1.一种基于卷积神经网络结合贪心算法的车辆3D多目标跟踪方法，其特征在于，包括：步骤1：通过高速公路路测激光雷达，采集车辆点云数据，对点云数据进行预处理；

步骤2：对预处理后的点云数据输入点云车辆目标检测器，生成车辆目标检测值，即检测目标状态信息，所述车辆目标检测值包括车辆空间位置、几何特征与运动学特征，根据检测值生成边界框并保存，在任意的Test时刻，所述车辆目标检测值表示为D＝{s1,s2,…,sN}，其中，sj＝(x,y,z,l,w,h,θ,vx,vy,vz,vθ,T)，j∈{1…N}，x,y,z表示目标的几何中心坐标；l,w,h分别表示目标的长、宽、高；θ表示目标的朝向角；vx,vy,vz分别表示目标的速度在各个坐标轴上的分量；vθ表示目标的角速度；T表示目标检测置信度；N表示检测的目标数量；j表示目标序号；

步骤3：将车辆目标检测值输入卷积神经网络，生成对下一状态的预测值；

步骤4：设置欧式距离滤波门，计算预测值与检测值之间的欧式距离，筛选有效检测值；

步骤5：设置关联度量阈值，生成预测值与检测值之间的马式距离，生成匹配对；

步骤6：针对匹配对中检测值的检测置信度高的匹配对，利用贪心算法进行数据关联；

针对匹配对中检测值的检测置信度较低的匹配对，利用运动学模型，采用运动预测取代低质量检测，与初始化轨迹进行关联检测值的检测置信度高的匹配对，即检测值满足马氏距离阈值γm的匹配对；

low high

检测值的检测置信度较低的匹配对，即检测值的检测置信度处于[T ,T ]的匹配对；

步骤7：将关联好的车辆轨迹进行状态更新；利用轨迹管理模块生成新轨迹与消亡轨迹。

2.根据权利要求1所述的基于卷积神经网络结合贪心算法的车辆3D多目标跟踪方法，其特征在于，所述步骤1包括对车辆点云数据进行清洗，滤除地面点云，保留有效点云。

3.根据权利要求1所述的基于卷积神经网络结合贪心算法的车辆3D多目标跟踪方法，其特征在于，所述步骤3具体包括：选取轻量化的卷积神经网络MobilenetV2，将车辆状态信息连续4帧作为输入，提取连续过程中的运动信息，在每个Bottleneck卷积层加入BatchNorm以及Mish激活函数：X

f(X)＝X*tanh(ln(1+e))，

其中，f(X)表示Mish激活函数，X表示输入Mish激活函数的状态信息；

卷积神经网络MobilenetV2直接预测Test时刻的目标状态，生成预测目标状态其中， 表示预测的该时刻的第i个目标的状态信息，M表示预测的目标数量。

4.根据权利要求3所述的基于卷积神经网络结合贪心算法的车辆3D多目标跟踪方法，其特征在于，所述步骤4具体包括：步骤4.1：在k时刻，计算预测的目标几何中心坐标与检测的目标几何中心坐标的欧式距离 其中，sj′(k)表示k时刻由检测器获得的第j个目标只包含(x,y,z)的状态信息； 表示预测得到的k时刻的第i个目标只包含(x,y,z)状态估计信息；

步骤4.2：设置欧式距离滤波门，进行欧式距离滤波，筛选有效检测值，舍弃不满足欧式距离波门的检测值，即，筛选出满足下式的检测值，de(i,j)＜γe，

其中，γe表示欧氏距离阈值。

5.根据权利要求4所述的基于卷积神经网络结合贪心算法的车辆3D多目标跟踪方法，其特征在于，所述步骤5具体包括：步骤5.1：计算k时刻欧式距离滤波门过滤后的预测状态与检测器检测得到的检测状态的马氏距离dm(i,j)作为关联度量值，其中，

sj″(k)表示k时刻由检测器获得的第j个目标去除角速度vθ后的状态信息；

表示预测得到的k时刻第i个目标去除角速度vθ后的状态信息；

‑1

S (k)为 对应的协方差；

步骤5.2：筛选马氏距离阈值范围内的预测值，并保留马氏距离阈值范围内的检测值和预测值的组合，生成匹配对pairs(i,j)，即，筛选出满足下式的预测值，pairs(i,j)＝dm(i,j)＜γm，

其中，γm为设定的马氏距离阈值。

6.根据权利要求5所述的基于卷积神经网络结合贪心算法的车辆3D多目标跟踪方法，其特征在于，所述步骤6具体包括：步骤6.1：根据步骤5中根据马氏距离阈值得到的匹配对pairs(m,n)，当马氏距离阈值γm范围内只有一个检测值时，直接进行轨迹关联；

步骤6.2：当存在多个预测值与检测值同时满足马氏距离阈值γm时，采用贪心算法实现轨迹关联，贪心算法用如下公式表示：MatchedP＝MatchedP∪{m}，

MatchedD＝MatchedD∪{n}，

(m,n)∈{Valuemin[pairs(i,j)],...,Valuemax[pairs(i,j)]}，其中，matchedP表示轨迹关联成功的预测值集合；matchedD表示轨迹关联成功的检测值集合；Valuemin[pairs(i,j)]表示最小的马氏距离值所对应的m,n；Valuemax[pairs(i,j)]表示最大的马氏距离值所对应的m,n；m,n分别表示未匹配过的预测目标与检测目标；

low high

步骤6.3：对于匹配对中检测值的检测置信度处于[T ,T ]的匹配对，利用运动学模型与初始化轨迹进行关联，采用运动预测取代低质量检测，之后利用卡尔曼滤波进行更新，TP(k|k‑1)＝AP(k‑1|k‑1)A+Q，

其中， 表示由k‑1时刻对k时刻的状态估计；s(k‑1)表示k‑1时刻的状态，A为状态转移矩阵；W(k)为k时刻的过程高斯噪声，协方差为Q；P(k)表示s(k)对应的协方差；P(k‑1|k‑1)表示k‑1时刻的最优状态估计协方差；P(k|k‑1)表示k时刻的先验状态估计协方差；z(k)为观测向量；H为观测矩阵；V(k)为过程高斯噪声，协方差为R；

s(k|k)＝s(k|k‑1)+Kg(k)[z(k)‑Hs(k|k‑1)]，P(k|k)＝[1‑Kg(k)H]P(k|k‑1)，其中，Kg(k)表示卡尔曼增益，s(k|k)表示k时刻的最优状态估计，s(k|k‑1)表示k时刻的先验状态估计。

7.根据权利要求1所述的基于卷积神经网络结合贪心算法的车辆3D多目标跟踪方法，其特征在于，所述步骤7具体包括：步骤7.1：设置轨迹管理器，如果存在帧数超过阈值Tborn的未匹配的检测值sj，将其定义为新目标，其轨迹初始状态为sj；

步骤7.2：对于未匹配的预测值 如果存在帧数超过阈值Tdead，则将其定义为离开目标轨迹，并删除该轨迹。