匈牙利匹配，进行跟踪目标的状态更新和判断没有量测更新的目标是否消失；
[0240]
step4：判断是否有未关联的量测和跟踪目标，若是，则转至step5，否则转至step7；
[0241]
step5：自适应旋转椭圆模型关联模型模块，计算欧式距离代价关联矩阵；
[0242]
step6：目标更新/生成/消失管理模块，计算匈牙利匹配，进行跟踪目标的状态更新和判断没有量测更新的目标是否消失，生成新的跟踪目标；
[0243]
step7：输出跟踪信息；
[0244]
自适应旋转椭圆关联波门模型如图8所示，执行步骤描述如下：
[0245]
step1：根据跟踪目标的预测状态，初始化椭圆模型的初值及旋转方向；
[0246]
step2：判断量测目标的状态是否落在跟踪目标的椭圆关联波门内，若是，转至step3，反之转至step4；
[0247]
step3：计算跟踪目标与量测目标间的iou/distance；
[0248]
step4：赋值一个max value
[0249]
step5：生成离代价关联矩阵；
[0250]
step6：进入下一流程处理。
[0251]
目标更新/生成/消失管理模块如图9所示，执行步骤描述如下：
[0252]
step1：获得关于跟踪目标和量测目标的关联代价矩阵；
[0253]
step2：判断是否满足关联阈值，若满足，则转至step6进行卡尔曼状态更新；
[0254]
step3：判断目标是生成/消失，若目标生成，转至step4，否则转至step5；
[0255]
step4：生成新目标；
[0256]
step5：删除已消失目标；
[0257]
step6：目标跟踪，更新卡尔曼滤波器；
[0258]
step7：输出跟踪信息。
[0259]
本发明提出了一种基于自适应旋转椭关联波门的目标关联方法，用于实现跟踪的预测目标与量测目标间的关联，提高目标关联的准确率，改善目标跟踪效果，降低因此引起
的安全风险，包括但不限于可以设计为椭圆模型的其他聚类或关联算法，如概率密度估计(pda)、联合概率密度估计(jpda)等。本发明提出了一种应用于自动驾驶领域的基于目标运动状态的自适应更新椭圆模型旋转方向的方法，包括但不限于园区场景、车载领域、交通雷达领域等场景，都应属于保护范围。本发明提出了一种基于激光雷达的级联关联方法，包括但不限于激光雷达，其他涉及iou、距离关联的传感器目标关联方案，如毫米波；雷达、摄像头等，都属于保护范围。本发明涉及自动驾驶与智能交通，通过调整旋转椭圆关联模型和级联方案来实现目标关联。
[0260]
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0261]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。

技术特征：
1.一种基于自适应旋转椭圆关联波门的目标关联方法，其特征在于，包括如下步骤：椭圆建立步骤：建立椭圆模型，获得关联波门；旋转椭圆获取步骤：通过椭圆模型、关联波门结合目标的运动学模型，获得自适应旋转方向的椭圆模型；目标关联步骤：通过自适应旋转方向的椭圆模型，关注位于关联波门内的待关联目标。2.根据权利要求1所述的基于自适应旋转椭圆关联波门的目标关联方法，其特征在于，该方法还包括级联方案获取步骤：通过自适应旋转方向的椭圆模型结合目标类别的特征，建立多阈值自适应的级联关联方案；在所述目标关联步骤中，通过自适应旋转方向的椭圆模型结合多阈值自适应的级联关联方案进行目标关联。3.根据权利要求1所述的基于自适应旋转椭圆关联波门的目标关联方法，其特征在于，在所述椭圆建立步骤中，假设第k时刻有m个已跟踪的目标目标运动状态预测后得到n个量测目标构建第k时刻的关联代价矩阵cost
mat
为：其中，x表示已跟踪目标的集合；x
m
表示第m个已跟踪目标；表示状态预测后的跟踪目标的集合；表示状态预测后的第m个跟踪目标；m表示量测目标的集合；y
n
表示第n个量测目标；y
j
为第j个量测目标，为状态预测后的第i个跟踪目标；当任意i，j的跟踪目标和量测目标的代价和小于阈值ε时，认为代价和小于阈值ε的跟踪目标和量测目标存在潜在关联关系；经过匈牙利匹配算法后，得到的匹配矩阵match
matrix
为：其中，trac
r
和meas
c
为关联的匹配对，trac
r
对应为cost
mat
的行索引；meas
c
对应为cost
mat
的列索引；k＝min(m,n)；关联波门模型归纳为：cost
mat
[trac
r
][meas
c
]≤ε20≤i≤m,0≤j≤n当关联的匹配对满足上述公式时，认为关联成功，进而进行目标状态信息更新环节；预设目标沿着y轴做直线运动，通过建立距离方向的标准椭圆模型为：其中，(x0,y0)为目标的预测坐标信息，(x
i
,y
i
)为目标的真实量测坐标信息；r
a
为椭圆模
型的长轴半径，r
b
为椭圆模型的短轴半径。4.根据权利要求3所述的基于自适应旋转椭圆关联波门的目标关联方法，其特征在于，在所述旋转椭圆获取步骤中，假设第t时刻的运动目标的运动状态模型为：其中，p表示位置；px
k
和py
k
表示目标的位置；v表示速度；vx
k
和vy
k
表示目标的速度，t表示转置；其中，x(t)表示跟踪目标合集；目标朝向的偏航角θ
k
为目标状态转移函数x(t+δt)
k
为：其中，δt表示t时刻到t+1时刻的时间间隔，为t时刻的运动状态，为t+1＝t+δt时刻的运动状态；自适应旋转朝向的椭圆关联波门，旋转矩阵rotation
mat
为：其中，θ为目标运动状态的朝向角；将椭圆圆心坐标(x
o
,y
o
)，长轴半径为r
a
、短轴半径为r
b
的椭圆沿着rotation
mat
旋转得到：其中，(x
′
,y
′
)为旋转后椭圆圆心坐标。5.根据权利要求2所述的基于自适应旋转椭圆关联波门的目标关联方法，其特征在于，在所述级联方案获取步骤中，以欧式距离和速度维度建立目标关联模型，若存在多个关联目标，则取代价最小的量测进行关联更新：其中，dis
measure
为量测目标的位置信息；vel
measure
为量测目标的速度信息，dis
predi
为跟踪目标预测的位置信息；vel
predi
为跟踪目标预测的速度信息，dis
thrd
为距离的关联阈值、vel
thrd
为速度的关联阈值。6.根据权利要求1所述的基于自适应旋转椭圆关联波门的目标关联方法，其特征在于，
所述目标关联步骤包括如下步骤：关联步骤s1：获得目标跟踪估计状态和量测目标状态；关联步骤s2：将获取的目标跟踪估计状态和量测目标状态进入自适应旋转椭圆模型关联模型，计算iou代价关联矩阵；关联步骤s3：通过iou代价关联矩阵进行目标更新、生成或消失管理，计算匈牙利匹配，进行跟踪目标的状态更新和判断没有量测更新的目标是否消失；关联步骤s4：判断是否有未关联的量测和跟踪目标，若是，则转至关联步骤s5，否则转至关联步骤s7；关联步骤s5：自适应旋转椭圆模型关联模型，计算欧式距离代价关联矩阵；关联步骤s6：通过欧式距离代价关联矩阵进行目标更新、生成或消失管理，计算匈牙利匹配，进行跟踪目标的状态更新和判断没有量测更新的目标是否消失，生成新的跟踪目标；关联步骤s7：输出跟踪信息。7.一种基于自适应旋转椭圆关联波门的目标关联系统，其特征在于，包括如下模块：椭圆建立模块：建立椭圆模型，获得关联波门；旋转椭圆获取模块：通过椭圆模型、关联波门结合目标的运动学模型，获得自适应旋转方向的椭圆模型；目标关联模块：通过自适应旋转方向的椭圆模型，关注位于关联波门内的待关联目标。8.根据权利要求7所述的基于自适应旋转椭圆关联波门的目标关联系统，其特征在于，该系统还包括级联方案获取模块：通过自适应旋转方向的椭圆模型结合目标类别的特征，建立多阈值自适应的级联关联方案；在所述目标关联模块中，通过自适应旋转方向的椭圆模型结合多阈值自适应的级联关联方案进行目标关联。9.根据权利要求7所述的基于自适应旋转椭圆关联波门的目标关联系统，其特征在于，在所述椭圆建立模块中，假设第k时刻有m个已跟踪的目标目标运动状态预测后得到n个量测目标构建第k时刻的关联代价矩阵cost
nat
为：其中，x表示已跟踪目标的集合；x
m
表示第m个已跟踪目标；表示状态预测后的跟踪目标的集合；表示状态预测后的第m个跟踪目标；m表示量测目标的集合；y
n
表示第n个量测目标；y
j
为第j个量测目标，为状态预测后的第i个跟踪目标；当任意i，j的跟踪目标和量测目标的代价和小于阈值ε时，认为代价和小于阈值ε的跟踪目标和量测目标存在潜在关联关系；经过匈牙利匹配算法后，得到的匹配矩阵match
matrix
为：
其中，trac
r
和meas
c
为关联的匹配对，trac
r
对应为cost
mat
的行索引；meas
c
对应为cost
mat
的列索引；k＝min(m,n)；关联波门模型归纳为：cost
mat
[trac
r
][meas
c
]≤ε20≤i≤m,0≤j≤n当关联的匹配对满足上述公式时，认为关联成功，进而进行目标状态信息更新环节；预设目标沿着y轴做直线运动，通过建立距离方向的标准椭圆模型为：其中，(x0,y0)为目标的预测坐标信息，(x
i
,y
i
)为目标的真实量测坐标信息；r
a
为椭圆模型的长轴半径，r
b
为椭圆模型的短轴半径。10.根据权利要求9所述的基于自适应旋转椭圆关联波门的目标关联系统，其特征在于，在所述旋转椭圆获取模块中，假设第t时刻的运动目标的运动状态模型为：其中，p表示位置；px
k
和py
k
表示目标的位置；v表示速度；vx
k
和vy
k
表示目标的速度，t表示转置；其中，x(t)表示跟踪目标合集；目标朝向的偏航角θ
k
为目标状态转移函数x(t+δt)
k
为：其中，δt表示t时刻到t+1时刻的时间间隔，为t时刻的运动状态，为t+1＝t+δt时刻的运动状态；自适应旋转朝向的椭圆关联波门，旋转矩阵rotation
mat
为：其中，θ为目标运动状态的朝向角；将椭圆圆心坐标(x
o
,y
o
)，长轴半径为r
a
、短轴半径为r
b
的椭圆沿着rotation
mat
旋转得到：
其中，(x
′
,y
′
)为旋转后椭圆圆心坐标。

技术总结
本发明提供了一种基于自适应旋转椭圆关联波门的目标关联方法及系统，包括如下步骤：椭圆建立步骤：建立椭圆模型，获得关联波门；旋转椭圆获取步骤：通过椭圆模型、关联波门结合目标的运动学模型，获得自适应旋转方向的椭圆模型；目标关联步骤：通过自适应旋转方向的椭圆模型，关注位于关联波门内的待关联目标。本发明通过设计椭圆关联模型，优化代价矩阵的计算方法，缩小目标关联的感兴趣区域，减少不必要的区域计算，降低算法的运算量，缩短目标关联模块耗时。联模块耗时。联模块耗时。


技术研发人员：廖文龙 汪呈智 何弢 彭湃
受保护的技术使用者：上海酷移机器人有限公司
技术研发日：2023.03.24
技术公布日：2023/7/22