【摘要】：隨著大數(shù)據(jù)及智能時(shí)代的到來,以數(shù)據(jù)驅(qū)動(dòng)為基礎(chǔ),從數(shù)據(jù)中挖掘知識(shí)、識(shí)別模式的形式正成為當(dāng)今學(xué)術(shù)界及工業(yè)界解決諸多問題的主要方式之一。其中以數(shù)據(jù)驅(qū)動(dòng)為基礎(chǔ)的人群場景監(jiān)控、分析、行為預(yù)測及運(yùn)動(dòng)合成也正成為人群仿真領(lǐng)域中的研究熱點(diǎn)。由于人群是一個(gè)多智能體的集合,考慮到其中個(gè)體的多樣性、環(huán)境及生物體生理的復(fù)雜性,以數(shù)據(jù)驅(qū)動(dòng)而非制定有限規(guī)則進(jìn)行人群仿真將研究重點(diǎn)逐步從人體力學(xué)、心理學(xué)、物理學(xué)領(lǐng)域轉(zhuǎn)向模式識(shí)別及機(jī)器學(xué)習(xí)領(lǐng)域。然而,由于人群及數(shù)據(jù)的復(fù)雜性與多變性,完全依賴數(shù)據(jù)進(jìn)行人群仿真中的宏觀場景建模、中觀碰撞避免及微觀運(yùn)動(dòng)合成仍面臨著諸多挑戰(zhàn)。本文以數(shù)據(jù)驅(qū)動(dòng)方法為依托,在宏觀、中觀及微觀三個(gè)人群分析與仿真研究方向上展開了一系列工作:提出了一種基于特征加權(quán)支持向量機(jī)(Support Vector Machine,SVM)的行人檢測新方法用以對行人進(jìn)行檢測與監(jiān)控。該方法核心思想在于運(yùn)用引入Metropolis準(zhǔn)則的遺傳算法(Metropolis Genetic Algorithm,MGA)對支持向量機(jī)中輸入樣本的特征設(shè)置權(quán)重。具體地講,在MGA中,我們將Metropolis準(zhǔn)則引入至遺傳算法的父代選擇機(jī)制中以動(dòng)態(tài)改變父代的接受概率,從而令算法具有更強(qiáng)的跳出局部極小值及收斂的能力。實(shí)驗(yàn)表明,通過將該算法運(yùn)用于SVM中的特征加權(quán)問題,在行人檢測應(yīng)用領(lǐng)域中,所提出的方法能夠達(dá)到更為精準(zhǔn)的行人檢測目的。提出了一種基于人群軌跡數(shù)據(jù)分析的宏觀場景建模及仿真框架,以進(jìn)一步揭示真實(shí)場景中人群數(shù)據(jù)存在的特有屬性并積極地驅(qū)動(dòng)人群仿真效果逼近真實(shí)數(shù)據(jù)。本框架首先依據(jù)已有歷史行人軌跡對場景信息進(jìn)行分析,以劃分不同的運(yùn)動(dòng)模式。而后以分類后的運(yùn)動(dòng)模式為單位,分別計(jì)算其速度場,并進(jìn)行異常去除。最后以優(yōu)化后的速度場為指導(dǎo)進(jìn)行宏觀層面的場景建模與路徑規(guī)劃,最終獲得符合真實(shí)軌跡時(shí)空特性的仿真路徑。另外,在實(shí)驗(yàn)中我們發(fā)現(xiàn)了存在于同一運(yùn)動(dòng)模式下人群的三種時(shí)空統(tǒng)計(jì)特征:(1)軌跡長度統(tǒng)計(jì)服從冪律分布;(2)軌跡速率服從高斯分布;(3)運(yùn)動(dòng)速率總是在出入口及轉(zhuǎn)彎附近較低而路徑中段較高。提出了一種基于多隱含層神經(jīng)網(wǎng)絡(luò)的人群仿真方法以實(shí)現(xiàn)中觀層面的人群局部碰撞避免操作。該方法的核心思想在于運(yùn)用多隱含層神經(jīng)網(wǎng)絡(luò)擬合人群中的狀態(tài)-動(dòng)作數(shù)據(jù)對,以訓(xùn)練出擁有行人運(yùn)動(dòng)決策的網(wǎng)絡(luò)模型,從而指導(dǎo)agent進(jìn)行局部碰撞避免。該方法首先滿足了傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)方法對人群仿真真實(shí)性的需求,與此同時(shí),在碰撞次數(shù)、運(yùn)行效率上也均優(yōu)于傳統(tǒng)的基于搜索的數(shù)據(jù)驅(qū)動(dòng)方法。更可貴的是,神經(jīng)網(wǎng)絡(luò)模型能夠?qū)W習(xí)到訓(xùn)練數(shù)據(jù)中一些不存在的有效運(yùn)動(dòng)決策,從而進(jìn)一步說明了該仿真方法在指導(dǎo)agent進(jìn)行局部碰撞避免過程中的有效性。進(jìn)一步對深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行研究,提出了一種一致性懲罰項(xiàng)(Consistency Term,CT)損失函數(shù)用以提高神經(jīng)網(wǎng)絡(luò)分類準(zhǔn)確率及生成網(wǎng)絡(luò)模型中生成樣本的質(zhì)量。為進(jìn)一步對辨別器進(jìn)行Lipschitz連續(xù)限制,我們由1-Lipschitz連續(xù)性的基本定義出發(fā),通過擾動(dòng)每個(gè)真實(shí)數(shù)據(jù)點(diǎn)x兩次,并使用Lipschitz常量來限制判別器對擾動(dòng)數(shù)據(jù)點(diǎn)x'及x"的敏感度。實(shí)驗(yàn)表明,該損失函數(shù)的引入不僅生成了比之前方法更真實(shí)的圖片樣本,并且擁有最先進(jìn)的半監(jiān)督學(xué)習(xí)效果。進(jìn)一步,我們將CT項(xiàng)加至多隱含層神經(jīng)網(wǎng)絡(luò)損失函數(shù)中并用于人群仿真中的運(yùn)動(dòng)決策生成,相比之下獲得了更小的測試誤差。提出了一種混合運(yùn)動(dòng)圖(Hybrid Motion Graph,HMG)框架用以實(shí)現(xiàn)更為靈活、多樣的微觀層面上的人體運(yùn)動(dòng)合成。該框架在運(yùn)動(dòng)類內(nèi)運(yùn)用運(yùn)動(dòng)場(Motion Fields)思想進(jìn)行類內(nèi)運(yùn)動(dòng)的靈活合成與控制,與此同時(shí),在運(yùn)動(dòng)類間運(yùn)用運(yùn)動(dòng)圖(Motion Graphs)技術(shù)完成不同運(yùn)動(dòng)模式間的快速、自然切換。具體地,在HMG構(gòu)建中,首先,具有時(shí)空特性的運(yùn)動(dòng)模板將從每個(gè)訓(xùn)練運(yùn)動(dòng)類中導(dǎo)出。其次,框架將每一類運(yùn)動(dòng)連同其對應(yīng)的運(yùn)動(dòng)模板進(jìn)行組合以建立典型的運(yùn)動(dòng)場。再次,框架通過時(shí)空約束對相關(guān)運(yùn)動(dòng)模板進(jìn)行插值,生成運(yùn)動(dòng)類之間的平滑過渡。最終,通過將每個(gè)類的運(yùn)動(dòng)場集成至運(yùn)動(dòng)圖的全局結(jié)構(gòu)控制中,建立模板與運(yùn)動(dòng)場之間的平滑過渡組合。在論文的最后,我們對全文的研究工作進(jìn)行了總結(jié)與展望。
【圖文】：

式搜索算法（ｗｒａｐｐｅｒ方法）同時(shí)對所有特征進(jìn)行加權(quán)操作以最終提高ＳＶＭ的分逡逑類準(zhǔn)確率。因此，本章提出一種基于ＭＧＡ邋（ＭｅｔｒｏｐｏｌｉｓＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ）的特征逡逑加權(quán)支持向量機(jī)行人檢測方法，其流程見圖２－１。逡逑邐ｒｐ＾ｌｉ邐邐邋邐逡逑／邋s{訓(xùn)￣７邋邐邋ＨＯＧ－ＬＢＰ邋＊；．邋：－：■邐邐ＰＣＡ－ＬＤＡ邋降邐ＭＧＡ邋學(xué)習(xí)支持向量逡逑／練圖像／－邋（邐＾邋特征邋＿邋邐！邋維后的特征邐機(jī)中的特征權(quán)重逡逑Ｌ￣￣－——丨邐｜邋ｆ、基于ＬＤＡ的逡逑？邋ＬＢＰ特征」邐降維逡逑￣７邐￣＾——邐｜基于特征加權(quán)支持邐．邐、逡逑／邋ｚｚｔ邋／邐？邋征提取邐？向量機(jī)的行人檢測邐？（檢測結(jié)果）逡逑／邋￥栔／邐１—邐：￣邐｜邋分類器邐、邐７逡逑圖２－１基于特征加權(quán)支持向量機(jī)的行人檢測方法框架逡逑Ｆｉｇ．邋２－１邋Ｆｒａｍｅｗｏｒｋ邋ｏｆ邋ｔｈｅ邋ｆｅａｔｕｒｅ邋ｗｅｉｇｈｔｅｄ邋ＳＶＭ邋ｆｏｒ邋ｐｅｄｅｓｔｒｉａｎ邋ｄｅｔｅｃｔｉｏｎ逡逑２．１特征提取與降維逡逑根據(jù)訓(xùn)練圖像的復(fù)雜邊緣特性表現(xiàn)，，通過運(yùn)用方向梯度直方圖（ＨＯＧ）特征描逡逑述算子提取圖像中的邊緣特征。具體而言，首先將圖像轉(zhuǎn)化為灰度圖，并運(yùn)用伽馬逡逑函數(shù)調(diào)整圖像對比度及亮度；其次聲明細(xì)胞大小為８ｘ８個(gè)像素，并且塊大小為２ｘ２逡逑個(gè)細(xì)胞，而后計(jì)算圖像中每一個(gè)像素的梯度信息；再將梯度信息離散化至９個(gè)無逡逑符號方向并以塊中細(xì)胞為單位對梯度信息進(jìn)行統(tǒng)計(jì)并將所有統(tǒng)計(jì)向量進(jìn)行拼接；逡逑最后將得到方向梯度直方圖ＨＯＧ。本章所使用的訓(xùn)練樣本均為６４ｘ１２８像素分辨逡逑率

逑示其梯度統(tǒng)計(jì)特征，最終每幅圖將被抽象為１０５ｘ３６＝３７８０維度的ＨＯＧ特征。方法逡逑流程如圖２－２所示。逡逑Ｄｅｔｅｃｔｉ0ｎｗｉｎｄ0ｗ逡逑ａ邐－邋Ｇｒａｙｆｒａｎｓｉｔｉｏｎ邋ａｎｄ邋ｇａｍｍａ逡逑Ｉ—逡逑；＼邋７７７Ｇｒａｄｉｅｎｔ邋ｃａｌｃｕｌａｔｉｏｎ逡逑ｎ逡逑…＇、．邐Ａ逡逑Ｖ邋、？邐、？邐＼邋Ｖ邋＼邐＇、？邐＼邋Ｘ逡逑ｘ0邋ｖ－ｘＷＣＯＯ＼邐Ｃｏｕｎｔｉｎｇ邋ｏｒｉｅｎｔａｔｉｏｎ邋ｉｎ邋９邋ｄｉｒｅｃｔｉｏｎｓ逡逑ＰｉＵ邐、‘說於漏＼邐ｆ°ｒ邋ｃｅｌｌｓ逡逑ＥｍＥ邋ｏｖｅｒｌａｐｙｖ＾Ｖ＇．ＷＷ逡逑、、、、、、逡逑ｂｉ0ｃｋ邋供、邐？邋－？邋■逡逑、＼：、、＼邋0？：＼、邐Ｃｏｕｎｔｉｎｇ邋ｏｒｉｅｎｔａｔｉｏｎ邋ｆｏｒ邋ｂｌｏｃｋｓ逡逑＼＼邋＼邋Ｖ邋＼＼＼邋＼＼邐＿逡逑＼邋＼邋＼邋＼邋＼邋＼邋＼邋＼邋＼逡逑ｘ邋＼邋＼邋Ｎｖ邋＼邋＼邐＼逡逑Ｘ邋＼邋ｘ邐＼邐＼邋Ｖ邋＼邐＼邐、逡逑＾邐ＩＵ邐ｉ邐（邐１邐１邐－逡逑ｍａｇｎｉｔｕｄｅ０５０邐｜邐１邐Ｉ邐＾邐；邐Ｉ邐？邋ＨＯＧ邋ｆｅａｔｕｒｅ邋＝邋｛ｘｌｔｘ２，邋—邋？－＾３７８0）逡逑ｖｏｔｅ邐ｗ邐Ｉ邋ｉ邋ｉ邐N｜邐Ｌ邐邋Ｌ逡逑％邐６００邐＇（／ｍ邐＇．Ｓ００邐２０Ｗ邋ＪｔｔＯ邋ＡＷ．ｔ邋３１％＞邐４？．０逡逑ＨＯＧ邋ｄｉｍｅｎｓｉｏｎ逡逑圖２－２邋ＨＯＧ特征提取過程逡逑Ｆｉｇ，邋２－２邋Ｔｈｅ邋ｐｒｏｃｅｄｕｒｅ邋ｏｆ邋ＨＯＧ邋ｆｅａｔｕｒｅ邋ｅｘｔｒａｃｔｉｏｎ逡逑根據(jù)訓(xùn)練圖像的復(fù)雜紋理特性表現(xiàn)，通過運(yùn)用局部二值模式（ＬＢＰ）特征描述逡逑算子提取圖像中的紋理特征
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 劉威;段成偉;遇冰;柴麗穎;袁淮;趙宏;;基于后驗(yàn)HOG特征的多姿態(tài)行人檢測[J];電子學(xué)報(bào);2015年02期

2 黃鵬;劉箴;;一種面向人群仿真的改進(jìn)型社會(huì)力模型研究[J];系統(tǒng)仿真學(xué)報(bào);2012年09期

3 朱大奇;顏明重;;移動(dòng)機(jī)器人路徑規(guī)劃技術(shù)綜述[J];控制與決策;2010年07期

4 陶平;張小英;馬恒亮;;基于元胞自動(dòng)機(jī)模型的人員疏散仿真研究[J];計(jì)算機(jī)仿真;2009年10期

5 王萌;王曉榮;李春貴;張?jiān)龇?;改進(jìn)人工勢場法的移動(dòng)機(jī)器人路徑規(guī)劃研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2008年06期

本文編號：2598598