基于图像的端到端行人搜索算法综述

行人搜索是计算机视觉领域中重要的研究方向之一,旨在从未剪裁的图像库中检测和识别人物。为深入了解行人搜索算法,总结与分析大量相关文献。首先根据网络结构的不同,将行人搜索算法分为两类:一类是传统的两步法,一类是基于端到端的一步法,并重点分析和介绍一步法的关键技术——特征学习和度量学习。然后,介绍了行人搜索领域的数据集和评价指标,比较与分析主流算法性能。实验结果表明,两步法虽然实现了很好的性能,但大多数的方法计算成本较高,且耗时较长;而一步法可以在更高效的学习框架中共同解决行人检测和行人重识别2个子任务,效果更好。最后,总结行人搜索算法,并展望了未来的发展方向。

基于G2SFCA的公园绿地步行可达性分析

城市绿色空间是居民进行各种活动的重要场所之一,也是城市宜居的重要标准之一,为了提升城市居民的生活,对公园绿地与居民的供需情况进行梳理并不断调整是必要的。研究以深圳市为研究区域,基于15 min生活圈的概念,重点研究居民步行可达性情况。利用多源大数据与Goole影像等提取该地区小区居民数据、公园绿地及道路网络等相关数据,以小区居民与公园门数据作为供需点,借助于高斯两步移动搜索法(G2SFCA)求取深圳市区域小区居民步行15 min的公园绿地可达性。从公园绿地的供需情况、局部空间自相关及盲点分析方面对步行10 min和15 min的供需情况进行分析,并借助克里格插值分析整个区域的公园绿地可达性。结果表明:步行15 min下的公园可达性良好,86.23%的小区居民可以到达城市公园,只有小部分出现不可达;公园可达性分级中,一般可达性占绝大比例,可达性好的地区占比最少,仍有很大发展空间;深圳市区可达性盲点区域是分散的,占比不高且可以通过对周边绿地进行深度挖掘,不断提高公园面积进行改善,同时对道路网络的不断升级。

基于自适应渐消记忆的蓝牙序列匹配定位算法

针对传统指纹定位算法建库耗时长和定位精度低的问题,该文提出一种基于自适应渐消记忆的蓝牙序列匹配定位算法。首先,利用行人航迹推算(PDR)和最近邻算法(NNA)对运动序列进行位置标定和接收信号强度(RSS)映射;然后,根据邻近位置的相关性,采用序列递归搜索算法构建指纹序列数据库;最后,通过自适应渐消记忆算法,并结合初始序列匹配度实现位置估计。实验结果表明,该算法在室内环境下能够获得较低的建库时间开销以及较高的定位精度。

基于机器学习的级联行人检测方法研究

针对传统的HOG+SVM行人检测模型易受行人所处位置、影像大小和背景干扰等因素影响的问题,提出了一种基于选择性搜索和机器学习的级联行人检测算法。综合运用密集搜索、分割搜索和随机采样搜索方法,改进选择性搜索产生的候选窗口,可以减少大量非行人窗口的数量。将HOG特征和Alex Net模型相结合,可有效提高行人检测的效率,降低误检率和漏检率。

一种用于足绑式行人惯性导航的区间搜索零速检测器

针对在足绑式惯性行人导航系统中,传统阈值法零速检测器自适应差的问题,设计了一种区间搜索零速检测器,基于足部运动中的惯性数据特征自适应地搜索到最优的零速区间。以足部运动的一个步态周期作为零速区间搜索的基本单元,然后在基本单元中对加速度信息进行处理,将原始数据通过非线性函数映射到搜索空间中对数据差异化放大,最后利用在搜索空间数据收敛性确定最优零速区间。实验表明,在正常行走情况下,区间搜索零速检测器不需要参数调节,检测结果与具有最优阈值的SHOE方法匹配度约97.54%,定位精度在3 m/18 min以内。与改进的自适应零速检测器Adaptive-SHOE相比,性能相当,零速检测结果匹配度约98.51%。但是在多种运动混合情况下,Adaptive-SHOE失效,区间搜索零速检测正常工作。区间搜索法的结果与具有最优阈值的SHOE方法匹配度约89.12%,但是精度优于SHOE。区间搜索零速检测器具有较好的工程应用价值。

强化深度特征融合的行人搜索系统

针对行人图像的深度特征缺乏对局部细节的描述,及不完全具备对尺度、旋转、平移及光照变化等各种因素的不变性而导致行人搜索准确率低的问题,本文提出一种具有强化深度特征融合的行人搜索系统。该系统将行人候选网络和行人识别网络两部分整合优化成统一框架。其中,行人候选网络实现行人框的获取及标定,而行人识别网络在获取深度学习特征的基础上融入具有几何不变性的传统特征,建立一个强化深度特征融合网络模型。实验结果表明,本文采用强化深度特征融合的网络模型,在SSM数据集上检测并框出图片中的行人,其Top-1识别正确率高达80.7%,比单纯采用深度特征模型更具优越性。

高效和鲁棒行人检测与跟踪算法研究

针对行人目标过小出现漏检和很难对具有多模态行人进行稳定跟踪等问题,提出一种高效和鲁棒的行人检测与跟踪方法。对于行人检测,设计了具有自适应调整滑动搜索窗口尺寸的梯度方向直方图(HOG)行人检测器搜索前景区域。在跟踪过程中,对每个行人建立基于前景区域的混合加权直方图模型,使用卡尔曼滤波对行人进行跟踪,获得候选区域并计算行人混合模型与候选搜索区域的匹配程度,同时根据匹配程度,给出一种混合模型在线更新策略,以确保跟踪的鲁棒性。实验结果表明,该方法提高了行人检测与跟踪的效率和准确率,解决了2人交叉导致跟踪失败的问题。

考虑精英混沌搜索策略的室内行人疏散模型

为解决传统场域模型在模拟密集人群疏散时容易陷入排队等待的问题,基于精英混沌搜索策略建立了一种改进的室内行人疏散模型。结合场域值、通行能力和平均速度计算每时刻行人的移动收益,构建了行人流疏散的场域模型。在此基础上,给出了系统最小疏散时间和出口最小排队长度的目标优化函数,并利用精英混沌搜索策略来实现上述目标函数求解,以此增强局部搜索能力。最后,利用搭建的仿真平台比较了传统场域模型与改进模型之间的性能状况,结果发现,在相同环境和人员数量下,改进模型能够有效模拟行人在可见视线范围内的选路行为。

一单索系曲线斜拉桥的结构分析

针对单索系曲线斜拉桥的结构形式,详细阐述了成都市十陵市政公园8号景观步行桥桥面的方案比选和整体结构布置。通过Midas/Civil结构分析软件建立了该桥的有线元模型,分析了该桥的静力特性并利用子空间迭代法对该桥进行模态分析,得到了该桥的自振频率和和对应的振型,模态分析显示该桥的动力特性满足人行桥的要求。通过此桥,深入的分析了非线性结构计算中位移的计算和控制中使用的一些方法并总结了单索系对桥面刚度和倾覆作用的影响。

基于候选区域和并行卷积神经网络的行人检测

针对行人在部分自然场景图像中所占比例较小(以下简称小目标),提取的特征容易丢失,检测准确率低的问题,提出基于候选区域和并行卷积神经网络(Parallel Convolutional Neural Network,PCNN)的行人检测方法。对于候选区域提取部分,改进了选择性搜索,使其更符合行人这一类别的候选区域提取;利用Edge Boxes对选择性搜索提取的大量预候选区域进行过滤,最终得到数量少、质量高的候选区域。在利用卷积神经网络(Convolutional Neural Network,CNN)进行特征提取时,针对深层卷积神经网络能够提取到更丰富更抽象的高层特征,但同时对于小目标容易造成特征丢失的问题,加入浅层网络组成并行卷积神经网络(Parallel Convolutional Neural Network,PCNN)提取深、浅层特征输出。最后将所提方法应用于行人检测,实验结果表明,所提方法对于小目标的检测准确率有较好的提升。

基于联合多特征直方图的Mean Shift行人跟踪方法研究

针对单一颜色特征和目标间遮挡导致跟踪性能差的缺陷,提出一种联合多特征直方图和Mean Shift算法相结合的行人跟踪方法。将目标颜色和边缘特征使用直方图模型进行描述,利用运动信息修正颜色、边缘直方图核函数,以降低算法受目标形变、背景干扰和局部遮挡的影响。融合多特征直方图信息构建目标和候选目标模型,将其嵌入到Mean Shift跟踪框架中,实现行人跟踪。针对目标遮挡丢失问题,提出四步搜索策略法,通过目标周围环境、运动等信息捕获丢失目标。实验结果表明,该方法具有较高的准确性,能实时有效地跟踪行人目标,检测到的速度、加速度等交通信息与实际采集的相匹配。

基于模糊规则和BFS算法的行人疏散模型研究

为建立更加真实的行人疏散模型,基于模糊规则和广度优先搜索(BFS)算法,利用元胞自动机,提出1种优化的行人疏散模型。引入动态模糊速度规则,建立移动速度与周边环境的模糊对应关系,从而模拟行人在不同环境下的运动速度;通过设定危险度规则,使用基于双端队列的BFS算法快速计算每个格子距离安全出口的“静态危险度”,并与出口处人群密度的“动态危险度”耦合,使元胞自发地向“总危险度”更低的方向移动;结合动态速度规则建立1种基于排队理论的出口疏散机制。结果表明:所建模型能够再现行人流自组织现象,真实地反应行人不同的移动方式以及疏散的具体过程;模型考虑了出口排队疏散机制对疏散时间的影响,使疏散效率得到提高,为行人疏散模型的建立以及公共场所的设施布局等应急疏散预案提供有效参考。

结合行人检测和重识别的人员搜索框架在搜寻走失儿童中的应用分析

我国每年失踪儿童约有20万人,如何利用人工智能技术寻找走失儿童是社会讨论的热点问题。首先,文章将行人检测和行人重识别相结合,建立了端到端的行人搜索框架,并使用OIM监督学习。然后,在Person Search数据集上进行训练后,分别用儿童和成年人的图片作为输入进行测试。最后,根据评价指标证明文章的搜索框架有70%以上的成功率,且儿童比成年人更加难以搜寻。

基于空间级解耦和上下文增强的行人搜索方法

行人搜索是一个同时处理行人检测与行人重识别的联合任务.然而,行人检测与行人重识别之间存在任务冲突:行人检测旨在区分人与背景区域,关注行人的共性;行人重识别旨在辨别不同人,关注行人的特性.针对此任务冲突,与以往堆叠多个卷积层的深度级解耦方式不同,基于空间分离的思想,提出了一种简单高效的空间级解耦策略.该策略为两个任务设计不同的可形变卷积,自适应地在不同位置上分别提取行人检测特征与行人重识别特征,实现了行人共性与特性的分离.进一步,为了利用丰富的上下文信息帮助更好地辨别不同的行人,提出了一种上下文增强特征提取模块.该模块使用全局感知的多头注意力网络生成信息互补的多级特征,然后利用所设计的基于自注意力机制的多级特征融合模块,融合得到上下文增强特征.在该上下文增强特征的基础上,应用上述空间级解耦策略对其不同空间位置进行采样,解耦行人检测和行人重识别两个任务.实验结果表明,所提方法在CUHK-SYSU测试集上mAP和top-1准确率分别达到了94.2%和94.6%,在PRW测试集上mAP和top-1准确率分别达到了52.6%和87.6%,能够有效地提升行人搜索任务性能.

基于部件精细化分割的行人检索方法

由于摄像机的拍摄角度和清晰度等存在差异,行人图像存在场景变化、走路姿态改变等区别,导致行人检索存在精度低的问题,由此提出一种对部件进行精细分割的行人检索方法。通过精细化分割部件,提升部件内部的一致性,提高检索的精度。在-1501和DukemMTMC-reID两个数据集上进行实验,结果表明,该方法优于传统的部件分割方法。

结合网格密度聚类的行人检测候选域生成

目的行人检测是计算机视觉领域中的重点研究问题。经典的可变形部件模型(DPM)算法在行人检测领域素有高检测精度的优点,但由于在构建特征金字塔前处理过多召回率低的候选区域,导致计算速度偏慢,严重影响系统的实时性。针对该问题,本文对模型中选取候选检测区域的流程进行了改进,提出一种结合网格密度聚类算法和选择性搜索算法的行人检测候选对象生成方法来改进DPM模型。方法首先使用三帧差法和高斯混合模型收集固定数量的运动物体坐标点,然后结合基于网格密度的聚类算法构建网格坐标模型,生成目标频繁运动区域,同时进行动态掩层处理。随后引入改进的选择性搜索算法,结合支持向量机(SVM)训练得到的行人轮廓宽高比,提取该区域中高置信度的行人候选检测窗口,从而排除大量冗余的区域假设,完成对候选行人检测区域的精筛选,最后融合至DPM算法进行行人检测。结果所提方法在PETS 2009 Bench-mark数据集上进行检测,实验结果表明,该方法对复杂背景下的检测有较强的稳定性,与传统DPM模型相比,精度提高了1. 71%、平均对数漏检率降低2. 2%、检测速度提高为3. 7倍左右。结论本文提出一种基于网格密度聚类的行人检测候选域生成算法,能够有效表达行人信息,与其他行人检测算法相比,有更好的精度和更快的速度,在检测率、检测时间方面均有提高,能够实现有效、快速的行人检测,具有实际意义。

行人-公交紧急疏散集成优化模型

针对大型公共场所突发事件提出了运用公共交通进行紧急疏散的集成优化模型。模型将紧急疏散问题抽象为行人交通流和公共交通网络的双层优化网络,第1层引导撤离人员从事发地点(建筑物等)到达指定的乘车点(公交站等),第2层优化公交车从场站出发,途经各乘车点,最后运输撤离人员到达安全地点。利用基于禁忌搜索的两阶段启发式算法对模型进行求解和验证。验证结果表明:在一个有328人需要疏散的网络中,共使用8辆公交车完成疏散。目标函数中每一项权重的变化对模型输出结果基本没有影响,模型具有很强的鲁棒性。对比CPLEX优化软件,启发式算法能够在1h内求解出近似最优解,并且近似最优解与最优解的误差小于15%。模型充分考虑了撤离人员分配与公交路径优化之间的交互影响,实现了在紧急疏散时行人交通流与公共交通网络的组织最优。

基于候选区域定位与HOG-CLBP特征组合的行人检测

基于方向梯度直方图(HOG)特征和局部二值模式(LBP)算子的行人检测算法采用滑动窗口搜索策略存在扫描区域过大和计算复杂的问题,存在的这些问题会导致检测速度慢。鉴于此,提出一种行人检测算法。首先,采用选择性搜索算法对目标区域进行定位,并将候选区域的高宽比限制在一定范围内以筛选无效窗口。然后,为了弥补LBP算子在纹理表达上的缺陷,引入完备的局部二值模式(CLBP)算子来提高纹理特征的表达能力。接着,考虑到HOG特征和CLBP算子特征维数过高对分类器的识别能力产生影响,采用主成分分析的方法分别对HOG特征和CLBP算子进行降维,降维后再进行串联融合。最后,引入困难样本的挖掘过程训练支持向量机分离器,这可以使模型训练得更充分,进而降低误检率。在INRIA数据集上仿真结果表明,所提算法在识别率和识别速度上都有一定的提高。