The invention discloses a method for detecting passenger congestion degree of Urban Rail Transit Based on convolution neural network. Firstly, the video to be detected is preprocessed, segmented and the motion residual image is extracted. The original image and the motion residual image are combined as input of the convolution neural network algorithm, and a feature extraction block including at least one convolution layer and the largest pooling layer is established, and processed and designed. By calculating the crowd state features contained in the original image and the motion residual image, and combining the crowd state features with the motion features, a feature fusion block including at least one convolution layer, maximum pooling layer and full connection layer is constructed for fusion processing. At the same time, a classifier is constructed, and the convolution neural network is trained by using the pre-prepared training set with the crowding degree label to make the classifier. To correctly detect the degree of passenger congestion in the video, more comprehensive characterization of the status of passenger flow in the surveillance video, achieve the detection of the degree of congestion, improve the accuracy of the algorithm detection.
【技术实现步骤摘要】
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属领域本专利技术属于轨道交通运输
,具体涉及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。
技术介绍
伴随着城市化进程的不断加快和轨道交通线网格局逐渐完善,城市轨道交通成为城市公共交通的主要承担者。快速增长客流对日常的运营管理水平提出了更高的要求。一方面,为了制定合理的行车计划和客流组织方案,高效率的利用运营资源和满足大规模线网上快速变化的乘客出行需求,需要精确的掌握客流状态和客流数据;另一方面,由于轨道交通车站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。大密度的人群不仅造成客流疏导困难,更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。现有的城市轨道交通车站普遍安装有完备的视频监控系统,监控视频的内容清晰反映了监控范围内的客流拥挤程度,包含大量有效的客流信息。以往由于技术的局限性,视频图像中信息的获取速度和精确程度难以满足实际应用的需求。伴随着图像处理技术、机器学习以及计算机性能等领域的不断发展,智能的图像识别技术应运而生。通过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。由于人群存在明显的视觉特征,因此早期的人群密 ...
【技术保护点】
1.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,包括如下步骤:S1,获取交通监控待检测视频,对待检测视频进行预处理,分段并提取运动残差图像;S2,将原始图像与运动残差图像组合作为卷积神经网络算法的输入,建立至少包含一个卷积层和最大池化层的特征提取块,处理原始图像和运动残差图像,分别计算原始图像和运动残差图像中包含的人群状态特征;S3,将人群状态特征和运动特征结合,构建至少包含一个卷积层、最大池化层和全连接层的特征融合块,对步骤S2中获取的特征图进行融合处理:S4,构建包含拥挤程度等级的分类器;S5,使用预制的带有拥挤程度标签的训练集对卷积神经网络进行训练,使分类器对待测视频中的乘客拥挤程度进行正确检测。
【技术特征摘要】
1.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,包括如下步骤:S1,获取交通监控待检测视频,对待检测视频进行预处理,分段并提取运动残差图像;S2,将原始图像与运动残差图像组合作为卷积神经网络算法的输入,建立至少包含一个卷积层和最大池化层的特征提取块,处理原始图像和运动残差图像,分别计算原始图像和运动残差图像中包含的人群状态特征;S3,将人群状态特征和运动特征结合,构建至少包含一个卷积层、最大池化层和全连接层的特征融合块,对步骤S2中获取的特征图进行融合处理:S4,构建包含拥挤程度等级的分类器;S5,使用预制的带有拥挤程度标签的训练集对卷积神经网络进行训练,使分类器对待测视频中的乘客拥挤程度进行正确检测。2.如权利要求1所述的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,其特征在于所述步骤S1进一步包括,S11,获取交通监控待检测视频;S12,设定检测周期T,依据检测周期T将待检测视频划分为长度为T的视频片段,所述视频片段的第一帧图像为基准图像;S13,取视频片段中其他图像,分别与基准图像做差,得到运动残差图像。3.如权利要求1或2所述的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,其特征在于所述步骤S2中各个特征提取块的数量为1,所述卷积层与与池化层的连接方式为交替连接。4.如权利要求3所述的基于卷积...
【专利技术属性】
技术研发人员:张宁,陈毓伟,何铁军,裴顺鑫,黎庆,王健,李勇,汪理,孙舒淼,娄永梅,陈亮,吴昊,
申请(专利权)人:南京地铁集团有限公司,南京地铁建设有限责任公司,东南大学,北京全路通信信号研究设计院集团有限公司,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。