考虑视觉障碍行人的疏散模型

为研究视觉障碍行人对人群疏散的影响,首先根据ISOBE等人的可控试验结果,描述视觉障碍行人疏散行为,并考虑正常行人对视觉障碍行人的帮助行为,采用移动概率和修正Moore邻域规定的小团体运动规则,建立考虑视觉障碍行人的场域元胞自动机疏散模型;然后通过模拟视觉障碍行人活动场所人群疏散的运动状态和演化过程,探究帮助行为、视觉障碍行人占比、出口位置对整体疏散结果的影响。结果表明:正常行人对视觉障碍行人的帮助行为能有效减少疏散时间,帮助行为对于混合人群疏散效率的提升作用随着人群密度的增加愈发显著;混合人群中视觉障碍行人占比增大会导致疏散效率降低,且这种不利影响随着人群密度的增加会加剧;相比于出口在墙角或出口距墙角有一定距离,出口位置在墙壁中心对于混合人群疏散更有利。

行人穿越机动车流的平均临界间隙分析方法

通过研究行人穿越机动车流的平均临界间隙,对所观测的行人穿越间隙数据进行归纳分析,得出可接受穿越间隙的正态分布函数N(4.86,1.72),并通过三种不同的方法逐一计算出平均临界间隙,可为今后的行人延误时间、通行能力以及与车辆之间的冲突分析研究提供解决方案。

基于改进HOG特征值的行人检测

针对目前梯度方向直方图HOG作为描述符应用于行人检测时,会自动忽略梯度方向相反方向的差异,导致HOG的表达能力较弱等不足,本文提出基于改进HOG特征值的行人检测机制。在分析HOG描述符基础上,串联直方图,设计改进的HOG描述符;并提出一种新的归一化技术,嵌入改进的HOG描述符中,增强其表达能力。在多个数据库上的实验结果表明:与传统HOG特征方法相比,本文方法具有更高的准确率和更低的漏检率。

基于深层特征融合的行人重识别方法

针对现有基于深度学习的行人重识别方法对于行人姿态变化、部分遮挡等引起的行人判别特征信息缺失的问题,提出了一种深层特征融合的行人重识别方法。首先,利用卷积层和池化层多次提取网络深层特征,从空间维度提升网络性能,使用融合后的深层特征作为行人图像的全局特征属性;其次,为提高模型的泛化能力,在深层融合特征后加入一个批量归一化层,同时采用标签平滑损失函数和三元组损失函数对模型进行联合训练。实验结果表明,所提的深层特征融合方法具有很好的表达能力。在Market1501、DukeMTMC-reID、CUHK03和MSMT174个数据集上对所提方法进行了验证,其中在Market1501数据集上,Rank-1值达到了95.0%,mAP达到了85.6%。

面向行人重识别的多域批归一化问题研究

近年来基于深度神经网络的行人重识别算法取得了长足的进步,被广泛应用于网络中的批归一化(batch normalization)模块发挥着重要作用。批归一化模块在多数情况下可有效提高网络收敛速度和训练稳定性,然而当多个独立标注的数据库混合在一块进行跨域或者多域训练时,数据之间的分布差异使得目前的批归一化算法工作逻辑存疑。由于不同批次下训练数据的分布差异较大,归一化过程中的统计参数不稳定导致批归一化效果恶化。该文聚焦于多数据集合并下的行人重识别模型训练问题,通过对多数据集分布差异导致的多域模型批归一化存在的问题进行分析。然后针对模型批量归一化算法面对的多域差异,提出了一种解决策略,在多个数据集并行训练下提高了模型的泛化能力。实验结果表明:所提出的多域归一化方法在多域训练下能有效提高模型最终的泛化能力,获得更高的识别准确度,并且可应用于其他行人重识别网络以进一步提升模型性能。

基于随机行走模型的人致人行桥振动响应分析

为研究人致荷载中的随机性对人行桥结构振动响应的影响,首先,提出了四种考虑时—空多尺度的随机行走模型,对随机步行荷载激励下的动力学方程进行了解耦;其次,分析了每种模型的峰值加速度响应、桥上驻留人数以及人群占位区间上的变化规律;最后,对比研究了不同模型之间的区别。研究结果表明:有序排列模型(ordered arrangement model,OAM)的响应值域范围较广,易出现大幅振动,人行桥峰值加速度出现时刻,人群荷载主要作用在跨中位置;随机分布模型(stochastic distribution mode,SDM)、随机到达模型(stochastic arrival model,SAM)以及动态平衡模型(dynamic equilibrium model,DEM)的峰值加速度响应均服从正态分布规律,且结构最大响应时人群主要分布在下桥端附近;SDM的驻留人数主要与初始时刻人数相同,DEM的驻留人数取决于稳态下的行人数,SAM则相对均匀;考虑行人行走随机性的4种模型可用于人致人行桥振动响应分析和舒适度评估。

自动驾驶中基于卷积神经网络的行人检测研究

针对行人检测中检测精度低和速度慢的问题,文章提出了一种改进的U-NET网络架构。为了提高系统的检测精度,采用了多尺度融合技术来构建多层卷积神经网络(CNN)。为了提高检测速度,改善了网络结构的特征通道数量,减少了大量的计算时间,以满足自动驾驶领域数据处理的实时性。在训练阶段,使用批归一化(BN)算法对每一层的输入数据进行归一化,以加快模型的收敛速度。实验结果表明,改进的网络模型可以在保证一定的检测精度的前提下,提高系统的检测速度,并满足实时性要求。

一种针对复杂场景的行人再识别优化方法

针对室外场景中,因摄像头角度不统一、室外光照多变等因素导致行人难识别的问题,提出一种针对复杂场景的行人再识别优化方法。通过在ResNet的浅层嵌入实例-批归一化层和空间变换网络,引入Mish激活函数,构建改进的ResNet-50特征提取骨干网络,建立面向复杂场景的行人再识别模型。经在MSMT17数据集上验证,rank-1和mAP分别达到79.8%、58.5%,说明了该算法的有效性。

损坏图像下基于风格归一化与全局注意力的行人重识别

针对当前网络难以应对各种损坏类型的行人图像与易丢失跨维信息的问题,提出了一种损坏图像下基于风格归一化与全局注意力的行人重识别(pedestrain re-identification,ReID)方法。该方法通过平滑极大单元的风格归一化与恢复(smooth maximum unit-style normalization and restitution,SM-SNR)模块中的实例规范化(instance normalization,IN)过滤掉域中的风格变化,同时平滑极大单元(smooth maximum unit,SMU)能使该模块更充分地从删除的信息中提取行人相关特征并将其恢复至网络中,缓解损坏图像带来的风格差异。此外,全局注意力机制(global attention mechanism,GAM)通过关注通道与空间之间的相互作用,以捕获3个维度上的显著行人特征,减少跨维信息的丢失,最终使本模型在面对行人损坏图像时的识别能力得到有效提高,且保留了在干净数据集上的竞争力。实验结果表明,本算法在损坏测试集上的各项指标与目前主流算法对比具有显著的优越性。其中,本模型与2021年的CIL模型使用CUHK03数据集比较的结果为:在Corrupted Eval上,R-1、mAP和mINP分别提高了15.18%、15.75%与11.65%;在Clean Eval上,R-1与mINP仅降低了0.24%、0.75%,mAP提升了0.25%。

利用归一化前景和二维联合熵的人群聚集检测方法

基于摄像机透视效应提出了一种场景归一化前景面积的计算方法;然后结合联合概率密度的概念设计出前景二值图的二维联合概率密度计算公式,并据此进一步计算出二维联合熵;最后,根据归一化前景面积和二维联合熵提出了一种人群聚集检测模型。实验表明,该模型可以实现对监控场景下人群聚集现象的快速有效检测。