基于动作条件交互的高效行人过街意图预测

城市化的进程不断加速,人车冲突问题已成为现代社会亟待解决的重大难题。复杂交通场景下,行人横穿马路行为导致交通事故频发,准确、实时地预测行人过街意图对避免人车冲突、提高驾驶安全系数和保障行人安全至关重要。本文提出基于动作条件交互的高效行人过街意图预测框架(efficient action-conditioned interaction pedestrian crossing intention anticipation framework,EAIPF)来预测行人过街意图。EAIPF引入行人动作编码模块增强多模态动作模式下的表征能力,挖掘深层骨架上下文信息。同时,引入场景对象交互模块挖掘与对象交互信息,理解交通场景中高级语义线索。最后,意图预测模块融合行人动作特征和对象交互特征,实现行人过街意图的鲁棒预测。所提出的方法在两个公共数据集JAAD和PIE上验证算法性能,准确率分别达到了89%和90%,表明本文方法可以在复杂交通场景下准确预测行人穿越意图。

基于双流自适应图卷积神经网络的行人过街意图识别

对城市道路上的自动驾驶车辆,提出了一种判别行人过街意图的识别方法。该方法利用双流、时空自适应图卷积神经网络(2s-AGCN),联系了行人骨架的动力学与行人过街意图;以时空图卷积神经网络(ST-GCN)的动作识别为基础,加入自适应图卷积神经网络结构(AGCN);在骨骼的长度和方向上,设计了双流网络,将2个网络输出的Softmax分数融合,来预测行人过街意图。根据自动驾驶联合注意力公开数据集(JAAD),进行了仿真实验。结果表明:本文的2s-AGCN行人过街意图识别方法的准确率达到了89.36%,比ST-GCN神经网络的结果高3.36%。因此,该方法识别准确率较高。