基于ST图的微循环血细胞自动跟踪与测量技术

为了有效分析微循环中血细胞的运动,利用血管中心线生成ST图,通过提取ST图中的轨迹,实现对血细胞的自动跟踪与测量.首先,设计出多尺度的方向滤波器,对ST图进行增强预处理;然后,在分析增强图像的概率密度分布函数和方向角度的基础上,设计了噪声滤波函数和方向滤波函数以提取细胞轨迹;最后,对提取的轨迹细化并计算其方向,实现对细胞的跟踪和流速测量.分别对人体微循环中的红细胞和白细胞进行跟踪与测量,跟踪的正确率达到96.5%以上,误差率小于1%.将流速测量结果与人工测量结果相比较,平均相关系数为0.98,高于现有的测量方法,表明该方法能更有效地分析和测量微循环中血细胞的运动.     

基于联动空间拓扑关系的步态识别研究

目前,大多数基于骨骼的步态识别方法通过改善时空关系表征来提高步态识别的准确率,但却忽略了人体物理结构节点之间的联动性。基于上述问题,探究步态识别的空间拓扑联动关系。提出一种基于局部分区的新策略方法,划分人体非结构化区域并构建区域之间的邻接关系表示人体姿态的相对变化。其次,设计多尺度时间模块以时间为轴关联局部分区的节点变化提取多尺度时间特征。通过实验验证,该方法在步态数据集CASIA-B上超越了主流的步态识别方法,在不同行走条件下Rank-1准确率分别达到87.6%、77.6%以及72.8%。     

基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别

应用人工智能技术对矿井提升机司机等煤矿关键岗位人员的行为进行实时识别,防止发生设备误操作等危险情况,对保障煤矿安全生产具有重要意义。针对基于图像特征的人员行为识别方法存在的抗背景干扰能力差与实时性不足问题,提出了一种基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别方法。首先,基于MobileOne和C3对YOLOv7目标检测模型骨干与头部网络进行轻量化改进,提高模型推理速度;其次,融合ByteTrack跟踪算法,实现工作人员跟踪锁定,提高抗背景干扰能力;然后,采用MobileNetV2优化OpenPose的网络结构,提高对骨架特征的提取效率;最后,通过时空图卷积网络（ST-GCN）分析人体骨架关键点在时间序列上的空间结构和动态变化,实现对不安全行为的分析识别。实验结果表明：MobileOneC3-YOLO模型的精确率达93.7%,推理速度较YOLOv7模型提高了52%;融合ByteTrack的人员锁定模型锁定成功率达97.1%;改进OpenPose模型内存需求减少了170.3 MiB,在CPU与GPU上的推理速度分别提升了74.7%和54.9%;不安全行为识别模...     

面向动态路网的最优路径GCN深度搜索方法

路网中的最优路径搜索与规划作为位置服务中重要部分受到广泛关注,射频识别技术（RFID）等技术带来的大量交通数据成为了研究的基础与挑战。城市中出行场景对路网动态变化非常敏感,同时城市复杂多变的交通情况、真实路网与移动对象轨迹丰富的时空语义信息,都是动态路网中的最优路径搜索面临的难题。针对这些挑战,在分析现有算法不足的基础上,参考A*算法启发式思想,提出一种基于图卷积网络进行深度搜索的机器学习模型GCN-Search。模型首先通过时空图卷积网络,聚合相邻区域与过往时段的时空信息,对城市出行所依赖的路网近期动态变化进行建模;其次扩展路径搜索的深度,定义节点的深度估价值,并使用神经网络替代人工设计的估价函数,搜索利于路径整体最优的节点,直到生成最终路径。在某交管局提供的RFID数据集上进行的对比实验表明,GCN-Search算法可以有效利用RFID数据中的时空语义信息,提升动态路网出行的最优路径搜索的准确率。     

基于图交互与场景感知融合的轨迹预测方法

在自动驾驶中,精确的环境感知和对周围交通参与者的轨迹预测对道路安全至关重要。基于此,提出了基于鸟瞰图(Bird Eye View, BEV)的实时端到端轨迹预测框架来同时学习交互和场景信息。该框架主要由图交互网络和金字塔感知网络两个模块组成,前者通过时空图卷积网络对交通参与者之间的交互模式进行编码,后者采用时空金字塔网络对周围信息进行场景建模以获取场景特征。然后,对交互特征和场景特征进行单一尺度融合,从而进行分类和轨迹预测任务。在大规模开源数据集NuScenes上的实验和分析表明,与当前先进算法(MotionNet)相比,所提框架平均类别准确度提高了3.1%,轨迹预测平均误差在行驶速度>5m/s时降低了1.43%。此实验结果表明,所提模型具有更好的泛化性和鲁棒性,更符合实际自动驾驶环境中的轨迹预测需求。     

基于时间距离与拓扑距离的连通性模型

网络连通性是描述网络性能的一项重要指标.机会传感网络中,节点移动导致网络的拓扑呈动态变化,这使得机会传感网络连通性的表征面临挑战.建立机会传感网络的连通性模型,有助于对机会传感网络的优化和维护.针对机会传感网络拓扑频繁变化的特点,基于时空图理论构建其连通性模型,描述拓扑演化规律;根据消息的可达性,考虑消息传输的时间特性和空间特性,定义了时间距离和拓扑距离,采用统计产品与服务解决方案软件（SPSS）分析其相关性,结果表明,时间距离和拓扑距离无明显相关性;采用网络快照间的时间距离与拓扑距离构建整网连通性模型.实验结果表明,所提出的模型能够从整体上刻画出机会传感网络的连通性;与基于Katz中心性的网络连通度模型相比,该模型能够更好地反映整网连通度的变化.     

基于时空图的交通流量统计和交通状态检测

提出了一种新的基于时空图的交通流量统计和交通状态检测方法。首先,通过人机交互的方法设定检测线,并利用检测线计算时空图;然后,对时空图进行边缘提取、图像分割等处理,利用时空图上车辆的边缘、形状和占道率等信息,计算出一段时间内的交通流量。此外,还通过时空图的边缘信息的差异,将当前时间段的交通状态分为通畅、拥挤和堵塞三种不同的情况。实验结果表明,在摄像机安装位置合适的情况下,该方法统计交通流量的误差低于8%,判断交通状态的误差为0,具有很好的商业实用性。     

基于自适应门控图神经网络的交通流预测

交通流预测是智能交通系统中的重要组成部分,由于交通数据的复杂性,长期而又准确的交通流预测一直是时间序列预测中最具挑战性的任务之一。近年来,研究人员将基于图神经网络的时空图建模方法应用于交通流预测任务,并取得了良好的预测性能。然而,现有的图建模方法仅通过预定义的邻接结构反映道路网络中的空间依赖关系,忽略了各节点之间的序列关联关系对预测的重要性。针对这一局限性,提出了一种自适应门控图神经网络（Ada-GGNN）,其核心为通过空间传递模块同时捕获道路网络的空间结构及自适应的时序相关性,并通过门控机制学习节点上的时间序列特征。在两个真实交通网络数据集PeMSD7和Los-loop上的实验结果证明了该模型具有更优越的性能。     

基于时空图小波神经网络的手部动作识别方法

根据车间人员操作监控的需要,文中研究了一种基于深度学习的新方法——时空图小波神经网络（ST-GWNN）。该算法对图小波卷积进行参数化,以降低每层图卷积层的参数复杂度,并采用一阶切比雪夫多项式逼近图小波卷积;分离多项式阶数 K 与邻接节点阶数之间的关系,固定多项式阶数,通过调整超参数 s 来改变邻域范围,从而识别更多复杂的手部动作。实验结果表明,文中提出的ST-GWNN在动作识别中的识别率优于目前常用的时空图卷积神经网络,并且能够充分利用动作的时空关联性。