一种人体跌倒检测方法

随着人口老龄化问题日趋严重,针对老年人容易跌倒的社会问题,进行跌倒检测方法的研究.采用基于穿戴式设备的跌倒检测方法,不同于绝大多数的跌倒事后检测方法,结合加速度特征和角度特征,采用支持向量机算法作为分类算法,进行人体跌倒的事前检测.通过实验发现,跌倒行为的检测率达到99.2%,日常活动行为的检测率达到96%,跌倒检测的平均前置时间为273ms.     

基于改进灰狼算法和支持向量机的拱桥索力优化模型

为实现复杂工程结构的高效率优化设计，以某大跨径钢管混凝土拱桥索力优化为例，提出一种基于混沌映射与非线性收敛改进的灰狼算法组合优化模型。使用改进灰狼算法对支持向量机的关键参数进行优化，得到训练样本下线形预测的最佳参数组合。建立索力优化问题的数学模型，采用改进灰狼算法得到期望线形下的最优索力组合。计算结果表明，经改进灰狼算法优化后的支持向量机对数据样本具有良好的学习泛化能力，可应用于索力优化等工程问题；预测模型与有限元软件线形结果的平均相对误差约为9%,组合优化模型在保证预测精度的同时大大减少了计算时间。     

基于卷积神经网络及改进支持向量机的行人检测

针对自动驾驶实际道路场景复杂导致行人误检率高的问题,提出一种基于卷积神经网络及改进支持向量机的行人检测方法。利用聚合通道特征快速获取图像候选区域,将归一化后的候选区域图像输入卷积神经网络对其进行深度特征提取;利用主成分分析法将卷积神经网络末端所得到的特征向量进行降维处理,减少其冗余特征信息以获得精确的行人特征描述;将行人特征送至优化后的支持向量机完成分类。考虑支持向量机在分类过程中存在核函数参数选择困难的问题,利用改进后的蚁群算法对其进行优化选择,获得最优支持向量机参数以提高分类精度。实验结果表明,不同场景下的行人平均检测精确度达到92%,误检率大幅下降且具有较好的实时性。     

基于改进灰狼算法优化多核支持向量回归机及其应用

为更好发现数据中的复杂规律,避免核函数选择的盲目性和局部最优等非线性优化问题,本文提出一种基于改进灰狼算法优化多核支持向量回归机算法.首先,基于全局核函数和局部核函数构建多核支持向量机采油速度预测模型;其次,利用基于云模型和二次插值算法改进灰狼优化算法对核函数权值和参数的选取进行优化;最后,应用灰色关联分析理论确定采油速度影响因素集,并作为多核支持向量回归机预测模型的输入.与6种采油速度预测方法进行对比,所提方法具有较好的全局寻优能力和较高的预测率的优点.     

基于EEMD-GWO-LSSVM的公共交通短期客流预测

为了提高大型公共交通短期客流预测精度,提出了一种在利用集成经验模态分解原始数据的条件下,采用灰狼优化算法优化最小二乘支持向量机（EEMD-GWO-LSSVM）的算法,利用该算法实现城市大型公共交通短期客流预测。该模型采用EEMD分解原始数据,将分解后的各个本征模函数（IMF）分量运用最小二乘支持向量机进行回归预测,最小二乘支持向量机的预测参数由灰狼算法进行优化。通过对西安地铁二号线北客站一个月进出站人数进行训练预测,将预测结果和支持向量机（SVM）,自回归移动平均模型（ARIMA）,仅利用灰狼优化参数的最小二乘支持向量机（GWO-LSSVM）算法以及基于交叉检验进行参数优化的最小二乘支持向量机进行对比,分析得出该算法具有更加精确的预测结果。     

基于灰狼优化算法的车牌字符识别研究

为了提高车牌字符识别的准确率和模型的泛化能力,提出一种基于字符特征向量和灰狼优化算法的字符识别方法。该方法通过提取车牌字符的特征向量建立非线性支持向量机模型,利用灰狼优化算法对支持向量机参数寻优,并基于寻优参数建立识别模型。经过实验对比,该方法相比其他优化算法寻优时间更短且识别准确率更高。     

基于改进灰狼算法优化SVR的混凝土中钢筋直径检测方法

传统钢筋混凝土检测方法通过线性拟合或标准值查表法只能对钢筋直径做大致估算,无法精确测量。针对钢筋直径检测中样本数据较少、检测结果受到钢筋埋深及相邻钢筋间距的影响而非表现出非线性回归变化的情况,提出了基于改进灰狼算法(Improved Grey Wolf Optimizer, IGWO)优化的支持向量回归机(Support Vector Regression, SVR)检测方法(IGWO-SVR)。首先,通过反向学习策略优化初始化种群分布,改善了灰狼优化算法(Grey Wolf Optimizer, GWO)的全局搜索能力,通过随机差分变异策略扩大狼群动态搜索范围,避免了灰狼优化算法陷入局部最优;然后,将改进后的灰狼优化算法应用于支持向量回归机的核心参数寻优,以改良算法模型的检测性能;最后,与另外3种算法模型的实验结果进行对比分析,结果表明了所提方法在钢筋直径检测中的精度以及优化模型与实际值的拟合度都得到了有效提升。     

遗传支持向量机模型优化在入侵检测中的应用

针对目前入侵检测检测精度低的问题,根据遗传和支持向量机算法的特点,建立了一种遗传支持向量机模型。该模型首先用遗传算法优化支持向量机参数,再用优化后的支持向量机构建入侵检测模型,使用该模型进行入侵检测。实验通过讨论了支持向量机参数的选择对检测精度的影响,选取了合适的参数(c,σ)。结果表明,把这种遗传支持向量机模型用于入侵检测提高了检测精度。     

基于CSO-SVM的轴承健康状态评估研究

支持向量机是基于统计学理论的机器学习算法,在解决高维、局部极值和结构选择问题中具有优势,广泛应用于数据发掘中。但是其核宽度和惩罚因子的选择直接关系到支持向量机分类结果。针对上述问题,可采取优化算法对该参数进行优化,达到提高支持向量机的分类精度的目的。鸡群优化算法是近年新提出来的一种全局优化算法,具备结构清晰,全局搜索能力优等优点,在优化问题中得到广泛应用。基于此,提出一种基于鸡群优化的支持向量机模型（CSO-SVM）的健康状态评估方法,并应用在轴承健康状态评估领域中。结果表明,基于CSO-SVM的轴承健康状态评估精度达到97%,明显优于基于传统机器学习模型的健康状态模型的评估精度,具有更好的健康状态识别效果。     

基于随机森林的跌倒检测算法

针对现有跌倒检测算法由于缺乏真实老人跌倒样本以及使用年轻人仿真跌倒样本规模较小导致的过拟合和适应性不足等问题,提出了基于随机森林的跌倒检测算法.该算法采用滑动窗口机制,对窗口内的加速度数据进行时间域和变换域处理,提取时间域和变换域特征参数后,在所有样本集中进行有放回的Bootstrap随机抽样和属性随机选择,构建多个基于最佳属性分割的支持向量机(SVM)基本分类器.在线跌倒检测阶段,对多个SVM基本分类器的分类结果采用少数服从多数的原则,给出最终判定结果.实验表明,随机森林跌倒检测算法可获得95.2%的准确率、90.6%的敏感度和93.5%的特异性,明显优于基于SVM和反向传播(BP)神经网络跌倒检测算法,反映出随机森林跌倒检测算法能更准确地检测跌倒行为,具有较强的泛化能力和鲁棒性.     

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...     

Semantic segmentation of trajectories with improved agent models for pedestrian behavior analysis

ABSTRACT

In this paper, we propose a method for semantic segmentation of pedestrian trajectories based on pedestrian behavior models, or agents. The agents model the dynamics of pedestrian movements in two-dimensional space using a linear dynamics model and common start and goal locations of trajectories. First, agent models are estimated from the trajectories obtained from image sequences. Our method is built on top of the Mixture model of Dynamic pedestrian Agents (MDA); however, the MDA's trajectory modeling and estimation are improved. Then, the trajectories are divided into semantically meaningful segments. The subsegments of a trajectory are modeled by applying a hidden Markov model using the estimated agent models. Experimental results with a real trajectory dataset show the effectiveness of the proposed method as compared to the well-known classical Ramer-Douglas-Peucker algorithm and also to the original MDA model.     

基于视频和人体姿态估计的老年人摔倒监测研究

人口老龄化所带来的养老服务问题是现代社会面临的严重问题。例如在很多国家跌倒是造成老年人因伤致死的最大原因,因此如何对老年人进行自动摔倒监测就成为养老服务亟待解决的问题。目前,在室内摔倒监测领域中,基于可穿戴设备和基于环境传感器等主流摔倒监测方法面临着设备复杂、成本较高等问题。鉴于此,将人体姿态估计引入摔倒监测领域,提出了一种基于2D视频的摔倒监测算法。首先利用OpenPose数据集提取原始数据中人体关节的位置;其次利用这些具有增强特征的数据构建静态分类模型和动态分类模型;最后,在3个公共摔倒数据集上进行模型训练和摔倒监测的测试,取得了较好的效果,可以为摔倒监测相关研究提供一定的参考。     

Fall detection for multiple pedestrians using depth image processing technique

A fall detection method based on depth image analysis is proposed in this paper. As different from the conventional methods, if the pedestrians are partially overlapped or partially occluded, the proposed method is still able to detect fall events and has the following advantages: (1) single or multiple pedestrian detection; (2) recognition of human and non-human objects; (3) compensation for illumination, which is applicable in scenarios using indoor light sources of different colors; (4) using the central line of a human silhouette to obtain the pedestrian tilt angle; and (5) avoiding misrecognition of a squat or stoop as a fall. According to the experimental results, the precision of the proposed fall detection method is 94.31% and the recall is 85.57%. The proposed method is verified to be robust and specifically suitable for applying in family homes, corridors and other public places.     

联合语义分割与注意力机制的行人再识别模型

受行人姿态变化、光照视角、背景变换等因素的影响,现有行人再识别模型通常对数据集中的行人分成若干块提取图像的局部特征进行辨识以提高识别精度,但存在人体局部特征不匹配、容易丢失非人体部件的上下文线索等问题。构建一种改进的行人再识别模型,通过将人体语义解析网络的局部特征进行对齐,增强行人语义分割模型对图像中行人任意轮廓的建模能力,利用局部注意力网络捕捉非人体部分丢失的语境线索。实验结果表明,该模型在Market-1501、DukeMTMC和CUHK03数据集上的平均精度均值分别达到83.5%、80.8%和92.4%,在DukeMTMC数据集上的Rank-1为90.2%,相比基于注意力机制、行人语义解析和局部对齐网络的行人再识别模型具有更强的鲁棒性和迁移性。     

基于人体姿态的P SO-SVM特征向量跌倒检测方法

在可穿戴设备检测人体跌倒情况时,单一采用加速度阈值判别方法不能完整表征人体跌倒行为变化的信息,导致对跌倒信息误判.为此,提出了一种基于人体姿态的PSO-SVM特征向量跌倒检测算法.首先通过MEMS加速度传感器节点采集人体姿态数据,并利用共轭梯度法对采集的数据进行优化处理,降低非线性误差;然后,利用支持向量机SVM(Support Vector Machine)分类器检测跌倒行为,并通过粒子群PSO(Particle Swarm Optimization)算法对SVM参数进行优化,获得最佳分类模型,根据SVM分类模型对采集的姿态数据进行分析,判断是否跌倒;最后根据人体姿态角,构建融合人体姿态角的PSO-SVM特征向量,检测跌倒过程的具体信息.实验结果表明:该检测方法取得95.5%的识别率,能够较好地区分其他非跌倒性动作,检测精度较其他方法较高,均方根误差较小,有较好的鲁棒性.     

用于行人轨迹预测的场景限制时空图卷积网络

目的 针对行人轨迹预测问题,已有的几种结合场景信息的方法基于合并操作通过神经网络隐式学习场景与行人运动的关联,无法直观地解释场景对单个行人运动的调节作用。除此之外,基于图注意力机制的时空图神经网络旨在学习全局模式下行人之间的社会交互,在人群拥挤场景下精度不佳。鉴于此,本文提出一种场景限制时空图卷积神经网络（scene-constrained spatial-temporal graph convolutional neural network,Scene-STGCNN）。方法 Scene-STGCNN由运动模块、基于场景的微调模块、时空卷积和时空外推卷积组成。运动模块以时空图卷积提取局部行人时空特征,避免了时空图神经网络在全局模式下学习交互的局限性。基于场景的微调模块将场景信息嵌入为掩模矩阵,用来调节运动模块生成的中间运动特征,具备实际场景下的物理解释性。通过最小化核密度估计下真实轨迹的负对数似然,增强Scene-STGCNN输出的多模态性,减少预测误差。结果 实验在公开数据集ETH （包含ETH和HOTEL）和UCY （包含UNIV、ZARA1和ZARA2）上与其他7种主流方法进行比较,就平均值而言,相对于性能第2的模型,平均位移误差（average displacement error,ADE）值减少了12%,最终位移误差（final displacement error,FDE）值减少了9%。在同样的数据集上进行了消融实验以验证基于场景的微调模块的有效性,结果表明基于场景的微调模块能有效建模场景对行人轨迹的调节作用,从而减小算法的预测误差。结论 本文提出的场景限制时空图卷积网络能有效融合场景和行人运动,在学习局部模式下行人交互的同时基于场景特征对轨迹特征做实时性调节,相比于其他主流方法,具有更优的性能。     

Reactive pedestrian path following from examples

Architectural and urban planning applications require animations of people to present an accurate and compelling view of a new environment. Ideally, these animations would be easy for a non-programmer to construct, just as buildings and streets can be modeled by an architect or artist using commercial modeling software. In this paper, we explore an approach for generating reactive path following based on the users examples of the desired behavior. The examples are used to build a model of the desired reactive behavior. The model is combined with reactive control methods to produce natural 2D pedestrian trajectories. The system then automatically generates 3D pedestrian locomotion using a motion-graph approach. We discuss the accuracy of the learned model of pedestrian motion and show that simple direction primitives can be recorded and used to build natural, reactive, path-following behaviors.     

Human fall detection in surveillance video based on PCANet

Fall incidents have been reported as the second most common cause of death, especially for elderly people. Human fall detection is necessary in smart home healthcare systems. Recently various fall detection approaches have been proposed., among which computer vision based approaches offer a promising and effective way. In this paper, we proposed a new framework for fall detection based on automatic feature learning methods. First, the extracted frames, including human from video sequences of different views, form the training set. Then, a PCANet model is trained by using all samples to predict the label of every frame. Because a fall behavior is contained in many continuous frames, the reliable fall detection should not only analyze one frame but also a video sequence. Based on the prediction result of the trained PCANet model for each frame, an action model is further obtained by SVM with the predicted labels of frames in video sequences. Experiments show that the proposed method achieved reliable results compared with other commonly used methods based on the multiple cameras fall dataset, and a better result is further achieved in our dataset which contains more training samples.     

考虑个体行为的改进CA模型人员疏散研究

为更好模拟行人疏散过程中微观个体行为,考虑行人身材半径及在疏散过程中行人步行速度随运动状态变化,将社会力模型运行规则引入元胞自动机模型,建立了一种社会力模型计算步行速度、空间离散化程度和步行速度较高的疏散模型,用于模拟紧急情况下的行人疏散过程。在该模型中空间划分为更小网格,每个行人占用一到多个单元格,行人的身材半径不再不变,每个行人移动的距离由其速度决定,根据基于速度的出口选择方法和行人运动规律,通过数值模拟分析,研究了疏散过程中的动态性。研究表明基于速度的网格移动数量、行人数量、期望速度、行人身材半径、松弛时间等参数影响疏散效率,结合连续模型的优点能够更加客观真实刻画疏散过程,有助于离散模型描述行人疏散微观行为特征。