[发明专利]一种基于注意力机制的行人轨迹预测方法

权利要求书

1.一种基于注意力的行人轨迹预测方法，该方法根据场景中所有N个行人的过去一段时间的历史轨迹来预测行人的未来轨迹，其特征在于：所述的行人轨迹预测方法包括三个模块，个体注意力编码模块、社会注意力池化模块和门控循环单元解码模块，其中，

所述个体注意力编码模块，用于计算行人自身历史轨迹中隐藏向量的相似性，并输出个体注意力特征矩阵，以获取行人自身在运动过程中的主要影响因素；

所述社会注意力池化模块，用于接收个体注意力编码模块的计算结果，即个体注意力特征矩阵，计算场景中所有行人的历史轨迹中隐藏向量的相似性，并输出综合运动特征矩阵，以获取在运动过程中行人之间的相互影响关系；

所述门控循环单元解码模块，用于接收社会注意力池化模块的计算结果，即综合运动特征矩阵，利用门控循环单元计算并输出行人的未来轨迹坐标；

所述行人轨迹预测方法的整体步骤包括：

(1)获取一段视频，以相同间隔将视频划分为若干帧，每T帧为一组，获取每组中每个行人的轨迹坐标X＝{(x^t,y^t)∈R²|t＝1,2,...,T}；

(2)将一组中每个行人的轨迹坐标输入到个体注意力编码模块中，利用注意力机制计算得到每个行人的个体注意力特征矩阵，以下称该模块中的注意力机制为个体注意力机制；

(3)输入个体注意力特征矩阵到社会注意力池化模块，利用注意力机制计算行人之间的相互影响，得到综合运动特征矩阵，以下称该模块中的注意力机制为社会注意力机制；

(4)输入综合运动特征矩阵到门控循环单元解码模块，通过门控循环单元计算得到未来n帧的行人轨迹坐标；

(5)重复(2)-(4)的步骤，不断输入一组历史轨迹生成一组未来轨迹。

2.根据权利要求1所述的一种基于注意力的行人轨迹预测方法，其特征在于：所述的个体注意力编码模块具体工作过程如下：

(1)输入一组帧中行人的历史轨迹，即T帧行人的绝对位置坐标，一组帧中包括多个行人的历史轨迹；

(2)将每个人的每一帧的绝对坐标减去上一帧的绝对坐标，共得到T帧行人相对于上一帧位置坐标；

(3)将相对坐标输入到全连接层，得到嵌入特征向量e^t,t＝1,2,...,T，嵌入特征向量e^t构成该组视频中该行人对应的嵌入特征矩阵，一组视频中每个行人都对应一个嵌入特征矩阵，保留第T帧的嵌入特征向量作为门控循环单元解码模块的初始输入；

(5)通过嵌入特征向量，利用个体注意力机制计算得到每个行人的个体注意力特征矩阵Tim，具体过程如下：

将嵌入特征矩阵分别与三个不同的矩阵相乘，即查询权重矩阵、键权重矩阵和值权重矩阵，分别得到查询矩阵Q、键矩阵K和值矩阵V，并设置注意力机制中的d_k；

计算得到个体注意力特征矩阵，具体计算公式如下：

其中，一个行人的个体注意力特征矩阵Tim是由该行人的每帧对应的个体注意力特征向量tim^t组成的，即Tim＝{tim^t|t＝1,2,...,T}。