Resumen

El seguimiento de la seguridad pública es un tema candente al que el gobierno y los ciudadanos prestan gran atención. El seguimiento multiobjeto desempeña un papel importante en la resolución de muchos problemas de seguridad pública. En escenarios abarrotados y lugares de emergencia, predecir y advertir es un problema difícil debido a la complejidad de la intersección de multitudes. Todavía existen muchas deficiencias en la investigación de la predicción de trayectorias multiobjeto, que emplean principalmente la detección de objetos y la asociación de datos. En comparación con los enormes avances en la detección de objetos, la asociación de datos sigue basándose en restricciones elaboradas a mano, como el grupo, el movimiento y la proximidad espacial. Las emergencias suelen tener características de mutación, diversificación de objetivos, baja iluminación o resolución, lo que dificulta el seguimiento multiobjetivo. En este trabajo, aprovechamos el avance del marco de aprendizaje profundo para la asociación de datos en el seguimiento de objetos mediante el modelado conjunto de las características de los peatones. El modelo propuesto basado en SSD de seguimiento profundo de peatones puede emparejar y vincular características de peatones en dos fotogramas cualesquiera. El modelo se entrenó con un conjunto de datos abierto, y los resultados, la precisión y la velocidad del modelo se compararon entre entornos normales y de emergencia o violentos. Los resultados experimentales muestran que la precisión de seguimiento de mAP es superior al 95 por ciento en los conjuntos de datos normales y anormales y superior a la del algoritmo de detección tradicional. La velocidad de detección del conjunto de datos normales es ligeramente superior a la del conjunto de datos anormales. En general, el modelo tiene buenos resultados de seguimiento y credibilidad para el seguimiento multiobjetivo en entornos de emergencia. La investigación proporciona apoyo técnico para garantizar la seguridad y supervisar el comportamiento en entornos de emergencia.

• 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:asociación de datos, modelo, entorno de emergencia, detección de objetos, características de peatones, monitorización de seguridad pública, conjuntos de datos anómalos, marco de aprendizaje profundo, buenos resultados de seguimiento, predicción de trayectorias multiobjeto.
• Keywords:data association, model, emergency environment, object detection, pedestrian features, public security monitoring, abnormal data sets, deep learning framework, good tracking results, multiobject trajectory prediction