[发明专利]基于深度学习的智能车辆周边行人行为预测方法和系统

权利要求书

1.一种基于深度学习的智能车辆周边行人行为预测方法，其特征在于，所述方法包括如下步骤：

步骤S1：检测车辆自身位置，记录车辆自身运动数据；

步骤S2：利用车载传感器对智能车辆周边障碍物进行检测，对周围道路环境进行定位与分类，确定行人位置及运动状态；

步骤S3：将得到的行人运动状态数据作为输入数据输入卷积神经网络CNN进行轨迹预测；

步骤S4：根据卷积神经网络CNN的轨迹预测输出行人的预测轨迹；

所述步骤S2包括：

通过车辆传感器的数据建立道路方向系，将道路方向系划分为八个部分，以行人为坐标原点并根据道路方向建立该道路方向系，以行人的移动轨迹确定其主要前进方向A；

根据道路方向系获得行人连续十组、间隔0.05s的在各方向上的速度作为卷积神经网络CNN的输入数据，通过补行的方式将得到的数据用10*10矩阵Vp表示，矩阵Vp将作为卷积神经网络的输入数据进入卷积神经网络CNN对行人轨迹进行预测；

所述步骤S3包括：

对输入的数据进行处理，采用变卷积核的方法对输入数据进行特征提取，通过调节行人在各方向上前进的权重实现对行人行动特征的有效提取；

步骤S3.1：采用卷积核对输入数据矩阵进行卷积；通过对卷积核的调整，将特征提取由池化层提前到了卷积层；

步骤S3.2：数据矩阵通过权重卷积核消除了各方向的权重差，进入池化层；池化层采用高斯模糊的方法进一步地进行特征提取，并得到新的4*4矩阵进入全连接层

步骤S3.3：得到的4*4矩阵后进入全连接层，将输出结果分别设定为速度大小和速度方向，通过数据集对两个全连接层进行训练；对全连接层的训练完成后，通过新的数据对卷积神经网络CNN进行校验，得到预测的行人移动速度，通过将预测的行人移动速度与实际行人移动速度进行对比，调整不同情况下各方向权重的大小，通过反复调试，得到各种情况下结果最优的各方向权重；

步骤S3.4：完成参数调整核对卷积神经网络的训练后，输入检验数据并将得到的预测速度大小以及速度方向作为新的数据添加至输入数据矩阵中，再次进入卷积神经网络，通过反复迭代得到预测的行人行为轨迹；

所述步骤S3.4包括：对输出结果为速度大小的全连接层进行训练时，以速度大小作为输出结果；对输出结果为速度方向的全连接层进行训练时，采用正交分解的方法，将速度分解在行人主要前进方向A、行人主要前进方向的垂直方向B、C和行人的主要前进方向相反方向D上，通过比重的形式表述；训练后的全连接层，赋予A、B、C、D相应的比重，通过比重确定预测的行人移动方向，通过与速度大小结合实现对行人速度的预测，进而实现对行人轨迹的完整预测；

通过对输出数据的迭代得到完整的预测轨迹，将该预测轨迹与实际轨迹做对比，将预测轨迹在目标预测时间后的位置与实际轨迹在目标预测时间后的位置相连接，初始位置与两轨迹构成一完整闭合图形，通过对闭合图形面积S的计算，得到卷积神经网络CNN的评价指标。

2.一种基于深度学习的智能车辆周边行人行为预测系统，其特征在于，所述系统包括如下模块：

模块M1：检测车辆自身位置，记录车辆自身运动数据；

模块M2：利用车载传感器对智能车辆周边障碍物进行检测，对周围道路环境进行定位与分类，确定行人位置及运动状态；

模块M3：将得到的行人运动状态数据作为输入数据输入卷积神经网络CNN进行轨迹预测；

模块M4：根据卷积神经网络CNN的轨迹预测输出行人的预测轨迹；

所述模块M2包括：

通过车辆传感器的数据建立道路方向系，将道路方向系划分为八个部分，以行人为坐标原点并根据道路方向建立该道路方向系，以行人的移动轨迹确定其主要前进方向A；

根据道路方向系获得行人连续十组、间隔0.05s的在各方向上的速度作为卷积神经网络CNN的输入数据，通过补行的方式将得到的数据用10*10矩阵Vp表示，矩阵Vp将作为卷积神经网络的输入数据进入卷积神经网络CNN对行人轨迹进行预测；

所述模块M3包括：

对输入的数据进行处理，采用变卷积核的方法对输入数据进行特征提取，通过调节行人在各方向上前进的权重实现对行人行动特征的有效提取；

模块M3.1：采用卷积核对输入数据矩阵进行卷积；通过对卷积核的调整，将特征提取由池化层提前到了卷积层；

模块M3.2：数据矩阵通过权重卷积核消除了各方向的权重差，进入池化层；池化层采用高斯模糊的方法进一步地进行特征提取，并得到新的4*4矩阵进入全连接层

模块M3.3：得到的4*4矩阵后进入全连接层，将输出结果分别设定为速度大小和速度方向，通过数据集对两个全连接层进行训练；对全连接层的训练完成后，通过新的数据对卷积神经网络CNN进行校验，得到预测的行人移动速度，通过将预测的行人移动速度与实际行人移动速度进行对比，调整不同情况下各方向权重的大小，通过反复调试，得到各种情况下结果最优的各方向权重；

模块M3.4：完成参数调整核对卷积神经网络的训练后，输入检验数据并将得到的预测速度大小以及速度方向作为新的数据添加至输入数据矩阵中，再次进入卷积神经网络，通过反复迭代得到预测的行人行为轨迹；

所述模块M3.4包括：对输出结果为速度大小的全连接层进行训练时，以速度大小作为输出结果；对输出结果为速度方向的全连接层进行训练时，采用正交分解的方法，将速度分解在行人主要前进方向A、行人主要前进方向的垂直方向B、C和行人的主要前进方向相反方向D上，通过比重的形式表述；训练后的全连接层，赋予A、B、C、D相应的比重，通过比重确定预测的行人移动方向，通过与速度大小结合实现对行人速度的预测，进而实现对行人轨迹的完整预测；

通过对输出数据的迭代得到完整的预测轨迹，将该预测轨迹与实际轨迹做对比，将预测轨迹在目标预测时间后的位置与实际轨迹在目标预测时间后的位置相连接，初始位置与两轨迹构成一完整闭合图形，通过对闭合图形面积S的计算，得到卷积神经网络CNN的评价指标。