公共场所人群加速度异常检测系统

针对目前基于速度检测公共场所密集人群异常行为存在的检测准确率低、使用范围局限的问题,从人群的加速度角度对可能导致公共安全事故的人群异常行为进行研究,提出了一种基于加速度检测人群异常行为的算法,并基于该算法实现了针对人群逃散、人群聚集、人群拥挤和人群逆行4种异常行为检测的系统。首先,利用金字塔Lucas-Kanade光流法进行特征点跟踪;然后,在获取到特征点的速度矩阵基础上进一步计算其加速度矩阵,反映速度的整体变化;最后,从加速度大小和方向两方面检测人群异常行为。结果表明,所提算法检测用时较少,相比基于速度检测的对比算法,检测的正确率提高到80%,误报率降低为5%。     

化学实验室动火实验无人值守行为识别方法研究

为实现化学实验室动火实验无人值守行为的智能化识别,提出基于目标检测算法的识别方法。定义动火实验无人值守行为并设计6组场景模拟方案,通过对3种不同行为模式进行模拟,构建模型训练与验证所需图像数据集,并基于目标检测算法构建化学实验室动火实验无人值守行为识别模型。研究结果表明：融合SimAM注意力机制且使用WIoU损失函数的模型识别精确率达0.996,召回率0.996,mAP@0.5为0.996;泛化能力测试精确率为0.891,召回率为0.783,mAP@0.5为0.821,融合SimAM注意力机制且使用WIoU损失函数后的模型的识别能力和泛化能力均得到明显提升。研究结果可为化学实验室动火实验无人值守行为识别与预警提供技术支撑。     

1种基于视频的油田危险区域入侵检测智能综合识别技术研究

为解决油田日常生产作业中缺乏危险作业区域的等级划分与自动识别方式以及缺乏人员踏入危险区域的识别方法.提出1种基于视频智能综合识别技术的全天油田危险区域入侵检测算法,该算法首先结合油田危险因素对油田危险区域进行危险等级的划分与危险区域的识别;然后,针对光照条件良好的白天场景,在训练数据集中融合油田作业区视频数据和公开行人...     

基于视频分析的人群密集场所客流监控预警研究

为实现人群密集场所客流安全隐患早发现,辅助管理人员早决策,人群聚集风险区早疏散,提升对灾难的预见性和主动性。在国内外人群异常聚集监测预警现状分析基础上,对比分析得出监控视频分析技术是解决人群密集场所精准预警难题较为理想的解决方案;构建以视频智能分析的人群计数、密度估计、行人追踪、活动烈度识别为核心技术的人群密集场所风险预警技术框架;将该技术框架应用到某大型商圈的商业街区,获得监控区域内的人群总数、密度分布、行人轨迹和异常活动等特征。结果表明:提出的基于视频分析的人群密集场所风险预警技术框架可为城市大型商圈、交通枢纽、大型活动场所等城市公共场所的安全管理提供参考和借鉴。     

车辆典型危险行驶状态识别与检测研究进展

为识别和检测车辆在行驶过程中可能出现的危险状态,及时给予驾驶员反馈和预警,使车辆始终保持安全的运行状态,重点从车辆典型危险行驶状态的识别、检测2个方面,梳理纵向及横向危险行驶状态及其表征参数,总结主要的识别与检测方法,并展望其未来研究趋势。结果表明:不同文献对驾驶事件的危险阈值划分原则差异较大,尚未形成统一的标准;隐马尔科夫模型(HMM)对危险驾驶事件的识别准确率相对较高;车辆典型危险行驶状态的几种识别方法各有优点和缺点,基于便携式设备和多传感器数据的识别方法相对较优,且基于多传感器数据融合的车辆危险行驶状态识别与检测是未来的重点研究方向。     

视频中异常行为自动检测技术研究

为提升计算机对视频中异常行为的识别、判断能力，提供及时发现异常行为并阻止其造成更大损失的可能性，本文提出2种基于视觉低层特征设计的异常行为检测技术，利用混合高斯模型和区域像素灰度值判断运动目标是否进入危险高度，进而达到对攀高的检测；利用光流—聚类法和目标跟踪法实现初步、精确判断是否存在逆行行为。攀高实验中选取2个不同场景下的视频，逆行实验选取室外复杂环境中拍摄的视频进行检测，检测结果显示：攀高检测中，无误检；逆行检测中相较于传统光流法，误检率明显降低。     

基于深度学习的地铁施工作业人员不安全行为识别与应用

为有效识别地铁施工作业人员不安全行为,基于深度学习与计算机视觉技术,提出融合行为和身份识别的不安全行为识别方法。首先,对更快速的基于区域的卷积神经网络(Faster R-CNN)算法进行优化,引入高效通道注意力(ECA)模块提升行为识别的准确性;其次,将基于人脸超分辨率算法的人脸识别方法与行为识别相结合,提升图像像素水平并准确输出不安全行为执行人员相关信息;然后,行为识别与人脸识别并发进行,识别结果回流至数据库最终输出工人不安全行为报告;最后,选取某地铁施工项目的4种不安全行为进行识别方法的实证应用。研究表明：该方法可在地铁施工场景下进行有效应用,不安全行为识别和执行人员身份识别的准确率均达0.85以上,具有较高的准确度。     

基于异常因子的航空器飞行轨迹异常检测研究

为保障终端区航空器飞行安全,提高空域运行效率,提出了一种基于异常因子的航空器飞行轨迹异常检测方法.首先,给出了航空器异常轨迹的定义和分类,同时考虑轨迹的时空属性,采用基于时间比的自顶向下算法进行轨迹分割;其次,建立了基于密度聚类的轨迹段相似性模型,找到每类簇的中心轨迹;最后,利用中心轨迹计算每个轨迹簇的信息熵作为异常因子,同时取航空器飞行距离为另一异常因子,得到轨迹异常值,通过比较异常值的大小及其分布特点实现轨迹异常检测.结果 表明,该方法可以有效识别异常轨迹,且对比发现以轨迹信息熵和飞行距离作为异常因子时,异常检测效果更好.     

人工智能技术在矿工不安全行为识别中的融合应用

为有效识别矿工不安全行为,预防煤矿安全事故,提出融合深度学习的计算机视觉、表示深度信息的深度图像、可穿戴传感器等人工智能识别技术的方法。基于以上3种方法在人体行为识别上的应用特点,运用主成分分析法(PCA)将3种识别技术提取的行为特征降维融合,通过支持向量机(SVM)对融合特征进行分类;以矿工跌倒行为数据为正样本,走路、坐下、弯腰、下蹲、躺下等5种日常行为数据作为负样本,分别利用3种人工智能识别方法以及融合方法对矿工跌倒行为进行识别检验。结果表明:经过融合后的识别方法对矿工跌倒行为的识别效果均高于其他3种人工智能识别方法。     

社区治安高危人员异常轨迹识别与预警方法研究*

为解决社区治安高危人员异常轨迹难以实时感知、精确识别、及时预警的问题,对社区治安高危人员动态轨迹进行标定,并建立动态轨迹序列化模型,通过序列化模型构建动态行为链;根据静态身份属性与动态轨迹时空特征信息,建立异常轨迹分析模型。结果表明:动态轨迹标定可实现对GPS轨迹数据高效、准确标定;异常轨迹分析模型可实现异常轨迹识别与预警。研究结果适用于社区高危人群管控,可为社区治安防控提供技术支持。     

生化恐怖袭击情境下引导疏散中行人行为仿真研究

恐怖袭击事件发生在人员密集、环境复杂的公共场所时,极易造成大量的人员伤 亡。为了研究行人行为特征对应急引导过程的影响,采集疏散行人行为特征数据以SPSS 统计软件分析,并将分析结果导入基于社会力原理建立的疏散模型进行仿真实验。研究 结果表明:行人的性别、受教育程度及疏散经验个体特征的差异对引导疏散的结果具有 直接的影响,关系到引导疏散过程的成功与否。应急管理方案制定中,应针对性的为各 类行人指定安全预案以及提供培训演练。     

基于交通心理的行人不安全行为研究

基于交通心理学原理,对城市行人交通不安全行为进行研讨.分析了行人出行认知心理与行为的关系,给出行人信息处理过程的概念模型,指出行人的认知心理状态与交通事故关系密切.以定性分析的方法,把行人不安全行为归为有意和无意两类,从主客观方面分析行人心理对不安全行为的影响.通过实际交通调查及对实测数据的统计处理,表明行人交通安全意识淡薄,性别、年龄和有无驾照对行人交通安全意识有重要影响;系统分析了行人不安全行为的心理因素.从行人心理角度考虑,给出了一些相应的改善行人交通不安全行为的教育、管理、法制方面的建议和预防措施,例如:从行人心理角度对过街设施进行合理设置,从驾驶员心理角度考虑改善行人交通安全,对人行天桥和地道进行人性化设置等,将心理学行为矫正法原理应用于行人交通管理中.     

基于卷积神经网络的驾驶人行为识别方法研究

为探究汽车驾驶人非安全驾驶行为的识别问题,在简要分析现有驾驶人行为识别方法的基础上,提出一种基于卷积神经网络(CNN)的驾驶人行为识别方法,分析CNN前向传播与反向传播过程,给出处理驾驶人行为识别问题的CNN网络架构。结果表明:用该方法可识别,其平均识别率达97. 13%,相对于传统提取方向梯度直方图特征(HOG),并用随机森林(RF)分类的算法,该方法的识别率平均提高了3. 62%。     

大华股份AI再度刷新行人重识别领域三大数据集记录

正近日,大华股份基于深度学习的行人重识别算法,在三大国际权威公开数据集Market1501、DukeMTMC和CUHK03上,各项指标再度刷新历史记录,这是继2018年和2019年之后大华AI第三次在该数据集上取得突破性进展,准确率均创历史新高,持续保持领先水平。大华股份基于在机动车、非机动车和行人等以图搜图方面的技术积累和应用经验,不断提升和优化行人重识别算法的效果。通过自研的一套行人识别训练和测试框架,重点解决了图像风格差异、多视角、多姿态及障碍物遮挡等问题;通过改进重点技术策略,     

基于向量自回归模型的水质异常检测研究

水质异常检测对保障用水安全具有重大意义。为了准确有效地判断水质异常,提出基于向量自回归(VAR)模型的多参数融合水质异常检测算法。VAR模型是自回归(AR)模型的一种扩展。通过AR模型和VAR模型跟踪和预测水质背景数据,计算预测残差,与设定阈值比较判断水质是否异常。结果表明,与基于AR模型的水质异常检测算法相比,基于多参数融合的VAR模型在水质背景数据跟踪上具有更好的准确性,能够实现较高的异常检出率和较低的异常误报率。     

面向自动驾驶的典型汽车与行人事故冲突场景研究

为了从交通事故数据中提取典型汽车与行人冲突场景,应用于自动驾驶汽车研发测试,首先将行人事故冲突场景的组成变量按主车、行人、道路、环境4个类别进行划分,利用群决策理论分析了各类别下属变量的重要性,提取重要变量并根据其取值定义了汽车与行人冲突的基础场景.结合国家车辆事故深度调查体系(NAIS)中行人事故数据,统计得到46类基础场景,分析了中国行人冲突基础场景的特征,并提取了 7种典型的基础场景,就其中2类最典型场景进行聚类分析,对后5类典型场景进行统计分析,获得了 16类典型汽车与行人冲突场景的详细描述.研究结果可为系统全面地研究我国自动驾驶汽车行人自动紧急制动(AEB)测试场景提供参考.     

九曲桥行人运动实验与模拟研究

公共场所中的人群疏散是行人疏散动力学研究中的重要内容。基于九曲桥行人运动观测实验对转角区域的行人运动特征进行研究,并利用人员疏散模拟软件Pathfinder模拟了因激励作用所导致的行人速度提高对通行效率的影响。结果表明,由于行人的停留、拍照行为导致转角内区域出现了明显的行人变换走道现象;行人在转角内区域出现的停留、超越行为导致行人速度出现大幅度波动,最低速度约为0.2 m/s,最高速度约为0.7 m/s;与转角后区域相比,行人密度变化对转角内区域的行人速度的影响更小,单位流量的影响更大;由于观测实验中行人停留、拍照等行为的存在,相同密度下转角后区域行人运动速度、单位流量均低于P&M平直通道模型;适当的激励作用有助于减轻行人拥堵,提高通行效率,当行人速度达到较高水平后效果不再显著。     

基于YOLO-V3算法的加油站不安全行为检测

为控制加油站火灾爆炸风险目标,结合事故统计和故障树分析方法,提出一种基于YOLO-V3算法的加油站不安全行为检测模型。首先在收集90起加油站火灾爆炸事故的基础上,统计分析加油站火灾爆炸事故的点火源;其次构建加油站火灾爆炸故障树,计算各基本事件的结构重要度,并确定加油站危险性较高的不安全行为;然后采用现场采集和模拟的方法收集加油站不安全行为图像数据,利用数据增强方法构建加油站不安全行为图像数据集;最后基于深度学习的方法构建加油站不安全行为检测模型,经过1000次训练迭代后得到最终模型。研究结果表明：引起加油站火灾爆炸事故的不安全行为主要有抽烟、打电话等;训练得到的检测模型在测试集上对抽烟、打电话和正常行为检测类别的平均检测精度分别为67%、85%和77%,模型的平均检测精度均值为84%。     

数据样本有限的交通恐怖袭击行为识别

为解决交通恐怖袭击行为识别时数据样本有限,难以满足深度神经网络(DNN)对海量训练数据的需求,提出数据增强深度学习的样本有限条件下交通恐怖袭击行为识别方法。首先,设计数据增强策略与方法,获得足够的训练样本;其次,在训练时使用原训练样本和增强训练样本计算代价函数,以抑制过拟合,提高鲁棒性;然后,堆栈多个稀疏自编码(SAE)并添加分类层,构建DNN,对增强后的训练样本进行逐层自学习和有监督反向微调,将特征提取与模式识别融为一体,准确识别袭击行为;最后,通过全球恐怖主义数据库(GTD)数据进行算例分析。结果表明:在有限交通恐怖袭击事件数据样本下,数据增强深度学习算法的特征提取能力和识别结果较对比算法得以提升,识别的平均准确率可达98.75%。     

航站楼旅客群体性事件预警监控系统架构及关键技术

针对航站楼旅客群体性事件的智能化预警问题,在民用机场航站楼内的现有视频监控系统的基础上,提出旅客群体性事件预警监控系统架构和关键技术。针对航站楼内的视频监控系统的视频数据进行预处理;基于空间聚类算法,从图像中提取人群聚集特征;针对目标监控区域的历史视频和突发事件数据进行统计分析,研究正常和非正常两种情况下的人群分布特征,并建立相应的预警规则库;根据预警规则,在人群聚集特征识别的基础上,对非正常目标密集人群进行识别。该系统可根据航站楼旅客群集性事件的时空特性,针对不同事件、不同时间、不同地点采用不同的规则进行预警,提高了预警的可靠性。