一种机非共享空间的非机动车轨迹重构方法

1.本发明涉及全息路口和主动交通管控领域，尤其是涉及一种聚焦计算机视觉算法提取路侧视频中非机动车轨迹存在的轨迹缺失和严重噪声问题，将微观交互行为模型融入滤波算法的高精度轨迹重构方法。


背景技术：

2.计算机视觉算法(computer vision technology,cv)发展极大促进了视频检测器交通运输行业中的应用，特别是基于视频获取高精度车辆轨迹，这对于全息路口、主动交通管控和无人驾驶等领域发展起着关键性作用。现有cv算法能够有效捕捉外部轮廓较大、形态变化小的大目标机动车轨迹，但对于形态较小且变化大的非机动车和行人等小目标轨迹仍存在较大技术障碍，尤其在高密度机动车与非机动车混合交通流的共享空间场景轨迹精度大打折扣。
3.共享空间内机非混行严重、车辆之间相互干扰，路侧视角交通视频中存在严重遮挡问题，直接采用cv算法提取车辆轨迹输出结果中表现为严重的轨迹缺失和id跳动问题。此外，目标检测对象边界存在亚像素级别的跳跃，导致检测目标中心点坐标与实际值存在严重偏差，输出非机动车辆轨迹中表现出严重的噪声问题。现有轨迹提取算法集中于对机动车轨迹的提取和降噪，鲜有对非机动车轨迹的提取与重构方法。然而，非机动车与机动车之间存在显著的形态差异和运动特征差异，cv输出机动车轨迹鲜有因遮挡导致的轨迹缺失问题，仅存在局部的轨迹噪声。因此，现有机动车轨迹重构算法难以直接用来对非机动车轨迹进行重构。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种机非共享空间高精度非机动车轨迹重构方法。
5.本发明的目的可以通过以下技术方案来实现：
6.一种机非共享空间的非机动车轨迹重构方法，所述方法步骤包括：
7.通过cv算法提取初始轨迹；
8.采用lstm预测补全初始轨迹中由于遮挡缺失的轨迹，并通过匈牙利算法匹配遮挡前后的轨迹，补全完整轨迹；
9.采用将表征非机动车驾驶行为的社会力模型融入到粒子滤波框架所构建的三层循环社会力粒子滤波算法对补全的完整轨迹进行降噪，得到重构轨迹。
10.进一步，所述的缺失轨迹采用双层lstm结构构建预测模型进行补全，预测模型的输入为遮挡前轨迹加速度序列，预测模型输出为因遮挡导致的缺失轨迹，其中两层所述的lstm分别采用纵向加速度与横向加速度进行预测。
11.进一步，所述的遮挡前后轨迹匹配以获得完整轨迹为目标，考虑遮挡前后轨迹的一致性特征，并考虑融合遮挡前后轨迹的时间、空间特征信息，匹配的目标函数为：
[0012][0013]
式中，x
k,h
是遮挡区域预测轨迹集中第k条轨迹与遮挡后轨迹集中第h进行匹配的决策值；c
k,h
为匹配成本；
[0014]
所述匹配成本c
k,h
通过欧式距离方法构造，并通过匈牙利算法进行求解，表达式如下式所示；
[0015][0016]
式中，是遮挡区域预测轨迹集最后一秒的所对应的全局时间帧的平均值和轨迹序列的平均值；是遮挡后轨迹集中第一秒所对应的时间帧的平均值和轨迹序列的平均值。
[0017]
进一步，根据匈牙利算法所得匹配方案，对将预测轨迹集与遮挡区域后轨迹集进行拼接，并对轨迹进行完整性判定，得到补全完整轨迹；所述完整性判定的规则为：
[0018]
若预测轨迹集的最后一帧等于遮挡区域后轨迹集中第一帧则为完整轨迹；
[0019]
若预测轨迹集的最后一帧小于遮挡区域后轨迹集中第一帧则利用线性插值方法对缺失帧插值；
[0020]
若预测轨迹集的最后一帧大于遮挡区域后轨迹集中第一帧则删除预测轨迹集中多余帧对应轨迹。
[0021]
进一步，所述的循环社会力粒子滤波算法
[0022]
融合微观交通流中交互行为模型和粒子滤波算法，以非限制噪声分布假设的粒子滤波算法作为轨迹融合器，社会力模型作为粒子滤波中状态更新方程，cv轨迹作为观测更新方程的输入值，包含三层循环体，每一层的具体功能和实现如下：
[0023]
外层循环，对所有噪声轨迹执行多轮降噪处理，新一轮将基于上一轮结果进行执行降噪算法，待多轮循环结束选择迭代最稳定结果作为最终结果；
[0024]
中层循环，对所有车辆进行降噪处理，将降噪结果替代环境交通流中对应车辆id轨迹；
[0025]
内层循环，逐帧融合cv轨迹和社会力生成轨迹，一次循环结束时，状态方程模块根据社会力模型更新车辆运动状态，读取原始噪声轨迹状态值。
[0026]
进一步，所述的循环社会力粒子滤波算法采用社会力模型在融合算法中测量更新cv轨迹，状态更新方程如下式所示：
[0027][0028]
式中，表示自驱动力；∑
j(j≠b)fb，j
(t)表示非机动车间的交互作用力；∑
wfbw
(t)表示边界作用力；∑
carfbc
(t)表示机动车作用力；ξ为随机误差；所述社会力模型参数取值通过遗传算法进行标定。
[0029]
进一步，所述自驱动力的表达式下式所示：
[0030][0031]
式中，是车辆b在t时刻的预期速度；vb(t)车辆b在t时刻的当前速度；τb将松弛时间从当前速度变为周期速度所需的平均时间；ab代表期望加速度；mb是车辆b的质量。
[0032]
进一步，所述的非机动车间的交互作用力表达式如下式所示：
[0033][0034]
式中，是相邻的非机动车j在时间t的排斥力，为超车力，ω
bj
为相同的方向依赖性权重；
[0035]
其中非机动车j对非机动车b的排斥力表达式如下式所示：
[0036][0037]
式中，是以非机动车b所在位置为焦点所绘制椭圆的短半轴；(v
b-vj)是非机动车b相对j的速度；u3和r3分别代表比例因子和对距离的敏感系数；r
bj
是从非机动车j到b的向量；δt是时间步长；n
bj
是从非机动车j到b的方向向量；
[0038]
所述超车力如下式所示：
[0039][0040]
式中，k是比例系数；是垂直于且与(v
b-vj)夹角较小的单位矢量；
[0041]
所述相同的方向依赖性权重ω
bj
表达式如下式所示：
[0042][0043]
式中，λb变化范围为0＜＜λb＜＜1；是非机动车b相对于j的位置矢量与非机动车b的行驶方向之间的角度。
[0044]
进一步，所述边界作用力大小与非机动车和车道边界之间距离有关，表达式如下式所示：
[0045][0046]
式中，u4是边界排斥力大小的比例系数；r
bw
是非机动车位置与车道边界之间的距离；r4是边界排斥力对距离的敏感系数；n
bw
是指从非机动车中心指向车道上最靠近非机动车位置的单位向量。
[0047]
进一步，所述的机动车作用力表达式如下式所示：
[0048][0049]
式中，u6和r6为待估计参数；r
bc
是机动车与目标车辆之间距离；||vc||是指机动车的速度大小，n
bc
表示机动车与非机动车之间交互作用力的单位向量；
[0050]
如果非机动车前面有一辆机动车，非机动车将受到一个使其减速的作用力：
[0051][0052]
s＝s0+vbδt
[0053]
式中，bc是非机动车的舒适减速速度；s0是非机动车的安全距离；vb是目标非机动车速度；δt是反应时间；d
bc
是指机动车与非机动车之间的距离，nv是受到机动车影响的减速度的单位向量。
[0054]
与现有技术相比，本发明具有以下有益效果：
[0055]
本发明提出了一种考虑车辆交互行为的二阶轨迹重构方法：第一阶段解决非机动车轨迹缺失和id跳动问题，整合长短时记忆(lstm)模型的预测功能与匈牙利算法的匹配功能，形成遮挡区域轨迹补全与遮挡后轨迹匹配算法。第二阶段集中处理非机动车轨迹噪声问题，融合表征混合交通流微观行为的社会力模型与粒子滤波算法，构建一个三层循环滤波算法，该方法使得重构后轨迹既在形态上保持cv输出轨迹特征，又满足混合交通流下车辆微观驾驶行为约束。此外，外循环采用迭代收敛和多次循环的思想来寻找最佳值，有效避免随机误差。本发明能够有效提升视频检测器获取高精度轨迹数据性能，为全息路口和交通管控系统提供更为精细的感知数据，在工业界具有较大应用价值。
附图说明
[0056]
图1为本发明一种机非共享空间高精度非机动车轨迹重构方法流程示意图；
[0057]
图2为基于路侧视角视频的高精度轨迹提取流方法流程示意图；
[0058]
图3为本发明二维轨迹重构算法流程示意图；
[0059]
图4为本发明利用lstm预测轨迹的流程示意图；
[0060]
图5为本发明融合社会力与粒子滤波的轨迹重构算法流程示意图。
具体实施方式
[0061]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0062]
实施例1
[0063]
为解决机非共享空间复杂交通环境下cv算法提取的轨迹中存在轨迹缺失、id跳动和严重噪声问题，本发明融合计算机视觉、微观交通流模型和自动化控制等多学科理论，提出了一种针对路侧交通视频的共享空间高精度轨迹重构方法。该方法旨在获取共享空间内部全对象高精度轨迹数据，为自动驾驶、全息路口和主动管控等工程实践建立数字底座，达到提升交通效率和驾驶安全性的目标。该方法主要分为：视频预处理、目标检测与追踪、轨迹重构三大模块，总技术框架如图1-2所示，前两个模块已有计算机视觉领域技术。
[0064]
针对目标检测与追踪阶段输出的初始轨迹中的局部轨迹缺失和严重噪声问题，提出二阶轨迹重构方法。第一阶段，整合长期记忆模型的预测功能与匈牙利算法的匹配功能，对遮挡区域缺失轨迹补全并与遮挡后跳动id轨迹进行匹配；第二阶段，融合混合交通流微观行为理论中社会力模型与粒子滤波算法，创建了一种考虑微观交互行为的滤波算法，将
cv直接输出的完整机动车、非机动车轨迹和第一阶段补全后的轨迹作为背景交通流轨迹，构建环境感知+社会力模型驱动的状态更新方程，逐帧将更新轨迹与cv输出的原始轨迹进行融合提升轨迹精度。
[0065]
具体实施步骤：
[0066]
本发明涉及视频预处理、目标识别与追踪模块为调用现有成熟cv技术，发明重点在于轨迹重构，该模块实现流程如图3所示，具体实现步骤如下。
[0067]
1、缺失轨迹补全
[0068]
lstm算法能够学习时间序列数据的历史特征，并预测未来趋势。该模型已被广泛应用于轨迹预测，本发明引入lstm算法来预测遮挡区域轨迹。
[0069]
在对遮挡区域缺失轨迹补全之前，先将不完整轨迹划分为遮挡前轨迹集和遮挡后轨迹集
[0070]
1)预测遮挡区域轨迹
[0071]
逐车对遮挡区域轨迹进行预测，例如，第k辆车在遮挡区域前的轨迹为其中将作为输入数据来训练lstm预测网络，训练网络所用lstm结构如图4所示。
[0072]
通过循环迭代方法预测遮挡区域加速度，预测加速度序列通过(1)式计算轨迹序列。车辆在t-1时刻的状态被作为输入来预测t时刻状态，执行这一迭代更新过程直到得到遮挡发生后m秒后的轨迹序列这里t代表时间帧，m取遮挡距离与遮挡发生前车辆平均速度的比值(单位：秒)。
[0073]
预测补全后的轨迹集为
[0074][0075]
2)匹配预测轨迹与id跳动轨迹
[0076]
为了保持遮挡前后轨迹id一致性，需要将预测所得轨迹和遮挡区域后的轨迹集进行匹配，这里的代表遮挡后id发生跳动的第h辆车的轨迹序列。该问题转换为一个经典的k个任务n个工作的指派问题，每个任务必须分配给一个工人，所有的任务必须被执行，指派目标是所需的总成本最小，其中a
′
表示任务，b表示员工。x
k，h
表示第k项任务被第h个工
人执行，其中k∈a
′
，h∈b，表示被分配取值为1，否则为0。该指派问题的主要约束是表示每一项任务只能被一个工人执行；表示每个工人只能执行意向任务；是变量的取值范围；c
k，h
是员工h执行任务k时的成本；x
k，h
是a
′
中第k条轨迹与b中第h进行匹配的决策值；x是由x
k，h
所组成的决策向量。经典的指派问题的目标函数是求满足上述约束下求最小成本，目标函数如(2)式所示。
[0077][0078]
本发明中采用欧式距离来构建目标轨迹和待匹配轨迹之间的匹配费用c
k，h
。和用来计算匹配费用c
k，h
；是遮挡区域预测轨迹a
′
最后1秒的所对应的全局时间帧的平均值和轨迹序列的平均值；是轨迹集b中第一秒所对应的时间帧和轨迹序列的平均值。欧氏距离所建立的成本约束函数如(3)式所示。
[0079][0080]
成本约束函数表示两条轨迹在时间和空间层面的相关性，调整成本越小，相关性越大，反之亦然。匈牙利算法被用来解决这个问题。
[0081]
3)轨迹拼接
[0082]
根据匈牙利算法所得匹配方案对将预测轨迹与遮挡区域后轨迹进行拼接。并对轨迹进行完整性判定，判定规则为：若a
′i的最后一帧等于b中第一帧则为完整轨迹；若a
′i的最后一帧小于b中第一帧则利用线性插值方法对缺失帧插值；若a
′i的最后一帧大于b中第一帧则删除a
′i中多余帧对应轨迹。
[0083]
2、噪声轨迹滤波算法
[0084]
针对cv输出轨迹严重噪声问题，融合微观交通流中交互行为模型和粒子滤波算法提出sfpf降噪算法，该算法引入非限制噪声分布假设的粒子滤波算法作为轨迹融合器，社会力模型作为粒子滤波中状态更新方程，cv输出轨迹作为观测更新方程的输入值。该算法流程如图5所示，包含三层循环体，每一层的具体功能和实现如下：
[0085]
外层循环，为避免其他车辆轨迹噪声对重构车产生系统误差，需对系统中所有噪声轨迹执行多轮降噪处理。每一轮循环结束后，更新利用新的轨迹集来原始噪声轨迹集中对应id轨迹，选择迭代稳定结果作为最终输出结果，本方法推荐采用大于200次循环；
[0086]
中层循环是对所有车辆进行降噪处理，降噪结果将替代环境交通流中对应车辆id轨迹；
[0087]
内层循环，逐帧融合cv轨迹和社会力生成轨迹，一次循环结束时，状态方程模块根据社会力模型更新车辆运动状态，测量方法模块读取原始噪声轨迹状态值。该算法采用粒子过滤器融合cv轨迹和社会力生成轨迹。在这个过程中，不仅保持了cv轨迹的形状特性，还
能满足驾驶行为约束。此外，外循环采用迭代收敛和多次循环的思想来寻找最佳值，有效避免随机误差。其中社会力模型中所涉及的参数可利用少量真实轨迹数据进行标定，标定算法可以选择遗传算法。
[0088]
该方法涉及两个已有理论模型：一是粒子滤波算法；二是社会力模型，具体说明如下。
[0089]
1)粒子滤波算法
[0090]
粒子滤波系统状态方程和测量方程如下：
[0091]
xk＝fk(x
k-1
，v
k-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0092]
zk＝hk(xk，uk)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0093]
其中：xk系统在k时刻的状态值；zk是在k时刻的观测值；fk是系统状态的状态转移函数；v
k-1
和uk分别代表状态转移噪声和观测噪声分布方差，建议值取v
k-1
＝0.5，uk＝1.0。
[0094]
本发明中用社会力模型替代fk；hk表示系统的测量函数，这里用cv输出结果替代。
[0095]
状态概率密度分布可以用(6)式所示经验概率分布来近似。
[0096][0097]
其中，δ(
·
)是一个狄拉克函数，f(x
0：h
)数学期望值如(7)式所示：
[0098]
e(f(x
0：k
))＝∫f(x
0：k
)p(x
0：k
|z
1：k
)dx
0：k
ꢀꢀ
(7)
[0099]
其中，积分运算可以通过以下形式的估计来接近：
[0100][0101]
蒙特卡洛方法将计算积分问题转换为具有有限数量样本点的概率转移累积过程，用重要性抽样算法来实现。如果概率分布等于p(xk|z
1：k
)和概率密度分布q(x
0：k
|z
1：k
)为已知的容易取样的分布函数，那么方程(7)可以转化为(10)式：
[0102][0103][0104]
其中，wk(x
0：k
)是重要性的非归一化加权；是非标准化的重要性权重；是q(x
0：k
|z
1：k
)中的一个独立的采样点。
[0105][0106]
重要性抽样是一种常用的蒙特卡洛积分方法，在p(xk|z
1：k
)被估计之前，所有的观测值必须在时间k上可用。每次收到新的观测值时，整个状态序列的重要性权重必须重新计
算。
[0107]
2)基于社会力模型的状态更新
[0108]
sfpf内层循环中构建环境感知+社会力模型驱动的状态更新方程对车辆运动状进行更新，确保轨迹符合驾驶行为约束。第t帧的运动状态是基于t-1帧周围环境状态更新而来，包含t时刻环境中机动车状态car
i，t
＝{x
it
，y
it
；v
x，it
，v
y，it
，a
x，it
，a
y，it
}、非机动车状态bike
k，t
＝{x
kt
，y
kt
，v
x，kt
，v
y，kt
，a
x，kt
，a
y，kt
}、ebike
j，t
＝{x
jt
，y
jt
，v
x，jt
，v
y，jt
，a
x，jt
，a
y，jt
}和道路环境约束border
l，t
＝{lo，l
ro
}。目标车辆感知其环境状态，确定互动对象，利用社会力模型计算驱动力、交互作用力和边界约束力来形成合力，逐帧更新目标车运动状态，下一帧加速度是由前一帧施加在重构目标上的力决定，进而影响到下一帧的运动位置。式(12)为所用社会力模型，在t时刻作用在非机动车上的力由5部分组成，其中ξ表示随机项，涉及到模型参数取值需利用5分钟的真实轨迹数据进行标定。
[0109][0110]
(a)自驱动力
[0111]
车辆行驶过程中，希望以最佳速度和最短路径到达目的地，当车辆偏离最佳速度时，在驱动力作用下车辆自动调整加速度大小和方向，以接近理想速度。计算过程如(13)式：
[0112][0113]
式中，是车辆b在t时刻的预期速度m/s；vb(t)车辆b在t时刻的当前速度m/s；τb将松弛时间从当前速度变为周期速度所需的平均时间；ab代表期望加速度；mb是车辆b的质量。
[0114]
(b)非机动车间的交互作用力
[0115]
非机动车运动会受到视线中其他非机动车影响。一方面，非机动车受到相互排斥力，以改变速度来避免与其他人相撞；另一方面，也受到超车力的作用，以改变方向避免碰撞。其表达方式如下：
[0116][0117]
式中，是相邻的非机动车j在时间t的排斥力，以避免发生碰撞；为超车力用来表征非机动车b在遇到障碍物或拥堵时的灵活行为。
[0118]
排斥力：
[0119]
非机动车之间的排斥力类似于行人之间为满足安全空间的需要而产生的心理排斥力，反映了骑车人避免与他人碰撞的意识。非机动车j对非机动车b的排斥力的如(15)式所示。
[0120][0121]
式中：是以非机动车b所在位置为焦点所绘制椭圆的短半轴；(v
b-vj)是非机动车b相对j的速度；u3和r3分别代表比例因
子和对距离的敏感系数；r
bj
是从非机动车j到b的向量；δt是时间步长；n
bj
是从非机动车j到b的方向向量。
[0122]
超车力：
[0123]
非机动车的运动是灵活的，当遇到障碍物时，倾向于改变方向以超越障碍物，而不是停滞不前。用如式(16)所示超车力来表征这种行为。
[0124][0125]
式中，k是比例系数；是垂直于且与(v
b-vj)夹角较小的单位矢量。非机动车之间的力与行人社会力量模型中的力量相似，都是取决于感知视角。在非机动车侧面后面的人对这辆车的影响要比在非机动车前面的人小得多。因此，引入了相同的方向依赖性权重ω
bj
。
[0126][0127]
式中：λb变化范围为0＜＜λb＜＜1；是非机动车b相对于j的位置矢量与非机动车b的行驶方向之间的角度。修改后的表达式是
[0128]
(c)边界力
[0129]
当非机动车和车道边界之间的距离小于某个值时，边界力则作用在非机动车上防止其超出边界，其大小与非机动车和道路之间距离有关如(18)式所示：
[0130][0131]
式中，u4是边界排斥力大小的比例系数；r
bw
是非机动车位置与车道边界之间的距离；r4是边界排斥力对距离的敏感系数；n
bw
是指从非机动车中心指向车道上最靠近非机动车位置的单位向量。
[0132]
(d)与机动车的交互作用力
[0133]
当机动车横向进入视野时，非机动车会受到一个横向作用力。作用力大小与非机动车和机动车之间的横向距离及机动车速度有关，横向力计算如(19)式：
[0134][0135]
式中，u6和r6为待估计参数；r
bc
是机动车与目标车辆之间距离；||vc||是指机动车的速度大小，n
bc
表示机动车与非机动车之间交互作用力的单位向量。
[0136]
如果非机动车前面有一辆机动车，非机动车将受到一个使其减速的作用力：
[0137][0138]
s＝s0+vbδt
ꢀꢀ
(21)
[0139]
式中，bc是非机动车的舒适减速速度；s0是非机动车的安全距离；vb是目标非机动车速度；δt是反应时间；d
bc
是指机动车与非机动车之间的距离，nv表示受到机动车影响的减速度的单位向量。
[0140]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无
需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

技术特征：
1.一种机非共享空间的非机动车轨迹重构方法，其特征在于，所述方法步骤包括：通过cv算法提取初始轨迹；采用lstm预测补全初始轨迹中由于遮挡缺失的轨迹，并通过匈牙利算法匹配遮挡前后的轨迹，补全完整轨迹；采用将表征非机动车驾驶行为的社会力模型融入到粒子滤波框架所构建的三层循环社会力粒子滤波算法对补全的完整轨迹进行降噪，得到重构轨迹。2.根据权利要求1所述的一种机非共享空间的非机动车轨迹重构方法，其特征在于，所述的缺失轨迹采用双层lstm结构构建预测模型进行补全，预测模型的输入为遮挡前轨迹加速度序列，预测模型输出为因遮挡导致的缺失轨迹，其中两层所述的lstm分别采用纵向加速度与横向加速度进行预测。3.根据权利要求1所述的一种机非共享空间的非机动车轨迹重构方法，其特征在于，所述的遮挡前后轨迹匹配以获得完整轨迹为目标，考虑遮挡前后轨迹的一致性特征，并考虑融合遮挡前后轨迹的时间、空间特征信息，匹配的目标函数为：式中，x
k,h
是遮挡区域预测轨迹集中第k条轨迹与遮挡后轨迹集中第h进行匹配的决策值；c
k,h
为匹配成本；所述匹配成本c
k,h
通过欧式距离方法构造，并通过匈牙利算法进行求解，表达式如下式所示；式中，是遮挡区域预测轨迹集最后一秒的所对应的全局时间帧的平均值和轨迹序列的平均值；是遮挡后轨迹集中第一秒所对应的时间帧的平均值和轨迹序列的平均值。4.根据权利要求1所述的一种机非共享空间的非机动车轨迹重构方法，其特征在于，根据匈牙利算法所得匹配方案，对将预测轨迹集与遮挡区域后轨迹集进行拼接，并对轨迹进行完整性判定，得到补全完整轨迹；所述完整性判定的规则为：若预测轨迹集的最后一帧等于遮挡区域后轨迹集中第一帧则为完整轨迹；若预测轨迹集的最后一帧小于遮挡区域后轨迹集中第一帧则利用线性插值方法对缺失帧插值；若预测轨迹集的最后一帧大于遮挡区域后轨迹集中第一帧则删除预测轨迹集中多余帧对应轨迹。5.根据权利要求1所述的一种机非共享空间的非机动车轨迹重构方法，其特征在于，所述的循环社会力粒子滤波算法融合微观交通流中交互行为模型和粒子滤波算法，以非限制噪声分布假设的粒子滤波算法作为轨迹融合器，社会力模型作为粒子滤波中状态更新方程，cv轨迹作为观测更新方程的输入值，包含三层循环体，每一层的具体功能和实现如下：外层循环，对所有噪声轨迹执行多轮降噪处理，新一轮将基于上一轮结果进行执行降
噪算法，待多轮循环结束选择迭代最稳定结果作为最终结果；中层循环，对所有车辆进行降噪处理，将降噪结果替代环境交通流中对应车辆id轨迹；内层循环，逐帧融合cv轨迹和社会力生成轨迹，一次循环结束时，状态方程模块根据社会力模型更新车辆运动状态，读取原始噪声轨迹状态值。6.根据权利要求5所述的一种机非共享空间的非机动车轨迹重构方法，其特征在于，所述的循环社会力粒子滤波算法采用社会力模型在融合算法中测量更新cv轨迹，状态更新方程如下式所示：式中，表示自驱动力；∑
j(j≠b)
f
b,j
(t)表示非机动车间的交互作用力；∑
w
f
bw
(t)表示边界作用力；∑
car
f
bc
(t)表示机动车作用力；ξ为随机误差；所述社会力模型参数取值通过遗传算法进行标定。7.根据权利要求6所述的一种机非共享空间的非机动车轨迹重构方法，其特征在于，所述自驱动力的表达式下式所示：式中，是车辆b在t时刻的预期速度；v
b
(t)车辆b在t时刻的当前速度；τ
b
将松弛时间从当前速度变为周期速度所需的平均时间；a
b
代表期望加速度；m
b
是车辆b的质量。8.根据权利要求6所述的一种机非共享空间的非机动车轨迹重构方法，其特征在于，所述的非机动车间的交互作用力表达式如下式所示：式中，是相邻的非机动车j在时间t的排斥力，为超车力，ω
bj
为相同的方向依赖性权重；其中非机动车j对非机动车b的排斥力表达式如下式所示：式中，是以非机动车b所在位置为焦点所绘制椭圆的短半轴；(v
b-v
j
)是非机动车b相对j的速度；u3和r3分别代表比例因子和对距离的敏感系数；r
bj
是从非机动车j到b的向量；δt是时间步长；n
bj
是从非机动车j到b的方向向量；所述超车力如下式所示：式中，k是比例系数；是垂直于且与(v
b-v
j
)夹角较小的单位矢量；所述相同的方向依赖性权重ω
bj
表达式如下式所示：
式中，λ
b
变化范围为0＜＜λ
b
＜＜1；是非机动车b相对于j的位置矢量与非机动车b的行驶方向之间的角度。9.根据权利要求6所述的一种机非共享空间的非机动车轨迹重构方法，其特征在于，所述边界作用力大小与非机动车和车道边界之间距离有关，表达式如下式所示：式中，u4是边界排斥力大小的比例系数；r
bw
是非机动车位置与车道边界之间的距离；r4是边界排斥力对距离的敏感系数；n
bw
是指从非机动车中心指向车道上最靠近非机动车位置的单位向量。10.根据权利要求6所述的一种机非共享空间的非机动车轨迹重构方法，其特征在于，所述的机动车作用力表达式如下式所示：式中，u6和r6为待估计参数；r
bc
是机动车与目标车辆之间距离；||v
c
||是指机动车的速度大小，n
bc
表示机动车与非机动车之间交互作用力的单位向量；如果非机动车前面有一辆机动车，非机动车将受到一个使其减速的作用力：s＝s0+v
b
δt式中，b
c
是非机动车的舒适减速速度；s0是非机动车的安全距离；v
b
是目标非机动车速度；δt是反应时间；d
bc
是指机动车与非机动车之间的距离，n
v
是受到机动车影响的减速度的单位向量。

技术总结
本发明涉及一种机非共享空间的非机动车轨迹重构方法，所述方法步骤包括：通过CV算法提取初始轨迹；采用LSTM预测补全由于遮挡缺失的轨迹，并通过匈牙利算法匹配遮挡前后的轨迹，补全完整轨迹；采用将表征非机动车驾驶行为的社会力模型融入到粒子滤波框架所构建的三层循环社会力粒子滤波算法对补全的完整轨迹进行降噪，得到重构轨迹。与现有技术相比，本发明将有效提升视频检测器获取高精度轨迹数据性能，为全息路口和交通管控系统提供更为精细的感知数据，在工业界具有较大应用价值。在工业界具有较大应用价值。在工业界具有较大应用价值。


技术研发人员：孙剑 闫章存 岳李圣飒
受保护的技术使用者：同济大学
技术研发日：2023.03.29
技术公布日：2023/8/14