基于AlphaPose优化模型的老人跌倒行为检测算法

针对在低功耗、低成本硬件平台快速准确检测老人跌倒高危行为的问题,提出了一种基于AlphaPose优化模型的老人异常行为检测算法.首先,对行人目标检测模型和姿态估计模型进行优化,以加快人体目标检测和姿态关节点推理;然后,通过优化的AlphaPose模型快速计算得到人体姿态关节点图像坐标数据;最后,计算人体跌倒瞬间头部关节...     

基于深度学习的行人过街意图中人脸检测和姿态估计分析

随着计算机视觉技术的发展,在人工智能领域也开展了很多以行人为目标的研究。本文基于深度学习,对行人进行人脸检测和姿态估计,为行人过街意图的进一步研究分析打下基础。本研究利用TensorFlow-SSD进行行人目标检测,分为两部分内容。一是检测行人目标,进行姿态估计分析动作,二是检测行人脸部,用来配合姿态估计对行人运动方向进行分析。采集数据后上传至服务平台后端,其调用OpenCV读取图片,通过TensorFlow提供的api读取pb文件,传递给训练好的检测模型,然后进行人脸检测和人体姿态检测与估计。     

基于YOLO-Pose的城市街景小目标行人姿态估计算法

现有的姿态估计算法在城市街景中对小目标行人的检测效果不佳。针对该问题,提出一种基于YOLO-Pose的小目标行人姿态估计算法YOLO-Pose-CBAM。通过引入CBAM注意力机制模块,在不增加过多计算量的前提下,增强网络聚焦小目标行人区域的能力,提升算法对小目标行人的敏感度,同时在主干网络中使用4个不同尺寸的检测头,丰富算法对图片中不同大小行人的检测手段;在骨干网络和颈部之间架设2条跨层级联通道,提升浅层网络与深层网络之间的特征融合能力,进一步增强信息交流,降低小目标行人漏检率;引入SIoU重新定义边界框回归的定位损失函数,加快训练的收敛速度,提高检测精度;采用k-means++算法代替k-means算法对数据集中标注的锚框进行聚类,避免聚类中心初始化时导致的局部最优解问题,从而选择出更适合检测小目标行人的锚框。对比实验结果表明,在小目标行人Wider Keypoints数据集上,所提算法相较于YOLO-Pose和YOLOv7-Pose在平均精度上分别提升了4.6和6.5个百分比。     

基于Kinect的行人检测方法研究

行人检测技术是车辆辅助驾驶系统的基础技术,在车辆辅助驾驶系统中起着举足轻重的作用。笔者在国内行人检测技术研究基础上,在视觉传感器上找到突破,利用Kinect能获取行人关节的特点,创新性地采用Kinect对实际道路上的行人进行实时检测。实际道路检测表明,Kinect在开阔的道路上可准确实时地检测出行人,漏检率较低,满足实时性要求,但易受光照、遮挡以及行人姿态的影响。     

一种基于三角特征的行人检测算法

基于视频的行人检测技术是计算机视觉领域的重要问题,特征提取是行人检测技术的关键,大量的特征提取方法是基于Papageorgiou提出的矩形特征,但对于行人的边缘特性描述并不准确。针对adaboost算法,分析行人姿态的边缘特性,提出了四种较为有效的三角特征描述人体的外形局部特征,并推导了三角特征计算量与计算耗时的关系。与传统的矩形特征、非对称特征相比,三角特征能更有效的描述行人姿态,提高了行人检测的鲁棒性。     

基于卷积神经网络的行人目标检测系统设计

为获得最直观的行人目标检测结果,避免运动姿态不确定性对实时检测造成的影响,设计基于卷积神经网络的行人目标检测系统。以CNN计算框架作为硬件结构主体,分级连接目标传感器与神经型卷积分类器,按照并行检测原理及卷积神经架构搭建检测体系结构。建立训练文件体系,通过迎合目标训练环境的方式,配置必要的检测文件参数,完成待检测行人目标的样本训练处理。在检测节点架构中,规定与访问接口关联的配置条件,借助增设的模块复用加速结构,直接获取行人目标检测结果,实现行人目标的样本重构,完成基于卷积神经网络的行人目标检测系统设计。实验结果表明,与PCA、SVM算法相比,应用卷积神经网络型检测系统后,单位时间内的行人目标检测量达到9.6×109T,目标数据堆积速率降低至1.14×109T/s,能够直观获取行人目标检测结果,有效抑制了运动姿态不确定性对系统实时检测的影响。     

基于星敏感器的姿态优化估计算法

对于采用星敏感器的航天器姿态确定问题,提出了一种快速的姿态优化估计方法;首先,根据Rodrigues参数和观测向量之间的线性关系,引入四元数,构造了不同的非奇异的优化准则;其次,借助四元数,求解了基于该准则的姿态优化算法;误差协方差分析和数值仿真结果表明,该算法与著名的QUaternion ESTmation(QUEST)算法相比,在相同的操作系统环境下,具有相同的姿态估计精度,但计算速度更快,对两种算法选取间隔为2000次的仿真步长,统计数据长度为100个采样点,最后对结果加权求平均值,统计结果显示仅为QUEST的三分之一;这种姿态优化估计方法具有一定的工程应用价值。     

基于深度学习的二维人体姿态估计:现状及展望

二维人体姿态估计旨在从摄像机拍摄的图像中识别并定位每个行人的人体关键点.作为行人分析和理解领域的基础任务之一,人体姿态估计能够为多个下游任务和应用提供支持.近年来,随着深度学习技术的进步,人体姿态估计的研究迎来快速发展.基于图像包含的行人数量,人体姿态估计可以分为单人姿态估计和多人姿态估计两大类.本文首先介绍人体姿态估计的研究背景、问题定义、任务难点以及当前方法中的关键点表示方法.在此基础上,本文进一步总结和介绍了具有代表性的单人姿态估计和多人姿态估计方法.单人姿态估计方法包括回归法和检测法,主要关注于网络结构设计、热力图编解码、多任务学习等.对于多人姿态估计,本文分别介绍了基于热力图预测的方法和基于向量场回归的方法.随后,本文总结了当前常用的代表性数据集和性能度量方法,总结了代表性方法在几个常用数据集上的性能,对它们的预测错误的场景进行了详细分析和对比.最终,本文分析了现有二维人体姿态估计算法仍未有效解决的难题,对未来研究进行了展望.     

基于IMU设备的室内行人航位推算

在室内环境中,GPS 信号很难获取,以至于室内行人的航位推算(PDR)成了一个比较大的问题。现如今,常用的室内定位以及PDR的方法是结合外部设备如基于RFID、基于WiFi的定位系统。但是,这些设备在室内部署的时候需要消耗较大的物力以及人力资源。在这篇论文中,设计了一个较成熟的基于惯性测量单元(IMU)设备完成行人航位推算的计算方案。整个计算流程分为五个部分,载体的姿态解算、基于滑动窗口以及限定阈值的方法下的行人的步数检测、基于BP神经网络的行人的步长估计、结合磁力计与陀螺仪进行方向融合的航向推算。最后,根据上述所说的算法流程架构,实现了相应的安卓应用。经测试,在100米左右的回路环境下行走,总体距离误差不超过5米,航向角度偏差不超过5%,能够满足实际的需求     

基于DSP的监控视频行人检测系统优化与实现

针对行人检测系统在嵌入式平台实施时效率低、实时性差的问题,设计了一种基于数字信号处理器(DSP)的行人快速检测系统。首先通过修改解决DSP平台下Open CV的兼容问题;然后将提出的基于Vibe背景建模结合方向梯度直方图(HOG)+支持向量机(SVM)的行人检测算法移植到嵌入式DSP平台;最后在编译平台CCS下,使用各种优化技术对程序进行优化。实验结果表明:在嵌入式TMS320C6657DSP平台上,该检测系统能够有效地对行人进行检测。经优化切实提高了检测速率。     

一种优化内容适配技术的设计与实现

针对传统内容适配技术的特点和目前手机浏览器的发展现状,本文提出优先适配浏览器的内容适配技术。在传统内容适配技术上增加uA特征串和Accept特征串作为内容适配参数,并设计浏览器优先终端、终端优先Accept的适配规则。综合网络侧适配和终端侧适配优点,有效优化终端上的内容适配率,使得终端能够动态地、智能地针对不同的手机浏览器适配最佳的浏览版本。     

基于约束树形图结构外观模型的人体姿态估计

人体姿态估计是计算机视觉领域中的一个关键问题,可用于行人检测、人体活动分析、人机交互以及视频监控等方面。针对基于树形图形结构模型的人体姿态估计算法中人体部件外观模型容易受到背景干扰的问题,提出了基于先验分割和外观转换的外观模型的人体姿态估计算法以改进人体的外观模型。根据PS模型,使用人体检测器和前景加亮进行预处理,确定人体的大致位置和大小,同时移除背景上的杂斑,基于先验分割和外观转换机制来估计人体部件的外观模型。实验表明在不同的图像数据库中,该算法在使用人体检测器和前景加亮算法减少部件搜索空间的同时,提高了人体姿态估计的准确性。     

基于ConvNeXt的手势姿态估计研究

随着优化技术的发展以及对神经网络的进一步认知，提出ConvNeXt网络并应用于视觉分类任务，其性能超越Transformer等一系列多参数量和多计算量网络。姿态估计任务是计算机视觉任务中的基本任务，也是手势识别技术的基础，有着广泛的应用前景。将ConvNeXt网络应用于手势姿态估计并进行优化，引入heatmap编码，从而增加对关键点坐标预测的准确率。使用改进的Adamw优化器对模型参数进行优化，其PCK@0.2指标达到了0.992,EPE指标也达到了3.47,超越了其他模型的实验结果。     

一种考虑Wardrop均衡的行人流疏散模型

针对室内空间行人流的疏散问题,基于元胞自动机和Wardrop均衡原理提出了一种新的疏散模型。该模型首先基于位置吸引力、出口拥挤度、行人之间作用力和团队效应定义了行人移动概率的计算公式,并根据Wardrop均衡原理建立了疏散优化模型,同时对该优化模型进行求解。最后,利用实验平台进行仿真分析,深入研究了系统疏散时间、系统平均速度和行人流密度之间的关系。结果发现适当提高系统平均速度可以提高系统疏散效率,同时在不同行人流密度下,需要采取不同的疏散策略。     

基于RGB图像的三维人手姿态估计技术综述

鉴于RGB相机在虚拟现实头盔等移动计算设备中的普遍性,基于RGB图像的三维人手姿态估计技术具有广阔的应用前景和研究价值,近年来已成为计算机视觉领域的一个研究热点.得益于深度学习技术的快速发展,与之相关的三维人手姿态估计算法层出不穷.文中回顾和总结了三维人手姿态估计技术.首先简述了三维人手姿态估计的相关工作,指出了其当前面临的挑战;然后梳理了基于RGB图像的三维人手姿态估计算法,对现有的基于参数模型方法和非参数模型方法进行了讨论,分析了每类算法包含的技术方法以及优缺点;之后总结了相关的三维手数据集与评价标准,并比较了每类算法在常用数据集上的表现;最后探讨了该技术的发展前景.     

惯导滤波参数优化算法

根据惯导误差修正过程中的滤波参数优化需求,提出了Kalman滤波初始滤波参数的优化方法,在一定的状态量、观测量和设定轨迹条件下进行了仿真实验,分析了不同初始滤波参数对滤波估计结果的影响。综合不同滤波参数条件下姿态误差的估计效果,得出了初始滤波参数的优化方法,仿真实验结果表明:相比标准初始滤波参数估计效果,采用优化后的初始滤波参数进行误差估计,方位角误差估计过程更加平稳,且在120 s内可达到较高的估计精度,相比标准初始滤波参数,提高了输出精度。     

基于单-多视图优化的足球球员三维姿态和体型估计

足球比赛场景的三维重建有助于观众自由切换视角,增加了互动性和沉浸感。针对足球比赛场景中的足球球员,提出一种三维姿态和体型估计方法。对球员的多视图图像使用训练好的部分注意力回归的三维人体估计(PARE)模型生成初始的三维姿态和体型估计,并使用人工标注的二维关节点作为优化目标。单-多视图优化操作利用蒙皮多人线性模型(SMPL)和正交投影的可微性,将球员的三维姿态和体型参数映射到二维关节点,计算其与人工标注之间的差异,再使用神经网络的反向传播算法更新三维姿态和体型参数,持续这些过程直到差异最小化。在自建的足球球员多视图数据集上的实验结果表明,该方法能够有效估计足球球员的三维姿态和体型,与人体网格恢复、在循环中优化SMPL、PARE等方法相比,二维关节点精度在单视图上提高了9.2%～37.5%,在多视图交叉验证中提高了34.9%～54.1%。     

基于IMEMS传感器的汽车行驶姿态检测系统设计

为了给汽车安全控制系统提供准确的行驶姿态数据,设计了基于集成微机电系统(IMEMS)传感器的虚拟仪器检测系统。系统采用IMEMS传感器采集车身姿态参数,在虚拟仪器平台下对数据进行分析处理,使用卡尔曼滤波器对测量值进行估计,并在实车工况下对检测系统进行测试。结果表明:系统能够很好地满足汽车行驶姿态检测的要求,具有可靠的实时性。     

基于动态定价策略的数据中心能耗成本优化

当前,云数据中心的能耗问题已成为业界关注的热点.已有研究工作大多致力于从技术角度降低数据中心的能耗,或在能耗与性能之间寻求一种最佳的折衷.云计算作为一种商业计算模式,已有研究成果很少考虑到云定价策略对能耗管理机制的影响.文中提出了基于动态定价策略的数据中心能耗成本优化方案.建立起服务价格和能耗成本的统一模型,通过研究两者之间的关系.协同优化服务价格与能耗成本,使数据中心的收益达到最优.鉴于数据中心规模庞大、承载任务繁重等特点,论文采用基于重载近似的大规模排队系统来对数据中心建模,根据不同数据中心间的服务需求量和电价差别,设计了多数据中心间的负载路由机制,旨在削减数据中心的整体能耗成本.针对单个数据中心,定义了双阈值策略以动态调节服务器的各种状态(On/Off/Idle等),从而使数据中心能耗成本得到进一步优化.实验结果表明,论文提出的解决方案能够在满足用户QoS需求的前提下,较好地优化数据中心能耗成本,同时使数据中心的收益达到最优.     

基于激光扫描技术的行人检测方法研究

基于激光测距传感器,通过激光扫描实时获取周围环境的激光点云数据,并处理和分析点云数据,实现对环境中行人的检测。提出的行人检测算法基于实时获取的点云数据,采用帧逐差的方法初步确定行人所对应的点云,并通过估计行人身体尺寸和对应点云数量来提高检测率。实验中测试了角分辨率、扫描频率、行进路线以及行进速度的多种组合下行人检测的准确率,通过分析激光传感器参数配置对行人检测的影响及不同行进方向上的检测性能,得出最优传感器配置和检测方案。 实验结果验证了利用激光测量传感器检测行人的方法的可行性,并得出了初步的检测步骤及思路。