一种基于贝叶斯神经网络的行人轨迹融合预测方法
摘要文本
本发明涉及一种基于贝叶斯神经网络的行人轨迹融合预测方法，属于行人轨迹预测技术领域。本发明的方法利用贝叶斯神经网络模型随机分布的权值和阈值参数，为神经网络引入不确定性进行正则化、引入先验分布和后验分布来描述模型参数的不确定性。在训练过程时，通过最大化后验概率来更新模型参数，从而得到后验分布；通过后验分布，网络可以获取参数的不确定性信息，进而对结果的误差进行有效预测。还能够有效避免数据量较少时容易导致过拟合的问题，提高预测的稳定性和泛化能力，同时还能对目标跟踪过程中行人轨迹缺失或中断的情况进行继续预测。
申请人信息
- 申请人:北京理工大学
- 申请人地址:100081 北京市海淀区中关村南大街5号
- 发明人: 北京理工大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种基于贝叶斯神经网络的行人轨迹融合预测方法 |
| 专利类型 | 发明授权 |
| 申请号 | CN202410032130.7 |
| 申请日 | 2024/1/10 |
| 公告号 | CN117541998B |
| 公开日 | 2024/3/29 |
| IPC主分类号 | G06V20/52 |
| 权利人 | 北京理工大学 |
| 发明人 | 陈磊; 王莉; 王皓帅; 邓鑫; 董钊岐 |
| 地址 | 北京市海淀区中关村南大街5号 |
专利主权项内容
1.一种基于贝叶斯神经网络的行人轨迹融合预测方法，其特征在于，包括以下步骤：步骤1，获取图像数据中两条真实行人原始轨迹的初始化信息；步骤2，获取两条真实行人原始轨迹的初始化信息中因缺失生成的缺失真实行人轨迹历史信息；基于缺失真实行人轨迹历史信息训练贝叶斯神经网络获得预测模型；步骤2的具体步骤包括：步骤21，获取步骤1的真实行人原始轨迹的初始化信息中因缺失生成的四条缺失真实行人轨迹历史信息；步骤22，向四条缺失真实行人轨迹历史信息中加入高斯噪声，获得四条增强缺失真实行人轨迹历史信息；步骤23，基于四条增强缺失真实行人轨迹历史信息训练贝叶斯神经网络获得预测模型；步骤23的具体步骤包括：步骤231，设置基于设定隐藏神经元数的贝叶斯神经网络的正态分布，从正态分布中采样第条增强缺失真实行人轨迹在贝叶斯神经网络中的当前次网络权重，=1, 2, …, ，表示网络权重更新最大次数，=1, 2, 3, 4；kiIIk步骤232，基于四条增强缺失真实行人轨迹历史信息分别获取四条增强缺失真实行人轨迹当前次的近似分布、先验分布/>和似然/>；其中，表示第个时刻第条增强缺失真实行人轨迹在方向上的位置坐标，=1, 2, …, ，表示当前次的总时刻数；/>表示第个时刻第条增强缺失真实行人轨迹在方向上的位置坐标；jkyjJJjkx步骤233，基于当前次的近似分布、先验分布/>和似然分别获得四条增强缺失真实行人轨迹变分下界/>，表达式为：
；步骤234，利用散度度量近似分布与后验分布的距离优化四条增强缺失真实行人轨迹当前次模型参数，表达式为：KL其中，表示第条增强缺失真实行人轨迹当前次给定正态分布的参数后权重参数的分布；/>表示第条增强缺失真实行人轨迹当前次给定网络参数后观测数据的似然；/>表示第条增强缺失真实行人轨迹当前次的观测数据；kkk步骤235，采用梯度下降法获得四条增强缺失真实行人轨迹的更新模型参数，表达式为：
；其中，表示第条增强缺失真实行人轨迹的更新模型参数；/>表示学习率；/>表示第条增强缺失真实行人轨迹当前次模型参数/>的梯度；kk步骤236，判断是否大于迭代轮次，如果大于等于迭代轮次，使用第条增强缺失真实行人轨迹的更新模型参数获得预测模型；如果小于迭代轮次，令=+1，返回步骤231；iikiii步骤3，使用预测模型获得两条真实行人原始轨迹的预测缺失轨迹段；步骤4，获取预测缺失轨迹段之间的马氏距离；基于马氏距离获得各段预测缺失轨迹段的相似性；根据各段预测缺失轨迹段的相似性确定来自同一目标的预测缺失轨迹段；将来自同一目标的预测缺失轨迹段进行轨迹关联融合获得融合轨迹段；步骤5，比较获得的融合轨迹段与两条真实行人原始轨迹的匹配度，如果匹配，获得最终预测模型，进入步骤6；如果不匹配，调整贝叶斯神经网络，返回步骤2；步骤6，使用最终预测模型预测完整行人轨迹。