[发明专利]一种基于运动方向变化的候选种子的点云单目标跟踪方法

说明书

本发明公开了一种基于运动方向变化的候选种子的点云单目标跟踪方法，包括训练模块和测试模块，训练模块首先对点云预处理得到模板点云，其次使用高斯采样得到候选点云，再次将模板点云和候选点云输入编码器进行编码，得到对应的特征向量，最后分别计算距离损失函数与方向损失函数并且训练整个模型。测试模块首先使用预先训练的PointRcnn模型进行目标检测，其次进行候选区域采样，再次将采样的候选点云与上一帧跟踪目标点云输入到训练好的模型进行编码，最后对编码后的特征向量使用余弦相似性对比进行目标跟踪。本发明方法能够提高单目标跟踪精度，有效防止错跟踪现象出现。

技术领域

本发明涉及一种点云单目标跟踪方法，特别是一种基于运动方向变化的候选种子的点云单目标跟踪方法，属于3D点云目标跟踪领域。

背景技术

目前国内外对目标跟踪主要集中在计算机视觉和激光雷达的方向上，计算机视觉主要是指在图像和视频中获取信息，由于获取的信息易受到天气、光线和目标刚性变化的影响，如遇到极端天气状或者跟踪目标点云遭到遮挡截断等情况下，单靠计算机视觉方法难以全面的得到目标信息，因而出现错跟、漏跟等现象，使目标跟踪效果不佳。激光雷达获取的3D点云信息具有多角度、更立体、高精度、具有景深信息等优点，对于目标跟踪更有潜力。

现有的3D目标跟踪技术主要分为：2D图像与3D点云交互跟踪方法与仅使用3D点云跟踪方法。2D图像与3D点云交互跟踪方法是利用目标的2D颜色、纹理等信息与3D点云景深姿态描述等相互结合进而跟踪；而仅使用3D点云跟踪利用点云自身所获得的信息进行跟踪，具体包括位置、方向角、截断、遮挡等点云信息。除此外，3D点云跟踪还分为传统跟踪方法与基于深度学习框架跟踪方法，传统方法进行3D目标跟踪如AB3DMOT，它基于3D卡尔曼滤波进行目标跟踪，方法简单但是跟踪精度较低。近年来随着深度学习的发展，越来越多的基于深度学习的神经网络框架逐渐的应用到的3D点云领域，但是更集中于3D目标的检测，如PointNet、pointRCNN、3D ShapeNets、YOLO等网络框架提出，这些网络框架能够有效的检测3D物体，有些学者在有效的检测基础上进一步研究，Complexer-YOLO3DDT将视觉语义与三D目标检测相结合进行目标跟踪。2D-3DSiamese在BEV视角进行3D交互进而跟踪。SC3D在卡尔曼滤波的搜索策略下进行Siamese匹配进而跟踪。

当下多数算法致力于点云多目标跟踪而少有算法进行点目标跟踪，现有的单目标跟踪算法有两个方面的问题：1、跟踪训练过程中仅关心目标距离与而忽略目标的运动方向，导致单目标跟踪精度低；2、在实现过程中，目标点云与全局候选点云做匹配对比，经常出现在较远位置的候选点云与跟踪目标点云的相似度高于实际目标点云与跟踪目标点云的相似度，故易出现错跟踪的现象。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种基于运动方向变化的候选种子的点云单目标跟踪方法，可以提高单目标跟踪精度，防止错跟踪现象。

为解决上述技术问题，本发明的一种基于运动方向变化的候选种子的点云单目标跟踪方法，包括训练部分和测试部分，训练部分包括以下步骤：

步骤1.1：对激光雷达上获取的点云数据预处理：对所有片段的目标点云中心点进行居中对齐，并且裁剪成为一个模板点云，并保证所裁剪的目标点云点数N固定，得到该目标的模板点云X；

步骤1.2：对每一帧跟踪目标点云进行高斯采样，高斯采样以目标点云的中心为原点，得到m个关于位置的偏置(Δx,Δy,Δz)，将位置的偏置附加到该帧跟踪目标点云中心坐标(x，y，z)上，得到候选点云的中心坐标目标点云的长宽高作为候选点云的长宽高，将当前帧的目标点云的所有点添加给候选点云，并保持点数与模板点云点数N一致，若少于模板点云点数则随机增加点云点数，若多于模板点云点数随机抛弃模板点数，得到m组候选点云