?

車燈自動控制算法的光斑跟蹤

多目標(biāo)跟蹤對于車燈自動控制算法（AHC）是一項重要的任務(wù)。由于光斑小而密集的存在，且嵌入式平臺的計算能力有限，因此多目標(biāo)跟蹤具有挑戰(zhàn)性。跟蹤方法在保證準(zhǔn)確的同時，計算效率應(yīng)當(dāng)高。結(jié)合興趣點跟蹤和位置跟蹤的概念，提出了一種新型的多目標(biāo)跟蹤方法。在興趣點跟蹤中，利用了基于特征的外觀跟蹤點；而位置跟蹤則利用運動學(xué)特征跟蹤。興趣點跟蹤方法采用特征集，該特征集包括熟知的基于特征的外觀和新穎的亮點環(huán)境特征。使用基于搜索方法的遺傳算法而更集中過濾出該特征集。用一種高效的計算方法將從這些特征中得到的信息與運動特征結(jié)合起來。這種融合的信息用于跟蹤光斑。該方法提高了65%的跟蹤率，并在如車輛俯仰等情況下顯示了更好的性能，提高了系統(tǒng)性能。

結(jié)合從興趣點跟蹤中獲知的基于外觀的關(guān)聯(lián)和基于預(yù)測點位置及大小的基本跟蹤系統(tǒng)關(guān)聯(lián)，實現(xiàn)了一種新的跟蹤-數(shù)據(jù)關(guān)聯(lián)算法。對于基于外觀的關(guān)聯(lián)，生成了點跟蹤和光斑檢測候選特征向量。為了保證運行時的低要求，用特征選擇來保持特征數(shù)量較少，因此采用了遺傳算法。該算法基于大量的現(xiàn)有特征和新特征來決定最優(yōu)的特征向量。

為了解決特殊情況下的關(guān)聯(lián)問題，開發(fā)一個新的環(huán)境特征，該特征抓住了不同光斑候選之間的相互位置。特征選擇表明，這種新特征對系統(tǒng)做了非常有價值的補充。為了將基于關(guān)聯(lián)的特征集成到系統(tǒng)，開發(fā)了一種將基于關(guān)聯(lián)的新特征和基于關(guān)聯(lián)的已有過濾器結(jié)合在一起的融合算法。通過使用新方法,跟蹤錯誤的數(shù)量減少了2/3。

Jittu Kurian et al. Proceedings of the 16th International IEEE Annual Conference on Intelligent Transportation Systems (ITSC 2013), The Hague, The Netherlands-October 6-9, 2013.

編譯：王欣欣