1.一种面向复杂交互泊车数据集的关键泊车场景提取方法,其特征在于,包括以下步骤:步骤一、多目标轨迹数据提取,采用目标检测模型YOLO和多目标跟踪算法DeepSORT对泊车数据集中的运动目标进行检测跟踪;
步骤二、根据检测结果对每个目标进行状态估计,生成包含位置、速度、航向角、加速度的时间序列轨迹数据;
步骤三、基于多元特征融合的泊车行为识别模型,从提取的轨迹序列中筛选发生泊车行为的轨迹;所述泊车行为识别模型通过集成车辆在轨迹终端的关键动态特征以及空闲车位位置信息,实现对泊车行为的判断;
步骤四、构建关键交通参与者识别模型,根据泊车过程中主车车速与交通流密度划定交互范围,截取其他交通参与者在该范围内的轨迹序列;
步骤五、设计交互强度量化指标,综合考虑空间接近度和机动程度量化判别主车与交通参与者之间是否发生交互,筛选邻域交通参与者集合;
步骤六、设计泊车场景关键性指标,结合交互强度、泊车空间对泊车场景的整体关键性进行评价,最终以此为依据从整个泊车数据集中提取出关键泊车场景;
其中,所述步骤六的具体方法如下:
61)设计泊车操作难易度指数,综合反映泊车空间以及车位尺寸对泊车操作难易度的影响,表示为:(1)对于垂直车位,考虑左侧、右侧以及后方车位的占用状态,对于平行车位,考虑前方、后方以及侧方车位占用状态,设计操作难度分数表示泊车过程中车辆的可调整空间大小,表示为:其中,Navail为当前可用车位数量;Nmax为最大车位总数;LineWidth为停车场主路宽度;当目标车位周围车位无占用时,Navail值为3;无可借用车位时,Navail值为1,智能泊车系统的路径规划难度增加;
(2)根据车辆尺寸与车位尺寸,评估泊车成功的可行性,设计车位尺寸匹配度分数,表示为:其中,Smatch为车位尺寸与主车尺寸的重叠部分面积;Smain为主车的尺寸;当车位完全适应主车尺寸时,PSSM值为0,表示最佳匹配,如果不匹配则会得到一个位于0-1的值;
(3)最后计算泊车操作难易度指数,表示为:
PSCI=A3S+PSSM
62)根据步骤五所述的交互强度量化指标,计算提取的每个关键交通参与者的交互强度的总和以及泊车空间难易度指数作为场景关键性的量化,分数超过一定阈值即为发生交互的关键泊车场景,表示为:其中,J为邻域交通参与者集合,InteractionScorej为每个参与者的交互强度得分;w1为考虑静态障碍物的权重系数;w2为考虑动态交互参与者的权重系数,并满足w1+w2=1;
63)关键泊车场景提取:
用Dragon Lake Parking数据集以及其他采用无人机正射航拍视角下的停车场视频的场景进行提取,提取过程如下:根据步骤一和步骤二的方法从泊车数据集中获得目标轨迹序列;通过对目标轨迹序列的分析对比,选择多元动态特征对轨迹序列进行筛选,将轨迹序列分为泊车任务类与非泊车任务类;针对泊车任务类,根据主车的位置与速度序列划定空间交互范围,从其他参与者序列中筛选出邻域交通参与者集合;交通参与者与主车之间的距离小于交互范围时视为其轨迹起点,距离大于交互范围时视为其轨迹终点;根据步骤五计算的主车与每个关键交通参与者的交互强度,根据每个参与者的位置特征,加速度特征以及航向角特征,计算相应的空间接近度和机动程度指标;根据步骤六计算泊车操作难易度指数,其中车位尺寸与停车场主路宽度为已知量,最后统一计算场景关键性指标。
2.根据权利要求1所述的一种面向复杂交互泊车数据集的关键泊车场景提取方法,其特征在于,所述步骤一的具体方法如下:
11)目标检测,使用YOLO对停车场监控视频的每一帧图像进行实时目标检测;YOLO通过卷积神经网络架构,在单次前向传播过程中预测出图像中所有目标的边界框以及相应的类别概率;输出结果包含每个目标的中心坐标、宽度、高度以及置信度得分;
12)目标跟踪,将视频第一帧中YOLO检测到的所有目标作为初始轨迹,为其分配唯一的跟踪ID,并记录其在第一帧的检测结果作为初始状态;对于每个已知的跟踪目标,使用卡尔曼滤波器通过当前帧的状态预测下一帧的目标状态,并根据下一帧中YOLO目标检测的结果对估计值进行修正;DeepSORT利用CNN提取的目标外观特征与卡尔曼滤波器计算的目标运动特征,衡量当前帧检测结果与历史外观特征或预测运动特征之间的相似度,得到代价矩阵;利用匈牙利算法处理代价矩阵,找出检测结果与已知目标轨迹之间的最优匹配;对于成功匹配的检测结果,更新相应目标轨迹的状态;对于未匹配到任何已知轨迹的检测结果,创建新的目标轨迹,并将其添加到跟踪列表中;对于连续100帧未能匹配到检测结果的已有轨迹选择终止该轨迹。
3.根据权利要求1所述的一种面向复杂交互泊车数据集的关键泊车场景提取方法,其特征在于,所述步骤二的具体方法如下:
21)将YOLO检测到的目标的边界框坐标视为空间位置特征;
22)根据空间位置特征计算运动状态,具体如下:
(1)速度估计,利用两帧之间目标检测框的位置差异,结合帧率推算目标的瞬时速度,表示为:其中,帧率为25fps;△t为0.04s;(x1,y1)是前一帧目标检测框中心坐标;(x2,y2)是后一帧中相同目标检测框中心坐标;
(2)航向角估计,将航向角定义为目标移动的方向与水平轴正方向之间的夹角,比较目标检测框的中心位置在连续帧间的空间位置关系估计航向角,表示为:(3)加速度计算,通过目标位置变化的二阶导数估算加速度,即对速度的时间序列进行微分计算,表示为:
4.根据权利要求1所述的一种面向复杂交互泊车数据集的关键泊车场景提取方法,其特征在于,所述步骤三的具体方法如下:
31)建立一种基于多元特征融合的泊车行为识别模型,识别车辆在预定场景中的泊车行为;
32)泊车行为识别模型通过集成车辆在轨迹终端的关键动态特征,包括车辆轨迹终点处状态特征,与空闲车位位置相关的空间特征以及时间特征,实现对泊车行为的判断;其中,完成泊车行为的车辆轨迹终点处具有明显的可识别状态特征,表示为考虑速度、加速度、航向角特征的指标,具体如下:(1)考虑速度特征的指标表示为:
VScore=1-|Velocity_End|/V_threshold其中,V_threshold=3m/s为速度阈值,Velocity_End为车辆轨迹终点处的速度,越接近零得分越高;
(2)考虑加速度特征的指标表示为:
AScore=1-|Acceleration_End|/A_threshold其中,A_threshold=0.1m/s2为加速度阈值,Acceleration_End为车辆轨迹终点处的加速度,越接近零得分越高;
(3)考虑航向角特征的指标表示为:
其中,I为空闲停车位集合,VehicleHeading_End表示车辆轨迹终点处的航向角,IdealSpotDirectioni表示第i个车位的理想指向角度;
(4)当车辆发生泊车行为时,其最终位置会非常接近空闲车位,因此通过计算车辆轨迹终点与空闲车位中心点的距离,作为判断泊车行为的一个重要依据;考虑轨迹终点位置特征的指标表示为:其中,DistanceToSpoti为车辆边界框中点到第i个车位中心点的实际距离;SpotRadiusi为目标停车位的二分之一宽度;
(5)将车辆在某一点或车位附近的停留时间作为识别泊车行为的时间特征;考虑停留时间特征的指标表示为:TScore=1-exp(-(TimeStopped/T_threshold))其中,TimeStopped为车辆在目标车位区域内持续静止的时间;T_threshold为停留时间阈值,停留时间越长,泊车行为发生的概率越高;
综合考虑以上指标的泊车行为识别模型的分数分布在[0,5],考虑到存在非规范泊车驾驶人,总指标得分超过4的轨迹即认为是泊车轨迹:Score=VScore+AScore+HScore+PScore+TScore。
5.根据权利要求1所述的一种面向复杂交互泊车数据集的关键泊车场景提取方法,其特征在于,所述步骤四的具体方法如下:
41)构建关键交通参与者识别模型;所述关键交通参与者识别模型包括交互范围确定和交互特征提取,以确定邻域交通参与者集合;
42)通过关键交通参与者识别模型关注与主车距离在交互范围内且可能产生互动的参与者,在限定的交互范围内,提取和分析每个参与者的特征;具体如下:(1)交互范围确定,对于发生泊车行为的主车,以泊车轨迹为中心,考虑车速与基础安全距离确定的范围半径表示为:InteractiveRadius=GeometricDistance+SafetyBaseDistance+Speed*k1其中,GeometricDistance为车体矩形简化模型中对角线的二分之一,与车体尺寸有关;SafetyBaseDistance为基础安全距离常数;Speed为主车车速;k1为车速影响系数,取值与停车场内流量密度有关,设定为常数;
(2)交互特征提取,截取其他交通参与者在交互范围内与主车泊车时间范围内的轨迹数据,并按照时间序列排序,包括位置、速度、航向角和加速度序列。
6.根据权利要求5所述的一种面向复杂交互泊车数据集的关键泊车场景提取方法,其特征在于,所述步骤五的具体方法如下:
51)设计交互强度量化指标,分析主车泊车轨迹与其他交通参与者的轨迹特征,设计综合考虑主车与参与者的空间接近度与机动程度的量化指标,将提取的参与者轨迹特征转换为数值,计算出每个参与者与主车之间的交互强度得分,筛选出对泊车行为有关键影响的参与者,表示为:InteractionScore=SpatialProximityScore+ManeuverDegree其中,InteractionScore为主车与任一参与者的交互强度得分;SpatialProximityScore为空间接近度;ManeuverDegree为机动程度;
52)在交互范围内的交通参与者,认为其与主车的距离越近,发生交互的可能性越大,由此定义空间接近度,表示为:SpatialProximityScore=1-(Distance/InteractiveRadius)其中,是主车与任一参与者交互过程中的距离;
考虑在交互范围内的交通参与者的加速度和航向角变化率,将其定义为机动程度,在交互范围内分别计算参与者的加速度以及航向角变化率绝对值,表示为:其中,为了统一量纲,引入航向角变化率阈值Heading_change_threshold,是常数;a(t)为交互范围内任一参与者的加速度;A_threshold为加速度阈值;
Heading(t)为交互范围内任一参与者在t时的航向角;Heading(t-△t)为同一参与者在t-△t时的航向角;△t为0.04s。