【技术实现步骤摘要】
一种地图语义引导的单目行人室内定位预测方法
[0001]本专利技术涉及室内定位
，特别是涉及一种地图语义引导的单目行人室内定位预测方法。
技术介绍
[0002]作为室内定位的一种，室内单目摄像机行人定位具有突发性的特点，突发性指行人可能突然以不同运动状态出现或离开视频监控区域，以及环境、行人的突然变化导致定位结果的缺失，在单目视觉定位中如何保证连续平滑的定位效果还有待研究。
[0003]已有研究中多利用历史位置来预测未来位置，在大范围简单场景下具有较好的预测效果，但最近的研究表明行人之间的相互作用以及运动状态过于复杂，可能在瞬时改变行为，在复杂场景中的大多数情况下，各种预测模型并不会明显优于匀速运动模型的预测，而在室内监控空间中，行人运动的改变更加频繁，因此基于历史位置的预测并不适用。
[0004]本专利技术可以解决由于遮挡、漏检等因素导致的定位结果缺失以及行人轨迹中断的问题，有效保障了行人在监控区域内轨迹的完整性和连续性，对室内监控空间中长时间定位缺失的情形具有更好的改善效果。
技术实现思路
[0005]为了解决以上技术问题，本专利技术提供一种地图语义引导的单目行人室内定位预测方法，其特征在于：包括以下步骤
[0006]S1、通过松耦合的方式集成机器学习网络，机器学习网络包括骨架检测模型、视觉行为定位模型MonoLoco以及视频行人跟踪模型FairMOT，对监控空间中的行人位置和身份编号进行关联并跟踪，获取行人的位置信息，该位置信息包括行人定位丢失时的位置信息；>[0007]S2、将监控空间中的行人及障碍物进行动态数据栅格建模，构建监控空间内的栅格地图；
[0008]S3、结合步骤s1中获取的行人定位丢失时的位置信息和步骤s2中获取的栅格地图语义信息，计算行人的候选位置序列集；
[0009]S4、对行人之间的遮挡关系进行建模，基于对行人的遮挡判断，对候选位置序列集内的所有候选位置序列进行评分，且按照评分进行排序，选择评分最高的候选位置序列作为最终位置预测结果。
[0010]本专利技术进一步限定的技术方案是：
[0011]进一步的，步骤S1中视觉行为定位模型MonoLoco和视频行人跟踪模型FairMOT的松耦合方法设置为：在视频帧中通过视觉行为定位模型MonoLoco获取行人定位结果，通过视频行人跟踪模型FairMOT获取行人跟踪结果，对行人定位结果和行人跟踪结果中行人边界框(bbox)的重合度进行计算，当两者的重合度低于提前设定的阈值，则视为行人定位缺失。
[0012]前所述的一种地图语义引导的单目行人室内定位预测方法，行人定位结果和行人
跟踪结果中行人边界框(bbox)的重合度的计算函数设置为DIoU损失函数；
[0013]上述两者重合度的计算方法设置为：以行人跟踪结果为基础结果，行人定位结果为比较结果，判断行人跟踪结果是否可以匹配到行人定位结果，若无法匹配，则视为行人定位缺失。
[0014]前所述的一种地图语义引导的单目行人室内定位预测方法，步骤S1中获取行人位置信息的方法包括以下子步骤
[0015]S1.1、布置摄像头或者连接已有摄像设备接入视频流，输入预测图像；
[0016]S1.2、对视觉行为定位模型MonoLoco和视频行人跟踪模型FairMOT的预测结果中的行人预测框(bbox)进行关联，将行人跟踪结果与定位结果合并；
[0017]S1.3、部署松耦合后的机器学习网络，对接入视频进行预测，记录行人的位置信息。
[0018]前所述的一种地图语义引导的单目行人室内定位预测方法，步骤S3中行人预测的候选位置序列集的算法设置为以出入口引导的候选位置序列预测算法，且该算法包括以下子步骤
[0019]S3.1、以行人定位丢失时的位置为起点，以监控空间出入口中心位置为终点，利用路径规划方法提取行人初始候选路径；
[0020]S3.2、对初始候选路径进行修正优化，得到候选位置序列，依次遍历监控空间的各出入口，计算候选位置序列集。
[0021]前所述的一种地图语义引导的单目行人室内定位预测方法，步骤S3.1中的路径规划方法设置为A
‑
Star算法。
[0022]前所述的一种地图语义引导的单目行人室内定位预测方法，步骤S3.2中初始候选路径的修正优化方法包括以下子步骤
[0023]S3.2.1、构建行人的社会力模型，该社会力模型包括四种社会力分力和一种社会力合力，四种社会力分力分别设置为运动行为力、目标吸引力、障碍物排斥力以及行人交互力；
[0024]S3.2.2、根据栅格地图格网尺寸来确定一固定间距，以此固定间距在步骤3.1所述的行人初始候选路径上选取一局部路径，以此局部路径作为融合社会力的卡尔曼滤波模型的局部目标来预测下一局部目标；
[0025]S3.2.3、循环修正直到行人初始候选路径终点，得到平滑的候选位置序列，再依次遍历监控空间的各出入口，计算候选位置序列集。
[0026]前所述的一种地图语义引导的单目行人室内定位预测方法，步骤S4中行人之间遮挡关系的建模方法设置为：
[0027]在时刻t，选取候选位置序列中位置p
i
和真实行人位置p
j
，摄像机位置为o,当向量(p
i
‑
o)与向量(p
j
‑
o)间夹角的余弦值和p
i
与p
j
间的欧式距离同时满足阈值条件时，行人被判断为被遮挡。
[0028]前所述的一种地图语义引导的单目行人室内定位预测方法，步骤S4中行人之间遮挡关系的建模方法设置为：
[0029]通过摄像机的射线模型来评估行人是否被遮挡，该模型的遮挡判断表达式描述如下
[0030]在时刻t，候选位置序列中位置p
i
和真实行人位置p
j
，摄像机位置为o，遮挡关系表示为
[0031][0032]其中dist(
·
)为位置p
i
和位置p
j
欧式距离函数，angle(
·
)为向量(p
i
‑
o)和向量(p
j
‑
o)间夹角的余弦值，a和b分别为距离和夹角的阈值，只有同时满足两阈值条件时，行人才判断为被遮挡，其中阈值a＝1，阈值b＝2。
[0033]前所述的一种地图语义引导的单目行人室内定位预测方法，步骤S4中候选位置序列的评分方法设置为：
[0034]根据对行人的遮挡判断，获知候选位置序列中行人的被遮挡数、漏检位置数以及位置总数，被遮挡数为m，漏检位置数n，位置总数s＝m+n，候选位置序列评分score
pre
的计算公式为
[0035][0036]其中ω为权重调节因子，取ω＝1；score
pre
与m成正比，与n成反比，当所有位置点都被遮挡时，取得最大值e本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种地图语义引导的单目行人室内定位预测方法，其特征在于：包括以下步骤S1、通过松耦合的方式集成机器学习网络，机器学习网络包括骨架检测模型、视觉行为定位模型MonoLoco以及视频行人跟踪模型FairMOT，对监控空间中的行人位置和身份编号进行关联并跟踪，获取行人的位置信息，该位置信息包括行人定位丢失时的位置信息；S2、将监控空间中的行人及障碍物进行动态数据栅格建模，构建监控空间内的栅格地图；S3、结合步骤s1中获取的行人定位丢失时的位置信息和步骤s2中获取的栅格地图语义信息，计算行人的候选位置序列集；S4、对行人之间的遮挡关系进行建模，基于对行人的遮挡判断，对候选位置序列集内的所有候选位置序列进行评分，且按照评分进行排序，选择评分最高的候选位置序列作为最终位置预测结果。2.根据权利要求1所述的一种地图语义引导的单目行人室内定位预测方法，其特征在于：所述步骤S1中视觉行为定位模型MonoLoco和视频行人跟踪模型FairMOT的松耦合方法设置为：在视频帧中通过视觉行为定位模型MonoLoco获取行人定位结果，通过视频行人跟踪模型FairMOT获取行人跟踪结果，对行人定位结果和行人跟踪结果中行人边界框(bbox)的重合度进行计算，当两者的重合度低于提前设定的阈值，则视为行人定位缺失。3.根据权利要求2所述的一种地图语义引导的单目行人室内定位预测方法，其特征在于：所述行人定位结果和行人跟踪结果中行人边界框(bbox)的重合度的计算函数设置为DIoU损失函数；上述两者重合度的计算方法设置为：以行人跟踪结果为基础结果，行人定位结果为比较结果，判断行人跟踪结果是否可以匹配到行人定位结果，若无法匹配，则视为行人定位缺失。4.根据权利要求1所述的一种地图语义引导的单目行人室内定位预测方法，其特征在于：所述步骤S1中获取行人位置信息的方法包括以下子步骤S1.1、布置摄像头或者连接已有摄像设备接入视频流，输入预测图像；S1.2、对视觉行为定位模型MonoLoco和视频行人跟踪模型FairMOT的预测结果中的行人预测框(bbox)进行关联，将行人跟踪结果与定位结果合并；S1.3、部署松耦合后的机器学习网络，对接入视频进行预测，记录行人的位置信息。5.根据权利要求1所述的一种地图语义引导的单目行人室内定位预测方法，其特征在于：所述步骤S3中行人预测的候选位置序列集的算法设置为以出入口引导的候选位置序列预测算法，且该算法包括以下子步骤S3.1、以行人定位丢失时的位置为起点，以监控空间出入口中心位置为终点，利用路径规划方法提取行人初始候选路径；S3.2、对初始候选路径进行修正优化，得到候选位置序列，依次遍历监控空间的各出入口，计算候选位置序列集。6.根据权利要求5所述的一种地图语义引导的单目行人室内定位预测方法，其特征在于：所述步骤S3.1中的路径规划方法设置为A
...
【专利技术属性】
技术研发人员：呙维，刘武平，
申请(专利权)人：南京北斗创新应用科技研究院有限公司，
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。