CN117475646B - 基于人工智能的行人检测方法 - Google Patents
基于人工智能的行人检测方法 Download PDFInfo
- Publication number
- CN117475646B CN117475646B CN202311287019.4A CN202311287019A CN117475646B CN 117475646 B CN117475646 B CN 117475646B CN 202311287019 A CN202311287019 A CN 202311287019A CN 117475646 B CN117475646 B CN 117475646B
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- coefficient
- yczs
- areas
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 230000005856 abnormality Effects 0.000 claims abstract description 27
- 230000009471 action Effects 0.000 claims abstract description 13
- 238000012423 maintenance Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 53
- 230000014509 gene expression Effects 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 206010011469 Crying Diseases 0.000 claims description 6
- 238000010009 beating Methods 0.000 claims description 6
- 230000001815 facial effect Effects 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000001931 thermography Methods 0.000 claims description 6
- 241001272996 Polyphylla fullo Species 0.000 claims description 5
- 230000000284 resting effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000010485 coping Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于人工智能的行人检测方法,涉及行人检测的技术领域,通过以实时掌握城市交通地区学校附近的交通安全情况,进入及时检测并识别行为清单和环境清单中的相关数据,分析获得拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs数据,有助于系统采取预防措施并减少意外事件的发生,同时提供了等级异常方案策略,根据异常的严重性进行等级分类处理,这意味着更高效、有针对性的维护策略,使管理资源更加智能化分配,应对紧急任务或重要任务;系统一旦检测到交通异常,便发送相应的警报信号,使管理人员能够迅速采取行动并时刻注意交通处境,为城市地区学校附近的交通路面带来更高的安全性和智能化管理。
Description
技术领域
本发明涉及行人检测的技术领域,具体为基于人工智能的行人检测方法。
背景技术
在现代科技的推动下,人工智能技术逐渐应用于各个领域,为人们的生活和工作带来了诸多便利。随着城市化进程的不断推进和人口增长,城市地区学校附近的交通路面成为了人们日常生活中的热点区域。学校附近的交通路面通常涉及到大量行人活动,尤其在早、午和晚学生放学以及其他市民活动的高峰时段,行人密度更是高达顶峰。城市地区学校附近的交通路面,通常包括校园周边的道路、人行道、交叉口、盲人走道等地点。
在城市地区学校附近的交通路面上,行人活动的管理和安全是一个复杂而重要的问题。针对城市地区学校附近区内交通路面的行人检测工作,通常需要在交警巡视或者交警指挥下方可疏通道路,保证交通安全;并且,对于行人的安全影响不光光只提留在行人的拥挤程度上,还受到行人的行人摔倒频率、发生口角或者肢体上产生冲突的影响,导致附近区域内的学生、教师以及其他市民行人的安全得不到保障。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于人工智能的行人检测方法,解决了背景技术中的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:基于人工智能的行人检测方法,包括以下步骤,
对城市地区学校附近区内交通路面在早、午和晚高峰出行时间段进行数据采集,建立三维模型;
收集获取城市地区学校附近区内交通路面在早、午和晚高峰中行人的行为清单和环境清单,识别与记录行人的面部数据、肢体动作数据、言语数据、位置数据以及城市地区学校附近区内交通路面的环境数据,并将其输入至三维模型中;
将采集来的面部数据、肢体动作数据、言语数据以及位置数据进行预处理,并从预处理后的数据中提取有用的特征数据,分别建立拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs,包括:
通过视频监控技术检测城市地区学校附近区内交通路面在早、午和晚高峰中各休闲区内活动的人数,建立拥挤系数Yjxs;
采用人工智能的红外热成像摄像头记录城市地区学校附近区内交通路面在早、午和晚高峰中的行为数据,采集获得透视图像,检测与识别获取泥洼面积Nwmj、扶手个数Fsgs、光照度Gzd、凸起物个数Tqgs、步道板间距Bdj以及道路宽度,分析获取跌倒影响系数Sjxs;
采用超声波传感器和红外热成像摄像头检测与识别获取城市地区学校附近区内交通路面在早、午和晚高峰中行人的难过表情次数Bqcs、语言争吵次数Gjcs和挑衅人数Txrs以及行人位置数据,采集分析形成摩擦系数Mdxs;
将拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs相关联,通过深度学习,获得活动异常指数YCzs,活动异常指数YCzs通过以下公式获得:
式中,f1和f2分别表示为拥挤系数Yjxs和跌倒影响系数Sjxs的权重值,R表示为修正系数,其中,0.65≤f1≤0.75,0.75≤f2≤0.95,f1+f2≤1.6;
将活动异常指数YCzs与预设异常阈值K进行对比分析,获得等级异常方案策略,并发送相应警报信号;
根据上述发送的警报信号,采取相应的维护策略,并设置优先级,应对紧急任务或重要任务。
优选的,在三维模型中,部署城市地区学校附近区内交通路面的盲人行走区作为第一目标区域,部署第一传感器组,并将第一传感器组中的人流量数据标记为行走人数Ydrs;部署城市地区学校附近区内交通路旁的社交区作为第二目标区域,部署第二传感器组,并将第二传感器组中的人流量数据标记为社交人数Sjrs;部署城市地区学校附近区内交通路旁的休息区作为第三目标区域,部署第三传感器组,并将第三传感器组中的人流量数据标记为休息人数Zlrs。
优选的,行为清单中包括行人的面部数据、肢体动作数据和言语数据;
其中面部数据包括行人的微笑、哭泣、沮丧和苦恼表情停留时间和次数;肢体动作数据包括步行、坐立、上下楼梯、转身、举手、挥手、推搡他人以及殴打他人;言语数据包括问候、寒暄、讽刺、抱怨以及诉求话语;
环境清单中包括城市地区学校附近区内交通路面中设备的老旧情况、道路平整情况、防护设备数量、盲道凸起的磨损程度以及道路中的各种障碍物。
优选的,利用图像处理技术和计算机视觉算法,对透视图像进行预处理和图像增强,并进行学习计算获取泥洼面积Nwmj、扶手个数Fsgs、光照度Gzd、凸起物个数Tqgs、步道板间距Bdj、难过表情次数Bqcs、语言争吵次数Gjcs和挑衅人数Txrs以及行人位置数据。
优选的,将行走人数Ydrs、社交人数Sjrs和休息人数Zlrs相关联,获得拥挤系数Yjxs,拥挤系数Yjxs通过以下公式获得:
式中,M1、M2和M3分别表示为第一目标区域、第二目标区域和第三目标区域中的实际建筑面积,T表示为检测的时间段。
优选的,将泥洼面积Nwmj与步道板间距Bdj相关联,获得跌倒影响系数Sjxs,跌倒影响系数Sjxs通过以下公式获得:
式中,,Fsgs表示为扶手个数,Gzd表示为光照度,Tqgs表示为凸起物个数,C表示为修正常数,w1、w2、w3、w4和w5分别表示为泥洼面积Nwmj、步道板间距Bdj、扶手个数Fsgs、光照度Gzd和凸起物个数Tqgs的权重值,其中,w1+w2+w3+w4+w5≤3。
优选的,将语言争吵次数Gjcs和挑衅人数Txrs相关联,获得摩擦系数Mdxs,摩擦系数Mdxs通过以下公式获得:
式中,a1和a2分别表示为语言争吵次数Gjcs和难过表情次数Bqcs的权重值,B表示为修正常数,其中,语言争吵次数Gjcs包括推搡他人和殴打他人,难过表情次数Bqcs包括哭泣、沮丧和苦恼表情。
优选的,通过将拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs相关联,获得活动异常指数YCzs,并将活动异常指数YCzs与预设异常阈值K相互对比,获得等级异常方案策略:
当YCzs≤K+4时,获得正常等级通知,表示为当前学校附近交通路面的活动状态正常,系统将被视为正常或低风险状态,此时不需要采取特别的行动;
当K+5≤YCzs≤K+9时,获得警示等级通知,此时会发出初级警告信号,表示为当前学校附近交通路面的活动存在轻微的危险迹象;
当K+10≤YCzs≤K+14时,获得中等风险通知,此时系统会发出中级警告信号;
当K+15≤YCzs≤K+19时,获得高风险通知,此时系统在发出高级警告信号,表示为当前学校附近交通路面的活动达到严重异常水平。
优选的,将跌倒影响系数Sjxs与预设阈值Q1进行对比分析,若跌倒影响系数Sjxs高于预设阈值Q1时,则活动异常指数YCzs将自动处于K+10≤YCzs≤K+14,获得中等级风险通知;若跌倒影响系数Sjxs低于预设阈值Q1时,则表示当前检测到的城市地区学校附近区内交通路面中行人的活动处于安全状态;
将摩擦系数Mdxs与预设阈值Q2进行对比分析,若摩擦系数Mdxs高于预设阈值Q2时,则活动异常指数YCzs将自动处于K+10≤YCzs≤K+14,获得中等级风险通知;若摩擦系数Mdxs低于预设阈值Q2时,则表示当前检测到的城市地区学校附近区内交通路面中行人的活动处于安全状态。
优选的,根据设置的优先级和获取的等级异常方案策略结果,对紧急任务采用相应的策略管理,并进行及时处理。
(三)有益效果
本发明提供了基于人工智能的行人检测方法。具备以下有益效果:
(1)该基于人工智能的行人检测方法,通过以实时掌握城市交通地区学校附近的交通安全情况,进入及时检测并识别行为清单和环境清单中的相关数据,分析获得拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs数据,有助于系统采取预防措施并减少意外事件的发生,同时提供了等级异常方案策略,根据异常的严重性进行等级分类处理,这意味着更高效、有针对性的维护策略,使管理资源更加智能化分配,应对紧急任务或重要任务;系统一旦检测到交通异常,便发送相应的警报信号,使管理人员能够迅速采取行动并时刻注意交通处境,为城市地区学校附近的交通路面带来更高的安全性和智能化管理。
(2)该基于人工智能的行人检测方法,根据采集与识别的数据进行深度计算,从而获得拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs,以便帮助系统预测可能发生的事故,并将其三者进行相互关联,获得活动异常指数YCzs,利用活动异常指数YCzs与预设异常阈值K相互对比,获得等级异常方案策略,再根据对比结果发出相应的警示通知,提醒交通管理中心的工作人员,当前路面上的行人安全情况,并且实时查看通过系统的自动调整路面上的交通灯之后,交通是否回归到了正常的运行范围中,这一过程将帮助管理人员更智能地管理城市交通工作,提供更好的服务。
(3)该基于人工智能的行人检测方法,通过系统计算后获得活动异常指数YCzs,并自动与预设异常阈值K相对比,这种智能化监测可以实时识别城市地区学校附近的交通路面中众多行人存在的潜在危险和异常情况;并且系统采用了分级的异常通知方案,根据活动异常指数YCzs的严重性,提供不同级别的警报,帮助系统细化策略,根据不同紧急情况采取适当的调整措施;接着根据不同情况的优先级和等级异常方案策略,帮助交通管理中心部门更有效地管理资源,确保紧急任务得到及时处理,具有降低意外事件的风险,提升行人的安全感,同时也为城市交通规划和管理提供了更多的数据支持。
附图说明
图1为本发明基于人工智能的行人检测方法框图流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在现代科技的推动下,人工智能技术逐渐应用于各个领域,为人们的生活和工作带来了诸多便利。随着城市化进程的不断推进和人口增长,城市地区学校附近的交通路面成为了人们日常生活中的热点区域。学校附近的交通路面通常涉及到大量行人活动,尤其在早、午和晚学生放学以及其他市民活动的高峰时段,行人密度更是高达顶峰。城市地区学校附近的交通路面,通常包括校园周边的道路、人行道、交叉口、盲人走道等地点。
在城市地区学校附近的交通路面上,行人活动的管理和安全是一个复杂而重要的问题。针对城市地区学校附近区内交通路面的行人检测工作,通常需要在交警巡视或者交警指挥下方可疏通道路,保证交通安全;并且,对于行人的安全影响不光光只提留在行人的拥挤程度上,还受到行人的行人摔倒频率、发生口角或者肢体上产生冲突的影响,导致附近区域内的学生、教师以及其他市民行人的安全得不到保障。
实施例1
请参阅图1,本发明提供基于人工智能的行人检测方法,包括以下步骤,
对城市地区学校附近区内交通路面在早、午和晚高峰出行时间段进行数据采集,建立三维模型;
收集获取城市地区学校附近区内交通路面在早、午和晚高峰中行人的行为清单和环境清单,识别与记录行人的面部数据、肢体动作数据、言语数据、位置数据以及城市地区学校附近区内交通路面的环境数据,并将其输入至三维模型中;
将采集来的面部数据、肢体动作数据、言语数据以及位置数据进行预处理,并从预处理后的数据中提取有用的特征数据,分别建立拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs,包括:
通过视频监控技术检测城市地区学校附近区内交通路面在早、午和晚高峰中各休闲区内活动的人数,建立拥挤系数Yjxs;
采用人工智能的红外热成像摄像头记录城市地区学校附近区内交通路面在早、午和晚高峰中的行为数据,采集获得透视图像,检测与识别获取泥洼面积Nwmj、扶手个数Fsgs、光照度Gzd、凸起物个数Tqgs、步道板间距Bdj以及道路宽度,分析获取跌倒影响系数Sjxs;
采用超声波传感器和红外热成像摄像头检测与识别获取城市地区学校附近区内交通路面在早、午和晚高峰中行人的难过表情次数Bqcs、语言争吵次数Gjcs和挑衅人数Txrs以及行人位置数据,采集分析形成摩擦系数Mdxs;
将拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs相关联,通过深度学习,获得活动异常指数YCzs,活动异常指数YCzs通过以下公式获得:
式中,f1和f2分别表示为拥挤系数Yjxs和跌倒影响系数Sjxs的权重值,R表示为修正系数,其中,0.65≤f1≤0.75,0.75≤f2≤0.95,f1+f2≤1.6;
将活动异常指数YCzs与预设异常阈值K进行对比分析,获得等级异常方案策略,并发送相应警报信号;
根据上述发送的警报信号,采取相应的维护策略,并设置优先级,应对紧急任务或重要任务。
本实施例中,该基于人工智能的行人检测方法中的步骤是为了采集、识别、分析以及评估,以确定当前阶段城市地区学校附近交通路面中师生和其他市民行人的安全状况,分析获得拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs数据;同时提供了等级异常方案策略,根据异常的严重性进行等级分类处理,系统一旦检测到交通异常,便发送相应的警报信号,使管理人员注意到当前交通情形;通过使用人工智能技术,实现了对大量数据的处理和分析,为交通管理提供了智能决策的支持,进而提高管理效率,降低风险,改善城市交通的整体运营。
实施例2
请参照图1,具体的:在三维模型中,部署城市地区学校附近区内交通路面的盲人行走区作为第一目标区域,部署第一传感器组,并将第一传感器组中的人流量数据标记为行走人数Ydrs;部署城市地区学校附近区内交通路旁的社交区作为第二目标区域,部署第二传感器组,并将第二传感器组中的人流量数据标记为社交人数Sjrs;部署城市地区学校附近区内交通路旁的休息区作为第三目标区域,部署第三传感器组,并将第三传感器组中的人流量数据标记为休息人数Zlrs。
行为清单中包括行人的面部数据、肢体动作数据和言语数据;
其中面部数据包括行人的微笑、哭泣、沮丧和苦恼表情停留时间和次数;肢体动作数据包括步行、坐立、上下楼梯、转身、举手、挥手、推搡他人以及殴打他人;言语数据包括问候、寒暄、讽刺、抱怨以及诉求话语;
环境清单中包括城市地区学校附近区内交通路面中设备的老旧情况、道路平整情况、防护设备数量、盲道凸起的磨损程度以及道路中的各种障碍物。
实施例3
请参照图1,具体的:利用图像处理技术和计算机视觉算法,对透视图像进行预处理和图像增强,并进行学习计算获取泥洼面积Nwmj、扶手个数Fsgs、光照度Gzd、凸起物个数Tqgs、步道板间距Bdj、难过表情次数Bqcs、语言争吵次数Gjcs和挑衅人数Txrs以及行人位置数据。
将行走人数Ydrs、社交人数Sjrs和休息人数Zlrs相关联,获得拥挤系数Yjxs,拥挤系数Yjxs通过以下公式获得:
式中,M1、M2和M3分别表示为第一目标区域、第二目标区域和第三目标区域中的实际建筑面积,T表示为检测的时间段。
上述的行走人数Ydrs包括年老年迈的老人、盲人和腿部残疾行走不便等残疾人数;社交人数Sjrs包括聊天、锻炼以及跳广场舞等人数,休息人数Zlrs包括乘凉、歇息以及打车等人数;并且三者都通过视频监控技术进行采集获取。
第一目标区域、第二目标区域和第三目标区域中的实际建筑面积以及检测的时间段T均通过超声波传感器进行采取获取。
将泥洼面积Nwmj与步道板间距Bdj相关联,获得跌倒影响系数Sjxs,跌倒影响系数Sjxs通过以下公式获得:
式中,Fsgs表示为扶手个数,Gzd表示为光照度,Tqgs表示为凸起物个数,C表示为修正常数,w1、w2、w3、w4和w5分别表示为泥洼面积Nwmj、步道板间距Bdj、扶手个数Fsgs、光照度Gzd和凸起物个数Tqgs的权重值,其中,w1+w2+w3+w4+w5≤3。
光照度Gzd用于测量环境中的光照水平,通过光照度传感器进行采集获得;
步道板间距Bdj用于检测道路上铺设的步道板之间的距离,通过视频监控技术检测获取;
将语言争吵次数Gjcs和挑衅人数Txrs相关联,获得摩擦系数Mdxs,摩擦系数Mdxs通过以下公式获得:
式中,a1和a2分别表示为语言争吵次数Gjcs和难过表情次数Bqcs的权重值,B表示为修正常数,其中,语言争吵次数Gjcs包括推搡他人和殴打他人,难过表情次数Bqcs包括哭泣、沮丧和苦恼表情。
本实施例中:通过深度计算,系统将获得拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs,并将其三者进行相互关联,获得活动异常指数YCzs,利用活动异常指数YCzs与预设异常阈值K相互对比,获得等级异常方案策略,再根据对比结果发出相应的警示通知,提醒交通管理中心的工作人员,当前路面上的行人安全情况,并且实时查看通过系统的自动调整路面上的交通灯之后,交通是否回归到了正常的运行范围中。
实施例4
请参照图1,具体的:通过将拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs相关联,获得活动异常指数YCzs,并将活动异常指数YCzs与预设异常阈值K相互对比,获得等级异常方案策略:
当YCzs≤K+4时,获得正常等级通知,表示为当前学校附近交通路面的活动状态正常,系统将被视为正常或低风险状态,此时不需要采取特别的行动;
当K+5≤YCzs≤K+9时,获得警示等级通知,此时会发出初级警告信号,表示为当前学校附近交通路面的活动存在轻微的危险迹象,交通管理中心的工作人员将进行及时监控,密切关注活动并采取预防措施,以防潜在的问题升级,提供额外的支持,例如辅助行走设备或支持护理;
当K+10≤YCzs≤K+14时,获得中等风险通知,此时系统会发出中级警告信号,此时系统将自动调整交通指示灯的秒数,行人过马路的时间将延长十秒钟,直到系统再次发送正常等级通知,此时将取消交通指示灯延长的十秒钟,恢复到以往的秒数;
当K+15≤YCzs≤K+19时,获得高风险通知,此时系统在发出高级警告信号,表示为当前学校附近交通路面的活动达到严重异常水平,此时系统将自动调整交通指示灯的秒数,行人过马路的时间将是以往秒数的二倍,并且根据现场的行人伤势情况立即采取行动,包括提供基本的急救护理、疏散人员和呼叫救护车等。
将跌倒影响系数Sjxs与预设阈值Q1进行对比分析,若跌倒影响系数Sjxs高于预设阈值Q1时,则活动异常指数YCzs将自动处于K+10≤YCzs≤K+14,获得中等级风险通知;若跌倒影响系数Sjxs低于预设阈值Q1时,则表示当前检测到的城市地区学校附近区内交通路面中行人的活动处于安全状态;
将摩擦系数Mdxs与预设阈值Q2进行对比分析,若摩擦系数Mdxs高于预设阈值Q2时,则活动异常指数YCzs将自动处于K+10≤YCzs≤K+14,获得中等级风险通知;若摩擦系数Mdxs低于预设阈值Q2时,则表示当前检测到的城市地区学校附近区内交通路面中行人的活动处于安全状态。
根据设置的优先级和获取的等级异常方案策略结果,对紧急任务采用相应的策略管理,并进行及时处理。
本实施例中,通过将拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs相关联,进行系统计算后获得活动异常指数YCzs,并自动与预设异常阈值K相对比,并且系统采用了分级的异常通知方案,根据活动异常指数YCzs的严重性,提供不同级别的警报,系统采取相应的交通调整策略;接着根据不同情况的优先级和等级异常方案策略,帮助管理人员更有效地管理资源,确保紧急任务得到及时处理。
示例:一个某某校区附近的十字路口,该引入了一种基于人工智能的行人检测方法,以下是为某某城市地区学校附近区内交通路面在早、午和晚高峰的示例:
数据采集:
行走人数Ydrs:100人;社交人数Sjrs:50人;休息人数Zlrs:80人;语言争吵次数Gjcs:3次;难过表情次数Bqcs:2次;挑衅人数Txrs:1人;取泥洼面积Nwmj:2平方米;扶手个数Fsgs:50个;光照度Gzd:35;凸起物个数Tqgs:12;步道板间距Bdj:0.5米;
第一目标区域、第二目标区域和第三目标区域中的实际建筑面积分别为:1200平方米、800平方米和680平方米;
通过以上数据,可以进行以下计算:
拥挤系数
跌倒影响系数
摩擦系数
活动异常指数
假设K=7;则YCzs≤7+4,获得正常等级通知,表示为当前学校附近交通路面的活动状态正常,系统将被视为正常或低风险状态,此时不需要采取特别的行动。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.基于人工智能的行人检测方法,其特征在于:包括以下步骤,
对城市地区学校附近区内交通路面在早、午和晚高峰出行时间段进行数据采集,建立三维模型;
收集获取城市地区学校附近区内交通路面在早、午和晚高峰中行人的行为清单和环境清单,识别与记录行人的面部数据、肢体动作数据、言语数据、位置数据以及城市地区学校附近区内交通路面的环境数据,并将其输入至三维模型中;
将采集来的面部数据、肢体动作数据、言语数据以及位置数据进行预处理,并从预处理后的数据中提取有用的特征数据,分别建立拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs,包括:
通过视频监控技术检测城市地区学校附近区内交通路面在早、午和晚高峰中各休闲区内活动的人数,建立拥挤系数Yjxs;
采用人工智能的红外热成像摄像头记录城市地区学校附近区内交通路面在早、午和晚高峰中的行为数据,采集获得透视图像,检测与识别获取泥洼面积Nwmj、扶手个数Fsgs、光照度Gzd、凸起物个数Tqgs、步道板间距Bdj以及道路宽度,分析获取跌倒影响系数Sjxs;
采用超声波传感器和红外热成像摄像头检测与识别获取城市地区学校附近区内交通路面在早、午和晚高峰中行人的难过表情次数Bqcs、语言争吵次数Gjcs和挑衅人数Txrs以及行人位置数据,采集分析形成摩擦系数Mdxs;
将拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs相关联,通过深度学习,获得活动异常指数YCzs,活动异常指数YCzs通过以下公式获得:
式中,f1和f2分别表示为拥挤系数Yjxs和跌倒影响系数Sjxs的权重值,R表示为修正系数,其中,0.65≤f1≤0.75,0.75≤f2≤0.95,f1+f2≤1.6;
将活动异常指数YCzs与预设异常阈值K进行对比分析,获得等级异常方案策略,并发送相应警报信号;
根据上述发送的警报信号,采取相应的维护策略,并设置优先级,应对紧急任务或重要任务。
2.根据权利要求1的基于人工智能的行人检测方法,其特征在于:在三维模型中,部署城市地区学校附近区内交通路面的盲人行走区作为第一目标区域,部署第一传感器组,并将第一传感器组中的人流量数据标记为行走人数Ydrs;部署城市地区学校附近区内交通路旁的社交区作为第二目标区域,部署第二传感器组,并将第二传感器组中的人流量数据标记为社交人数Sjrs;部署城市地区学校附近区内交通路旁的休息区作为第三目标区域,部署第三传感器组,并将第三传感器组中的人流量数据标记为休息人数Zlrs。
3.根据权利要求2的基于人工智能的行人检测方法,其特征在于:行为清单中包括行人的面部数据、肢体动作数据和言语数据;
其中面部数据包括行人的微笑、哭泣、沮丧和苦恼表情停留时间和次数;肢体动作数据包括步行、坐立、上下楼梯、转身、举手、挥手、推搡他人以及殴打他人;言语数据包括问候、寒暄、讽刺、抱怨以及诉求话语;
环境清单中包括城市地区学校附近区内交通路面中设备的老旧情况、道路平整情况、防护设备数量、盲道凸起的磨损程度以及道路中的各种障碍物。
4.根据权利要求3的基于人工智能的行人检测方法,其特征在于:利用图像处理技术和计算机视觉算法,对透视图像进行预处理和图像增强,并进行学习计算获取泥洼面积Nwmj、扶手个数Fsgs、光照度Gzd、凸起物个数Tqgs、步道板间距Bdj、难过表情次数Bqcs、语言争吵次数Gjcs和挑衅人数Txrs以及行人位置数据。
5.根据权利要求4的基于人工智能的行人检测方法,其特征在于:将行走人数Ydrs、社交人数Sjrs和休息人数Zlrs相关联,获得拥挤系数Yjxs,拥挤系数Yjxs通过以下公式获得:
式中,M1、M2和M3分别表示为第一目标区域、第二目标区域和第三目标区域中的实际建筑面积,T表示为检测的时间段。
6.根据权利要求5的基于人工智能的行人检测方法,其特征在于:将泥洼面积Nwmj与步道板间距相关联,获得跌倒影响系数Sjxs,跌倒影响系数Sjxs通过以下公式获得:
式中,Fsgs表示为扶手个数,Gzd表示为光照度,Tqgs表示为凸起物个数,C表示为修正常数,w1、w2、w3、w4和w5分别表示为泥洼面积Nwmj、步道板间距Bdj、扶手个数Fsgs、光照度Gzd和凸起物个数Tqgs的权重值,其中,w1+w2+w3+w4+w5≤3。
7.根据权利要求6的基于人工智能的行人检测方法,其特征在于:将语言争吵次数Gjcs和挑衅人数Txrs相关联,获得摩擦系数Mdxs,摩擦系数Mdxs通过以下公式获得:
式中,a1和a2分别表示为语言争吵次数Gjcs和难过表情次数Bqcs的权重值,B表示为修正常数,其中,语言争吵次数Gjcs包括推搡他人和殴打他人,难过表情次数Bqcs包括哭泣、沮丧和苦恼表情。
8.根据权利要求7的基于人工智能的行人检测方法,其特征在于:通过将拥挤系数Yjxs、跌倒影响系数Sjxs和摩擦系数Mdxs相关联,获得活动异常指数YCzs,并将活动异常指数YCzs与预设异常阈值K相互对比,获得等级异常方案策略:
当YCzs≤K+4时,获得正常等级通知,表示为当前学校附近交通路面的活动状态正常,系统将被视为正常或低风险状态,此时不需要采取特别的行动;
当K+5≤YCzs≤K+9时,获得警示等级通知,此时会发出初级警告信号,表示为当前学校附近交通路面的活动存在轻微的危险迹象;
当K+10≤YCzs≤K+14时,获得中等风险通知,此时系统会发出中级警告信号;
当K+15≤YCzs≤K+19时,获得高风险通知,此时系统在发出高级警告信号,表示为当前学校附近交通路面的活动达到严重异常水平。
9.根据权利要求8的基于人工智能的行人检测方法,其特征在于:将跌倒影响系数Sjxs与预设阈值Q1进行对比分析,若跌倒影响系数Sjxs高于预设阈值Q1时,则活动异常指数YCzs将自动处于K+10≤YCzs≤K+14,获得中等级风险通知;若跌倒影响系数Sjxs低于预设阈值Q1时,则表示当前检测到的城市地区学校附近区内交通路面中行人的活动处于安全状态;
将摩擦系数Mdxs与预设阈值Q2进行对比分析,若摩擦系数Mdxs高于预设阈值Q2时,则活动异常指数YCzs将自动处于K+10≤YCzs≤K+14,获得中等级风险通知;若摩擦系数Mdxs低于预设阈值Q2时,则表示当前检测到的城市地区学校附近区内交通路面中行人的活动处于安全状态。
10.根据权利要求9的基于人工智能的行人检测方法,其特征在于:根据设置的优先级和获取的等级异常方案策略结果,对紧急任务采用相应的策略管理,并进行及时处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287019.4A CN117475646B (zh) | 2023-10-06 | 2023-10-06 | 基于人工智能的行人检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287019.4A CN117475646B (zh) | 2023-10-06 | 2023-10-06 | 基于人工智能的行人检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117475646A CN117475646A (zh) | 2024-01-30 |
CN117475646B true CN117475646B (zh) | 2024-03-29 |
Family
ID=89633882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311287019.4A Active CN117475646B (zh) | 2023-10-06 | 2023-10-06 | 基于人工智能的行人检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475646B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002083394A (ja) * | 2000-06-30 | 2002-03-22 | Sumitomo Electric Ind Ltd | 交通流の異常検知装置及び方法 |
KR20090130977A (ko) * | 2008-06-17 | 2009-12-28 | 한국교통연구원 | 영상처리기법을 이용한 신호교차로의 교통상충 판단 시스템및 방법 |
CN109191841A (zh) * | 2018-09-17 | 2019-01-11 | 天津中德应用技术大学 | 一种基于树莓派的城市交通智能管理系统 |
CN109887281A (zh) * | 2019-03-01 | 2019-06-14 | 北京云星宇交通科技股份有限公司 | 一种监控交通事件的方法及系统 |
CN112183469A (zh) * | 2020-10-27 | 2021-01-05 | 华侨大学 | 一种公共交通的拥挤度识别及自适应调整方法、系统、设备及计算机可读存储介质 |
CN113609937A (zh) * | 2021-07-24 | 2021-11-05 | 全图通位置网络有限公司 | 一种城市轨道交通的应急处理方法、系统及存储介质 |
CN114005282A (zh) * | 2021-12-30 | 2022-02-01 | 南京城建隧桥智慧管理有限公司 | 一种基于群智感知的智慧城市交通管理系统及方法 |
JP2022023863A (ja) * | 2019-12-03 | 2022-02-08 | パイオニア株式会社 | 渋滞予測システム、端末装置、渋滞予測方法および渋滞予測プログラム |
CN115205724A (zh) * | 2021-04-09 | 2022-10-18 | 腾讯科技(深圳)有限公司 | 一种基于异常行为的告警方法、装置和电子设备 |
CN116721550A (zh) * | 2023-08-10 | 2023-09-08 | 济南高品伟业信息科技有限公司 | 一种基于网格计算的交通管理系统 |
CN116758744A (zh) * | 2023-06-21 | 2023-09-15 | 山东宜鑫致远信息科技有限公司 | 基于人工智能的智慧城市运维管理方法、系统及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9965952B2 (en) * | 2015-03-16 | 2018-05-08 | International Business Machines Corporation | Road condition management |
-
2023
- 2023-10-06 CN CN202311287019.4A patent/CN117475646B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002083394A (ja) * | 2000-06-30 | 2002-03-22 | Sumitomo Electric Ind Ltd | 交通流の異常検知装置及び方法 |
KR20090130977A (ko) * | 2008-06-17 | 2009-12-28 | 한국교통연구원 | 영상처리기법을 이용한 신호교차로의 교통상충 판단 시스템및 방법 |
CN109191841A (zh) * | 2018-09-17 | 2019-01-11 | 天津中德应用技术大学 | 一种基于树莓派的城市交通智能管理系统 |
CN109887281A (zh) * | 2019-03-01 | 2019-06-14 | 北京云星宇交通科技股份有限公司 | 一种监控交通事件的方法及系统 |
JP2022023863A (ja) * | 2019-12-03 | 2022-02-08 | パイオニア株式会社 | 渋滞予測システム、端末装置、渋滞予測方法および渋滞予測プログラム |
CN112183469A (zh) * | 2020-10-27 | 2021-01-05 | 华侨大学 | 一种公共交通的拥挤度识别及自适应调整方法、系统、设备及计算机可读存储介质 |
CN115205724A (zh) * | 2021-04-09 | 2022-10-18 | 腾讯科技(深圳)有限公司 | 一种基于异常行为的告警方法、装置和电子设备 |
CN113609937A (zh) * | 2021-07-24 | 2021-11-05 | 全图通位置网络有限公司 | 一种城市轨道交通的应急处理方法、系统及存储介质 |
CN114005282A (zh) * | 2021-12-30 | 2022-02-01 | 南京城建隧桥智慧管理有限公司 | 一种基于群智感知的智慧城市交通管理系统及方法 |
CN116758744A (zh) * | 2023-06-21 | 2023-09-15 | 山东宜鑫致远信息科技有限公司 | 基于人工智能的智慧城市运维管理方法、系统及存储介质 |
CN116721550A (zh) * | 2023-08-10 | 2023-09-08 | 济南高品伟业信息科技有限公司 | 一种基于网格计算的交通管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117475646A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200265701A1 (en) | Systems and methods for detecting and monitoring hazardous obstacles | |
Christensen et al. | Agent-based emergency evacuation simulation with individuals with disabilities in the population | |
Archea et al. | Guidelines for stair safety | |
CN112327698B (zh) | 一种基于物联网的洪水灾害预警系统及方法 | |
CN104217297B (zh) | 一种轨道交通车站动态安全风险评价方法 | |
CN106778632A (zh) | 轨道交通大客流识别预警系统和方法 | |
CN105117683B (zh) | 一种公共场所密集人群检测及预警方法 | |
Khattak et al. | Pedestrian and bicyclist violations at highway–rail grade crossings | |
CN106096567A (zh) | 基于图像识别技术的人群安全指数计算方法及装置 | |
CN113012428B (zh) | 基于终端的大数据分析处理方法及系统 | |
CN115482507A (zh) | 基于人工智能的人群聚集消防预警方法及系统 | |
CN106530714B (zh) | 一种基于交通流数据的二次交通事故时间预测方法 | |
CN112102572A (zh) | 一种基于人工智能的太阳能物联网隔离护栏控制系统 | |
CN117475646B (zh) | 基于人工智能的行人检测方法 | |
Budzynski et al. | Effects of Road Infrastructure on Pedestrian Safety | |
JP2004178358A (ja) | イベント警備監視方法及びイベント警備監視装置 | |
CN114881826A (zh) | 一种应用于智慧教育平台的安全管理系统 | |
Evstatiev et al. | Intelligent system for improved safety of pedestrian traffic lights | |
CN117315591B (zh) | 一种智慧校园安全监控预测管理系统 | |
CN112183779A (zh) | 多源数据的市政道路交通设施监管系统及其监管方法 | |
Vivek et al. | An observational study on pedestrian and bicyclist violations at railroad grade crossings: exploring the impact of geometrical and operational attributes | |
KR20230101118A (ko) | 노면 이상 구간 판단 및 교통약자 전용 지도 생성을 통한 길 안내 서비스 제공 시스템 | |
Trpković et al. | The crossing speed of elderly pedestrians | |
JP6835363B2 (ja) | イベント等安全管理システム | |
McPherson et al. | Pedestrian behaviour and the design of accessible rail crossings |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |