[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

说明书

本发明中提出的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：动态行人代理混合模型(MDA)、隐马尔科夫模型(HMM)和轨迹语义分割，其过程为，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。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。

技术领域

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。

发明内容

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；

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)