基于注意力特征优化的行人马路场景人群运动追踪方法技术

一种基于注意力特征优化的行人马路场景人群运动追踪方法，包括以下步骤：S1.基本模型选取，其中，基本模型包括特征模板、高斯混合模型和运动趋势预测算法；S2.搭建基于注意力机制模块：将注意力机制模块加入到基本模型的特征提取部分中，不仅可以提取语义信息等高级特征，还能通过特征融合的办法恢复在特征提取过程中所丢失的目标个体细节信息；S3.通过注意力机制模块改进基本模型。通过把基于注意力机制模块加入到基本模型的特征提取部分中，可以对特征提取部分中所提取的特征图进一步优化并生成高质量特征图。本发明专利技术的基于注意力特征优化的行人马路场景人群运动追踪方法可以提高识别目标个体位置的准确度，从而更好预测目标的运动轨迹。标的运动轨迹。标的运动轨迹。

【技术实现步骤摘要】
基于注意力特征优化的行人马路场景人群运动追踪方法


[0001]本专利技术涉及属于计算机视觉领域，特别地，涉及一种用于行人马路场景的基于注意力模块进行特征优化的密集人群运动追踪方法。

技术介绍

[0002]密集人群运动追踪在计算机视觉领域的是一个重要的挑战，而且在行人马路场景下去追踪行人的运动趋势，能防止公路事故的发生，在工业界具有重要的意义。在密集人群运动追踪的方法中，主要的算法流程是先对包含密集人群场景的视频帧进行特征提取，根据提取到的行人特征，每个目标个体都会被检测出来，通过识别一段连续视频序列中每个目标个体的位置，就可以预测出这些目标个体的运动趋势了。
[0003]目前，有不少方法用于进行密集人群运动追踪。一方面，通过在视频帧中提取颜色和轮廓等低级特征，一些方法被提出用于识别密集人群中目标个体的位置；另一方面，一些方法通过提取语义信息和时序信息等高级特征，在视频序列中精确地检测出目标个体的位置。
[0004]然而在现实场景中人群密度不断增加，提取以上传统特征的模型不足以应付高密度人群中检测目标个体位置的挑战。所以，具有强大特征学习能力的深度学习(Deep Learning)模型就被用于在密集人群场景中提取每个目标个体的特征。但是深度学习模型需要具有很强计算能力的设备去运行，而且深度学习模型处理数据的时间较长，不能对接收的视觉数据进行实时反馈。在实际场景例如行人过马路场景中，是需要检测算法对现场接收的视觉数据进行实时处理和反馈。正因如此，即使深度学习模型在很多检测任务中达到高精度，但它并不适用于行人过马路等实际场景的目标检测。
[0005]由于注意力机制(Attention Mechanism)具有强大的特征提取能力而被用于提取视觉数据中目标的特征。为了能在行人马路场景中提取每个目标个体的特征，本专利技术提出了一个新的基于注意力机制模块去获取行人马路场景中密集人群的目标特征。此外，在特征提取的过程中，原视频帧的一部分细节信息可能会丢失，为了很好地保存这些细节信息，在本专利技术提出的基于注意力机制模块中还包含了用于特征优化的处理以保存这些重要的细节信息。因此，选取一个包含特征模板、高斯混合模型和运动趋势预测算法的密集人群运动追踪框架作为基本模型，把本专利技术提出的可以优化特征的注意力机制模块加入到该基本模型中，可以有效地识别目标个体在密集人群中的准确位置，从而准确预测其运动趋势。
[0006]综上，解决上述问题的意义在于：为行人马路等场景的密集人群运动追踪任务，提供一种基于注意力模块完成特征优化的方法，该方法不仅能提取更可靠的高级特征，还能防止原视频帧中的细节信息丢失。

技术实现思路

[0007]本专利技术提供了一种基于注意力特征优化的行人马路场景人群运动追踪方法，该方法通过基于注意力机制模块对视频帧的特征图进行优化，可以在提取高质量特征的同时，
也有效地保存在特征提取过程中容易丢失的视频帧的重要细节信息；有效提取更可靠的特征，精确地在密集人群运动追踪任务中识别每个目标的位置。
[0008]本专利技术的技术方案如下：
[0009]一种基于注意力特征优化的行人马路场景人群运动追踪方法，包括以下步骤：S1.基本模型选取：基本模型包括特征模板、高斯混合模型和运动趋势预测算法；S2.搭建基于注意力机制模块：将注意力机制模块加入到基本模型的特征提取部分中；S3.通过注意力机制模块改进基本模型。
[0010]优选的，在上述基于注意力特征优化的行人马路场景人群运动追踪方法中，在步骤S2中，两次注意力机制操作被用于获取高质量特征，而每次完成注意力机制运算后，都会通过有效的特征融合方式帮助注意力机制的输出结果保留原视频帧的细节信息。
[0011]优选的，在上述基于注意力特征优化的行人马路场景人群运动追踪方法中，在步骤S2中，包括在基本模型的特征提取部分加入能提取高级特征与实现特征优化的基于注意力机制模块。
[0012]优选的，在上述基于注意力特征优化的行人马路场景人群运动追踪方法中，在步骤S3中，视频帧先被输入至包含基于注意力机制模块的特征提取部分中；然后特征提取部分把能准确识别目标个体位置的高质量特征图传送至人群运动轨迹预测部分中；经算法处理，人群运动轨迹预测部分会输出包含目标个体运动轨迹的结果图。
[0013]优选的，在上述基于注意力特征优化的行人马路场景人群运动追踪方法中，特征提取部分中，特征模板从被输入的视频帧中提取特征并输出该视频帧的特征图；然后特征图会输入至上述的基于注意力机制模块中提取高质量特征并进行特征优化；已优化的特征图从基于注意力机制模块中输出后，会被输入至高斯混合模型中进行处理，从而输出包含目标个体位置的高斯分布特征图，该高斯分布特征图会作为特征提取部分的结果被输出，然后被输入至人群运动轨迹预测部分。
[0014]根据本专利技术的技术方案，产生的有益效果是:
[0015]与现有的主要提取低级特征或高级特征的传统算法相比，本专利技术方法因具有基于注意力机制模块，不仅能提取高质量的高级特征，还能通过有效的特征融合方式防止原视频帧中的细节信息丢失。因为基于注意力机制模块能生成高质量的特征图，所以这些特征图能让高斯混合模型更精准地识别出目标个体的位置，从而让运动趋势预测算法更精准地预测目标的运动轨迹。在测试实验中，通过在行人过马路场景的数据集进行测试，包含基于注意力机制模块的模型所达到的精准度高于不包含该模块的模型的精准度。
[0016]另一方面，与基于深度学习的模型相比较，本专利技术主要能在获取视频帧数据后，实时进行数据处理并输出结果；而深度学习模型的算法复杂度比较大，所以不能实时处理视频数据。因此，从响应时间的角度考虑，本专利技术比深度学习模型更适用于行人马路场景中的人群运动追踪任务。
[0017]为了更好地理解和说明本专利技术的构思、工作原理和专利技术效果，下面结合附图，通过具体实施例，对本专利技术进行详细说明如下：
附图说明
[0018]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体
实施方式或现有技术描述中所需要使用的附图作简单地介绍。
[0019]图1是实现本专利技术的基于注意力模块的密集人群运动追踪方法的流程图；
[0020]图2是本专利技术的基于注意力模块的密集人群运动追踪模型所涉及的算法的流程图；
[0021]图3是本专利技术的特征提取部分的流程图；以及
[0022]图4是本专利技术的基于注意力机制模块的示意图。
具体实施方式
[0023]为使本专利技术的目的、技术方法及优点更加清晰，下面结合附图及具体实例，对本专利技术做进一步的详细说明。这些实例仅仅是说明性的，而并非对本专利技术的限制。
[0024]在密集人群运动轨迹预测的模型中，视频帧会先输入至特征提取部分去提取目标个体的特征，然后生成的特征图则被输入至高斯混合模型中进行运算，从而识别出目标个体所在的位置。当一段视频序列的所有目标个体的位置都被识别出来时，则可以通过运动趋势预测算法去把这一段视频序列的目标个体的运动趋势或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力特征优化的行人马路场景人群运动追踪方法，其特征在于，包括以下步骤：S1.基本模型选取：所述基本模型包括特征模板、高斯混合模型和运动趋势预测算法；S2.搭建基于注意力机制模块；以及S3.通过所述基于注意力机制模块改进基本模型。2.根据权利要求1所述的基于注意力特征优化的行人马路场景人群运动追踪方法，其特征在于，在步骤S2中，两次注意力机制操作被用于获取高质量特征，而每次完成注意力机制运算后，都会通过有效的特征融合方式帮助注意力机制的输出结果保留原视频帧的细节信息。3.根据权利要求1所述的基于注意力特征优化的行人马路场景人群运动追踪方法，其特征在于，在步骤S2中，包括在所述基本模型的特征提取部分加入能提取高级特征与实现特征优化的所述基于注意力机制模块。4.根据权利要求1所述的基于注意力特征优化的行人马路场景人群运动追踪方...

【专利技术属性】
技术研发人员：黎俊良，张世雄，魏文应，陶键源，
申请(专利权)人：广东博华超高清创新中心有限公司，
类型：发明
国别省市：