CN107221175A - 一种行人意图检测方法和*** - Google Patents
一种行人意图检测方法和*** Download PDFInfo
- Publication number
- CN107221175A CN107221175A CN201710400788.9A CN201710400788A CN107221175A CN 107221175 A CN107221175 A CN 107221175A CN 201710400788 A CN201710400788 A CN 201710400788A CN 107221175 A CN107221175 A CN 107221175A
- Authority
- CN
- China
- Prior art keywords
- subregion
- intended
- target
- pedestrian
- analysis
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种行人意图检测方法和***,所述方法包括:D1,设置距离传感器来采集观测区域内的环境感知数据;D2、将监控区域划分为多个子区域,分析各子区域中的目标流动性;D3、通过子区域内的流动性分析,判定监控区域内目标的行动意图。本发明提出了一种对区域内目标流动性进行分析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***。
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***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:
D1,设置距离传感器来采集观测区域内的环境感知数据;
D2、将监控区域划分为多个子区域,分析各子区域中的目标流动性;
D3、通过子区域内的流动性分析,判定监控区域内目标的行动意图。
本发明提出一种行人意图检测***,包括处理器,所述处理器能够运行以实现:
D1,设置距离传感器来采集观测区域内的环境感知数据;
D2、将监控区域划分为多个子区域,分析各子区域中的目标流动性;
D3、通过子区域内的流动性分析,判定监控区域内目标的行动意图。
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为本发明的方法的另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D1中,设置距离传感器,采集观测区域内环境感知数据(即距离数据)。
在D2中,将监控区域划分为多个子区域(如格点),分析各子区域中目标的流动性,所述流动性包括:目标势场(或流量、密度)的变化趋势。
更具体地,步骤D2包括:
D2-1、基于子区域(如格点)上所采集的点云数据,计算子区域(如格点)的势场,例如密度图、后验概率分布。
一种常见的方法是,类似于Mean-shift方法中,使用核函数来计算(参见Comaniciu,D.,&Meer,P.(1999),Distribution free decomposition of multivariatedata.Pattern analysis&applications,2(1),22-30)。
具体而言,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。
将三维点的极坐标转换为直角坐标,并结合距离传感器的姿态信息,变换至当前的观测区域坐标中,记为
计算势场(例如密度图、后验概率分布)时,一种较为常见的方式是基于核函数来计算:
其中C为归一化参数,函数K()为核函数,h为核大小,如高斯核函数:
对进行栅格化操作(或其他的离散化运算),即可获得对应格点的势场,表示为:
f(nx,ny),nx=1,2,...,Nx,ny=1,2,...,Ny (4)
其中(nx,ny)为格点所对应的索引值。
D2-2、在连续两帧或多帧数据中,通过分析子区域(如格点)中的变化来估计子区域(格点)上势场(或流量、密度)的变化量、方向等参数。
可以用Lucas-Kanade方法来估算(参见Barron,J.L.,Fleet,D.J.,Beauchemin,S.S.,&Burkitt,T.A.(1992).Performance of optical flow techniques.IEEE ComputerSociety Conference on Computer Vision and Pattern Recognition(pp.236-242))。还可以用流体分析的方法来估算(参见[Hughes,R.L.(2002).A continuum theory for theflow of pedestrians.Transportation Research Part B:Methodological,36(6),507-535.];[Huang,L.,Wong,S.C.,Zhang,M.,Shu,C.W.,&Lam,W.H.(2009).RevisitingHughes’dynamic continuum model for pedestrian flow and the development of anefficient solution algorithm.Transportation Research Part B:Methodological,43(1),127-141.]).
通过以上方法,可估算出子区域(格点)中的变化量及方向,以矢量表示为:
在D3中,综合各子区域的流动性分析,判定区域内是否有行动意图。更具体地,指定过街区域及方向,通过子区域(如格点)上流动性的分析(例如流动方向与指定方向一致,且指向过街区域),可实现目标意图的准确判定。
进而,在D4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所示,本发明的第二实施方式是对第一实施方式的改进。
在D1、在信号灯所在的路口部署多个距离传感器,采集观测区域内环境感知数据(即距离数据)。此与第一实施方式相同。
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.”)。
所述步骤D1还包括:
D1-1、对采集的每帧激光点云数据提取前景数据。
D1-2、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D1-2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”)。融合后的点云数据记为
在D2中,将监控区域划分为多个子区域(如格点),分析各子区域中目标的流动性,所述流动性包括:目标势场(或流量、密度)的变化趋势。
更具体地,步骤D2包括:
D2-1、基于子区域(如格点)上所采集的点云数据,计算子区域(如格点)的势场,例如密度图、后验概率分布。
一种常见的方法是,类似于Mean-shift方法中,使用核函数来计算(参见Comaniciu,D.,&Meer,P.(1999),Distribution free decomposition of multivariatedata.Pattern analysis&applications,2(1),22-30)。
具体而言,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。
将三维点的极坐标转换为直角坐标,并结合距离传感器的姿态信息,变换至当前的观测区域坐标中,记为
计算势场(例如密度图、后验概率分布)时,一种较为常见的方式是基于核函数来计算:
其中C为归一化参数,函数K()为核函数,h为核大小,如高斯核函数:
对进行栅格化操作(或其他的离散化运算),即可获得对应格点的势场,表示为:
f(nx,ny),nx=1,2,...,Nx,ny=1,2,...,Ny (4)
其中(nx,ny)为格点所对应的索引值。
D2-2、在连续两帧或多帧数据中,通过分析子区域(如格点)中的变化来估计子区域(格点)上势场(或流量、密度)的变化量、方向等参数。
可以用Lucas-Kanade方法来估算(参见Barron,J.L.,Fleet,D.J.,Beauchemin,S.S.,&Burkitt,T.A.(1992).Performance of optical flow techniques.IEEE ComputerSociety Conference on Computer Vision and Pattern Recognition(pp.236-242))。还可以用流体分析的方法来估算(参见[Hughes,R.L.(2002).A continuum theory for theflow of pedestrians.Transportation Research Part B:Methodological,36(6),507-535.];[Huang,L.,Wong,S.C.,Zhang,M.,Shu,C.W.,&Lam,W.H.(2009).RevisitingHughes’dynamic continuum model for pedestrian flow and the development of anefficient solution algorithm.Transportation Research Part B:Methodological,43(1),127-141.]).
通过以上方法,可估算出子区域(格点)中的变化量及方向,以矢量表示为:
在D3中,综合各子区域的流动性分析,判定区域内是否有行动意图。更具体地,指定过街区域及方向,通过子区域(如格点)上流动性的分析(例如流动方向与指定方向一致,且指向过街区域),可实现目标意图的准确判定。
进而,在D4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。
第三实施方式
根据本发明的另一方面,提出一种智能行人识别方***,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***还包括处理器。
所述处理器能够被配置为执行第一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,能够实现第一实施方式中描述的步骤。
本发明的智能行人识别方法和***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***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***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:
D1,设置距离传感器来采集观测区域内的环境感知数据;
D2、将监控区域划分为多个子区域,分析各子区域中的目标流动性;
D3、通过子区域内的流动性分析,判定监控区域内目标的行动意图。
2.根据权利要求1所述的行人意图检测方法,其特征在于,
所述目标的流动性包括:子区域内目标势场、流量或密度的变化趋势。
3.根据权利要求2所述的行人意图检测方法,其特征在于,步骤D2包括:
D2-1、基于子区域中所采集的点云数据,计算子区域的势场;
D2-2、在连续两帧或多帧数据中,通过分析子区域中的变化来估计子区域中的目标势场、流量或密度的变化趋势。
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D3中,
指定过街区域及方向,通过子区域上流动性的分析,实现目标意图的判定,流动方向与指定方向一致,且指向过街区域,则判定为目标有过街意图。
5.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D1还包括:
D1-1、对采集的每帧激光点云数据提取前景数据;以及
D1-2、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D1-1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。
6.一种行人意图检测***,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:
D1,设置距离传感器来采集观测区域内的环境感知数据;
D2、将监控区域划分为多个子区域,分析各子区域中的目标流动性;
D3、通过子区域内的流动性分析,判定监控区域内目标的行动意图。
7.根据权利要求6所述的行人意图检测***,其特征在于,
所述目标的流动性包括:子区域内目标势场、流量或密度的变化趋势。
8.根据权利要求6所述的行人意图检测***,其特征在于,包括处理器,所述处理器被配置为实现步骤D2时实现如下步骤:
D2-1、基于子区域中所采集的点云数据,计算子区域的势场;
D2-2、在连续两帧或多帧数据中,通过分析子区域中的变化来估计子区域中的目标势场、流量或密度的变化趋势。
子区域中的目标势场、流量或密度的变化趋势。
9.根据权利要求6所述的行人意图检测***,其特征在于,所述处理器被配置为:
指定过街区域及方向,通过子区域上流动性的分析,实现目标意图的判定,流动方向与指定方向一致,且指向过街区域,则判定为目标有过街意图。
10.根据权利要求6所述的行人意图检测***,其特征在于,所述处理器在时限步骤D1时被配置:
D1-1、对采集的每帧激光点云数据提取前景数据;以及
D1-2、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D1-1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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710400788.9A CN107221175B (zh) | 2017-05-31 | 2017-05-31 | 一种行人意图检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710400788.9A CN107221175B (zh) | 2017-05-31 | 2017-05-31 | 一种行人意图检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107221175A true CN107221175A (zh) | 2017-09-29 |
CN107221175B CN107221175B (zh) | 2020-10-27 |
Family
ID=59948596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710400788.9A Active CN107221175B (zh) | 2017-05-31 | 2017-05-31 | 一种行人意图检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107221175B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108802758A (zh) * | 2018-05-30 | 2018-11-13 | 北京应互科技有限公司 | 一种基于激光雷达的智能安防监控装置、方法和*** |
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 |
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*** |
CN111144260A (zh) * | 2019-12-19 | 2020-05-12 | 北京文安智能技术股份有限公司 | 一种翻越闸机的检测方法、装置及*** |
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077617A (zh) * | 2012-12-24 | 2013-05-01 | 南京航空航天大学 | 基于计算机视觉的人行横道智能交通灯监管***及方法 |
CN103279791A (zh) * | 2013-05-30 | 2013-09-04 | 上海汇纳网络信息科技有限公司 | 基于多特征的行人计算方法 |
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 |
CN103473953A (zh) * | 2013-08-28 | 2013-12-25 | 奇瑞汽车股份有限公司 | 一种行人检测方法和*** |
US20160321848A1 (en) * | 2012-03-14 | 2016-11-03 | Autoconnect Holdings Llc | Control of vehicle features based on user recognition and identification |
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*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866549A (zh) * | 2009-04-14 | 2010-10-20 | 北京宏德信智源信息技术有限公司 | 区域交通服务水平微观指标及评价方法 |
CN101567127B (zh) * | 2009-05-13 | 2010-09-15 | 浙江工业大学 | 一种交通主辅灯信号***的辅灯控制方法 |
RU2013149776A (ru) * | 2013-11-06 | 2015-05-20 | Алексей Константинович Ившуков | Нерегулируемый пешеходный переход |
-
2017
- 2017-05-31 CN CN201710400788.9A patent/CN107221175B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160321848A1 (en) * | 2012-03-14 | 2016-11-03 | Autoconnect Holdings Llc | Control of vehicle features based on user recognition and identification |
CN103077617A (zh) * | 2012-12-24 | 2013-05-01 | 南京航空航天大学 | 基于计算机视觉的人行横道智能交通灯监管***及方法 |
CN103279791A (zh) * | 2013-05-30 | 2013-09-04 | 上海汇纳网络信息科技有限公司 | 基于多特征的行人计算方法 |
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 |
CN103473953A (zh) * | 2013-08-28 | 2013-12-25 | 奇瑞汽车股份有限公司 | 一种行人检测方法和*** |
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*** |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108802758A (zh) * | 2018-05-30 | 2018-11-13 | 北京应互科技有限公司 | 一种基于激光雷达的智能安防监控装置、方法和*** |
CN108802758B (zh) * | 2018-05-30 | 2021-02-12 | 北京应互科技有限公司 | 一种基于激光雷达的智能安防监控装置、方法和*** |
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 |
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*** |
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*** |
CN111144260A (zh) * | 2019-12-19 | 2020-05-12 | 北京文安智能技术股份有限公司 | 一种翻越闸机的检测方法、装置及*** |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN107221175B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soilán et al. | Segmentation and classification of road markings using MLS data | |
CN107423679A (zh) | 一种行人意图检测方法和*** | |
US8750567B2 (en) | Road structure detection and tracking | |
CN107221175A (zh) | 一种行人意图检测方法和*** | |
US9852357B2 (en) | Clear path detection using an example-based approach | |
Chen et al. | Deer crossing road detection with roadside LiDAR sensor | |
US8421859B2 (en) | Clear path detection using a hierachical approach | |
US8487991B2 (en) | Clear path detection using a vanishing point | |
US8670592B2 (en) | Clear path detection using segmentation-based method | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
US8718329B2 (en) | Top-down view classification in clear path detection | |
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、***、设备及存储介质 | |
CN110188606B (zh) | 基于高光谱成像的车道识别方法、装置及电子设备 | |
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*** | |
Wang et al. | Road edge detection in all weather and illumination via driving video mining | |
Janda et al. | Road boundary detection for run-off road prevention based on the fusion of video and radar | |
CN116778748A (zh) | 基于深度学习的车辆转弯盲区智能预警方法 | |
Malinovskiy et al. | Model‐free video detection and tracking of pedestrians and bicyclists | |
Kress et al. | Pose and semantic map based probabilistic forecast of vulnerable road users’ trajectories | |
Chiang et al. | Fast multi-resolution spatial clustering for 3D point cloud data | |
Nalavde et al. | Driver assistant services using ubiquitous smartphone | |
Mehboob et al. | Mathematical model based traffic violations identification | |
Zhang et al. | Traffic sign timely visual recognizability evaluation based on 3d measurable point clouds |
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 |