基于卷积神经网络的列车实时客流检测算法

城市轨道交通作为城市公共交通系统的主体,在缓解交通出行压力、促进城市发展中具有十分重要的作用。科学精准的测算列车实时客流,对改善城市轨道交通客运服务水平,发展低碳、环保的绿色出行模式具有重大意义。为此,提出基于卷积神经网络的城市轨道交通列车实时客流检测算法,实现列车监控视频视野内乘客数量的实时检测。基于成都地铁1号线车载监控视频建立列车客流图像数据集,以剔除全连接层的VGG-16网络作为算法基础框架,提取输入图像的边缘、角点等浅层细节特征;将多尺度卷积层和膨胀卷积结构融合构建乘客多尺度特征感知模块,在保持图像分辨率的同时,通过不同的感受野增强尺度上下文信息的提取性能,提升网络对乘客尺度变化的鲁棒性;构建特征融合网络将网络浅层提取的细节特征与上采样后的深层语义特征嵌入融合,提升小尺度乘客目标的计数精度和特征图的信息丰富度。实验结果表明:所提算法在城市轨道交通列车场景下的检测精度得到显著提升,平均绝对误差、均方误差以及平均绝对百分比误差指标分别达到了1.1%,1.8%和5.4%,同时单张图像检测速率低于60 ms,能够满足列车客流检测的实时性需求;且算法在2个标准人群数据集ShanghaiTech以及UCF-CC-50上的计数性能也得到了不同程度的提升,拥有良好的泛化性能。

基于计算机视觉的轨道交通站内客流识别与预测

轨道交通的短时客流预测通常以车站为最小单位进行研究,只能从宏观上把握车站间的客流规律,不能有效反映站内各场景的拥挤微观客流。为了对车站内部不同场景的微观客流进行分析和预测,及时采取措施保证站内乘客通行安全,提出基于计算机视觉的端到端精细化短时客流识别与预测模型(Detect-Predict)。首先,基于手动拍摄并标注乘客头部的闸机口、楼扶梯口、换乘通道、站台等站内场景的图片数据对YOLOv5算法训练,并通过优化后的通道剪枝对检测模型压缩。其次,使用楼扶梯口场景下固定摄像头拍摄的视频数据,通过YOLOv5以及DeepSORT算法对视频中的目标进行检测并跟踪,实现乘客数量实时统计。最后,将统计的客流数量输入到LSTM算法中进行实时预测,并使用识别的客流数据持续在线训练预测模型,构建端到端的轨道交通站内精细化短时客流识别与预测模型。在拍摄的站内视频数据上进行试验,结果表明采用处理输入视频每秒传输帧数的方法,乘客数量实时统计算法可以满足识别的实时性要求,其精度在测试场景下达到99.4%,整体客流预测模型的RMSE为11.07,MAE为8.02,WMAPE为12.57%。提出的轨道交通站内精细化短时客流识别与预测模型可以实时地对轨道交通车站内部场景的微观客流进行识别并预测,使得轨道交通运营者实时掌握站内各场景未来客流并及时疏导,具有一定的应用前景。

基于深度学习的地铁车站站台层实时客流检测应用研究

将基于深度学习的目标检测算法YOLO-V5与多目标追踪算法DeepSORT相结合,实现了地铁车站站台层行人客流信息的实时检测与统计。首先,为减少因行人相互遮挡导致的错检和漏检问题,将传统的行人全身检测改为头肩部检测;然后,训练DeepSORT中的ReID模型,只提取行人头肩部特征,从而减少因追踪过程行人ID的频繁切换而导致的计数不准确问题;最后,将优化好的行人检测追踪模型应用到地铁站台层客流检测中,根据实际应用场景提取并统计不同客流信息。结果表明,该模型能有效检测站台拥挤程度,并能对站台出入口的上下行人数进行统计,准确率达到86%,平均FPS为35,能够满足客流信息实时检测的应用需求。

基于视频的车站客流状态识别方法研究

对车站客流的状态进行研究是城市轨道交通安全保障与风险管控内容的重要方面,科学合理地对客流状态进行评价对城轨运营安全起着重要作用。在对YOLOv5算法优化的基础上,形成客流密度识别方法,优化后算法在测试集上的mAP50-95指标提升到了0.5962,在车站各区域实际场景中乘客的平均检测准确率为86.82%;将Deep-SORT多目标追踪算法与单应性矩阵结合,形成客流速度识别方法,经过验证对乘客速度识别的精度可达93.2%,为城市轨道交通车站的安全运营提供帮助。

民宿客流统计系统的设计与实现

为了实现对民宿智能化管理,防止出现聚众黄赌毒现象,设计了基于深度相机的民宿客流统计系统。该系统由图像采集模块、目标检测模块和目标跟踪模块三部分组成,实现对进出民宿人数统计的功能。

一种针对轨交大客流环境的新型目标检测算法研究

轨道交通行业具有人口密度大、人流集中、场所特殊的特点,一直以来都是社会公共安全危险与风险的重点关注领域。近年来,人工智能、计算机视觉以及大数据技术迅猛发展为轨道交通安全运营带来了新的机遇和挑战。文章旨在深入研究轨道交通行业特定的大客流环境下目标检测算法的模型,并提出一个新型目标检测算法技术框架,力争解决智能视频分析技术在轨道交通行业落地难的难题,为后续在北京地铁全路网范围内工程化落地提供技术准备和参考。

上海城市轨道交通日常大客流检测及预警需求研究

根据城市轨道交通日常大客流特征,研究上海轨道交通日常大客流检测及预警体系,提出网络、线路、车站不同层级的大客流检测、预警需求及适用的检测技术。以人民广场站为例,说明大型枢纽站针对站内、站外大客流预警的客流检测需求,以及目前各种技术的实际应用效果。指出未来实现轨道交通多源数据融合将是提高大客流预警准确性和及时性的必然趋势。

一种基于视频的公交客流自动统计方法

为提高公交系统智能化管理水平,提出一种公交客流自动统计方法。采用直方图统计与多帧平均的方法提取视频背景,使用背景边缘去除算法得到乘客目标边缘轮廓信息。在此基础上,根据乘客头部轮廓的类圆特性,利用基于梯度信息的Hough变换圆检测算法完成乘客头部轮廓的识别,通过基于Kalman滤波预测的Cam Shift目标跟踪算法实现乘客的检测与计数。实验结果表明,该方法能有效消除背景图像中的噪声以及背景边缘,准确识别乘客目标并对其跟踪计数,从而提高城市公共交通运输效率。

基于脚印方向识别的客流检测与监控系统

讨论了公交调度监控的重要意义,并设计了一种智能公交系统的结构模式。在对现有应用技术对比讨论的基础上,提出了一种解决客流统计的新方法:通过判断脚印不同部位的不同宽度来判断脚印的方向,从而确定客流的运动方向,而不必构建图形的边缘曲线或进行图形匹配识别,是对模式识别及图形相似思想的巧用。

基于区域深度特征的人头检测方法

根据摄像机自上而下拍摄检测人头的特点,提出了以目标及其周围像素为候选匹配区域进行匹配来计算视差的人头检测方法.该方法首先用左视图检测所有可能的人头目标,然后选取目标及其周围像素作为匹配的整体,根据一些匹配的约束条件,用其来和右视图进行匹配,算出以目标及其周围像素为整体的视差.将目标及其周围像素作为整体,克服了人头区域纹理比较弱额缺点,使得匹配的准确率有所提高,从而提高了视差计算的准确度.

城市轨道交通车站客流安全检测与应急管理系统

围绕为城市轨道交通车站安全应急管理决策提供技术支持的核心目标,设计和研发面向车站管理人员的城市轨道交通车站客流安全检测系统;深入研究建设和实现系统的相关集成技术及关键保障技术,有效实现客流安全问题的实时自动发现、人工确认,以及应急预案启动、预案实施效果实时跟踪及过程控制,以保障城市轨道交通车站安全事件处理的实时高效性,提高城市轨道交通车站安全管理水平。

基于变点发掘的城市轨道交通客流预测模型

通过城市轨道交通发展过程阶段变化对其相应的客流变化特点进行分析;基于变点发掘的方法划分出轨道交通客流的不同变化模式,并分析导致客流模式变化的影响因素;通过权重变化有效地结合不同交通状态模式下的变参数自回归求和滑动平均(ARIMA)模型和全局BP神经网络模型,构建城市轨道交通客流组合预测模型;结合某大城市轨道交通线路的实际客流数据,对本文模型的适用性和准确性进行验证。研究结果表明:同一模式区间预测比全局搜索预测更容易获得较高精度预测值,组合模型预测结果相对优于单一模型预测结果。

一种基于机器视觉技术的城市轨道交通客流量检测方法

为了准确识别并检测城市轨道交通客流量变化,研究轨道交通客流量的变化规律,以客观图像为研究对象,以机器视觉技术为研究手段,提出了一种新的交通客流检测方法。在对交通客流视频图像进行滤波与增强后,利用Canny边缘帧差法从预处理图像中获取完整的运动目标轮廓。同时,利用AdaBoost检测算法构建的强分类器完成乘客头部的检测,并通过双线差值算法消除视频图像中不同位置尺寸所产生的误检框,实现对目标的跟踪与记载,完成客流量的统计。结果表明,该方法在交通客流量的检测中准确率高于90%。检测方法对提高城市轨道交通客流量的检测准确性具有一定的借鉴意义。

基于YOLO2的地铁进站客流人脸检测方法

由于光照变化、乘客拥挤和站外噪声干扰大等问题,现今地铁进站客流人脸检测技术精度较低。为提高人脸检测精度,本文在YOLO2轻量级目标检测算法Tiny YOLO2原有网络结构基础上,首先利用不同数目的1×1卷积层对特征图进行压缩,然后将特征图尺寸重新调整到统一大小进行级联,得到高维特征图。缩减网络最后几层卷积核数量,用1×1卷积层替换原始网络的3×3卷积层,得到更深而且更窄的人脸检测网络。改进后的网络先后在Wider Face数据集和地铁进站客流数据集上进行训练,得到最终的人脸检测模型。加载训练好的人脸检测模型对随机选取的300幅站外乘客图片进行测试。测试结果表明:本文算法相比Tiny YOLO2原始人脸检测算法,召回率提高4.2%,单幅图片检测速度提高6.5%。同时在广泛使用的人脸检测算法评测数据集FDDB上进行测试,在误检数目为200的情况下,人脸检测准确率相比Tiny YOLO2平均提高5%,比SSD检测算法提高2%,而且本文算法能够在检测速度和精度之间取得较好的平衡,有较好的泛化性。

一种基于梯度方向直方图的俯视行人的检测方法

目前已有很多关于行人检测方面的研究,这些研究基本建立在行人竖直站立或行走的平视图上,主要应用于视频监控和车载辅助驾驶等领域,但在实际应用中,有时需要从不同的视角检测行人.文中提出一种针对俯视行人检测方法,该方法将俯视行人头部的梯度方向直方图统计信息作为检测目标的特征.通过训练样本提取的特征向量在支持向量机中进行训练得到分类模型参数,然后提取检测样本的特征向量输入分类模型进行判别.与现有行人检测的梯度方向直方图算子相比,文中特征描述算子突出目标的区域与轮廓特征,在目标分块、特征计算和特征统计方法上均有变化.实验证明算法有效且处理速度明显提升.

基于压力传感器的出租车客流检测系统

出租车作为城市客运交通系统的重要组成部分,是城市常规公共交通的重要补充,出租车客流是合理确定其投放规模的重要依据。设计一款基于压力传感器的出租车客流检测系统,该系统由主控制器、压力传感器、GPS位置传感器以及电源构成,用以采集出租车在每次营运任务中的乘客数量,并利用GPS位置传感器对乘客出行的起讫点数据进行采集,精确获取出租车出行方式的居民出行数据,为分析出租车利用效率及客流时空分布特性、确定出租车合理投放规模提供可靠的数据支持。

基于CNN公交客流检测系统的设计

针对公交客流数据获取现状不稳定、处理方法陈旧及无法实时调度等问题,本文结合图像处理和深度学习方法,设计了公交客流检测系统,重点对乘客头部的特征提取算法进行研究。该系统将工业摄像头分别置于车厢前端、中端及末端的上侧,以此获得车内乘客三通道图像,在Raspberry Pi树莓派中移植TensorFlow深度学习框架,由此搭建卷积神经网络CNN的模型,以此模型提取车厢内乘客头部特征,再采用综合梯度下降算法优化学习速率和三通道数据融合技术判断车内拥挤情况,从而保证模型的鲁棒性。实验结果表明:将识别结果输入SPP-Net网络结构中,上述算法识别准确率为87.23%,较传统卷积神经网络提高9.11%,收敛速率提高20.77%,其实时的拥挤度判断更具有实用性。

基于OpenCV实现双目视觉下的客流计数算法

为了能实时地获得公交车上的乘客数,提出一种基于OpenCV(Open Source Computer Vision Library)实现双目视觉下的客流计数算法。首先用双目摄像系统获取包含场景深度信息的视差图,然后利用Codebook背景模型与光流残差相结合的方法提取运动目标,最后采用积分投影法实现目标分割,并进行目标跟踪和计数。通过对比分析和算法测试,该算法有效克服了因计数场景中光线突变、阴影等对计数的影响,准确率达94.45%以上。

基于机器视觉的地铁站点客流检测系统设计

以提高复杂环境下地铁站点客流检测的有效性为目标,设计一种基于机器视觉的实时在线客流检测系统。确定客流检测的方案,明确摄像机具体的安装位置,分析其安装高度、摄像机视角与水平俯视角度之间的关系,以获取高质量的检测图像。对采集的客观图像进行背景提取与更新,运用背景帧差法对图像进行二值化处理,同时以形态学理论为基础对图像进行降噪处理,提取图像中更加完整的运动目标轮廓。通过对人物像素点的分析与统计,实现目标的跟踪,记载目标跟踪数据,统计客流数量,并在Python环境中开发了相应的客流检测软件系统。实验结果表明,本系统检测率高于90.00%。

基于Zigbee技术的城市轨道交通客流检测系统的设计

对城市轨道交通车辆空气弹簧的工作原理进行了研究,分析了列车载客量的计算方法,并提出城市轨道交通客流检测系统的设计方案。通过采集空气弹簧的内压值来计算列车的载客量,采用Zigbee技术实现车地数据传输,最终由以太网传输到客流分析服务器,实现对城市轨道交通客流的实时检测。