【技术实现步骤摘要】
基于改进Social
‑
GAN算法的复杂场景行人轨迹预测方法及装置
[0001]本专利技术属于智能交通数据处理领域,具体为一种基于改进Social
‑
GAN算法的复杂场景行人轨迹预测方法及装置。
技术介绍
[0002]行人作为复杂交通场景中的弱势群体,其意图和轨迹存在不确定性,尤其是在一些无信号灯交叉口,减少了交通信号灯的约束作用,行人的过街意图尤为多变,对行人的实时轨迹预测对于车辆快速通行具有重要意义,而无信号灯交叉口人车交互较多,很容易产生交通堵塞以及交通安全事故,因此需要一种能够高效预测行人轨迹的方法。
[0003]对于行人轨迹预测方法,一般有三类:基于物理学的方法、基于规划的方法、数据驱动的方法。物理学建模方法过于复杂,对行人的动态模型难以捕捉。而规划的方法受限于时长的要求,对于长期的行人行为预测具有一定的优越性。近年来发展较为迅速的是RNN以及LSTM类轨迹预测方法,但大多学者都把注意力放在环境对行人运动轨迹的影响,而忽略了人车,人人的信息共享性。
[0004]针对以上问题,社会上也有学者提出建立行人过街自动警示系统,利用双向预警功能使得行人注意来车,同时让车辆注意行人。该方法较好地考虑到人车对抗的问题,通过提前预警来减小发生碰撞的概率。但规避了轨迹预测这一难题,通过提前介入来提高复杂交通场景下的安全性。该方法只适用较少车辆与行人过街的情况,若出现较多车辆、多向行人的复杂场景,则会出现效率低下以及交通拥堵的情况。对于没有过街需求的行人,很容易产生误触的情况 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进Social
‑
GAN算法的复杂场景行人轨迹预测方法,其特征在于,包括如下步骤:步骤1,获取复杂场景的固定视角数据训练集,对行人目标进行跟踪检测。步骤2,利用混合高斯模型和骨骼点检测算法,对检测到的行人进行过街意图的识别以及过街方向的判别。步骤3,在确定好行人的过街需求后,利用改进Social
‑
GAN算法,搭建改进GAN网络,确定生成器、池化块以及鉴别器,利用多元多样性损失函数,对行人的下一时刻轨迹进行多模态轨迹预测。2.根据权利要求1所述基于改进Social
‑
GAN算法的复杂场景行人轨迹预测方法,其特征在于,所述步骤1中,提取所拍摄视频的当前帧并采用Canny算子边缘检测和Hough变换直线提取的方法进行道路沿线的检测,并根据道路沿线对道路区域进行划分。3.根据权利要求1所述基于改进Social
‑
GAN算法的复杂场景行人轨迹预测方法,其特征在于,所述步骤2的具体过程如下,步骤2.1、选用OpenPose算法提取图像中行人的骨骼点,当图像中存在多个行人时,通过PAFs的方法进行骨骼点聚类分析,将每个行人的骨骼点数据分为一组,得到每个行人的骨架图,根据骨架图分析行人的行为,包括行人的行走、跑动、头部信息(是否注意到来车)等,并利用这些行为信息对循环神经网络LSTM进行训练,实现过街意图的识别。步骤2.2、为实现相机运动补偿,先将前一帧和当前帧分别分成24
×
18的若干像素块,并取每个像素块的中心点作为跟踪点进行初始化,使用KLT图像匹配跟踪算法在当前帧中找到与各跟踪点相匹配的目标点,此后,采用RANSAC算法对上述匹配跟踪算法的结果进行筛选,得到补偿后的背景模型。步骤2.3、先将像素点与当前帧背景模型作比较,在判断为前景时,进一步与上一帧的背景模型作比较,当判断依旧为前景时则最终判断该像素点为前景点,否则判断其为背景点。提取前后帧的前景坐标,采用帧差法计算前景的坐标变换,即可实现对行人运动方向的识别。4.根据权利要求1所述的基于改进Social
‑
GAN算法的复杂场景行人轨迹预测方法,其特征在于,所述步骤3的具体过程如下,步骤3.1、我们首先使用单层MLP(多层感知器)嵌入每个人的位置,以获得固定长度的向量这些嵌入在时间t用作编码器的LSTM单元的输入,并使用以下递归函数:这些嵌入在时间t用作编码器的LSTM单元的输入,并使用以下递归函数:其中,φ(
·
)具有ReLU非线性...
【专利技术属性】
技术研发人员:周竹萍,颜浩楠,刘苏桐,丁健,姜子新,念心怡,
申请(专利权)人:南京理工大学,
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。