[发明专利]一种基于轨道交通列车的客流密度检测方法及装置

说明书

本发明涉及一种基于轨道交通列车的客流密度检测方法及装置，所述方法包括：S1：从不同的车厢内收集车厢图像；S2：将收集到的图像分成训练集和测试集，并通过像素点对所述训练集和所述测试集中的每张图像的人体面部/头部信息进行标注；S3：通过高斯核函数对标注后的图像中的人体面部/头部信息进行高斯滤波，得到人体面部/头部特征数据；S4：向由卷积神经网络模型组成的深度学习模型中输入所述训练集中的所述人体面部/头部特征数据，经过训练得到训练后的卷积神经网络模型；S5：将所述测试集中的人体面部/头部特征数据输入到所述训练后的卷积神经网络模型，以输出车厢图像的客流密度图。

技术领域

本发明涉及密度数据检测技术领域，尤其涉及一种基于轨道交通列车的客流密度检测方法及装置。

背景技术

地铁大大方便了人们的出行，针对上下班时间段及节假日乘客流量剧增，为了合理利用地铁车厢的资源，提高乘客的出行体验感，应实时检测出每一节车厢的客流人数，方便提示乘客在哪一节车厢站台候车更合理更舒适。目前，针对行人检测主要由传统局部特征比如方向梯度直方图(HOG)、局部二值特征(LBP)、harr小波等与传统的分类器相结合，比如支持向量机(SVM)。HOG与SVM相结合在行人检测方面已经取得巨大成功，但在地铁车厢环境下，乘客身体的遮挡严重影响乘客身体的局部特征提取，进而导致分类器无法训练。另外一种区域卷积神经网络(RCNN、Fast-Rcnn、Faster-Rcnn)系列，这种算法大致是通过提取并学习图像的区域特征对图像进行检测识别，在车厢不是很拥挤的情况下，这种算法通过小方框对人体面部/头部检测计算人数有较好的精度。但是，当车厢很拥挤时，部分人体面部/头部被遮挡时，RCNN中的区域框会容易漏检被遮挡的部分人体面部/头部，造成算法的精度急剧下降，并且RCNN算法效率较低，不易用于实际应用。YOLO算法由于其测试速度已经用于生产应用，但在人体面部/头部检测方面精度过低。

发明内容

本发明针对目前的技术问题，提供了一种基于轨道交通列车的客流密度检测方法及装置。该方法解决了采用现有技术的算法精度较低，效率低不易于实际应用的技术问题。

第一方面，本发明提供了一种基于轨道交通列车的客流密度检测方法，包括：

S1：从不同的车厢内收集车厢图像；

S2：将收集到的图像分成训练集和测试集，并通过像素点对所述训练集和所述测试集中的每张图像的人体面部/头部信息进行标注；

S3：通过高斯核函数对标注后的图像中的人体面部/头部信息进行高斯滤波，得到人体面部/头部特征数据；

S4：向由卷积神经网络模型组成的深度学习模型中输入所述训练集中的所述人体面部/头部特征数据，经过训练得到训练后的卷积神经网络模型；

S5：将所述测试集中的人体面部/头部特征数据输入到所述训练后的卷积神经网络模型，以输出车厢图像的客流密度图。

进一步，所述步骤S1之后还包括：

对收集到的所述车厢图像进行像素调整的预处理。

进一步，经过所述预处理后的所述车厢图像为1280*720像素的车厢图像。

进一步，所述步骤S5之后还包括：

通过回归统计得到车厢中的总人数。

第二方面，本发明公开了一种基于轨道交通列车的客流密度检测装置，包括：

收集模块，用于从不同的车厢内收集车厢图像；

标注模块，用于将收集到的图像分成训练集和测试集，并通过像素点对所述训练集和所述测试集中的每张图像的人体面部/头部信息进行标注；

高斯滤波模块，用于通过高斯核函数对标注后的图像中的人体面部/头部信息进行高斯滤波，得到人体面部/头部特征数据；