基于深度神经网络的行人及骑车人联合检测

本文中针对现有检测方法中不能有效区分行人和骑车人两类目标的问题,提出了一种基于深度神经网络的行人和骑车人联合检测方法;而针对道路环境中的行人与骑车人联合检测误检漏检频繁、小尺寸目标检测效果不佳和背景环境复杂多变等问题,设计了难例提取、多层特征融合和多目标候选区域输入等多种深度神经网络改进方案,以实现行人与骑车人的联合检测。在公开的行人与骑车人数据库上进行的试验表明,所提出的方法对行人或骑车人的识别率高,且能有效区分彼此,其有效性得到了验证。     

基于改进Mask RCNN的夜间车辆检测方法

传统的夜间车辆检测基于车灯特征的提取和识别,这类方法容易发生误判、检测精度和检测实时性不高。针对上述问题,本文研究了基于改进Mask RCNN(mask RCNN-night vehicle detection,Mask RCNN-NVD)的夜间车辆检测算法。将残差网络（residual network,ResNet）结构中的普通卷积修改为数量为16组的分组卷积,通过16组1×1卷积实现通道数叠加,将网络参数降至普通卷积的1/16,提升检测速度,并实现与普通卷积相同的效果;将通道注意力机制模块（squeeze-and-excitation,SE）嵌入ResNet结构中,通过2个全连接层构建瓶颈结构,将归一化权重加权到各通道特征,增强网络表征能力;在特征金字塔网络（feature pyramid networks,FPN）后加入自底向上结构,将底层特征强定位信息传递到高层语义特征中;加入自适应池化层,根据区域候选网络（region proposal network,RPN）产生的候选区域分配至不同尺度特征图中,并在底层特征与各阶段最高层特征之间加入跳跃连接结构,实现缩减模型参数的同时保留...     

基于事故再现的骑车人与行人各部位损伤的对比研究

选取与汽车碰撞事故发生后人体与发动机罩接触并被抛出的57例电动自行车事故和64例行人事故,用PC-Crash进行再现,读取人体头部、胸部、大腿和小腿4个部位的损伤数据。利用现有模型对所得数据进行验证后,通过处理和对比的结果表明,同等条件下,骑车人头部损伤风险低于行人,当车速低于47km/h时,骑车人胸部的损伤风险高于行人,而当车速高于47km/h时,骑车人胸部损伤风险低于行人。在大多数速度工况下,骑车人下肢损伤风险均高于行人;损伤来源方面,骑车人和行人头部损伤大体上均来源于车辆撞击,骑车人胸部损伤的来源没有明显的倾向性,而行人胸部损伤在车速低于42km/h时主要来源于地面撞击,车速高于42km/h时主要来源于车辆撞击。骑车人下肢和行人大腿的损伤来源于车辆撞击,而行人小腿损伤来源则随车速高低而异。     

侵入盾构隧道桩基人工挖孔处理技术

广州市轨道交通五号线猎-潭区间采用盾构法施工,其间要下穿猎德涌桥和马场路口18号人行通道等构筑物,18号人行通道共有19根桩基侵入隧道,通过多种方案比选,采用人工挖孔的方式对侵入隧道的桩基进行了破除处理,保证了人行通道的结构安全和盾构掘进施工的顺利通过。     

基于无损跨尺度特征融合的交通目标检测算法

针对复杂道路环境下交通目标与背景区分度低、交通小目标密集度高、部分遮挡严重、容易产生漏检、误检等问题，提出了一种融合注意力的无损跨尺度复合空洞残差网络的交通目标检测算法。通过改进SSD基础骨干网络和残差结构，加强网络提取强表征性的高级语义信息能力，解决信息传递损耗和丢失问题。在此基础上提出一种新的多视野聚合空洞残差单元，通过设置不同膨胀率的空洞卷积，获得不同大小感受野，聚合上下文信息实现大目标与小目标的兼顾。提出一种新的无损失跨尺度融合模块，通过该模块进行通道重组，结合通道维度信息填充像素，实现跨通道像素信息融合，进一步提升特征提取的能力。同时引入了坐标注意力机制，将轴向的空间坐标通道信息有效整合到生成注意力图中，构建出能够捕获跨通道信息且包含方向感知和位置敏感信息的注意力残差单元与多视野聚合空洞残差单元。此外，通过引入Soft-NMS降低与高置信度预测框重叠度较大的目标框的置信度，增加二次检测机会，提升了网络模型召回率。最后引入解耦检测头以加快模型收敛速度和提高检测精度。在VOC数据集07+12上的试验结果表明，算法平均精度提升了6.46%,证明了提出算法的准确性和鲁棒性。     

东莞理工学校人行通道涵承载力试验分析

介绍了东莞理工学校人行通道涵静动载试验。借助桥梁专用有限元计算分析软件Midas/Civil对该通道涵进行仿真分析,将试验实测值与理论分析计算值相比较,据此来评定该通道涵的承载力性能。     

逃逸半小时禁驾一辈子

逃离现场 2006年3月16日晚,家住江苏省海安县西场镇38岁的葛女士,驾车到县城一家服饰公司去办事.17时20分左右,车行221省道西场进出口地段立交桥西时,看到前方有人骑自行车横穿公路,她便驾车避让.突然,紧接着从路南又过来一名横穿公路的骑车人,她赶紧踩制动,但为时已晚.小客车的前部右侧与骑车人发生碰撞,将骑车人撞倒在地.她知道自己闯了祸,恐慌中的她驾车逃离了现场.     

基于实例分割的车道线检测算法

为实现在自动驾驶复杂场景下检测数量变化的车道线，提出一种基于实例分割的车道线检测算法。首先以ResNet18网络作为主干网络提取图像特征，采用特征金字塔网络进行特征融合。同时设计一种扩张卷积残差模块来提高检测的精度；然后基于车道线的位置进行实例分割，利用语义分割出的车道线点位置预测对应的聚类点位置，通过对聚类点采用DBSCAN聚类算法实现车道线实例区分。结果表明，该算法能够在复杂的自动驾驶场景下有效地进行多车道线检测，在CULane数据集和TuSimple数据集上的调和平均值分别达到75.2%和97.0%。     

轿车-自行车事故中骑车人头部损伤的影响因素研究EI北大核心CSCD

为探究轿车-自行车事故中骑车人的骑行姿态对其头部损伤的影响规律,首先采用PC-Crash软件建立自行车、骑车人和轿车模型,进行4组不同背角范围的仿真并分析骑车人骑行姿态对头部损伤的影响。接着,从中国交通事故深入研究(CIDAS)数据库中挑选出79例轿车-自行车事故,用于分析实际案例中坐姿对头部动力学响应的影响。最后,通过多项式拟合,建立了在4个姿态分组下,头部碰撞速度、绕转距离和损伤程度与车速之间关系的数学模型。结果表明:骑车人头部的损伤程度随轿车碰撞速度的升高而增大,但随骑车人的背角的增大而减小。     

轿车与自行车碰撞事故再现及骑车人损伤分析

使用道路交通事故再现软件PC-Crash,通过对事故现场数据的采集,建立自行车、骑车人和轿车模型进行计算机仿真,再现事故发生过程;基于一起真实事故,通过对仿真结果的分析和参数的修正,反复进行仿真模拟计算,使误差减小,得到一个精确的仿真结果;分析了骑车人身体各部分的动力学响应,利用所得到的响应数值,分析了碰撞过程中骑车人的损伤情况。     

基于深度可分离卷积和多级特征金字塔网络的行人检测

为提高行人检测的准确率,提出一种基于卷积神经网络的行人检测方法。该方法以YOLOv3-tiny算法为基础,在骨干网络部分,用深度可分离卷积的网络结构代替原卷积网络结构,加深网络深度。在检测部分,提出一种改进的多级特征金字塔网络,该网络由8个结构相同的使用深度可分离卷积的特征金字塔组成,特征金字塔之间串联连接,将不同金字塔得到的相同尺寸的特征进行融合,利用融合后的特征金字塔进行检测。在Caltech Pedestrian数据集上进行测试。结果表明:该方法的漏检率为57.83%,比梯度方向直方图(HOG)方法低32.53%,比基于深度学习的方法SA Fast-RCNN和MS-CNN分别低4.67%、3.21%;运行速度为34 ms/帧。因而,该方法满足了实时性要求。     

面向数据驱动建模的行人轨迹自适应压缩与误匹配识别分割

轨迹数据驱动的行人行为分析建模在公共场合异常事件监测、人车冲突风险评估等方面具有重要意义,广布的交通视频监控是行人群轨迹数据的重要来源。行人轨迹具有趋势性和规律性,提取的原始轨迹信息冗余较大,且密集行人群频繁遮挡,不同行人轨迹易发生误匹配,导致数据失真。针对以上问题,根据行人轨迹的局部结构特征和数值特性,设计一种改进的两阶段自适应滑窗轨迹压缩算法ATSSW (Adaptive Two Stage Sliding Window)和基于轨迹局部转向角的误匹配识别和分割方法ABTDS (Angle-based Trajectory Detection and Segmentation),清洗和压缩行人轨迹数据。首先,ATSSW算法考虑轨迹各坐标分量的数值分布特征,将提取到的所有原始轨迹分为漂移和非漂移2类,采取不同的策略分别压缩2类轨迹;然后,ABTDS算法分析压缩后的轨迹局部转角特征,辨识误匹配轨迹样本;最后,ABTDS算法分割误匹配样本,并用分割后的轨迹更新原始轨迹数据集。研究结果表明：ATSSW算法压缩了653条原始行人轨迹,总压缩信息损失1 002.04,总平均轨迹压缩率为6.07%,总平均轨迹压缩保留率为95.35%;原始轨迹集中存在126条误匹配轨迹,ABTDS算法辨识并成功分割了其中的107条,检出率为84.92%;所提算法抑制了原始行人轨迹中漂移点和误匹配现象所致的干扰,减少了原始轨迹数据噪声,可提高轨迹数据驱动的行人行为建模精确度;适当压缩原始轨迹,可减轻轨迹数据存储处理的负担。     

基于多特征融合的行人意图以及行人轨迹预测方法研究

行人作为重要的交通参与者,其行走意图和轨迹预测对智能驾驶汽车的决策规划具有重要意义。基于注意力机制增强的长短时记忆(Long Short-term Memory, LSTM)网络,设计一种多特征融合的行人意图以及行人轨迹预测方法。该方法通过融合行人骨架和头部方向特征,以加强行人运动特征的表达,并将融合特征作为意图预测网络输入,继而得到行人意图;由于行人运动具有不确定性,将行人意图预测类别和历史轨迹坐标的联合向量作为行人轨迹预测网络的输入,以期生成更为精确的轨迹预测结果。此外,在轨迹预测网络中引入注意力机制,以加强LSTM对各个时刻编码向量的有效利用,从而提高网络的行人轨迹预测性能,并基于Daimler数据集进行训练及验证。研究结果表明：所提出的多特征意图预测方法准确率可达96.0%,优于基于骨架单特征的意图预测网络;在预测时域为1 s的情况下,预测轨迹的位置均方根误差为347 mm,相较于恒速度(Constant Velocity, CV)模型、交互多模型(Interacting Multiple Model, IMM)、常规LSTM等基线方法均有明显的提升;在实际场景分析中,提出的方...     

改进 YOLO 算法的行人检测和慢行规划应用

行人是物体检测应用中非常重要的一类目标,在检测行人的同时对人流数量进行实时精准统计在诸多领域有着很大的实用意义。通过搭建深度学习环境,设定行人数据集并对其进行重新标注、训练和测试后,对统计视频中行人目标的正确率、漏检率和误检率行了统计。结果表明：基于改进YOLO v4的行人检测模型,能够更加准确、高效地识别密集场景下的行人目标,达到了预期目标,从而能够为城市慢行系统规划和商业区规划等领域提供应用价值。     

Injury analysis of pedestrians in collisions using the pedestrian deformable model

Vehicle safety has become the most important issue in automobile design. However, all efforts to improve safety devices focus on enhancing safety features for occupants. Notably, pedestrians are the second largest category of motor vehicle deaths, after occupants, and account for about 13 percent of motor vehicle deaths. It is essential to design pedestrian-friendly vehicles and pedestrian protection systems to reduce pedestrian fatalities and injuries. To effectively assess pedestrian injuries resulting from vehicle impact, a deformable pedestrian model must be developed for vehicle-pedestrian collision analysis. This study constructs a pedestrian-collision numerical model based on LS-DYNA finite element code. To verify the accuracy of the proposed deformable pedestrian model, experimental data are used in the pedestrian model test. This study applies the proposed model to analyze the dynamic responses and injuries of pedestrians involved in collisions. The modeled results can help assess vehicle pedestrian friendliness and assist in the future development of pedestrian-friendly vehicle technologies.     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络(Long Short-term Memory Network,LSTM)对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型(VP-LSTM).该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场...     

立体过街设施选址模型初探——以天津滨海新区过街天桥规划为例

立体过街设施是行人安全过街的主要保障措施,立体过街设施的选址是否合理关乎人们使用的便利性设施的利用率.结合行人过街特点布置立体过街设施可以大大提高设施使用率,同时也方便行人的安全过街.行人交通作为城市交通不可忽视的重要部分,通过分析国内外行人过街设施间距、行人交通特性,尝试提出立体行人过街设施选址模型.结合滨海新区的交通特性和城市用地发展布局,将行人过街设施模型进行应用,从而提出立体过街设施规划方案.     

路段行人过街设施的合理间隔

通过对路段行人过街设施的合理间隔进行分析,发现如果路段行人过街设施间隔过大,会导致行人绕行距离过长,行人乱穿道路的现象加剧;如果过小,则车辆行驶时频繁启停,行车延误增大。以行人延误和机动车延误之和最小建立目标函数,求解得到行人过街设施的合理间隔。路段行人过街设施的合理间隔与行人交通量、机动车交通量、路段长度以及行人过街宽度有关,充分考虑行人过街设施设置的各种影响因素。路段行人过街设施依据合理间隔进行设置,可以有效降低行人和机动车延误。     

野外环境下基于改进 Faster R-CNN的无人车障碍物检测方法

针对无人车在越野环境中障碍物检测存在特征提取能力不足和检测准确率低等问题,提出一种基于改进型Faster R-CNN卷积神经网络模型的障碍物检测方法。通过构建FPN与ResNet50组合的网络结构来实现对野外障碍物的特征提取,有效解决了特征提取时障碍物细节特征丢失和尺度变换大的问题。使用Soft-NMS代替NMS,避免了NMS非极大值抑制由于阈值难调整带来的误删除和误检问题。在每个卷积层残差块最后嵌入注意力机制,有助于特征图中有效特征信息筛选和减小计算量。试验结果表明,构建的改进型Faster R-CNN卷积神经网络模型可准确识别野外环境中的障碍物,从而验证了该模型有良好的检测能力,对提升无人车的野外感知能力具有重要意义。     

Study on the effects of motorcycle anti-lock-braking-system for skilled and less-skilled riders: regarding braking in a turn

The effectiveness of ABS for the motorcycle has been evaluated by comparison with deal braking. However, it is almost impossible for the typical rider to perform ideal braking in an emergency. We conducted braking in a turn test by skilled and less-skilled riders, for the purpose of evaluating the effectiveness of ABS for the typical rider and obtaining data for a method of evaluating motorcycle ABS performance. It was shown that ABS for the motorcycle is effective for both skilled and less-skilled riders in terms of braking distance and vehicle stability.