一种基于动态行人代理混合模型的轨迹语义分割方法与流程

本发明涉及轨迹语义分割领域，尤其是涉及了基于动态行人代理混合模型的轨迹语义分割方法。

背景技术：

随着计算机视觉的发展，轨迹语义分割技术逐步得到完善。轨迹语义分割是人工智能领域中一个重要的分支，是机器视觉技术中关于图像理解的重要一环，因其广泛的应用性而备受人们的重视。在行人交通中，轨迹语义分割技术可用于识别行人轨迹规律，并根据规律制定相关交通法规，以减少交通事故的发生。在刑侦方面，轨迹语义分割技术可被用于预估嫌疑人的行动轨迹，以确定其位置。在商业领域，轨迹语义分割技术还可用于行人流量检测，从而可以根据人流量确定商家的布局。此外，轨迹语义分割技术还可以应用于在机器人导航、自动驾驶、多媒体技术等多个领域。然而，传统的轨迹语义分割技术的效率和准确性不高，影响工作质量和进程。

本发明提出了一种基于动态行人代理混合模型的轨迹语义分割方法，动态行人代理混合模型(mda)是一个分层贝叶斯模型，这个模型通过一个修正的卡尔曼滤波器(用于处理轨迹缺失的观测值)和一个迭代最大期望算法(em算法)，预估每个代理的动态和信度参数；然后根据预估的代理把轨迹聚集起来；接着，轨迹会被传输到隐马尔科夫模型(hmm)中并对其进行关于参数θ的预估；最后，在hmm中，通过维特比算法和习得的hmm参数θ对轨迹进行语义分割。本发明在对行人轨迹进行分割时能够对行人的行为进行分析，并做出相应的预估，具有更高的准确性和效率。

技术实现要素：

针对效率和准确性不高的问题，本发明的目的在于提供一种基于动态行人代理混合模型的轨迹语义分割方法，mda是一个分层贝叶斯模型，这个模型通过一个修正的卡尔曼滤波器(用于处理轨迹缺失的观测值)和一个迭代最大期望算法(em算法)，预估每个代理的动态和信度参数；然后根据预估的代理把轨迹聚集起来；接着，轨迹会被传输到hmm中并对其进行关于参数θ的预估。最后，在hmm中，通过维特比算法和习得的hmm参数θ对轨迹进行语义分割。

为解决上述问题，本发明提供一种基于动态行人代理混合模型的轨迹语义分割方法，其主要内容包括：

(一)动态行人代理混合模型(mda)；

(二)隐马尔科夫模型(hmm)；

(三)轨迹语义分割。

其中，所述的动态行人代理混合模型(mda)，是一个分层贝叶斯模型，这个模型可以通过动态和信度模型显示出行人轨迹；mda通过一个修正的卡尔曼滤波器(用于处理轨迹缺失的观测值)和一个迭代最大期望算法(em算法)，预估每个代理的动态和信度参数；根据预估的代理聚集轨迹；mda的工作流程主要有两步：公式化和学习。

进一步地，所述的修正的卡尔曼滤波器，这是一个动态系统模型，这个模型具有依靠隐藏变量的参数；

xn～p(xn|xn-1)＝n(xn|anxn-1,qn)(1)

yn～p(yn|xn)＝n(yn|cnxn,rn)(2)

在时间为n时，状态值xn和观测值yn可由上式表示。

进一步地，所述的公式化，mda通过动态d和信度b显示出行人轨迹；这里的动态d＝(a,b,q,r)，用来描述在二维场景中行人走动时的动态；信度b则被用来描述轨迹的起始点xs和终止点xe；

xs～p(xs)＝n(xs|μs,φs)(3)

xe～p(xe)＝n(xe|μe,φe)(4)

上式可表示xs和xe的正态分布。

进一步地，所述的学习，这个过程主要是用em算法对两个步骤进行迭代(e步骤和m步骤)；e步骤是指在每一条轨迹中y^k，对于所有的都可以用修正的卡尔曼滤波器来预估和γ^k；m步骤指对θ的更新，主要是通过解决一个系统方程(通过对一个与θ有关的q求微分得到)找到

其中，所述的隐马尔科夫模型(hmm)，具有离散度潜在变量z；通过baum-welch算法，hmm能够从训练数据中提取参数，然后通过使用维特比算法从观测值推断出未观测状态值

其中，所述的轨迹语义分割，工作流程主要有三步：(1)通过mda进行代理预估；(2)hmm参数预估；(3)语义分割。

进一步地，所述的通过mda进行代理预估，使m代理成为dm＝(am,bm,qm,rm)，bm＝(μs,m,φs,m,μe,m,φe,m)和πm；

上式可以表示所有的代理。

进一步地，所述的hmm参数预估，代理从另一个状态转换矩阵a中转换出来，然后状态值x根据输出概率矩阵b生成；baum-welch算法被用来预估习得的m代理的概率分布ρ，以及矩阵a和b；ρ、a和b为hmm的参数，通过θ＝(ρ,a,b)来预估，而θ则是通过取下面的对数似然函数的最大值得到：

q(θ,θ^old)＝∑k∑zp(z|x,θ^old)inp(x,z；θ)(6)

这里采用的是em算法。

进一步地，所述的语义分割，通过维特比算法和习得的hmm参数θ进行语义分割；

z^*＝(i1,i2,…,in)(7)

得到隐变量z^*和代理ω^*。

附图说明

图1是本发明一种基于动态行人代理混合模型的轨迹语义分割方法的系统框架图。

图2是本发明一种基于动态行人代理混合模型的轨迹语义分割方法的工作流程图。

图3是本发明一种基于动态行人代理混合模型的轨迹语义分割方法的参数预估。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。

图1是本发明一种基于动态行人代理混合模型的轨迹语义分割方法的系统框架图。主要包括动态行人代理混合模型(mda)、隐马尔科夫模型(hmm)、轨迹语义分割。

动态行人代理混合模型(mda)，mda是一个分层贝叶斯模型，这个模型可以通过动态和信度模型显示出行人轨迹；mda通过一个修正的卡尔曼滤波器(用于处理轨迹缺失的观测值)和一个迭代最大期望算法(em算法)，预估每个代理的动态和信度参数；根据预估的代理聚集轨迹；mda的工作流程主要有两步：公式化和学习。

其中，卡尔曼滤波器，这是一个动态系统模型，这个模型具有依靠隐藏变量的参数；

xn～p(xn|xn-1)＝n(xn|anxn-1,qn)(1)

yn～p(yn|xn)＝n(yn|cnxn,rn)(2)

在时间为n时，状态值xn和观测值yn可由上式表示。

其中，公式化，mda通过动态d和信度b显示出行人轨迹；这里的动态d＝(a,b,q,r)，用来描述在二维场景中行人走动时的动态；信度b则被用来描述轨迹的起始点xs和终止点xe；

xs～p(xs)＝n(xs|μs,φs)(3)

xe～p(xe)＝n(xe|μe,φe)(4)

上式可表示xs和xe的正态分布。

其中，学习，这个过程主要是用em算法对两个步骤进行迭代(e步骤和m步骤)；e步骤是指在每一条轨迹中y^k，对于所有的都可以用修正的卡尔曼滤波器来预估和γ^k；m步骤指对θ的更新，主要是通过解决一个系统方程(通过对一个与θ有关的q求微分得到)找到

其中，隐马尔科夫模型(hmm)，hmm具有离散度潜在变量z；通过baum-welch算法，hmm能够从训练数据中提取参数，然后通过使用维特比算法从观测值推断出未观测状态值

图2是本发明一种基于动态行人代理混合模型的轨迹语义分割方法的工作流程图。工作流程主要有三步：(1)通过mda进行代理预估；(2)hmm参数预估；(3)语义分割。

其中，通过mda进行代理预估，使m代理成为dm，bm和πm，其中，dm＝(am,bm,qm,rm)，bm＝(μs,m,φs,m,μe,m,φe,m)；

上式可以表示所有的代理。

其中，语义分割，通过维特比算法和习得的hmm参数θ进行语义分割；

z^*＝(i1,i2,…,in)(6)

得到隐变量z^*和代理ω^*。

图3是本发明一种基于动态行人代理混合模型的轨迹语义分割方法的参数预。本图显示了在hmm中进行参数预估的过程；代理从另一个状态转换矩阵a中转换出来，然后状态值x根据输出概率矩阵b生成；baum-welch算法被用来预估习得的m代理的概率分布ρ，以及矩阵a和b；ρ、a和b为hmm的参数，通过θ＝(ρ,a,b)来预估，而θ则是通过取下面的对数似然函数的最大值得到：

q(θ,θ^old)＝∑k∑zp(z|x,θ^old)inp(x,z；θ)(8)

这里采用的是em算法。

对于本领域技术人员，本发明不限制于上述实施例的细节，在不背离本发明的精神和范围的情况下，能够以其他具体形式实现本发明。此外，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围，这些改进和变型也应视为本发明的保护范围。因此，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。