[发明专利]一种地图语义引导的单目行人室内定位预测方法

说明书

本发明公开了一种地图语义引导的单目行人室内定位预测方法，涉及室内定位技术领域，通过松耦合方式集成骨架检测模型、行人定位模型和行人跟踪模型等机器学习模型，获取监控空间中行人的位置信息；基于行人定位丢失时的位置信息，结合其他行人位置和地图语义信息，在融合社会力的卡尔曼滤波模型基础上，使用以出入口为引导的候选位置序列预测算法得到一个候选位置序列集；最后对行人间的遮挡关系进行建模，继而对各候选位置序列评分，选择评分最高的作为最终的预测结果，解决了由于遮挡、漏检等导致的定位结果缺失、行人轨迹中断的问题，有效保障了行人在监控区域内轨迹的完整性和连续性，对室内监控空间中长时间定位缺失的情形具有很好的效果。

技术领域

本发明涉及室内定位技术领域，特别是涉及一种地图语义引导的单目行人室内定位预测方法。

背景技术

作为室内定位的一种，室内单目摄像机行人定位具有突发性的特点，突发性指行人可能突然以不同运动状态出现或离开视频监控区域，以及环境、行人的突然变化导致定位结果的缺失，在单目视觉定位中如何保证连续平滑的定位效果还有待研究。

已有研究中多利用历史位置来预测未来位置，在大范围简单场景下具有较好的预测效果，但最近的研究表明行人之间的相互作用以及运动状态过于复杂，可能在瞬时改变行为，在复杂场景中的大多数情况下，各种预测模型并不会明显优于匀速运动模型的预测，而在室内监控空间中，行人运动的改变更加频繁，因此基于历史位置的预测并不适用。

本发明可以解决由于遮挡、漏检等因素导致的定位结果缺失以及行人轨迹中断的问题，有效保障了行人在监控区域内轨迹的完整性和连续性，对室内监控空间中长时间定位缺失的情形具有更好的改善效果。

发明内容

为了解决以上技术问题，本发明提供一种地图语义引导的单目行人室内定位预测方法，其特征在于：包括以下步骤

S1、通过松耦合的方式集成机器学习网络，机器学习网络包括骨架检测模型、视觉行为定位模型MonoLoco以及视频行人跟踪模型FairMOT，对监控空间中的行人位置和身份编号进行关联并跟踪，获取行人的位置信息，该位置信息包括行人定位丢失时的位置信息；

S2、将监控空间中的行人及障碍物进行动态数据栅格建模，构建监控空间内的栅格地图；

S3、结合步骤s1中获取的行人定位丢失时的位置信息和步骤s2中获取的栅格地图语义信息，计算行人的候选位置序列集；

S4、对行人之间的遮挡关系进行建模，基于对行人的遮挡判断，对候选位置序列集内的所有候选位置序列进行评分，且按照评分进行排序，选择评分最高的候选位置序列作为最终位置预测结果。

本发明进一步限定的技术方案是：

进一步的，步骤S1中视觉行为定位模型MonoLoco和视频行人跟踪模型FairMOT的松耦合方法设置为：在视频帧中通过视觉行为定位模型MonoLoco获取行人定位结果，通过视频行人跟踪模型FairMOT获取行人跟踪结果，对行人定位结果和行人跟踪结果中行人边界框(bbox)的重合度进行计算，当两者的重合度低于提前设定的阈值，则视为行人定位缺失。

前所述的一种地图语义引导的单目行人室内定位预测方法，行人定位结果和行人跟踪结果中行人边界框(bbox)的重合度的计算函数设置为DIoU损失函数；

上述两者重合度的计算方法设置为：以行人跟踪结果为基础结果，行人定位结果为比较结果，判断行人跟踪结果是否可以匹配到行人定位结果，若无法匹配，则视为行人定位缺失。

前所述的一种地图语义引导的单目行人室内定位预测方法，步骤S1中获取行人位置信息的方法包括以下子步骤

S1.1、布置摄像头或者连接已有摄像设备接入视频流，输入预测图像；