基于计算机视觉的城轨客流统计技术研究
发布时间：2021-06-22 07:07
近年来城市轨道交通发展飞速,其在疏导了城市道路交通、缩短了市民通勤时间的同时,地铁客流量也随之陡然上升。在突发事件来临时,如何保障地下路网中市民的安全已成为地铁运营的一大难题。而实时准确地获取客流信息,可以为提高地铁运营管理部门运营组织效率,增强应对突发大客流的能力提供有力的决策数据支持。本文将计算机视觉技术应用于城轨实时客流监测,通过对当前具有较好性能的目标检测算法进一步优化,并设计与之相适应的目标跟踪、客流计数算法,实现了对监控场景内地铁客流准确高效的实时统计。本文的主要内容包括:（1）首先针对几种基于视觉的乘客检测方法,探究了其基本原理及在城轨监控场景中的应用可行性。接着对基于运动特性的乘客目标检测方法与基于机器学习的HOG+SVM检测方法进行了对比研究测试后,确定使用基于深度学习的单发多框检测器（Single Shot Multibox Detector,SSD）算法作为乘客目标的检测算法。（2）其次研究了SSD算法的框架与原理,对SSD网络的训练、测试及其学习内容和方式进行了讨论。又针对传统SSD算法的小目标不敏感等问题,利用基于DenseNet（密集连接网络）的基础网络和调...
【文章来源】：南京理工大学江苏省 211工程院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
R-CNN算法框架流程[18]
2基于视觉的乘客目标检测方法探究硕士学位论文18图2.9SPP-Net算法框架流程[19]针对R-CNN检测速度慢的问题，微软亚洲研究院的何凯明等人设计出SPP-Net算法，该算法核心是将空间金字塔池化（spatitalpyramidpooling）层引入R-CNN。通过这种改进，只需要在网络中输入一次原图，就能生成每个候选区域的特征。和R-CNN比起来，SPP-NET可以明显降低检测物体所消耗的时间。R-CNN的作者RossGirshick在吸收SPP-NET的特点的基础上，进一步精简了模型的结构，设计出了FastR-CNN，再度提升了检测的实时性。FastR-CNN相比R-CNN作出了两点优化：先是效仿SPP-NET，在最后一个卷积层后接了一个ROI（RegionofInterest，感兴趣区域）池化层；再引入了多任务损失函数，在进行边框回归的同时，将SVM分类器替换为softmax。作者在PASCALVOC2007上进行训练，又在该数据集的测试集上测试取得了66.9%的mAP值。
硕士学位论文基于计算机视觉的城轨客流统计技术研究19图2.10FasterR-CNN的anchor机制示意图[21]由于FastR-CNN采用区域候选法训练网络，导致预测图像的时间较长。基于这个问题，微软亚洲研究院用端到端的RPN网络改进了FastR-CNN，设计出FasterR-CNN算法。RPN基于一批固定的默认窗口，通过CNN来产生区域候选区域。通过让FastR-CNN、RPN在训练过程中共享各自的卷积层，FasterR-CNN算法再度提升了检测速度。该算法在PASCALVOC2007数据集上的检测速度约为5fps，测试mAP值达到了73.2%。FasterR-CNN的优势在于其良好的准确率，但是它在VGG16模型上每秒7帧的处理速度还不能在实时系统中应用，更不用说应用在实时性要求很高的城轨客流统计场景中了。这时，以YOLO(YouonlyLookOnce)为代表，另一类基于回归学习的检测算法逐渐兴起。这类方法以回归的方式只需要用单一的网络对整张图片做一次评估就可以得到目标边界框和类别，一般都能表现出更好的时间效率。2.4.2基于SSD的检测算法YOLO的出现开启了深度学习实时检测的序幕，其网络包含24个卷积层和2个全连接层。它的核心是利用Multibox中的回归思想，把目标检测任务看作一个回归问题求解，即整张图片为输入，直接在输出层回归边界框的位置和其所属类别，这样端对端的处理方式，大大加快了网络的速度。即便YOLO的实时性较佳，但由于它只简单地对图像做回归，使得算法的定位精度较差，影响了检测的准确率。目前，SSD是目前速度最快，检测准确率最高的目标检测网络之一,作者是北卡罗来纳大学教堂山分校的WeiLiu[23]及其团队。SSD在YOLO的基础上做了改进，利用3×3的卷积核感受域有限的特性，把特征提取区域从全图局限到局部，并利用不同分辨率
【参考文献】：
期刊论文
[1]广州地铁运营客流分布特征研究与应用[J]. 袁江,彭磊. 都市快轨交通. 2018(04)
[2]基于改进SSD的轻量化小目标检测算法[J]. 吴天舒,张志佳,刘云鹏,裴文慧,陈红叶. 红外与激光工程. 2018(07)
[3]基于SSD卷积网络的视频目标检测研究[J]. 杨洁,陈明志,吴智秦,陈灵娜,林颖. 南华大学学报(自然科学版). 2018(01)
[4]复杂场景图像中人员目标检测算法的改进[J]. 郝叶林,罗兵,杨锐,常津津. 五邑大学学报(自然科学版). 2018(01)
[5]基于深度学习的多视窗SSD目标检测方法[J]. 唐聪,凌永顺,郑科栋,杨星,郑超,杨华,金伟. 红外与激光工程. 2018(01)
[6]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明. 计算机工程与应用. 2017(13)
[7]复杂环境背景下车辆目标识别研究综述[J]. 谢晓竹,何成. 兵器装备工程学报. 2017(06)
[8]基于核相关滤波器的目标跟踪算法[J]. 诸小熊,江加和. 应用科技. 2017(03)
[9]基于改进的卷积神经网络的图像分类性能[J]. 常祥,杨明. 重庆理工大学学报(自然科学). 2017(03)
[10]广州地铁大客流现状分析与策略研究[J]. 李佳芸. 中国高新技术企业. 2016(31)
硕士论文
[1]基于模糊综合评价法的城市地铁踩踏事件应急能力评价[D]. 黄小珍.暨南大学 2017
[2]基于机器视觉的车辆检测与跟踪方法研究[D]. 林立原.武汉科技大学 2015
[3]基于视觉的行人统计系统设计[D]. 张建.杭州电子科技大学 2015
[4]基于边缘对称性和类等价二值模式行人检测方法的研究[D]. 武芳.浙江工业大学 2014
[5]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
[6]基于神经网络的商场客流量统计系统研究[D]. 周瑞英.河北工业大学 2006
本文编号：3242383
【文章来源】：南京理工大学江苏省 211工程院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
R-CNN算法框架流程[18]
2基于视觉的乘客目标检测方法探究硕士学位论文18图2.9SPP-Net算法框架流程[19]针对R-CNN检测速度慢的问题，微软亚洲研究院的何凯明等人设计出SPP-Net算法，该算法核心是将空间金字塔池化（spatitalpyramidpooling）层引入R-CNN。通过这种改进，只需要在网络中输入一次原图，就能生成每个候选区域的特征。和R-CNN比起来，SPP-NET可以明显降低检测物体所消耗的时间。R-CNN的作者RossGirshick在吸收SPP-NET的特点的基础上，进一步精简了模型的结构，设计出了FastR-CNN，再度提升了检测的实时性。FastR-CNN相比R-CNN作出了两点优化：先是效仿SPP-NET，在最后一个卷积层后接了一个ROI（RegionofInterest，感兴趣区域）池化层；再引入了多任务损失函数，在进行边框回归的同时，将SVM分类器替换为softmax。作者在PASCALVOC2007上进行训练，又在该数据集的测试集上测试取得了66.9%的mAP值。
硕士学位论文基于计算机视觉的城轨客流统计技术研究19图2.10FasterR-CNN的anchor机制示意图[21]由于FastR-CNN采用区域候选法训练网络，导致预测图像的时间较长。基于这个问题，微软亚洲研究院用端到端的RPN网络改进了FastR-CNN，设计出FasterR-CNN算法。RPN基于一批固定的默认窗口，通过CNN来产生区域候选区域。通过让FastR-CNN、RPN在训练过程中共享各自的卷积层，FasterR-CNN算法再度提升了检测速度。该算法在PASCALVOC2007数据集上的检测速度约为5fps，测试mAP值达到了73.2%。FasterR-CNN的优势在于其良好的准确率，但是它在VGG16模型上每秒7帧的处理速度还不能在实时系统中应用，更不用说应用在实时性要求很高的城轨客流统计场景中了。这时，以YOLO(YouonlyLookOnce)为代表，另一类基于回归学习的检测算法逐渐兴起。这类方法以回归的方式只需要用单一的网络对整张图片做一次评估就可以得到目标边界框和类别，一般都能表现出更好的时间效率。2.4.2基于SSD的检测算法YOLO的出现开启了深度学习实时检测的序幕，其网络包含24个卷积层和2个全连接层。它的核心是利用Multibox中的回归思想，把目标检测任务看作一个回归问题求解，即整张图片为输入，直接在输出层回归边界框的位置和其所属类别，这样端对端的处理方式，大大加快了网络的速度。即便YOLO的实时性较佳，但由于它只简单地对图像做回归，使得算法的定位精度较差，影响了检测的准确率。目前，SSD是目前速度最快，检测准确率最高的目标检测网络之一,作者是北卡罗来纳大学教堂山分校的WeiLiu[23]及其团队。SSD在YOLO的基础上做了改进，利用3×3的卷积核感受域有限的特性，把特征提取区域从全图局限到局部，并利用不同分辨率
【参考文献】：
期刊论文
[1]广州地铁运营客流分布特征研究与应用[J]. 袁江,彭磊. 都市快轨交通. 2018(04)
[2]基于改进SSD的轻量化小目标检测算法[J]. 吴天舒,张志佳,刘云鹏,裴文慧,陈红叶. 红外与激光工程. 2018(07)
[3]基于SSD卷积网络的视频目标检测研究[J]. 杨洁,陈明志,吴智秦,陈灵娜,林颖. 南华大学学报(自然科学版). 2018(01)
[4]复杂场景图像中人员目标检测算法的改进[J]. 郝叶林,罗兵,杨锐,常津津. 五邑大学学报(自然科学版). 2018(01)
[5]基于深度学习的多视窗SSD目标检测方法[J]. 唐聪,凌永顺,郑科栋,杨星,郑超,杨华,金伟. 红外与激光工程. 2018(01)
[6]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明. 计算机工程与应用. 2017(13)
[7]复杂环境背景下车辆目标识别研究综述[J]. 谢晓竹,何成. 兵器装备工程学报. 2017(06)
[8]基于核相关滤波器的目标跟踪算法[J]. 诸小熊,江加和. 应用科技. 2017(03)
[9]基于改进的卷积神经网络的图像分类性能[J]. 常祥,杨明. 重庆理工大学学报(自然科学). 2017(03)
[10]广州地铁大客流现状分析与策略研究[J]. 李佳芸. 中国高新技术企业. 2016(31)
硕士论文
[1]基于模糊综合评价法的城市地铁踩踏事件应急能力评价[D]. 黄小珍.暨南大学 2017
[2]基于机器视觉的车辆检测与跟踪方法研究[D]. 林立原.武汉科技大学 2015
[3]基于视觉的行人统计系统设计[D]. 张建.杭州电子科技大学 2015
[4]基于边缘对称性和类等价二值模式行人检测方法的研究[D]. 武芳.浙江工业大学 2014
[5]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
[6]基于神经网络的商场客流量统计系统研究[D]. 周瑞英.河北工业大学 2006
本文编号：3242383
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3242383.html
