CN110717474A - 目标关联计算方法、装置、设备和介质 - Google Patents

Abstract

本申请公开了一种目标关联计算方法、装置、设备和介质，涉及目标关联技术，可用于自动驾驶领域。具体实现方案为：从历史数据中，分别获取每个目标对在至少两个维度特征上的特征差；依据每个目标对在各维度特征上的特征差，以及每个目标对是否为同一目标的标注结果，计算各维度特征对应的互信息，其中，互信息用于衡量各维度特征对目标对是否为同一目标的相关程度；根据所述互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序。本申请实施例在降低计算复杂度的同时，使排序后的关联目标对与真实的相关结果顺序相相近，节省后期对目标是否相关的判定花费的时间，从而减小跟踪算法的计算压力。

Description

目标关联计算方法、装置、设备和介质

技术领域

本申请涉及计算机视觉技术领域，尤其涉及一种目标关联技术，具体涉及一种目标关联计算方法、装置、设备和介质。

背景技术

随着计算机视觉技术的发展，多目标跟踪在视频监控领域以及无人驾驶领域中得到越来越广泛的应用，已成大部分动态场景中必备的基本模块。在实际场景中，多相机多目标跟踪的应用十分广泛，而目标关联则是每个多相机多目标跟踪算法必须解决的问题。

现有技术通常是直接将两个不同的相机各自在当前帧检测出的障碍物进行两两比较，判断两个障碍物之间是否是关联的，然而，这种方法计算复杂度很高，给跟踪算法的速度带来了极大的计算压力。

发明内容

本申请实施例提供一种目标关联计算方法、装置、设备和介质，以解决现有技术中计算复杂度很高，并给跟踪算法的速度带来了极大的计算压力的问题。

第一方面，本申请实施例提供了一种目标关联计算方法，包括：

从历史数据中，分别获取每个目标对在至少两个维度特征上的特征差，其中，所述目标对为根据第一传感器在目标时刻获取的图像中的至少一个目标和第二传感器在所述目标时刻获取的图像中的至少一个目标组成的目标对；

依据每个目标对在各维度特征上的特征差，以及每个目标对是否为同一目标的标注结果，计算各维度特征对应的互信息，其中，所述互信息用于衡量各维度特征对目标对是否为同一目标的相关程度；

根据所述互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序。

上述申请中的一个实施例具有如下优点或有益效果：根据目标的多种特征计算互信息，利用互信息的计算结果对目标对进行筛选和排序，在降低计算复杂度的同时，使得排序后的关联目标对与真实的相关结果的顺序十分相近，大大节省了后期对目标是否相关的判定所花费的时间，从而减小跟踪算法的计算压力。

可选的，所述依据每个目标对在各维度特征上的特征差，以及每个目标对是否为同一目标的标注结果，计算各维度特征对应的互信息，包括：

将所述每个目标对在各维度特征上的特征差，和所述每个目标对是否为同一目标的标注结果，分别作为两个连续随机变量，并计算所述两个连续随机变量的互信息，作为所述各维度特征对应的互信息。

可选的，所述根据所述互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序，包括：

根据所述各维度特征对应的互信息的值确定目标特征，其中，所述目标特征为互信息的值满足预设条件的特征；

根据预先设定的目标特征阈值，将所述当前时刻实时获取的目标对集合中，在所述目标特征上的特征差小于所述目标特征阈值的至少一个目标对，确定为所述关联目标对；

按照各关联目标对在所述目标特征上的特征差的大小，对所述各关联目标对进行逆序排序。

上述申请中的一个实施例具有如下优点或有益效果：根据目标的多种特征计算互信息，互信息可以用于衡量各维度特征对目标对是否为同一目标的相关程度，从而利用互信息的计算结果确定目标特征，实现选取与描述目标间相关度最高的特征作为排序的依据，使得排序后的关联目标对与真实的相关结果的顺序十分相近，大大节省了后期对目标是否相关的判定所花费的时间，同时也降低了计算复杂度，减小跟踪算法的计算压力。

可选的，所述根据所述互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序，包括：

将所述各维度特征对应的互信息的值作为各维度特征的权重；

计算所述当前时刻实时获取的目标对集合中，各目标对在各维度特征上的特征差与各维度特征的权重的加权求和的和值；

根据预先设定的和值阈值，将所述目标对集合中和值小于所述和值阈值的至少一个目标对，确定为所述关联目标对；

按照各关联目标对的和值对所述各关联目标对进行逆序排序。

上述申请中的一个实施例具有如下优点或有益效果：根据目标的多种特征计算互信息，互信息可以用于衡量各维度特征对目标对是否为同一目标的相关程度，从而通过互信息的大小，天然的给出了一种对各维度特征进行加权的方法，使得可以使用多种维度特征的加权和进行排序，提升关联的准确性的同时，使得排序后的关联目标对与真实的相关结果的顺序十分相近，大大节省了后期对目标是否相关的判定所花费的时间，同时也降低了计算复杂度，减小跟踪算法的计算压力。

可选的，在所述对所述至少一个关联目标对进行排序之后，所述方法还包括：

利用目标相关算法，确定所述至少一个关联目标对中的至少一个相关目标对；

依据每一个相关目标对中两个目标的各维度特征，计算所述每一个相关目标对在各维度特征上的特征估计值，并根据所述特征估计值确定所述每一个相关目标对对应的估计目标；

根据第三传感器在所述当前时刻获取的图像中的至少一个目标，和所述估计目标，组成至少一个新的目标对；

根据所述互信息，和所述至少一个新的目标对中每个目标对在各维度特征上的特征差，从所述至少一个新的目标对中筛选出至少一个新的关联目标对，并对所述至少一个新的关联目标对进行排序。

可选的，所述依据每一个相关目标对中两个目标的各维度特征，计算所述每一个相关目标对在各维度特征上的特征估计值，包括：

计算每一个相关目标对中两个目标的各维度特征的均值，作为所述每一个相关目标对在各维度特征上的特征估计值。

上述申请中的一个实施例具有如下优点或有益效果：当存在多传感器，需要在多个传感器之间进行多目标关联时，可以先确定任两个传感器的关联结果，并确定最终的相关对，然后根据相关对在各维度上的特征，估计出一组估计目标，根据第三传感器获取的至少一个目标和所述估计目标组成一组新的目标对，最后，同样根据互信息，和所述新的目标对中每个目标对在各维度特征上的特征差，从所述新的目标对中筛选出至少一个新的关联目标对，并对所述至少一个新的关联目标对进行排序，从而实现多传感器下对多目标对的关联计算。

可选的，所述至少两个维度特征包括目标的位置、速度、加速度、速度的方向和加速度的方向。

第二方面，本申请实施例还提供了一种目标关联计算装置，包括：

特征差获取模块，用于从历史数据中，分别获取每个目标对在至少两个维度特征上的特征差，其中，所述目标对为根据第一传感器在目标时刻获取的图像中的至少一个目标和第二传感器在所述目标时刻获取的图像中的至少一个目标组成的目标对；

互信息计算模块，用于依据每个目标对在各维度特征上的特征差，以及每个目标对是否为同一目标的标注结果，计算各维度特征对应的互信息，其中，所述互信息用于衡量各维度特征对目标对是否为同一目标的相关程度；

目标关联模块，根据所述互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序。

第三方面，本申请实施例还提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的目标关联计算方法。

第四方面，本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例所述的目标关联计算方法。

上述申请中的一个实施例具有如下优点或有益效果：根据目标的多种特征计算互信息，互信息可以用于衡量各维度特征对目标对是否为同一目标的相关程度，一方面，利用互信息的计算结果确定目标特征，实现选取与描述目标间相关度最高的特征作为排序的依据，另一方面，通过互信息的大小，天然的给出了一种对各维度特征进行加权的方法，使得可以使用多种维度特征的加权和进行排序，提升关联的准确性的同时，使得排序后的关联目标对与真实的相关结果的顺序十分相近，大大节省了后期对目标是否相关的判定所花费的时间，继而减小跟踪算法的计算压力。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的目标关联计算方法的流程示意图；

图2是根据本申请第二实施例的目标关联计算方法的流程示意图；

图3是根据本申请第三实施例的目标关联计算装置的结构示意图；

图4是用来实现本申请实施例的目标关联计算方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

首先介绍一下什么是目标关联。目标关联所代表的含义如下，假设在A相机当前帧通过检测算法一共检测出m个物体，A1,A2,…,Am，而在B相机当前帧通过检测算法检测出n个物体，B1,B2,…,Bn，其中m和n的值是可能相等的,也有可能是不相等的，而多目标关联所需要做的是将A和B中的同一个物体进行关联，比如A1和B2实际上是同一个物体，则需要对两者进行关联，这是跟踪算法可以工作的前提。但是需要注意的是，关联和相关不是同等的概念，关联是将可能为同一目标的两目标关联起来，而相关是判断被关联上的两物体到底是不是同一个目标。本申请实施例则是针对目标关联提供的计算方法，目的是降低计算复杂度，减小跟踪算法的计算压力。

图1是根据本申请第一实施例的目标关联计算方法的流程示意图，本实施例可适用于对两个传感器在同一时刻获取的图像中的目标组成的目标对进行关联计算的情况。该方法可由一种目标关联计算装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如无人驾驶车辆或计算机设备等。如图1所示，该方法具体包括如下：

S101、从历史数据中，分别获取每个目标对在至少两个维度特征上的特征差，其中，所述目标对为根据第一传感器在目标时刻获取的图像中的至少一个目标和第二传感器在所述目标时刻获取的图像中的至少一个目标组成的目标对。

在本申请实施例中，首先需要对历史数据进行分析，从而找到对相匹配的目标对的筛选和排序的依据。所述历史数据即为已经获取到的有关传感器获取到的图片，从该图片中检测出的至少一个目标及各目标在各维度特征上的特征值，以及最终确定的各目标对中哪些目标对是同一目标的真值等数据。而当有两个传感器(例如相机)时，所述目标对即为根据第一传感器在目标时刻获取的图像中的至少一个目标和第二传感器在所述目标时刻获取的图像中的至少一个目标组成的目标对。这里需要说明的是，进行目标匹配的目标对都是在同一时刻不同传感器获取图片中的目标组成的目标对，因此，从第一传感器对应的至少一个目标中任选一个目标，与第二传感器对应的至少一个目标中任选一个目标，则可以组成一个目标对，同理，组成的全部目标对即为待匹配的目标对。

所述至少两个维度特征包括目标的位置、速度、加速度、速度的方向和加速度的方向。当然，本申请实施例对特征的数量和特征的具体内容不做任何限定，这里只是以上述5个维度的特征作为示例进行说明。例如，以位置这个维度的特征为例，每个目标对在这一特征上的特征差即为第一传感器的目标的位置与第二传感器的目标的位置之间的差值的绝对值，其他维度的特征同理。最终可以获取到每个目标对在每个维度特征上的特征差。

S102、依据每个目标对在各维度特征上的特征差，以及每个目标对是否为同一目标的标注结果，计算各维度特征对应的互信息，其中，所述互信息用于衡量各维度特征对目标对是否为同一目标的相关程度。

具体的，所述依据每个目标对在各维度特征上的特征差，以及每个目标对是否为同一目标的标注结果，计算各维度特征对应的互信息，包括：

将所述每个目标对在各维度特征上的特征差，和所述每个目标对是否为同一目标的标注结果，分别作为两个连续随机变量，并计算所述两个连续随机变量的互信息，作为所述各维度特征对应的互信息。具体的，可以按照如下公式计算：

其中，X和Y分别是所述两个连续随机变量，p(x,y)为X和Y的联合概率密度函数，p(x)和p(y)分别是X和Y的边缘概率密度函数。

需要说明的是，互信息是信息论里一种有用的信息度量，它可以看成是一个随机变量中包含的关于另一个随机变量的信息量，或者说是一个随机变量由于已知另一个随机变量而减少的不肯定性。因此，在本申请实施例中，将每个目标对在各维度特征上的特征差，和每个目标对是否为同一目标的标注结果，分别作为两个连续随机变量，计算出来的各维度特征对应的互信息，即可用于衡量各维度特征对目标对是否为同一目标的相关程度，从而依据该互信息对目标对是否相关联进行判断，筛选出关联目标对，并对其进行排序，于是，不仅降低了计算的复杂度，而且，排序后的关联目标对与真实的相关结果的顺序十分相近，大大节省了后期对目标是否相关的判定所花费的时间，继而减小了跟踪算法的计算压力。

而现有技术中，有一种方法是先计算两帧之间所有目标对横坐标之间的绝对距离和纵坐标之间的绝对距离，将距离过大的目标对排除，对剩下的目标对按欧式距离的大小进行排序。按排序的顺序取出一个目标对，通过两个目标各自的特征判断两个目标是否关联，如果关联则将剩下的目标对中包含这两个目标的目标对删除，之后再按排序取出下一个目标对进行判断。这种方法不仅计算复杂度较高，而且，这种算法仅仅利用距离信息进行排序，它所声称的全局最优解仅仅保证了在距离上是最优的，但并不能保证得到的关联结果是全局最优的。而本申请实施例中用来进行排序的指标是根据互信息确定的对目标对是否为同一目标的相关程度最高的指标，因此，该指标相比现有技术而言，更能描述目标间的相关程度，算法对于相关的加速效果也就越明显。比如说根据某种指标对目标对进行排序后，恰好排在前面的前n对目标就是关联的结果，这会极大地缩短计算的时间。

S103、根据所述互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序。

由于互信息可以用于衡量各维度特征对目标对是否为同一目标的相关程度，于是，根据互信息即可确定关联目标对的筛选和排序依据，例如，互信息的值最大时对应的特征即可作为排序依据。

具体的，在本申请实施例中，至少可以包括两种具体的实施方式，实现所述根据互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序的操作。其中，S101和S102是线下对历史数据的分析过程，目的是要获取依据，S103则为线上实时的目标关联操作。因此，所述实时获取的目标对集合，即为第一传感器和第二传感器各自在当前时刻获取并检测出来的目标组成的目标对集合，也就是当前待匹配的目标对集合，在集合中有些目标对属于同一目标的可能性大，而有些目标对则可能性小，因此，接下来需要从目标对集合中筛选出可能性更大的一些目标对作为关联目标对，并进行排序，后续才可以利用目标相关算法，按照顺序依次对各个关联目标对是否相关进行判断。

在第一种实施方式中，所述根据所述互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序，包括：

(1)根据所述各维度特征对应的互信息的值确定目标特征，其中，所述目标特征为互信息的值满足预设条件的特征。

例如，在位置、速度、加速度、速度的方向和加速度的方向这5个维度，每个维度特征对应的互信息的值之间进行比较，选择值最大的特征作为所述目标特征，该目标特征也就是对目标对是否为同一目标的相关程度最大的特征。

(2)根据预先设定的目标特征阈值，将所述当前时刻实时获取的目标对集合中，在所述目标特征上的特征差小于所述目标特征阈值的至少一个目标对，确定为所述关联目标对。

以目标特征为位置这个维度为例，各目标对的位置特征的特征差与目标特征阈值进行比较，选出小于目标特征阈值的目标对作为关联目标对。也就是说，首先位置这个维度的特征对目标对是否为同一目标的相关程度最大，因此将位置作为指标进行筛选，并且位置上的特征差越小，说明两个目标差别越小，就越可能是同一目标，因此作为关联目标对。

(3)按照各关联目标对在所述目标特征上的特征差的大小，对所述各关联目标对进行逆序排序。

其中，逆序排序即按照特征差从小到大的顺序，对各关联目标对进行排序，以便得到的顺序中，排在前面的是最有可能是同一目标的目标对，往后依次次之，这样才能使得排序后的关联目标对与真实的相关结果的顺序十分相近，大大节省了后期对目标是否相关的判定所花费的时间，继而减小跟踪算法的计算压力。

在第二种实施方式中，所述根据所述互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序，包括：

(1)将所述各维度特征对应的互信息的值作为各维度特征的权重。

(2)计算所述当前时刻实时获取的目标对集合中，各目标对在各维度特征上的特征差与各维度特征的权重的加权求和的和值。

这里需要说明的是，可以针对全部维度的特征计算加权求和的和值，也可以选择部分维度的特征计算加权求和。例如，如果选择位置和速度这两个维度的特征，并且位置这一维度对应的互信息为0.8，速度这一维度对应的互信息是0.5，那么加权求和即为0.8与目标对在位置这一维度上的特征差求乘积，0.5与目标对在速度这一维度上的特征差求乘积，再将两次乘积的结果求和，即得到所述和值。

(3)根据预先设定的和值阈值，将所述目标对集合中和值小于所述和值阈值的至少一个目标对，确定为所述关联目标对。

(4)按照各关联目标对的和值对所述各关联目标对进行逆序排序。

也即，按照和值从小到大的顺序对各关联目标对进行排序。

在第二种实施方式中，相当于利用互信息，天然的得到了一种对各维度特征进行加权的方法，使得排序后的关联目标对与真实的相关结果的顺序十分相近。

本申请实施例的技术方案，根据目标的多种特征计算互信息，互信息可以用于衡量各维度特征对目标对是否为同一目标的相关程度，一方面，利用互信息的计算结果确定目标特征，实现选取与描述目标间相关度最高的特征作为排序的依据，另一方面，通过互信息的大小，天然的给出了一种对各维度特征进行加权的方法，使得可以使用多种维度特征的加权和进行排序，提升关联的准确性并降低计算复杂度的同时，使得排序后的关联目标对与真实的相关结果的顺序十分相近，大大节省了后期对目标是否相关的判定所花费的时间，继而减小跟踪算法的计算压力。

图2是根据本申请第二实施例的目标关联计算方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化，在多个传感器下实现目标关联计算。如图2所示，该方法具体包括如下：

S201、从历史数据中，分别获取每个目标对在至少两个维度特征上的特征差，其中，所述目标对为根据第一传感器在目标时刻获取的图像中的至少一个目标和第二传感器在所述目标时刻获取的图像中的至少一个目标组成的目标对。

S202、依据每个目标对在各维度特征上的特征差，以及每个目标对是否为同一目标的标注结果，计算各维度特征对应的互信息，其中，所述互信息用于衡量各维度特征对目标对是否为同一目标的相关程度。

S203、根据所述互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序。

以上是对任意两个传感器进行目标关联的计算方法，但很多场景下都存在两个以上的传感器，比如3个或4个传感器，那么就需要依次对每个传感器都进行目标关联，接下来就对此进行详细描述。

S204、利用目标相关算法，确定所述至少一个关联目标对中的至少一个相关目标对。

所述目标相关算法是现有技术中任意一种判断两个目标是否相关的算法，本申请实施例对该算法不做任何限定。也就是说，在任意两个传感器之间先进行目标关联计算，然后再进行目标相关计算，依据得到的相关目标对，再继续与其他传感器进行目标关联和目标相关计算，以保证后续计算结果的准确性。

S205、依据每一个相关目标对中两个目标的各维度特征，计算所述每一个相关目标对在各维度特征上的特征估计值，并根据所述特征估计值确定所述每一个相关目标对对应的估计目标。

其中，依据每一个相关目标对中两个目标的各维度特征，计算所述每一个相关目标对在各维度特征上的特征估计值，可以是计算每一个相关目标对中两个目标的各维度特征的均值，将均值作为每一个相关目标对在各维度特征上的特征估计值，记得到每个维度特征上的特征估计值，然后根据各维度特征上的特征估计值就可以构建出估计目标，而且每一个相关目标对都对应一个估计目标，各估计目标的各维度特征值即为各维度特征上的特征估计值。

S206、根据第三传感器在所述当前时刻获取的图像中的至少一个目标，和所述估计目标，组成至少一个新的目标对。

在针对第三传感器进行目标匹配时，是将第三传感器在当前时刻获取的图像中的至少一个目标，与各估计目标，即可组合出新的目标对，也即，将第三传感器对应的目标中任选其一，与任意一个估计目标组成一个新的目标对，以此类推，则可以获取到全部的新的目标对，接下来就对这些新的目标对进行目标匹配。

S207、根据所述互信息，和所述至少一个新的目标对中每个目标对在各维度特征上的特征差，从所述至少一个新的目标对中筛选出至少一个新的关联目标对，并对所述至少一个新的关联目标对进行排序。

其中，所述互信息是线下分析时计算出来的互信息，线上实际使用时，则可以按照与第一实施例中描述的方式，一方面，利用互信息的计算结果确定目标特征，实现选取与描述目标间相关度最高的特征作为排序的依据，另一方面，将互信息的大小作为各维度的权重，将各维度特征差与权重进行加权求和，将得到的和值作为筛选和排序的依据。

此外，当针对第三传感器进行目标匹配后，若存在第四传感器，则可以使用同样的方式进行目标匹配和目标相关计算，此处不再赘述。

本申请实施例的技术方案，根据目标的多种特征计算互信息，利用互信息的计算结果对目标对进行筛选和排序，在降低计算复杂度的同时，使得排序后的关联目标对与真实的相关结果的顺序十分相近，大大节省了后期对目标是否相关的判定所花费的时间，从而减小跟踪算法的计算压力。同时，当存在多传感器，需要在多个传感器之间进行多目标关联时，可以先确定任两个传感器的关联结果，并确定最终的相关对，然后根据相关对在各维度上的特征，估计出一组估计目标，根据第三传感器获取的至少一个目标和所述估计目标组成一组新的目标对，最后，同样根据互信息，和所述新的目标对中每个目标对在各维度特征上的特征差，从所述新的目标对中筛选出至少一个新的关联目标对，并对所述至少一个新的关联目标对进行排序，从而实现多传感器下对多目标对的关联计算。

图3是根据本申请第三实施例的目标关联计算装置的结构示意图，本实施例可适用于对两个传感器在同一时刻获取的图像中的目标组成的目标对进行关联计算的情况。该装置可实现本申请任意实施例所述的目标关联计算方法。如图3所示，该装置300具体包括：

特征差获取模块301，用于从历史数据中，分别获取每个目标对在至少两个维度特征上的特征差，其中，所述目标对为根据第一传感器在目标时刻获取的图像中的至少一个目标和第二传感器在所述目标时刻获取的图像中的至少一个目标组成的目标对；

互信息计算模块302，用于依据每个目标对在各维度特征上的特征差，以及每个目标对是否为同一目标的标注结果，计算各维度特征对应的互信息，其中，所述互信息用于衡量各维度特征对目标对是否为同一目标的相关程度；

目标关联模块303，根据所述互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序。

可选的，所述互信息计算模块302具体用于：

将所述每个目标对在各维度特征上的特征差，和所述每个目标对是否为同一目标的标注结果，分别作为两个连续随机变量，并计算所述两个连续随机变量的互信息，作为所述各维度特征对应的互信息。

可选的，所述目标关联模块303包括第一目标关联子模块，所述第一目标关联子模块包括：

目标特征确定单元，用于根据所述各维度特征对应的互信息的值确定目标特征，其中，所述目标特征为互信息的值满足预设条件的特征；

第一关联目标对确定单元，用于根据预先设定的目标特征阈值，将所述当前时刻实时获取的目标对集合中，在所述目标特征上的特征差小于所述目标特征阈值的至少一个目标对，确定为所述关联目标对；

第一排序单元，用于按照各关联目标对在所述目标特征上的特征差的大小，对所述各关联目标对进行逆序排序。

可选的，所述目标关联模块303包括第二目标关联子模块，所述第二目标关联子模块包括：

权重确定单元，用于将所述各维度特征对应的互信息的值作为各维度特征的权重；

和值计算单元，用于计算所述当前时刻实时获取的目标对集合中，各目标对在各维度特征上的特征差与各维度特征的权重的加权求和的和值；

第二关联目标对确定单元，用于根据预先设定的和值阈值，将所述目标对集合中和值小于所述和值阈值的至少一个目标对，确定为所述关联目标对；

第二排序单元，用于按照各关联目标对的和值对所述各关联目标对进行逆序排序。

可选的，所述装置还包括多传感器目标关联模块，具体用于：

利用目标相关算法，确定所述至少一个关联目标对中的至少一个相关目标对；

依据每一个相关目标对中两个目标的各维度特征，计算所述每一个相关目标对在各维度特征上的特征估计值，并根据所述特征估计值确定所述每一个相关目标对对应的估计目标；

根据第三传感器在所述当前时刻获取的图像中的至少一个目标，和所述估计目标，组成至少一个新的目标对；

根据所述互信息，和所述至少一个新的目标对中每个目标对在各维度特征上的特征差，从所述至少一个新的目标对中筛选出至少一个新的关联目标对，并对所述至少一个新的关联目标对进行排序。

可选的，所述多传感器目标关联模块在计算所述特征估计值时，具体为：

计算每一个相关目标对中两个目标的各维度特征的均值，作为所述每一个相关目标对在各维度特征上的特征估计值。

可选的，所述至少两个维度特征包括目标的位置、速度、加速度、速度的方向和加速度的方向。

本申请实施例提供的目标关联计算装置300可执行本申请任意实施例提供的目标关联计算方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图4所示，是根据本申请实施例的目标关联计算方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图4中以一个处理器401为例。

存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的目标关联计算方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的目标关联计算方法。

存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的目标关联计算方法对应的程序指令/模块(例如，附图3所示的特征差获取模块301、互信息计算模块302和目标关联模块303)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的目标关联计算方法。

存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据实现本申请实施例的目标关联计算方法的电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至实现本申请实施例的目标关联计算方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

实现本申请实施例的目标关联计算方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。

输入装置403可接收输入的数字或字符信息，以及产生与实现本申请实施例的目标关联计算方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，根据目标的多种特征计算互信息，互信息可以用于衡量各维度特征对目标对是否为同一目标的相关程度，一方面，利用互信息的计算结果确定目标特征，实现选取与描述目标间相关度最高的特征作为排序的依据，另一方面，通过互信息的大小，天然的给出了一种对各维度特征进行加权的方法，使得可以使用多种维度特征的加权和进行排序，提升关联的准确性的同时，使得排序后的关联目标对与真实的相关结果的顺序十分相近，大大节省了后期对目标是否相关的判定所花费的时间，继而减小跟踪算法的计算压力。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (16)

1.一种目标关联计算方法，其特征在于，包括：

从历史数据中，分别获取每个目标对在至少两个维度特征上的特征差，其中，所述目标对为根据第一传感器在目标时刻获取的图像中的至少一个目标和第二传感器在所述目标时刻获取的图像中的至少一个目标组成的目标对；

依据每个目标对在各维度特征上的特征差，以及每个目标对是否为同一目标的标注结果，计算各维度特征对应的互信息，其中，所述互信息用于衡量各维度特征对目标对是否为同一目标的相关程度；

根据所述互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序。

2.根据权利要求1所述的方法，其特征在于，所述依据每个目标对在各维度特征上的特征差，以及每个目标对是否为同一目标的标注结果，计算各维度特征对应的互信息，包括：

将所述每个目标对在各维度特征上的特征差，和所述每个目标对是否为同一目标的标注结果，分别作为两个连续随机变量，并计算所述两个连续随机变量的互信息，作为所述各维度特征对应的互信息。

3.根据权利要求1所述的方法，其特征在于，所述根据所述互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序，包括：

根据所述各维度特征对应的互信息的值确定目标特征，其中，所述目标特征为互信息的值满足预设条件的特征；

根据预先设定的目标特征阈值，将所述当前时刻实时获取的目标对集合中，在所述目标特征上的特征差小于所述目标特征阈值的至少一个目标对，确定为所述关联目标对；

按照各关联目标对在所述目标特征上的特征差的大小，对所述各关联目标对进行逆序排序。

4.根据权利要求1所述的方法，其特征在于，所述根据所述互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序，包括：

将所述各维度特征对应的互信息的值作为各维度特征的权重；

计算所述当前时刻实时获取的目标对集合中，各目标对在各维度特征上的特征差与各维度特征的权重的加权求和的和值；

根据预先设定的和值阈值，将所述目标对集合中和值小于所述和值阈值的至少一个目标对，确定为所述关联目标对；

按照各关联目标对的和值对所述各关联目标对进行逆序排序。

5.根据权利要求1所述的方法，其特征在于，在所述对所述至少一个关联目标对进行排序之后，所述方法还包括：

利用目标相关算法，确定所述至少一个关联目标对中的至少一个相关目标对；

依据每一个相关目标对中两个目标的各维度特征，计算所述每一个相关目标对在各维度特征上的特征估计值，并根据所述特征估计值确定所述每一个相关目标对对应的估计目标；

根据第三传感器在所述当前时刻获取的图像中的至少一个目标，和所述估计目标，组成至少一个新的目标对；

根据所述互信息，和所述至少一个新的目标对中每个目标对在各维度特征上的特征差，从所述至少一个新的目标对中筛选出至少一个新的关联目标对，并对所述至少一个新的关联目标对进行排序。

6.根据权利要求5所述的方法，其特征在于，所述依据每一个相关目标对中两个目标的各维度特征，计算所述每一个相关目标对在各维度特征上的特征估计值，包括：

计算每一个相关目标对中两个目标的各维度特征的均值，作为所述每一个相关目标对在各维度特征上的特征估计值。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述至少两个维度特征包括目标的位置、速度、加速度、速度的方向和加速度的方向。

8.一种目标关联计算装置，其特征在于，包括：

特征差获取模块，用于从历史数据中，分别获取每个目标对在至少两个维度特征上的特征差，其中，所述目标对为根据第一传感器在目标时刻获取的图像中的至少一个目标和第二传感器在所述目标时刻获取的图像中的至少一个目标组成的目标对；

互信息计算模块，用于依据每个目标对在各维度特征上的特征差，以及每个目标对是否为同一目标的标注结果，计算各维度特征对应的互信息，其中，所述互信息用于衡量各维度特征对目标对是否为同一目标的相关程度；

目标关联模块，根据所述互信息，从当前时刻实时获取的目标对集合中筛选出至少一个关联目标对，并对所述至少一个关联目标对进行排序。

9.根据权利要求8所述的装置，其特征在于，所述互信息计算模块具体用于：

将所述每个目标对在各维度特征上的特征差，和所述每个目标对是否为同一目标的标注结果，分别作为两个连续随机变量，并计算所述两个连续随机变量的互信息，作为所述各维度特征对应的互信息。

10.根据权利要求8所述的装置，其特征在于，所述目标关联模块包括第一目标关联子模块，所述第一目标关联子模块包括：

目标特征确定单元，用于根据所述各维度特征对应的互信息的值确定目标特征，其中，所述目标特征为互信息的值满足预设条件的特征；

第一关联目标对确定单元，用于根据预先设定的目标特征阈值，将所述当前时刻实时获取的目标对集合中，在所述目标特征上的特征差小于所述目标特征阈值的至少一个目标对，确定为所述关联目标对；

第一排序单元，用于按照各关联目标对在所述目标特征上的特征差的大小，对所述各关联目标对进行逆序排序。

11.根据权利要求8所述的装置，其特征在于，所述目标关联模块包括第二目标关联子模块，所述第二目标关联子模块包括：

权重确定单元，用于将所述各维度特征对应的互信息的值作为各维度特征的权重；

和值计算单元，用于计算所述当前时刻实时获取的目标对集合中，各目标对在各维度特征上的特征差与各维度特征的权重的加权求和的和值；

第二关联目标对确定单元，用于根据预先设定的和值阈值，将所述目标对集合中和值小于所述和值阈值的至少一个目标对，确定为所述关联目标对；

第二排序单元，用于按照各关联目标对的和值对所述各关联目标对进行逆序排序。

12.根据权利要求8所述的装置，其特征在于，所述装置还包括多传感器目标关联模块，具体用于：

利用目标相关算法，确定所述至少一个关联目标对中的至少一个相关目标对；

依据每一个相关目标对中两个目标的各维度特征，计算所述每一个相关目标对在各维度特征上的特征估计值，并根据所述特征估计值确定所述每一个相关目标对对应的估计目标；

根据第三传感器在所述当前时刻获取的图像中的至少一个目标，和所述估计目标，组成至少一个新的目标对；

根据所述互信息，和所述至少一个新的目标对中每个目标对在各维度特征上的特征差，从所述至少一个新的目标对中筛选出至少一个新的关联目标对，并对所述至少一个新的关联目标对进行排序。

13.根据权利要求12所述的装置，其特征在于，所述多传感器目标关联模块在计算所述特征估计值时，具体为：

计算每一个相关目标对中两个目标的各维度特征的均值，作为所述每一个相关目标对在各维度特征上的特征估计值。

14.根据权利要求8-13中任一项所述的装置，其特征在于，所述至少两个维度特征包括目标的位置、速度、加速度、速度的方向和加速度的方向。

15.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的目标关联计算方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的目标关联计算方法。

Images