基于改进云模型的地铁站行人拥挤辨识方法

为降低城市地铁站内行人拥挤识别时多指标和多等级带来的不确定性和模糊性,采用改进云模型构建行人拥挤状态辨识模型。基于AHP-熵权法标定指标权重和行人拥挤状态等级,以标定的指标权重和各指标等级阈值作为输入,计算云数字特征值,采用正向正态云发生器,建立模板云和待识别云模型,计算两者之间的隶属度,根据最大隶属度原则辨识车站内各服务设施的行人拥挤状态,最后输出各服务设施的拥挤等级辨识结果。以宁波市鼓楼站为实证对象,对辨识结果进行实证分析。结果表明:采用四级行人拥挤状态划分方法合理可行。

面向拥挤行人检测的改进YOLOv7算法

针对拥挤行人检测场景下检测算法容易产生漏检与误检的问题,提出一种改进的YOLOv7拥挤行人检测算法。在骨干网络中引入BiFormer视觉变换器和改进的高效层聚合网络(RC-ELAN)模块,通过自注意力机制与注意力模块使骨干网络更多聚焦于被遮挡行人的重要特征,有效缓解了目标特征缺失对检测造成的负面影响。采用基于双向特征金字塔网络思想的改进颈部网络,通过转置卷积和改进的Rep-ELAN-W模块使模型可以高效利用中低维特征图中的小目标特征信息,有效提升了模型的小目标行人检测性能。引入高效的完全交并比损失函数,使模型可以进一步收敛至更高精度。在含有大量小目标遮挡行人的WiderPerson数据集上的实验结果表明,与YOLOv7、YOLOv5、YOLOX算法相比,改进的YOLOv7算法的交并比阈值分别取0.5和0.5~0.95时的平均精准度提升了2.5和2.8、9.9和7.1、12.3和10.7个百分点,可较好地应用于拥挤行人检测场景。

改进AdaMixer的拥挤行人检测模型

为应对拥挤场景中行人检测的挑战,提出一种改进型AdaMixer的行人检测模型。提出一种头交互位置感知多头自注意力机制(HIPA-MHSA),以加强对相互遮挡目标的辨别能力。采用深度卷积前馈网络(DCFFN),进一步提升模型的特征提取效能。通过在公开数据集上进行验证,表明了所提出模型的有效性。填补了现有查询型目标检测器在语义和空间自适应方面的不足,提高了拥挤场景下行人检测的精度,表现优于其它对比模型。

基于改进YOLOv5的拥挤行人检测算法

针对密集场景下行人检测的目标重叠和尺寸偏小等问题,提出了基于改进YOLOv5的拥挤行人检测算法。在主干网络中嵌入坐标注意力机制,提高模型对目标的精准定位能力;在原算法三尺度检测的基础上增加浅层检测尺度,增强小尺寸目标的检测效果;将部分普通卷积替换为深度可分离卷积,在不影响模型精度的前提下减少模型的计算量和参数量;优化边界框回归损失函数,提升模型精度和加快收敛速度。实验结果表明,与原始的YOLOv5算法相比,改进后YOLOv5算法的平均精度均值提升了7.4个百分点,检测速度达到了56.1 f/s(帧/秒),可以满足密集场景下拥挤行人的实时检测需求。

面向拥挤行人检测的改进DETR算法

拥挤行人检测是行人检测领域的研究热点。针对拥挤行人检测场景中被遮挡目标及小目标行人易产生漏检的问题,提出一种改进DETR目标检测算法。针对拥挤行人场景中遮挡目标特征缺失的问题,采用注意力模型DETR作为基准模型,使模型可以在缺失部分特征的前提下完成目标检测;针对DETR模型对小目标行人检测效果差的问题,引入可变形注意力编码器,使模型可以有效利用含有大量小目标信息的多尺度特征图提升对小目标行人的检测精度;针对ResNet-50骨干网络对重要特征提取及提纯效率较低的问题,采用融合了通道空间注意力模块的改进EfficientNet骨干网络作为特征提取网络,提升模型对重要特征的提取能力以及提纯效率;针对采用注意力检测模块的模型训练效率较低的问题,训练时将Smooth-L1与GIOU结合作为损失函数,使模型可以进一步收敛至更高精度。在Wider-Person拥挤行人检测数据集上的实验结果表明,所提算法领先YOLO-x算法0.039的AP50精度,领先YOLO-v5算法0.015的AP50精度。该算法可以较好地运用于拥挤行人检测任务。

拥挤行人异常行为智能检测仿真

道路人群拥挤行人异常行为智能检测方法的研究影响行人异常行为模式的变化,在图像、视频和生活领域具有较好的发展前景。针对当前方法存在识别率不均衡的问题,提出了一种基于投影近似子空间估计的异常行为检测方法。对异常行为样本的置信度进行取值,计算人群拥挤行人异常行为的距离函数,利用异常行为抽样来衡量行人异常行为样本的多样性,并对样本间的余弦角距离进行计算,分析异常行为样本的多样性和不确定性,在对道路人群拥挤行人异常行为抽样的基础上,利用抽样得到的数据对行人异常行为进行数据最小化重构,参考和估计行人异常行为投影近似子空间,通过计算得到第一个异常行为投影近似基,继续进行下一个异常行为投影近似基的求解,对行为向量的异常程度进行判断。仿真结果表明,提出方法具有较好的识别率,提高了行人异常行为检测的可行性,为后续实现道路人群拥挤行人异常行为的检测奠定了良好基础。

基于改进FCOS的拥挤行人检测算法

针对大规模拥挤场景视频中行人目标小、行人遮挡和行人交叠而导致的检测困难等问题,本文将逐像素预测目标检测框架—全卷积单阶段目标检测FCOS(fully convolutional one-stage object detection)应用于行人检测,提出一种改进的主干网络用于提取行人特征,通过增加尺度回归实现目标行人的多尺度检测,同时减少其他特征层检测的目标数量,进而提升行人检测的能力。在拥挤行人场景数据集CrowdHuman和小目标行人数据集Caltech上的大量实验结果表明,和目前先进的方法相比,本文的方法对行人的检测精度有所提升,特别是对于小目标行人检测。与原始FCOS算法相比,在CrowdHuman上平均精度提升接近15%,丢失率降低接近33.0%;在Caltech上的平均精度提升2%。在复杂拥挤场景下的实际应用也证明本文方法的有效性。

面向拥挤行人检测的CA-YOLOv5

针对YOLOv5在拥挤行人检测任务中漏检率高、特征融合不充分等问题,提出了CA-YOLOv5行人检测算法。针对原主干网络对细粒度特征融合不充分的问题,采用Res2Block重建YOLOv5的主干网络,以提升网络的细粒度特征融合能力,提高检测精度。针对数据集目标尺度变化大的问题,引入coordinate attention(CA)模块增强感受野,增强模型对目标的精确定位能力。针对FPN结构在特征融合时导致多尺度特征表达能力下降的问题,提出特征增强模块,以增强多尺度特征的表达能力。通过结构重参数化的方法减少模型的计算量与参数量,加快目标检测速度。针对行人检测任务中普遍存在的拥挤行人问题,提出EViT模块,增强模型关注局部信息的能力,提高检测精度。实验证明,在拥挤行人检测任务中,CA-YOLOv5的检测精度达到84.86%,相较于原算法提高了3.75%,检测速度可以达到51 FPS,具有较好的检测精度与实时性。因此,CA-YOLOv5可以更好地应用于实时行人检测任务中。

拥挤行人异常行为智能检测仿真

当前社会已经进步到一个人口密集,人口高度复杂的环境,突发事件和异常事件逐年递增导致社会的不稳定性持续增加,关于拥挤行人异常行为智能检测的需求市场越来越急迫,如何能够从视频监控图像中捕捉行人信息和对异常行为行人的检测仿真是我们亟待解决的难题,文章从几个方面介绍对拥挤行人异常行为智能检测仿真的方法。

步行交通规划交叉路口行人瞬时动态拥塞疏散模型

针对瞬时动态拥塞中交叉路口行人拥挤中存在较强相互力学作用,常规疏散方法缺少符合相互接触摩擦的力学多变瞬时动态特征的约束参数,几乎都以人群无接触为假设条件,导致疏散过程效率、稳定性和分布均衡度较差的问题,构建了基于元胞自动机的行人瞬时动态拥塞疏散模型,对其进行解决。在模型构建中对瞬时动态拥塞的力学约束参数进行获取,在力学参数约束下,将疏散时间较长路径的流量转移至最短路径上,利用元胞自动机求解疏散瞬时动态用户最优状态。仿真测试实验表明,该模型在多疏散口及单一疏散口进行分析时,交叉路口的行人拥挤疏散效率、行人服从疏散率和疏散分布均衡度均有提高,具有一定的优势。