基于监控视频数据的城市轨道交通车站闸机设施处行人停滞行为谱特征研究

[目的]为科学设置闸机,改善其实际通行能力,以及减少行人异常停滞行为带来的拥挤风险,需对城市轨道交通车站闸机设施处行人停滞行为谱特征进行研究。[方法]利用视频轨迹追踪技术,采集城市轨道交通车站闸机设施处监控视频中的行人运动参数;确定行人停滞行为表征指标,从闸机类型、行人流及个体停滞行为三类要素构建了城市轨道交通车站闸机设施处行人停滞行为谱,并采用四分位差法确定行人停滞行为谱表征指标上下限阈值;对行人停滞行为起点至闸翼/闸杆中心的纵向距离和横向距离,以及行人停滞范围和停滞时间等4个表征指标的差异性进行了分析,并全面解析了不同闸机类型和不同行人流率下的行人停滞行为谱特征。[结果及结论]行人易在闸机设施正前方停滞,行人停滞行为起点至闸翼/闸杆中心的纵向距离远大于其横向距离;当行人流率为>5～10人次/min时,行人停滞范围波动性最大;随着行人流量的增加,行人可用空间、停滞范围及停滞时间均减小。     

改进粒子群算法的行人设施客流适应度博弈分析

为了有效改善交通枢纽内部行人设施的运行状况,提出交通枢纽行人设施客流适应度的概念,以此对交通枢纽的服务水平进行量化分析。同时,将粒子群算法进行改进,并应用于行人设施客流适应度的博弈分析。各行人设施对应粒子的每一维参与博弈,通过粒子位置的更新实现参与博弈的行人设施控制参数的更新,经过博弈迭代搜索到交通枢纽行人设施客流适应度的最优值及对应的各行人设施的控制参数。仿真实例表明:该方法对实际交通枢纽中行人设施的组织优化具有一定的应用价值。     

一种基于多层RBM网络和SVM的行人检测方法研究

行人检测一直是计算机视觉领域的热点和难点问题。本文提出了一种结合玻尔兹曼机RBM(Restricted Boltzmann Machine)和支持向量机SVM(Suport Vector Machines)的深度学习网络进行行人特征提取和分类,多层玻尔兹曼机无监督的训练网络参数得到行人特征并级联SVM构建特征分类器进行特征分类,在融合多种行人数据库的基础上扩充了行人数据样本,满足深度学习对于大数据量样本的要求。实验中对比了不同层数网络对于模型性能的影响以及与传统人工特征相比在复杂场景下的行人检测效果,验证了深度学习对于行人特征提取的有效性。     

基于行人流线网络的上海轨道交通长江南路站行人设施布置方案优化

针对既有行人流线网络法中实结点模型存在的不足,提出了改进模型,并将改进方法应用于上海轨道交通18号线长江南路站行人设施布置优化方案。利用流线饱和度、设施最大拥堵面积等指标分析了原方案及3个优化方案在多种客流工况下的客流适应性,并给出了推荐方案。对推荐方案的客流进行了测试,结果表明,改进的行人流线网络法能够有效评价行人设施布置方案,且在车站行人设施布置方案的局部及整体调整时,行人流线网络法较行人流微观仿真法简便。     

信号交叉口行人过街行为计算机仿真分析

本文分析信号为红灯情况下影响行人过街行为的因素及其重要程度.选取北京市3个较为规范的十字交叉口为调查点,结合问卷调查数据,建立了基于不同影响因素的行人过街行为的Logit回归模型,进行模型参数标定和验证,得出交通信息因素、个体因素、心理因素和约束因素对过街行为起到的作用,从而有针对性地提出减少行人违章的建议.此结论对行人交通规划和管理有较好的指导意义.     

过街行人对寒区冰雪期城市道路无信号人行横道处机动车交通流参数与通行能力的影响

现行规范在确定城市道路路段通行能力时没有考虑过街行人这一影响因素,而我国城市道路交通系统运行的特征表现为严重的人车混行,在未设置信号控制的人行横道处,车辆与过街行人交通冲突的可能性大,通行能力明显下降。为完善城市道路路段通行能力的研究成果,基于寒区冰雪期城市道路路段无信号控制人行横道的调查数据,分别构建了行人流量与车头时距、行人流量与机动车车速的关系模型。基于此模型计算得到了寒区冰雪期不同行人流量下城市道路路段通行能力的修正系数。     

基于GI/G/1排队的人行横道宽度优化模型

为提高信号交叉口人行横道通行能力和行人安全,考虑到人行横道宽度对行人服务水平的影响,在分析其参数的条件下,提出在高峰时段,可将典型信号交叉口人行横道行人入口处和乘客交通量描述成一个排队系统。通过实地调查数据拟合得出行人到达规律服从指数分布、服务规律服从正态分布,且因行人在信号交叉口的走行规律具有休假特性,则该排队系统可用具有批量服务特点的GI/G/1排队模型描述。并基于排队系统的闲期、忙期等重要约束建立该排队模型的优化模型,为人行横道宽度的取值提供了科学的计算依据。     

基于生成对抗网络的铁路周界行人样本生成算法

提出了一种基于生成对抗网络(GAN)的铁路周界行人样本生成算法,解决了深度网络训练时候,行人样本缺乏的问题。该算法在像素转换生成对抗网络(Pix2Pix GAN)和行人生成对抗网络(PS-GAN)的基础上,根据实际的铁路周界环境,进行了三点改进。实验说明,该算法能够生成更逼真的行人,并且和背景的融合度更高。     

一种用于大型交通枢纽的跨摄像机行人再识别算法研究

跨摄像机行人再识别是大型交通枢纽安防监控的基本功能,它为后续行人跨摄像机跟踪和行为识别提供支持。由于交通枢纽内行人的外观特征受遮挡、运动形变和光照变化影响显著,且目前常用的行人再识别算法对上述影响因素的鲁棒性不太理想。因此,文章提出了一种适用于大型交通枢纽的跨摄像机行人再识别算法。该算法用1个图像序列代替单幅行人图像作为查询图像,同时,采用系统抽样方法将图像序列进行分组。然后以组为单元进行相似度计算,并将计算结果作为特征训练Adaboost分类器。最后综合各分类器输出结果来判断识别结果。在iLIDS和ETHZ两个具有挑战性的数据集上进行实验,结果表明文章提出的算法优于目前其他行人再识别算法。     

地铁视频监控系统中的行人检测研究与应用

行人检测是智能监控技术的一项重要内容,为了快速准确地对地铁站内的行人进行检测,采用图像的梯度向量直方图(Histograms of Oriented Gradient,HOG)特征表征行人,并通过改进HOG特征的提取算法,加快了特征向量的提取速度。分类器使用支持向量机(SVM),针对大量行人和背景训练样本,提取HOG特征并训练SVM行人分类器。用训练得到的分类器对测试样本进行检测,实验表明,提出的方法具有较高的识别率和较强的普适性,并可以应用于实际地铁环境中。