[发明专利]一种基于场景约束GAN的行人轨迹预测方法

说明书

本发明涉及一种基于场景约束GAN的行人轨迹预测方法，包括：步骤1，从公开的数据集ETH和UCY中获取训练数据集，包括目标行人轨迹和所在的场景；步骤2，构建场景约束GAN网络模型；步骤3，利用训练数据集训练，得到包含参数的基于景约束GAN网络模型；步骤4，将行人轨迹和所在的场景图像输入网络，即可预测得到行人未来的轨迹。本发明使用长短期记忆网络处理行人轨迹，并将卷积神经网络提取的场景对行人轨迹的约束信息嵌入隐含状态，从而提高轨迹预测准确度。本发明约束轨迹的因素考虑全面，对轨迹预测有更好的精确度和鲁棒性。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于场景约束GAN的行人轨迹预测方法。

背景技术

轨迹预测是根据目标在过去时间段内的轨迹进行分析，从而推测出目标在未来固定时刻的位置坐标。在公共交通场景下，分析行人及车辆的历史轨迹，预测其将来的行进方向，可用于自动驾驶的道路选择、避免与其他目标碰撞以及机器人导航等。在城市交通中，挖掘及分析车辆的轨迹数据，可以对城市的交通流进行预测并且可以及时预警交通阻塞。在行人密集场所，监控人类的活动轨迹并分析人群运动、检测异常轨迹对于犯罪预防等有着积极的作用。

传统轨迹预测方法，使用复杂的公式或者函数，因而只能处理简单的交互问题，如Social Force(SF)模型，Gaussian processes方法等。目前，基于深度学习的轨迹预测方法相比传统方法而言，操作简单且效果好，如Social-LSTM、S-GAN等方法。然而这些方法仅仅只考虑到行人的运动模式和人之间的交互，没有考虑到所处的场景对行人轨迹的影响，导致预测结果不佳。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种综合考虑行人普遍行走模式和目标行人特殊行走模式、行人之间的多种交互、社会习惯以及场景对于行人行走的约束等多种因素、可用于复杂场景的一种基于场景约束GAN的行人轨迹预测方法。

技术方案

一种基于场景约束GAN的行人轨迹预测方法，其特征在于步骤如下：

步骤1：获取训练数据集

场景图象和行人轨迹均来源于公开数据集ETH和UCY的五个场景；行人轨迹为ETH和UCY中所有的坐标序列集合即行人轨迹；其中，N为行人数量，p_i为第i个行人，t为当前时刻；为第i个行人p_i在t时刻的坐标，T为整个时间长度；{p_i|i∈[1，N]}为行人集合，场景图象为在t时刻目标行人p_i所在数据集抽取的场景视频帧；

步骤2：构建场景约束GAN网络模型

所述的场景约束GAN网络模型包括场景编码器、生成器和判别器；

场景信息张量中包含着场景对于行人轨迹的约束，由场景编码器提取；其中场景信息张量由公式(1)得到：

其中，I^t是t时刻目标行人p_i所在场景的帧画面，W_CNN为场景编码器的权重；

所述的生成器由编码器、解码器和池化模块构成；首先对场景中的每个行人使用多层感知机提取其位置特征张量然后使用基于LSTM的编码器提取行人历史轨迹，其中位置特征张量由公式(2)获得；行人历史轨迹张量由公式(3)得到：