面向辅助驾驶的夜间行人检测方法

辅助驾驶系统需要实时而准确的行人检测方法． 文中利用基于知识的方法复杂度小的优点,针对单目远红外视频数据,提出一种基于概率模板匹配的夜间行人检测方法． 该方法基于行人样本的灰度分布特征,采用局部双阈值分割算法提取候选目标,进而根据行人的运动方向建立多尺度概率模板,对候选目标进行判别． 该概率模板建立方式缓解了行人样本类内方差较大的问题,增强了概率模板归纳行人外观模式的能力． 为改善行人检测的准确度,进一步将目标跟踪算法融入概率模板匹配,借助多帧的综合处理结果实现了更为鲁棒的目标归属判断． 实验结果表明: 该方法计算开销较低,实时性较好; 在郊外场景中检测率不低于90%,虚警率不高于10%; 而在市区场景中检测率约为75%,虚警率约为22%．     

基于YOLOv3的改进行人检测算法研究

针对将YOLOv3通用目标检测算法应用于行人检测时的检测精度低、定位不准确的问题,提出了一种基于YOLOv3的适用于行人体态特征的目标检测算法.在预处理生成先验框部分,将MSCOCO通用数据集改进为MSCOCO中的person子集来生成仅针对行人体态特征的锚框,并将生成先验框的K-means算法改进为K-means++...     

基于可变形卷积的YOLOv5行人检测算法

行人检测在智能交通、人流统计等场景发挥着重大作用。针对当前密集场景下遮挡行人和小尺度行人容易漏检的问题,提出一种改进YOLOv5的目标检测算法。首先,在主干网络中采用C2f模块替换原有的C3模块,该模块可在轻量化的前提下获取更加丰富的梯度流信息,提高对小目标的检测能力;其次,在主干网络中引入可变形卷积模块,该模块能够增强卷积神经网络的感受野,改善对目标形变的建模能力,提高遮挡环境下行人特征的提取能力;最后,优化边界框回归损失函数,将Focal Loss与EIOU Loss融合,加速收敛,提高回归精度。实验结果表明,与现有的YOLOv5s相比,召回率提升2.9%,mAP0.5提升1.3%。     

行人检测中非极大值抑制算法的改进

行人检测是计算机视觉领域的难点和热点问题。行人检测可大致划分为3个部分:特征提取、分类和非极大值抑制(Non-maximum Suppression,NMS)。当前的研究工作主要集中在特征提取、特征学习和分类器等方向,而非极大值抑制方向鲜有改进。目前常用的非极大值抑制算法是贪心策略,抑制时只使用了单一的重合面积信息。针对该问题,在ACF(Aggregate Channel Features)检测算法的基础上,对非极大值抑制进行了3项改进,显著地提升了算法的精度,并且算法的时间消耗只有略微的增加。在INRIA数据集上,单独使用引入尺度比的动态面积阈值NMS时能降低平均对数漏检率(MR)0.99%;单独使用保留外围检测分数相近的检测窗口的策略时NMS能降低MR 1.25%;两者结合可降低MR 2.5%;结合后,再对已经被抑制的检测窗口重复抑制,MR降低了2.63%,达到14.22%。     

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帧/s,可以满足密集场景下拥挤行人的实时检测需求。     

基于改进的DSSIM跟踪算法的行人异常行为检测

提出了改进型微分结构相似度（Differential Structural Similarity,DSSIM）算法,用核均值亮度计算SSIM中的亮度均值,并在跟踪过程可能发生遮挡、跟错的情况下,利用GM（1,1）灰色预测模型预测行人可能出现的位置,提高算法的跟踪效果.在稳定跟踪的基础上,对跟踪窗口进行仿射变换,使跟踪窗口可以进行旋转,从而能够检测探身、摔倒.实验结果表明,算法能够在简单场景的跟踪过程中快速有效地检测出游荡、探身、摔倒的人体异常行为.     

一种城市道路场景下行人危险度评估方法

针对行人在交通场景对车辆驾驶造成的影响和辅助驾驶需要对行人进行避险的问题,提出一种基于车载单目摄像机的行人危险度评估方法.基于中国城市的特色环境,将行车环境划分为三类:普通道路、人行横道和有辅警道路,对每类场景采用不同的评估方法.采用卷积神经网络,检测视频中道路上的行人、辅警、信号灯和人行道等信息;检测行人关键点并使用多目标跟踪方法,生成骨架姿态时间序列,通过LSTM(长短时记忆神经网络)分析姿态序列获得行人行为和趋势;最后综合视频信息、行人信息和场景信息,构建行人危险评估模型,实现行人危险度评估.实验结果表明,提出的模型可以有效地评估行人危险度,辅助驾驶员安全行车,场景分类使危险模型评估结果更符合行人实际危险度.     

基于自编码器的行人异常检测方法

视频监控作为一种应用广泛的安全监控技术,自诞生以来就受到了人们的重视.为了实现对行人异常行为的检测.本文采用一种基于自编码器的检测模型,采用半监督学习方法,采用包含很少或没有异常事件的图像序列进行训练.具体来说,由卷积自动编码器组成的深层神经网络被用来以一种非监督的方式处理数据帧,捕获数据中的空间结构.然后将这些空间结...     

基于积分通道特征的异常行为检测算法

对视频中的行人异常行为检测问题进行了研究。针对传统行人异常行为检测算法在准确性和兼容性方面的不足,提出一种基于积分通道特征的异常行为检测算法;该算法利用背景分割和行人信息统计的方式,对不同背景下的视频模型进行了建模。结合对行人个体的轨迹分析,对运动个体的位置进行异常行为检测。算法首先对检测区域采取区域划分,然后采用改进的积分通道特征行人检测算法对目标进行检测,最后采取Mean-shift算法对目标进行跟踪。最后的实验数据表明该算法整体性能有所提高。     

基于改进Faster R-CNN的行人检测算法

针对行人检测中复杂环境,提出一种改进Faster R-CNN的行人检测算法,使用深度卷积网络从图片中提取适合检测目标的特征.基于Faster R-CNN算法,以Soft-NMS算法代替传统NMS算法,加强Faster R-CNN算法对重叠区域的识别能力.同时,算法通过\"Hot Anchors\"代替均匀采样的锚点避免大量...     

汽车一体化安全技术研究

汽车一体化安全技术在汽车主动安全技术与被动安全技术的基础上,增加了基于ITS(智能交通系统)技术的智能化驾驶辅助系统和预碰撞安全技术。该技术能够使主、被动安全高效发挥作用,目前已经成为汽车安全领域新的研究热点,也是今后汽车安全技术的发展趋势。     

绿色智能交通系统与安全

交通拥堵、交通安全、环境污染、能源消耗直接影响社会经济的发展,已成为当前社会热点话题,这就需要从综合协调交通需求的增长、改善交通环境的层次上解决日益严重的交通问题. 本文评述绿色智能交通系统与安全的新进展,介绍了该领域的新技术和理论成果. 最后,从安全、智能、绿色的角度阐述了交通运输工程的未来发展方向.     

基于超声波传感器阵列的车辆周围目标物识别

为了对车辆环境信息进行探测与识别,提高道路交通安全,该文研究了利用超声波传感器阵列识别车辆环境目标类型的方法：以分类器为核心,搭载目标物区分算法,实现对目标物的实时探测与区分。首先根据车辆周围环境信息提取了具有一定形状特征的典型目标物,分别为平板、圆柱和角形3种类型,以支持向量机（support vector machine,SVM）为分类器建立分类模型,根据目标物形状不同构造与优选分类特征指标集;依托分类结果建立目标物的类型区分算法,得到每一时刻各类目标物的概率值。仿真结果表明：分类模型的分类准确率达到91.5%;同时该方法对各种类型的目标物进行区分时,均达到较好的识别效果。在实际道路试验中,采集了汽车、行人和自行车3类目标物,采用该方法达到了良好的识别效果,具有可行性。     

基于改进YOLOv3的街道行人检测与跟踪方法

针对室外街道的行人检测与跟踪,提出一种改进YOLOv3与简单在线实时跟踪(simple online and real-time tracking,SORT)算法相结合的检测及跟踪方法.首先,引入距离和比例交并比(distance and proportional-IOU,DPIOU)损失,将原有的损失函数中的均方误差...     

基于改进ViBe的多行人检测方法

利用改进的Vi Be算法及模板匹配方法对多行人场景进行了目标检测.为了提高运动目标检测性能,提出将原Vi Be算法与帧间差分相结合的方法,该方法使二值图像中的鬼影比原Vi Be算法消除更为迅速.根据待处理像素点周围已完成的前背景分离结果,利用动态计算模型参数估计前背景,以提高前景目标提取的准确度.基于HOG算法识别运动目标中的行人目标.实验结果表明,该方法在没有降低运动物体检测实时性的同时,明显提高了算法检测的准确度.     

基于图像分割的云层测速方法

为了解决塔式太阳能电站镜场上空的云层遮挡问题,提出一种对镜场上空移动云层进行预测的测速方法。首先利用固定摄像机对云层图像进行采集,然后提取不同帧数的图像,并进行伽马变换、遗传算法图像分割、云层目标检测、运动云层匹配等处理,最后根据匹配得到的像素坐标计算云层的移动速度和方向。实验测试结果表明:与光流法的数据进行比较,显示图像分割方法计算量少,位置预测误差小。可见运用图像分割方法进行云测速是可行的,为塔式太阳能电站的云监测中云遮挡预判提供理论依据。     

基于车辆变形深度的汽车安全有效性的评价与预测方法

事故数据库中的速度信息需要用基于能量守恒的事故再现方法来计算得到, 而不同车辆的刚度差异很难估计, 这导致所计算出的速度存在误差。这个问题直接影响到大部分用于估算驾驶员辅助系统有效性的方法的合理性, 因为这些方法需要使用事故所涉及的车辆的速度信息。该文提出了基于车辆变形深度的汽车安全有效性的评价与预测方法。通过分析德国事故数据, 证明了车辆变形深度相比于速度变化量能够更真实地反映事故严重程度。基于变形深度计算了过去30年汽车安全有效性的提高程度, 与历史数据吻合较好, 验证了基于变形深度的安全有效性评价方法的合理性。该文阐述了基于变形深度的驾驶员辅助系统安全有效性预测方法的思路。该预测方法仅需要事故数据库中准确的变形深度信息, 能够获得更多的事故数据支持, 从而可以更好地评价驾驶员辅助系统。     

辅助驾驶系统对重型卡车驾驶员长途驾驶中疲劳程度的影响

乘用车领域的过往研究发现,相较于手动驾驶使用辅助驾驶系统的驾驶员会更容易出现疲劳,因此有必要探究辅助驾驶系统对重型卡车驾驶员长途驾驶疲劳程度的影响。基于超过120 h的自然驾驶实验,采用多项生心理指标（如心率、心率变异性等）对比了重型卡车驾驶员手动驾驶车辆时和在辅助驾驶系统帮助下驾驶车辆时的疲劳程度。辅助驾驶情况下驾驶员平均心率、呼吸频率、呼吸深度以及瞳孔直径均高于手动驾驶情况下,辅助驾驶情况下驾驶员连续二次心跳（RR）间隔均方根、低高频比例、眨眼频率、眨眼时长以及眼睑闭合百分比（PERCLOS）均低于手动驾驶情况下。当驾驶员处于手动驾驶情况时,驾驶时间每增加2 h,反应时间会增加0.032 s;当驾驶员处于辅助驾驶情况时,反应时间不随驾驶时间发生显著变化。重型卡车驾驶员在辅助驾驶系统帮助下驾驶车辆时的疲劳程度低于手动驾驶,本研究可以为辅助驾驶系统在重型卡车中的安全应用提供理论支持。