基于时空图模型的车-路-图协同定位方法

将车路协同系统中车辆的位置估计问题转化为时空图模型构建与优化问题,提出一种时空图优化协同定位(STGO-CL)方法。其中,感知区域中不同时刻的车辆位置构成图模型中的节点;车端与路端通过融合高精地图计算出来的车辆绝对位置与相对位置构成图模型的边,并加入时延补偿约束。在求解过程中采用Levenberg-Marquardt (LM)法求解目标函数实现对感知区域中的车辆位置最优状态估计,实现车-路-图协同定位。利用CARLA建立直道和弯道仿真实验场景以验证算法,结果表明:时空图优化协同定位方法平均定位误差为0.29 m,定位性能较GPS或路侧单元(Road side unit, RSU)单独定位分别提高了97.1%和55.4%,较不融合高精地图的时空图优化协同定位方法提高了42.0%。在时延补偿上,可将200 ms时延下的定位性能提高67.0%。本文利用时空图模型实现车-路-图协同定位可有效提升车路协同系统的环境感知性能。

基于ST-AGCN算法的物流暴力分拣识别模型

目前快递物流行业普遍存在分拣人员暴力分拣现象,为减少此类行为可采用基于图像的行为识别方法,但这种方法在实际场景中存在算法鲁棒性差、人体关节点数据难获取等问题。针对上述问题,制作了1个物流暴力分拣行为视频数据集,研究了暴力分拣行为识别模型。通过树莓派采集室内外2种情景下的分拣视频数据,利用Python socket模块实现视频图像实时传输,采用切片筛选规则除去非标准数据,应用OpenPose模型获取关节点数据。针对一般人体行为识别网络模型无法较好反映暴力分拣关节点对动作重要影响程度的问题,研究了以ST-GCN为主干网络的优化图神经网络模型ST-AGCN。利用空间注意力机制学习不同关节点对于各种动作的影响,以更新各关节点的权重;通过增加自适应图结构层以端到端学习方式将人体骨骼图的拓扑结构与网络参数共同优化,突出关联度高的关节点对动作识别的影响。以室内外环境下暴力分拣视频为对象开展和多种深度学习模型的对比实验和消融实验,实验结果表明:ST-AGCN模型识别现实场景中暴力分拣行为的准确率相比ST-GCN、STA-LSTM、不含空间注意力机制的ST-AGCN和不含自适应图结构层的ST-AGCN模型分别提高了5.6%,13.82%,2.36%,1.61%,且适用于室内外环境杂乱、局部遮挡等复杂的物流分拣场景,验证了ST-AGCN的优越性以及空间注意力机制和自适应图结构层的有效性。

基于时空图注意力模型的动态软测量建模方法

近年来深度学习由于其特征提取和非线性拟合等方面的优势,在软测量建模中得到了广泛的研究.而深度学习模型是一种黑箱模型,其预测结果难以解释,而且很难将关于过程的先验知识引入模型,这些缺点阻碍了它在实际工业过程中的应用.另外,工业过程数据是具有高度非线性和动态性的时间序列,其本质上反映的是过程随机变量随时间不断变化的趋势,其包含了重要的流程信息,因此在软测量建模过程中引入过程的动态信息是十分必要的.本文提出了一种时空图注意力模型(temporal-spatial graph attention networks,TSGAT),并将其应用在复杂动态工业过程的软测量建模.该方法通过给定变量间结构图来为模型引入先验知识,利用图注意力网络构建变量间的显式的非线性关系,并利用图注意力网络信息聚合的能力对每个时间步的数据完成图上的特征提取,再使用长短期记忆人工神经网络提取时序特征,进而完成对质量变量的预测.为了验证所提方法的有效性和优越性,将该方法应用在实际工业案例合成氨过程中的高低温转换器单元一氧化碳含量的软测量建模,实验结果表明,该模型不仅能够引入先验知识,而且具有较高的预测精度.

基于时空多残差图卷积的3D骨骼点动作识别

近年来,随着人机交互和智能监控需求的增加,基于骨骼点的人体动作识别方法获得越来越广泛的研究和应用.传统方法多从已知骨骼序列中提取信息,依赖手工选取的特征,并利用骨骼点之间动态变化对动作建模.现有的时空图卷积网络模型仅利用时域的局部特征信息对动作识别分类,忽略了全局特征信息的作用,造成对于相似动作的判定不准确的问题.针对此问题,本文提出一种基于时空图卷积的多残差图卷积模型,利用图卷积网络获取的局部特征信息与残差卷积模块获取的全局特征信息相融合,从而提高了模型的表达能力.同时通过自适应池化的方法,减少了网络超参数的使用,增加了网络模型的泛化能力.通过在NTURGB-D、Kinetics等大型数据集上的大量实验表明,所提模型可以获得比现有时空图模型更好的识别效果.

基于高铁网建设的全国城市群可达性空间模拟与特征演变分析——一个改进的时空图分析模型

从全局尺度探索城市群交通可达性,能有效描绘城市群间的协同关系及城市群内部的一体化趋势,为推进城市群一体化发展提供理论支撑。基于改进的时空图分析模型,测度11个国家级城市群的可达性水平,从城市群群内空间集聚性和群间交通协同特征方面分析高铁网建设下城市群可达性演变特征。结果表明:高铁建设产生的“时空压缩”将促进中国城市群点位“两横两纵”分布结构向“组团式”结构扩散。高铁建设将促进城市群内部的一体化和城市群间的协同化,增加区域平衡性。时空图分析模型能够有效解读时空图的空间信息,拓展了可达性空间分析方法的应用,并为促进城市群区域平衡发展提供了参考。

基于人体骨架模型的远红外视频下老人摔倒检测

利用远红外光谱视频进行老人摔倒检测研究,提出一种基于人体骨架模型的远红外视频下老人摔倒检测算法;采用YOLOv4-Tiny算法获取远红外视频中人体目标位置,再利用COCO数据集训练的区域多人姿态估计网络模型,直接对自采集的远红外视频进行人体骨架提取,得到人体关节点序列,然后对人体骨架建立时空图卷积模型进行特征提取进而检测摔倒行为,并在自采集的远红外与可见光数据集中进行算法测试。结果表明,该算法对远红外数据集的摔倒检测准确率为87.71%,验证了算法对远红外视频下摔倒行为检测的有效性。

一种融合ST-GCN算法的高速公路节假日流量预测模型

为高效准确地预测节假日期间高速公路重要路段的交通流量,提出一种融合时空图卷积网络(Spatio-Temporal Graph Convolutional Network,ST-GCN)的高速公路节假日流量预测模型。该模型采用平均速度、交通流量等重要的交通指标作为交通状态评价体系要素,对节假日期间高速公路的交通态势进行综合预测;融合ST-GCN算法模型,综合考虑时空特性,得到准确度较高的预测结果。以宁夏回族自治区高速公路的节假日交通信息为研究对象,对该模型的有效性进行验证,结果表明,该模型相比其他常用预测模型准确度更高,具有更好的稳定性和鲁棒性,预测结果可供高速公路的管理和运营参考。

基于新分区策略的ST-GCN人体动作识别

人体动作识别是智能监控、人机交互、机器人等领域的一项重要技术,基于人体骨架序列的动作识别方法在面对复杂背景以及人体尺度、视角和运动速度等变化时具有先天优势。时空图卷积神经网络模型(ST-GCN)在人体行为识别中具有卓越的识别性能,针对ST-GCN网络模型中的分区策略只关注局部动作的问题,设计了一种新的分区策略,通过关联根节点与更远节点,加强身体各部分信息联系和局部运动之间的联系,将根节点的相邻区域划分为根节点本身、向心群、远向心群、离心群和远离心群等5个区域,同时为各区域赋予不同的权重,提升了模型对整体动作的感知能力。最后,分别在公开数据集和真实场景下进行实验测试,结果表明,在大规模数据集Kinetics-skeleton上获得了31.1%的Top-1分类准确率,相比原模型提升了0.4%;在NTU-RGB+D的两个子数据集上分别获得了83.7%和91.6%的Top-1性能指标,相比原模型提升了2.3%和3.3%;在真实场景下,所提模型对动作变化明显且区别大的动作如俯卧撑和慢跑识别率高,对局部运动和动作变化相近的动作如鼓掌和摇头识别率偏低,尚有进一步提高的空间。

基于姿态估计的人体异常行为识别算法

为了及时、准确地检测视频监控下人体异常行为的发生,提出一种基于姿态估计的人体异常行为识别算法.该算法首先利用基于深度学习的人体姿态估计算法提取人体的骨骼关键点坐标,组成包含空间信息和时间序列信息的时空图模型,模型中每个节点对应于人体的一个关节,同时包含2种类型的边,一种是符合人体关节自然连通性的空间边,另一种是跨越连续时间的时序边;然后,对时空图进行多阶段的时空图卷积操作,提取高级特征;最后,用Softmax分类器进行行为分类,得到行为结果并判断是否为异常行为.在KTH单人数据集和HMDB51多人交互数据集上进行对比实验,与当前先进的方法相比,在准确率方面取得了较好的结果.对实时视频进行测试,实时检测识别帧率达到25帧/s,可实现实时处理监控视频.

基于改进卷积网络的高速公路节假日拥堵预测系统

针对节假日期间高速公路交通流的特点,构建一种基于改进卷积网络—时空图卷积网络(Spatio-Temporal Graph Convolutional Network,ST-GCN)模型的高速公路节假日拥堵预测系统。该系统基于多种数据算法模型实现节假日拥堵预测,并提供API(Application Program Interface)服务模式进行算法模型调用,使高速公路运营更加智能,管理更加高效。以宁夏回族自治区高速公路为例,将基于ST-GCN模型所得预测结果与采用其他常用模型所得结果相对比,验证该系统的有效性,为高速公路管理和运营相关方提供参考。