53、交通流预测与目标跟踪的创新方法

交通流预测与目标跟踪的创新方法

1. 视觉 - 激光雷达目标跟踪方法

1.1 优化更新步骤

在目标跟踪过程中，采用动量法来优化更新步骤，以此确保优化过程的稳定性。其中，α 为动量因子，ξₜ 是上一次迭代的更新步骤，nₚ 是有效像素的数量。

1.2 潜在场匹配与模板提取

潜在场匹配完成后，会运用一种基于法向量和深度值的快速分割方法，从激光雷达子系统（LS）中提取新的模板云。接着，计算新模板云的边界框，以修正目标的粗略位置。最后，LS 将修正后的位置作为精确位置输出给视觉子系统（VS），用于训练新的图像模板。

1.3 实验评估

在 KITTI 跟踪数据集上对该方法进行评估，仅使用 Velodyne HDL - 64（点云）和 Point Grey Flea 2（RGB 图像）的数据。为了评估该方法的准确性和鲁棒性，将其与基于相关滤波的 KCF 和基于神经网络的 SiamRPN 进行对比。通过计算预测框与真实框的 IoU 分数来评估跟踪的准确性，当 IoU 分数低于 0.4 时，认为算法失败。
- “Cyclist”序列 ：主要评估算法在快速运动和目标变形情况下的有效性。目标发生尺度变化（第 50 帧）后，KCF 失败，SiamRPN 和该方法能够保持跟踪精度。随着跟踪时间的延长，SiamRPN 的精度逐渐下降，而该方法具有良好的鲁棒性，能保持一定的精度（超过 0.6）。
- “Car”序列 ：主要评估算法在极端光照变化和长期跟踪情况下的准确性和鲁棒性。模拟光照变化，逐渐增加图像亮度，然后逐渐降低亮度，并在跟踪过程中重复