行为分析是近年来计算机视觉领域内的研究热点问题,受到国内外学者的广泛关注,可以应用于视觉监控、基于内容的检索、智能交通等众多领域。本文分析了具有代表性的轨迹预测算法,针对现有算法的不足,提出一种有效的智能体轨迹预测算法,主要工作如下:(1)针对传统轨迹预测算法仅依据场景内其他行人的运动信息,没有考虑场景内环境动态变化的问题。本文提出一种新的融合空间注意力和时间注意力的算法,首先将原始图像序列通过卷积神经网络输出特征映射,通过softmax得到空间注意力的权重表示,加权操作后得到空间注意力;接下来计算场景中所有邻居智能体与目标智能体的欧氏距离作为嵌入层和多层感知器的输入,并对输出取极值处理,只考虑对目标智能体路径规划影响大的信息。本文提出的注意力算法同时关注场景内行人的运动信息和环境的动态变化,使目标智能体可以根据其所处地理环境和场景内其他行人的运动趋势规划行进路径。(2)针对现有轨迹预测模型仅输出平均轨迹,不能很好地模拟行人运动不确定性的问题,本文提出基于生成对抗网络的多模态的轨迹预测算法,我们使用仿真数据分别在生成对抗网络和变分自编码器进行测试,验证生成模型是否可以得到多模态的输出,根据仿真实验结果,将生成对抗网络作为轨迹预测模型的基本框架,依据生成对抗网络特有的生成机制,模型可以输出多条合理的轨迹。(3)本文在标准数据集ETH、UCY上测试提出的算法,并与最新的结果进行比较,实验结果表明,本文提出多模态轨迹预测模型可以准确预测行人在未来一段时间内的运动趋势。