三维空间行人疏散的元胞自动机模型

为了有效刻画行人在三维空间中的疏散状况,结合阶梯因素提出了一种新的三维元胞自动机模型,该模型首先基于位置吸引力和碰撞可能性给出了行人移动概率的计算公式,并通过定义元胞演化过程阐述其疏散策略,同时,利用建立的仿真平台进行实验,深入分析了疏散时间、出口流率、出口宽度、初始行人密度以及系统平均速度之间的关系,以此获得更加符合实际情况的行人流特征,结果表明,疏散时间、出口流率与初始行人密度呈现正相关,而与出口宽度呈现负相关,并且系统平均速度和出口宽度对于最优疏散时间存在一个理想阈值。     

基于立体视觉及蛇模型的行人轮廓提取及其识别

从复杂、动态多变的交通图像中准确提取障碍物的轮廓曲线是智能汽车的一个重要研究课题,它对行人保护起着十分重要的作用。Snake模型是用来自动提取物体边界的曲线模型。结合立体视觉技术和Snake模型以实现行人检测:运用基于稠密视差的立体分割方法查找并分割潜在行人目标区域,为了便于后期目标轮廓提取,基于边缘检索的立体匹配算法被进一步用于提取感趣区(ROIs)内的目标初始边界;在此基础上,用Snake模型提取目标的完整轮廓曲线;轮廓因子及目标高程被用于ROIs的验证,即行人识别。针对Snake模型易受噪声干扰及难以收敛到凹陷边界等缺陷,提出了改进的距离势能模型。以典型交通场景为分析对象,对所提出的方法进行了测试,得到了较为理想的结果。     

融合底层和中层字典特征的行人重识别

针对当前行人重识别方法采用单一底层特征识别率较低的问题,提出一种融合底层和中层特征的识别方法,由粗到精对人体目标进行匹配识别。首先提取目标的颜色直方图和纹理直方图进行粗分类;然后将人体目标分为头部、躯干和腿部3个部分。忽略包含信息量较少的头部,对躯干和腿部,提出一种中层图像块字典提取方法,并对照该字典生成中层特征,进行精确分类。底层特征结合中层特征使算法既具有较好的区分度,又具有良好的泛化能力。实验结果表明本文算法在VIPeR数据库上的n AUC比已有方法提高6.3%,对遮挡和背景粘连的鲁棒性更好。     

基于元胞自动机和复杂网络理论的双向行人流建模

通过设计行人行走倾向性调查实验,分析了行人的行走倾向性特征. 引入前进系数、右倾系数、超越系数以及影响修正系数等对元胞自动机(CA) 基本模型中的转移概率进行修正,建立了考虑行人行走倾向性特征的CA行人仿真模型. 针对该模型中的行人群体,依据k-近邻作用原理,构建行人复杂网络. 通过计算机仿真,揭示了行人流密度、速度和流量的关系以及仿真过程中出现的自组织现象.进一步分析仿真输出的行人流基本参数和行人复杂网络主要特征参数,发现对同一行人流,其平均速度和网络平均路径长度均随着行人流状态的改变而变化.最后, 通过平均路径长度和平均速度的数据拟合,得出两者之间存在着线性负相关关系的结论, 即具有较小网络平均路径长度的行人流具有较高的平均速度.     

基于双MIMU速度+角速率匹配的行人自主导航方法

针对基于零速修正（ZUPT）的行人导航系统航向误差随时间发散导致定位精度差的问题,提出了一种基于自适应零速检测与双MIMU速度+角速率匹配的行人自主导航方法。在一套自主系统中同时包含两种三轴MIMU,一套大量程MIMU用于保证原始惯性数据的完整性,一套高精度MIMU用于提供角速率基准。当高精度MIMU数据未超量程时,若基于SVM的自适应零速检测算法判断系统为零速状态,采用速度+角速率匹配方案;若系统为非零速状态,则采用角速率匹配方案,通过卡尔曼滤波器对各项误差进行估计和修正,提高系统的航向和定位精度。试验结果表明,相较于仅采用速度匹配,采用所提方法,航向精度达到了3.44°/30 min,提升了50%以上;定位精度达到了4.92 m/30 min,提升了40%以上。     

一种方向梯度直方图的降维方法

为描述对象的局部外观和形状,方向梯度直方图首先将图像划分成小区域(被称为cell),然后在其上累加像素梯度方向的一维直方图.在被称为block的较大区域(由数个相邻的cell组成)上连接cell的直方图,经归一化处理形成特征向量.为减弱由block引起的区域量化走样,在计算检测窗口的特征时,采取部分重叠block的措施,从而大大增加了特征维度以及目标检测时的计算量.通过扩大参与相邻cell之间像素梯度插值的面积,并设置适当的高斯平滑核尺度,可消除block重叠,从而将64×128尺寸的窗口的方向梯度直方图特征维度由3 780降低为1 152.INRIA的行人数据集实验表明,该方法也可减弱区域量化走样,且其性能与原方向梯度直方图几乎相当,而检测速度却显著提高.     

多运动状态下自适应阈值步态检测算法

多种运动状态情况下,由于对步行者航位推算系统中步态检测不准确,导致推算定位误差增大。针对上述弊端,提出了多运动状态下自适应阈值步态检测算法。首先,通过改进的多阈值的步态检测算法,改善支撑区间检测的准确性。然后利用随机森林算法识别站立、走路、跑步、上楼和下楼等五种常见的室内运动状态,自适应匹配相应的步态检测的阈值,以实现多运动状态下的精准步态检测,提高行人航位推算系统精度。实测结果证明,相对于传统固定阈值检测算法,该算法平面定位精度提升33.1%,步态检测精度提升89.4%。