期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到7篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于卷积神经网络的人流量统计 被引量：15
1
作者 张雅俊 高陈强 +2 位作者 李佩 刘江 程华 《重庆邮电大学学报（自然科学版）》 CSCD 北大核心 2017年第2期265-271,共7页
在密集场景中,人流量统计往往因无法可靠地检测行人而使得统计精度不高。针对这一问题,在利用卷积神经网络技术基础上,采用基于头部检测的方法进行人流量统计。该方法采用级联的Adaboost检测器对人头目标进行初步筛选,再用迁移学习技术... 在密集场景中,人流量统计往往因无法可靠地检测行人而使得统计精度不高。针对这一问题,在利用卷积神经网络技术基础上,采用基于头部检测的方法进行人流量统计。该方法采用级联的Adaboost检测器对人头目标进行初步筛选,再用迁移学习技术训练卷积神经网络,并用由卷积神经网络和支持向量机构成的人头分类器模型对初步筛选得到的人头目标进行精细识别,提高检测精度率,利用航迹关联对人头目标进行跟踪统计。实验结果表明,该方法能准确快速地定位到单个行人并具有较高的统计精度。 展开更多
关键词 人流量统计 卷积神经网络(CNN) ADABOOST 迁移学习 航迹关联
下载PDF
一种基于视频的道路行人检测方法 被引量：7
2
作者 付洋 宋焕生 +1 位作者 陈艳 朱小平 《电视技术》 北大核心 2012年第13期140-144,共5页
提出了一种基于交通视频的道路行人检测方法。首先,采用具有自适应背景更新的背景差法提取运动目标。其次,利用行人的轮廓特征和行人在图像上的像素高度与实际距离的线性变化关系特征进一步分割行人目标,并依据行人位置特征对其做多帧... 提出了一种基于交通视频的道路行人检测方法。首先,采用具有自适应背景更新的背景差法提取运动目标。其次,利用行人的轮廓特征和行人在图像上的像素高度与实际距离的线性变化关系特征进一步分割行人目标,并依据行人位置特征对其做多帧匹配跟踪。最后,结合行人速度特征,实现行人目标检测。实验结果表明,该方法能准确地检测交通场景中出现的行人目标,有效地解决运动车辆的遮挡和光照等对行人目标检测的影响,具有良好的实时性和稳健性。 展开更多
关键词 行人检测 线性关系 匹配跟踪 速度 遮挡
下载PDF
车路协同环境下行人目标信息融合算法研究 被引量：5
3
作者 李泽 吕能超 +2 位作者 吴超仲 邓超 孟柯 《交通信息与安全》 2015年第6期48-53,共6页
车载行人识别系统由于存在检测距离精确度不高及受遮挡影响较大等问题,在弯道及交叉口情况下适应性差。为提高行人防碰撞系统的预警效果,提出在车路协同环境下的行人目标信息融合算法研究。采用路侧和车载摄像头检测行人轨迹信息,通过Ka... 车载行人识别系统由于存在检测距离精确度不高及受遮挡影响较大等问题,在弯道及交叉口情况下适应性差。为提高行人防碰撞系统的预警效果,提出在车路协同环境下的行人目标信息融合算法研究。采用路侧和车载摄像头检测行人轨迹信息,通过Kalman滤波进行信息预处理,其次分别通过时间对准、空间对准、轨迹关联和信息融合完成对行人目标的位置估计。最后,搭建实车实验平台,对提出的信息融合算法进行验证。实验结果显示,对于X方向的行人轨迹误差,通过轨迹融合后,行人轨迹最大绝对误差、绝对平均误差相比于融合前均有大幅度减小,分别为50.00%,55.56%;对于Y方向的行人轨迹误差,通过轨迹融合后,行人轨迹最大绝对误差、绝对平均误差相比于融合前均有大幅度减小,分别为40.00%,62.07%。实验结果表明,该融合算法提高了行人轨迹检测精度,增强了系统的预警精确度。 展开更多
关键词 交通安全 行人检测 车路协同(CVIS) 信息融合 轨迹关联
下载PDF
一种基于HOG的粒子滤波行人跟踪算法 被引量：5
4
作者 邹依峰 李峰 周荷琴 《电子技术（上海）》 2011年第8期23-25,共3页
在智能视频监控领域,作为人体运动分析重要内容的行人跟踪正受到广泛关注。在实际视频监控中,利用运动摄像机拍摄会造成背景运动与行人尺寸变化,增加行人跟踪的困难。针对这一问题,为改善实现动态背景下的行人跟踪效果,文章提出了一种... 在智能视频监控领域,作为人体运动分析重要内容的行人跟踪正受到广泛关注。在实际视频监控中,利用运动摄像机拍摄会造成背景运动与行人尺寸变化,增加行人跟踪的困难。针对这一问题,为改善实现动态背景下的行人跟踪效果,文章提出了一种综合应用梯度方向直方图(HOG)和粒子滤波的行人跟踪算法。此方法以粒子滤波为跟踪框架,利用小型化的改进HOG方法实现了小尺度行人检测,并根据其检测结果确定目标,不断修正粒子采样,实现了动态背景下的行人跟踪。仿真实验结果表明,与传统的粒子滤波算法相比,本算法能够更加准确有效地跟踪动态背景中尺寸变化的行人目标。 展开更多
关键词 智能视频监控 行人跟踪 动态背景 粒子滤波 梯度方向直方图
原文传递
无监督学习三元组用于视频行人重识别研究
5
作者 蔡江琳 韩华 +2 位作者 王春媛 潘欣宇 芮行江 《智能计算机与应用》 2022年第11期18-25,共8页
在智能交通中,对于目前产生的海量视频通过人工来标记行人图像不切实际,使无监督学习得到更多的关注。针对在无监督学习数据中缺少详细的身份信息,无法知晓目标图像对应的正负样本问题,提出一种无监督学习三元组用于视频行人重识别研究... 在智能交通中,对于目前产生的海量视频通过人工来标记行人图像不切实际,使无监督学习得到更多的关注。针对在无监督学习数据中缺少详细的身份信息,无法知晓目标图像对应的正负样本问题,提出一种无监督学习三元组用于视频行人重识别研究的方法。该方法从无标签的数据集中挖掘三元组、即目标图像,与目标图像身份相同的轨迹和与目标图像身份不同的轨迹。首先根据单相机内轨迹的时空一致性,即构成轨迹的任意帧图像具有相同的身份,将行人轨迹特征表示成图像特征均值后,通过计算rank-1轨迹作为判断三元组的条件,用于设计特殊的三元组损失函数。并根据特征距离大小分配样本权重,着重学习困难样本,使模型动态调整正、负样本对之间的距离,加速模型的收敛速率,降低过拟合风险。然后通过计算跨相机rank-1,合并高度关联的轨迹作为跨相机三元组的锚样本用于损失计算。最后联合单相机和跨相机的损失评估模型。经过实验证明,该方法在PRID2011、iLIDS-VID和MARS上的结果都表明了该模型的有效性和可靠性。 展开更多
关键词 无监督学习 行人轨迹 关联排序 时空一致性 三元组损失
下载PDF
基于扩展卡尔曼滤波的交互式多模型跟踪算法研究
6
作者 陈晓楠 张子阔 +2 位作者 索继东 罗超发 杜振邦 《现代电子技术》 北大核心 2024年第13期71-76,共6页
在辅助驾驶系统中,行人轨迹跟踪一直是一项有挑战性的任务,因为行人的回波信号中往往存在着许多干扰噪声。此外,行人在运动过程中可能会做出突然转身或其他改变方向的行为,这将直接导致行人运动轨迹呈现出非线性特征。针对上述问题,文... 在辅助驾驶系统中,行人轨迹跟踪一直是一项有挑战性的任务,因为行人的回波信号中往往存在着许多干扰噪声。此外,行人在运动过程中可能会做出突然转身或其他改变方向的行为,这将直接导致行人运动轨迹呈现出非线性特征。针对上述问题,文中提出一种基于扩展卡尔曼滤波的交互式多模型跟踪(IMM-EKF)方法,适用于毫米波雷达对行人进行轨迹跟踪。首先,在扩展卡尔曼滤波算法(EKF)的基础上重构状态预测协方差矩阵,来补偿EKF非线性化过程中引入的误差;然后将改进的EKF作为交互式多模型算法(IMM)中的滤波器,根据行人运动特性选择匀速模型和协调转弯模型作为跟踪模型,利用所提出的IMM-EKF算法进行轨迹跟踪。实验结果表明,所提出的滤波算法较典型的EKF和改进的EKF算法,在跟踪滤波精度方面均有所提升,同时具备更优的跟踪鲁棒性。 展开更多
关键词 行人轨迹跟踪 扩展卡尔曼滤波 交互式多模型 毫米波雷达 状态预测协方差矩阵 辅助驾驶
下载PDF
毫米波雷达微弱行人轨迹跟踪-预测一体化方法 被引量：1
7
作者 方鑫 何敏 +2 位作者 黄大荣 张振源 葛亮 《仪器仪表学报》 EI CAS CSCD 北大核心 2023年第11期300-309,共10页
针对城市道路场景微弱行人目标雷达回波信号极易被强背景杂波淹没,导致目标轨迹跟踪及预测失效难题,提出了一种基于调频连续波-多输入多输出毫米波雷达的微弱行人轨迹跟踪-预测一体化方法。首先,利用递归贝叶斯检测前跟踪算法,直接从未... 针对城市道路场景微弱行人目标雷达回波信号极易被强背景杂波淹没,导致目标轨迹跟踪及预测失效难题,提出了一种基于调频连续波-多输入多输出毫米波雷达的微弱行人轨迹跟踪-预测一体化方法。首先,利用递归贝叶斯检测前跟踪算法,直接从未经阈值处理的雷达三维原始频谱数据中提取目标运动轨迹,解决了传统阈值决策信息丢失带来的跟踪性能下降问题,并在此基础上提出了一种基于Transformer的端到端轨迹预测模型,进一步挖掘隐藏在跟踪轨迹中的时空相关性,完成了微弱行人目标轨迹的精准预测。实验结果表明,方法在信噪比大于-20 dB时,预测轨迹的平均位移误差和最终位移误差分别小于0.706、1.215 m,均优于高斯过程、长短期记忆网络等传统方法。 展开更多
关键词 行人轨迹预测 低信噪比 毫米波雷达 检测前跟踪
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部