本发明涉及感知融合，尤其是涉及一种车端和路端感知融合的目标跟踪方法、系统及介质。
背景技术：
1、跟车、跟人行驶在自动驾驶场景中非常常见。当前自动驾驶车辆主要配置激光雷达、毫米波雷达、相机、组合导航定位模块、自动驾驶域控制器等，其中激光雷达、毫米波雷达以及相机均可感知前向障碍物，组合导航可实现自身定位，通过对前向障碍物感知及结合自身定位，即可实现对前向感知到的人或者车辆进行跟踪行驶。随着深度学习算法优化，相机识别虽有一定精度，但在光线昏暗、大雨大雪场景下，识别效果较差，且图像不能更好的识别距离，影响横纵向跟车精度。
技术实现思路
1、鉴于以上问题，本发明提供了一种车端和路端感知融合的目标跟踪方法、系统及介质，不仅解决了视觉感知距离识别精度不够问题，而且解决了视觉感知、雷达感知融合无法在天气恶劣场景下精准识别的问题。
2、为了实现上述目的及其他相关目的，本发明提供的技术方案如下：
3、一种车端和路端感知融合的目标跟踪方法，所述方法包括：
4、q1.车辆行驶在道路上，基于车载摄像头实时获取道路的图像数据信息，基于车载激光雷达实时获取道路的点云数据信息，基于路端感知系统实时获取道路的路况数据信息；
5、q2.将所述道路的图像数据信息输入障碍物识别和分类网络模型进行障碍物的识别和分类，得到障碍物的分类图像数据信息；
6、q3.基于所述障碍物的分类图像数据信息和所述道路的点云数据信息，采用障碍物的特征映射融合算法对障碍物的图像和点云数据信息进行特征融合和分类，得到障碍物的类别和距离数据信息；
7、q4.基于所述障碍物的类别和距离数据信息和所述道路的路况数据信息，构建前方道路的动态变化模型，采用基于黄金莱维引导机制的被囊群多目标跟踪优化算法对车辆的行驶轨迹进行规划，输出车辆的规划轨迹数据信息。
8、进一步的，所述道路的路况数据信息包括道路的行人数据信息、道路的其他车辆数据信息、道路的路基数据信息和道路的附属设施数据信息。
9、进一步的，在步骤q2中，所述将所述道路的图像数据信息输入障碍物识别和分类网络模型进行障碍物的识别和分类包括：
10、q21.基于所述道路的图像数据信息，构建道路的障碍物图像训练数据集；
11、q22.将所述道路的障碍物图像训练数据集输入障碍物识别和分类网络模型进行训练和学习，建立障碍物的识别函数f，
12、
13、其中，α，β和γ为障碍物识别参数，x为道路的障碍物图像训练数据集，r，g和b为像素提取因子，对障碍物的图像进行识别，得到障碍物的识别图像数据信息；
14、q23.基于所述障碍物的识别图像数据信息，建立障碍物的分类函数g，
15、
16、其中，y为障碍物的识别图像数据信息，对障碍物的识别图像进行分类，得到障碍物的分类图像数据信息。
17、进一步的，所述障碍物识别参数α，β和γ的关系函数为h，
18、
19、
20、其中，a和b为关系运算变量。
21、进一步的，在步骤q3中，所述采用障碍物的特征映射融合算法对障碍物的图像和点云数据信息进行特征融合和分类包括：
22、q31.基于所述障碍物的分类图像数据信息和所述道路的点云数据信息，进行时间戳标定，得到时间戳标定后的障碍物的分类图像数据信息和道路的点云数据信息；
23、q32.基于所述时间戳标定后的障碍物的分类图像数据信息和道路的点云数据信息，按照时间戳序列对障碍物的分类图像进行特征提取，得到障碍物的分类图像特征数据信息，并对道路的点云数据信息进行特征提取，得到道路的点云特征数据信息；
24、q33.基于所述道路的点云特征数据信息和所述障碍物的分类图像特征数据信息，建立特征映射融合函数w，
25、
26、其中，n为样本容量，fi为特征映射序列函数，g为道路的点云特征数据信息，h为障碍物的分类图像特征数据信息，对障碍物的分类图像特征和道路的点云特征进行融合，得到融合后的障碍物的特征数据信息；
27、q34.基于所述融合后的障碍物的特征数据信息，建立障碍物的特征分类函数u，
28、
29、其中，s为融合后的障碍物的特征数据信息，θ1和θ2为障碍物特征分类权重系数，得到障碍物的类别和距离数据信息。
30、进一步的，所述特征映射序列函数fi为，
31、
32、其中，g为道路的点云特征数据信息，h为障碍物的分类图像特征数据信息，ωi为道路点云特征和障碍物分类图像特征映射因子。
33、进一步的，在步骤q4中，所述采用基于黄金莱维引导机制的被囊群多目标跟踪优化算法对车辆的行驶轨迹进行规划包括：
34、q41.基于所述前方道路的动态变化模型，构建被囊种群，进行初始化，确定种群参数，得到初始化后的被囊种群数据信息；
35、q42.基于所述初始化后的被囊种群数据信息，建立带有黄金莱维引导机制的被囊群多目标优化函数p，
36、
37、其中，q(d1,d2,...,dn)为初始化后的被囊种群数据信息，d1,d2,...,dn为种群不同个体，n为样本容量，η为黄金莱维引导机制因子，对车辆的行驶轨迹进行规划，输出车辆的规划轨迹数据信息。
38、进一步的，所述黄金莱维引导机制因子η为，
39、
40、
41、其中，di为种群不同个体，i＝1,2,3,...n，φ1和φ2为莱维常量参数因子，dis为黄金莱维引导变化函数。
42、为了实现上述目的及其他相关目的，本发明还提供了一种车端和路端感知融合的目标跟踪系统，包括计算机设备，该计算机设备被编程或配置以执行任意一项所述的车端和路端感知融合的目标跟踪方法的步骤。
43、为了实现上述目的及其他相关目的，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行任意一项所述的车端和路端感知融合的目标跟踪方法的计算机程序。
44、本发明具有以下积极效果：
45、1.本发明通过将所述道路的图像数据信息输入障碍物识别和分类网络模型进行障碍物的识别和分类，并结合采用障碍物的特征映射融合算法对障碍物的图像和点云数据信息进行特征融合和分类，不仅能够对障碍物进行精确的识别和划分，而且解决视觉感知距离精度不够问题，也能解决极端工况下雷达感知无法识别的问题。
46、2.本发明通过构建前方道路的动态变化模型，采用基于黄金莱维引导机制的被囊群多目标跟踪优化算法对车辆的行驶轨迹进行规划，不仅解决了视觉感知、雷达感知融合无法在天气恶劣场景下精准识别的问题，而且同时一旦锁定障碍物，即便出现遮挡，也可以通过路端感知，获取目标车辆的距离及速度信息，实现稳定跟车。
1.一种车端和路端感知融合的目标跟踪方法，其特征在于，所述方法包括：
2.根据权利要求1所述的车端和路端感知融合的目标跟踪方法，其特征在于：所述道路的路况数据信息包括道路的行人数据信息、道路的其他车辆数据信息、道路的路基数据信息和道路的附属设施数据信息。
3.根据权利要求1所述的车端和路端感知融合的目标跟踪方法，其特征在于，在步骤q2中，所述将所述道路的图像数据信息输入障碍物识别和分类网络模型进行障碍物的识别和分类包括：
4.根据权利要求3所述的车端和路端感知融合的目标跟踪方法，其特征在于：所述障碍物识别参数α，β和γ的关系函数为h，
5.根据权利要求1所述的车端和路端感知融合的目标跟踪方法，其特征在于，在步骤q3中，所述采用障碍物的特征映射融合算法对障碍物的图像和点云数据信息进行特征融合和分类包括：
6.根据权利要求5所述的车端和路端感知融合的目标跟踪方法，其特征在于：所述特征映射序列函数fi为，
7.根据权利要求1所述的车端和路端感知融合的目标跟踪方法，其特征在于，在步骤q4中，所述采用基于黄金莱维引导机制的被囊群多目标跟踪优化算法对车辆的行驶轨迹进行规划包括：
8.根据权利要求7所述的车端和路端感知融合的目标跟踪方法，其特征在于：所述黄金莱维引导机制因子η为，
9.一种车端和路端感知融合的目标跟踪系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～8中任意一项所述的车端和路端感知融合的目标跟踪方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～8中任意一项所述的车端和路端感知融合的目标跟踪方法的计算机程序。
