排序方式: 共有67条查询结果,搜索用时 15 毫秒
31.
本文设计了一个双出口房间内人群疏散的实验方案,通过不同条件下疏散过程的实况录像及视频检测,得到不同人数疏散时间的许多定量结果.提出了双出口房间吸引区间的概念,证明了较小出口吸引区间的边界总是一段圆弧,可以解释行人流出口处的圆形成拱现象.通过类比地铁候车厅内人群疏散过程,建立了双出口房间内疏散时间的二次函数模型,成功拟合不同条件下的实测数据.疏散人数较少时,疏散时间随着人数增加而线性增长;人数较多,在出口附近出现待行区域时,疏散时间则呈二次函数增长.与一些已知疏散时间数学模型相比,本文模型对出口宽度变化的反应更敏感. 相似文献
32.
多条件约束的行人导航零速区间检测算法 总被引:1,自引:0,他引:1
针对MEMS惯性传感器存在漂移大、器件精度低的问题,结合行人导航系统应用需求,在分析行人运动步态的基础上,设计了一种多条件约束的行人步态零速区间检测算法。该方法综合利用足部传感器输出参量的模值、方差、幅值、峰值并通过设定阈值来提取步态中的零速点,多条件约束有效地降低了误判的可能性。最后,采用该方法对不同步速下行走过程中的零速区间进行检测,结果表明利用多条件约束法计算得到的零速区间数与实际运动步态中的零速区间数完全一致。此外,零速区间的准确提取也为后续开展行人导航速度解算误差修正算法的研究提供了依据。 相似文献
33.
针对基于MEMS惯性测量单元的行人航迹推算中步数检测方法仅利用单一的加速度信号检测精度较低的问题,提出一种多源信息自适应步数检测方法。该方法通过综合考虑人体运动过程中的加速度信号和角速度信号,根据不同的步态特征通过设定不同的自适应阈值条件实现步数的检测。虽然常规的峰值检测算法和固定阈值检测算法在单一步态下步数检测精度相对较高,但是对复杂运动状态下的步数检测精度很差,无法适用于真实的行人运动过程中步数的检测。然而多源信息自适应步数检测方法却能够在行人不同运动状态下精确检测步数,该方法明显优于常规的峰值检测方法和阈值检测方法。试验结果表明,本文提出的多源信息自适应阈值检测方法在行人不同运动状态下的步数检测精度可达98%以上。 相似文献
34.
用格子气模型真实地再现了双向行人流自组织现象的形成过程,将复杂系统模拟方法用于大学物理虚拟实验,通过教学与科研的有效结合,使教师的教学和学生的学习过程真正成为师生富有个性化的创造过程。 相似文献
35.
36.
基于手机陀螺仪的航向推算误差是影响行人航位推算定位的重要误差源之一.为了修正陀螺仪引起的航向漂移、抖动等误差,借助高级启发式漂移消除法(AHDE)在航向修正上的特点,将基于足绑式IMU的AHDE算法改进并应用于智能手机的行人航向推算中.首先利用互补滤波算法初步估算航向,通过时域内航向及其变化幅度判断行人是否直行或者沿主... 相似文献
37.
38.
《中国惯性技术学报》2020,(2)
行人航位推算是智能手机室内定位与导航系统中最常用的方法,步长估计是重要组成部分。针对现有步长估计模型精度不够高、多数模型无法用于智能手机的问题,提出了一种面向智能手机基于随机森林回归的高精度步长估计模型。利用线性回归和相关分析方法对测试数据进行特征分析,以身高、步频及其算术平方根为训练特征构建随机森林回归模型,采用十折交叉验证法的误差评定结果(相关系数和均方根误差)对随机森林回归模型进行改进。利用提出步长估计模型在4段走廊内开展实验,步行211 m的距离误差为2.582 m,相对误差约为1.22%;与常用三种模型相比,相对误差减小了2.18%~5.82%,且具有更高轨迹重合度。实验结果表明,提出模型比常用三种模型具有更高估计精度。 相似文献
39.
行人跟踪是计算机视觉领域中研究的热点和难点,通过对视频资料中行人的跟踪,可以提取出行人的运动轨迹,进而分析个体或群体的行为规律.本文首先对行人跟踪与行人检测问题之间的差别进行了阐述,其次从传统跟踪算法和基于深度学习的跟踪算法两个方面分别综述了相关算法与技术,并对经典的行人动力学模型进行了介绍,最终对行人跟踪在智能监控、拥堵人群分析、异常行为检测等场景的应用进行了系统讲解.在深度学习浪潮席卷计算机视觉领域的背景下,行人跟踪领域的研究取得了飞跃式发展,随着深度学习算法在计算机视觉领域的应用日益成熟,利用这一工具提取和量化个体和群体的行为模式,进而对大规模人群行为开展精确、实时的分析成为了该领域的发展趋势. 相似文献
40.
近年来,深度学习算法发展迅速,并广泛应用于目标检测的任务。然而,在内存和计算能力等条件受限制的设备上,无法进行实时性的目标检测。针对这一问题,提出了一种在内存和处理单元受限的监视系统中检测行人的快速方法。针对一般行人检测中提取高维度行人特征导致检测效率低的问题,将改进的方向梯度直方图(HOG)和Sobel边缘图像局部二元模式算法(Sobel-LBP)进行融合作为特征,提出基于教师-学生框架的模型压缩技术,将其应用于随机森林(RF)分类器,不使用深度网络,因为经过压缩的深度网络仍然需要大量的内存用于处理参数乘法运算。通过使用教师随机森林(T-RF)输出的soft target来训练学生浅层随机森林(S-RF),也称再生随机森林(BARF),让其模仿T-RF的表现;通过BARF分类器进行行人检测,最后使用滑动窗口法检测出行人。实验证明,与T-RF相比,提出方法的速度提高了2.05倍,压缩率提高了5.39倍,并且其检测性能也较为理想。 相似文献