基于深度学习的道路行人违规面部区域检测方法

行人可能呈现出多种不同的姿态,包括行走、静止、站立或蹲下等,同时不同行人之间的衣着外貌也有差异。此外,行人目标还可能受到周围环境、光照条件、遮挡物等多种因素的影响,使得面部区域的检测变得更为复杂。为此,提出基于深度学习的道路行人违规面部区域检测方法。结合深度学习中的复合残差学习方法和深度卷积网络,对道路行人违规面部图像实行去噪处理。引入双层子空间的概念,提取道路行人违规面部图像特征。应用YCrCb色彩空间,确定道路行人违规面部区域。实验结果表明:研究方法能够准确检测出交通监控中违规行人的面部区域,且检测误差散度偏低。

行人违规的跟踪与行为预测

研究行人违规的跟踪与行为预测问题,为降低行人违规率和伤亡人数,通过中值滤波法,抑制噪声的干扰,并通过背景差法,分离背景区域与运动区域,将运动的行人区域检测出来。运用基于颜色匹配和模板匹配的目标跟踪算法,对FP⁃GA开发板安装相关编程和相应环境搭建,把软件实现的检测算法加到开发板中,可有效达到行人违规的跟踪与行为预测的目的。

行人群体闯红灯行为决策模型

人车混行的现象在国内城市中十分普遍,而且在行人红灯期到达的行人往往倾向于违规穿越横道.经过较长时间在西安市实地观测,发现行人红灯期到达的行人选择违规穿越横道的几率随着需要等待绿灯的时间和人群规模的差异而有所不同.当需要等待的时间较长时,行人违规的几率就会变大.同样,当群体中的人数增多时,行人违规的几率也会变大.因此,结合蒙特卡罗仿真方法,提出了一种行人群体闯红灯行为随机决策仿真模型.在不同的流量条件下,对行人违规次数的实测值和仿真模拟值进行具有统计意义的显著性差异分析,验证了模型的有效性.