[发明专利]一种融合ResNet和LSTM的公交车厢拥挤度检测方法

说明书

发明涉及本发明属于深度学习中的模式识别技术领域，公开了一种基于深度学习框架和ResNet_LSTM深度神经网络模型以实时检测公交车车厢拥挤度的方法。主要通过结合Tensorflow深度学习框架设计ResNet_LSTM深度神经网络模型解决公交车公司不能实时掌握运行中的公交车车厢内的拥挤度，不能合理的调度车辆问题。本发明融合了残差神经网络(ResNet)和长短期记忆网络(LSTM)，首先通过公交车监控系统截取实时图片，通过残差神经网络提取图片特征，进行初次分类，然后将提取到的图片特征输入到长短期记忆网络，长短期神经网络根据图像特征标注图片中乘客头像位置，以统计车厢内乘客数目再次分类。最后结合两种神经网络的分类结果，根据拥挤度评价标准，生成公交车车厢拥挤度。该方法充分考虑了实际场景中出现的问题，同时结合新型的深度神经网络模型，实现了对公交车车厢内乘客拥挤度的检测。

技术领域

本发明涉及本发明属于深度学习中的模式识别技术领域，具体涉及到一种拥挤度检测方法。

背景技术

随着城市现代化的推进，交通在城市中的角色越来越重要，交通是一座城市发展的基础。现在城市公交行业在快速发展，公交信息化的水平在不断的提高，截止到2016年底，全国公共车保有量为60.9万辆，而且各大中城市的公交车保有量在不断提高，公交车已经成为公众的主要出行工具。而公交车内乘客拥挤，乘车体验饱受市民诟病。这就需要公交企业掌握实时客流状况，并能够面向公众发布公交车内拥挤度信息，使乘客在能够在有选择的情况下乘坐合适的车辆出行。近年来，虽然各个城市均在大力推进智能公交系统的建设，智能车载终端也已经逐渐成为公交车的标配，并实现了公交车实时定位，无线通信，视频监控等功能，但是一直缺乏有效的对车厢内人群拥挤度检测的手段。

目前，深度卷积神经网络算法已经应用到包括计算机视觉，语音识别在内的诸多人工智能应用，并且在很多人工智能应用之中表现出了当前最佳的准确度，使深度卷积神经网络的的应用量有了迅速的增长。深度卷积神经网络算法被大量应用在无人驾驶汽车，癌症检测，游戏AI等方面，并且在许多领域的准确性已经超过了人类，与早期的专家手动提取特征或制定规则不同，深度卷积神经网络的优越性能来自于在大量数据上使用统计学习方法，从原始数据中提取高级特征的能力，从而对输入空间进行有效的表示。

发明内容

有鉴于此，本发明提供一种融合ResNet和LSTM的公交车厢拥挤度检测方法，利用公交车视频监控系统，部署深度卷积神经网络算法，可实时准确检测出公交车车厢人群拥挤度。

本发明的目的是通过以下技术方案来实现的：

一种融合ResNet和LSTM的公交车厢拥挤度检测方法，该方法包括以下步骤：

S1：部署Tensorflow深度学习框架，对历史公交车厢图像进行预处理，将预处理后的历史公交车厢图像构造为Bus_pic数据集；标注Bus_pic数据集的图像中的人脸区域，构造Bus_pic_brain数据集；

S2：基于构造的Bus_pic数据集，此数据集是S1中预处理后得到的，部署ResNet网络，提取Bus_pic数据集中图像的全局特征，训练ResNet网络；

S3：基于Bus_pic_brain数据集，此数据集是在Bus_pic数据集的基础上，对数据集中每张图片进行人物头像标注，部署LSTM网络，根据数据集中人脸标注，训练LSTM网络；

S4：读取公交车厢图像；

S5：使用S2中训练好的ResNet网络对公交车厢拥挤度进行分类；

S6：使用S3中训练好的LSTM网络对图片中的人脸进行检测，统计乘客个数；

S7：综合步骤S5和S6的检测结果，根据权重，完成公交车厢拥挤度的检测。