【技术实现步骤摘要】
一种行人穿越意图预测方法
[0001]本专利技术涉及深度学习
，具体涉及一种行人穿越意图预测方法。
技术介绍
[0002]在WTO组织2018年的道路安全报告中的数据表明，全球每年约有135 万人死于交通事故，在这些交通事故中，超过一半的为行人，自行车手等。 这些易受伤的道路使用者在交通事故发生时无法保护自己，仅能依赖司机 的判断。随着无人驾驶的不断发展，自动驾驶系统具有越来越高等级的自 主判断能力，因此为了减少此类交通事故的发生，自动驾驶系统应当具备 预测行人穿越意图的能力，提前感知到可能存在的危险情况。由于激光雷 达等传感器设备的装配十分昂贵，想要大面积的在车辆上投入使用不易实 现，而摄像头作为相对低廉的环境感知设备可以在各类车辆上安装，并且 依托计算机视觉的发展，单目摄像头同样能完成各类视觉感知任务，因此 本专利技术仅通过单目摄像头实现快速且准确的行人穿越意图预测。
[0003]目前的行人穿越意图预测算法大多都采用行人姿态估计算法来获取行 人各部位关键点，例如头，手，腿等部位。通过目标检测算法可以较为准 ...
【技术保护点】
【技术特征摘要】
1.一种行人穿越意图预测方法，其特征在于，包括：获取训练完备的目标预测模型，所述目标预测模型包括色彩图预测网络结构和光流图预测网络结构，所述色彩图预测网络结构包括色彩3D深度可分离卷积层和色彩轻量级注意力机制模块，所述光流图预测网络结构包括光流3D深度可分离卷积层和光流轻量级注意力机制模块；获取待处理色彩图像和待处理行人光流图；基于所述色彩3D深度可分离卷积层和光流3D深度可分离卷积层，分别对所述待处理色彩图像和待处理行人光流图进行空间特征提取，获得色彩空间特征图和光流空间特征图，基于所述色彩轻量级注意力机制模块和光流轻量级注意力机制模块，分别对所述色彩空间特征和光流空间特征进行通道选择，获得色彩预测通道信息和光流预测通道信息；基于所述色彩预测通道信息和光流预测通道信息，确定行人穿越意图预测结果。2.根据权利要求1所述的行人穿越意图预测方法，其特征在于，所述色彩3D深度可分离卷积层包括第一色彩3D点卷积层和色彩3D深度卷积层；基于所述色彩3D深度可分离卷积层，对所述待处理色彩图像进行空间特征提取，获得色彩空间特征，包括：基于所述第一色彩3D点卷积层对所述待处理色彩图像进行通道升维，获取第一色彩高维空间特征图；基于所述色彩3D深度卷积层用于对所述第一色彩高维空间特征图进行尺寸变换，获取色彩变换空间特征图。3.根据权利要求2所述的行人穿越意图预测方法，其特征在于，所述色彩轻量级注意力机制模块包括色彩全局平均池化层、第一色彩全连接层、第二色彩全连接层和色彩叉乘运算层；所述色彩全局平均池化层用于对所述色彩变换空间特征图进行全局平均池化操作，获得色彩全局平均池化特征图；所述第一色彩全连接层用于提取色彩全局平均池化特征图的通道特征，获得第一色彩通道特征图；所述第二色彩全连接层用于提取所述第一色彩通道特征图的通道特征，获得第二色彩通道特征图；所述色彩叉乘运算层用于对所述第一色彩变换空间特征图和所述第二色彩通道特征图进行叉乘运算，获得所述色彩预测通道信息。4.根据权利要求3所述的行人穿越意图预测方法，其特征在于，所述色彩图预测网络结构还包括第二色彩3D点卷积层和色彩相加运算层；所述第二色彩3D点卷积层用于对所述色彩预测通道信息进行通道调节，获得第二色彩高维空间特征图；所述色彩相加运算层用于对所述色彩变换空间特征图和所述第二色彩高维空间特征图进行相加运算，获得色彩相加运算结果。5.根据权利要求1所述的行人穿越意图预测方法，其特征在于，所述光流3D深度可分离卷积层包括第一光流3D点卷积层和光流3D深度卷积层；基于所述光流3D深度可分离卷积层，对所述待处理光流图像进行空间特征提取，获得光流空间特征图，包括：基于所述第一光流3D点卷积层对所述待处理光流图像进行通道升维，获取第一光流高
维空间特征图；基于所述光流3D深度卷积层用于对所述第一光流高维空间特征图进行尺寸变换，获取光流变换空间特征图。6.根据权利要求5所述的行人穿越意图预测方法，其特征在于，所述光流轻量级注意力机制模块包括光流全局平均池化层、第一光流全连接层、第二光流全连接层和光流叉乘运算层；所述光流全局平均池化层用于对所述光流变换空间特征图进行...
【专利技术属性】
技术研发人员：刘冰艺，江熠，陈葳旸，陈新海，韩玮祯，
申请(专利权)人：武汉理工大学重庆研究院，
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。