多目标数据关联算法
前言
我的研究方向主要是多传感器融合感知,应用在自动驾驶领域和无人机领域,实现多目标的识别和跟踪。多传感器间的数据采用特征提取的方法,需要针对性的采用合适的数据关联算法,并根据特征级融合进行优化。
数据关联算法:
级联匹配(DeepSort)
谈到多目标跟踪算法,自然绕不开DeepSort这一个经典的方法。该方法作为经典的Tracking-by-Detection模式,可供优化和改进的方法较多。
核心思路:寻找增广路径和最大匹配。换言之就是尽可能多的实现匹配。
算法流程:
1.状态估计: ( μ , ν , γ , h , x ^ , u ^ , γ ^ , h ^ ) , 其 中 μ , ν , γ , h , 代 表 检 测 框 中 心 的 横 纵 坐 标 , 横 纵 比 , 高 度 , u ^ , γ ^ , h ^ 为 图 像 中 的 对 应 速 度 。 (\mu,\nu,\gamma,h,\widehat{x},\widehat{u},\widehat{\gamma},\widehat{h}),其中\mu,\nu,\gamma,h,代表检测框中心的横纵坐标,横纵比,高度,\widehat{u},\widehat{\gamma},\widehat{h}为图像中的对应速度。 (μ,ν,γ,h,x
,u
,γ
,h
),其中μ,ν,γ,h,代表检测框中心的横纵坐标,横纵比,高度,u
,γ
,h
为图像中的对应速度。
2.目标管理:
(1)帧间间隔时间 t t t,帧间实现成功匹配需要在阈值内;
(2)目标三种状态:
- tentative:当前帧中检测到目标新生成,待查看是否连续帧中均存在;
- confirmed:连续帧中匹配成功;
- deleted:连续帧中匹配失败。
3.目标指派:
(1)运动信息关联:基于匀速直线运动模型,卡尔曼滤波器做状态预测,预测结果和检测结果间利用马氏距离完成数据关联:
d 1 ( i , j ) = ( d j − y j ) T S j − 1