本发明涉及动静物体识别，具体涉及一种跟踪目标动静分离方法、装置及介质。
背景技术：
1、目标动静分离技术是一种判断场景中障碍物运动状态的方法。目标动静状态的有效判断有益于智能驾驶系统更加准确地识别物体的运动轨迹，增强智能驾驶的舒适性和安全性。
2、目前，常用的目标动静分离方法是基于毫米波雷达的纵向速度大小进行判断，例如cn113721234b公开的一种车载毫米波雷达点云数据动静分离过滤方法和装置，首先将车辆上安装的传感器的运动速度由车载坐标系转换到雷达坐标系下，获取量测点在雷达坐标系下的测量速度，计算所述车辆上安装的传感器在雷达坐标系下的运动速度，在量测点在雷达坐标系中的坐标向量上的投影，计算投影向量与量测点在雷达坐标系中的速度向量之和，记为第一测量速度向量；最后基于所述第一速度向量判断所述量测点是否静止，所述量测点即为所述点云数据中的点，从而实现点云数据中静止状态的点云数据的识别。
3、上述专利文件中，若毫米波雷达输出的目标纵向速度大于某个阈值，则认为目标是运动，反之，则认为目标是静止。虽然该技术方案已被行业广泛使用，但该技术方案仍存在一些不足。比如目标处于毫米波雷达视角边缘、目标靠近强反射障碍物区域，目标进行横穿运动等场景，毫米波雷达容易将运动目标判定为静止目标，或者漏识别静止目标，这就导致智能驾驶系统错误的估计目标的运动轨迹，进而影响智能驾驶车辆的安全性和舒适性。
技术实现思路
1、本发明的目的在于提供一种跟踪目标动静分离方法、装置及介质，以解决现有技术中毫米波雷达在动静分离时会出现判断失误的问题；
2、为了实现上述目的，本发明采用的技术方案如下：
3、第一方面，本技术提供一种跟踪目标动静分离方法，包括：
4、s1，采集本车用于评价跟踪目标动静状态检测的观测数据集；
5、s2，基于所述观测数据集获取跟踪目标关联的动静分离评价参数，所述动静分离评价参数包括视觉图像中的像素坐标、前雷达观测目标的纵向速度和/或激光雷达观测目标的动静标志位；
6、s3，基于所述分离评价参数和设定阈值，输出所述跟踪目标的动静状态。
7、结合第一方面，在一些可选的实施方式中，所述采集本车用于评价跟踪目标动静状态检测的观测数据集包括：
8、获取本车的激光雷达观测目标、前雷达观测目标、前雷达的可通行区域、毫米波雷达点云数据、视觉图像和里程计数据。
9、结合第一方面，在一些可选的实施方式中，所述基于所述观测数据集获取跟踪目标关联的动静分离评价参数包括：
10、基于所述前雷达的可通行区域和所述毫米波雷达点云数据获取静止点集；
11、基于第二运动模型将所述静止点集同步至激光雷达观测目标的时刻；
12、将同步后的所述静止点集投入具有预设纵向距离的观测目标框内，获取所述激光雷达目标的动静标志位；
13、基于验证公式确定所述激光雷达观测目标和所述前雷达观测目标与所述跟踪目标的关联性；
14、基于所述里程计数据和所述跟踪目标的横纵向距离信息获取所述跟踪目标在视觉图像中的像素坐标。
15、结合第一方面，在一些可选的实施方式中，在基于所述前雷达的可通行区域和所述毫米波雷达点云数据获得静止点集之前，方法还包括：
16、对所述激光雷达观测目标和所述毫米波雷达点云数据的合理性进行评估。
17、结合第一方面，在一些可选的实施方式中，所述对所述激光雷达观测目标和所述毫米波雷达点云数据的合理性进行评估包括：
18、基于第一运动模型获取所述激光雷达观测目标的合理性，所述第一运动模型包括：
19、
20、其中，px为雷达输出目标的纵向距离，py为雷达输出目标的横向距离，vx为雷达输出目标的纵向速度，vy为雷达输出目标的横向速度，t表示对应变化阈值，t+1为当前时刻，t为前一时刻；
21、基于所述毫米波雷达点云数据的信噪比和/或回波强度验证所述毫米波雷达点云数据的合理性。
22、结合第一方面，在一些可选的实施方式中，所述基于所述前雷达的可通行区域和所述毫米波雷达点云数据获取静止点集包括：
23、基于毫米波雷达输出点云的动静状态标志位筛选出角毫米波雷达输出的静态点云；
24、将所述静态点云和所述可通行区域进行组合，形成静止点集。
25、结合第一方面，在一些可选的实施方式中，所述将同步后的所述静止点集投入具有预设纵向距离的观测目标框内，获取所述激光雷达目标的动静标志位包括：
26、基于激光雷达输出的中心点坐标p(x,y)以及航向角分别计算其四个角点的坐标p0(x,y)，p1(x,y)，p2(x,y)，p3(x,y)；
27、基于处理公式将经同步后的所述静止点集内的点投入具有预设纵向距离的观测目标框内，处理公式包括：
28、((v0>0&&v1>0&&v2>0&&v3>0)||(v0<0&&v1<0&&v2<0&&v3<0))
29、其中，v0，v1，v2，v3分别表示静止点集内的点si顺时针与激光雷达四个角点的形成的向量叉乘。
30、结合第一方面，在一些可选的实施方式中，所述获取所述激光雷达目标的动静标志位包括：
31、若连续预设帧数内投入所述观测目标框内的静止点数量大于设定阈值，则将该观测目标标志为静止位，反之则该观测目标标志为运动位。
32、结合第一方面，在一些可选的实施方式中，所述基于验证公式确定所述激光雷达观测目标和所述前雷达观测目标与所述跟踪目标的关联性中，所述验证公式包括：
33、
34、其中，z表示当前观测值，表示跟踪目标的预测值，s表示协方差矩阵，g表示关联门常数。
35、结合第一方面，在一些可选的实施方式中，基于所述里程计数据和所述跟踪目标的横纵向距离信息获取所述跟踪目标在视觉图像中的像素坐标包括：
36、基于所述里程计数据和所述跟踪目标的横纵向距离信息计算所述跟踪目标在绝对世界坐标系下的绝对坐标，基于第一转换公式和第二转换公式获取所述跟踪目标在视觉图像中的像素坐标，所述第一转换公式包括：
37、pi＝kpi
38、其中，其中pi表示前视摄像头输出目标的像素坐标，k表示前视摄像头的内部参数，pi表示相机坐标系的坐标；
39、所述第二转换公式包括：
40、pi＝rpw+f
41、其中，pw表示跟踪目标在世界坐标系的坐标；r和f表示世界坐标系和前视坐标系之间的相对位置关系。
42、第二方面，本技术提供一种跟踪目标动静分离装置，包括：
43、采集单元，采集本车用于评价跟踪目标动静状态检测的观测数据集；
44、处理单元，基于所述观测数据集获取跟踪目标关联的动静分离评价参数，所述动静分离评价参数包括视觉图像中的像素坐标、前雷达观测目标的纵向速度和/或激光雷达观测目标的动静标志位；
45、判断单元，基于所述分离评价参数和设定阈值，输出所述跟踪目标的动静状态。
46、第三方面，本技术提供一种计算机储存介质，所述计算机储存介质内储存有计算机程序，当所述计算机程序在计算机上运行时，能够执行如上所述的跟踪目标动静分离方法。
47、本发明的有益效果：
48、1.本方法能够较好的实现横穿目标处于前雷达视角场边缘时，前雷达将运动目标识别为静止和激光雷达将横置静止车辆识别为横穿目标等动静分离判定异常的问题；在智能驾驶汽车目标动静分离方面具有很高的应用前景；
49、2.针对在不同环境下，动静分离的准确性可能会受到影响的问题。采本技术用多传感器融合技术，结合前雷达、激光雷达等多种传感器数据，可以提高动静分离的准确性和系统的鲁棒性；
50、3.针对现有技术中路口横穿目标，由于前雷达的径向测速原理，会将横穿目标识别为静止目标的问题，本技术可以通过激光雷达动静标志位、目标在图像像素坐标融合识别，并将其判别为动态目标，优化了单雷达目标漏制动的现象；
51、4.针对现有的激光雷达对于路口竖排静止车辆，由于遮挡的原因，会造成检测框跳动，从而使得目标具有横向速度的现象，本技术可以通过前雷达的径向速度，激光雷达的动静标志位以及目标在图像中的像素坐标，将其判定为静止目标，避免误制动的发生。
1.一种跟踪目标动静分离方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述采集本车用于评价跟踪目标动静状态检测的观测数据集包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述观测数据集获取跟踪目标关联的动静分离评价参数包括：
4.根据权利要求3所述的方法，其特征在于，在基于所述前雷达的可通行区域和所述毫米波雷达点云数据获得静止点集之前，方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述对所述激光雷达观测目标和所述毫米波雷达点云数据的合理性进行评估包括：
6.根据权利要求3所述的方法，其特征在于，所述基于所述前雷达的可通行区域和所述毫米波雷达点云数据获取静止点集包括：
7.根据权利要求3所述的方法，其特征在于，所述将同步后的所述静止点集投入具有预设纵向距离的观测目标框内，获取所述激光雷达目标的动静标志位包括：
8.根据权利要求7所述的方法，其特征在于，所述获取所述激光雷达目标的动静标志位包括：
9.根据权利要求3所述的方法，其特征在于，所述基于验证公式确定所述激光雷达观测目标和所述前雷达观测目标与所述跟踪目标的关联性中，所述验证公式包括：
10.根据权利要求3所述的方法，其特征在于，基于所述里程计数据和所述跟踪目标的横纵向距离信息获取所述跟踪目标在视觉图像中的像素坐标包括：
11.一种跟踪目标动静分离装置，其特征在于，包括：
12.一种计算机储存介质，其特征在于，所述计算机储存介质内储存有计算机程序，当所述计算机程序在计算机上运行时，能够执行如权利要求1-10中任一项所述的跟踪目标动静分离方法。
