摘要：行人轨迹预测在自动驾驶和社交机器人等领域有着广泛的应用.对行人间复杂的交互关系进行有效建模是提高轨迹预测准确性的关键问题.然而,基于图神经网络的方法建模行人间的复杂交互时,存在行人间交互关系不会随着时间推移而改变,并且图模型无法自适应地调整网络参数,导致预测轨迹与真实轨迹偏差较大.为此,提出基于动态进化图的行人轨迹预测方法,设计动态特征更新(DFU)以定义行人间的动态特性,对行人间动态交互进行建模以构建时间域的网络动态性,提升对行人间复杂交互关系建模的能力.采用进化图卷积单元优化编码器,灵活进化图模型网络参数,增强图模型的自适应能力.研究结果表明,在预测8个时间步长下,与STGAT模型相比,所提出模型在两个公开数据集(ETH和UCY)上取得了更好的性能,平均位移误差降低12.26%,最终位移误差降低14.10%.

摘要：随着计算机视觉技术的发展,行人重识别技术得到了广泛的应用.为了有效地分析海量的行人轨迹数据的时空相关性,提出一个可扩展的可视化分析系统Hi-Geo-Ti,应用分层(hierachical)地理(geographical)时间轴(timelines)可视化系统,允许用户从海量图像存储中即时提取和可视化行人的轨迹.特别地,Hi-Geo-Ti将行人重识别产生的关联与摄像机的时空属性相结合,在此基础上创建了三维轨迹图与二维时序故事图的交互组合,直观地解决了行人轨迹时空复杂度问题,快速有效地分析海量轨迹的相关性.以分析Covid-19的传播过程为例,展示了结合行人重识别技术该系统在抗击疫情中的助力作用,并进行用户研究验证设计的有效性.

摘要：为了规划合理的路径以规避行人,针对行人轨迹预测的研究具有广泛的应用价值.基于手工特征的传统方法难以预测复杂场景下的行人轨迹.深度学习以人工神经网络为架构,具有强大的学习能力,在各个领域取得了显著的效果.基于深度学习的行人轨迹预测方法已逐渐发展为一种趋势.为了宏观把握基于深度学习的行人轨迹预测的研究状况,首先,对不同方法进行组织与分类,比较不同方法的优缺点,讨论不同方法在行人轨迹预测领域的应用与发展;其次,根据行人轨迹预测模型的设计差异,对比不同算法对模型性能产生的影响;最后,针对行人轨迹预测中存在的问题,对基于深度学习的行人轨迹预测方法的未来发展进行了展望.

摘要：由于行人交互的复杂性和周围环境的多变性,行人轨迹预测仍是一项具有挑战性的任务.然而,基于图结构的方法建模行人之间的交互时,存在着网络感受野小、成对行人间的相互交互对称、固定的图结构不能适应场景变化的问题,导致预测轨迹与真实轨迹偏差较大.为了解决这些问题,本文提出一种基于全局自适应有向图的行人轨迹预测方法(pedestrian trajectory prediction method based on Global Adaptive Directed Graph,GADG).设计全局特征更新(Global Feature Updating,GFU)和全局特征选择(Global Feature Selection,GFS)分别提升空间域和时间域的网络感受范围,以获取全局交互特征.构建有向特征图,定义行人间的不对称交互,提高网络建模的方向性.建立自适应图模型,灵活调整行人间的交互关系,减少冗余连接,增强图模型的自适应能力.在ETH和UCY数据集上的实验结果表明,与最优值相比,平均位移误差降低14%,最终位移误差降低3%.

摘要：针对信号交叉口行人过街溢出轨迹建模,选择商业区作为数据采集点,从而保证足够的行人数据量,采用视频采集技术获取行人过街的时空数据,得到行人过街轨迹。基于Weibull(韦布尔)模型建立行人在3个穿越区域的穿越位置分布模型,进而连接3个穿越区域的穿越位置得到行人过街轨迹。利用轨迹模型进行信号交叉口行人过街安全护栏的长度设计,该方法操作简单、实用性强,且该设计可有效降低行人与机动车的冲突,提高行人过街的安全性,改善信号交叉口行人及机动车的运行秩序,为交叉口安全设计提供理论支持。

摘要：行李箱携带者作为公共交通枢纽一种典型的人员类型,研究其对人群运动特征的影响对于公共设施的优化具有重要意义。开展了行李箱携带人群在六种汇流角度下的紧急疏散实验,比较了不同汇流角度对行人运动速度及疏散效率的影响,获取了不同汇流角度和不同测量区域的运动基本图。结果表明:1)在实验设置下,比较不同汇流角度(出口宽度d=3.00 m)发现,∂越小(30°),人群运动速度最大(1.86 m/s)、累计疏散时间最短。随着汇流角度的增大,人群运动速度呈现降低趋势(∂=180°时,人群运动速度最小(1.40 m/s)、累计疏散时间最长)。表明汇流角度小的设施,有利于提高行人疏散效率;2)比较不同测量区域的基本图(汇流角度一定)发现,汇流交汇处的人群密度分布要小于离交汇处较远的测量区域;3)比较不同汇流角度的基本图(测量区域一定)发现,汇流交汇处的行人密度与流量主要分布在1.34 m^(-2)~2.15 m^(-2)与2.00(m·s)-1~3.50(m·s)^(-1)之间。并且,在实验观测的密度范围内,行人流量随着人群密度的增加而上升。研究结果可为优化建筑设施设计和制定人群管理策略提供依据。

摘要：公共空间是当代城市的重要组成部分,基于人群空间行为的研究可为其优化设计提供参考。当前,利用视频数据获取行人轨迹进而评估公共空间的研究方法开始出现,但使用的方法具有运算速度慢,无法实时获取结果等缺点。使用Python编写基于深度学习的计算机视觉算法,可实时获得研究场地上行人的轨迹数据。以天津大学卫津路校区内的3个公共空间为例,利用轨迹数据绘制人群分布热力图和人群行走速度热力图来分别表征公共空间各个出入口间的连接强度,以及行走速度不同的行人所选择路径的空间分布差异。最后,提出了该方法在辅助设计方面的可能性及其存在的局限性和改进的策略。

摘要：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。