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。     

基于网格分类与纵横向注意力的城市道路车道线检测方法

车道线检测是汽车安全辅助驾驶系统的基础模块,在城市道路场景下车道线存在受碾压致特征缺失、车辆间相互遮挡以及光照环境复杂多变等问题,本文提出基于网格分类与纵横向注意力的车道线检测方法。提取道路图像的全局特征图,将其划分为若干网格,计算网格中车道线的存在概率;通过将车道线检测转化为网格位置的分类,定位每条车道线的特征点;构建基于Ghost模块的主干网络,结合车道线的形状特征,引入纵横向注意力机制,通过增强车道线纹理特征和融合位置信息,获取缺失的细节特征;利用三次多项式,拟合车道线特征点,修正车道线的检测结果。基于TuSimple与CULane数据集,在ResNet18、ResNet34和DarkNet53中嵌入纵横向注意力模块,并开展对比实验。结果表明：在TuSimple数据集上,嵌入纵横向注意力模块后,模型精度均提升了约0.1%,与其他模型相比,Ghost-VHA模型的准确率为95.96%。在CULane数据集上,嵌入纵横向注意力模块可提升精度约0.65%,与其他模型相比,Ghost-VHA的F1分数为72.84%,提升了0.54%。在TuSimple与CULane数据集上,Ghost-...