基于视频图像处理的公交客流统计技术研究

发布时间：2021-04-15 23:00

　　客流统计对于公交实时调度、优化线路运营有着重要意义。由于公交车内上下客区域安装有摄像头,所以现有系统一般采用基于视频图像处理的方案,具体表现为对视频中出现的乘客进行逐一检测和跟踪,通过运动轨迹来判定上下车行为,从而完成统计计数。近年来,随着深度学习在目标检测方面不断取得成果,本文提出了将深度学习技术应用于公交车内乘客检测,通过设计多目标跟踪算法和结合距离信息的运动轨迹分析方法,来解决现有系统检测准确度低、适用范围窄的问题。本文首先对相关技术、参数指标、以及使用到的软硬件平台进行了介绍。然后设计了以乘客头部为检测目标的深度学习算法,并提出了基于CPU-FPGA架构的加速方法,提高了在嵌入式环境下的运行速度。接着,设计了基于检测的多目标跟踪算法,提出了一种基于IOU的数据关联方法,改善了拥挤状况下跟踪容易丢失的问题。在运动轨迹分析部分,提出了距离与基准线相结合的方法,以适应不同的摄像头拍摄场景。基于上述算法设计,本文在ZYNQ系列平台上完成了公交客流统计的原型系统并测试了各部分算法的性能。测试结果表明,针对公交客流统计,本文系统可以达到87%的准确度,在其他类似公共场景达到80%准确度。 

【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：96 页

【学位级别】：硕士

【部分图文】：

YOLO设计思路[36]

图 2-1 YOLO 设计思路[36]YOLO 使用卷积神经网络来实现该模型，初始卷积层的特征输入来自图像全连接层预测输出概率和坐标。网络结构受到 GoogleNet[37]的启发，如图 2示，由 24 个卷积层和 2 个全连接层组成，不同的是在每个 1x1 的归约层duction layer，1x1 的卷积)之后，YOLO 使用 个 3x3 的卷积层来替代gleNet 的 Inception 结构。此外，设计者还提供了 Tiny-YOLO，采用了 9 个层和更少的过滤器。

bounding boxes。对每一个 bounding boxes，模型使用 Dimension Clusters 和 Direct location predboxes 改进方法，mAP 获得了 5%的提升。原来的 YOLO 网络使用固定的 448×448 的图片anchor boxes 后，输入变成了 416×416。新的网所以可以输入任意尺寸的图片。为了使 YOLOv的鲁棒性，训练时每经过 10 次训练（10epoch）片尺寸。设定降采样参数为 32，则最终最小的尺的尺寸为 608 × 608。这种机制使得同一个网络的检测任务。用了新的命名为 Darknet-19 的分类模型作为图 2-3 所示，其包含 19 个卷积层和 5 个最大.8 亿次，在 imagenet 图片分类 top-1 准确率 448×448 的高分辨率下训练的 top-1 准确率


本文编号：3140251