Resumen

La detección de peatones ha sido siempre uno de los puntos clave de la investigación en el ámbito de los sistemas avanzados de asistencia a la conducción (ADAS), con grandes avances en los últimos años. Sin embargo, para el ADAS, no solo necesitamos detectar el comportamiento de los peatones delante del vehículo, sino también predecir la acción futura y la trayectoria de movimiento. Por lo tanto, en este trabajo, proponemos una red de flujo óptico combinada de puntos clave humanos (KPOF-Net) en el ADAS del vehículo para la situación de oclusión en la escena real. Cuando el vehículo se encuentra con un peatón bloqueado en una intersección de tráfico, utilizamos el auto-flujo para estimar el flujo óptico global en la secuencia de imágenes y, a continuación, propusimos un algoritmo de corte de bordes blancos (WEC) para eliminar las obstrucciones y simplemente modificamos la red generativa adversarial para inicializar a los peatones detrás de las obstrucciones. A continuación, extrajimos información de flujo óptico de peatones e información de puntos conjuntos humanos en paralelo, entre los que entrenamos cuatro modelos de puntos clave humanos adecuados para intersecciones de tráfico. Por último, se propuso la fusión KPOF-GPDM para predecir el estado futuro y las trayectorias de marcha de los peatones, que combinaba información de flujo óptico con información de puntos clave humanos. En el experimento, no nos limitamos a comparar nuestro método con otros cuatro enfoques representativos en las mismas secuencias de escenas. También verificamos la precisión del estado de movimiento del peatón y la predicción de la trayectoria de movimiento del sistema tras la fusión de los puntos de articulación humanos y la información de flujo óptico. Teniendo en cuenta el rendimiento en tiempo real del sistema, en un entorno de baja velocidad y sin barreras, el análisis comparativo sólo utiliza información de flujo óptico, información de puntos de articulación humanos y tres modelos de predicción KPOF-Net. Los resultados muestran que (1) en el mismo entorno de tráfico, nuestra propuesta KPOF-Net puede predecir el cambio de estado de movimiento del peatón unos 5 fotogramas (unos 0,26 s) antes que otros excelentes sistemas; (2) al mismo tiempo, nuestro sistema predice la trayectoria del peatón con mayor precisión que los otros cuatro sistemas, pudiendo alcanzar un error mínimo más estable ±0.04 m; (3) en un entorno experimental de baja velocidad y sin barreras, nuestro modelo de predicción de trayectoria propuesto, que integra puntos de articulación humanos e información de flujo óptico, tiene una mayor precisión de predicción y menores fluctuaciones que un modelo de predicción de información única, y puede aplicarse bien a los ADAS de los automóviles.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:información de flujo óptico, información de puntos de articulación humanos, puntos de articulación humanos, estado de movimiento de peatones, kpof, adas, red, peatones, sistema, sistema avanzado de asistencia a la conducción
• Keywords:optical flow information, human joint point information, human joint points, pedestrian motion state, kpof, adas, net, pedestrians, system, advanced driving assistance system