[发明专利]基于集群压力LSTM的人群轨迹预测方法

说明书

本发明提供一种基于集群压力LSTM的人群轨迹预测方法，步骤为：获得每个行人个体的运动轨迹用一个LSTM单元代表，得到最初的隐藏状态信息；计算不同高斯核下的整张图像的密度信息，进行压力池化得到融合局部密度的隐藏层信息；计算邻域内LSTM当前的运动一致性矩阵，进行集群池化，得到融合行人运动一致性的隐藏层信息；将上述融合局部密度的隐藏层信息和融合行人运动一致性的隐藏层信息，与最初的隐藏状态信息连接到一起，得到新的压力集群度隐藏特征，输入到下一个LSTM单元中得到下一个预测输出。本发明有效利用行人之间相互作用，包含由密度信息所显示的不稳定性压力信息和邻域内人群一致性的集群性信息，提高了人群轨迹预测的准确性。

技术领域

本发明涉及计算机视频处理技术领域，具体涉及一种基于集群压力长短期记忆网络(LSTM)的人群轨迹预测方法，设计一种适合于预测人群中行人个体行动轨迹的LSTM网络。

背景技术

行人可以通过日常经验和基本常识理解其他人的行为，人们身处拥挤的公共场景比如人行道，机场地铁，或者大型购物中心时，可以通过观察周围环境和自身常识选择自己的行走路线，另外，他们行动的目的地，对个人空间尊重和在原有的路线上是否有其他人都会影响其对于自己行走路线的选择。对于人群行为轨迹的预测需要考虑大量的常识性行为，因此这是在视觉分析领域较具有挑战性的问题。

行人轨迹预测可以感知行人在人群活动中下一个时间段的位置信息，通过预测到的行人信息可以提前推断行人在人群中的活动，提供更多的信息，从而能够更有效对人群进行分析。对于人群中行人下一个时间段位置的预测，轨迹的突变可以推断异常状态，轨迹的交互作用也可以推断出可能发生危险的位置，做到防范于未然，对人群管理有着极其重要的作用。

现有技术中，人群轨迹预测可以通过自身设计的特性和属性来进行跟踪预测(参见：Kitani K M,Ziebart B D,Bagnell J A,et al.Activity Forecasting[M]//ComputerVision–ECCV 2012.Springer Berlin Heidelberg,2012:201-214.)的和通过环境语义建模(参见：Yi S,Li H,Wang X.Understanding pedestrian behaviors from stationarycrowd groups[J].2015:3488-3496.)。但是以上两种方法面临如下的问题：

1)采用传统特征下需要采用手动定义的函数来定义；

2)方法和特征由数据集驱动，不具有普遍性；

3)不会考虑未来情况下行人之间的相互作用。

发明内容

为了克服上述现有技术的不足之处，本发明的目的在于提供一种基于集群压力LSTM的人群轨迹预测方法，可以有效利用行人之间相互作用，同时考虑行人所处环境邻域信息及人群整体运动趋势，实现了多个场景下对于人群轨迹的预测。

根据本发明上述的目的，一种基于集群压力LSTM的人群轨迹预测方法，包括：

对于需要预测的每个场景，获得图像中每个行人个体的运动轨迹，每个行人个体的运动轨迹用一个LSTM单元代表，得到最初的隐藏状态信息；

计算不同高斯核下的整张图像的密度信息，进行压力池化得到融合局部密度的隐藏层信息；

计算邻域内LSTM当前的运动一致性矩阵，该运动一致性矩阵包含：预测个体与邻域内其他个体之间的一致性以及个体在整个邻域内的一致性信息，将所述运动一致性矩阵进行集群池化，得到融合行人运动一致性的隐藏层信息；

将上述融合了压力特征的所述融合局部密度的隐藏层信息和融合了集群特征的所述融合行人运动一致性的隐藏层信息，与所述最初的隐藏状态信息连接到一起，得到新的压力集群度隐藏特征；