一种基于深度学习的视频目标运动轨迹预测方法技术

本发明专利技术涉及深度学习轨迹预测技术领域，尤其涉及一种基于深度学习的视频目标运动轨迹预测方法，本发明专利技术可分为训练阶段和应用阶段两个阶段，在训练阶段，利用轨迹训练样本训练设计好的轨迹预测网络模型，得到轨迹预测模型；在应用阶段，首先通过目标检测和跟踪算法得到实时运动轨迹，然后去除实时运动轨迹中的冗余数据和异常数据，最后输入到轨迹预测模型得到视频目标的预测运动轨迹。视频目标的预测运动轨迹。视频目标的预测运动轨迹。

【技术实现步骤摘要】
一种基于深度学习的视频目标运动轨迹预测方法


[0001]本专利技术涉及深度学习轨迹预测
，尤其涉及一种基于深度学习的视频目标运动轨迹预测方法。

技术介绍

[0002]轨迹预测是目前无人设备自动化的重要一环，应用于自动驾驶、交通监控等各个领域，目前深度学习中轨迹预测领域仍存在一些问题，如轨迹预测模型输出的预测运动轨迹不在合理的可通行区域内、预测运动轨迹随时间产生的误差逐渐增大的问题，通过在轨迹预测模型训练阶段提出一种优化方法解决此问题是一个很好的途径。
[0003]在真实环境中，轨迹预测模型输出的预测轨迹往往需要考虑真实环境中的各种因素，而不仅仅只是考虑预测运动轨迹与真实预测运动轨迹的偏差，例如交通环境下行驶车辆的轨迹通常不能出现在可行驶区域的范围外，从而对于轨迹预测模型产生的出现在可行驶区域外的预测轨迹往往可以认为是错误的；同时预测运动轨迹往往随着时间产生的误差逐步增大。因此设计一种优化方法，在轨迹预测模型训练阶段考虑各个因素解决上述出现的各种问题。
[0004]当前涉及训练阶段优化轨迹预测模型的方法有：专利技术专利申请号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的视频目标运动轨迹预测方法，其特征在于，包括如下步骤：步骤1)使用基于长短期记忆网络LSTM的Encoder
‑
Decoder模型为骨干网络构建轨迹预测网络模型，其中的损失函数构建如下：测网络模型，其中的损失函数构建如下：L
loss
＝L
EL2
+λL
AC
ꢀꢀ
(3)其中，i是轨迹数据集的轨迹标号，m是轨迹数据集的轨迹总数，T
obs
是历史运动轨迹的结束时刻，T
pred
是预测运动轨迹的结束时刻，是时刻t下真实预测运动轨迹的场景像素坐标，是时刻t下预测运动轨迹的场景像素坐标；式(1)中，γ是超参数且γ∈[1,∞)；式(2)中，D是视频场景中视频目标无法移动到的像素区域，CI()表示示性函数，若其参数满足条件，则返回1，否则返回0；式(3)中，λ是超参数且λ∈[0,∞)；步骤2)将视频场景输入语义分割模型得到各语义区域，标注出视频目标无法移动到的像素区域D，其中，(0,0)≤D≤(height,width)，width是视频场景的像素宽度，height是视频场景的像素高度；步骤3)获取同一视频场景下包含m条轨迹的轨迹数据集，将轨迹数据集分为历史运动轨迹和真实预测运动轨迹得到轨迹训练样本集，利用步骤1)构建的轨迹预测网络模型进行训练，得到轨迹预测模型；步骤4)利用视频目标检测与跟踪算法，按相等的时间间隔获...

【专利技术属性】
技术研发人员：高飞，黄万军，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：