自动驾驶目标检测和目标追踪方法及实现

实际检测过程中，外界环境复杂（光照、遮挡等）、相机会抖动等多因素影响，仅依赖检测的结果，检测框是很不稳定的。加入追踪后的检测框极其稳定，输出结果更平滑，几乎不存在抖动，同时还给出了不同物体的label，和同一类型物体的不同的id信息，既对不同物体做了区分，又对同一类型物体做了区分，即实现了多目标追踪；通过对轨迹特征的自动分析和提取，弥补视觉目标检测的不足，有效的去除错误的检测，增加遗漏的检测，为进一步的行为分析提供基础。
跟踪只是一个后处理操作，维持轨迹框，并且尽量保持ID不变。
卡尔曼滤波算法作用：该算法的主要作用就是当前的一系列运动变量去预测下一时刻的运动变量，但是第一次的检测结果用来初始化卡尔曼滤波的运动变量。

匈牙利算法的作用：简单来讲就是解决分配问题，就是把一群检测框和卡尔曼预测的框做分配，让卡尔曼预测的框找到和自己最匹配的检测框，达到追踪的效果。
具体实现方法
思路：
多目标追踪（Multi-object Tracking, MOT）有两种思路：一种是基于检测和匹配的方法，即通过目标检测结合帧间的数据关联来实现，1，常规的目标检测算法（ssd/yolo/faster rcnn），将每一帧的目标检测出来；2，使用KM等匹配算法将相邻帧之间检测到的目标进行关联，得到每个特定目标的运动轨迹。
deepsort算法：<

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！