基于CapsNet的行人检测方法及评价

为了提高道路环境中行人目标检测的准确率,改善现有检测算法对不同环境视角下漏检率较高、耗时过长、实用性较差等问题,本文提出了一种基于 CapsNet的行人检测模型. CapsNet由神经元所构成的 Capsule组成,通过动态路由协议对物体的实例化参数进行表达和传递,保留了各特征对象间的空间层级,采用 Caltech公开数据库对所提算法的有效性进行验证,并在检测准确率及算法耗时等方面与其他算法进行对比.实验结果表明：相比于其他主流检测算法,本文算法在确保检测效率的前提下,对数平均漏检率最低可降至 9.17%;且在 Caltech、INRIA和 NICTA数据集的交叉验证实验中,也能达到良好的检测效果,具有较好的鲁棒性和泛化能力.     

基于CapsNet的行人检测方法及评价

为了提高道路环境中行人目标检测的准确率，改善现有检测算法对不同环境视角下漏检率较高、耗时过长、实用性较差等问题，本文提出了一种基于 CapsNet的行人检测模型. CapsNet由神经元所构成的 Capsule组成，通过动态路由协议对物体的实例化参数进行表达和传递，保留了各特征对象间的空间层级，采用 Caltech公开数据库对所提算法的有效性进行验证，并在检测准确率及算法耗时等方面与其他算法进行对比.实验结果表明：相比于其他主流检测算法，本文算法在确保检测效率的前提下，对数平均漏检率最低可降至 9.17%；且在 Caltech、INRIA和 NICTA数据集的交叉验证实验中，也能达到良好的检测效果，具有较好的鲁棒性和泛化能力.     

一种特征融合的视频事故快速检测方法

交通事故快速检测对于提升交通事故应急管理水平具有重要的现实意义.目前主流的视频事故检测算法较难同时满足高精度和低算力的要求,一定程度上制约了该技术的工程应用.针对存在的问题,本文提出了一种新的基于特征融合的视频事故快速检测方法,以期在有限算力成本下同时获得较高的检测精度和较快的检测速度.模型将特征融合通过两个步骤实现:...     

基于多入侵线的视频车速检测方法

为提高视频中车速检测的精度,提出一种基于多入侵线的视频车速检测方法。首先在视频中布设已知相对距离的多条入侵线,其次检测车辆经过每条入侵线时的帧数,最后结合帧数、摄像机的采样时间、入侵线间的距离生成关于车速的概率密度函数模型以计算车速。通过构建仿真环境验证模型性能,仿真结果表明：减小摄像机的采样时间、增加入侵线数量、增大入侵线之间的距离可以提高模型性能,并且在不同检测条件下使用多入侵法进行车速检测的误差率都更低。采用Deepsort+YOLOv5目标跟踪算法实现视频中车速的检测,同时,在视频车速检测综合数据集BrnoCompSpeed上与主流车速检测方法进行实验对比,实验结果表明,该方法测量结果的平均误差率为1.40%,与主流视频车速检测方法相比精度更高。     

基于车载视觉的行人检测与跟踪方法

为提高城市交通环境下车辆主动安全性,保障行人安全,提出了基于车载视觉传感器的行人保护方法. 利用Adaboost算法实现行人的快速检测,结合Kalman滤波原理跟踪行人,以获取其运行轨迹.该方法利用离散 Adaboost算法训练样本类Haar特征,得到识别行人的级联分类器,遍历车载视觉采集的图像,以获取行人目 标;结合Kalman滤波原理,对检测到的行人目标进行跟踪,建立检测行人的动态感兴趣区域,利用跟踪结果分 析行人的运行轨迹.试验表明:该方法平均耗时约80ms/帧,检测率达到88%;结合Kalman滤波原理跟踪后,平 均耗时降到55ms/帧,实时性较好.      

一种基于视频虚拟检测线的交通流参数检测方法

实时交通流参数检测在智能交通系统中起着重要的作用。参数检测有多种方式,其中基于图像处理的视频车辆检测方式近年来发展很快,由于它具有检测区域大、系统设置灵活等突出的优点,已成为智能交通系统领域的一个研究热点。车辆的检测基于车道,在每个车道设置两条虚拟检测线来检测交通流参数,虚拟检测线的作用类似于电磁感应线圈。系统通过对视频虚拟检测线的预处理将二维的数字图像转化成一维的检测信号,减小了运算量,降低了运算负荷。提出的基于视频虚拟检测线特征的交通流参数检测系统已经在PC机上用VC 6.0实现,并对不同典型天气条件下的交通流视频进行了实验,实验结果表明该系统具有较高的车流量统计精度。     

基于单目视觉的运动行人检测与跟踪方法

为了有效检测与跟踪城市交通环境中的行人, 提出了一种在摄像机静止情况下基于单目视觉的运动行人检测与跟踪方法。检测阶段通过自适应背景模型快速提取背景图像, 用动态多阈值方法二值化差分图分割运动行人; 跟踪阶段引入灰色模型作为行人运动模型, 预测行人运动, 融合行人多种特征建立目标匹配模板, 对行人连续跟踪。通过单个行人通行和多个行人同时出现这两种交通环境下的视频图像对本方法进行了验证, 单个行人通行时, 跟踪的正确率为95%;多个行人同时通行时, 识别每个行人并分别跟踪的正确率为87%。     

基于人头颜色空间和轮廓信息的行人检测方法研究

为提高智能视频监控中行人统计的实时性,提出了一种基于人头颜色空间和轮廓特征的行人检测方法.该方法首先根据人脸肤色、发色在YCbCr和RGB颜色空间的聚类情况,建立人头颜色模型,分割人头候选区域,并针对行人运动的特征,采用多帧差法提取运动信息,剔除背景噪声,修正候选区域的精度;然后根据改进的Canny 算子提取候选区域的轮廓,融合形态学对边缘进行修正,提取候选区域轮廓信息;最后根据人头轮廓的几何特征,剔除“伪候选”区域,并进行连通域信息标记,检测人头图像,从而对行人进行检测和统计信息.结果表明,该方法能快速有效地检测出人头,在动态场景下的行人检测取得了较好的效果.     

基于分类数据样本的交通事件检测

针对当前智能交通方向研究的热点—交通事件检测算法不能达到很好的检测效果提出了将交通数据分成3类,分别是入口处数据、出口处数据和直行路段数据。在进行检测时根据需要检测数据的位置调用相对应的数据库,从而避免了交叉路口数据与直行路段数据之间的干扰,从而提高了事件检测率和降低了事件误报率,而检测时间并没有明显变动。应用朴素贝叶斯算法验证了这种方法是有效的。     

基于金字塔特征融合的二阶段三维点云车辆检测

针对三维点云鸟瞰图特征提取不充分导致车辆目标检测性能欠佳问题,本文提出一种基于金字塔特征融合的二阶段三维点云车辆目标检测算法。首先通过降维处理并利用体素占用编码原始三维点云,得到二维特征图输入;然后,利用上采样网络传递高层语义特征,下采样网络传递低层位置特征,构建一阶段金字塔网络结构提取车辆目标特征;最后,通过候选区域提取层得 到不同尺度的候选区域,利用兴趣区域池化层对齐各候选区域尺度,并采用全连接层融合多尺度特征,提取不同感受野下车辆目标特征;此外,在损失函数方面,补充正余弦角度损失并加权到总损失函数中,优化车辆目标航向角预测。基于KITTI公开数据集的实验分析表明,本文算法相较基准网络能够有效补充三维点云鸟瞰图特征提取,在不同难度的检测任务中平均检测精度提高 了5.07%~8.59%。     

����HSV�ռ������뱾ģ�͵�������Ƶ���

近年来,随着智能交通的发展,利用视频对行人目标进行检测的意义日益重要. 但是由于行人是非刚体,且易受到姿态、服装、随身物品、外界环境等众多因素变化的影响,行人检测是一个非常具有挑战性的课题. 本文提出了一种可以从实际复杂交通运行环境中快速有效地检测行人目标的方法——基于HSV空间中密码本模型的行人视频检测方法. 文中首先在HSV色彩空间中应用密码本模型,有效地对前景运动目标和背景进行分割;然后,通过进一步对检测到的前景目标区域进行检验,将满足一定面积和长宽比阈值条件的前景区域判定为行人. 实验证明,本文提出的方法,具有较高的准确性,速度可以基本满足在线处理的需要.     

���˽�ͨ����Ƶ��ⷽ������

行人交通是我国城市居民出行的主要交通方式,而行人交通的视频检测技术对于智能交通系统的发展与应用具有重要意义,通过对行人检测和分析确定行人的运动轨迹,提取行人交通参数,为交通规划、管理与控制提供科学的数据。首先回顾行人交通视频检测技术的发展历程,综述研究的方法、技术和主要成果;其次,从行人交通系统的一般处理框架—行人检测、识别、跟踪和交通参数的提取,分层次回顾低级、中级和高级各处理阶段的发展水平;重点阐述各处理阶段的现有技术和方法,并将每阶段相应地划分为不同方法子类加以讨论;最后,分析行人检测研究的技术难点及未来的发展趋势。     

面向多目标跟踪的密集行人群轨迹提取和运动语义感知

针对基于视频监控的密集行人群识别难度大,运动轨迹提取困难,运动语义信息挖掘不足 等问题,本文提出基于多目标跟踪FairMOT框架及K-means聚类的行人轨迹捕获和运动语义信 息感知方法。首先,利用多目标跟踪算法提取视频中行人群目标过街时的运动轨迹特征向量;然 后,通过分析轨迹坐标的数值分布特点,设计了一种协方差滤波算法STCCF,以检测和剔除“准静 态轨迹”,得到行人群目标运动轨迹簇;最后,针对已提取的轨迹簇,应用K-means聚类方法,选取 S系数(Silhouette Coefficient)和DB指数(Davies Bouldin Index)两个指标,感知行人聚集和消散点 等场景语义特征。实验分析表明,算法从提取到的2689条轨迹中辨识出179条“准静态轨迹”,检 出率为81.73%;视频场景中的行人目标源点和消失点的解析结果与人工辨识结果吻合,验证了密 集行人群轨迹提取和运动语义信息感知方法的有效性。本文研究可为数据驱动的行为预测和轨 迹建模提供基础。     

基于深度数据的车辆目标检测与跟踪方法

现有基于几何特征的目标检测与跟踪方法误检率较高,目标跟踪过程中的漏检易导致错误的目标关联.针对这些问题,本文提出了一种基于激光雷达(LiDAR)深度数据的车辆目标检测与跟踪方法.根据激光雷达深度数据特性,采用一种基于栅格的参数自动化聚类(PAG) 算法对原始数据进行处理,并在每个聚类中提取目标线段,获取目标特征.在此基础上对车辆目标进行识别,并计算得到目标的位置信息.采用卡尔曼滤波算法,制定滤波器管理策略,完成目标关联及状态估计.最后利用装备有一个前向激光雷达的实验车辆对提出的方法进行验证. 实验结果表明,本文提出的方法可准确识别并跟踪多个车辆目标,避免错误的目标关联.     

公路交通事件检测技术的研究与展望

分析目前国内外交通事件检测技术和检测算法的发展现状,对交通事件检测技术所采用的人工检测技术和自动检测技术进行具体介绍,对基于各种检测原理的检测算法进行深入剖析,并阐述交通事件检测技术的应用。     

����ʱ�չ켣���ٵĽ�ͨ�����Բ���������

基于视频的交通流检测在智能交通系统中具有重要意义。本文针对广泛采用的低位摄像机,提出了一种交通流特性参数的检测分析方法。首先基于三级虚拟检测线和自适应更新率局部背景建模来快速提取车辆特征点并消除活动阴影对提取精度的影响;然后基于Adaboost（Adaptive Boosting,自适应增强）分类器实现特征点按车分组,并在跟踪过程中根据运动特征相关度消除分组误差,获取高精度的车辆轨迹;进而自动生成多车道轨迹时空图并提取各车道交通流的多种特性参数。实验结果验证了算法的高效性;同时,自动生成的多车道轨迹时空图也为更多的交通信息获取和更深入的交通流特性分析提供了有力支持。