[发明专利]一种基于动态行人代理混合模型的轨迹语义分割方法

权利要求书

1.一种基于动态行人代理混合模型的轨迹语义分割方法，其特征在于，主要包括动态行人代理混合模型(MDA)(一)；隐马尔科夫模型(HMM)(二)；轨迹语义分割(三)。

2.基于权利要求书1所述的动态行人代理混合模型(MDA)(一)，其特征在于，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。

3.基于权利要求书1所述的修正的卡尔曼滤波器，其特征在于，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；

x_n～p(x_n|x_n-1)＝N(x_n|A_nx_n-1，Q_n) (1)

y_n～p(y_n|x_n)＝N(y_n|C_nx_n，R_n) (2)

在时间为n时，状态值x_n和观测值y_n可由上式表示。

4.基于权利要求书2所述的公式化，其特征在于，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x_s和终止点x_e；

x_s～p(x_s)＝N(x_s|μ_s，Φ_s) (3)

x_e～p(x_e)＝N(x_e|μ_e，Φ_e) (4)

上式可表示x_s和x_e的正态分布。

5.基于权利要求书2所述的学习，其特征在于，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

6.基于权利要求书1所述的隐马尔科夫模型(HMM)(二)，其特征在于，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

7.基于权利要求书1所述的轨迹语义分割(三)，其特征在于，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。

8.基于权利要求书7所述的通过MDA进行代理预估，其特征在于，使M代理成为D_m，B_m和π_m，其中，D_m＝(A_m，b_m，Q_m，R_m)，B_m＝(μ_s，m，Φ_s，m，μ_e，m，Φ_e，m)；

上式可以表示所有的代理。