CN110245554B - 一种行人运动趋势的预警的方法、系统平台及存储介质 - Google Patents

一种行人运动趋势的预警的方法、系统平台及存储介质 Download PDF

Info

Publication number
CN110245554B
CN110245554B CN201910356599.5A CN201910356599A CN110245554B CN 110245554 B CN110245554 B CN 110245554B CN 201910356599 A CN201910356599 A CN 201910356599A CN 110245554 B CN110245554 B CN 110245554B
Authority
CN
China
Prior art keywords
pedestrian
early warning
data information
gradient
probability
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.)
Active
Application number
CN201910356599.5A
Other languages
English (en)
Other versions
CN110245554A (zh
Inventor
李然
吴鸿
袁峰
郭桂福
黄祖成
赵天苑
邵贤鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Zhicheng Guangzhou Information Technology Co ltd
Original Assignee
Zhongke Zhicheng Guangzhou Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongke Zhicheng Guangzhou Information Technology Co ltd filed Critical Zhongke Zhicheng Guangzhou Information Technology Co ltd
Priority to CN201910356599.5A priority Critical patent/CN110245554B/zh
Publication of CN110245554A publication Critical patent/CN110245554A/zh
Application granted granted Critical
Publication of CN110245554B publication Critical patent/CN110245554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Multimedia (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Remote Sensing (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及互联网技术领域，具体涉及一种行人运动趋势的预警的方法、系统、平台及存储介质。本发明通过获取行人图像原始数据信息；通过梯度计算，得出行人移动特征数据信息；将计算得到的行人移动特征数据信息同历史轨迹数据进行路径匹配；根据路径匹配结果，预测判断出行人行走的轨迹；根据预测判断的轨迹数据信息，实时发出预警信息。能在行人前往马路两侧的路上、推测其行为趋势、在其还没有到达马路及横穿马路之前发出预警，并将预警发送给附近更多的智能网联车。

Description

一种行人运动趋势的预警的方法、系统平台及存储介质
技术领域
本发明涉及互联网技术领域，具体涉及一种行人运动趋势的预警的方法、系统、平台及存储介质。
背景技术
截止目前，主流方向是路侧单元设备通过摄像头和微波设备对已经处在马路周边的行人进行感知，再将预警信息通过LTE-V-C广播出去。即路侧单元设备只能将到行人的风险通过广播发送给智能网联车，无法感知行人的风险，也无法将其风险发送预警给智能网联车。
而且，现有的都是基于路侧单元设备预警系统由摄像头、微波、路侧单元网络系统组成，布置于行人频繁出入的路段及视野相对狭小的路口，通过摄像头、微波设备辨识一定范围内行人位置，通过LTE-V-C网络发布信息提示，防止碰撞发生。但其发布信息的时间是行人已经在马路两侧、或行人已经开始横穿马路时才发布，对于智能网联车预警的及时性不够，预警价值相对较小，且信息发布的范围有限，无法覆盖到更远范围的智能网联车辆。
发明内容
针对以上对于智能网联车预警的及时性不够，预警价值相对较小，且信息发布的范围有限，无法覆盖到更远范围的智能网联车辆的问题的缺陷，本发明提供一种行人运动趋势的预警的方法、系统、平台及存储介质，可以通过智能网联车及时预警，预警价值高，且信息发布的范围广，可以覆盖到更远范围的智能网联车辆。
本发明具体通过以下技术方案实现：
一种行人运动趋势的预警的方法，所述的方法具体包括如下步骤：
获取行人图像原始数据信息；
通过梯度计算，得出行人移动特征数据信息；
将计算得到的行人移动特征数据信息同历史轨迹数据进行路径匹配；
根据路径匹配结果，预测判断出行人行走的轨迹；
根据预测判断的轨迹数据信息，实时发出预警信息。
进一步地，于步骤获取行人图像原始数据信息中，具体为通过摄像头拍摄的每一帧的静态图片中，利用HOG特征提取算法识别出行人，并生成一个边界框。
进一步地，于步骤获取行人图像原始数据信息中，还包括如下步骤：
获取拍摄到的行人图像原始数据信息；
根据图像原始数据信息，对图像颜色空间归一化处理；
对颜色空间归一化处理的图像进行预补偿处理；
将经过预补偿的实数值进行反归一化处理。
进一步地，于步骤通过梯度计算，得出行人移动特征数据信息中，梯度在图像中对应的为其一阶导数，具体地公式如下：
Figure BDA0002045622000000021
其中
Figure BDA0002045622000000022
即为所求的梯度，Gx是沿x方向上的梯度，Gy是沿y方向上的梯度，梯度的幅值计算公式如下：
Figure BDA0002045622000000023
方向角的计算公式如下：
Figure BDA0002045622000000024
进一步地，于步骤通过梯度计算，得出行人移动特征数据信息中，还包括步骤：
对行人移动特征划分成多个互不重叠且大小相同的细胞单元；
计算出每个细胞单元梯度大小和梯度方向。
进一步地，于步骤计算出每个细胞单元梯度大小和梯度方向之后，还包括步骤：
将计算的多个细胞单元组合成块；
对组合成块的梯度直方图作归一化；
对归一化的行人特征进行SVM分类；
提取行人的轮廓并用边框标注出来。
进一步地，于步骤将计算得到的行人移动特征数据信息同历史轨迹数据进行路径匹配之中；还包括步骤：
采用低纬度特征来捕捉行人的移动特征；
根据捕捉行人的移动特征，结合历史轨迹数据进行路径匹配；
具体路径匹配算法如下：
Figure BDA0002045622000000031
Figure BDA0002045622000000032
A和B两者之间的“距离”为：
Figure BDA0002045622000000033
其中A,B为两路径，NA，NB分别表示路径A和B的个数，ai,bi分别为A,B路径中的状态，ε为固定的决策边界，head(A)表示序列
Figure BDA0002045622000000034
L1(*)表示L1标准，distLCS(A,B)∈[0,1]。
进一步地，于步骤根据路径匹配结果，预测判断出行人行走的轨迹中，还包括如下步骤：
根据路径匹配结果，计算出行人停止的概率；具体算法如下：
Figure BDA0002045622000000041
其中，p(Cs|L)为待求的人停止的概率，Cs表示行人停止的轨迹库，Cw表示行人行走的轨迹库，w(l)＝1-distQRLCS(A,B)；
Figure BDA0002045622000000042
为最终预测到的状态；
通过计算出的行人停止的概率，结合历史的时间，地点和天气情况做多元预测的回归分析。
进一步地，于步骤根据预测判断的轨迹数据信息，实时发出预警信息中，还包括如下步骤：
根据最终获得不同概率值的轨迹数据信息，发出不同程度的预警信息。
为实现上述目的，本发明还提供一种行人运动趋势的预警的系统，所述的系统具体包括：
获取单元，用于获取行人图像原始数据信息；
梯度计算单元，用于通过梯度计算，得出行人移动特征数据信息；
路径匹配单元，用于将计算得到的行人移动特征数据信息同历史轨迹数据进行路径匹配；
预测判断单元，根据路径匹配结果，预测判断出行人行走的轨迹；
预警单元，用于根据预测判断的轨迹数据信息，实时发出预警信息。
进一步地，所述的获取单元还包括：
第一获取模块，用于获取拍摄到的行人图像原始数据信息；
第一归一化处理模块，用于根据图像原始数据信息，对图像颜色空间归一化处理；
预补偿处理模块，用于对颜色空间归一化处理的图像进行预补偿处理；
反归一化处理模块，用于将经过预补偿的实数值进行反归一化处理；
相应地，梯度计算单元还包括：
特征划分模块，用于对行人移动特征划分成多个互不重叠且大小相同的细胞单元；
细胞单元计算模块，用于计算出每个细胞单元梯度大小和梯度方向；
细胞单元组合模块，用于将计算的多个细胞单元组合成块；
第二归一化处理模块，用于对组合成块的梯度直方图作归一化；
SVM分类模块，用于对归一化的行人特征进行SVM分类；
边框标注模块，用于提取行人的轮廓并用边框标注出来；
相应地，路径匹配单元还包括：
特征捕捉模块，用于采用低纬度特征来捕捉行人的移动特征；
第一路径匹配模块，用于根据捕捉行人的移动特征，结合历史轨迹数据进行路径匹配；
相应地，预测判断单元还包括：
停止概率计算模块，用于根据路径匹配结果，计算出行人停止的概率；
回归分析模块，用于通过计算出的行人停止的概率，结合历史的时间，地点和天气情况做多元预测的回归分析；
相应地，预警单元还包括：
第一预警模块，用于根据最终获得不同概率值的轨迹数据信息，发出不同程度的预警信息。
为实现上述目的，本发明还提供一种行人运动趋势的预警的平台，包括：
处理器、存储器以及行人运动趋势的预警平台控制程序；
其中在所述处理器执行所述行人运动趋势的预警平台控制程序，所述行人运动趋势的预警平台控制程序被存储在所述存储器中，所述的行人运动趋势的预警平台控制程序，实现所述的行人运动趋势的预警的方法步骤。
为实现上述目的，本发明还提供一种计算机可读取存储介质，所述计算机可读取存储介质存储有行人运动趋势的预警平台控制程序，所述行人运动趋势的预警平台控制程序，实现所述的行人运动趋势的预警的方法步骤。
与现有技术相比，本发明具有以下有益效果：
本发明通过一种行人运动趋势的预警的方法，
获取行人图像原始数据信息；
通过梯度计算，得出行人移动特征数据信息；
将计算得到的行人移动特征数据信息同历史轨迹数据进行路径匹配；
根据路径匹配结果，预测判断出行人行走的轨迹；
根据预测判断的轨迹数据信息，实时发出预警信息。
及相应地系统单元和模块：
获取单元，用于获取行人图像原始数据信息；
梯度计算单元，用于通过梯度计算，得出行人移动特征数据信息；
路径匹配单元，用于将计算得到的行人移动特征数据信息同历史轨迹数据进行路径匹配；
预测判断单元，根据路径匹配结果，预测判断出行人行走的轨迹；
预警单元，用于根据预测判断的轨迹数据信息，实时发出预警信息。
进一步地，所述的获取单元还包括：
第一获取模块，用于获取拍摄到的行人图像原始数据信息；
第一归一化处理模块，用于根据图像原始数据信息，对图像颜色空间归一化处理；
预补偿处理模块，用于对颜色空间归一化处理的图像进行预补偿处理；
反归一化处理模块，用于将经过预补偿的实数值进行反归一化处理；
相应地，梯度计算单元还包括：
特征划分模块，用于对行人移动特征划分成多个互不重叠且大小相同的细胞单元；
细胞单元计算模块，用于计算出每个细胞单元梯度大小和梯度方向；
细胞单元组合模块，用于将计算的多个细胞单元组合成块；
第二归一化处理模块，用于对组合成块的梯度直方图作归一化；
SVM分类模块，用于对归一化的行人特征进行SVM分类；
边框标注模块，用于提取行人的轮廓并用边框标注出来；
相应地，路径匹配单元还包括：
特征捕捉模块，用于采用低纬度特征来捕捉行人的移动特征；
第一路径匹配模块，用于根据捕捉行人的移动特征，结合历史轨迹数据进行路径匹配；
相应地，预测判断单元还包括：
停止概率计算模块，用于根据路径匹配结果，计算出行人停止的概率；
回归分析模块，用于通过计算出的行人停止的概率，结合历史的时间，地点和天气情况做多元预测的回归分析；
相应地，预警单元还包括：
第一预警模块，用于根据最终获得不同概率值的轨迹数据信息，发出不同程度的预警信息。
及相应地平台及存储介质；
能在行人前往马路两侧的路上、推测其行为趋势、在其还没有到达马路及横穿马路之前发出预警，并将预警发送给附近更多的智能网联车。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种行人运动趋势的预警的方法架构流程示意图；
图2为本发明一种行人运动趋势的预警的系统架构示意图；
图3为本发明一种行人运动趋势的预警的平台架构示意图；
图4为本发明一种实施例中计算机可读取存储介质架构示意图；
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为便于更好的理解本发明的目的、技术方案和优点更加清楚，下面结合附图和具体的实施方式对本发明作进一步说明，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。
本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。其次，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
优选地，本发明一种行人运动趋势的预警的方法应用在一个或者多个终端或者服务器中。所述终端是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述终端可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可以与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
本发明为实现一种行人运动趋势的预警的方法、系统、平台及存储介质。
如图1所示，是本发明实施例提供的行人运动趋势的预警的方法的流程图。
在本实施例中，所述行人运动趋势的预警的方法，可以应用于具备显示功能的终端或者固定终端中，所述终端并不限定于个人电脑、智能手机、平板电脑、安装有摄像头的台式机或一体机等。
所述行人运动趋势的预警的方法也可以应用于由终端和通过网络与所述终端进行连接的服务器所构成的硬件环境中。网络包括但不限于：广域网、城域网或局域网。本发明实施例的行人运动趋势的预警的方法可以由服务器来执行，也可以由终端来执行，还可以是由服务器和终端共同执行。
例如，对于需要进行行人运动趋势的预警的终端，可以直接在终端上集成本发明的方法所提供的行人运动趋势的预警的功能，或者安装用于实现本发明的方法的客户端。再如，本发明所提供的方法还可以软件开发工具包(Software Development Kit，SDK)的形式运行在服务器等设备上，以SDK的形式提供行人运动趋势的预警的功能的接口，终端或其他设备通过所提供的接口即可实现行人运动趋势的预警的功能。
如图1所示，本发明提供了一种行人运动趋势的预警的方法，所述方法具体包括如下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
获取行人图像原始数据信息；
通过梯度计算，得出行人移动特征数据信息；
将计算得到的行人移动特征数据信息同历史轨迹数据进行路径匹配；
根据路径匹配结果，预测判断出行人行走的轨迹；
根据预测判断的轨迹数据信息，实时发出预警信息。
总体思想是通过行人当前的运动轨迹与画像数据库中存储的历史运动轨迹进行匹配，以对目前的运动趋势做预测。整个系统工作分为五步进行：检测行人、获取行人移动特征、概率路径匹配、行为预测和综合判断。
具体地，于步骤获取行人图像原始数据信息中，具体为通过摄像头拍摄的每一帧的静态图片中，利用HOG特征提取算法识别出行人，并生成一个边界框。
较佳地，于步骤获取行人图像原始数据信息中，还包括如下步骤：
获取拍摄到的行人图像原始数据信息；
根据图像原始数据信息，对图像颜色空间归一化处理；
对颜色空间归一化处理的图像进行预补偿处理；
将经过预补偿的实数值进行反归一化处理。
具体地，于步骤通过梯度计算，得出行人移动特征数据信息中，梯度在图像中对应的为其一阶导数，具体地公式如下：
Figure BDA0002045622000000101
其中，
Figure BDA0002045622000000102
即为所求的梯度，Gx是沿x方向上的梯度，Gy是沿y方向上的梯度，
梯度的幅值计算公式如下：
Figure BDA0002045622000000103
方向角的计算公式如下：
Figure BDA0002045622000000104
进一步地，于步骤通过梯度计算，得出行人移动特征数据信息中，还包括步骤：
对行人移动特征划分成多个互不重叠且大小相同的细胞单元；
计算出每个细胞单元梯度大小和梯度方向。
进一步地，于步骤计算出每个细胞单元梯度大小和梯度方向之后，还包括步骤：
将计算的多个细胞单元组合成块；
对组合成块的梯度直方图作归一化；
对归一化的行人特征进行SVM分类；
提取行人的轮廓并用边框标注出来。
进一步地，于步骤将计算得到的行人移动特征数据信息同历史轨迹数据进行路径匹配之中；还包括步骤：
采用低纬度特征来捕捉行人的移动特征；
根据捕捉行人的移动特征，结合历史轨迹数据进行路径匹配；
具体路径匹配算法如下：
Figure BDA0002045622000000111
Figure BDA0002045622000000112
A和B两者之间的“距离”为：
Figure BDA0002045622000000113
其中A,B为两路径，NA，NB分别表示路径A和B的个数，ai,bi分别为A,B路径中的状态，ε为固定的决策边界，head(A)表示序列
Figure BDA0002045622000000114
L1(*)表示L1标准，distLCS(A,B)∈[0,1]。
进一步地，于步骤根据路径匹配结果，预测判断出行人行走的轨迹中，还包括如下步骤：
根据路径匹配结果，计算出行人停止的概率；具体算法如下：
Figure BDA0002045622000000121
其中，p(Cs|L)为待求的人停止的概率，Cs表示行人停止的轨迹库，Cw表示行人行走的轨迹库，w(l)＝1-distQRLCS(A,B)；
Figure BDA0002045622000000122
为最终预测到的状态；
通过计算出的行人停止的概率，结合历史的时间，地点和天气情况做多元预测的回归分析。
进一步地，于步骤根据预测判断的轨迹数据信息，实时发出预警信息中，还包括如下步骤：
根据最终获得不同概率值的轨迹数据信息，发出不同程度的预警信息。
也就是说，进行预处理：先对图像利用Gamma使颜色空间归一化。减少光照对图片的影响。
归一化：利用(i+0.5)/256将像素值转换为0到1之间的实数。这里包含1个除法和1个加法操作。对于像素A而言,其对应的归一化值为0.783203。
预补偿：根据公式,求出像素归一化后的数据以1/gamma为指数的对应值。这一步包含一个求指数运算。
反归一化：将经过预补偿的实数值反变换为0～255之间的整数值。具体算法为:f*256-0.5此步骤包含一个乘法和一个减法运算。
梯度计算：边缘是由图像局部特征包括灰度、颜色和纹理的突变导致的。一幅图像中相邻的像素点之间变化比较少，区域变化比较平坦，则梯度幅值就会比较小，反之，则梯度幅值就会比较大。梯度在图像中对应的就是其一阶导数。
Figure BDA0002045622000000123
其中，Gx是沿x方向上的梯度，Gy是沿y方向上的梯度，梯度的幅值及方向角可表示如下：
Figure BDA0002045622000000124
Figure BDA0002045622000000131
针对数字图像中像素点的梯度是用差分来计算的：
Figure BDA0002045622000000132
其一维离散模板如下：
Gx(x,y)＝H(x+1,y)-H(x-1,y) (8)
Gy(x,y)＝H(x,y+1)-H(x,y-1) (9)
式中，Gx，Gy，H(x,y)分别表示的是像素点(x,y)在水平方向上及垂直方向上的梯度以及像素的灰度值，其梯度的幅值及方向计算公式如下：
Figure BDA0002045622000000133
Figure BDA0002045622000000134
计算细胞单元的梯度直方图：对于整个目标窗口，我们需要将其分成互不重叠大小相同的细胞单元，然后分别计算出每个单元的梯度大小和梯度方向。一般考虑将像素的梯度方向在0-180°区间内平均划分为9个bins，每个单元内的像素为其所在的梯度方向直方图进行加权投票，试验证明加权的权值为像素本身的梯度幅值效果最好。
对组合成块的梯度直方图作归一化：基本思想是将计算的多个细胞单元组合成更大的块，图像作为一个检测窗口，块作为滑动窗口依次从左到右、从上到下进行滑动。
包括2*2＝4个单元，对于块的梯度直方图向量的归一化，本发明使用的范数表达式为：
Figure BDA0002045622000000135
其中的范数‖V‖为
Figure BDA0002045622000000136
对归一化的特征进行SVM分类，并提取行人的轮廓并用边框标注出来
获取行人移动特征：对于移动特征的获取本发明采用低纬度特征来捕捉行人腿上和上身的行为变化。为了确保在行人在因为肢体扩展而造成轻微的位置误差的情况下能够一直在待检测的边界框中，本文将边界框的尺寸设置为4:3。运动向量中不属于行人身体部分的值将会被遗弃。剩下的值将用于跟踪用户的行动轨迹，本发明采用中值流的方法提取人体运动的轨迹。先在图像中取均匀的点并计算每个点的运动向量，然后将所有运动向量的夹角归一化到8个值中：即对任意的方向向量v＝[vx,vy]T可以分布到离散值b∈[0,7]，如果θ＝arctan(vx/vy),则归一化后对应的b的值为：
Figure BDA0002045622000000141
然后列出每个b的柱状统计图(权值为b对应的方向向量的总个数)。然后应用主成分分析(PCA)获取最高的三个特征值作为最终的特征值
概率路径匹配：行人的运动轨迹可以表示为一个有序的元组X＝((x1,t1),…,(xn,tn))。对于每一个时间戳ti其对应的xi为状态，其状态包括位置坐标和步骤二计算出的额外特征值。从画像数据库中读取过马路和停止过马路的历史轨迹数据。并将目前得到的观测数据与历史数据X进行匹配，本发明使用的匹配算法是基于四元旋转不变最长公共子序列(QRLCS)矩阵。具体的算法如下：
Figure BDA0002045622000000142
Figure BDA0002045622000000143
A和B两者之间的“距离”为
Figure BDA0002045622000000144
其中A,B为两路径，ai,bi分别为A,B路径中的状态，这里定义了固定的决策边界ε，L1(*)表示L1标准，其中distLCS(A,B)∈[0,1]。
行为预测
根据上面步骤3求得的distQRLCS(A,B)，我们可以据此求出行人可能停止的概率：
Figure BDA0002045622000000151
其中Cs表示行人停止的轨迹库，Cw表示行人行走的轨迹库，
w(l)＝1-distQRLCS(A,B) (13)
综合判断；得到停止的概率后，需要根据人脸的识别结合身份数据库找到该行人的选择历史，根据历史的时间，地点和天气情况做多元预测的回归分析。进而给出当前时间，地点和天气状况下可能停止行走的概率：比如：令y＝θ0+θ1x1+θ2x2+θ3x3,其中x1、x2、x3分别表示三个可变元素，利用最小二乘法找到θi的最优解：即使
Figure BDA0002045622000000152
尽可能小。算出θi之后带入当前的环境值然后对当前行人过马路的概率做预测。最后将其与步骤4得到的概率值做加权平均。物联网联动设备可以根据最终获得的概率值做不同程度的预警。比如：0到20％、20％到40％、40％到60％、60％到100％。
物联网智能联动技术：所有物联网设备及服务器的各种交互事件，都存在一定的触发条件和执行输出。在行人横穿马路的场景中，所有的条件、执行输出都可能会因为变量的多样性而使得交互事件变得更复杂，进而影响整体的运行效率。物联网智能联动技术通过对所有的事件进行建模，灵活组装成特定场景下的智能联动策略，当变量达到一定条件时，所有协同工作将自动进行。
为实现上述目的，如图2所示，本发明还提供一种行人运动趋势的预警的系统，所述的系统包括：
获取单元，用于获取行人图像原始数据信息；
梯度计算单元，用于通过梯度计算，得出行人移动特征数据信息；
路径匹配单元，用于将计算得到的行人移动特征数据信息同历史轨迹数据进行路径匹配；
预测判断单元，根据路径匹配结果，预测判断出行人行走的轨迹；
预警单元，用于根据预测判断的轨迹数据信息，实时发出预警信息。
进一步地，所述的获取单元还包括：
第一获取模块，用于获取拍摄到的行人图像原始数据信息；
第一归一化处理模块，用于根据图像原始数据信息，对图像颜色空间归一化处理；
预补偿处理模块，用于对颜色空间归一化处理的图像进行预补偿处理；
反归一化处理模块，用于将经过预补偿的实数值进行反归一化处理；
相应地，梯度计算单元还包括：
特征划分模块，用于对行人移动特征划分成多个互不重叠且大小相同的细胞单元；
细胞单元计算模块，用于计算出每个细胞单元梯度大小和梯度方向；
细胞单元组合模块，用于将计算的多个细胞单元组合成块；
第二归一化处理模块，用于对组合成块的梯度直方图作归一化；
SVM分类模块，用于对归一化的行人特征进行SVM分类；
边框标注模块，用于提取行人的轮廓并用边框标注出来；
相应地，路径匹配单元还包括：
特征捕捉模块，用于采用低纬度特征来捕捉行人的移动特征；
第一路径匹配模块，用于根据捕捉行人的移动特征，结合历史轨迹数据进行路径匹配；
相应地，预测判断单元还包括：
停止概率计算模块，用于根据路径匹配结果，计算出行人停止的概率；
回归分析模块，用于通过计算出的行人停止的概率，结合历史的时间，地点和天气情况做多元预测的回归分析；
相应地，预警单元还包括：
第一预警模块，用于根据最终获得不同概率值的轨迹数据信息，发出不同程度的预警信息。
本发明还提出一种行人运动趋势的预警的平台，如图3所示，包括：
处理器、存储器以及行人运动趋势的预警平台控制程序；
其中在所述处理器执行所述行人运动趋势的预警平台控制程序，所述行人运动趋势的预警平台控制程序被存储在所述存储器中，所述行人运动趋势的预警平台控制程序，实现所述的行人运动趋势的预警的方法步骤，例如：
获取行人图像原始数据信息；
通过梯度计算，得出行人移动特征数据信息；
将计算得到的行人移动特征数据信息同历史轨迹数据进行路径匹配；
根据路径匹配结果，预测判断出行人行走的轨迹；
根据预测判断的轨迹数据信息，实时发出预警信息。
步骤具体细节已在上文阐述，此处不再赘述；
本发明实施例中，所述的行人运动趋势的预警的平台内置处理器，可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processingunit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器利用各种接口和线路连接取各个部件，通过运行或执行存储在存储器内的程序或者单元，以及调用存储在存储器内的数据，以执行竞价调控的各种功能和处理数据；
存储器用于存储程序代码和各种数据，安装在行人运动趋势的预警的平台中，并在运行过程中实现高速、自动地完成程序或数据的存取。
所述存储器包括只读存储器(Read-Only Memory，ROM)，随机存储器(RandomAccess Memory，RAM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
本发明还提出一种计算机可读取存储介质，如图4所示，所述计算机可读取存储介质存储有行人运动趋势的预警平台控制程序，所述行人运动趋势的预警平台控制程序，实现所述的行人运动趋势的预警的方法步骤，例如，
获取行人图像原始数据信息；
通过梯度计算，得出行人移动特征数据信息；
将计算得到的行人移动特征数据信息同历史轨迹数据进行路径匹配；
根据路径匹配结果，预测判断出行人行走的轨迹；
根据预测判断的轨迹数据信息，实时发出预警信息。
步骤具体细节已在上文阐述，此处不再赘述；
在本发明的实施方式的描述中，需要说明的是，流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理模块的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读取介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读取介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
通过本发明的步骤、系统、平台及存储介质，可以建立行人身份数据库。基于路侧的摄像头视频流，通过云端对视频中的行人进行人脸识别，根据其特征建立行人身份数据库。
建立行人画像数据库。基于路侧的摄像头视频流，在通过云端对视频中的行人进行识别后，继续识别行人是否横穿马路的行为，并根据行为发生的时间、地点、天气和频率，对行人的画像进行建模。
建立行人横穿马路趋势分析平台。基于路侧的摄像头视频流、及行人身份数据库专题库，通过云端对视频中的行人进行识别后，结合行人画像专题库的数据，推测行人在当前时间、当前地点、当前天气是否有可能会横穿马路的趋势。
建立物联网智能联动平台。基于行人横穿马路趋势分析平台，一旦达到风险阈值，自动通过行人所在地周围3公里范围内的全部LTE-V-C基站发出广播预警。
本发明是一个集成了视频分析技术、大数据技术、物联网技术的综合系统。能够将路侧的摄像头、云端的大数据，通过物联网的智能联动组成车路云协同体系。在行人还没有横穿马路之前，通过对路侧摄像头的视频进行分析，结合云端对行人的身份进行识别，并分析出用户画像、推测其行为趋势，提前将行人横穿马路的风险通过LTE-V-C基站向行人周围及即将行驶到附近的智能网联车发出预警。
较佳地，对尚未到达马路两侧的行人是否会横穿马路做出预测。通过行人横穿马路趋势分析技术，结合大数据分析进行情景计算；
将车端、路端、云端三者进行业务协同。通过物联网智能联动技术，将三者在行人横穿马路这个场景中进行建模，为当前已知的所有设备和系统、和未来领域内可能扩充的设备和系统提供智能联动协作的技术框架。
而且，本发明通过分析行人横穿马路的趋势，提前了发出预警的时间；通过云端统一调度，将预警的范围通过其他路侧设备扩散到更远的智能网联车。
具体的，如下实验测试结果：
Figure BDA0002045622000000201
Figure BDA0002045622000000211
从表格内容可知，本文实验了15为对象，其正确预测结果为12个，所以预测正确率为80％。可见，通过本发明能在行人前往马路两侧的路上、推测其行为趋势、在其还没有到达马路及横穿马路之前发出预警，并将预警发送给附近更多的智能网联车。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种行人运动趋势的预警方法，其特征在于，所述的方法具体包括如下步骤：
获取行人图像原始数据信息；
通过梯度计算，得出行人移动特征数据信息；
将计算得到的行人移动特征数据信息同历史轨迹数据进行路径匹配；具体包括：
采用低纬度特征来捕捉行人的移动特征；
根据捕捉行人的移动特征，结合历史轨迹数据进行路径匹配；
具体路径匹配算法如下：
Figure FDA0003032958400000011
Figure FDA0003032958400000012
A和B两者之间的“距离”为：
Figure FDA0003032958400000013
其中A，B为两路径，NA，NB分别表示路径A和B的个数，ai，bi分别为A，B路径中的状态，ε为固定的决策边界，head(A)表示序列
Figure FDA0003032958400000014
L1(*)表示L1标准，distQRLCS(A，B)∈[0，1]；
根据路径匹配结果，计算出行人停止的概率；具体算法如下：
Figure FDA0003032958400000015
其中p(Cs|L)为待求的人停止的概率，Cs表示行人停止的轨迹库，Cw表示行人行走的轨迹库，w(l)＝1-distQRLCS(A，B)，
Figure FDA0003032958400000016
为最终预测到的状态；
得到停止的概率后，需要根据人脸的识别结合身份数据库找到该行人的选择历史，根据历史的时间、地点和天气情况做多元预测的回归分析，进而给出当前时间、地点和天气状况下可能停止行走的概率：h＝θ0+θ1z1+θ2z2+θ3z3，其中h表示行人的停止的概率；z1、z2、z3分别表示时间、地点和天气三个可变因素；θ0、θ1、θ2、θ3分别为待解的参数，利用最小二乘法找到θn的最优解：即使
Figure FDA0003032958400000021
尽可能小，算出θn之后带入当前的环境值对当前行人过马路的概率做预测，最后将其与之前得到的概率值做加权平均，预测判断出行人行走的轨迹；
根据预测判断的轨迹数据信息，实时发出预警信息。
2.根据权利要求1所述的一种行人运动趋势的预警方法，其特征在于，于步骤获取行人图像原始数据信息中，具体为通过摄像头拍摄的每一帧的静态图片中，利用HOG特征提取算法识别出行人，并生成一个边界框。
3.根据权利要求1所述的一种行人运动趋势的预警方法，其特征在于，于步骤获取行人图像原始数据信息中，还包括如下步骤：
获取拍摄到的行人图像原始数据信息；
根据图像原始数据信息，对图像颜色空间归一化处理；
对颜色空间归一化处理的图像进行预补偿处理；
将经过预补偿的实数值进行反归一化处理。
4.根据权利要求1所述的一种行人运动趋势的预警方法，其特征在于，于步骤通过梯度计算，得出行人移动特征数据信息中，梯度在图像中对应的为其一阶导数，具体地公式如下：
Figure FDA0003032958400000022
其中
Figure FDA0003032958400000023
即为所求的梯度，Gx是沿x方向上的梯度，Gy是沿y方向上的梯度；
梯度的幅值计算公式如下：
Figure FDA0003032958400000024
方向角的计算公式如下：
Figure FDA0003032958400000031
5.根据权利要求1所述的一种行人运动趋势的预警方法，其特征在于，于步骤通过梯度计算，得出行人移动特征数据信息中，还包括步骤：
对行人移动特征划分成多个互不重叠且大小相同的细胞单元；
计算出每个细胞单元梯度大小和梯度方向。
6.根据权利要求5所述的一种行人运动趋势的预警方法，其特征在于，于步骤计算出每个细胞单元梯度大小和梯度方向之后，还包括步骤：
将计算的多个细胞单元组合成块；
对组合成块的梯度直方图作归一化；
对归一化的行人特征进行SVM分类；
提取行人的轮廓并用边框标注出来。
7.根据权利要求1所述的一种行人运动趋势的预警方法，其特征在于，于步骤根据预测判断的轨迹数据信息，实时发出预警信息中，还包括如下步骤：
根据最终获得不同概率值的轨迹数据信息，发出不同程度的预警信息。
8.一种行人运动趋势的预警系统，其特征在于，所述的系统具体包括：
获取单元，用于获取行人图像原始数据信息；
梯度计算单元，用于通过梯度计算，得出行人移动特征数据信息；
路径匹配单元，用于将计算得到的行人移动特征数据信息同历史轨迹数据进行路径匹配；具体包括：
采用低纬度特征来捕捉行人的移动特征；
根据捕捉行人的移动特征，结合历史轨迹数据进行路径匹配；
具体路径匹配算法如下：
Figure FDA0003032958400000032
Figure FDA0003032958400000041
A和B两者之间的“距离”为：
Figure FDA0003032958400000042
其中A，B为两路径，NA，NB分别表示路径A和B的个数，ai，bi分别为A，B路径中的状态，ε为固定的决策边界，head(A)表示序列
Figure FDA0003032958400000043
L1(*)表示L1标准，distQRLCS(A，B)∈[0，1]；
预测判断单元，根据路径匹配结果，计算出行人停止的概率；具体算法如下：
Figure FDA0003032958400000044
其中p(Cs|L)为待求的人停止的概率，Cs表示行人停止的轨迹库，Cw表示行人行走的轨迹库，w(l)＝1-distQRLCS(A，B)，
Figure FDA0003032958400000045
为最终预测到的状态；
得到停止的概率后，需要根据人脸的识别结合身份数据库找到该行人的选择历史，根据历史的时间、地点和天气情况做多元预测的回归分析，进而给出当前时间、地点和天气状况下可能停止行走的概率：h＝θ0+θ1z1+θ2z2+θ3z3，其中h表示行人的停止的概率；z1、z2、z3分别表示时间、地点和天气三个可变因素；θ0、θ1、θ2、θ3分别为待解的参数，利用最小二乘法找到θn的最优解：即使
Figure FDA0003032958400000046
尽可能小，算出θn之后带入当前的环境值对当前行人过马路的概率做预测，最后将其与之前得到的概率值做加权平均，预测判断出行人行走的轨迹；
预警单元，用于根据预测判断的轨迹数据信息，实时发出预警信息。
9.根据权利要求8所述的一种行人运动趋势的预警系统，其特征在于，所述的获取单元还包括：
第一获取模块，用于获取拍摄到的行人图像原始数据信息；
第一归一化处理模块，用于根据图像原始数据信息，对图像颜色空间归一化处理；
预补偿处理模块，用于对颜色空间归一化处理的图像进行预补偿处理；
反归一化处理模块，用于将经过预补偿的实数值进行反归一化处理；
相应地，梯度计算单元还包括：
特征划分模块，用于对行人移动特征划分成多个互不重叠且大小相同的细胞单元；
细胞单元计算模块，用于计算出每个细胞单元梯度大小和梯度方向；
细胞单元组合模块，用于将计算的多个细胞单元组合成块；
第二归一化处理模块，用于对组合成块的梯度直方图作归一化；
SVM分类模块，用于对归一化的行人特征进行SVM分类；
边框标注模块，用于提取行人的轮廓并用边框标注出来；
相应地，路径匹配单元还包括：
特征捕捉模块，用于采用低纬度特征来捕捉行人的移动特征；
第一路径匹配模块，用于根据捕捉行人的移动特征，结合历史轨迹数据进行路径匹配；
相应地，预警单元还包括：
第一预警模块，用于根据最终获得不同概率值的轨迹数据信息，发出不同程度的预警信息。
10.一种行人运动趋势的预警平台，其特征在于，包括：
处理器、存储器以及行人运动趋势的预警平台控制程序；
其中在所述处理器执行所述行人运动趋势的预警平台控制程序，所述行人运动趋势的预警平台控制程序被存储在所述存储器中，所述的行人运动趋势的预警平台控制程序，实现如权利要求1至7中任一项所述的行人运动趋势的预警方法步骤。
11.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质存储有行人运动趋势的预警平台控制程序，所述行人运动趋势的预警平台控制程序，实现如权利要求1至7中任一项所述的行人运动趋势的预警方法步骤。
CN201910356599.5A 2019-04-29 2019-04-29 一种行人运动趋势的预警的方法、系统平台及存储介质 Active CN110245554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910356599.5A CN110245554B (zh) 2019-04-29 2019-04-29 一种行人运动趋势的预警的方法、系统平台及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910356599.5A CN110245554B (zh) 2019-04-29 2019-04-29 一种行人运动趋势的预警的方法、系统平台及存储介质

Publications (2)

Publication Number Publication Date
CN110245554A CN110245554A (zh) 2019-09-17
CN110245554B true CN110245554B (zh) 2021-06-29

Family

ID=67883465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910356599.5A Active CN110245554B (zh) 2019-04-29 2019-04-29 一种行人运动趋势的预警的方法、系统平台及存储介质

Country Status (1)

Country Link
CN (1) CN110245554B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402632B (zh) * 2020-03-18 2022-06-07 五邑大学 一种交叉口行人运动轨迹的风险预测方法
CN114511999B (zh) * 2020-11-17 2023-09-01 宇通客车股份有限公司 一种行人行为预测方法及装置
CN113688679B (zh) * 2021-07-22 2024-03-08 南京视察者智能科技有限公司 一种重点人员防控预警的方法
CN115705779A (zh) * 2021-08-12 2023-02-17 华为技术有限公司 轨迹信息的交互方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096803A (zh) * 2010-11-29 2011-06-15 吉林大学 基于机器视觉的行人安全状态识别系统
CN102799862A (zh) * 2012-06-29 2012-11-28 陕西省交通规划设计研究院 高清视频监控图像的行人快速定位、事件检测系统及方法
CN106446792A (zh) * 2016-08-31 2017-02-22 大连楼兰科技股份有限公司 一种道路交通辅助驾驶环境下的行人检测特征提取方法
CN108284444A (zh) * 2018-01-25 2018-07-17 南京工业大学 人机协作下基于Tc-ProMps算法的多模式人体动作预测方法
CN108362293A (zh) * 2018-02-24 2018-08-03 中电福富信息科技有限公司 一种基于关键点技术的车辆轨迹匹配方法
CN109029446A (zh) * 2018-06-22 2018-12-18 北京邮电大学 一种行人位置预测方法、装置及设备
CN109359536A (zh) * 2018-09-14 2019-02-19 华南理工大学 基于机器视觉的乘客行为监控方法
CN109684933A (zh) * 2018-11-30 2019-04-26 广州大学 一种前方行人窜出马路的预警方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101630688B1 (ko) * 2010-02-17 2016-06-16 삼성전자주식회사 움직임 예측 장치 및 방법과 영상 처리 장치
CN108848462B (zh) * 2018-06-19 2020-11-13 连云港杰瑞电子有限公司 适用于信号控制交叉口的实时车辆轨迹预测方法
CN109271858B (zh) * 2018-08-13 2020-11-17 武汉中海庭数据技术有限公司 一种基于行车轨迹和视觉车道边线数据的路口识别方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096803A (zh) * 2010-11-29 2011-06-15 吉林大学 基于机器视觉的行人安全状态识别系统
CN102799862A (zh) * 2012-06-29 2012-11-28 陕西省交通规划设计研究院 高清视频监控图像的行人快速定位、事件检测系统及方法
CN106446792A (zh) * 2016-08-31 2017-02-22 大连楼兰科技股份有限公司 一种道路交通辅助驾驶环境下的行人检测特征提取方法
CN108284444A (zh) * 2018-01-25 2018-07-17 南京工业大学 人机协作下基于Tc-ProMps算法的多模式人体动作预测方法
CN108362293A (zh) * 2018-02-24 2018-08-03 中电福富信息科技有限公司 一种基于关键点技术的车辆轨迹匹配方法
CN109029446A (zh) * 2018-06-22 2018-12-18 北京邮电大学 一种行人位置预测方法、装置及设备
CN109359536A (zh) * 2018-09-14 2019-02-19 华南理工大学 基于机器视觉的乘客行为监控方法
CN109684933A (zh) * 2018-11-30 2019-04-26 广州大学 一种前方行人窜出马路的预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Long-term Vehicle Motion Prediction;Hermes C et al.;《Intelligent Vehicles Symposium. IEEE》;20101231;第Ⅲ节B部分 *
一种适应运动前景的快速行人检测算法;鲁超 等;《电视技术》;20151231;第39卷(第1期);第113-116页，第132页 *

Also Published As

Publication number Publication date
CN110245554A (zh) 2019-09-17

Similar Documents

Publication Publication Date Title
CN110245554B (zh) 一种行人运动趋势的预警的方法、系统平台及存储介质
CN108898086B (zh) 视频图像处理方法及装置、计算机可读介质和电子设备
CN108846440B (zh) 图像处理方法及装置、计算机可读介质和电子设备
Bauer et al. FPGA-GPU architecture for kernel SVM pedestrian detection
US11709282B2 (en) Asset tracking systems
US8792722B2 (en) Hand gesture detection
CN111178245A (zh) 车道线检测方法、装置、计算机设备和存储介质
US20160078306A1 (en) System and method for detecting seat belt violations from front view vehicle images
CN110991261A (zh) 交互行为识别方法、装置、计算机设备和存储介质
US9460367B2 (en) Method and system for automating an image rejection process
Ding et al. Fast lane detection based on bird’s eye view and improved random sample consensus algorithm
Hong et al. Fast multi-feature pedestrian detection algorithm based on histogram of oriented gradient using discrete wavelet transform
CN110490171B (zh) 一种危险姿态识别方法、装置、计算机设备及存储介质
CN111382637B (zh) 行人检测跟踪方法、装置、终端设备及介质
CN110929626A (zh) 确定库存货物件数的方法、仓库盘点方法、装置及设备
CN108229494B (zh) 网络训练方法、处理方法、装置、存储介质和电子设备
Masmoudi et al. Vision based system for vacant parking lot detection: Vpld
JP2013206458A (ja) 画像における外観及びコンテキストに基づく物体分類
Toprak et al. Conditional weighted ensemble of transferred models for camera based onboard pedestrian detection in railway driver support systems
CN110298237B (zh) 头部姿势识别方法、装置、计算机设备及存储介质
Parameswaran et al. Design and validation of a system for people queue statistics estimation
CN112926491A (zh) 用户识别方法、装置、电子设备及存储介质
CN111027434B (zh) 一种行人识别模型的训练方法、装置及电子设备
CN112907583A (zh) 目标对象姿态选择方法、图像评分方法及模型训练方法
CN115993927A (zh) 基于手势识别的屏幕显示方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Li Ran

Inventor after: Wu Hong

Inventor after: Yuan Feng

Inventor after: Guo Guifu

Inventor after: Huang Zucheng

Inventor after: Zhao Tianyuan

Inventor after: Shao Xianpeng

Inventor before: Li Ran

Inventor before: Wu Hong

Inventor before: Yuan Feng

Inventor before: Guo Guifu

Inventor before: Mo Chunmei

Inventor before: Huang Zucheng

Inventor before: Shao Xianpeng

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant