【技术实现步骤摘要】
一种地铁站台密集人流情况下的行人跟踪方法
[0001]本专利技术涉及一种地铁站台密集人流情况下的行人跟踪方法，属于智能轨道交通环境感知领域。
技术介绍
[0002]随着我国城市规模的高速发展，城市化进程的逐步加快，城镇人口和人均机动车保有量水平急速增加，交通拥堵现象日益严重。而具有载客量大、运送效率高、能源消耗低的城市轨道交通已经成为缓解城市交通拥堵问题的必然选择。另一方面，人流量的剧增会导致地铁站台管理混乱，出现部分乘客逃票，以及偷窃等情况。
[0003]目前地铁站防止逃票以及偷窃等违法行为，主要依靠地铁工作人员巡视。这一方法过于耗费人力，且人工巡视难免会有疏漏，导致逃票行为依然时有发生。
技术实现思路
[0004]本专利技术的目的在于克服现有技术的不足，提供一种地铁站台密集人流情况下的行人跟踪方法，基于跟踪算法deepsort以及目标检测网络yolov5来实时对地铁站台行人进行跟踪，通过yolov5实现行人检测后，用deepsort算法给每一位行人分配ID，并持续跟踪，直至行人走出摄像头范围。本专...
【技术保护点】
【技术特征摘要】
1.一种地铁站台密集人流情况下的行人跟踪方法，基于跟踪算法deepsort以及目标检测网络yolov5来实时对地铁站台行人进行跟踪，其特征在于，包括如下步骤：步骤1：安装传感器，在地铁站台高处安装摄像头；步骤2：采集视频数据，应用步骤1安装的摄像头进行数据采集，采集的数据为包含地铁站台各个时间段的行人流视频数据；步骤3：制作行人训练集，通过采集到的视频数据，从中尽可能多的选取行人图片作为训练集，并从中选取部分数据作为测试集，用来测试地铁站台行人检测的效果；步骤4：数据集标注，根据标注要求进行标注；步骤5：Yolov5目标检测模型训练，使用yolov5目标检测网络获得地铁站台行人检测框；步骤6：将训练的模型转成trt格式，并用C++调用；步骤7：deepsort算法完成行人跟踪，采用deepsort接收检测结果，对各检测框进行前处理，接着将检测框和跟踪框进行级联匹配，采用DIOU阈值和马氏距离阈值的阶梯式筛选，并对未成功匹配的进行DIOU匹配，最后根据DIOU匹配情况进行后续操作并更新特征向量集；步骤8：重复以上步骤5
‑
7，持续对目标进行跟踪。2.根据权利要求1所述的一种地铁站台密集人流情况下的行人跟踪方法，其特征在于，所述步骤5的使用yolov5目标检测网络获得地铁站台行人检测框具体方式为：应用得到的所述训练集进行训练，先将VOC格式的标注文件转换为训练需要的txt格式，选用最轻量化，深度和宽度都最小的Yolov5s网络进行训练，并进行数据集强化；最终损失函数为：S代表13,26,52，即grid的大小；B＝3，即每个grid的锚框数量；L
giou
表示检测框和先验框之间的GIOU值所造成的损失；第一行表示定位损失，表示如果边界框先验和GT目标比其他的GT目标重叠多，则计入损失函数，但如果重叠度小于阈值，则不计入损失函数，同理；λ
iou
定位损失iou_normalizer；λ
cls
目标置信度损失cls_normalizer；C
i
为边界先验框置信度，为GT置信度，均为1；λ
c
分类损失classes_multiplers，使用标准交叉熵损失函数；为GT真实分类函数，p
i
(c)为先验框预测分类函数。3.根据权利要求2所述的一种地铁站台密集人流情况下的行人跟踪方法，其特征在于，
所述Yolov5网络由卷积层和x个残差组件通过concat连接而成，SPP采用1
×
1，5
×
5，9
×
9，13
×
13的最大池化方式，进行多尺度融合；所述Yolov5网络的Loss函数是GIOULoss，先计算两个框的最小闭包区域面积，再计算闭包区域中都不属于两个框的区域占闭包区域面积的比重，再计算IOU，最后用IOU减去上述比重得到GIOU。4.根据权利要求1所述的一种地铁站台密集人流情况下的行人跟踪方法，...
【专利技术属性】
技术研发人员：余贵珍，刘文韬，周彬，杨松岳，龚子任，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
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。