道路信号交叉口行人过街速度与延误估计仿真

为了探究信号交叉口行人群体过街速度和延误影响因素,采用无人机和地面机位从高空和地面获取交通视频,并利用Tracker物理影像分析软件对视频数据进行分析。从城市信号交叉口的微观角度出发,建立了传统社会力模型和改进社会力模型,通过仿真场景模拟了行人过街情况。利用哈尔滨市两个交叉路口的实际参数对仿真模型进行了标定。实验结果显示,当人行横道宽度从4 m增加至7 m过程中,传统社会力模型下的行人过街平均延误时间分别为4.22 s、3.47 s、2.57 s和2.28 s;改进社会力模型下的行人过街平均延误时间分别为3.56 s、2.91 s、2.78 s和2.26 s。经过对比验证发现,适当提升人行横道宽度使行人实际过街速度更接近期望速度,从而降低行人过街的延误时间。结果表明,通过增加人行横道宽度可以有效改善信号交叉口行人过街的效率。

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。

行人腿型冲击器肌肉材料参数反求

aPLI先进行人腿型冲击器在碰撞测试中的生物仿真度,在很大程度上取决于其几何结构及其模拟腿部肌肉的合成橡胶的超弹性力学特性。根据橡胶准静态单轴压缩试验数据,分别对用于表述橡胶超弹性的Ogden和Mooney-Rivlin本构模型进行材料参数拟合,得到相应的材料参数并将拟合曲线与试验曲线进行比较,对比不同本构模型的拟合精度。结果表明,2阶Ogden材料模型更符合试验结果。为提高有限元模型中肌肉橡胶材料参数的准确性,重构压缩试验有限元模型,以拟合得到的2阶Ogden本构模型材料参数为初始值,通过将有限元与优化策略相结合,基于自适应响应面法对2阶Ogden模型中μ1、α1、μ2、α2这4个材料参数进行优化,获得该材料在准静态压缩状态下的一组最佳材料参数。

行人过街模拟及车辆右转避障路径规划方法

为解决无信号十字路口右转车辆与同侧过街行人的交互冲突问题,提出一种模拟过街行为的行人过街运动模型,设计了车辆横纵向解耦避障路径规划算法,并进行了仿真实验。使车辆面向动、静态行人时能合理切换避障路径规划策略;同时,将过街运动模型驱动下的行人作为车辆避障对象,以过街模型输出的行人未来轨迹生成车辆纵向速度规划障碍位移—时间区域,从而让行人未来运动状态反馈到车辆避障中。结果表明:本文的行人过街运动模型相对观测值的准确率达到了90%,因此,该模型复现了行人过街过程;能根据行人运动状态切换避障方案,使车辆安全避让过街行人。

基于深度学习的有锚框行人检测方法综述

计算机视觉包含图像分类、目标检测、目标跟踪等技术。行人检测作为目标检测的重要子任务之一,广泛应用于自动驾驶、智能机器人、监控检测等场景。随着深度学习的快速发展,通用目标检测器在目标检测任务上有着优秀的表现,许多研究者也在此基础上进行一系列改进,从而提升行人检测的速度和精度。按照是否预设物体边界框,基于深度学习的行人检测算法可以分为有锚框(Anchor-Based)和无锚框(Anchor-Free)。本文介绍了传统的行人检测方法,重点阐述了基于有锚框的行人检测算法在面对小尺度行人和遮挡行人等检测问题上的研究进展。

基于行人恐慌情绪解析的改进社会力模型

为深入研究行人恐慌情绪对突发事件下群体疏散效率的影响特性,首先,考虑滞留时间、局部密度、行人与出口的距离、周围人员密度以及行人恐慌情绪传播等因素,解析并构建由自恐慌和恐慌传播2部分组成的行人恐慌情绪量化模型,并将其引入社会力模型中进行改进优化;然后,采用与经典现象对比的方法验证模型的有效性;最后,运用Anylogic软件进行仿真分析。结果表明:改进后的模型能够较好地反映行人在恐慌情形下的疏散运动特性;适度的恐慌情绪,如当恐慌度小于0.3时,可以加快人群的疏散速度;较高的恐慌情绪,如当恐慌值大于0.3时,则会加剧瓶颈现象,出现所谓的“快即是慢”现象,从而降低疏散效率。

融合卷积注意力和Transformer架构的行人重识别方法

行人重识别技术是智能安防系统中的重要方法之一,为构建一个适用各种复杂场景的行人重识别模型,基于现有的卷积神经网络和Transformer模型,提出一种融合卷积注意力和Transformer(FCAT)架构的方法,以增强Transformer对局部细节信息的关注。所提方法主要将卷积空间注意力和通道注意力嵌入Transformer架构中,分别加强对图像中重要区域的关注和对重要通道特征的关注,以进一步提高Transformer架构对局部细节特征的提取能力。在3个公开行人重识别数据集上的对比消融实验证明,所提方法在非遮挡数据集上取得了与现有方法相当的结果,在遮挡数据集上的性能得到显著提升。所提方法更加轻量化,在不增加额外计算量和模型参数的情况下,推理速度得到了提升。

行人过街事件网联HUD预警系统对驾驶行为的影响

为探索行人过街事件网联环境下平视显示预警系统在不同天气条件下对驾驶行为的影响,以论证预警系统的有效性。文中首先设计基线条件(Baseline)、低头显示(HDD)、平视显示(HUD)3种预警系统,依托驾驶模拟平台开发晴天和雾天天气条件下城市道路网联场景,通过实验测试提取驾驶行为参数;然后,从微观层面刻画行人过街事件网联HUD预警系统作用下驾驶行为的整个空间变化过程,分析预警系统和天气状况两种因素对驾驶行为的作用规律,构建包含避险阶段和恢复阶段的驾驶行为影响模式,提出了反映避险阶段安全水平、恢复阶段恢复水平以及全过程稳定水平等3个层面的综合指标体系,包括首次制动距离、最小冲突距离、恢复稳定时间、速度恢复量、最大减速度和最大加速度;最后,量化不同预警系统(Baseline/HDD/HUD)、天气状况(晴天/雾天)以及两因素间交互作用对驾驶行为的影响。结果表明:行人过街网联HUD预警系统对驾驶人在避险阶段和恢复阶段中的驾驶行为存在显著性作用,显著提高避险阶段驾驶行为的安全水平,同时对恢复阶段恢复效率具有明显的提升作用,也显著影响全过程运行特性的稳定水平;在雾天条件下行人过街网联HUD预警系统表现出更为明显的优势。

深度学习与图像融合的行人检测算法研究

为解决智能辅助驾驶技术中可见光摄像机受光照和气候影响而导致行人目标识别困难的问题。通过研究图像融合技术,结合深度卷积神经网络,实现并改进了一种道路行人目标检测算法。方法是利用多源传感器图像融合技术,采用可见光相机与红外热成像相机融合的策略,以Faster RCNN算法为基础,从改进网络结构、特征融合、优化模型训练等方面展开研究,对复杂环境下的行人检测与定位跟踪展开研究,提出一种基于图像融合技术和改进的深度卷积神经网络的道路行人目标检测算法。实验结果表明,该算法对复杂气候环境下行人目标检测提高了检测效率和准确率,增加了智能辅助驾驶汽车的安全性。

一种Wi-Fi RTT/数据驱动惯性导航行人室内定位方法

为了研究基于智能手机的行人室内定位方法,并提高其精度,本文提出了一种基于Wi-Fi往返时间(RTT)、惯性测量单元(IMU)的定位系统。该方法主要包括3部分:(1)使用扩展卡尔曼滤波融合测距信息的Wi-Fi RTT室内定位方法;(2)适用于多手机使用模式的航位推算方法,该方法基于长短时记忆模型(LSTM)建立神经网络模型,预测行人运动速度及航向;(3)基于误差状态卡尔曼滤波的Wi-Fi RTT/数据驱动惯性导航融合定位方法,进一步提高定位精度。试验结果表明,与单一的基于Wi-Fi RTT方法和数据驱动惯性导航方法相比,本文方法的平均定位精度提升了10%~20%。

联合归一化模块和多分支特征的行人重识别

针对行人重识别技术中存在特征挖掘不充分的问题,提出一种联合归一化模块和多分支特征的行人重识别模型。在主干网络中嵌入注意力机制引导的实例归一化模块,减轻背景等杂波信息的影响。在双级特征融合模块对局部特征进行加权后再聚合形成对行人特征的更细节表达。联合平滑交叉熵损失、三元组损失以及跨分支特征蒸馏损失对网络进行优化。所提模型在Market-1501和DukeMTMC-ReID数据集上首位准确率分别达到了95.7%和89.2%。实验结果表明,该模型增强了对图像特征的提取。

基于人物属性提取的行人重识别改进算法

行人重识别(ReID)是指利用计算机视觉技术判断图像或者视频队列里是否存在特定行人的技术。目前,行人重识别在理论层面已经有了很好的实验结果,但在工程应用中还有很多的问题。针对在实际应用场景中行人图片内容的复杂性(摄像设备之间的差异、行人外观易受穿着、遮挡、姿态和视角等影响等)、行人识别率不高等问题,将行人重识别算法与人物属性提取算法相结合,引入注意力机制,提高了在工程应用中行人的重识别率。

人行桥在行人荷载激励下的非平稳随机响应

采用虚拟激励法和微分求积法相结合的DQ-PEM法研究在行人荷载激励下人行桥的非平稳随机响应.与以往的虚拟激励法不同的是该方法以简单谱模型为基础,建立行人强迫函数的谱密度,求得多自由度体系人行荷载下的多模态.通过工程算例验证该方法的准确性与有效性,并进一步讨论不同速度和不同约束条件下梁式结构受行人荷载作用的随机振动问题.

基于AnyLogic仿真的恐慌情景行人疏散研究

为了反映恐慌情景下行人疏散的变化规律,基于Anylogic软件进行仿真分析。通过引入情绪因子和信息因子,量化恐慌传播系数和信息传播系数,建立群体恐慌动力学模型,运用蒙特卡洛等方法进行群体心理的量化分析,划分恐慌程度等级为Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级、Ⅴ级。运用该模型分析不同密度、不同恐慌等级下的恐慌人员疏散规律。研究结果表明:低密度情景下恐慌对疏散效率的影响较低,中、高密度情景下,适度恐慌可以降低疏散时间,超出临界范围会导致疏散的延缓。场景模拟可以看出,适度恐慌下人员疏散迅速有序,相反,过度恐慌下人员疏散缓慢混乱。

多因素引导的行人重识别数据增广方法研究

为解决行人重识别研究领域中行人标注图像获取困难的问题,提出一种多因素引导的行人数据增广方法。首先,在生成器网络中设计了一种局部多尺度引导机制,通过特征融合抑制生成图像的局部伪影;其次,提出了长距离相关性引导机制,通过外注意力引导生成图像的长距离依赖,提高生成行人图像的整体视感质量;最后,提出一种抗博弈判别网络,通过嵌入到生成对抗网络,从而构建一种三网络稳定博弈架构模型,增加生成对抗网络训练的稳定性。通过VIPeR、Market-1501、DukeMTMC-reID这3种不同规模数据集的仿真实验,结果表明该方法与目前主流方法相比,mAP与Rank-1精度上均有不同程度的提升,在小规模数据集上的提升较为显著。

行人重识别模型的多任务损失设计

行人重识别是一项利用计算机视觉技术判断图像中是否存在特定行人的任务。为研究Re-ID模型使用身份标签不能有效地学习不同行人之间的相似局部外观问题,提出了一种基于多任务损失的Re-ID方法。首先,通过主干网络提取全局特征以及局部特征,借助姿态估计算法检测行人身体部位,将身体部位的特征与局部特征组进行融合形成人体姿态引导特征;其次,通过多任务损失方法指导模型对人体姿态引导特征以及全局特征进行优化,从而增强模型对遮挡以及不具有区分性局部外观的鲁棒性。结果表明:多任务损失方法在Occluded-Duke、Market 1501和DukeMTMC-reID数据集上的mAP/Rank-1的精度分别达到了59.7%/67.9%,88.4%/94.9%和80.6%/89.9%。为避免训练集与测试集数据之间分布的差异性导致预训练模型产生次优检索结果的问题,提出了一种基于图卷积网络的重排序方法,该方法利用图卷积算子在图上将行人的最近邻特征传播,从而优化了每个图像的表示,以获得更优的检索结果。

公共场所行人异常行为识别方法综述

为明确公共场所行人异常行为识别理论与技术研究进展,首先,借助中国知网(CNKI)和Web版引文数据库(WOS),给出公共场所行人异常行为广义定义与泛在特征,将常见异常行为划分为危害行为、不合群行为和违规行为3类;其次,从数据和技术基础视域,将现有异常行为识别方法划分为人工设计法、人体骨架法、红绿蓝(RGB)图像法和可穿戴传感器法4类;然后,梳理国内外主流人群异常行为数据集,分析相关算法在数据集上的性能表现;最后,从可用数据集和数据融合检测等方面总结现有研究方法局限性,给出未来研究方向与优化建议。研究结果表明:4类异常行为识别方法各有其优缺点;异常行为识别领域缺乏行为种类丰富、定义清晰、高质量的人群异常行为数据集;未来研究应聚焦稳健性强、准确率高的异常行为识别方法、模型及算法;探索多维数据融合互补检测方法,提升异常行为识别理论成果的应用场景的自洽性和自适应性,提高公共场所人群安全治理水平。

基于足间距信息辅助的行人三维惯性定位算法

针对行人惯性导航系统误差随时间累积致使定位精度严重下降的问题,提出了一种基于足间距信息辅助的行人三维惯性定位算法。该算法在零速修正算法的基础上,利用足部安装的超声波测距模块实时测量行人双足相对距离,构建了基于超声测距的足间距约束模型,通过随机森林算法实现行人运动模式识别,并针对上下楼梯场景,利用台阶高度和足间距信息进行高度解算,最终实现行人三维惯性定位。在实际路线上开展了三维定位实验,数据显示,所提算法平面闭环误差为总路程的0.64%,与零速修正算法相比下降了55.56%,高度误差为0.06 m,与零速修正和气压计联合算法相比下降了64.70%,能够实现导航误差在总路程的0.50%以内的三维定位。实验结果表明,所提算法具有良好的工程应用价值。

基于姿态引导特征增强的遮挡行人重识别

为解决遮挡行人重识别在特征提取过程中的特征丢失、特征匹配过程中的噪声干扰问题,提出了一种姿态引导的特征增强模型。首先,在关键点信息的辅助下,设计一种对称区域特征修复模块,将被遮挡区域丢失的局部特征替换为未遮挡区域的局部特征;其次,为挖掘局部特征的内在语义联系,设计一种相邻区域特征补偿模块,通过相邻区域特征修正局部特征表示;最后,通过引入广义均值池化对特征图的中心区域再次进行特征提取,提升行人特征向量的表达能力,以获得更加准确的全局特征。仿真实验表明,该模型在常见的全身数据集、半身数据集和遮挡数据集的Rank-1和mAP均优于绝大部分算法,其中在遮挡数据集Occluded-Duke、Occluded-REID上的Rank-1分别达到了56.7%和72.4%。

行人重识别技术在洗煤厂中的应用研究

针对洗煤厂在行人重识别过程中由于设备遮挡、分辨率低、光线变化等原因造成行人身份识别为None及误识别的问题,基于FastReID算法对行人重识别技术进行优化。首先,设计了一种保存陌生人特征图的方法,以增加行人重识别技术的实用性;其次,根据初始行人身份信息,校正误识别行人身份信息,减少行人识别为None及误识别的次数;最后,优化人员特征图像库,补充行人特征图像,从而提高行人重识别的准确率。经实验表明,通过自动保存陌生人图像的方法在行人重识别过程中识别准确率可以达到91.87%,通过校正行人身份信息以及优化人员特征图像库的方法可以将行人身份识别为None次数及误识别次数均减少80%以上。