右转车流及对向行人影响下的行人过街延误模型

通过分析车头时距随交通流量而变化的统计特性,提出了基于车头时距分布的自适应的行人过街冲突延误计算模型。根据低交通流量情况下车头时距服从负指数分布时的行人过街冲突延误,分别推导出中等交通流量及高交通流量情况下的行人过街冲突延误计算模型;结合无干扰条件下的相位延误和对向行人流阻滞延误得到干扰条件下的行人过街总延误计算模型;通过Vissim仿真实验对模型进行了准确性验证,其偏差小于3%。此外,将提出的行人过街延误模型与以机动车到达间距服从负指数分布为假设前提的行人过街延误模型进行误差比较,结果表明所提出的延误模型误差更小。     

连续流交叉口行人延误计算模型

为了准确评价连续流交叉口行人过街服务水平,为其优化设计提供依据,本文对其行人延误进行了研究。针对连续流交叉口三种行人过街设计模式,根据行人流到达离散的特性,对不同行人流向（包括直行和对角穿行）的延误进行建模。利用VISSIM仿真对模型的准确性进行了验证,其偏差均小于3%。并通过敏感性分析,探讨了车辆需求、行人需求、斜穿交叉口行人比率对三种模式运行性能的影响。研究结果表明：传统行人过街模式主要适用于机动车和行人流量均较小的情况;穿插式行人过街模式主要适用于机动车和行人流量较大的情况;而行人专用相位过街模式虽然被选为最优的情况较少,但其对于流量和流向比例变化的敏感最低,适用于交通需求波动性较大的情况。     

无信号控制路段行人过街管理策略研究

现行行人过街管理策略缺乏定量依据。提出无信号控制路段行人安全过街延误模型,在一定路宽、行人流量条件下,以行人延误小于其极限忍耐时间为判定标准,得出一、二次过街适合的机动车流量范围。最后,结合有信号路段的研究得出不同情况下路段行人过街最佳管理策略。     

拉萨市路段感应信号控制行人过街系统研究

针对拉萨市旅游景点周围的行人过街行为,研究设计拉萨市旅游景点路段感应式信号控制行人过街系统。通过行人、车辆信息采集及反馈,用Webster配时法调节得到行人、机动车的最优绿灯时间,进而达到行人安全、高效过街的目的。     

基于ResNet-LSTM的行人过街行为识别方法

为提高行人行为识别精度,通过基于光流处理的Resnet-LSTM网络模型对行人过街行为进行识别.在采用光流法对连续视频帧进行处理的基础上,基于ResNet神经网络提取有序光流数据信息的空间维度特征,并利用LSTM网络进行时序性分析,完成行人过街行为的分类识别.论文利用Weizmann数据集对该模型做有效性检验,结果表明,算法的行为识别率可达99.46％.     

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。     

基于人体关节点的低头异常行人检测

近年来,随着智能手机的快速发展,低头族行人在过马路时依然保持浏览手机的姿态,由此造成的交通事故时有发生。如何有效检测低头族成为了当下亟待解决的问题。现有的检测方法需要大量的真实低头异常的数据集,且最终结果存在识别精度不高、速度不尽人意的问题。基于此,提出了一种快速有效的低头异常行人检测方法,与现有方法的区别在于该方法是基于关节点而不是图像。首先设计了一种构造数据集的方法,在识别人体关节点的基础上,调整左右腕关节坐标来模拟行人手持电子设备的姿态,解决了数据集缺少且需要大量标注的问题;其次,提出复杂环境中高效检测行人异常行为的算法,对上述关节点坐标进行分类识别,充分利用手臂与头部信息来实现行人异常行为检测。实验证明,所提算法能够实现实时检测,且检测精度达到了94.08%,从而可以为视频监控、驾驶员、辅助驾驶以及自动驾驶系统提供必要的参考信息。     

无信号人行横道交通流特性的研究

考虑到行人穿越人行横道特点和心理因素,构建人行横道处机动车和行人相互干扰行为的元胞自动机模型。模型中重新制定行人和机动车的冲突干扰规则,引入临界安全间隙和临界决策间隙概念计算行人的通过概率,根据行人过街等待时间阈值定义了行人的冒险概率。模拟结果显示,临界决策间隙、行人忍耐时间阈值和行人的临界跟随间隙对机动车与行人流量均有不同程度的影响,其中行人的临界跟随间隙对交通流影响最大。     

基于车内外视觉信息的行人碰撞预警方法

行人碰撞预警系统通常依据行人检测与碰撞时间判断的方式为驾驶员提供预警信息。为了提供更加可靠的危险判断依据，本文提出一种同时分析道路状况与驾驶员头部姿态的行人碰撞预警方法，用两个单目相机分别获取车辆内外环境图像。通道特征检测器用于定位行人，根据单目视觉距离测量方法估计出行人与自车间的纵向与横向距离。多任务级联卷积网络用于定位驾驶员面部特征点，通过求解多点透视问题获取头部方向角以反映驾驶员注意状态。结合行人位置信息与驾驶员状态信息，本文构建模糊推理系统判断碰撞风险等级。在实际路况下的实验结果表明，根据模糊系统输出的风险等级可以为预防碰撞提供有效的指导。     

夜视误差补偿的车道行人距离计算技术仿真

在车载智能视觉采集系统的研究中,由于当前车载智能视觉采集过程对车道上行人距离的判断没有考虑夜视环境的特殊性,也没有考虑图像视觉处理过程中由于夜间带来的计算误差对行人距离计算的影响,判断的行人距离在夜间存在较大误差.为了避免上述弊端,提出了一种考虑夜视误差补偿的车道行人距离计算方法.通过分析夜视图像中的距离计算特征,运用一种插值误差补偿的方法,对由于夜视原因造成的像素过于宽泛误差进行补偿,能够将夜视环境下的视觉误差进行补偿,将不同坐标系统中的车道与行人点进行转换,获取误差补偿后的车道坐标系统中对应点的空间位置和行人坐标系统中对应点的空间位置,实现精确计算.实验结果表明,利用改进后的算法进行车道行人距离计算,能够有效提高识别的准确性.     

于混合高斯莫型与联合特征的行人检测方法

针对视频环境下行人检测多数采用窗口滑动方法识别慢、不能快速找到行人窗口的缺点,提出了一种基于组合算法的行人目标识别方法,利用高斯混合模型方法提取视频中的运动前景,划定一个泛目标窗口,再使用HOG-l bp联合特征训练的分类器对泛目标窗口进行分类,得到分类结果,对行人目标进行标记.经实验验证:该方法相对于当前行人检测方法,检测速度和正确率都取得了很好的效果.     

基于SACON背景模型的人体检测与跟踪

提出了一种基于抽样一致性(SACON)的背景模型。采用七种典型视频序列进行了实验,SACON背景模型较目前常用五种背景模型具有较高的准确性,适用于复杂场景下的目标检测与跟踪。应用于人体检测与跟踪时,将目标作为非刚性物体进行处理,结合颜色和空域信息建立一种新的目标外观模型。实验证明,该方法能较准确的描述人体特征,即使在有遮挡、颜色相近及小目标等情况下也均能准确的对人体目标进行检测和跟踪。     

基于行人安全的交通信号灯智能控制算法研究

提出了一种基于深度确定性策略梯度(DDPG, deep deterministic policy gradient)的行人安全智能交通信号控制算法;通过对交叉口数据的实时观测,综合考虑行人安全与车辆通行效率,智能地调控交通信号周期时长,相位顺序以及相位持续时间,实现交叉路口安全高效的智能控制;同时,采用优先经验回放提高采样效率,加速了算法收敛;由于行人安全与车辆通行效率存在相互矛盾,研究中通过精确地设计强化学习的奖励函数,折中考虑行人违规引起的与车辆的冲突量和车辆通行的速度,引导交通信号灯学习路口行人的行为,学习最佳的配时方案;仿真结果表明在动态环境下,该算法在行人与车辆冲突量,车辆的平均速度、等待时间和队列长度均优于现有的固定配时方案和其他的智能配时方案。     

AGVS图象识别多分支路径的研究

基于图象视觉导航的ＡＧＶＳ与传统的、在地下埋设电磁感应电缆引导的ＡＧＶＳ相比,前者能更好地适应现代柔性生产的要求,该文研究了图象识别白线路标的边缘检测算法,并采用了最大方差法来设定路标图象的灰度阈值,可得到较准确的图象边缘,针对所研究的ＡＧＶＳ特点,提出了机器视觉的图象变形正算法,以获得正确的路标图象信息,在此基础上,用改进的数字图象模板匹配法识别数字,再用数字标会区分柔性生产线中的分支路径,来引     

头颈部数学模型在碰撞中的响应对比研究

本文通过MADYMO软件对典型的车辆与行人侧面碰撞事故进行了模拟,输出最后一节颈椎(C7)的位移,加载到经过验证的某一基于人体解剖学结构的头颈部有限元模型中。通过仿真分析,得到头颈部的加速度、角速度等随时间的变化曲线和载荷力、HIC值等,并与多刚体模型的响应进行了对比。结果显示两种模型都可以有效预测行人在事故中的损伤风险,但有限元模型可以得到更多的损伤参数,相对而言可以更加准确地反映人体头颈部损伤响应。     

基于特征定位与融合的行人重识别算法

行人外观属性是区分行人差异的重要语义信息。行人属性识别在智能视频监控中有着至关重要的作用,可以帮助我们对目标行人进行快速的筛选和检索。在行人重识别任务中,可以利用属性信息得到精细的特征表达,从而提升行人重识别的效果。文中尝试将行人属性识别与行人重识别相结合,寻找一种提高行人重识别性能的方法,进而提出了一种基于特征定位与融合的行人重识别框架。首先,利用多任务学习的方法将行人重识别与属性识别结合,通过修改卷积步长和使用双池化来提升网络模型的性能。其次,为了提高属性特征的表达能力,设计了基于注意力机制的平行空间通道注意力模块,它不仅可以在特征图上定位属性的空间位置,而且还可以有效地挖掘与属性关联度较高的通道特征,同时采用多组平行分支结构减小误差,进一步提高网络模型的性能。最后,利用卷积神经网络设计特征融合模块,将属性特征与行人身份特征进行有效融合,以获得更具鲁棒性和表达力的行人特征。实验在两个常用的行人重识别数据集DukeMTMC-reID和Market-1501上进行,结果表明,所提方法在现有的行人重识别方法中处于领先水平。     

联合语义的深度学习行人检测

视频行人检测是计算机视觉的一个重要应用,本文利用深度学习检测近似垂直视角的行人,但若单纯检测行人,易受与行人语义相关的行人附属属性（如背包和帽子）的干扰,容易造成误检.本文提出一种基于更快区域卷积神经网络的联合语义行人检测方法：首先调整网络模型,增强对小目标的辨别力,使其可以有效的检测行人和行人的语义属性;然后利用空间关系建立行人及其语义属性的关联,合并行人与其语义信息,并对候选行人目标进行自适应得分调整,结合行人语义属性判断候选行人目标.大量的实验表明,本文的方法精度高,速度快,具有实用价值,且检出的行人与其语义属性还可用于后续的人数统计和行人行为分析.     

嵌入式系统中实时行人检测方法

随着计算机技术的不断发展,智能自动化的人数检测系统不断产生.人数检测对于企业或机构的信息化管理至关重要.传统人数检测方法因为肢体遮挡以及光照变化导致准确率较低.提出了针对人头特征的垂直检测方法,该特征可以保证在人流密度大的情况下无法被遮挡.该方法首先提取前景图像的梯度方向直方图特征,并通过SVM检测人头目标,利用头部的颜色特征,在相邻帧中使用MeanShift算法跟踪人头目标.根据人头目标轨迹进行过线检测,算法在嵌入式系统上进行了应用与测试,实验表明算法有较好的实时性与准确率.     

浅层特征融合引导的深层网络行人检测

行人检测是目标检测中的一个重要研究方向。针对行人检测算法在复杂场景和目标太小情况下漏检的问题,在Faster R-CNN检测算法的基础上,提出一种基于浅层特征融合引导的深层网络行人检测。通过HOG特征、改进的LBP特征与深度网络特征融合获得准确的行人特征,在国际上广泛使用的行人数据集上进行一系列实验。结果表明,所提出的改进方法在检测准确率和速率方面都有所提高。     

城市量化研究中视频人流统计分析

在现代城市规划研究中,聚焦人的信息的深度分析至关重要.采用有效的视频分析技术处理和分析监控视频可以极大地扩充行人信息的基础数据,对城市量化研究具有重大意义.该研究方法通过拍摄一段时期同一街道视频进行相应的处理.采用基于前向传播卷积神经网络模型的深度学习方式检测视频中指定监测区域的行人.为确保行人信息的准确性,故对检测到的行人进行跟踪处理,同时添加跟踪目标丢失判断及相应处理.最后量化行人数量、运动方向、滞留时间以及运动速度等信息数据,进行相应的数据分析.实验结果表明该研究方法能有效的实现量化行人信息数据,为城市定量化研究提供准确有效的数据支撑.