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。

基于多尺度特征与互监督的拥挤行人检测

针对拥挤场景中,行人漏检率高、准确率低的问题,提出一种基于多尺度特征与互监督的拥挤行人检测网络。为了有效提取复杂场景中的行人特征信息,用PANet金字塔网络与混合空洞卷积相结合的网络提取特征信息。然后,设计了一种行人头部-全身互监督检测网络分别进行头部和全身检测,利用头部预测框和全身预测框的互监督获得更加准确的行人检测结果。所提出的网络在数据集CrowdHuman上取得了13.5%的MR^(-2)性能,相较于YOLOv5网络提升了3.6%,同时AP提升了3.5%;在CityPersons数据集上取得了48.2%的MR^(-2)性能,相较于YOLOv5网络提升了2.3%,同时AP提升了2.8%。实验结果表明,提出的网络在人群拥挤的密集场景中具有良好的检测效果。

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。

Pedestrian attribute classification with multi-scale and multi-label convolutional neural networks

Pedestrian attribute classification from a pedestrian image captured in surveillance scenarios is challenging due to diverse clothing appearances,varied poses and different camera views. A multiscale and multi-label convolutional neural network( MSMLCNN) is proposed to predict multiple pedestrian attributes simultaneously. The pedestrian attribute classification problem is firstly transformed into a multi-label problem including multiple binary attributes needed to be classified. Then,the multi-label problem is solved by fully connecting all binary attributes to multi-scale features with logistic regression functions. Moreover,the multi-scale features are obtained by concatenating those featured maps produced from multiple pooling layers of the MSMLCNN at different scales. Extensive experiment results show that the proposed MSMLCNN outperforms state-of-the-art pedestrian attribute classification methods with a large margin.

促进时空可达的高校新校区步行路网优化——以重庆医科大学缙云校区为例

可达性是高校校园步行出行的基本要求.然而,我国高校新校区既有步行路网存在局部空间可达水平偏低、近距离绕行等问题.本研究以重庆医科大学缙云校区为例,采用空间句法理论下的线段模型和ArcGIS最优路径分析模型,量化其步行时空可达水平;结合步行空间实际使用水平,提出校园步行路网的改善方案并评估方案的步行可达性.研究发现:(1)分级的步行路网可提升全局和局部空间可达性,精细的道路设施设计可确保实际使用的可达性;(2)有序的游憩步道可增强空间感知的可达性;(3)以吸引点为导向的步行捷径可改善时间可达性.

基于步行网络修补的街道空间更新模式研究

新的时代背景下,“以车为本”的发展模式已不再适宜,城市步行网络的建设日益得到重视。而相较于宏观视角下的步行网络整体规划,对既有步行网络进行修补优化更加切实可行。研究对重庆市步行网络的发展趋势和街道使用主体的需求进行了分析,指出修补重庆旧城传统山地步行网络的价值,提出了通过街道公共空间更新来修补旧城步行网络这一方法。进一步从总体思路、目标、原则与策略四个方面构建了街道公共空间更新的具体模式。

面向交通场景的轻量级行人检测算法

针对交通场景下行人检测模型网络复杂、参数量大以及难以在低性能设备上部署的问题,基于YOLOv5s网络模型提出了一种改进的轻量级行人检测算法。首先,使用Ghost模块重构YOLOv5s网络进行特征提取,降低模型的参数量和计算量,提高推理速度。其次,引入坐标注意力机制提高模型对目标特征的提取能力,提升其对小目标行人的检测效果。最后,采用SIoU损失函数加快模型的收敛速度,提高模型的识别准确率。实验结果表明,改进后的算法能保证较高的检测精度,与原始YOLOv5s算法相比参数量减少47.1%,计算量减少48.7%,提高了交通场景下行人检测的速度且易于部署。

注意力机制和多元损失改进的行人重识别模型

行人重识别(Pedestrian Re-identification, Re-ID)侧重在跨域摄像机照片中判断特定行人,目前的行人重识别算法大多研究使得特征提取能力增强的方法,出现了各种不同的模型,但其都存在模型复杂度较高或识别能力弱等问题。针对这些问题,将BagTricks这一简洁的Re-ID基准模型与通道注意机制相结合,提高了模型对显著特征的提取能力,同时加入了环形损失Circle loss,改进了损失函数。实验结果表明,在主流图片行人重识别Market1501数据集上,所提模型达到了95.6%的rank-1准确率和88.5%的mAP精度,在DukeMTMC数据集和CUHK03数据集中,rank-1则分别达到了89.1%和76.7%。该方法提高了模型精度,且易于实现,取得了有竞争力的性能,优于大部分现有方法。

面向复杂光照的舞台演员检测

复杂舞台场景存在多个光源产生的偏色和光照不均匀问题,严重影响了演员检测的精度.针对上述问题,提出一种基于伪多模态融合的演员检测方法.首先随机选取一种光照处理方法构建增强图像,与原图像构成伪多模态图像对;然后在增强图像中以演员关键点建立候选集合,从集合中随机选取部分关键点所在的区域构建增强补丁集合,并将补丁替换到原始图像中进行训练;最后在传统特征金字塔网络的基础上借鉴Transformer编码器的构建形式,利用视觉注意力模块构建视觉注意力编码器,强化多尺度特征的交互逻辑.在自建4543幅包含舞台演员的图像数据集上与3个模型进行组合,舞台演员检测的均值平均精度分别提升0.4%~2.9%,表明所提方法能够较好地降低偏色和不均匀光照的影响.

基于计算机视觉的行人重识别技术综述

随着监控视频的急剧增加,如何更加高效智能地使用行人重识别技术对海量数据进行分析和使用是一个亟待解决的问题。文章梳理了行人重识别技术领域的专利现状,介绍当前行人重识别技术的主要分支,统计分析该技术在全球范围内的时域分布,结合关键技术点,对主要申请人、关键专利申请进行分析,最后对行人重识别技术未来可发展方向进行了探究。

基于MobileNet的轻量化密集行人检测算法

针对现有的行人检测算法在复杂场景下检测速度慢、检测精度不高的问题,提出一种轻量化密集行人检测算法MER-YOLO(Miniature Enhanced Recognition-You Only Look Once)。首先,MER-YOLO以MobileNetV3(轻量化网络模型)作为特征提取主干网络,提升模型对于小目标及模糊图像的学习能力;其次,通过融合深度可分离卷积和ECA(Efficient Channel Attention)注意力机制构建DPE-C3模块,解决密集行人检测过程中的遮挡丢失漏检的问题;最后,MER-YOLO使用空间和通道重建卷积处理标准卷积中固有的空间和信道冗余,减少模型计算需求。该算法应用于WiderPerson(混合行人数据集)上的检测精度达到了78.9%,相较于YOLOv5s算法提升了3.0百分点,同时模型计算量比YOLOv5s降低了13.3百分点。因此,MER-YOLO算法兼顾了检测准确度和检测速度的要求。

基于信息分形的行人轨迹预测方法

行人轨迹预测应用十分广泛,比如自动驾驶、机器人导航等。在轨迹预测中,一些不确定信息给轨迹预测任务带来了挑战,比如判别器中对轨迹信息判别的不确定,复杂的交互信息。在不确定信息处理科学领域,信息分形能有效处理不确定信息的不确定性和复杂性。受此启发,为了充分处理判别器中轨迹信息判别的不确定性,提升预测精度,该文提出了基于信息分形的轨迹预测方法。首先,场景信息和历史轨迹信息被特征提取模块提取。然后,通过注意力模块获取到场景-行人之间的交互信息与行人-行人之间的交互信息。最后基于生成对抗网络和信息分形生成合理的轨迹。在两个公共数据集ETH/UCY上实验表明,该方法能有效处理轨迹信息的不确定性,提高轨迹预测的精度。比如突然转弯、从后方超越前人、避让等行为的轨迹都能有效预测。在平均位移误差(ADE)和终点位移误差(FDE)上相比基准模型误差平均降低了11.11%和23.48%。

一种面向自动驾驶路况的目标检测算法

为了对常见的行人和车辆进行检测,采用自行标注的数据集,通过基于faster regionbased convolutional neural network(RCNN)框架的算法进行调参与优化.主干网络采用轻量化网络MobileNetv2,在原生锚框的基础上,区域建议网络(RPN)部分增加2个面积尺度,检测部分使用感兴趣区域(ROI)Align结构,减少特征图映射和均分过程中的误差.实验结果表明:使用faster RCNN目标检测网络,可以有效完成行人和车辆的检测任务,整体效果良好.

轻量型密集行人检测算法研究

针对当前密集行人检测任务中小尺寸目标多且密度大、检测精度低,参数量大且不便于部署的问题,基于YOLOv5算法提出一种改进的轻量级密集行人检测算法YOLO-GB。引入Ghost模块,形成轻量级主干网络,减少参数量和计算量,低成本提取图像特征。针对目标尺度变化大的问题,增加一个预测头来检测不同尺度目标,同时引入加权双向特征金字塔网络BiFPN增强特征融合,提升多尺度特征检测精度。最后使用Alpha-IoU替换CIoU作为边框回归损失函数,进一步优化检测精度。采用密集场景人体检测数据集CrowdHuman进行实验,结果表明,YOLO-GB的mAP50达到84.8%,相比YOLOv5s提高1.5%,参数量降低41.2%,模型大小降低39.6%,具有良好的检测精度与实时性。

基于深层特征注意力提取的行人检测算法

行人检测是计算机视觉的基本挑战之一,目的是快速并准确的定位行人。针对行人检测中大目标难以定位、小目标难以检测以及拥挤人群的问题,通过增大深层特征图的感受野和丰富深层特征信息,提出了一种基于深层特征注意力提取的行人检测算法。首先,在骨干网ResNet-50的基础上为其添加新的阶段,通过空洞卷积进行更深的特征提取,以捕获丰富的上下文特征。其次,通过使用注意力机制从通道维角度挖掘特征间的关联信息,对行人特征进行加强。所提出的行人检测算法虽然结构简单,但它在具有挑战性的行人检测基准CityPersons和Caltech数据集上,展现了具有竞争力的准确性和良好的速度。

基于人体运动识别约束的室内定位方法

针对传统的行人航迹推算(Pedestrian Dead Reckoning,PDR)方法无法满足多运动状态下的定位问题,提出了一种基于神经网络运动识别辅助室内定位的方法。构建出卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元(Gated Recurrent Unit,GRU)组合的神经网络模型,用于识别人体的运动状态并完成分类。根据运动分类的结果应用到行人航迹推算中,分析和筛选运动参数特征作为算法的阈值约束条件来提高定位精度。在算法中运动步数由合加速度计数据波形检测得到,步长由运动状态的特征自适应调整步长模型。通过实验验证,CNN-GRU模型在自建数据集上的准确率达到99.6%。将识别结果应用到PDR中,在112 m 4种动作的矩形路线中定位误差为1.8 m,误差远低于传统PDR定位的19.9 m。实验结果验证了该方法的可行性。

集装箱正面吊人机安全防撞行人智能检测算法研究

针对集装箱装卸作业环境行人小目标检测精度较低以及行人检测易受背景干扰问题,提出了一种融合行人掩模的多尺度人机安全防撞行人智能检测模型。该模型以VGG-16作为主干网络,通过构建行人注意力模块和特征融合模块,将像素级行人注意力掩模与主干网络特征进行特征融合,增强小尺度行人的特征识别,显著减少了背景干扰,并将行人智能检测信息作为参数,提出基于标定法的人机距离测量方法,设计集装箱正面吊自动刹车执行机构,研发集装箱正面吊人机安全防撞行人智能预警系统,实际应用验证了集装箱正面吊人机安全防撞行人智能检测算法的有效性和可靠性,满足铁路货场行人小目标实时准确检测要求,能有效防止集装箱正面吊与行人相撞,避免人身伤亡事故发生。

基于检测增强型YOLOv3-tiny的道路场景行人检测

为了给驾驶员提供实时准确的行人信息、减少交通事故的发生,提出一种检测增强型YOLOv3-tiny(detection of enhanced YOLOv3-tiny,DOEYT)行人检测算法.创建鲁棒的特征提取网络,首先使用非对称最大池化进行下采样,防止随着感受野增大行人横向特征的丢失;其次使用Hardswish作为卷积层的激活函数优化网络性能;最后使用GC(globe context)自注意力机制获得全文特征信息.在分类回归网络部分,采用三尺度检测策略,提升小尺度行人目标的检测精度;使用k-means++算法重新生成数据集锚框,提高网络收敛速度.构建行人检测数据集并分为训练集和测试集,对DOEYT算法的性能进行试验验证.结果表明,非对称最大池化、Hardswish函数、GC自注意力机制分别使平均准确率AP提高14.4%、7.9%、10.8%;DOEYT算法在测试集上检测的平均准确率高达91.2%,检测速度为103帧/s,可见该算法可快速准确地检测行人,降低交通事故发生的风险.

基于GAN的社会和场景感知行人轨迹预测

针对状态精细化长短期记忆网络(SR-LSTM)未考虑周围物理场景对行人轨迹预测的影响,且无法生成多种可能性样本的问题,提出一种基于生成对抗网络(Generative Adversarial Networks,GAN)的社会和场景感知行人轨迹预测模型。此模型引入社会注意力及语义池机制,社会注意力建模邻人当前重要意图,以从相邻行人中选择重要的信息,语义池定义物理场景语义并学习与行人轨迹相关性。由于GAN易发生模式崩溃和下降,采用Info-GAN进行训练生成更真实的样本。在ETH和UYC两个数据集上进行实验,结果表明该方法较于SR-LSTM,ADE降低8.9百分点,FDE降低12.8百分点,且可生成更多合理的样本。

广州地铁车辆段盖板人行交通衔接设计分析

文章主要分析了车辆段人行交通衔接现存问题,针对问题提出“公共交通+慢行网络”新模式解决思路。同时,将其具体落位到步行及骑行交通衔接设计中,以期解决车辆段盖板初期人行交通衔接预留的问题。