基于注意力机制和稀疏图卷积的行人轨迹预测

行人轨迹预测能够有效降低行人轨迹突变造成的碰撞风险，在智能交通及监控系统等领域有着广泛应用。目前已有的研究大多利用无向图卷积网络对行人间的社会交互关系进行建模，这种方法缺少对行人隐藏状态关联性的考虑，容易产生行人间的冗余交互。针对这一问题，提出一种基于注意力机制和稀疏图卷积的行人轨迹预测模型（DASGCN），通过构建深度注意力机制，捕捉行人间运动隐藏状态的关联性，从而准确地提取行人运动状态特征。进一步提出自调节稀疏方法，减小冗余信息带来的运动轨迹偏差，解决行人密集无向交互的问题。将所提模型在ETH和UCY数据集上进行验证，其平均位移误差（ADE）和最终位移误差（FDE）分别达到0.36和0.63。实验结果表明，DASGCN对行人轨迹的预测能力要优于传统算法。     

基于强化学习的公共空间行人轨迹跟踪

对公共空间中的多目标行人轨迹跟踪问题,提出一种基于强化学习的多目标行人轨迹跟踪算法。首先采用高精确度的目标检测器检测公共空间视频中的行人目标,并为每个目标分配一个独立的单目标跟踪器进行轨迹跟踪;将每个目标作为独立智能体,通过深度强化学习方式进行训练;接下来结合跟踪轨迹与检测目标之间的表观和位置特征构建相似度代价矩阵;最终通过匈牙利算法实现数据关联。实验表明,在常用公开数据集上本文算法跟踪精确度达76.1%,表明算法对多目标轨迹跟踪的可行性与有效性。     

行人轨迹预测条件端点局部目的地池化网络

轨迹预测是自动驾驶系统中的核心任务之一。现阶段基于深度学习的轨迹预测算法,涉及目标的信息表示、环境感知和运动推理。针对现有轨迹预测模型在运动推理过程中对行人社交动机考虑不足,无法有效预知场景中行人在不同社交条件下局部目的地的问题,该文提出一种条件端点局部目的地池化网络(CEPNET)。该网络通过条件变分自编码器推理潜在轨迹分布空间来学习历史观测轨迹在特定场景中的概率分布,构建条件端点局部特征推理算法,将条件端点作为局部目的地特征进行相似性特征编码,利用社交池化网络过滤掉场景中的干扰信号,融入自注意力社交掩码来增强行人的自我注意力。为验证算法各模块的可靠性,使用公开的行人鸟瞰数据集(BIWI)和塞浦路斯大学多人轨迹数据集(UCY)对CEPNET进行消融实验,并与平凡长短时记忆网络(Vanilla)、社交池化生成对抗网络(SGAN)和图注意力生成对抗网络(S-BiGAT)等先进轨迹预测算法进行对比分析。在Trajnet++基准上的实验结果表明,CEPNET算法性能优于现有先进算法,并且与基准算法Vanilla相比,平均位移误差(ADE)降低22.52%,最终位移误差(FDE)降低20%,预测碰撞率Col-I降低9.75%,真值碰撞率Col-II降低9.15%。     

基于时空信息和社交注意力的行人轨迹预测研究

行人轨迹预测在各种应用中具有关键性作用,为提高互中轨迹预测精度与模型可解释性,提出了一种基于时空信息和社交注意力的模型(SAGAT),模型整体采用编码-码的框架。首先,针对行人之间时间交互的连续性,构建额外的LSTM网络来捕获时间的相关性信息。然后,提出社交注意力机制,设置3种社交特征丰富行人交互信息,对同一场景中的不同行人进行权重分配。最后,在UCY和ETH公开数据集进行训练。多个实验结果表明,模型的预测精度优于现有方法,且平均精度提高13.7%。首先,针对行人之间时间交互的连续性,构建额外的LSTM网络来捕获时间的相关性信息。然后,提出社交注意力机制,设置3种社交特征丰富行人交互信息,对同一场景中的不同行人进行权重分配。     

基于时空轨迹融合的遮挡视频行人重识别

针对视频行人重识别中的目标行人大范围遮挡的问题，将具有时间关联性、不受遮挡影响的行人轨迹预测与行人重识别相结合，提出一种基于时空轨迹融合的遮挡视频行人重识别算法。首先，从时间与空间域出发，实现符合社会属性的精确行人轨迹坐标预测；其次，构建时空轨迹融合特征，将视频序列中的表观视觉特征与行人轨迹中的坐标数据有效结合，有效缓解查询集中遮挡问题对重识别性能造成的影响；最后，构建适用于所提算法的轨迹融合数据集MARS＿traj，并通过实验证明所提算法对遮挡视频重识别性能的有效提升。     

行人闯红灯事件视频检测算法与实现

在回顾了现有的基于视频的行人检测研究成果之后,提出了一种基于历史信息和目标快速特征提取的行人闯红灯事件检测算法,并实际应用于位于上海内首个行人闯红灯报警系统中:首先对实时采集到的每时间单位的视频图像序列进行逐帧差分以过滤背景信息;接着对差分后的图像序列添加历史信息;进而对此图像中兴趣区域,采用线扫描的方法来对运动目标方向、轮廓、轨迹等特征进行快速提取、分析与识别,实现实时的人车分离辨识、行人位置确认和运动趋势预测。     

行人闯红灯事件视频检测算法与实现

在回顾了现有的基于视频的行人检测研究成果之后,提出了一种基于历史信息和目标快速特征提取的行人闯红灯事件检测算法,并实际应用于位于上海内首个行人闯红灯报警系统中：首先对实时采集到的每时间单位的视频图像序列进行逐帧差分以过滤背景信息;接着对差分后的图像序列添加历史信息;进而对此图像中兴趣区域,采用线扫描的方法来对运动目标方向、轮廓、轨迹等特征进行快速提取、分析与识别,实现实时的人车分离辨识、行人位置确认和运动趋势预测.     

基于三维虚拟警戒空间的异常入侵行为自动识别

针对目前视频异常入侵行为识别的不足,提 出了基于三维虚拟警戒空间的异常入侵行 为自动识别方法。基于人头检测与跟踪方法,根据视频监控场景中单一行人目标信息,建立 行人三维平面方程, 构建视频监控场景三维立体虚拟警戒空间,从而将行人是否进入二维场景警戒区域,转化为 行人是否闯入三维 立体虚拟空间,并基于行人头部投影射线的滑动滤波统计,实现行人是否入侵敏感保护区域 的有效识别。所提 方法不受设定警戒区域的规则形状限制,也无需对场景内容事先学习。对不同视频场景 的实验验证及同类方法的定量对比结果表明, 所提方法有效、 可行。     

PIR传感器网络中行为轨迹重构的几何代数方法

基于高密度、低成本的PIR（Passive Infrared Detector）被动式红外探测器传感器进行人群行为轨迹的定位与重建是人群行为分析的重要方向.PIR传感器通过0-1响应确定附近是否有行人通过,并通过不同传感器响应序列的时空序列关系实现对人群行为轨迹的识别与跟踪.已有PIR传感器网络分析方法多从群体行为视角揭示人群运动的统计特征,在行为估算精度、不确定性等方面仍存在诸多问题.本文针对PIR传感器网络中个人行为轨迹的重构问题,引入几何代数工具,实现PIR传感器网络拓扑、时空响应数据序列和行为轨迹的代数化统一表达,进而以传感器响应的时空关系为基础进行网络连通性的判定.基于几何代数算子构建轨迹路径的延拓与扩展规则,并集成传感器对轨迹的时空响应关系构建基于PIR传感器网络响应序列数据的行为轨迹重构算法.最后以MERL实验室连续观测数据为案例,论证了方法的合理性与有效性.     

基于情景感知与移动数据挖掘的行人轨迹预测方法

移动数据挖掘是智能交通领域中各项应用的研究基础,对于理解复杂的人类行为模式和改善城市规划、交通和公共安全有着巨大的潜力。行人轨迹预测立足于移动数据挖掘,从中发现行人的移动规律,致力于在智能机器人、自动驾驶、智慧旅游等许多现代产业中发挥重要作用。考虑到传统的行人轨迹预测模型仅关注时空数据,没有充分考虑人与环境、人与人之间的相互作用以及情景信息,提出了一种基于空间社会力图神经网络(Spatial Social Force Graph Neural Network,SSF-GNN)的行人轨迹预测模型。SSF-GNN可以处理行人的历史轨迹,并从不同场景中提取特征。利用社会力理论量化了行人的互动和情景感知信息。SSF-GNN融合了行人的社会影响和隐藏状态,可以准确预测连续轨迹点。在两个经典数据集(ETH和UCY)上进行了大量的实验,结果表明SSF-GNN的性能优于当前主流算法。平均位移误差(Average Displacement Error,ADE)相较于对比方法的平均值减小了25.6%,最终位移误差(Final Displacement Error,FDE)减小了15.4%。预测行人在未来3.2 s的轨迹点时,现有对比方法的平均准确率为48.6%,SSF-GNN的准确率显著优于最先进的模型,达到67.7%。     

地磁信息辅助的多维指纹室内移动轨迹映射方法

该文提出一种基于多维指纹地磁信息辅助的室内移动轨迹映射方法。利用 Wi-Fi 指纹获得初始位置,手机内置的惯性传感器指纹实时收集数据,结合室内平面图推算用户的瞬时位置;利用地磁感应器指纹实时收集行人真实位置的磁场数据,采用最小均方根算法校准移动设备的轨迹;利用规范向量和单位向量滤除预测错误的位置。实验表明,该文方法与现有的室内轨迹映射方法相比,在减小计算量的条件下提高了轨迹映射精度。     

基于空间探索和认知图构建的生物启发式目标导向导航模型

为实现智能自主运行体面向目标的导航知识生成及运行控制,该文研究了一种基于空间探索和认知图构建的生物启发式目标导向(GO)导航模型,该模型由空间探索、认知图构建和GO导航控制3个部分组成。在空间探索中,将网格细胞(GCs)到位置细胞(PCs)模型和视觉位置细胞生成模型融合后生成的位置细胞表征当前状态,利用Q学习算法实现状态-动作的建立及更新,以此学习面向目标运行的导航知识;然后,在认知图构建中,利用重心估计原理对空间探索得到的知识进行处理,生成各位置细胞状态下面向目标的方向信息;最后,运行体在朝目标的运行中,根据得到的认知图实时控制运行方向,以此实现GO导航。仿真结果表明,该GO模型有效,运行体进行充分的空间探索可生成认知图,并以此实现GO导航,且在运行过程中能有效规避障碍物。     

基于蒙特卡洛树搜索的视频异常场景监测方法

通过视频监控可以更快速地发现异常场景,并尽快制止违法暴力行动。为保证监测精度,文中设计一种基于蒙特卡洛树搜索的视频异常场景监测方法。首先对行人轨迹特征进行提取,计算目标预测位置与实际位置的空间距离,判定二者的相对位置,建立三级异常图像;再基于蒙特卡洛树搜索算法设计行人行为判别方法,构建不确定判别网络,标记残差函数,对数据进行归一化处理,同时获得激活函数以及函数的输出值;最后,设计视频异常场景监测算法,基于协方差矩阵将多个判别结果汇总成一个整体,并以此得到监控视频内异常场景的监测结果。该方法能够通过目标提取得到视频内的异常目标。目标识别精度的测试结果表明,所提方法在简单场景与复杂场景内的AUC值分别为0.952和0.886,说明其监测精度较高,在简单场景与复杂场景下均可正常使用。     

基于时空卷积的机会网络拓扑预测

机会网络拓扑的高动态性导致其拓扑预测极具挑战。现有拓扑预测方法主要关注网络长期时空依赖，忽视了短期时空特征。综合考虑机会网络长短期时空依赖关系，提出一种基于动态时间规整算法与时空卷积的机会网络拓扑预测方法（DTW-STC）。基于动态时间规整算法确定切片时长，将机会网络切分为快照，用快照的链路状态矩阵表征其拓扑信息；采用时序卷积神经网络获取短期时序特征，结合网络变化构建时空图表征短期时空关系，利用图卷积运算提取网络的短期时空特征，经过多次卷积的堆叠，得到网络长短期时空特征；基于自编码器结构实现向量空间切换，预测下一时刻网络拓扑。3个真实机会网络数据集ITC、MIT以及Asturias-er上的实验结果表明，DTW-STC方法的预测性能优于基线方法。     

基于特征增强模块的小尺度行人检测

行人检测中,小尺度行人时常被漏检、误检。为了提升小尺度行人的检测准确率并且降低其漏检率,该文提出一个特征增强模块。首先,考虑到小尺度行人随着网络加深特征逐渐减少的问题,特征融合策略突破特征金字塔层级结构的约束,融合深层、浅层特征图,保留了大量小尺度行人特征。然后,考虑到小尺度行人特征容易与背景信息发生混淆的问题,通过自注意力模块联合通道注意力模块建模特征图空间、通道关联性,利用小尺度行人上下文信息和通道信息,增强了小尺度行人特征并且抑制了背景信息。最后,基于特征增强模块构建了一个小尺度行人检测器。所提方法在CrowdHuman数据集中小尺度行人的检测准确率为19.8%,检测速度为22帧/s,在CityPersons数据集中小尺度行人的误检率为13.1%。结果表明该方法对于小尺度行人的检测效果优于其他对比算法且实现了较快的检测速度。     

基于二阶混合注意力的行人重识别

基于注意力机制的行人重识别方法更多利用图像中 一阶信息,忽略了特征中二阶信息 ,不能挖掘特征图之间的相关性和细粒度信息。提出一种基于二阶混合注意力的行人重 识别算法(second-order mixed attention module,SMAN)。二阶混合注意力模块(second-order mixed attention module,SOMA)由二阶通道注意力(second-order channel attention,SOCA)和二阶空间注意力模 块(second-order information,SOSA)组成,该方法将全局协方差池函数嵌入到SOCA和SOSA模块中,学习特征中二阶信息 。SOCA模块学习特征图之间相关性,SOSA模块则重新为特征图分配权重,关注特征图空间域 的细粒度信息。SMAN算法在Market-1501和 DukeMTMC-ReID数据集上的首位准确率分别 为 94.3%和87.1%,mAP分别达到85.7%和74.5%,同时使用类激活图验证SOMA模块的影响 ,实验表 明SMAN算法充分利用特征图的通道域和空间域中二阶信息。算法的性能优于现有的一些基于 注意力机制行人重识别方法,甚至接近某些优秀的方法。     

空间桁架横梁分布式光纤变形监测与误差修正

空间桁架结构是一种具有低频、密模、非线性等复杂动力学特征的大型挠性空间结构,针对此类结构服役状态的智能辨识对于目前开展高轨深空探测研究具有重要意义。为此,该文提出了一种基于分布式光纤光栅传感技术的空间桁架横梁结构变形监测与反演方法。借助ANASYS有限元分析法,数值模拟得到横梁结构在不同载荷作用下的应变、位移分布特征,研究了基于位移算法的桁架横梁结构变形反演算法,计算得到空间桁架结构不同位置的挠度信息。在此基础上,构建了单边固支桁架横梁分布式光纤变形监测与反演系统,平均相对误差约为2.4%。最后,提出了一种用于横梁结构变形反演精度提升的误差分离修正方法,修正后平均相对误差下降了41.7%。研究结果表明,该文所提方法具有精度高,实时性好等优点,能为及时准确获取空间桁架结构展开形态,实现桁架形态自适应调节与主动控制提供有力保障。     

一个新颖的轮廓线跟踪算法

提出了一个新颖的基于隐马尔科夫模型与光流的轮廓线跟踪算法。曲线描绘由B样条形状空间向量来表达,能够捕捉全局和局部变形。提出应用沿曲线的光流计算来预测曲线在下一帧的位置,在预测曲线的基础上,提出应用隐马尔科夫模型来准确定位曲线的位置。隐马尔科夫模型提供了一种有效的概率手段来融合多种量测特征比如边缘,曲线平滑性,区域灰度或颜色统计信息等等,能够更准确的定位曲线位置。基于仿射形状空间的实验了表明本文所提出算法的有效性。     

基于卡口上下文和深度置信网络的车辆轨迹预测模型研究

针对车辆轨迹预测中节点序列的时序特性和实际路网中的空间关联性,该文提出一种基于深度置信网络和SoftMax (DBN-SoftMax)轨迹预测方法。首先,考虑到轨迹在节点集合中的强稀疏性和一般特征学习方法对新特征的泛化能力不足,该文利用深度置信网络(DBN)较强的无监督特征学习能力,达到提取轨迹局部空间特性的目的;然后,针对轨迹的时序特性,该文采用逻辑回归的预测思路,用当前轨迹集在路网特征空间中的线性组合来预测轨迹;最后,结合自然语言处理领域中的词嵌入的思想,基于实际轨迹中节点存在的上下文关系,运用节点的向量集表征了节点间的交通时空关系。实验结果表明该模型不仅能够有效地提取轨迹特征,并且在拓扑结构复杂的路网中也能得到较好的预测结果。     

基于卡口上下文和深度置信网络的车辆轨迹预测模型研究

针对车辆轨迹预测中节点序列的时序特性和实际路网中的空间关联性,该文提出一种基于深度置信网络和SoftMax (DBN-SoftMax)轨迹预测方法.首先,考虑到轨迹在节点集合中的强稀疏性和一般特征学习方法对新特征的泛化能力不足,该文利用深度置信网络(DBN)较强的无监督特征学习能力,达到提取轨迹局部空间特性的目的;然后,针对轨迹的时序特性,该文采用逻辑回归的预测思路,用当前轨迹集在路网特征空间中的线性组合来预测轨迹;最后,结合自然语言处理领域中的词嵌入的思想,基于实际轨迹中节点存在的上下文关系,运用节点的向量集表征了节点间的交通时空关系.实验结果表明该模型不仅能够有效地提取轨迹特征,并且在拓扑结构复杂的路网中也能得到较好的预测结果.