[发明专利]基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法

权利要求书

1.一种基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法，其特征在于，包括以下步骤：

步骤S1，将城市轨道交通的全天运行时间划分为N个运行时间段，对每个时间段进行M次采样，获得总采样的监控图像XIN，N大于4的正整数，M大于3的正整数；通过城市轨道交通的全天运行时间的划分，精确反应城市轨道交通乘客全天的拥挤程度；

步骤S2，采用第一特征提取模块和第二特征提取模块对监控图像X_IN进行特征提取，得到城市轨道交通运行时间内的相应特征向量，用于指示城市轨道交通乘客拥挤程度；

所述步骤S2包括步骤S21-S22：

步骤S21，采用第一特征提取模块对监控图像X_IN进行特征提取，第一特征提取模块包括两个卷积层和两个池化层；

监控图像X_IN输入第一卷积层，经公式（1）后，产生的特征向量为：

（1）

其中，表示监控图像X_IN与卷积核K₁的卷积运算，a为预设第一非零常量，b₁表示预设第一参数；

然后采用池化层，通过公式（2）对特征向量Y₁进行池化操作：

（2）

其中，表示池化函数，表示预设第二非零常量，b₂表示预设第二参数；

再次卷积后，得到

（3）

其中，b₃表示预设第三参数、K₃表示卷积核；

再次采用池化层，对特征图Y3进行池化操作：

（4）

其中，表示预设第三非零常量，b₄表示预设第四参数；

步骤S22，将特征向量Y4按区域平均划分为L个区域，L5，通过公式(5)对每个区域进行特征提取；针对每个区域提取的特征，按相似度排序，将相似度最小的作为第二特征提取模块的输出；

（5）

其中，K₅表示卷积核，b₅表示预设第五参数；

步骤S3，设置乘客拥挤程度检测模块，将第二特征提取模块的输出输入到乘客拥挤程度检测模块，估算出乘客拥挤程度，得到P个拥挤程度等级，P为正整数；

步骤S4，定义损失函数，兼顾相邻两个拥挤程度等级差距的同时，优化输出的拥挤程度等级与实际拥挤程度等级的差距，提高检测准确度；

所述损失函数定义为：

其中，K为拥挤程度等级个数，表示实际拥挤程度等级，表示乘客拥挤程度检测模块输出的拥挤程度等级，为预设权重，M_i表示对应于第i个拥挤程度等级的特征均值；

所述城市轨道交通乘客拥挤程度检测方法从时间维度上全面提取乘客拥挤程度特征，并去除不希望区域，对精确指示乘客拥挤程度的区域进行精确特征提取，降低卷积神经网络的运算量，提高后续检测准确度；

所述N个运行时间段，至少包括早上、中午、下午、晚上四个时间段；所述乘客拥挤程度检测模块主要包括全连接层和分类器，其中全连接层产生相应维度的特征向量，输入到分类器，得到拥挤程度等级。