点云目标跟踪方法、电子设备、介质及车辆与流程

1.本发明涉及自动驾驶技术领域，具体提供一种点云目标跟踪方法、电子设备、介质及车辆。

背景技术：

2.激光雷达点云目标跟踪是自动驾驶感知模块的关键技术之一，通过对连续帧的目标检测结果进行数据关联、状态滤波等操作，实现复杂动态场景的环境感知，为后续决策规划模块提供数据支持。
3.现有的点云目标跟踪方法通常假设输入目标来自单一检测算法，例如目标检测模块使用深度学习模型输出目标3d box信息，包含目标类别、中心点、朝向角和三维尺寸等数据。跟踪模块首先根据检测目标与track中心点距离构建相似矩阵，利用匈牙利算法求解匹配结果，对于匹配上的目标，提取其观测状态x＝[x,y,z,l,w,h,r](其中x,y,z表示目标中心点位置，l,w,h表示目标长宽高尺寸，r表示目标朝向角)，利用卡尔曼滤波对最优状态进行估计，得到平滑后的目标运动状态。
[0004]
深度学习算法存在可解释性差，难以实现100％召回率的缺点，因此实际工程中，为了保证行车安全，通常会在深度学习模型后串联一个传统点云分割模块，即目标检测采用两种不同的方法。传统分割算法利用点云几何信息进行聚类，无法准确估计目标的中心点、三维尺寸、朝向角等数据，只能将目标表示成包络点云的多边形。由于这两种算法输出的目标存在形态上的差异，现有的目标跟踪方法难以同时处理这两种目标输入。
[0005]
相应地，本领域需要一种新的点云目标跟踪方案来解决上述问题。

技术实现要素：

[0006]
为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决现有的目标跟踪方法难以同时处理包含检测目标和分割目标两种目标输入的技术问题。本发明提供了一种点云目标跟踪方法、电子设备、介质及车辆。
[0007]
在第一方面，本发明提供一种点云目标跟踪方法，所述方法包括：分别获取检测目标和分割目标，所述检测目标基于深度学习算法得到，所述分割目标基于点云分割算法得到；将所述检测目标与第一跟踪轨迹进行匹配，得到第一匹配结果；将所述分割目标与未匹配的第一跟踪轨迹进行匹配，得到第二匹配结果；将未匹配的检测目标和未匹配的分割目标分别与第二跟踪轨迹进行匹配，得到第三匹配结果；基于所述第一匹配结果、第二匹配结果和第三匹配结果分别确定所述检测目标和分割目标的最优状态估计。
[0008]
在一个具体实施方式中，将所述检测目标与第一跟踪轨迹进行匹配，得到第一匹配结果，包括：确定所述检测目标与第一跟踪轨迹之间的马氏距离；基于所述马氏距离获得第一匹配结果；和/或
[0009]
将所述分割目标与未匹配的第一跟踪轨迹进行匹配，得到第二匹配结果，包括：确定所述分割目标的质心点与未匹配的第一跟踪轨迹的质心点之间的欧氏距离；基于所述欧
氏距离获得第二匹配结果；和/或
[0010]
将未匹配的检测目标和未匹配的分割目标分别与第二跟踪轨迹进行匹配，得到第三匹配结果，包括：分别确定所述未匹配的检测目标的质心点与第二跟踪轨迹之间的欧氏距离和未匹配的分割目标的质心点与第二跟踪轨迹的质心点之间的欧氏距离；基于所述欧氏距离确定第三匹配结果。
[0011]
在一个具体实施方式中，基于所述第一匹配结果、第二匹配结果和第三匹配结果分别确定所述检测目标和分割目标的最优状态估计，包括：
[0012]
基于所述第一匹配结果对检测目标的运动状态进行滤波，得到所述检测目标的最优状态估计；和/或
[0013]
基于所述第二匹配结果对分割目标进行3d边界框拟合，得到所述分割目标对应的3d边框，并基于所述3d边框对所述分割目标的运动状态进行滤波，得到所述分割目标的最优状态估计；和/或
[0014]
判断所述第三匹配结果对应的目标是否为分割目标；若是，基于所述第三匹配结果对分割目标进行3d边界框拟合，得到所述分割目标对应的3d边框，并基于所述3d边框对所述分割目标的运动状态进行滤波，得到所述分割目标的最优状态估计；若否，基于所述第三匹配结果对检测目标的运动状态进行滤波，得到所述检测目标的最优状态估计。
[0015]
在一个具体实施方式中，基于所述第二匹配结果对分割目标进行3d边界框拟合，得到所述分割目标对应的3d边框，包括：基于所述分割目标和第二匹配结果构建最小包围矩形；从所述最小包围矩形的四个顶点中获取距离车辆最近的一个顶点，并将最近的所述顶点作为3d边框的一个顶点；将所述分割目标对应的第一跟踪轨迹预测的尺寸作为所述3d边框的三维尺寸，得到所述分割目标对应的3d边框。
[0016]
在一个具体实施方式中，还包括：判断未匹配的第一跟踪轨迹的消失时长是否大于预设时长，若是，将所述未匹配的第一跟踪轨迹从第一跟踪轨迹列表中删除；
[0017]
判断未匹配的第二跟踪轨迹的消失时长是否大于预设时长，若是，将所述未匹配的第二跟踪轨迹从第二跟踪轨迹列表中删除；若否，判断所述未匹配的第二跟踪轨迹的生存时长是否大于预设时长，在所述未匹配的第二跟踪轨迹的生存时长大于预设时长的情况下，将所述未匹配的第二跟踪轨迹转换为第一跟踪轨迹。
[0018]
在一个具体实施方式中，还包括：对于未匹配的目标，基于所述未匹配的目标的观测值生成第二跟踪轨迹。
[0019]
在一个具体实施方式中，在将所述检测目标与第一跟踪轨迹进行匹配，得到第一匹配结果之前，还包括：将所述检测目标和分割目标从车体坐标系转换至世界坐标系下。
[0020]
在第二方面，提供一种电子设备，该电子设备包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行前述任一项所述的点云目标跟踪方法。
[0021]
在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行前述任一项所述的点云目标跟踪方法。
[0022]
在第四方面，提供一种车辆，所述车辆包括前述的电子设备。
[0023]
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
[0024]
本发明提供一种点云目标跟踪方法，对于同时接收的检测目标和分割目标，采用多阶段匹配的方式分别对检测目标和分割目标进行轨迹匹配，以根据匹配结果分别确定检测目标和分割目标的最优状态估计。如此，解决了误匹配的问题，提高了目标的匹配精度，提高了目标运动状态跟踪的稳定性和鲁棒性，保障了无人驾驶车辆的行驶安全。
附图说明
[0025]
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：
[0026]
图1是根据本发明的一个实施例的点云目标跟踪方法的主要步骤流程示意图；
[0027]
图2是根据本发明的一个实施例的分割目标3d box拟合方法示意图；
[0028]
图3是根据本发明的一个实施例的多阶段匹配方法流程示意图；
[0029]
图4是根据本发明的一个实施例的track管理流程示意图；
[0030]
图5是根据本发明的一个实施例的点云目标跟踪方法的整体流程示意图：
[0031]
图6是根据本发明的一个实施例的电子设备的结构示意图。
具体实施方式
[0032]
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
[0033]
在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“a和/或b”表示所有可能的a与b的组合，比如只是a、只是b或者a和b。术语“至少一个a或b”或者“a和b中的至少一个”含义与“a和/或b”类似，可以包括只是a、只是b或者a和b。单数形式的术语“一个”、“这个”也可以包含复数形式。
[0034]
为了保证行车安全，通常会在深度学习模型后串联一个传统点云分割模块，即目标检测采用两种不同的方法。传统分割算法利用点云几何信息进行聚类，无法准确估计目标的中心点、三维尺寸、朝向角等数据，只能将目标表示成包络点云的多边形。由于这两种算法输出的目标存在形态上的差异，现有的目标跟踪方法难以同时处理包含检测目标和分割目标这两种目标输入。此外，传统分割算法通常会有“过分割”和“欠分割”现象，直接采用现有的单阶段匹配算法会产生较多的误匹配，不利于后续的状态滤波。
[0035]
为此，本发明提出一种可以同时对检测目标和分割目标进行处理的点云目标跟踪方法，采用多阶段匹配方式，先后将检测目标和分割目标与track进行匹配，对于不同形态的目标匹配时采用不同的相似距离，可以有效解决目标形态不一致以及误匹配等问题。对匹配好的分割目标进行状态滤波前，先使用历史信息拟合3d box，估计出其中心点、三维尺寸和朝向角等信息，再采用卡尔曼滤波得到最优状态估计。如此，解决了误匹配的问题，提
高了目标的匹配精度，提高了目标运动状态跟踪的稳定性和鲁棒性，保障了无人驾驶车辆的行驶安全。
[0036]
参阅附图1，图1是根据本发明的一个实施例的点云目标跟踪方法的主要步骤流程示意图。
[0037]
如图1所示，本发明实施例中的点云目标跟踪方法主要包括下列步骤s101-步骤s105。
[0038]
步骤s101：分别获取检测目标和分割目标，所述检测目标基于深度学习算法得到，所述分割目标基于点云分割算法得到。
[0039]
检测目标是指采用深度学习算法检测出的目标，通常以3d边界框(3d box)表示，包含目标类别、中心点、质心点、三维尺寸、朝向角等信息。
[0040]
分割目标是指采用传统点云分割算法得到的目标，通常以凸多边形表示，包含凸多边形顶点列表、质心点等信息。
[0041]
上述的质心点是指目标3d box或凸多边形包围的激光点云的质心。
[0042]
在一个具体实施方式中，在将检测目标与第一跟踪轨迹进行匹配，得到第一匹配结果之前，还包括：将检测目标和分割目标从车体坐标系转换至世界坐标系下。
[0043]
检测目标和分割目标是在车体坐标系下完成的，跟踪是在世界坐标系下完成的，因此，在进行多阶段匹配之前，可以根据自车的位姿信息将检测目标和分割目标从车体坐标系转换至世界坐标系下。位姿信息包括位置和姿态，即自车在世界坐标系下的横坐标x、纵坐标y、竖坐标z、俯仰角、横滚角和偏航角等信息。
[0044]
步骤s102：将检测目标与第一跟踪轨迹进行匹配，得到第一匹配结果。第一跟踪轨迹(track)是指跟踪算法中维护的若干个历史目标轨迹。
[0045]
步骤s103：将分割目标与未匹配的第一跟踪轨迹进行匹配，得到第二匹配结果。
[0046]
步骤s104：将未匹配的检测目标和未匹配的分割目标分别与第二跟踪轨迹进行匹配，得到第三匹配结果。
[0047]
在一个具体实施方式中，还包括：对于未匹配的目标，基于未匹配的目标的观测值生成第二跟踪轨迹。
[0048]
未匹配的目标指的是未匹配的检测目标和未匹配的跟踪目标。对于未匹配的目标，可以根据目标的观测值[x,y,z,l,w,h,r]创建一个新的轨迹，因为这个轨迹出现时间较短，有可能是误检，所以这里称为候选轨迹(候选track)，也就是第二跟踪轨迹。
[0049]
步骤s105：基于第一匹配结果、第二匹配结果和第三匹配结果分别确定检测目标和分割目标的最优状态估计。
[0050]
基于上述步骤s101-步骤s105，对于同时接收的检测目标和分割目标，采用多阶段匹配的方式分别对检测目标和分割目标进行轨迹匹配，以根据匹配结果分别确定检测目标和分割目标的最优状态估计。如此，解决了误匹配的问题，提高了目标的匹配精度，提高了目标运动状态跟踪的稳定性和鲁棒性，保障了无人驾驶车辆的行驶安全。
[0051]
在一个具体实施方式中，将检测目标与第一跟踪轨迹进行匹配，得到第一匹配结果，包括：确定检测目标与第一跟踪轨迹之间的马氏距离；基于马氏距离获得第一匹配结果；和/或
[0052]
将分割目标与未匹配的第一跟踪轨迹进行匹配，得到第二匹配结果，包括：确定分
割目标的质心点与未匹配的第一跟踪轨迹的质心点之间的欧氏距离；基于欧氏距离获得第二匹配结果；和/或
[0053]
将未匹配的检测目标和未匹配的分割目标分别与第二跟踪轨迹进行匹配，得到第三匹配结果，包括：分别确定未匹配的检测目标的质心点与第二跟踪轨迹之间的欧氏距离和未匹配的分割目标的质心点与第二跟踪轨迹的质心点之间的欧氏距离；基于欧氏距离确定第三匹配结果。
[0054]
本技术分三个阶段依次将检测目标、分割目标与track或者候选track进行匹配。
[0055]
检测目标与第一跟踪轨迹(track)之间的匹配属于一阶段匹配。首先计算检测目标和track之间的马氏距离，以构建相似矩阵，接着利用匈牙利算法求解得到第一匹配结果。
[0056]
马氏距离的定义为：其中x
t
表示t时刻检测目标的观测状态，即x
t
＝(xd,yd,zd,ld,wd,hd,rd)
t
，y
t
表示t时刻track的预测状态，即y
t
＝(x
t
,y
t
,z
t
,l
t
,w
t
,h
t
,r
t
)
t
，σ表示目标状态滤波的协方差矩阵。
[0057]
在二阶段匹配过程中，具体是将一阶段匹配中未匹配的track与分割目标进行匹配，根据两者之间质心点的欧氏距离构建相似矩阵，并利用匈牙利算法求解得到第二匹配结果。
[0058]
欧氏距离的定义为：其中cs为分割目标的质心点，c
t
为track的质心点。
[0059]
在三阶段匹配过程中，首先将一阶段未匹配的检测目标和二阶段未匹配的分割目标进行合并，合并后与候选track进行匹配。具体是确定未匹配的检测目标的质心点与候选track之间的欧氏距离，以及确定未匹配的分割目标的质心点与候选track的质心点之间的欧氏距离；接着利用匈牙利算法分别求解这两个欧氏距离，即可得到第三匹配结果。
[0060]
在一个具体实施方式中，基于第一匹配结果、第二匹配结果和第三匹配结果分别确定检测目标和分割目标的最优状态估计，包括：基于第一匹配结果对检测目标的运动状态进行滤波，得到检测目标的最优状态估计；和/或
[0061]
基于第二匹配结果对分割目标进行3d边界框拟合，得到分割目标对应的3d边框，并基于3d边框对分割目标的运动状态进行滤波，得到分割目标的最优状态估计；和/或
[0062]
判断第三匹配结果对应的目标是否为分割目标；若是，基于第三匹配结果对分割目标进行3d边界框拟合，得到分割目标对应的3d边框，并基于3d边框对分割目标的运动状态进行滤波，得到分割目标的最优状态估计；若否，基于第三匹配结果对检测目标的运动状态进行滤波，得到检测目标的最优状态估计。
[0063]
3d边界框(3d box)拟合用于估计分割目标的中心点、三维尺寸和朝向角信息。
[0064]
对于一阶段匹配成功的检测目标，由于其已经包含了中心点、三维尺寸和朝向角信息，因此，不需要进行3d box拟合，直接根据第一匹配结果对检测目标的运动状态进行滤波，得到检测目标的最优状态估计。
[0065]
对于第二阶段中匹配成功的分割目标，需要进行3d box拟合，得到分割目标对应的3d边框，并根据3d边框对分割目标的运动状态进行滤波，得到分割目标的最优状态估计。
[0066]
另外，对于三阶段匹配成功的目标，首先判断该目标是否为分割目标，如果是，则
执行3d box拟合，得到分割目标对应的3d边框，并根据3d边框对分割目标的运动状态进行滤波，得到分割目标的最优状态估计。
[0067]
在一个具体实施方式中，基于第二匹配结果对分割目标进行3d边界框拟合，得到分割目标对应的3d边框，包括：基于分割目标和第二匹配结果构建最小包围矩形；从最小包围矩形的四个顶点中获取距离车辆最近的一个顶点，并将最近的顶点作为3d边框的一个顶点；将分割目标对应的第一跟踪轨迹预测的尺寸作为3d边框的三维尺寸，得到分割目标对应的3d边框。
[0068]
示例性地，如图2所示，凸多边形表示一个分割目标，斜箭头表示当前时刻与该分割目标匹配的track预测出的目标朝向。根据凸多边形和目标朝向，可以构建一个最小包围矩形，得到矩形的四个顶点a、b、c、d，选择四个顶点中距自车最近的一个顶点(即顶点a)作为3d box的一个顶点，取与该分割目标匹配的track预测出的长、宽、高作为3d box的三维尺寸，即可得到最终的3d边框，即矩形ab
′c′d′
。
[0069]
采用3d box拟合方法，能够对分割目标进行3d拟合，从而得到最终的3d边框，实现了同时对分割目标和分割目标的最优状态的估计。
[0070]
目标的最优状态估计可以采用线性卡尔曼滤波算法，对目标运动状态进行滤波得到。
[0071]
卡尔曼滤波器的状态定义为x＝(x,y,z,l,w,h,r,v
x
,vy,vz,vr)
t
，卡尔曼滤波器的观测值为o＝(x,y,z,l,w,h,r)
t
，其中x,y,z表示世界坐标系下目标的中心点，l,w,h表示目标的三维尺寸，r表示世界坐标系下目标的朝向角，v
x
,vy,vz,vr分别表示x,y,z,r的速度。
[0072]
如图3所示，多阶段匹配的结果有4种情况，包括匹配成功的目标、未匹配的混合目标、未匹配的track和未匹配的候选track。所述目标和混合目标既包含检测目标又包含分割目标。
[0073]
在一个具体实施方式中，还包括：判断未匹配的第一跟踪轨迹的消失时长是否大于预设时长，若是，将未匹配的第一跟踪轨迹从第一跟踪轨迹列表中删除；
[0074]
判断未匹配的第二跟踪轨迹的消失时长是否大于预设时长，若是，将未匹配的第二跟踪轨迹从第二跟踪轨迹列表中删除；若否，判断未匹配的第二跟踪轨迹的生存时长是否大于预设时长，在未匹配的第二跟踪轨迹的生存时长大于预设时长的情况下，将未匹配的第二跟踪轨迹转换为第一跟踪轨迹。
[0075]
track管理模块负责候选track的生成、track和候选track的消亡以及候选track到track之间的转换。如图4所示，对于上述未匹配的track，如果其消失时间大于2帧，则认为该目标已经消失，从track列表中删除该目标。
[0076]
对于上述未匹配的候选track，如果其消失时间大于2帧，则认为该目标已经消失，从候选track列表中删除该目标。对于剩下的候选track，如果其生存时间大于2帧，则将其转换为track，加入track列表中输出。
[0077]
对于上述未匹配的混合目标，根据目标的观测值创建新的候选track，加入到候选track列表中。
[0078]
track管理模块对track以及候选track的实时管理，为检测目标和分割目标的匹配提供了基础支撑。
[0079]
在一个具体实施方式中，如图5所示，对于获取的检测目标和分割目标，可以先进
行预处理，预处理指的是将检测目标和分割目标从车体坐标系转换至世界坐标系下。
[0080]
接着执行多阶段匹配。对于匹配成功的检测目标直接进行目标状态滤波，从而得到检测目标对应的目标跟踪结果。对于匹配成功的分割目标，先进行3d box拟合，以得到3d边框，并基于此进行目标状态滤波，从而得到分割目标对应的目标跟踪结果。
[0081]
另外，还可以对未匹配的track和未匹配的候选track进行track管理。
[0082]
如此，与现有跟踪方法相比，本发明采用多阶段匹配和3d box拟合技术，能够同时接收两种不同检测算法输出的目标，有效提高了激光感知模块的整体召回率，保障了无人驾驶车辆的行驶安全.此外，采用多阶段匹配有效降低了误匹配现象，提高了目标运动状态跟踪的稳定性和鲁棒性。
[0083]
需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
[0084]
本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
[0085]
进一步，本发明还提供了一种电子设备。在根据本发明的一个电子设备实施例中，如图6所示，电子设备包括处理器601和存储装置602，存储装置可以被配置成存储执行上述方法实施例的点云目标跟踪方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的点云目标跟踪方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。
[0086]
进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的点云目标跟踪方法的程序，该程序可以由处理器加载并运行以实现上述点云目标跟踪方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
[0087]
进一步，本发明还提供了车辆，所述车辆包括前述的电子设备。
[0088]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些
更改或替换之后的技术方案都将落入本发明的保护范围之内。

技术特征：

1.一种点云目标跟踪方法，其特征在于，所述方法包括：分别获取检测目标和分割目标，所述检测目标基于深度学习算法得到，所述分割目标基于点云分割算法得到；将所述检测目标与第一跟踪轨迹进行匹配，得到第一匹配结果；将所述分割目标与未匹配的第一跟踪轨迹进行匹配，得到第二匹配结果；将未匹配的检测目标和未匹配的分割目标分别与第二跟踪轨迹进行匹配，得到第三匹配结果；基于所述第一匹配结果、第二匹配结果和第三匹配结果分别确定所述检测目标和分割目标的最优状态估计。2.根据权利要求1所述的点云目标跟踪方法，其特征在于，将所述检测目标与第一跟踪轨迹进行匹配，得到第一匹配结果，包括：确定所述检测目标与第一跟踪轨迹之间的马氏距离；基于所述马氏距离获得第一匹配结果；和/或将所述分割目标与未匹配的第一跟踪轨迹进行匹配，得到第二匹配结果，包括：确定所述分割目标的质心点与未匹配的第一跟踪轨迹的质心点之间的欧氏距离；基于所述欧氏距离获得第二匹配结果；和/或将未匹配的检测目标和未匹配的分割目标分别与第二跟踪轨迹进行匹配，得到第三匹配结果，包括：分别确定所述未匹配的检测目标的质心点与第二跟踪轨迹之间的欧氏距离和未匹配的分割目标的质心点与第二跟踪轨迹的质心点之间的欧氏距离；基于所述欧氏距离确定第三匹配结果。3.根据权利要求1所述的点云目标跟踪方法，其特征在于，基于所述第一匹配结果、第二匹配结果和第三匹配结果分别确定所述检测目标和分割目标的最优状态估计，包括：基于所述第一匹配结果对检测目标的运动状态进行滤波，得到所述检测目标的最优状态估计；和/或基于所述第二匹配结果对分割目标进行3d边界框拟合，得到所述分割目标对应的3d边框，并基于所述3d边框对所述分割目标的运动状态进行滤波，得到所述分割目标的最优状态估计；和/或判断所述第三匹配结果对应的目标是否为分割目标；若是，基于所述第三匹配结果对分割目标进行3d边界框拟合，得到所述分割目标对应的3d边框，并基于所述3d边框对所述分割目标的运动状态进行滤波，得到所述分割目标的最优状态估计；若否，基于所述第三匹配结果对检测目标的运动状态进行滤波，得到所述检测目标的最优状态估计。4.根据权利要求3所述的点云目标跟踪方法，其特征在于，基于所述第二匹配结果对分割目标进行3d边界框拟合，得到所述分割目标对应的3d边框，包括：基于所述分割目标和第二匹配结果构建最小包围矩形；从所述最小包围矩形的四个顶点中获取距离车辆最近的一个顶点，并将最近的所述顶点作为3d边框的一个顶点；将所述分割目标对应的第一跟踪轨迹预测的尺寸作为所述3d边框的三维尺寸，得到所述分割目标对应的3d边框。5.根据权利要求1所述的点云目标跟踪方法，其特征在于，还包括：判断未匹配的第一跟踪轨迹的消失时长是否大于预设时长，若是，将所述未匹配的第一跟踪轨迹从第一跟踪
轨迹列表中删除；判断未匹配的第二跟踪轨迹的消失时长是否大于预设时长，若是，将所述未匹配的第二跟踪轨迹从第二跟踪轨迹列表中删除；若否，判断所述未匹配的第二跟踪轨迹的生存时长是否大于预设时长，在所述未匹配的第二跟踪轨迹的生存时长大于预设时长的情况下，将所述未匹配的第二跟踪轨迹转换为第一跟踪轨迹。6.根据权利要求1所述的点云目标跟踪方法，其特征在于，还包括：对于未匹配的目标，基于所述未匹配的目标的观测值生成第二跟踪轨迹。7.根据权利要求1所述的点云目标跟踪方法，其特征在于，在将所述检测目标与第一跟踪轨迹进行匹配，得到第一匹配结果之前，还包括：将所述检测目标和分割目标从车体坐标系转换至世界坐标系下。8.一种电子设备，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至7中任一项所述的点云目标跟踪方法。9.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至7中任一项所述的点云目标跟踪方法。10.一种车辆，其特征在于，所述车辆包括权利要求8所述的电子设备。

技术总结

本发明涉及自动驾驶技术领域，具体提供一种点云目标跟踪方法、电子设备、介质及车辆，旨在解决现有的目标跟踪方法难以同时处理包含检测目标和分割目标两种目标输入的技术问题。为此目的，本发明的点云目标跟踪方法包括：分别获取检测目标和分割目标；将检测目标与第一跟踪轨迹进行匹配，得到第一匹配结果；将分割目标与未匹配的第一跟踪轨迹进行匹配，得到第二匹配结果；将未匹配的检测目标和未匹配的分割目标分别与第二跟踪轨迹进行匹配，得到第三匹配结果；基于第一匹配结果、第二匹配结果和第三匹配结果分别确定检测目标和分割目标的最优状态估计。如此，提高了检测目标和分割目标的匹配精度。标的匹配精度。标的匹配精度。