【技术实现步骤摘要】
本专利技术属于群体分析，涉及一种面向大场景的群体轨迹预测方法。
技术介绍
1、群体轨迹预测是指利用各种技术和方法对群体移动模式和趋势进行预测和分析，群体轨迹预测需要处理海量的位置数据，这些数据可能来自各种传感器、gps跟踪设备、社交媒体等多种途径。涉及的应用领域非常广泛，包括交通管理、公共安全、城市规划、广告营销等领域。
2、例如，交通管理是群体轨迹预测的一个重要应用领域。通过对交通流量数据的分析和预测，可以帮助交通管理部门了解交通状况、制定交通疏导方案、预测交通事故等。群体轨迹预测技术可以通过分析历史交通流量数据来预测未来的交通流量，从而为交通管理部门提供决策支持。此外，群体轨迹预测技术还可以通过监测人群的移动轨迹来预测拥堵区域和时间，以便采取相应的措施来缓解交通压力。公共安全也是群体轨迹预测的重要应用领域之一。通过对群体移动轨迹的监测和分析，可以帮助政府部门了解公众聚集情况、预测可能发生的突发事件等。群体轨迹预测技术可以通过分析历史群体聚集数据的模式和趋势来预测未来可能发生群体聚集事件的时间和地点，从而采取相应的措施来维护社会稳定。此外，群体轨迹预测技术还可以通过对社交媒体数据的分析来了解公众的情绪和行为，以便采取相应的措施来维护社会稳定。城市规划是群体轨迹预测的另一个重要应用领域。通过对城市中人们移动轨迹的分析，可以了解城市交通状况、人口密度分布、人们的行为习惯等情况，从而为城市规划提供参考依据。群体轨迹预测技术可以通过分析城市居民的移动轨迹来预测城市交通流量和拥堵情况，从而为城市规划提供参考依据。此外，群体轨
3、社交力模型使用手工函数来描述行人之间的相互作用，已被广泛应用于多目标跟踪任务。然而，基于cnn的方法，如社交-lstm已经流行起来，利用社交池化机制和lstm模型进行预测。
4、为了捕捉随机性，使用了生成对抗网络，如gans，social-gan。此外，还将行人视为图中的节点，使用图卷积网络(gcns)和图注意力网络(gats)。考虑到群体内的相互作用，出现了群体感知方法。例如group-lstm。然而这些方法往往缺乏目标引导。
5、目标引导的方法利用环境信息来引导轨迹生成过程。这些方法通常采用两阶段预测方法。在第一阶段，预测目标位置，并使用2d图像通过图像分割来估计目标在环境中最可能的位置。在第二阶段，轨迹逐渐被引导到估计的最终位置。最近的工作，如zhao等人提出的tnt和dendorfer等人提出的goal-gan，将其他信息纳入轨迹预测过程。tnt引入了“目标状态”的概念并生成条件轨迹状态序列，而goal-gan利用过去的轨迹信息和场景中的视觉文本估计目标位置的多元模态概率分布。通过整合这些额外的信息源，这些方法取得了改善的预测结果。然而，现有的轨迹预测方法忽略了大规模场景中人群的自发目标生成。传统方法往往由于图像分割方法的限制而无法将场景中的人群目标估计为目标。因此，这些方法难以处理大规模场景中人群的复杂分布。
6、为了解决这一局限性，本专利技术提出的方法专注于提高大规模场景中人群生成目标的估计精度。通过考虑人群行为的独特特征，本专利技术旨在提高这些场景中轨迹预测的准确性和鲁棒性。
7、通常，包含广视场(fov)和成百上千人同时描述人群行为和互动的图像由千兆像素相机拍摄。panda是第一个以人为中心的大型视频数据集，用于大规模、长期和多目标的视觉分析。由panda驱动的作品已有现有技术发表，gigadet由pgn模块和decdet模块组成。pgn用于从高分辨率输入构建的缩略图中提取感兴趣的区域。然后，decdet用于检测提取的区域中的对象。区域被组织成适当的尺寸，并且检测任务并行执行。gigamvs是第一个基于千兆像素图像的3d重建/渲染基准，用于超大规模的真实场景。crowd3d是第一个从单个大型场景图像中以全局一致性重建数百人的3d姿势、形状和位置的框架。dsgnet是基于深度学习的第一个千兆像素大型场景图像的细粒度社交分组框架，它由图引导的全局到局部分区策略和一个学习社交对的隐式表示的深度分组网络组成。当前的多个行人轨迹预测数据集主要关注自动驾驶中遇到的在道路上的行人意图难以预测问题，而忽视了群体场景中的行人预测问题。
8、综上，单人轨迹预测方法没有考虑行人的局部环境，只关注如何对单个观测轨迹进行处理以获得准确的预测结果。面向团体的轨迹预测方法没有考虑行人的目标导向，只关注如何融合局部动态特征和观测轨迹特征，以利用附近行人的轨迹作为引导来生成轨迹结果。最后，目标条件轨迹预测方法考虑了人群的自组织特性，关注如何生成来自场景图像的场景语义分割的不同目标提议产生的概率。vip-net不仅能够捕获受到全场景物体和群体的运动引导特征，而且能够在物理空间中借助由lstm组成的运动编码器捕获不同行人的邻居影响。vip-net使用运动编码器对行人轨迹特征进行编码，此外，还使用环境编码器和目标生成模块捕获每个行人的受到全场景物体和群体的引导。
9、在数百个人的大型场景中，基于目标的多人轨迹预测对于人群分析和公共安全至关重要。然而，现有的单人轨迹预测方法很难处理包含数百人的大型场景中，由于人数过多，交互大量且交互行为复杂，导致的行人目的地不明确的问题，大规模人群场景中的行人同时受到场景静态物体和场景动态人群的影响。
技术实现思路
1、针对
技术介绍
中存在的技术问题，本专利技术的目的在于提供一种面向大场景的群体轨迹预测方法。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种面向大场景的群体轨迹预测方法，包括以下步骤：
4、s1、对每个人的观测轨迹进行hermite差值并采样，得到离散轨迹位置，然后计算对应离散轨迹位置的一阶导数和二阶导数作为行人运动的速度和加速度；然后将观测轨迹的位置、观测轨迹的速度、观测轨迹的加速度送入运动编码模块，获取运动模式特征，即完整行人轨迹；
5、s2、利用群体历史轨迹数据生成密度图，然后利用gmm-em算法计算生成的密度图的每个类的区域以及聚类中心，作为环境编码模块的输入，从而获取每个vip候选区域的运动特征；
6、s3、群体加速度引导感知并与行人运动模式进行匹配，利用s1和s2中计算得到的完整行人轨迹和vip候选区域的聚类中心，以两者之间的距离初始化行人-vip的分类矩阵；然后获取p个vip候选区的群体运动模式特征作为vip加速度引导特征，利用加速度和速度之间的关系将每个行人匹配与全局vip的加速度引导模式匹配结果，得到行人-vip加速度引导(高维)特征；
7、s4、利用s3得到的行人-vip加速度引导的(高维)特征，经过一个多层感知机获取，获得行人未来受到群体的加速度，并于真实值计算损失，同时获取的位置编码特征以及lstm的门控制状态矩阵用于初始化轨迹生成模块中的lstm，利用预测的加速度结果作为偏差步进式本文档来自技高网...
【技术保护点】
1.一种面向大场景的群体轨迹预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种面向大场景的群体轨迹预测方法，其特征在于：S1中，所述对每个人的观测轨迹进行Hermite差值并采样，得到离散轨迹位置，然后计算对应离散轨迹位置的一阶导数和二阶导数作为行人运动的速度和加速度；然后将观测轨迹的位置、观测轨迹的速度、观测轨迹的加速度送入运动编码模块，获取运动模式特征，即完整行人轨迹，包括以下步骤：
3.根据权利要求1所述的一种面向大场景的群体轨迹预测方法，其特征在于：步骤S2中，所述利用群体历史轨迹数据生成密度图，然后利用GMM-EM算法计算生成的密度图的每个类的区域以及聚类中心，作为环境编码模块的输入，从而获取每个VIP候选区域的运动特征，包括以下步骤：
4.根据权利要求1所述的一种面向大场景的群体轨迹预测方法，其特征在于：步骤S3中，所述群体加速度引导感知并与行人运动模式进行匹配，包括以下步骤：
5.根据权利要求1所述的一种面向大场景的群体轨迹预测方法，其特征在于：S4中，所述利用行人-VIP加速度引导的高维特征，经过一个
...【技术特征摘要】
1.一种面向大场景的群体轨迹预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种面向大场景的群体轨迹预测方法，其特征在于：s1中，所述对每个人的观测轨迹进行hermite差值并采样，得到离散轨迹位置，然后计算对应离散轨迹位置的一阶导数和二阶导数作为行人运动的速度和加速度；然后将观测轨迹的位置、观测轨迹的速度、观测轨迹的加速度送入运动编码模块，获取运动模式特征，即完整行人轨迹，包括以下步骤：
3.根据权利要求1所述的一种面向大场景的群体轨迹预测方法，其特征在于：步骤s2中，所述利用群体历史轨迹数据生成密度图，然后利用gmm-em算法计算生成的密度图的每个类的区域以及聚类中心，作为环境编码模块的输入，从而获取每个vip候选区域的运动特征，包括以下步骤：
4.根据权利要求...
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。