CN119494851A 目标跟踪方法、装置、计算机设备、存储介质和程序产品 （天津卡尔动力科技有限公司）

街8号326号(北创益员(天津)商务秘本公开实施例涉及一种目标跟踪方法、装特征为根据历史预测结果对历史BEV特征进行反2将所述多视角图像输入至预测模型中，利用所述预测模型调用目标括目标导向鸟瞰图BEV特征；所述目标导向BEV特征为根据历史预测结果对历史BEV特征进征；所述目标导向图像特征为根据所述历史预测结果对历史图像特征进行反向优化得到标导向特征对所述多视角图像进行预测，得到所述多视角图像中各目标物体的预测结果，通过所述第一处理网络、所述多视角图像和调用的所述目标导向将所述初始BEV特征和调用的所述目标导向BEV特征输入所述第将所述目标BEV特征输入所述分类网络，得到所述多视角图像中各目标物体的预测结将所述初始图像特征和调用的所述目标导向图像特征输入所述融合6.根据权利要求5所述的方法，其特征在于，所根据所述历史BEV特征向量、所述历史BEV特征和所述历史预测向量对所述历史BEV特征向量和所述历史预测向量进行不同尺寸的目标映射，得到所述历根据所述历史BEV特征向量中不同尺寸的目标的分布权重，获取不同尺寸的第一目标3利用所述第一目标导向筛选网格对所述历史BE根据不同核大小的动态卷积核对所述筛选后的BEV特征进行处理，得到所述目标导向对所述历史图像特征进行中心映射，获取所述历史图像特征对应的历史图像特征向根据所述历史图像特征向量、所述历史图像特征和所述历史预对所述历史图像特征向量和所述历史预测向量进行不同尺寸的目标映根据所述历史图像特征向量中不同尺寸的目标的分布权重，获取根据不同核大小的动态卷积核对所述筛选后的图像特征进行处理，根据所述多视角图像中各目标物体的预测结果和预设的目标根据各所述目标物体的预测结果和所述目标轨迹，确定各所述预确定所述预测结果对应的第一图像特征向量、第一BEV特征向量和第一预测结果特征确定所述目标轨迹对应的第二图像特征向量、第二BEV特征向量和第二预测结果特征4根据所述第一预测结果特征向量和所述第二预测结果特征向量，得到第三相似度矩根据所述第一相似度矩阵、所述第二相似度矩阵、所述第三相将所述加和矩阵作为预设的匹配算法的代价矩阵，对所述预测结果根据所述预测结果和所述目标轨迹，确定所述预测结果中确定所述第二物体边界框和剩余目标轨迹中物体的边界框；所述根据第二物体的边界框和所述剩余目标轨迹中物体的边界框，对根据预设的分类尺寸分别对所述第二物体的边界框和所述剩余目标轨迹中物体的边确定所述第二物体扩展后的的边界框与所述剩余目标轨迹中物体的扩展后的边界框若所述交并比大于所述交并比阈值，则根据所述剩余目标轨迹若所述交并比小于或等于所述交并比阈值，则利用所述第二物体第二获取模块，用于将所述多视角图像输入至预测标导向特征对所述多视角图像进行预测，得到所述多视角图像中各目标物体的预测结果；5行时实现权利要求1至17中任一项所述的方6[0004]然而，传统方法中存在确定的当前帧中目标物体的位置信息的准确度较低的问可以用于提高确定的当前帧中目标物体的位置征包括目标导向鸟瞰图BEV特征；所述目标导向BEV特征为根据历史预测结果对历史BEV特所述计算机程序被处理器执行时实现上述第一方面7标导向特征对多视角图像进行预测，该目标导向特征可以包括根据历史预测结果对历史向修正了历史BEV特征，得到的目标导向BEV特征中已经滤除掉了历史BEV特征中与目标物体无关的背景特征信息，避免了目标导向BEV特征中的背景特征信息对当前时刻的多视角当前时刻的多视角图像中各目标物体的预测结果的准[0020]图5为一个实施例中获取当前时刻的多视角图像中各目标物体的预测结果的示意8说明的是，从确定历史帧中的BEV特征的背景信息会影响当前帧中的BEV特征的学习精度，[0039]下面结合本公开实施例所应用的场景，对本公开实施例涉及的技术方案进行介集当前时刻车辆104所处环境的多视角图像，通过通信组件可以将采集的多视角图像发送是根据当前时刻多个位置朝向不同的图像采集设备所输出的当前时刻的多视角图像时，可以将当前时刻的不同朝向的多个图像信息进行像素级融合，鸟瞰图BEV特征；目标导向BEV特征为根据历史预测结果对历史BEV特征进行反向优化得到9大量无关的背景特征信息，使得获取的BEV特征中也包含大量的与目标物体无关的背景特历史BEV特征进行优化，滤除掉历史BEV特征中无关的背景特征信息，得到目标导向BEV特目标物体的特征提供时序信息，以对当前时刻的多视角图像中各目标物体进行特征增强，标导向特征可以包括根据历史预测结果对历史BEV特征进行反向优化得到的目标导向鸟瞰据分析结果确定当前时刻的多视角图像中各目标物体的预测可以包括根据历史预测结果对历史BEV特征进行反向优化得到的目标导向鸟瞰图BEV特征，物体的预测结果，确保了得到的当前时刻的多视角图像中各目标物体的预测结果的准确征对当前时刻的多视角图像进行分类处理，根据分类结果确定多视角图像中的目标物体，得到当前时刻的多视角图像中各目标物体的向优化得到的目标导向图象特征，而目标导向图像特征和目标导向BEV特征为根据历史预包含的无关的背景特征信息较少，从而通过预测模型调用目标导向图像特征和目标导向边将对通过预测模型得到当前时刻的多视角图像中各目标物体的预测结果的详细过程加而得到所包含的特征信息更全面和准确的融合特征映射到BEV视角中，能够快速得到初始BEV特征，从而能够提高得到初始BEV特征的效利用调用的目标导向BEV特征对初始BEV特征进行融合处理，由于调用的目标导向BEV特征[0074]下边将结合图5对上述得当前时刻的多视角图像中个目标物体的预测结果的详细模型中的分类网络对融合后的BEV特征进行分类处理，根据分类结果确定多视角图像中的确定的多视角图像中各目标物体的预测结果的[0085]在本实施例中，可以根据历史BEV特征，确定历史预测结果中各目标物体对应的BEV特征的中心，根据确定的各目标物体对应的BEV特征的中心对历史各历史BEV特征进行[0087]在本实施例中，可以根据历史预测向量对历史BEV特征向量中与目标物体无关的[0089]S701，对历史BEV特征向量和历史预测向量进行不同尺寸的目标映射，得到历史[0094]S703，利用第一目标导向筛选网格对历史BEV特征进行滤除处理，得到筛选后的[0095]在本实施例中，可以将历史BEV特征分别与不同尺寸的第一目标导向筛选网格进在3D空间位置的中心，从而根据得到的各目标物体的中心对各目标物体进行中心映射变[0114]其中，不同尺寸的目标映射指的是对历史图像特征向量进行不同尺寸的筛选处据不同核大小的动态卷积核对筛选后的图像特征进行卷积处理，得到目标导向图像特征。测向量和历史BEV特征向量输入目标映射网络中，对历史预测结果中的各目标物体的尺寸包括不同尺寸的第一目标导向筛选网格，将历史BEV特征与不同尺寸的第一目标导向筛选网格相乘得到筛选后的特征，进而利用不同核大小的动态卷积核对筛选后的BEV特征进行历史图像特征向量输入目标映射网络中，对历史预测结果中的各目标物体的尺寸进行分结果中的特征信息和在目标轨迹中的轨迹信息对该目标踪形成的轨迹，因此得到的目标轨迹能够准确的得到目标物体在历史时刻中的轨迹信息，轨迹对应的物体的特征信息进行匹配，根据匹配结果确定预测结果与目标轨迹是否匹配，应的物体与预测结果中的目标物体是匹配的，将预测结果中的该目标物体确定为第一物阈值可以为80也可以为70本实施例对此不做限制；也可以将各目标物体的预测结果目标轨迹获取第一物体在历史时刻中对应的多个位置信息，从而根据获取的多个位置信特征向量是当前时刻的多视角图像对应的各目标物体的预特征向量是历史时刻的多视角图像对应的各目标物体的历史预[0148]其中，第二相似度矩阵是用于表征预测结果中各目标物体的第一BEV特征向量与[0149]在本实施例中，可以将预测结果中各目标物体的第一BEV特征向量和各目标轨迹中各物体对应的第二BEV特征向量进行乘积运算，将乘积值作为第二相似度矩阵中的矩阵量与各目标轨迹中各物体对应的第二预测结果特征向量之BEV特征向量和第二预测结果特征向量，从而能够快速且准确的根据第一图像特征向量和[0158]S1301，根据预测结果和目标轨迹，确定预测结果中与目标轨迹不匹配的第二物轨迹对应的物体的特征信息进行匹配，根据匹配结果确定预测结果与目标轨迹是否匹配，迹中物体的边界框相似，将剩余目标轨迹中物体确定为第二物体在历史时刻中对应的物确定的轨迹信息和第二物体的位置信息对第二物体进轨迹中物体的边界框，进而能够根据第二物体的边界框和剩余目标轨迹中物体的边界框，[0167]S1401，根据预设的分类尺寸分别对第二物体的边界框和剩余目标轨迹中物体的[0168]其中，预设的分类尺寸是根据多视角图像中各目标物体尺寸分别对第二物体的边界框和剩余目标轨迹中物体的边界框进行扩展处理。示例性地，目标轨迹中物体的边界框扩展之后的尺寸不能超过中型目标的最大尺[0170]S1402，确定第二物体扩展后的的边界框与剩余目标轨迹中物体的扩展后的边界相似度确定第二物体与剩余目标轨迹中物体是否匹配，根据匹配结果对第二物体进行跟以及后续时刻该第二物体对应的位置信息对第二物体进行跟踪，获取第二物体的跟踪轨[0196]S14，确定第二物体边界框和剩余目标轨迹中未与各预测结果匹配的目标轨迹中而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交征包括目标导向鸟瞰图BEV特征；目标导向BEV特征为根据历史预测结果对历史BEV特征进[0207]第二获取单元122，用于将初始BEV特征和调用的目标导向BEV特征输入第二处理特征向量和历史预测向量进行不同尺寸的目标映射，得到历史BEV特征向量中不同尺寸的[0233]跟踪模块17，用于根据多视角图像中各目标物体的预测数据的示例包括用于在计算机设备1300上操作的任何应用程序或方法的指令，联系人数设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器[0257]多媒体组件1308包括在所述计算机设备1300和用户之间的提供一个输出接口的[0259]I/O接口1312为处理组件1302和外围接口模块之间提供接口，上述外围接口模块[0261]通信组件1316被配置为便于计算机设备1300和其他设备之间有线或无线方式的号或广播相关信息。在一个示例性实施例中，所述通信组件1316还