密码时代的终结者

作为确认用户身份的主要手段,密码在现实生活中扮演着重要角色,但有意思的是,前不久微软主席比尔·盖茨又语出惊人,说密码很快将成为过去!盖茨认可的密码时代终结者,正是智能卡和生物识别技术。“外行人看热闹,内行人看门道”,到底这两种技术有何神秘之处?下面就让我们探个究竟。     

解读《道路交通安全法》

备受社会各界和广大人民群众关注的《道路交通安全法》在10月28日闭会的十届全国人大常委会第五次会议上通过。该法自2004年5月1日起施行。《道路交通安全法》的通过,之所以受到人们的普遍关注,是因为它与我们的生活息息相关,也正因为如此,在历经十年的反复修订和前后四次的审议后终于出炉。该法凸显尊重生命、关爱生命,特别重视对广大人民群众人身安全的保护,充分体现了以人为本的精神。     

引领中小企业的信息变革

在市场上,DC的品牌和型号数不胜数,普通的消费者面对如此多的选择,通常会迷失方向,再加上各个厂商铺天盖地的宣传手段和各类网站的报道,几乎所有的消费者在购买前都要求助于身边的内行人士,甚至需要内行人士跟随才敢去商场购买。     

基于多尺度特征融合的行人重识别方法

针对行人重识别任务在特征提取时缺乏对行人特征尺度变化的考虑,导致其易受环境影响而具有低行人重识别准确率的问题,提出了一种基于多尺度特征融合的行人重识别方法。首先,在网络浅层通过混合池化操作来提取多尺度的行人特征,从而帮助网络提升特征提取能力;然后,在残差块内添加条形池化操作以分别提取水平和竖直方向的远程上下文信息,从而避免无关区域的干扰;最后,在残差网络之后利用不同尺度的空洞卷积进一步保留多尺度的特征,从而帮助模型灵活有效地解析场景结构。实验结果表明,在Market-1501数据集上,所提方法的Rank1达到95.9%,平均精度均值（mAP）为88.5%;在DukeMTMC-reID数据集上,该方法的Rank1达到90.1%,mAP为80.3%。可见所提方法能够较好地保留行人特征信息,从而提高行人重识别任务准确率。     

结合域间与域内变化的跨域行人重识别算法

针对单域训练的行人重识别模型迁移到另一个域内测试时性能巨大下降的问题,提出一种结合域间与域内变化的跨域行人重识别算法。采用PR策略将行人特征图进行分区处理,提高模型泛化能力。针对域间变化,引入域间姿势不变性,缩小源域和目标域行人的姿势差距。针对域内变化,引入域内姿势不变性、样本不变性、邻域不变性和相机风格不变性,扩大不同行人之间的距离,缩小相同行人之间的距离。实验表明,PR策略和5个不变性能有效地增强跨域行人重识别中的域自适应性,与只注重域间变化或域内变化的算法相比,其识别精度得到有效提升。     

城市道路人行横道处照明指标的确定

为了合理确定城市道路人行横道处的照明指标,保证驾驶人对过街行人的有效视认,进行了驾驶人夜间视认距离试验研究。分析了过街行人数量、状态(静止或运动)及衣服颜色对驾驶人夜间识别距离的影响,以及不同车速条件下驾驶人夜间视认距离随平均照度的变化规律,构建了驾驶人夜间视认距离-平均照度-车速关系模型。基于驾驶人夜间视认距离与反应制动距离间的安全行驶判别条件,提出了城市道路人行横道处平均照度的计算方法,并给出了实际案例。研究结果表明:当单个过街行人静止且衣服颜色较深时,驾驶人夜间对其进行视认最为困难;驾驶人夜间视认距离与平均照度呈正对数相关,与行驶速度呈负线性相关。     

Pedestrian Detection and Tracking Using Deformable Part Models and Kalman Filtering

Abstract： Pedestrian detection techniques are important and challenging especially for complex real world scenes. They can be used for ensuring pedestrian safety, ADASs （advance driver assistance systems） and safety surveillance systems. In this paper, we propose a novel approach for multi-person tracking-by-detection using deformable part models in Kalman filtering framework. The Kalman filter is used to keep track of each person and a unique label is assigned to each tracked individual. Based on this approach, people can enter and leave the scene randomly. We test and demonstrate our results on Caltech Pedestrian benchmark, which is two orders of magnitude larger than any other existing datasets and consists of pedestrians varying widely in appearance, pose and scale. Complex situations such as people occluded by each other are handled gracefully and individual persons can be tracked correctly after a group of people split. Experiments confirm the real-time performance and robustness of our system, working in complex scenes. Our tracking model gives a tracking accuracy of 72.8% and a tracking precision of 82.3%. We can further reduce false positives by 2.8%, using Kalman filtering.     

基于改进YOLOv5的密集场景行人检测方法研究

当前的研究中密集场景行人检测精度较低,为提高检测精度,提出一种基于YOLOv5网络的改进方法V-YOLO,采用加权双向特征金字塔网络(bi-directional feature pyramid network, BiFPN)改进原始网络中的路径聚合网络(path aggregation network, PANet),加强多尺度特征的融合能力,提高对行人目标的检测能力。为了保留更多的特征信息,提高主干网络的特征提取能力,添加残差结构VBlock;引入SKNet(select kernel networks)注意力机制,动态融合不同感受野的特征图,提高对不同行人特征的利用率。使用CrowdHuman数据集进行训练和测试,实验结果表明,所提出算法比原始网络的精确度、召回率和平均精度值分别提高1.8%、2.3%和2.6%,验证了所提出算法能有效的提高密集场景下行人目标检测的准确率。