视频监控环境下行人异常识别方法研究

针对智能监控中行人异常行为检测难的问题,研究反映行人的局部、全局特征的特征信息和探讨异常行为检测的方法。首先,通过设计和利用轮廓特征、局部检测频率、运动速度特征量与轮廓变化曲线模型,获得行为检测的特征模型,进而借助特征信息融合和利用模板库获得异常行为检测算法。比较性的实验结果显示,该算法能有效识别行人的异常行为。     

基于点云与图像决策级融合的道路行人检测

现有基于点云与图像融合的行人检测要求高算力的处理平台,应用于低算力低功耗的嵌入式平台时,无法满足行人检测的准确率和实时性.基此提出一种融合点云与图像的道路行人检测方法,该方法采用DBSCAN算法对点云进行聚类,然后,运用概率数据关联算法将行人点云与图像的行人检测结果进行决策级融合,最后,在嵌入式计算平台上进行软硬件集成与测试验证.实验结果表明,相比于其他目标检测算法,设计的融合点云与图像的道路行人检测方法,不仅提高了道路行人方位的检测精度,而且检测用时降低了46.6％以上.     

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。     

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.     

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.     

E-SSD:目标特征增强检测算法

针对SSD目标检测算法在检测目标过程中存在漏检的现象,提出一种特征增强的SSD目标检测算法。该算法通过将特定连续特征层进行特征融合,获取更为丰富的目标细节特征信息,以此来改善目标的特征表达效果,提升目标检测正确率。经仿真测试,该算法对车辆、自行车和行人等道路参与者检测效果均有提高,在PASCAL VOC2007数据集上的测试结果与原有SSD检测算法相比,mAP提高0.78%,适合于车载与移动机器人等场景的目标检测应用环境。     

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AlphaPose的行人重识别姿态评价方法

行人重识别旨在不同时间、不同摄像头拍摄范围中检索特定目标行人,在实际应用场景中,可能会存在行人被严重遮挡的图像,不仅不利于行人检测,还会消耗大量的时间.行人姿态检测可以通过定位行人关键点位置判断行人是否存在遮挡,因此,本研究提出在重识别检测之前,对行人姿态进行分析,提出一种基于AlphaPose的重识别行人姿态评价方法.首先,利用AlphaPose进行姿态检测,得到行人各个关键点的置信度;然后,利用各个关键点的置信度得到各个行人的姿态评分;最后,根据姿态评分结果筛选出多个测试集进行验证分析.利用torchreid框架在数据集DukeMTMC-reID及Market1501进行实验,实验结果表明,与初始测试集相比,筛选后的测试集检测效率明显提高,且mAP和rank-n值也有所提高.     

基于快速区域定位和二重间隔分布机的行人检测

为实现快速和代价敏感性的行人检测,设计了基于BING目标检测和二重间隔分布机的行人检测框架.首先利用BING特征进行快速目标筛选,在此基础上提出了启发式的目标区域定位算法,通过目标选择和区域定位策略来获取行人所在的区域.区域定位减少了分类器的搜索空间,只需将二重间隔分布机对定位区域进行目标检测即可获得行人检测的结果,提高了行人检测的效率和速度.     

一种改进的卷积神经网络行人识别方法

针对现有的行人检测算法存在的定位精度低、实时性差的问题,借鉴目标检测的研究成果You Only Look Once(YOLO)算法,提出一种实时的行人检测方法。以Tiny-YOLO为基础,改变网络模型的输入尺寸,获得更好的行人特征表达;结合图像中行人尺寸特点,使用聚类分析方法,对数据集进行目标框聚类,选取适合行人检测的候选框尺寸与数量;通过增加一定数量卷积层的方法重新设计特征提取和目标检测网络;在混合数据集上训练,增强模型泛化性。实验结果表明,在应对不同尺寸行人和部分遮挡情况时,文中方法具有更低的漏检率、更好的定位精度与检测效果,且检测速度可以满足实时性要求。     

基于5G手机的交叉路口行人检测

针对目前在交叉路口通过摄像头进行行人识别与检测容易受到天气的影响,且摄像头统计范围有限的问题,利用5G通信低时延的特性,提出了一种基于5G手机的交叉路口行人检测方法。该方法采集行人携带的5G移动终端的位置、速度、密度、方向4个典型运动特征,然后在路侧设备上建立模型进行行人检测,降低单一运动特征的行人检测造成的误差,提高了准确率。通过搭建车联网测试平台对该方法的有效性进行验证,试验结果表明:该方法可以准确地统计交叉路口行人,同时也实现了满意的检测速度,为未来的智能交通、安全预警等方向研究和应用提供技术支持。     

考虑过街行人影响的右转车辆间隙接受模型

通过实地调研数据,对车辆右转的临界间隙进行了计算,发现右转车辆的临界间隙服从威布尔分布。用二项logistic回归模型建立间隙接受模型,结果表明,间隙值较大、行人流量较低时,司机对间隙接受的可能性较大,对单人过街的间隙接受的可能性更大,对较短的时间间隔比较谨慎,更倾向于接受较短的时间滞后。本研究既为对交叉口进行安全评估打下基础,也可用于对交叉口通行延误及通行能力进行分析。     

公交站点区域行人与非机动车交互行为建模与仿真

为研究公交站点区域行人和非机动车的冲突行为,在元胞自动机模型的基础上,首先,考虑激进型行人和混合非机动车流,通过行人穿越决策规则和非机动车避让规则耦合行人运动模型和非机动车运动模型,采用双向行人Blue模型模拟进出站行人的运动行为,采用改进的NaSch模型模拟非机动车的运动行为,建立公交站点区域行人与非机动车交互模型。然后,在北京市西单商场公交站B站台开展观测实验,微观层面展现行人和非机动车之间的交互作用,分析在不同流量构成下二者冲突演化规律以及进出站行人到达率、非机动车到达率对延误和冲突数的影响。研究结果表明,非机动车堵塞多发生在非机动车与行人刚开始的交互处,并向来车方向延伸。与进出站行人到达率相比,行人和非机动车延误受非机动车到达率影响更显著;在进出站行人比例为0.5时,行人和非机动车延误达到峰值;进站行人比例为1时,行人和非机动车延误比出站行人比例为1时延误小;在行人到达率一定时,冲突数随着非机动车达到率的增大而增加,当行人到达率较小时,冲突数呈缓慢地增长趋势,随着行人到达率的增大,冲突数增长率呈现先增大后减小的趋势。     

信号交叉口个体行人与群体行人过街闯红灯行为分析

行人过街闯红灯行为受道路、交通及行人自身等因素影响,为深入挖掘行人过街闯红灯行为规律,随机调查了1 157名过街行人,包含当时的道路、车流状况,如人行道长度、行人相位信号时长、行人穿越车流时的车头时距等。个体行人过街闯红灯行为与群体行人存在显著差异,利用显著性检验,判定个体行人闯红灯的显著影响因素为车流的车头时距与行人等待时间,群体行人闯红灯的显著影响因素为行人数量与行人群中最长行人等待时间。根据所得显著影响因素,建立了个体行人与群体行人闯灯率的Logit模型,结果显示:等待时间对个体行人与群体行人闯灯率的影响并无差异,当等待时间达到46 s时,个体行人与群体行人闯灯率曲线均达到拐点,此时行人违章率增加最快;当群体行人数量达到4人时,最容易激发行人群的集体闯灯行为。结论为交叉口信号配时及行人违法闯红灯的管理提供的了参考。     

人车分流系统在大学校园中心区规划中的应用

众多校园中心场所的营造都离不开"步行优先"这一前提,人车分流系统成为校园中心区规划设计所主要采用的交通模式.回顾早期的校园规划,由于对车行交通的考虑不够完善,造成目前校园内人车混行,人行空间被车行占用,停车空间严重不足.所以,近几年的校园建设都把人车分流作为校园中心区主要采用的交通组织方式,充分满足人行和车行的不同需要.文中从介绍人车分流的理论原型入手,结合实例分析了人车分流系统在校园中心区规划中的应用方法,并提出通畅、舒适、便捷的人车分流系统应用原则.     

基于语义分割注意力与可见区域预测的行人检测方法

为改善图像中遮挡和小尺寸行人的检测精度，提出一种基于语义分割注意力和可见区域预测的行人检测方法.具体地，在SSD(single shot multi-box detector)目标检测网络的基础上，首先优化SSD的超参数设置，使其更适于行人检测;然后在主干网络中引入基于语义分割的注意力分支来增强行人检测特征的表达能力;最后提出一种检测预测模块，它不仅能同时预测行人整体和可见区域，还能利用可见区域预测分支所学的特征去引导整体检测特征的学习，提升检测效果.在Caltech行人检测数据集上进行了实验，所提方法的对数平均缺失率为5.5%，与已有方法相比具有一定的优势.     

Modeling Mixed Traffic Flow at Crosswalks in Micro-Simulations Using Cellular Automata

The cellular automata (CA) micro-simulation model was used to describe the behavior of the mixed traffic flows at crosswalks where the pedestrians compete with the vehicles to cross the roadway. The focus of this paper is the behavior of pedestrians and the influence of pedestrians’ behavior on the vehicle flow, pedestrian flows, and the vehicle waiting time. The proportion of pedestrians who do not obey traffic laws, the group effect, and expected waiting time of pedestrians, regarded as the most important pedestrian characteristics, are taken into consideration in the analysis. Simulation results show the ability of the micro-simulation to capture the most important features of mixed traffic flow.     

无交通信号路口行人过街的人车交互过程研究

自动驾驶汽车要进入人车混行的无交通信号路口，需确保与行人之间的交互安全，为解决这一问题，现以非自动驾驶汽车为研究对象，探索其与行人在无交通信号路口的交互过程。本文选取北京市内两处无交通信号灯的路口作为研究场景进行长期拍摄，基于视频数据从中提取行人的个体属性变量、行人的穿越行为变量、车辆的穿越行为变量以及间隙数据，将行人的过街行为分为穿越前、中两个阶段进行研究。结果表明，穿越阶段对行人的穿越时间具有显著性影响，穿越路口对行人的穿越时间不具有显著性影响。对于穿越前的等待时间，在有右转车道下对其具有影响的因素有行人的拒绝车辆个数和来自方向，在无右转车道下对其具有影响的因素有行人的拒绝车辆个数和起始位置。对于穿越中的穿越时间，在有无右转车道下对其具有影响的因素均为穿越人数和车辆1的行为。今后自动驾驶汽车行驶到无交通信号路口时，可以通过此结果去识别行人，并判断出行人的穿越时间，以便及时做出相应的措施。     

A Robust Pedestrian Detection Approach Based on Shapelet Feature and Haar Detector Ensembles

Detection of pedestrians in images and video sequences is important for many applications but is very challenging due to the various silhouettes of pedestrians and partial occlusions. This paper describes a two-stage robust pedestrian detection approach. The first stage uses a full body detector applied to a single image to generate pedestrian candidates. In the second stage, each pedestrian candidate is verified with a detector ensemble consisting of part detectors. The full body detector is trained based on improved shapelet features, while the part detectors make use of Haar-like wavelets as features. All the detectors are trained by a boosting method. The responses of the part detectors are then combined using a detector ensemble. The verification process is formulated as a combinatorial optimization problem with a genetic algorithm for optimization. Then, the detection results are regarded as equivalent classes so that multiple detections of the same pedestrian are quickly merged together. Tests show that this approach has a detection rate of over 95% for 0.1% FPPW on the INRIA dataset, which is significantly better than that of the original shapelet feature based approach and the existing detector ensemble approach. This approach can robustly detect pedestrians in different situations.