【技术实现步骤摘要】
一种基于异构图学习的交通场景运动目标感知方法
[0001]本专利技术涉及智能交通
，尤其涉及一种基于异构图学习的交通场景运动目标感知方法。
技术介绍
[0002]无人车因其快速、便捷、智能等优点，在交通运输、日常出行、应急抢险领域有着广泛的应用前景，同时，其在节约能源、减少交通拥堵、建设智慧城市等方面有着重要意义。但是，目前交通场景的复杂性对无人车轨迹规划提出了更高的要求，在复杂场景中可能存在各类运动目标，无人车为了更好地规划自身行驶轨迹，应及时对场景运动目标进行检测、跟踪和预测，以避免与目标发生冲突。
[0003]现有的检测方法通常有对于车辆视角的目标检测算法，使用联合概率函数的方法来实现对车辆周围环境实时感知，可以有效对车辆周围目标检测，帮助无人车识别环境中各类目标。通过检测无人车周围目标可以规划出可通行区域，但是存在的漏检可能为轨迹规划带来风险。运动目标包含丰富的时域信息，通过跟踪车辆周围的运动目标，可以有效避免漏检，为轨迹规划提供更多信息。检测并跟踪车辆周围的运动目标，可以为无人车的轨迹规划提供信息。但...
【技术保护点】
【技术特征摘要】
1.一种基于异构图学习的交通场景运动目标感知方法，其特征在于，包括以下步骤：S1、引入目标检测网络实时检测交通场景中的运动目标；结合多目标跟踪网络对目标进行跟踪，获得运动目标的观测轨迹；S2、根据观测轨迹建立异构图，送入图变换网络编码；S3、使用运动编码器网络编码目标运动模式，将结果与图变换网络的编码结果拼接；S4、将拼接得到的结果送入运动状态解码器网络，解码得到目标的预测轨迹。2.如权利要求1所述的基于异构图学习的交通场景运动目标感知方法，其特征在于，所述步骤S1具体包括：S11、引入目标检测网络：引入轻量级目标检测网络YOLOv5，YOLOv5由主干网络、路径聚合网络、输出三部分构成；主干网络部分负责从图像中提取特征；路径聚合网络部分通过路径聚合增强图像底层特征的同时对图像进行特征分割；输出部分采用一维卷积神经网络对特征进行分类，实现目标检测；S12、引入目标跟踪网络：引入DeepSort算法对视频中的多个目标进行实时跟踪以获得运动目标的观测轨迹；DeepSort多目标跟踪算法是在目标跟踪的基础上引入表观特征提取网络；在目标跟踪过程中提取目标的表观特征进行最近邻匹配；DeepSort算法的过程是先通过目标检测器获得检测框后，使用卡尔曼滤波预测目标下一时刻位置，计算目标当前帧与下一帧的马氏距离和深度特征，使用匈牙利算法将目标检测框与位置进行关联，更新卡尔曼滤波器，实现对目标的连续跟踪。3.如权利要求1所述的基于异构图学习的交通场景运动目标感知方法，其特征在于，所述步骤S2具体包括：S21、将运动目标作为节点，根据观测轨迹建立异构图；捕捉不同运动目标之间的相互影响，将交通场景下的行人/车辆目标作为异构图的节点，将行人/车辆运动编码作为节点特征；同时，利用目标的距离、位置、运动方向，建立多种影响关系，并作为图中的边，得到一个由多种类型节点和多种类型边构成的异构图；S22、引入图变换网络从异构图中学习元路径，获得更好的节点表示；首先使用1x1多通道卷积，从中选择有效的邻接矩阵，然后将多个有效邻接矩阵相乘得到元路径邻接矩阵，最后应用图卷积网络于元路径上，生成新的节点表示。4.如权利要求3所述的基于异构图学习的交通场景运动目标感知方法，其特征在于，所述得到一个由多种类型节点和多种类型边构成的异构图包括：首先，由运动目标位置定义目标i,j距离边矩阵A
dist
，如下：，如下：其中，x
i
是目标i的x轴坐标，x
j
是目标j的x轴坐标，y
i
是目标i的y轴坐标，y
j
是目标j的y轴坐标，p
i
是目标i的观测轨迹，p
j
是目标j的观测轨迹；
由目标的运动速度求出目标i,j之间的方向夹角cos值，如下：其中，v
i
指的是目标i的运动速度，v
j
指的是目标j的运动速度；分别计算目标i和j的同向边矩阵A
s
与反向边矩阵A
r
，如下：，如下：最后，定义目标i,j前位置矩阵A
f
与后位置矩阵A
b
，如下：，如下：计算目标i和j相对位置向量rel
ij
，公式为：rel<...
【专利技术属性】
技术研发人员：杨彪，顾钰涛，杨长春，徐黎明，陈阳，吕继东，
申请(专利权)人：常州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。