[發明專利]一種基于YOLOv3與卡爾曼濾波的行人堵塞狀態預測方法

有效

• 申請號: 202110170040.0
• 申請日: 2021-02-08
• 公開（公告）號: CN112985439B
• 公開（公告）日: 2023-10-17
• 發明（設計）人: 李憲;于繼宇;楊明業;楊海強;趙東杰
• 申請（專利權）人: 青島大學
• 主分類號: G01C21/34
• 分類號: G01C21/34
• 代理公司: 青島高曉專利事務所(普通合伙) 37104
• 代理人: 段雅靜

本發明提供一種基于YOLOv3與卡爾曼濾波的行人堵塞狀態預測方法，該方法令原始視頻通過YOLOv3網絡得到當前時刻下圖像內行人軌跡后進行格式轉換，經卡爾曼濾波器得到坐標系行人軌跡估計，進而得到行人軌跡直線方程；同時根據沖突點判定模型進行各種行人狀態的檢測與潛在沖突點真偽的判斷，輸出最終預測結果。該方法能夠準確地預測出行人間即將出現的堵塞狀態，且能對行人的各種行進狀態做出準確的判斷，能夠為無人駕駛汽車與無人配送機器人的行進路徑規劃提供依據。

技術領域

本發明屬于無人駕駛技術領域，涉及行人的跟蹤與軌跡預測技術，具體為一種基于YOLOv3與卡爾曼濾波的行人堵塞狀態預測方法。

背景技術

隨著無人駕駛技術的快速發展,各類智能車開始向安全系數更高、應變程度更高的方向發展,車輛路徑規劃作為無人駕駛領域的關鍵技術之一,也面臨著更加嚴格的測試標準。行人在各種開放式交通情景中容易出現互相堵塞的情況,提高交通區域內智能汽車路徑規劃的速度和準確度成為無人駕駛領域的研究熱點。行人的行進軌跡具有較強的不確定性和時間滯后性,使得傳統路徑規劃的判斷依據具有一定的局限性。

傳統的軌跡預測方法通常以人-人間的距離作為生成規避動作的判定條件，缺少對靜態目標與并行目標的檢測，誤判率高，同時難以滿足動態目標運動狀態變化程度高的場景，且都僅針對人車的軌跡點進行預測，無法實現對于人流密集區域內即將出現的交通堵塞點的預測。

CN202010150096.5公開了一種基于軌跡預測的道路移動目標檢測方法，使用改進后的YOLOv3-Tiny網絡來進行車載視頻的車輛行人檢測任務，使用卡爾曼濾波跟蹤算法進行檢測框的位置預測，再通過匈牙利算法數據關聯策略將檢測算法和跟蹤算法相結合，能夠很好的利用車輛與行人幀與幀之間運動的連續性，從而降低目標的漏檢率。CN201911165287.2公開了一種基于視頻的多目標行人檢測與跟蹤的方法，利用YOLO3目標檢測算法，通過構建不同場景下的視頻圖像并訓練檢測模型，以克服光照變化和視角變化的影響保證高效的檢測多目標行人；采用基于卡爾曼濾波算法和匈牙利算法有效的追蹤多目標行人，且避免了多目標檢測常有目標重復檢測的問題，從而實現以Deep-SORT算法為核心的多目標行人跟蹤方法。

CN201811400758.9提供一種基于深度學習和多目標跟蹤的行人流量統計方法，主要包括以下步驟：S1：拍攝行人監控視頻并讀取視頻中的圖像；S2：設定圖像的有效區域及流量計數；S3：構建基于深度學習的行人檢測模型并對其進行訓練；S4：進行當前行人檢測，得到當前行人框的坐標及圖像塊；S5：利用基于深度學習的多目標跟蹤算法對當前行人進行跟蹤，并產生當前行人的坐標；S6：生成當前行人的移動軌跡；S7：判斷當前行人是否離開有效區域；若是則進入步驟S8，若否則進入步驟S4；S8：選取噪聲閾值并進行噪聲判斷；S9：刪除當前行人在連續視頻幀中的坐標。本發明可在實際使用場景中提供實施精確的流量統計結果。

CN201910218195.X提供了一種基于檢測的在線多行人跟蹤算法研究，采用了基于深度學習的目標檢測網絡YOLOv3作為檢測器，利用深度學習網絡來提取行人特征和卡爾曼濾波預測行人運動位置信息，提出了基于檢測置信度、表觀相似度與運動相似度的聯合度量方式來度量檢測與跟蹤之間的相關性，提出了一種自適應調整表觀相似度與運動相似度權重因子的算法，最后采用KM匹配算法和IOU匹配算法實現檢測行人的實時匹配。

發明內容

針對傳統行人軌跡預測方法無法提前預測出人流密集區域內即將出現的堵塞狀態的問題，本發明提供一種基于YOLOv3與卡爾曼濾波的行人堵塞狀態預測方法，以解決上述問題，為無人駕駛汽車的路徑規劃提供一種新的判斷依據。

本發明為解決上述技術問題采用以下技術方案：

本發明提供一種基于YOLOv3與卡爾曼濾波的行人堵塞狀態預測方法，具體步驟如下：

A，獲取交通區域內的行人原始視頻數據；