[发明专利]一种基于DS证据理论的轨迹预测装置及方法

说明书

本发明提供一种基于DS证据理论的目标轨迹预测装置及方法，根据传感器探测的目标，进行时空配准，利用改进的卷积神经网络提取目标特征并分类，将图像目标特征与三维点云特征基于相同帧进行特征配准、融合，特征包括共有特征和非共有特征，判断非共有特征是否需要保留；对于同一目标，基于连续前后帧对多个目标进行关联，得到连续帧的同一目标，建立样本矩阵用于表示被预测的轨迹，包括：单个传感器的目标轨迹预测、多个传感器之间目标匹配的轨迹预测、单个传感器获取各自目标的轨迹融合后的轨迹预测；利用DS证据理论基于空间特征、图像特征和目标轨迹信息对预测的轨迹进行正确性判断，输出最优轨迹。本发明能够提高轨迹预测的准确性。

技术领域

本发明涉及目标探测与识别领域，尤其是涉及了一种基于DS证据理论的轨迹预测装置及方法。

背景技术

目标预测轨迹是提前掌握目标运动的动态，计划预测轨迹的准确程度将很大程度影响制定决策的可行性和有效性。计划预测轨迹的产生现行领域中是通过构建目标性能模型去推算的，但预测结果和实际运行结果仍存在一定的差异。

现有的轨迹预测方法，是根据轨迹规划，建立轨迹微分方程组解算模型，通过数值解算方法如欧拉法、龙格库塔法等，利用给定的初始值和解算步长，对轨迹微分方程组进行解算，在满足解算结束条件时，完成对轨迹微分方程组的解算，从而可以获得在解算结束时刻对应的轨迹的状态，也就是从当前给定的初始状态，预测结束时刻的状态。

传统的轨迹预测方法，有两种实现方式，如在线实时预测，通过编写计算机程序实现数值解算算法，在实时系统时钟下，实时在线解算目标的运动方程组来实现预测。实时在线预测，可以提取系统的当前状态作为预测的初始状态，动态调整预测初始值和结束条件，使得预测结果更加准确，但预测时间较长，在系统存在超实时要求情况下不能满足使用要求；

另一种方式是离线预测，在非实时系统时钟下解算目标的运动方程组，事先进行轨迹预测，将预测结果作为系统的输入，再启动系统的后续工作流程。离线预测的好处是可以超实时实现预测，预测速度快，但不足的是预测结果准确性较差，系统稍有扰动，则预测结果就存在误差。

因此，在轨迹预测过程中，如何有效的提高预测效率且提高预测准确率是一项亟待解决的问题。

本发明提供一种基于DS证据理论的轨迹预测装置及方法，根据多个传感器探测的目标，进行时空配准，利用改进的卷积神经网络提取目标特征并分类，将图像目标特征与三维点云特征基于相同帧进行特征配准、融合，特征包括共有特征和非共有特征，判断非共有特征是否需要保留；对于同一目标，基于连续前后帧对多个目标进行关联，得到连续帧的同一目标，建立样本矩阵用于表示被预测的轨迹，包括：单个传感器的目标轨迹预测、多个传感器之间目标匹配的轨迹预测、单个传感器获取各自目标的轨迹融合后的轨迹预测；利用DS证据理论基于空间特征、图像特征和目标轨迹信息对预测的轨迹进行正确性判断，输出最优轨迹。本发明能够提高轨迹预测的准确性。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于DS证据理论的轨迹预测装置及方法，根据传感器探测的目标，进行时空配准，利用改进的卷积神经网络提取目标特征并分类，将图像目标特征与三维点云特征基于相同帧进行特征配准、融合，特征包括共有特征和非共有特征，判断非共有特征是否需要保留；对于同一目标，基于连续前后帧对多个目标进行关联，得到连续帧的同一目标，建立样本矩阵用于表示被预测的轨迹，包括：单个传感器的目标轨迹预测、多个传感器之间目标匹配的轨迹预测、单个传感器获取各自目标的轨迹融合后的轨迹预测；利用DS证据理论基于空间特征、图像特征和目标轨迹信息对预测的轨迹进行正确性判断，输出最优轨迹。本发明能够提高轨迹预测的效率和准确性。

为实现上述目的，本发明提供一种基于DS证据理论的轨迹预测方法，其特征在于，包括：

步骤1，利用多传感器采集目标信息，获取目标所在区域的视频图像信息和三维点云信息；

步骤2，对采集到的信息进行时间配准和空间配准；