CN107423679A - 一种行人意图检测方法和系统 - Google Patents
一种行人意图检测方法和系统 Download PDFInfo
- Publication number
- CN107423679A CN107423679A CN201710399828.2A CN201710399828A CN107423679A CN 107423679 A CN107423679 A CN 107423679A CN 201710399828 A CN201710399828 A CN 201710399828A CN 107423679 A CN107423679 A CN 107423679A
- Authority
- CN
- China
- Prior art keywords
- target
- intended
- pedestrian
- point cloud
- laser point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种行人意图检测方法和系统,所述方法包括:A1,设置距离传感器来采集观测区域内的目标形态数据;A2、基于目标的现有状态信息,获知其轨迹信息;A3、针对每个目标的移动轨迹及空间信息,判定该目标的行动意图。本发明提出了一种对行走目标进行轨迹追踪并预判其行为意图的方法,可以应用于智能交通灯控制。
Description
技术领域
本发明涉及目标追踪和目标行为分析技术,更具体地,涉及一种智能行人意图检测方法和系统。
背景技术
在行人通行的路口,一般使用红绿灯做交通控制,红绿灯以固定的频率交替点亮。也有一些路口设置了行人过马路按钮,可以手工开启绿灯通行。另外在一些较大的路口,都有右转专用车道,这些车道是没有红绿灯,行人通行完全是靠车主的个人素质。
那么,就存在如下问题:
1、高峰期和平时车流量不一样,但红绿灯的转换频率一致,造成道路资源利用不合理。
2、如果没有行人需要过马路,如果还进行红绿灯转换,会浪费道路资源。
3、夜间过马路时,看不到或不了解手工切换系统的人会一直等下去,或者不熟悉环境的路人会不会及时去按按钮,造成行人不便。
发明内容
针对现有技术中的问题,本发明提出一种行人意图检测方法,包括:
A1,设置距离传感器来采集观测区域内的目标形态数据;
A2、基于目标的现有状态信息,获知其轨迹信息;
A3、针对每个目标的移动轨迹及空间信息,判定该目标的行动意图。
本发明提出一种行人意图检测系统,包括处理器,所述处理器能够运行以实现:
A1、设置距离传感器来采集观测区域内的目标形态数据;
A2、基于目标的现有状态信息,获知其轨迹信息;
A3、针对每个目标的移动轨迹及空间信息,判定该目标的行动意图。
本发明提出了一种对行走目标进行轨迹追踪并预判其行为意图的方法。本发明能够应用于交通灯控制。在交叉路口安装距离传感器,采集行人和车辆数据,利用智能算法自动调整信号灯,保证行人安全,车辆高效、有序通过。解决了以下问题:
自动检测:当有行人需要通过时,以智能触发的方式代替手动按钮;无行人通过需求时,不触发或者长周期定时触发。以上述方式,实现信号灯的智能调度,提升交通效率。
时段区分:区分早晚高峰、夜间时段,以不同模式运行,最大程度优化行人与机动车在路口的交替通行;
统计计数:对于通过路口的行人计数,同时完成是否闯红灯等行为数据的采集,为后续的群体性行为分析和趋势性数据分析提供原始数据。
附图说明
图1为本发明的方法的一个实施方式的流程图;
图2为本发明的方法的一个实施方式的流程图;
图3为本发明的方法的一个实施方式的流程图。
具体实施方式
下面参照附图描述本发明的实施方式,其中相同的部件用相同的附图标记表示。
第一实施方式
如图1所示,本发明的一个实施方式的原理为:
在A1中,在信号灯所在的路口部署距离传感器,采集目标形态数据。
在A2中,基于目标的现有状态信息,获知其轨迹信息。
在A3中,针对每个目标的移动轨迹及空间信息,判定该目标是否有过街通行需求。
简单的区域进入判定并不能准确判断行人的过街意图,例如从对面过来已经完成过街过程的行人,或者在过街等待区域附近穿越的行人。在本发明中,指定过街区域及方向,通过对行人历史轨迹及目标点的几何分析(例如与指定方向一致,且接近过街区域),来实现目标意图的准确判定。
进而,在A4中,当判定目标有过街通行需求时,向信号灯控制机发送触发信号。
第二实施方式
如图2显示了根据本发明的方法的一个具体实施方式。其是对第一实施方式的改进。在本实施方式中,本发明的方法包括:
在B1中,在信号灯所在的路口部署距离传感器,采集目标形态数据。此与第一实施方式相同。
所述步骤B1还包括:
B1-1、通过距离传感器扫描获取目标(行人、自行车、电动车等)的激光点云数据。
所述距离传感器可以进行线扫描、多线扫描和/或面扫描。一般推荐使用单线扫描激光距离传感器,亦可使用多线扫描距离传感器、面扫描距离传感器。所述距离传感器设置于固定位置,距离传感器的扫描平面与地面平行。一般地,距离传感器设置于距离地面20-80cm的高度,以能够扫描到行人腿足部区域及自行车、电动车的轮胎区域即可。
距离传感器通过逐点扫描方式发射并接收非可见光光束,获取每一帧的扫描数据。该扫描数据包括:被扫描物体(目标类型)到传感器的距离、每次的扫描方位角、扫描时间和扫描频率。
一个距离传感器所采集的时序数据一般可表示为:
其中为三维点的极坐标表达,即r代表相应的检测距离,θ代表水平扫描角,代表垂直扫描角;N为一次扫描中所采集的总点数;t代表扫描的时序。
B1-2、对B1-1中采集的每帧激光点云数据提取前景数据。
具体方法为,对于前述距离传感器的每个扫描角度上的时序数据,通过在时间上进行直方图分析,即可提取出背景信息,并用于判定相应的前景数据(参见“H.Zhaoand R.Shibasaki,“A novel system for tracking pedestrians using multiplesingle-row laser range scanners,”IEEE Transactions on Systems,Man andCybernetics,Part A,vol.35,pp.283-291,2005.”)。
B1-3、对B1-2中的激光点云数据进行聚类分析。聚类是指将空间上位置相近的点划分为一个簇(cluster)的过程。
聚类后对簇中的点进行主分量分析(PCA,Principal Component Analysis),以获得各簇的形态信息,包括:该簇的质心位置、包含点的数量、主轴方向及长度、次轴方向及长度。
优选地,采用的聚类方法为Mean-shift方法,Mean-shift方法能够对三维点集进行自适应聚类(参见“D.Comaniciu and P.Meer,”Distribution free decomposition ofmultivariate data”,Pattern Analysis and Applications,vol.2,pp.22-30,1999.”)。
优选地,使用基于块计算的快速算法提升效率(参见“X.Shao,K.Katabira,R.Shibasaki and H.Zhao,"Multiple people extraction using 3D range sensor",Proc.IEEE International Conference on Systems,Man,and Cybernetics,pp.1550-1554,2010.”)。
在B2中,对目标的形态进行分析,判定目标类型(行人、自行车、电动车)。所述步骤B2还包括:
B2-1、根据B1-3的聚类结果以及各簇的形态信息,通过使用监督学习分类方法(如支持向量机方法、卷积神经网络方法),与后台模型库进行比对,判定目标类型(行人、自行车或电动车)。将目标形态与后台模型库进行比对,得出目标的轮廓信息,包括高度、宽度,由此即可断定目标类型,是属于行人、自行车或是电动车。
在B3中,基于目标的现有状态信息,跟踪观测区域中出现的每个目标,获知其轨迹信息。所述步骤B3还包括:
B3-1、基于B2-1的获得的目标信息,进行多目标跟踪。
当前通常的主流目标跟踪方法有基于Bayesian方法的序列目标跟踪方法,该方法的原理可以简述为:
记t时刻所获得的观测值为Zt,待估计的参数为θt,并令
Z1:t={Z1,Z2,...,Zt}
基于Bayesian方法的序列目标跟踪是一个迭代处理的过程。在获取t-1时刻的估计结果后,首先需要对下一时刻进行预测:
此处P(θt|θt-1)被称为动态模型,描述参数在时序上的变化过程。
在获得t时刻的观测值Zt后,对预测结果进行更新:
此处被称为观测模型,描述观测数据的分布与参数之间的关系。
针对多目标问题,可采用多种跟踪方法。优选地,使用基于马尔可夫链蒙特卡罗的多目标跟踪方法(参见Z.Khan,T.Balch,F.Dellaert.MCMC-based particle filteringfor tracking a variable number of interacting targets.IEEE transactions onpattern analysis and machine intelligence,2005,27(11):1805-1819.)。
在B4中,针对每个目标的移动轨迹及空间信息,判定该目标是否有过街通行需求。具体与第一实施方式中的A3相同。
在B5中,当判定目标有过街通行需求时,向信号灯控制机发送触发信号。
具体而言,判定有过街通行需求时,向信号灯控制机发送触发信号。通过程序控制继电器触发,即可向信号灯控制机发送信号,实现自动触发的功能,而后有信号灯控制机在原有调度逻辑上进行调度。
第三实施方式
如图3所示,本发明的第三实施方式是对第二实施方式的改进。
在C1、在信号灯所在的路口部署多个距离传感器,采集目标形态数据。此与第一实施方式相同。
所述步骤C1还包括:
C1-1、通过距离传感器扫描获取目标类型(行人、自行车、电动车等)通行目标的激光点云数据。
所述距离传感器可以进行线扫描、多线扫描和/或面扫描。一般推荐使用单线扫描激光距离传感器,亦可使用多线扫描距离传感器、面扫描距离传感器。所述距离传感器设置于固定位置,距离传感器的扫描平面与地面平行。一般地,距离传感器设置于距离地面20-80cm的高度,以能够扫描到行人腿足部区域及自行车、电动车的轮胎区域即可。
距离传感器通过逐点扫描方式发射并接收非可见光光束,获取每一帧的扫描数据。该扫描数据包括:被扫描物体(目标类型)到传感器的距离、每次的扫描方位角、扫描时间和扫描频率。
一个距离传感器所采集的时序数据一般可表示为:
其中为三维点的极坐标表达,即r代表相应的检测距离,θ代表水平扫描角,代表垂直扫描角;N为一次扫描中所采集的总点数;t代表扫描的时序。
对于每个扫描角度上的时序数据,通过在时间上进行直方图分析,即可提取出背景信息,并用于判定相应的前景数据(参见“H.Zhao and R.Shibasaki,“A novelsystem for tracking pedestrians using multiple single-row laser rangescanners,”IEEE Transactions on Systems,Man and Cybernetics,Part A,vol.35,pp.283-291,2005.”)。
C1-2、对C1-1中采集的每帧激光点云数据提取前景数据。
C1-3、通过识别观测现场的特定标定物,结合匹配和标定方法,获得各距离传感器的全局姿态信息,并结合C1-2中提取的前述前景数据,获得融合后的全局二维多传感器融合数据(参见“.Shao,Y.Shi,H.Zhao,X.Li,R.Shibasaki,“Efficient Closed-LoopMultiple-View Registration”,IEEE Transactions on Intelligent TransportationSystems,vol.15,no.6,pp.2524-2538,2014”)。
在步骤C1-3中获取的点云数据量较大,难以直接使用,因此需要聚类分析进行初步信息提取。聚类是指将空间上位置相近的点划分为一个簇(cluster)的过程。
C1-4、对C1-3中的激光点云数据进行聚类分析。
聚类后对簇中的点进行主分量分析(PCA,Principal Component Analysis),以获得各簇的形态信息,包括:该簇的质心位置、包含点的数量、主轴方向及长度、次轴方向及长度。
优选地,采用的聚类方法为Mean-shift方法,Mean-shift方法能够对三维点集进行自适应聚类(参见“D.Comaniciu and P.Meer,”Distribution free decomposition ofmultivariate data”,Pattern Analysis and Applications,vol.2,pp.22-30,1999.”)。
优选地,使用基于块计算的快速算法提升效率(参见“X.Shao,K.Katabira,R.Shibasaki and H.Zhao,"Multiple people extraction using 3D range sensor",Proc.IEEE International Conference on Systems,Man,and Cybernetics,pp.1550-1554,2010.”)。
在C2中,对目标的形态进行分析,判定目标类型(行人、自行车、电动车)。所述步骤C2还包括:
C2-1、根据C1-4的聚类结果以及各簇的形态信息,通过使用有监督学习分类方法(如支持向量机方法、卷积神经网络方法),判定目标类型(行人、自行车、电动车)。
在C3中,基于目标的现有状态信息,跟踪观测区域中出现的每个目标,获知其轨迹信息。所述步骤C3还包括:
C3-1、基于C2-1的获得的目标信息,进行多目标跟踪。
当前通常的主流目标跟踪方法有基于Bayesian方法的序列目标跟踪方法,该方法的原理可以简述为:
记t时刻所获得的观测值为Zt,待估计的参数为θt,并令
Z1:t={Z1,Z2,...,Zt}
基于Bayesian方法的序列目标跟踪是一个迭代处理的过程。在获取t-1时刻的估计结果后,首先需要对下一时刻进行预测:
此处P(θt|θt-1)被称为动态模型,描述参数在时序上的变化过程。
在获得t时刻的观测值Zt后,对预测结果进行更新:
此处被称为观测模型,描述观测数据的分布与参数之间的关系。
针对多目标问题,可采用多种跟踪方法。优选地,使用基于马尔可夫链蒙特卡罗的多目标跟踪方法(参见Z.Khan,T.Balch,F.Dellaert.MCMC-based particle filteringfor tracking a variable number of interacting targets.IEEE transactions onpattern analysis and machine intelligence,2005,27(11):1805-1819.)。
在C4中,针对每个目标的移动轨迹及空间信息,判定该目标是否有过街通行需求。具体与第一实施方式中的A3相同。
在C5中,当判定目标有过街通行需求时,向信号灯控制机发送触发信号。
具体而言,判定有过街通行需求时,向信号灯控制机发送触发信号。通过程序控制继电器触发,即可向信号灯控制机发送信号,实现自动触发的功能,而后有信号灯控制机在原有调度逻辑上进行调度。
第四实施方式
根据本发明的另一方面,提出一种智能行人识别方系统,包括:一个或多个距离传感器,布置在信号灯所在的路口,用于采集目标形态数据。
本发明的系统还包括处理器。所述处理器能够被配置为执行第一至第三实施方式中描述的步骤。
根据本发明的另一方面,提出一种计算机可读载体,所述载体记载有计算机课运行程序,所述程序被执行时,能够实现第一至第三实施方式中描述的步骤。
本发明的智能行人识别方法和系统可以对行人、车辆进行智能识别,除了可以应用在交通信号灯的控制上,还可以应用在以下场景:
1、学校、幼儿园、政府机构等周界入侵预警。
2、对人群聚集、人群行为异常、翻墙、个体行为异常等,实现实时侦测、预警。
3、交通枢纽、公共场所群体性事件和异常事件预警。
4、实时掌握乘客的分布、区域密度、行动速度,规划应急疏导的科学化路径,与广播系统联动的越界告警、非法闯入告警、聚集告警。
本发明已在某路口进行实测,可实时检测行人过街需求。有通行需求时的检测率不低于95%,无通行需求时的误报率低于5%。
以上所述的实施例,只是本发明较优选的具体实施方式,本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (10)
1.一种行人意图检测方法,其特征在于,包括:
A1,设置距离传感器来采集观测区域内的目标形态数据;
A2、基于目标的现有状态信息,获知其轨迹信息;
A3、针对每个目标的移动轨迹及空间信息,判定该目标的行动意图。
2.根据权利要求1所述的行人意图检测方法,其特征在于,步骤A3包括:
指定过街区域及方向,通过对行人历史轨迹及目标点的几何分析,来实现目标意图的准确判定。
3.根据权利要求1所述的行人意图检测方法,其特征在于,
步骤A1包括:
B1-1、通过距离传感器扫描获取目标的激光点云数据;
B1-2、对B1-1中采集的每帧激光点云数据提取前景数据;以及
B1-3、对B1-2中的激光点云数据进行聚类分析。
4.根据权利要求1所述的行人意图检测方法,其特征在于,
步骤A1包括:
C1-1、通过距离传感器扫描获取目标的激光点云数据;
C1-2、对C1-1中采集的每帧激光点云数据提取前景数据;以及
C1-3、通过识别观测现场的特定标定物,结合匹配和标定方法,获得各距离传感器的全局姿态信息,并结合C1-2中提取的前述前景数据,获得融合后的全局二维多传感器点云数据;
C1-4、对C1-3中的激光点云数据进行聚类分析。
5.根据权利要求1所述的行人意图检测方法,其特征在于,还包括:
A5、当判定目标有过街通行需求时,向信号灯控制机发送触发信号。
6.根据权利要求3或4所述的行人意图检测方法,其特征在于,在A1和A2之间还包括:a1,对目标的形态进行分析,判定目标类型,步骤a1包括:
B2-1、根据B1-3的聚类结果以及各簇的形态信息,通过使用监督学习分类方法,与后台模型库进行比对,判定目标类型。
7.一种行人意图检测系统,其特征在于,包括处理器,所述处理器被配置为实现如下步骤:
A1,设置距离传感器来采集观测区域内的目标形态数据;
A2、基于目标的现有状态信息,获知其轨迹信息;
A3、针对每个目标的移动轨迹及空间信息,判定该目标的行动意图。
8.根据权利要求8所述的行人意图检测系统,其特征在于,所述处理器被配置为实现如下步骤:
指定过街区域及方向,通过对行人历史轨迹及目标点的几何分析,来实现目标意图的准确判定。
9.根据权利要求8所述的行人意图检测系统,其特征在于,所述处理器被配置为在实现步骤A1时,实现如下步骤:
B1-1、通过距离传感器扫描获取目标的激光点云数据;
B1-2、对B1-1中采集的每帧激光点云数据提取前景数据;以及
B1-3、对B1-2中的激光点云数据进行聚类分析。
10.根据权利要求8所述的行人意图检测系统,其特征在于,所述处理器被配置为在实现步骤A1时,实现如下步骤:
C1-1、通过距离传感器扫描获取目标的激光点云数据;
C1-2、对C1-1中采集的每帧激光点云数据提取前景数据;以及
C1-3、通过识别观测现场的特定标定物,结合匹配和标定方法,获得各距离传感器的全局姿态信息,并结合C1-2中提取的前述前景数据,获得融合后的全局二维多传感器融合数据;
C1-4、对C1-3中的激光点云数据进行聚类分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710399828.2A CN107423679A (zh) | 2017-05-31 | 2017-05-31 | 一种行人意图检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710399828.2A CN107423679A (zh) | 2017-05-31 | 2017-05-31 | 一种行人意图检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107423679A true CN107423679A (zh) | 2017-12-01 |
Family
ID=60429468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710399828.2A Pending CN107423679A (zh) | 2017-05-31 | 2017-05-31 | 一种行人意图检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423679A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107919021A (zh) * | 2017-12-22 | 2018-04-17 | 长安大学 | 一种智能交通信号灯控制系统与控制方法 |
TWI657407B (zh) * | 2017-12-07 | 2019-04-21 | 財團法人資訊工業策進會 | 利用遞歸神經網路的三維點雲追蹤裝置及方法 |
CN109785643A (zh) * | 2019-03-08 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 交通灯调节的方法、装置、存储介质和终端设备 |
CN109871738A (zh) * | 2018-12-18 | 2019-06-11 | 青岛科技大学 | 一种适应人自混行环境的行人运动意图辨识方法 |
CN110390346A (zh) * | 2018-04-23 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 目标对象识别方法、装置、电子设备及存储介质 |
CN111144231A (zh) * | 2019-12-09 | 2020-05-12 | 深圳市鸿逸达科技有限公司 | 一种基于深度图像的自助通道防尾随检测方法和系统 |
CN111290321A (zh) * | 2020-03-24 | 2020-06-16 | 常州联王电子有限公司 | 一种智能化家用玻璃装饰板及其控制系统 |
US10705216B2 (en) | 2017-12-07 | 2020-07-07 | Institute For Information Industry | Three-dimensional point cloud tracking apparatus and method using recurrent neural network |
CN111723633A (zh) * | 2019-12-09 | 2020-09-29 | 深圳市鸿逸达科技有限公司 | 一种基于深度数据的人员行为模式分析方法和系统 |
CN111942407A (zh) * | 2020-07-31 | 2020-11-17 | 商汤集团有限公司 | 轨迹预测方法、装置、设备及存储介质 |
CN112329684A (zh) * | 2020-11-16 | 2021-02-05 | 常州大学 | 一种基于注视检测和交通场景识别的行人穿越马路意图识别方法 |
CN113724885A (zh) * | 2021-09-27 | 2021-11-30 | 厦门市易联众易惠科技有限公司 | 一种异常体征的识别方法、装置、设备和存储介质 |
CN113793502A (zh) * | 2021-09-15 | 2021-12-14 | 国网电动汽车服务(天津)有限公司 | 无信号灯控制下的行人过街预测方法 |
CN114426030A (zh) * | 2020-10-29 | 2022-05-03 | 华为技术有限公司 | 一种行人穿行意图估计方法、装置、设备和汽车 |
CN116884250A (zh) * | 2023-07-12 | 2023-10-13 | 凉山州交通运输应急指挥中心 | 一种基于激光雷达的预警方法及高速公路预警系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577054A (zh) * | 2009-02-27 | 2009-11-11 | 北京中星微电子有限公司 | 一种交通信号灯的控制方法及系统 |
CN103325255A (zh) * | 2013-06-29 | 2013-09-25 | 佘若凡 | 基于摄影测量技术进行区域交通状况检测的方法 |
CN104091446A (zh) * | 2014-07-11 | 2014-10-08 | 厦门磐道电子有限公司 | 行人过斑马线的智能化视频分析方法 |
CN106447698A (zh) * | 2016-09-28 | 2017-02-22 | 深圳市鸿逸达科技有限公司 | 一种基于距离传感器的多行人跟踪方法和系统 |
-
2017
- 2017-05-31 CN CN201710399828.2A patent/CN107423679A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577054A (zh) * | 2009-02-27 | 2009-11-11 | 北京中星微电子有限公司 | 一种交通信号灯的控制方法及系统 |
CN103325255A (zh) * | 2013-06-29 | 2013-09-25 | 佘若凡 | 基于摄影测量技术进行区域交通状况检测的方法 |
CN104091446A (zh) * | 2014-07-11 | 2014-10-08 | 厦门磐道电子有限公司 | 行人过斑马线的智能化视频分析方法 |
CN106447698A (zh) * | 2016-09-28 | 2017-02-22 | 深圳市鸿逸达科技有限公司 | 一种基于距离传感器的多行人跟踪方法和系统 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10705216B2 (en) | 2017-12-07 | 2020-07-07 | Institute For Information Industry | Three-dimensional point cloud tracking apparatus and method using recurrent neural network |
TWI657407B (zh) * | 2017-12-07 | 2019-04-21 | 財團法人資訊工業策進會 | 利用遞歸神經網路的三維點雲追蹤裝置及方法 |
CN107919021B (zh) * | 2017-12-22 | 2019-09-06 | 长安大学 | 一种智能交通信号灯控制系统与控制方法 |
CN107919021A (zh) * | 2017-12-22 | 2018-04-17 | 长安大学 | 一种智能交通信号灯控制系统与控制方法 |
CN110390346A (zh) * | 2018-04-23 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 目标对象识别方法、装置、电子设备及存储介质 |
CN109871738A (zh) * | 2018-12-18 | 2019-06-11 | 青岛科技大学 | 一种适应人自混行环境的行人运动意图辨识方法 |
CN109871738B (zh) * | 2018-12-18 | 2021-08-06 | 青岛科技大学 | 一种适应人自混行环境的行人运动意图辨识方法 |
CN109785643A (zh) * | 2019-03-08 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 交通灯调节的方法、装置、存储介质和终端设备 |
CN111144231A (zh) * | 2019-12-09 | 2020-05-12 | 深圳市鸿逸达科技有限公司 | 一种基于深度图像的自助通道防尾随检测方法和系统 |
CN111144231B (zh) * | 2019-12-09 | 2022-04-15 | 深圳市鸿逸达科技有限公司 | 一种基于深度图像的自助通道防尾随检测方法和系统 |
CN111723633B (zh) * | 2019-12-09 | 2022-05-20 | 深圳市鸿逸达科技有限公司 | 一种基于深度数据的人员行为模式分析方法和系统 |
CN111723633A (zh) * | 2019-12-09 | 2020-09-29 | 深圳市鸿逸达科技有限公司 | 一种基于深度数据的人员行为模式分析方法和系统 |
CN111290321A (zh) * | 2020-03-24 | 2020-06-16 | 常州联王电子有限公司 | 一种智能化家用玻璃装饰板及其控制系统 |
CN111290321B (zh) * | 2020-03-24 | 2021-10-29 | 常州联王电子有限公司 | 一种智能化家用玻璃装饰板及其控制系统 |
CN111942407A (zh) * | 2020-07-31 | 2020-11-17 | 商汤集团有限公司 | 轨迹预测方法、装置、设备及存储介质 |
CN114426030A (zh) * | 2020-10-29 | 2022-05-03 | 华为技术有限公司 | 一种行人穿行意图估计方法、装置、设备和汽车 |
WO2022088658A1 (zh) * | 2020-10-29 | 2022-05-05 | 华为技术有限公司 | 一种行人穿行意图估计方法、装置、设备和汽车 |
CN114426030B (zh) * | 2020-10-29 | 2024-04-09 | 华为技术有限公司 | 一种行人穿行意图估计方法、装置、设备和汽车 |
CN112329684A (zh) * | 2020-11-16 | 2021-02-05 | 常州大学 | 一种基于注视检测和交通场景识别的行人穿越马路意图识别方法 |
CN112329684B (zh) * | 2020-11-16 | 2024-04-30 | 常州大学 | 一种基于注视检测和交通场景识别的行人穿越马路意图识别方法 |
CN113793502A (zh) * | 2021-09-15 | 2021-12-14 | 国网电动汽车服务(天津)有限公司 | 无信号灯控制下的行人过街预测方法 |
CN113724885A (zh) * | 2021-09-27 | 2021-11-30 | 厦门市易联众易惠科技有限公司 | 一种异常体征的识别方法、装置、设备和存储介质 |
CN113724885B (zh) * | 2021-09-27 | 2023-12-05 | 厦门市易联众易惠科技有限公司 | 一种异常体征的识别方法、装置、设备和存储介质 |
CN116884250A (zh) * | 2023-07-12 | 2023-10-13 | 凉山州交通运输应急指挥中心 | 一种基于激光雷达的预警方法及高速公路预警系统 |
CN116884250B (zh) * | 2023-07-12 | 2024-01-26 | 凉山州交通运输应急指挥中心 | 一种基于激光雷达的预警方法及高速公路预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423679A (zh) | 一种行人意图检测方法和系统 | |
Zhao et al. | Detection and tracking of pedestrians and vehicles using roadside LiDAR sensors | |
Wu et al. | Automatic lane identification using the roadside LiDAR sensors | |
Coifman et al. | A real-time computer vision system for vehicle tracking and traffic surveillance | |
Chen et al. | Deer crossing road detection with roadside LiDAR sensor | |
Morris et al. | A survey of vision-based trajectory learning and analysis for surveillance | |
CN113345237A (zh) | 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质 | |
Liu et al. | A survey of vision-based vehicle detection and tracking techniques in ITS | |
KR20200071799A (ko) | 딥러닝 인공지능 기술을 이용한 객체인식 및 카운팅 방법 | |
CN102819764A (zh) | 一种适用于交通路口复杂场景下的多视角人流量统计方法 | |
CN113326719A (zh) | 一种用于目标追踪的方法、设备及系统 | |
CN111368650B (zh) | 一种基于轨迹数据的人群拥挤行为识别方法 | |
CN107221175A (zh) | 一种行人意图检测方法和系统 | |
CN108717540A (zh) | 基于2d激光雷达区分行人和车辆的方法及装置 | |
Lee et al. | Clustering learning model of CCTV image pattern for producing road hazard meteorological information | |
Jan et al. | A convolutional neural network based deep learning technique for identifying road attributes | |
CN109272482A (zh) | 一种基于序列图像的城市路口车辆排队检测系统 | |
Coscia et al. | Point-based path prediction from polar histograms | |
Pi et al. | Visual recognition for urban traffic data retrieval and analysis in major events using convolutional neural networks | |
Malinovskiy et al. | Model‐free video detection and tracking of pedestrians and bicyclists | |
Sánchez et al. | Using adaptive background subtraction into a multi-level model for traffic surveillance | |
Börcs et al. | Dynamic 3D environment perception and reconstruction using a mobile rotating multi-beam Lidar scanner | |
Chiang et al. | Fast multi-resolution spatial clustering for 3D point cloud data | |
CN114067552A (zh) | 一种基于路侧激光雷达的行人过街轨迹追踪与预测方法 | |
Stubbs et al. | A real-time collision warning system for intersections |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171201 |