基于被动红外传感器的室内人行为机器学习模型

室内人行为的准确识别,包括人员位置和活动类型的判定,是智能家居领域中各类电器设备实现多场景控制模式的重要输入参数.采用被动红外(PIR)传感器阵列监测人行为,分析人员不同位置及不同强度动作的数据特征.基于机器学习算法建立室内人员位置及动作识别模型,并对比不同累加时长和机器学习算法的模型预测准确度.最终以PIR传感器当前...     

基于注意力机制与空间金字塔池化的行人属性识别

针对目前的行人属性识别方法存在鲁棒性差、特征表达能力不足和行人的细粒度特征识别精度不高的缺点,提出一种基于注意力机制与空间金字塔池化的行人属性识别方法,通过注意力机制强化不同维度的特征,提升行人整体特征表达;通过空间金字塔池化操作,实现任意大小图像的输入,更好地保留图像的特征信息。结果表明,与现有的其他方法相比,所提出的行人属性识别方法可以精确地识别行人多种属性,具有较高的行人细粒度特征识别精度。     

基于人体骨架序列的手扶电梯乘客异常行为识别

手扶电梯(简称扶梯)乘客异常行为识别研究具有重要意义.针对传统行为识别算法易受环境影响、不能实时并准确对多目标进行识别的问题,提出一种基于人体骨架序列的扶梯乘客异常行为识别算法.该算法首先通过结合可变形组件模型特征的支持向量机检测乘客人脸,并用改进的核相关滤波器对其进行跟踪,从而得到乘客在扶梯中的运动轨迹;接着利用卷积神经网络提取轨迹中乘客的人体骨架序列,并通过模板匹配从乘客人体骨架序列中检测异常行为骨架序列;最后利用动态时间规整将其与各类异常行为骨架序列匹配,基于k近邻方法识别异常行为.对10段扶梯视频的实验结果表明,文中所提的异常行为识别算法处理速度达到10帧/秒,识别准确率为93.2%,能够实时、准确地识别多种乘客异常行为.     

基于属性擦除与多分支网络的行人重识别

行人重识别易受到物体不同程度遮挡的影响.针对物体遮挡以及网络特征提取能力不强的问题,提出一种基于属性擦除与多分支网络的行人重识别的方法.该方法利用行人的包属性标签随机擦除进行数据增广.网络结构由ResNet-50基础网络与全局、局部卷积两个分支结构组成.全局卷积分支提供全局特征,局部卷积分支提供丰富的细粒度信息,通过两个分支的特征级联提升网络的特征提取能力.在Market-1501、DuckMTMC-reID数据集上,证明论文方法具有较好的效果.     

基于加速度传感器的WLALCS身份认证及实现

针对当前移动设备身份认证方法或易破解、或难实现、或成本高的问题,提出一种新的基于手机加速度传感器的人体感知身份认证方法.该方法利用当前手机普遍内置的加速度传感器采集人体运动数据(通常为动态手势),结合经典匹配算法LCS,提出限制匹配窗口的近似判等最长公共子序列算法,对采样点序列限制区间匹配,针对浮点数据对采样点距离近似判等,进行数据匹配实现身份认证,并基于云计算模型实现了手机身份认证平台.较之已有的基于手势身份认证方法,有效降低了针对模仿动作攻击的接受错误率,非攻击认证相等错误率为2%,而模仿动作攻击的相等错误率降低至5%.该系统具有易于在各类移动设备系统部署,不需要额外的设备等优势,且基于生物特征原理,特别加强了抵抗模仿动作攻击的健壮性,不易被破解.     

基于元胞自动机的火灾场景行人流疏散仿真研究

基于元胞自动机的场强模型在二维平面行人流疏散问题的研究中已得到了广泛应用.已有模型主要描述行人基于出口位置并跟随其余行人进行疏散的行为特征,未充分考虑火灾蔓延和局部拥堵对行为选择的影响,难以准确模拟这些情景下的疏散过程.实际情况下,火灾环境将显著影响行人的移动方向,周边行人流的拥堵程度则影响行人的移动需求.提出基于火灾场景的移动方向,考虑火灾导致的恐慌对移动方向的影响;基于行人流场景的期望速度,考虑行人流中局部拥堵对移动需求的影响,对已有场强模型进行修正.参数分析表明:考虑基于场景的移动方向和期望速度规则后,疏散时间和平均死亡人数均呈现变化;不考虑移动方向和期望速度的行为特征将低估疏散总时间,并高估火灾导致的平均死亡人数.     

视觉和毫米波雷达信息融合行人识别算法

提出了一种在主动防碰撞系统中采用视觉和毫米波雷达数据融合来识别行人的算法.在基于单目视觉获取的图像中提取HOG特征,采用支持向量机的分类方法检测行人,获取行人信息,通过快速容差中频匹配算法快速地检测目标,并获取目标信息,将基于视觉的行人信息传递给毫米波雷达;根据视觉检测的行人信息与毫米波雷达检测的目标信息进行比对,将匹配通过的目标识别为行人;将基于视觉的行人特征信息与毫米波雷达检测的行人特征信息进行融合,得到行人目标的新特征信息.通过采集道路环境的视频和雷达数据对行人正确识别率进行验证.验证结果表明,采用所提出的算法进行行人识别,在获取更加精确的行人特征信息的前提下,正确识别率较高.     

基于手机传感器的用户行为识别

基于手机传感器实现用户行为识别在健康监控、时间管理和个人喜好分析、资讯筛选和推送等方面的重要作用,研究一种基于手机三轴加速度传感器、方向传感器获取用户数据,采用SVM多分类方法中的决策树分类方法,在决策树各节点训练SVM分类器,用于识别静止、步行、奔跑、上楼梯和下楼梯等5种日常行为,进而实现对用户行为的识别。通过对不同实验者的交叉对比实验,识别准确率平均为91.65%,证明了这一方法的有效性。     

基于手机传感器的用户行为识别

基于手机传感器实现用户行为识别在健康监控、时间管理和个人喜好分析、资讯筛选和推送等方面的重要作用,研究一种基于手机三轴加速度传感器、方向传感器获取用户数据,采用SVM多分类方法中的决策树分类方法,在决策树各节点训练SVM分类器,用于识别静止、步行、奔跑、上楼梯和下楼梯等5种日常行为,进而实现对用户行为的识别。通过对不同实验者的交叉对比实验,识别准确率平均为91.65%,证明了这一方法的有效性。     

基于本征维数和置信度的行为序列分割

人机交互研究领域中行为分析与识别是当前研究的一个热点,行为序列分割是行为分析与识别的基础.鉴于强度摄像机视频在进行行为分割时对光线、视角变化过于敏感,提出了一种由深度视频提取的骨架信息,基于本征维数与置信度二次判断的无监督行为序列分割算法.首先,通过Kinect跟踪人体20个骨骼关节点数据,获得视频中人的姿态,通过提取关节点极坐标位置信息来描述行为特征;然后通过奇异值分解(sigular value decomposition,SVD)估计行为序列的本征维数,确定数据对应的低维流形,通过检测特征数据在该流形上投影误差的突变来找到分割帧,并对分割出来的行为序列进行类别标记.每找到一个分割帧就对当前标记类包含样本和当前标记类的前一类包含样本进行基于置信度的二次判断,找到前一类最优分割帧并初始化继续分割.最后采用随机森林模型对分割结果进行识别验证.实验结果表明采用本文算法可以明确分割出代表不同模式的行为片段.     

行人重识别研究综述

行人重识别是指实现不重叠的不同摄像头下同一行人图像的匹配技术,在加强社会管理、预防犯罪行为发生以及实现事件重构等方面具有重要应用价值.由于行人重识别主要依靠人体外表视觉表示特征和人工设计特征,且受光照、图像分辨率、行人姿态及拍摄视角度等因素的影响较大,因此,行人重识别面临巨大挑战.本文对现有行人表示特征学习技术及度量技术进行了综述分析,指出存在的问题及可能的解决思路.本文的论述有利于该领域研究人员对现状的把握及提出新的研究思路.     

基于光流重构和深度姿态特征的行人跌倒检测方法

随着我国老龄化人群数量的增长，老年人实时行为轨迹的跟踪检测成为当前智慧社区研究的热点。本文针对现有行人跌倒检测算法在面临电动车流和行人影子的干扰而导致识别准确率不高的问题，提出了一种基于优化yolov5的路边行人跌倒检测方法。首先基于视频抽帧的方式将原始数据输入到yolov5网络进行监控行人视频数据的预处理，实现行人背景重构；然后提取光流和anchor框作为其运动特征；最后对此特征进行判定，进行信息融合的跌倒检测网络进行跌倒特征识别，并在不同帧序列和不同背景下进行对比试验。本文所提出的方法在行人跌倒数据集Multiple cameras fall和Le2i上进行了实验，结果表明本文的算法在基于电动车流和行人影子干扰场景下较传统方法在准确率和召回率上分别提升了9%和10%。     

一种端到端的个体出行轨迹重识别的深度学习方法

对于行人的再识别研究大多采用图像处理和计算机视觉领域的相关方法,在社会治安领域和商业领域内受到了越来越多的关注.从信息检索的角度出发,提出了一种端到端的深度学习框架,对匿名化的基于位置的服务(LBS)数据进行用户再识别.首先,该框架采用嵌入网络对输入的位置序列及其对应的时间序列进行编码;然后采用递归循环网络对用户每天的历史轨迹进行编码;随后连接注意力机制网络,对需要比较的两条轨迹进行重要权重计算;最后得出其相似度.实验结果表明:相较于计算轨迹之间向量距离的传统方法,此模型考虑了用户的时空位置信息,可以更加准确地计算轨迹序列之间的相似度,在某城市匿名化的LBS数据集上,对不同数量的用户重识别准确率较高.     

一种改进的行人导航算法研究

目前大多行人导航系统的研究都以手持手机、绑在腰间等单一姿态为前提,并未考虑行人使用手机过程中同时存在接电话、放在上衣口袋等多种姿态的情况.分析了行人使用手机的4种常见姿态,基于行人航迹推算(pedestrian dead reckoning,PDR)算法设计了一种改进的行人导航算法.利用神经网络(back propagation,BP)模型对手机姿态进行智能识别,设计了一种新的步态检测算法来对多姿态下的步态进行有效检测,并将行人行走过程分为单一姿态与姿态切换过程,对2个过程的航向进行了修正.软件测试结果表明,多姿态下实现系统定位精度在20‰以内,达标率在85％以上,应用于导航系统能够提供准确、可靠、持续的位置信息.     

基于惯性传感器与WiFi的室内行人轨迹推算

为了实现室内无GPS情况下行人的运动轨迹推算,设计了一种基于智能手机惯性元件和WiFi的室内行人轨迹推算算法.该算法基于粒子滤波,利用手机加速度计和陀螺仪进行步态检测和每步旋转角度推算,并使用了一种基于WiFi强度变化趋势的WiFi地标策略.实验结果显示,使用该算法优化后的行人轨迹收敛,接近真实的运动轨迹.在仅使用惯性传感器和WiFi的情况下,可以有效地控制陀螺仪误差积累,完成固定手机姿态的行人轨迹推算.     

基于人行为地图的室内PIR定位方法

针对老人家庭看护中的室内定位问题,提出了一种基于人行为地图的室内热红外释电传感器(pyroelectric infrared sensor, PIR)定位方法.首先采集PIR传感器检测身体运动信号来确定人在室内的初步位置信息;利用惯性测量单元(inertial measurement unit, IMU)检测3D加速度信号识别人在室内的基本日常行为——躺、坐、站、走;利用IMU的3D加速度信号估计人的室内移动速度和方向;通过行为习惯观察,建立相应的躺、坐、站、走的行为地图;通过粒子滤波方法融合上述传感器信息,实现定位.实验结果表明,提出的方法在定位时,既保护人的隐私,也提高基于PIR传感器定位的精度及稳定性.     

车辆辅助驾驶中基于概率模板的红外行人检测*

提出了一种基于概率模板的红外行人检测方法。首先采用自适应双阈值对红外视频图像进行分割,并提取感兴趣区域;然后利用行人区域的一些特征对感兴趣区域进行滤波,保留最符合行人特征的区域;考虑到行人重叠对于检测效率的影响,提出了一种基于直方图投影的多行人区域再分割算法;最后采用概率模板匹配算法对行人进行识别,针对行人可能的三个方位分别设计了三个对应的概率模板。实验表明该方法具有较高的行人识别率,对于环境变化有很好的自适应能力,并且具有较强的鲁棒性和实时性。     

基于卷积神经网络和迁移学习的结构损伤识别

针对传统基于机器学习损伤识别方法手工提取特征适应性差、识别能力弱等问题,提出一种基于卷积神经网络和迁移学习的新颖、快速结构损伤识别方法.首先根据损伤特征向量特点,提出原始信号的分帧处理流程;其次考虑多传感器数据融合要求,建立多通道一维卷积神经网络结构损伤识别模型,给出模型的整体流程和网络参数;然后采集不同通道和不同噪声水平下,模拟不同位置程度损伤的15层框架数值模型加速度数据,进行损伤识别;最后将网络模型进行迁移学习,对7层框架模型试验进行损伤识别,并验证所提方法的可行性、准确性和计算复杂性.结果表明,该方法实现了特征自适应提取、损伤位置和损伤程度的精准识别,具有突出的计算效率.     

基于概率特征的步态识别研究

针对一些步态识别算法的局限性,提出了一种基于概率特征的步态识别算法.该算法利用目标轮廓在某位置出现的概率作为特征,来表征行人的行走习惯和姿态.概率特征分为运动概率特征和静态概率特征,分别表征行人的手臂、腿部等的运动特征以及躯干、体型等的静态特征.以概率为特征可以减小噪声对识别的影响,甚至可以弱化行人在行走过程中,因偶尔的较大手臂摆幅或者较大步伐等异常动作给识别带来的消极影响.该算法在CASIA Gait Database B和SOTON数据库上分别进行了实验并与其他算法做了对比,实验结果表明,算法对室外和室内样本都有很好的识别效果.     

基于多传感器数据融合的室内定位算法

基于惯性测量单元(IMU)的定位方法是一种全自主定位方法,该方法通常是基于单个IMU(Single-IMU)实施定位,其具有较大的漂移误差和累积误差.因此,提出了一种基于多个可穿戴式IMU(Multi-IMUs)与室内无线传感器网络(IWSN)的多传感器数据融合的室内定位算法,根据佩戴于不同部位的Multi-IMUs信息协同,提高人体姿态检测的有效性,并且利用模糊投票机制(Fuzzy Voting Scheme)融合Multi-IMUs位置信息;此外,结合IWSN,采用卡尔曼滤波算法(Kalman Filter Algorithm)融合IWSN解算出的位置信息与Multi-IMUs计算出的位置信息降低基于IMU的累积误差.实验结果表明,所提出的基于多传感器数据融合的室内定位算法能够识别出行走的姿态,与基于Single-IMU的定位算法相比,该算法有效地降低了累积误差和漂移误差,提高了室内定位的有效性和可靠性.