[发明专利]一种无人驾驶汽车对行人的过街意图预测方法

说明书

一种无人驾驶汽车对行人的过街意图预测方法，涉及无人驾驶汽车技术领域。步骤1：行人检测模型以Faster RCNN为基础，并在此基础上采用SE Net结构改进神经网络卷积模块，并通过K‑means聚类设计具有道路行人检测针对性的锚框宽高比；步骤2：设计对道路行人跟踪的粒子滤波算法，利用多特征融合策略实现对道路行人进行跟踪；步骤3：设计基于神经网络的行人过街意图预测模型。可增强无人驾驶汽车对道路行人动作的预测能力，提高无人驾驶汽车感知与决策性能。

技术领域

本发明涉及无人驾驶汽车技术领域，尤其是涉及一种无人驾驶汽车对行人的过街意图预测方法。

背景技术

无人驾驶汽车利用车载传感器来感知车辆周围环境及自身状态信息，并根据感知所获得的障碍物信息、车辆位置信息及道路信息，控制车辆的转向和速度，从而使车辆能够节能、安全地在道路上行驶。近几年世界众多企业及科研院所研制的无人驾驶汽车在道路上进行测试，体现出无人驾驶技术蓬勃发展的趋势。

环境感知作为无人驾驶技术的核心，为无人驾驶汽车决策提供周边环境信息，是实现规划和决策的必要条件。文献1(朱楠楠,李汪根,李童，“基于微型YOLO的行人检测，”计算机应用研究，vol.37,no.s1,pp.398-399,2021.)提出增加一个尺度融合的YOLOv3-tiny2、增加主干网络深度的YOLOv3-tiny3、前两者结合的YOLOv3-tiny23三种不同的网络结构,极大地提高行人检测的准确率。文献2(Wei Ran,Xu Hongda,Yang Mingkun,etal,“Real-Time Pedestrian Tracking Terminal Based on Adaptive Zero VelocityUpdate,”Sensors,vol.21,no.11,pp.3808-3808,2018.)提出一种基于卷积神经网络的自适应零速度更新方法对行人进行跟踪，并验证该算法的鲁棒性。然而，交通场景中的行人作为最容易受到伤害的群体，其过街意图受其运动状态所影响，通过环境感知对道路行人分析研究可以预测其过街意图，避免不必要的交通事故发生。

发明内容

本发明的目的在于解决现有技术中存在的上述问题，提供可增强无人驾驶汽车对道路行人动作的预测能力，提高无人驾驶汽车感知与决策性能的一种无人驾驶汽车对行人的过街意图预测方法。

本发明由三部分组成，分别是使用Faster RCNN对道路行人进行检测，并对神经网络结构进行改进测试，然后是利用多特征融合的粒子滤波算法对视频行人进行跟踪，最后是通过Conv-BiLSTM神经网络模型，获取影响行人过街意图的概率。

本发明包括以下步骤：

步骤1：行人检测模型以Faster RCNN为基础，并在此基础上采用SE Net结构改进神经网络卷积模块，并通过K-means聚类设计具有道路行人检测针对性的锚框宽高比；

步骤2：设计对道路行人跟踪的粒子滤波算法，利用多特征融合策略实现对道路行人进行跟踪；

步骤3：设计基于(Convolutional Bidirectional Long Short-term Memory,Conv-BiLSTM)神经网络的行人过街意图预测模型。

在步骤1中，所述设计具有道路行人检测针对性的锚框宽高比进一步包括以下子步骤：

(1)获取实验过程中所需的数据集，并使用LabelImg对其进行标注分类。

(2)使用SE Net优化行人检测VGG 16卷积神经网络模型的特征提取网络。

(3)采用K-Means聚类法优化具有检测道路行人的针对性的卷积神经网络FasterRCNN的锚框宽高比。

在步骤2中，所述设计对道路行人跟踪的粒子滤波算法，利用多特征融合策略实现对道路行人进行跟踪进一步包括以下子步骤：