[发明专利]一种融合ResNet和LSTM的公交车厢拥挤度检测方法

摘要

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。

主权项

1.一种融合ResNet和LSTM的公交车厢拥挤度检测方法，其特征在于，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，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，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。