[发明专利]一种无人驾驶汽车对行人的过街意图预测方法

权利要求书

1.一种无人驾驶汽车对行人的过街意图预测方法，其特征在于包括以下步骤：

步骤1：行人检测模型以Faster RCNN为基础，并在此基础上采用SE Net结构改进神经网络卷积模块，并通过K-means聚类设计具有道路行人检测针对性的锚框宽高比；

步骤2：设计对道路行人跟踪的粒子滤波算法，利用多特征融合策略实现对道路行人进行跟踪；

步骤3：设计基于神经网络的行人过街意图预测模型。

2.如权利要求1所述一种无人驾驶汽车对行人的过街意图预测方法，其特征在于在步骤1中，所述设计具有道路行人检测针对性的锚框宽高比进一步包括以下子步骤：

(1)获取实验过程中所需的数据集，并使用LabelImg对其进行标注分类；

(2)使用SE Net优化行人检测VGG 16卷积神经网络模型的特征提取网络；

(3)采用K-Means聚类法优化具有检测道路行人的针对性的卷积神经网络Faster RCNN的锚框宽高比。

3.如权利要求1所述一种无人驾驶汽车对行人的过街意图预测方法，其特征在于在步骤2中，所述设计对道路行人跟踪的粒子滤波算法，利用多特征融合策略实现对道路行人进行跟踪进一步包括以下子步骤：

(1)设计无人驾驶汽车对道路行人跟踪的粒子滤波算法；

(2)选择色相、饱和度和明度颜色空间的直方图特征；

(3)选取一个形状为正方形的像素网格，再寻找其中心点周围的像素样本点，并且对比两点的像素值大小，将每次的比较结果转化为一个二进制数，最后以此数值来计算纹理直方图；

(4)在计算梯度直方图之前首先要对各颜色通道进行归一化处理，之后用卷积核[-1 01]来计算图像梯度；

(5)对于上述提到的三种特征，在算法实际运行过程中不仅需要对特征直方图进行计算，还需要考量这三种特征对粒子滤波实际的贡献值，从而进一步来分配它们的权重；

(6)将连续10帧的动态权重的均值作为实际分配权重；

(7)建立以颜色特征为主，采用形状特征和纹理特征辅助的多特征融合策略。

4.如权利要求1所述一种无人驾驶汽车对行人的过街意图预测方法，其特征在于在步骤3中，所述设计基于神经网络的行人过街意图预测模型进一步包括以下子步骤：

(1)选取行人是否有同行者、行人头部是否有偏转、行人距离车辆的距离、行人距离道路边缘的距离、行人的速度作为模型输入参数，模型输出参数为过街意图概率；

(2)设计由时间序列输入层、过街意图预测层和意图概率输出层三部分组成的Conv-BiLSTM神经网络结构，各层间Dropout率为0.75，每层隐藏单元个数为32，学习率为0.0007；

(3)利用堆叠Conv-BiLSTM结构预测分类的结果，并通过softmax层将分类结果转变为概率分布，最后输出行人过街意图的概率，以最大的类别输出概率作为预测的类别。