一种基于时空信息的行人轨迹预测方法技术

本发明专利技术公开了一种基于时空信息的行人轨迹预测方法，该方法从行人的多种特征中选取了场景信息、行人交互信息和行人历史轨迹信息这三个会对行人轨迹产生明显影响的因素作为神经网络的输入，从而得到精确度更高的行人轨迹预测方法，具体包括：将行人历史轨迹信息转换为顶点矩阵形式，并设计核函数从历史轨迹信息中提取行人交互信息并生成邻接矩阵，将输入的场景图片中的行人信息消除得到纯净的背景信息。结果表明该网络结构可以根据行人交互特点及行人运动状态正确生成预测轨迹，在多个数据集上取得了较好的预测结果。集上取得了较好的预测结果。集上取得了较好的预测结果。

【技术实现步骤摘要】
一种基于时空信息的行人轨迹预测方法


[0001]本专利技术涉及行人轨迹预测
，特别是涉及一种基于时空信息的行人轨迹预测方法。

技术介绍

[0002]行人行为的数据分析大量使用于许多应用程序,这些应用程序通过对行人行为数据进行分析来了解行人的未来行为并做出最终决策，例如自动驾驶、道路规划、城市安全等。。然而，在某些情况下，人们需要走得更远，以不间断方式了解行人的举动，并推断他们的短期或中期意图。然而有许多因素与单个行人的轨迹变化密切相关，例如行人附近障碍物的性质及其空间分布、地面的状态、行人的目的地、行人的年龄、行人的状态等。在一个公共空间里的一整组行人之间会通过互动相互影响彼此的行为，这使得行人轨迹预测变得更加困难。为了解决行人轨迹预测的问题，在过去的几年中，相关文献中提出了几种基于深度学习的方法。
[0003]一种名为Vanilla RNN的递归神经网络是两层全连接神经网络的扩展，其中隐藏层具有反馈循环。这个小小的更改能更有效地对顺序数据进行建模。Vanilla RNN不仅处理属于当前步骤的输入数据，还处理存储在隐藏神经元中的过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空信息的行人轨迹预测方法，其特征在于，所述行人轨迹预测方法包括如下步骤：步骤S1、获取数据集，并对该数据集进行处理，其包括：首先提取数据集中的行人坐标，并进行坐标转换，获得行人于像素坐标系下的坐标，再基于该像素坐标系的行人坐标构建各个时刻的行人轨迹顶点矩阵；步骤S2、针对步骤S1中得到的行人轨迹顶点矩阵，将其转化为图信息，其包括：提取若干时刻的行人轨迹矩阵，计算出行人间的交互作用，得到邻接矩阵；步骤S3、将步骤S2中得到的图信息输入至空间特征编码器中进行处理，其中，该图信息包括有行人轨迹交互信息及场景信息；步骤S4、采用时序特征编码器，对步骤S3中的空间特征编码器的输出进行时序维度的特征提取，得到时空特征向量；步骤S5、针对步骤S4中得到的时空特征向量，变换其向量的维度；步骤S6、根据步骤S5中经过维度变换后的时空特征向量，对行人未来轨迹进行预测。2.根据权利要求1所述的一种基于时空信息的行人轨迹预测方法，其特征在于，在所述步骤S1中，基于公式(1)进行坐标转换，该公式(1)的表达式为：在公式(1)中，u、v表示像素坐标系中的x、y轴，x
w
、y
w
表示世界坐标系中的x、y轴，其中，矩阵H表示为：在公式(2)中，[r
1 r
2 t]为相机外参，[r
1 r2]为旋转参数，t为平移参数，M为相机内参，s为尺度因子。3.根据权利要求2所述的一种基于时空信息的行人轨迹预测方法，其特征在于，所述步骤S2具体包括：步骤S201、所述行人轨迹顶点矩阵，其表示为：V'＝{v
ij
|i∈{1,2,...,N},j∈{1,2}}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)在公式(3)中，该矩阵V'共N行，每行代表一个行人，共2列，分别代表x、y轴；步骤S202、提取多个时刻的顶点矩阵，且设为一组，其表示为：步骤S203、根据步骤S202中得到的行人坐标数据计算出行人间交互作用的大小，核函数为：
在公式(5)中，数值区间为数值越大，则表示行人轨迹交互影响概率越大；数值越小，则表示行人轨迹交互影响概率越小；步骤S204、生成的邻接矩阵为：4.根据权利要求3所述的一种基于时空信息的行人轨迹预测方法，其特征在于，所述步骤S3具体包括：步骤S301、针对步骤S2中得到的行人坐标信息的顶点矩阵与行人交互信息的邻接矩阵，将其截取一帧作为网络输入，则输入表示为：V'＝{v
ij
|i∈{1,2,...,N},j∈{1,2}以及，A'＝{a
ij
|i∈{1,2,...,N},j∈{1,2,...,N}}；步骤S302、将步骤S301中得到的网络输入，输入至图卷积神经网络中进行处理，其中，针对邻接矩阵，令其与单位矩阵相加并对称归一化，表示为：步骤S303、根据得到的计算其表示为：在公式(7)中，即为对称归一化处理后的结果，是的度矩阵，设为M
×
M维矩阵，首先计算M维向量，表示为：其中，然后根据计算对角矩阵其表示为：其中，步骤S304、将步骤S303中得到的输入图卷积网络，在该网络中，每层将与输入矩阵相乘，再送入全连接网络及非线性激活层，其中，当该非线性激活层的输入矩阵为X时，则该层表示为：步骤S305、对于整体网络，当其输入为顶点矩阵V时，则其最终输出为：v
traj
＝GCN(V)＝GCNlayer(GCNlayer(...GCNlayer(V)))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)在公式(8)中，v
traj
表示为最终得到的行人轨迹交互信息的编码特征向量...

【专利技术属性】
技术研发人员：王翔辰，杨欣，樊江锋，李恒锐，朱义天，周大可，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：