车灯自动控制算法的光斑跟踪

多目标跟踪对于车灯自动控制算法（AHC）是一项重要的任务。由于光斑小而密集的存在，且嵌入式平台的计算能力有限，因此多目标跟踪具有挑战性。跟踪方法在保证准确的同时，计算效率应当高。结合兴趣点跟踪和位置跟踪的概念，提出了一种新型的多目标跟踪方法。在兴趣点跟踪中，利用了基于特征的外观跟踪点；而位置跟踪则利用运动学特征跟踪。兴趣点跟踪方法采用特征集，该特征集包括熟知的基于特征的外观和新颖的亮点环境特征。使用基于搜索方法的遗传算法而更集中过滤出该特征集。用一种高效的计算方法将从这些特征中得到的信息与运动特征结合起来。这种融合的信息用于跟踪光斑。该方法提高了65%的跟踪率，并在如车辆俯仰等情况下显示了更好的性能，提高了系统性能。

结合从兴趣点跟踪中获知的基于外观的关联和基于预测点位置及大小的基本跟踪系统关联，实现了一种新的跟踪-数据关联算法。对于基于外观的关联，生成了点跟踪和光斑检测候选特征向量。为了保证运行时的低要求，用特征选择来保持特征数量较少，因此采用了遗传算法。该算法基于大量的现有特征和新特征来决定最优的特征向量。

为了解决特殊情况下的关联问题，开发一个新的环境特征，该特征抓住了不同光斑候选之间的相互位置。特征选择表明，这种新特征对系统做了非常有价值的补充。为了将基于关联的特征集成到系统，开发了一种将基于关联的新特征和基于关联的已有过滤器结合在一起的融合算法。通过使用新方法,跟踪错误的数量减少了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.

编译：王欣欣