[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

说明书

本发明公开了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，所述方法包括将城市轨道交通的整个运行时间划分为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X_IN；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；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；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。

技术领域

本发明涉及乘客拥挤程度检测方法，具体涉及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。

背景技术

随着生活水平的提高，城市轨道交通成为城市居民主要的出行手段。由于城市轨道交通通常位于封闭的地下或轨道高架，站厅面积较为有限，在客流高峰到来时，大量的客流涌入极易造成站厅拥挤和通道堵塞，容易引起大规模的群体安全事故，造成不良的社会影响。因此需要一种便捷、高效的方法实时获取客流分布、监测车站客流状态，为客流组织提供强有力的技术支持，保障乘客的安全和轨道交通的正常运营。

现阶段将图像识别技术与公共场合安装的视频监控系统结合起来，利用计算机对监控摄像头获取图像中包含的乘客目标进行处理，对客流状态进行自动的检测、研判，在发现异常目标和异常场景时及时发出警报，实现对城市轨道交通客流拥挤程度自动化、智能化的检测监控。

传统的研究方法主要获取单张监控图像或者连续帧的监控图像，采用卷积神经网络提取图像特征，识别城市轨道交通乘客拥挤程度，主要存在三种问题：一是针对单张监控图像或者连续帧的监控图像进行特征提取，不能从时间维度上精确反应城市轨道交通乘客全天的拥挤程度，准确度较低；二是传统卷积神经网络对监控图像中全部像素点进行特征提取，卷积神经网络的运算量大，城市轨道交通乘客拥挤程度检测结果差，无法从空间维度上提高检测准确度；三是传统卷积神经网络卷积、池化运、损失函数运算慢、特征提取效果差。

因此，设计一种效率高、准确度高的城市轨道交通乘客拥挤程度检测方法，成为目前亟需解决的问题。

发明内容

本发明针对目前的技术问题，提供了一种城市轨道交通乘客拥挤程度检测方法。该方法克服了现有技术中效率低、准确度低的缺点，进而实现对城市轨道交通乘客拥挤程度的准确估计。

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，将城市轨道交通的整个运行时间划分为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X_IN，N大于4的正整数，M大于3的正整数；

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：

其中，conv(·)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：