基于眼动特征的可变信息标志视认性影响研究

为了补充可变信息标志在昼夜交替时的亮度要求,改善在昼夜交替时的视认效果,开展了环境照度和字体亮度对可变信息标志视认性的影响研究。首先,通过实测环境照度和字体参数实验,确定影响视认性的关键参数;其次,开展视认可变信息标志眼动实验,分析字体亮度和环境照度对视认性的影响;最后,建立最佳字体亮度与环境照度的最优匹配函数。结果表明：在200,400,600,800,1 000 lx环境照度下,红色字体最佳显示亮度分别为170,200,230,260,270 cd/m²,黄色字体最佳显示亮度分别为185,225,265,305,325 cd/m²,绿色字体最佳显示亮度分别为200,240,280,320,340 cd/m²;在达到最佳视认效果的情况下,字体亮度随环境照度的增大而增大,且增长速率逐渐变小。研究所得影响规律及字体亮度与环境照度最优匹配函数可得不同环境照度下不同颜色字体的最佳显示亮度,为昼夜交替时不同环境照度下不同颜色字体显示亮度的参数设置提供了依据,对提高城市道路交通可变信息标志的视认性、降低事故率具有重要意义。     

基于图像的地铁车站施工人员不安全行为识别研究

为了解决人工监测不能实时看护和及时管理地铁车站施工人员的不安全行为等问题,构建了基于KNN,MLP和LSTM模型的不安全行为识别神经网络模型。首先,通过行为理论研究和现场调查分析,对地铁车站施工不安全行为进行了分类;其次,通过实验构建人体数据集,基于人体骨骼关节点提取不安全行为特征,并进行模型训练;最后,基于MobileNet V1的SSD目标检测算法对施工人员进行定位和追踪,结合射线法判断目标是否跨越不安全区域并发出警报,搭建神经网络模型对施工人员的不安全行为进行识别,并获得计算识别率。结果表明：传统机器学习算法KNN总体准确率为93.45%,优化后的MLP和LSTM两种神经网络模型总体准确率分别达到93.94%和93.68%,相对KNN算法分别提高了0.49%和0.23%。因此所提模型能有效识别施工人员不安全行为,可为地铁施工安全智能识别技术应用提供参考。