[发明专利]基于深度霍夫优化投票的时敏单目标跟踪方法、存储介质和终端

说明书

本发明公开了基于深度霍夫优化投票的时敏单目标跟踪方法、存储介质和终端，方法包括：提取模板点云P_temp和搜索点云P_sea的几何特征，并生成模板种子点集Q和搜索种子点集R；通过计算Q和R的相似度矩阵T将目标信息编码到搜索空间中，生成搜索种子点集D；编码后的搜索种子点d_j通过投票产生对应的潜在目标中心点c_j，并基于置信度得分B从潜在目标中心C中筛选出具有高置信度的潜在目标中心E；采样和聚集高可信度的潜在目标中心E，产生K个提议，具有最高得分的提议作为最终的预测结果Φ；基于前一帧目标的预测结果更新模板点云P_temp。本发明可以高效稳定地对场景中的时敏单目标进行持续跟踪，得到单目标连续的运动轨迹。

技术领域

本发明涉及目标跟踪领域，尤其涉及基于深度霍夫优化投票的时敏单目标跟踪方法、存储介质和终端。

背景技术

基于点云数据的三维时敏单目标跟踪是自动驾驶和机器人视觉等相关领域应用的基础。现有的三维目标跟踪方法大都继承二维目标跟踪中的经验，对于RGB信息有很强的依赖性。但是当环境因素变化导致RGB信息退化时，这些方法的性能会变得很差甚至失效。三维点云数据描述场景的几何信息，其采集过程不受光照变化的影响，相较于RGB信息更适用于目标跟踪任务。然而，三维点云数据的不规则性、无序性和稀疏性导致传统二维目标跟踪的方法(如基于孪生神经网络的算法)无法直接应用，为三维时敏单目标跟踪带来巨大的挑战。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深度霍夫优化投票的时敏单目标跟踪方法、存储介质和终端。

本发明的目的是通过以下技术方案来实现的：

本发明的第一方面，提供基于深度霍夫优化投票的时敏单目标跟踪方法，包括以下步骤：

使用PointNet++网络提取模板点云P_temp和搜索点云P_sea的几何特征，并生成模板种子点集Q和搜索种子点集R；通过计算Q和R的相似度矩阵T将目标信息编码到搜索空间中，生成编码了目标信息的搜索种子点集D；

编码后的搜索种子点d_j通过投票产生对应的潜在目标中心点c_j，并基于置信度得分B从潜在目标中心C中筛选出具有高置信度的潜在目标中心E；

采样和聚集高可信度的潜在目标中心E，产生K个提议，具有最高得分的提议作为最终的预测结果Φ；

采用模板点云更新策略γ，基于前一帧目标的预测结果更新模板点云P_temp。

进一步地，所述使用PointNet++网络提取模板点云P_temp和搜索点云P_sea的几何特征，并生成模板种子点集Q和搜索种子点集R，包括：

向PointNet++网络输入模板点云和搜索点云得到模板种子点集和搜索种子点集其中M₁代表模板种子点集Q中种子点的数量，M₂代表搜索种子点集R中种子点的数量，q_i和r_j分别代表模板种子点和搜索种子点，由三维坐标和特征构成；

所述通过计算Q和R的相似度矩阵T将目标信息编码到搜索空间中，生成编码了目标信息的搜索种子点集D，包括：

使用余弦距离计算Q和R之间的相似度，生成相似度矩阵T＝(M₂，M₁)，计算公式如下所示：

其中，T_j，i是T中的第j行，表示了r_j与Q中所有种子点的相似度；