[发明专利]一种目标跟踪方法、系统、介质及设备

说明书

本申请公开了一种目标跟踪方法、系统、介质及设备，属于自动驾驶技术领域，该方法包括：获取车辆周围的原始点云数据，并转换到同一坐标系下，得到预处理点云数据；对预处理点云数据进行目标检测，确定候选目标的位置，然后提取目标点云数据；并对目标点云数据进行多视角深度图像投影，得到深度伪图像；对深度伪图像进行分类，得到对应的候选目标的目标类别、置信度以及特征向量；对候选目标进行目标跟踪。本申请通过对激光雷达获取的点云数据进行处理，提取目标区域的点云数据并进行投影，得到对应的深度伪图像，通过检测器对深度伪图像进行检测，加快对点云数据的处理能力及处理效率。

技术领域

本申请涉及自动驾驶技术领域，尤其涉及一种目标跟踪方法、系统、介质及设备。

背景技术

自动驾驶技术在近年来飞速发展，尤其是在限定条件下的自动驾驶，如高速公路、港口等场景，对自动驾驶技术的可靠性带来诸多挑战。为了保证自动驾驶系统感知能力的冗余度与鲁棒性，一般都会涉及多种传感器，主要包括摄像头、激光雷达、毫米波雷达、超声波雷达等。多目标跟踪是自动驾驶算法中的核心算法，稳定且准确的检测其他车辆在三维空间中的实际位置十分重要。激光雷达由于其自身特性，具有提供准确空间位置信息的能力，因此十分适合用来做多目标跟踪。

在线多目标跟踪算法主要可以分为传统方法和结合深度学习方法两大类。传统方法主要包含了单帧的检测与多帧跟踪两个步骤。结合深度学习部分的主要分为两类范式，一类是Tracking by Detection，即将传统方法中的单帧检测模块算法替换为深度学习检测方法，一类是Joint DetectionTracking，即将历史帧信息也编码到下一帧的检测中。其中，传统方法缺乏语义理解能力，在复杂场景中无法有效给出候选框；结合深度学习的跟踪方法中，大多数检测器都是以视觉检测为的背景下开发，直接应用到对激光雷达采集点云数据的处理上，导致效果不佳，对雷达点云的处理效率低的问题。

发明内容

本申请实施例提出一种目标跟踪方法、系统、介质及设备，用以解决在对目标识别跟踪时，点云处理效果不佳，处理效率不高的问题，。

在本申请的一个技术方案中，提供一种目标跟踪方法，包括：通过多个激光雷达获取车辆周围的原始点云数据，并转换到同一坐标系下，得到预处理点云数据；对预处理点云数据进行目标检测，确定预处理点云数据中候选目标的位置；根据候选目标的位置，从预处理点云数据中，提取候选目标对应的目标点云数据；对目标点云数据进行多视角深度图像投影，得到深度伪图像；对深度伪图像进行分类，得到对应的候选目标的目标类别、置信度以及特征向量；根据候选目标的目标类别、置信度以及特征向量更新跟踪目标轨迹或新建跟踪轨迹，进行目标跟踪。

可选的，获取车辆周围的原始点云数据，并转换到同一坐标系下，得到预处理点云数据，包括：对获取的原始点云数据进行外参转换，将获取的原始点云数据转换到同一坐标系下；并对同一坐标系中，原始点云数据进行拼接，得到预处理点云数据。

可选的，对预处理点云数据进行目标检测，确定预处理点云数据中候选目标的位置，包括：对预处理点云数据按照点云点与自动驾驶车辆的距离进行分类，得到近程点云数据和远程点云数据；对近程点云数据进行目标检测，得到第一候选目标及其对应的位置；对远程点云数据进行目标聚类，得到第二候选目标及其对应的位置。

可选的，对预处理点云数据按照点云点与自动驾驶车辆的距离进行分类，得到近程点云数据和远程点云数据，包括：将距离小于第一预设距离阈值的预处理点云数据，确定为近程点云数据；将距离大于第二预设距离阈值的预处理点云数据，确定为远程点云数据，其中第二预设距离阈值小于第一预设距离阈值。

可选的，对近程点云数据进行目标检测，得到第一候选目标及其对应的位置，包括：对近程点云数据进行投影，得到伪图像；通对伪图像进行检测，得到第一候选目标及其对应的位置。