基于BING和HOG-LSS特征的行人检测算法研究

近年来,基于计算机视觉技术的行人检测方法一直是智能交通领域研究的热点问题之一。基于HOG和局部自相似(LSS)特征融合的行人检测算法在检测效果上优于传统HOG特征的行人检测算法,但是同时也存在如下挑战:1) 算法检测的速度不够快;2) 在遮挡面积过大的情况下,无法有效地进行处理。针对这些挑战问题,本文提出了一种使用BING特征、HOG-LSS特征和数据轨迹融合的行人检测优化框架,并通过对实验结果进行验证可知,检测效果优于HOG-LSS特征的行人检测方法。

城市多出行方式轨迹预测的模型集成方法

针对轨迹位置预测研究中出现的数据稀疏性和来源单一性问题,提出了一种基于长短期记忆网络的模型集成算法。该算法结合公交、滴滴、共享单车等多出行方式的轨迹数据,针对每种出行方式的特点,利用LSTM模型,计算最佳预测模型参数,进行加权平均集成,预测下一时刻区域交通的轨迹位置。以北京市朝阳区为研究区域,进行实验分析,实验结果表明:该文所提供的LSTM模型集成算法不仅解决了数据稀疏性和单一性问题,提高了模型预测的精度,还能更好地预测轨迹对象下一时刻的位置,反映城市中车辆的行驶趋势。研究结果可以对位置服务、城市交通管制以及规划提供一定的建议。