论文部分内容阅读
近年来城市轨道交通发展飞速,其在疏导了城市道路交通、缩短了市民通勤时间的同时,地铁客流量也随之陡然上升。在突发事件来临时,如何保障地下路网中市民的安全已成为地铁运营的一大难题。而实时准确地获取客流信息,可以为提高地铁运营管理部门运营组织效率,增强应对突发大客流的能力提供有力的决策数据支持。本文将计算机视觉技术应用于城轨实时客流监测,通过对当前具有较好性能的目标检测算法进一步优化,并设计与之相适应的目标跟踪、客流计数算法,实现了对监控场景内地铁客流准确高效的实时统计。本文的主要内容包括:(1)首先针对几种基于视觉的乘客检测方法,探究了其基本原理及在城轨监控场景中的应用可行性。接着对基于运动特性的乘客目标检测方法与基于机器学习的HOG+SVM检测方法进行了对比研究测试后,确定使用基于深度学习的单发多框检测器(Single Shot Multibox Detector,SSD)算法作为乘客目标的检测算法。(2)其次研究了SSD算法的框架与原理,对SSD网络的训练、测试及其学习内容和方式进行了讨论。又针对传统SSD算法的小目标不敏感等问题,利用基于DenseNet(密集连接网络)的基础网络和调整结构的预测网络等方式改进了检测算法,以实现更好的乘客目标分类和预测。(3)接着,本文还研究了与检测算法相对应的跟踪算法和客流计数策略。即以OpenCV中的跟踪类作为算法的支撑,采用基于检测结果的KCF算法对视频图像中的乘客进行实时跟踪。并设计了相应的轨迹分析和乘客计数算法,以实现对客流的精确计算和统计,为后续实验验证提供了算法支撑。(4)最后,利用广州地铁高清监控系统截取的视频数据,对本文设计的改进SSD乘客检测算法进行了测试,结果表明改进的检测算法解决了传统SSD算法存在的问题。又以识别率和漏检、误检率为指标,对本文所设计的目标跟踪、轨迹分析和乘客计数算法的处理结果进行了评价,结果表明本文所设计的基于计算机视觉的客流统计算法能够满足地铁监控场景的客流统计需求。