[发明专利]一种基于YOLOv3与卡尔曼滤波的行人堵塞状态预测方法

说明书

本发明提供一种基于YOLOv3与卡尔曼滤波的行人堵塞状态预测方法，该方法令原始视频通过YOLOv3网络得到当前时刻下图像内行人轨迹后进行格式转换，经卡尔曼滤波器得到坐标系行人轨迹估计，进而得到行人轨迹直线方程；同时根据冲突点判定模型进行各种行人状态的检测与潜在冲突点真伪的判断，输出最终预测结果。该方法能够准确地预测出行人间即将出现的堵塞状态，且能对行人的各种行进状态做出准确的判断，能够为无人驾驶汽车与无人配送机器人的行进路径规划提供依据。

技术领域

本发明属于无人驾驶技术领域，涉及行人的跟踪与轨迹预测技术，具体为一种基于YOLOv3与卡尔曼滤波的行人堵塞状态预测方法。

背景技术

随着无人驾驶技术的快速发展,各类智能车开始向安全系数更高、应变程度更高的方向发展,车辆路径规划作为无人驾驶领域的关键技术之一,也面临着更加严格的测试标准。行人在各种开放式交通情景中容易出现互相堵塞的情况,提高交通区域内智能汽车路径规划的速度和准确度成为无人驾驶领域的研究热点。行人的行进轨迹具有较强的不确定性和时间滞后性,使得传统路径规划的判断依据具有一定的局限性。

传统的轨迹预测方法通常以人-人间的距离作为生成规避动作的判定条件，缺少对静态目标与并行目标的检测，误判率高，同时难以满足动态目标运动状态变化程度高的场景，且都仅针对人车的轨迹点进行预测，无法实现对于人流密集区域内即将出现的交通堵塞点的预测。

CN202010150096.5公开了一种基于轨迹预测的道路移动目标检测方法，使用改进后的YOLOv3-Tiny网络来进行车载视频的车辆行人检测任务，使用卡尔曼滤波跟踪算法进行检测框的位置预测，再通过匈牙利算法数据关联策略将检测算法和跟踪算法相结合，能够很好的利用车辆与行人帧与帧之间运动的连续性，从而降低目标的漏检率。CN201911165287.2公开了一种基于视频的多目标行人检测与跟踪的方法，利用YOLO3目标检测算法，通过构建不同场景下的视频图像并训练检测模型，以克服光照变化和视角变化的影响保证高效的检测多目标行人；采用基于卡尔曼滤波算法和匈牙利算法有效的追踪多目标行人，且避免了多目标检测常有目标重复检测的问题，从而实现以Deep-SORT算法为核心的多目标行人跟踪方法。

CN201811400758.9提供一种基于深度学习和多目标跟踪的行人流量统计方法，主要包括以下步骤：S1：拍摄行人监控视频并读取视频中的图像；S2：设定图像的有效区域及流量计数；S3：构建基于深度学习的行人检测模型并对其进行训练；S4：进行当前行人检测，得到当前行人框的坐标及图像块；S5：利用基于深度学习的多目标跟踪算法对当前行人进行跟踪，并产生当前行人的坐标；S6：生成当前行人的移动轨迹；S7：判断当前行人是否离开有效区域；若是则进入步骤S8，若否则进入步骤S4；S8：选取噪声阈值并进行噪声判断；S9：删除当前行人在连续视频帧中的坐标。本发明可在实际使用场景中提供实施精确的流量统计结果。

CN201910218195.X提供了一种基于检测的在线多行人跟踪算法研究，采用了基于深度学习的目标检测网络YOLOv3作为检测器，利用深度学习网络来提取行人特征和卡尔曼滤波预测行人运动位置信息，提出了基于检测置信度、表观相似度与运动相似度的联合度量方式来度量检测与跟踪之间的相关性，提出了一种自适应调整表观相似度与运动相似度权重因子的算法，最后采用KM匹配算法和IOU匹配算法实现检测行人的实时匹配。

发明内容

针对传统行人轨迹预测方法无法提前预测出人流密集区域内即将出现的堵塞状态的问题，本发明提供一种基于YOLOv3与卡尔曼滤波的行人堵塞状态预测方法，以解决上述问题，为无人驾驶汽车的路径规划提供一种新的判断依据。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种基于YOLOv3与卡尔曼滤波的行人堵塞状态预测方法，具体步骤如下：

A，获取交通区域内的行人原始视频数据；