【技术实现步骤摘要】
基于深度学习的人员流量检测方法及系统
[0001]本专利技术属于智慧交通和深度学习
，具体涉及一种人员流量检测方法及系统
。
技术介绍
[0002]随着经济和城市人口的不断增长，尤其是在经济发达的一线城市，城市公共场所的人员流量巨大，对商场
、
地铁等公共场所的人员流量进行检测的方法，主要有人工检测
、
红外线遮挡检测
、
重力检测
、
移动设备信号检测等
。
[0003]虽然仍然有大量的场所依旧在使用如游乐场排队人数检测
、
教室学生人数统计
、
学校在校人数统计等，但是人工检测不仅耗时耗力，而且受到责任心等人为因素的严重影响，因此目前正在逐渐被其他检测方式所替代
。
而目前的自动检测技术中，红外线遮挡检测对于多目标的检测效果差且容易漏检；重力检测容易受到人员体重因素和携带物质量因素的影响不仅检测准确率低，而且不能准确地统计实际的人数；移动设备信号检测对于携带多个移动设备以及移动设备...
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的人员流量检测方法，其特征在于，包括以下步骤：首先将监控视频帧图像输入目标识别神经网络模型进行目标识别，基于目标识别神经网络模型按帧对目标进行识别的结果，采用改进的
Deepsort
模型进行跟踪，在基于
Deepsort
模型进行跟踪的过程中，使用卡尔曼滤波算法作为改进的
Deepsort
模型的位置预测器，同时使用匈牙利算法作为特征匹配器，用余弦距离计算检测框经过向量化得到的近似度，再利用匈牙利算法对前后两帧中检测框内行人进行匹配，确定前后两帧中的同一人员实现跟踪，基于跟踪结果实现人员流量的检测；所述的改进的
Deepsort
模型为改进了提取网络的
Deepsort
模型，即使用训练好的
REID
特征提取网络作为
Deepsort
模型的征提取网络；训练好的
REID
特征提取网络为利用乘客行人重识别数据集对
REID
特征提取网络进行训练得到的，所述的乘客行人重识别数据集是基于已知的监控视频帧图像制作的
。2.
根据权利要求1所述的一种基于深度学习的人员流量检测方法，其特征在于，所述的
REID
特征提取网络选用
Resnet
网络
。3.
根据权利要求1所述的一种基于深度学习的人员流量检测方法，其特征在于，所述的目标识别神经网络模型为改进
YOLOv7
模型，所述的改进
YOLOv7
模型结构如下：
YOLOv7
模型包括输入层
、
主干网络
backbone、
特征融合网络
Head
和输出层；基于所述的
YOLOv7
模型，在主干网络和特征融合网络之间的每个处理路径上引入
CBAM
注意力机制模块，同时在特征融合网络中重构
SPPCSPC
模型块汇中，采用
SimAM
注意力机制模块替换位于池化层之前的1×1的
CBS
层，即裁剪掉一个位于池化层之前的1×1的
CBS
层，并在相同的位置增加一个
SimAM
注意力机制模块
。4.
根据权利要求3所述的一种基于深度学习的人员流量检测方法，其特征在于，采用改进的
Deepsort
模型进行跟踪的具体过程包括以下步骤：
(1)、
基于目标识别神经网络模型按帧对目标进行识别的结果，针对第一次检测到的结果创建对应的轨迹
tracks
；
(2)、
将当前的帧目标检测的结果和上一帧通过
tracks
预测的结果进行
IOU
匹配，确定确认态或未确认态；
(3)、
将代价矩阵输入至匈牙利算法中，得到线性匹配结果，并更新对应的卡尔曼参数；
(4)、
循环执行步骤
(2)
至步骤
(3)
，当出现确认态的
tracks
时或视频的帧结束时停止循环，进入步骤
(5)
；
(5)、
通过卡尔曼滤波预测确认态的
tracks
和未确认态的
tracks
对应的框，将确认态的
tracks
的框和
detections
进行级联匹配，将未确认态的
tracks
对应的框和
detections
进行
IOU
匹配；
(6)、
进行级联匹配的数据关联并计算代价矩阵，对跟踪过程中出现频率最高的目标赋予其优先权，若出现频率最高的目标达到最大的未匹配帧数时将其删除；
(7)、
将步骤
(6)
中所有代价矩阵输入至匈牙利算法中，得到线性匹配结果；
(8)、
循环执行步骤
(5)
至步骤
(7)
，从而实现实时的目标跟踪
。5.
根据权利要求1至4任意一项所述的一种基于深度学习的人员流量检测方法，其特征在于，所述基于跟踪结果实现人员流量的检测的过程包括以下步骤：
S41、
对车厢监控视角画面关键区域设置虚拟线，在车厢开关门关键区域设置横向虚拟
线，用于检测行人的上下车人数，在车厢之间的通道关键区域设置纵向虚拟线，用于检测乘客的上下车人数；
S42、
根据每一个
tracks
的前后的帧位置和虚拟线位置来判断该目标的状态，采用
REID
特征提取网络对所述客流视频的帧集合进行目标行人检索，获取目标视频帧集合；基于目标视频的帧集合中的目标进行位置划定，在图像中靠近车门进出口区域和车厢之间的过道处设置虚拟线；在上下车区域以乘客上车方向的变动为正方向，以下车方向的变动为负方向；在车厢过道处以列车前进方向为正方向，以列车前进方向的反方向为负方向；将车厢停靠后开门的一侧两个门记为
A
车门和
B
车门；单侧开门时：为第
i
站点
、
第
j
节车厢
A
车门的人数增加量
、
进入量
、
流出量；为第
i
站点
、
第
j
节车厢
B
车门的人数增加量
、
进入量
、
流出量；为第
i
站点
、
第
j
节车厢和第
i+1
站点
、
第
j
节车厢相连的通道的人数增加量
、
进入量
、
流出量；
I
ij
为第
i
站点
、
第
j
节车厢的人数的增加量；列车车门关键区域，当乘客轨迹没有撞击虚拟线时，即乘客只在车厢内行走；当乘客轨迹撞击虚拟线且由车内移动到车外，即乘客进行下车行为，或值减一
、
或值保持不变
、
或值加一；当乘客轨迹撞击虚拟线且由车外移动到车内，即乘客进行上车行为，或值加一
、
或值加一
、
或值保持不变；车厢通道关键区域，当乘客轨迹撞击虚拟线且乘客轨迹和列车前进方向相同时，值加一
、
值加一
、
值不变；当乘客轨迹撞击虚拟线且乘客轨迹和列车前进方向相同时，值加一
、
值加一
、
值不变；
S43、
对各时间段各车厢的内检测的客流数据进行汇总
、
整理，并计算出对应车厢的人数：针对第
i
站第
j
节车厢，人数变化量为节车厢，人数变化量为节车厢，人数变化量为节车厢，人数变化量为节车厢，人数变化量为其中，为第
i
站第0节车厢的进入和流出人数；为第
i
站第
max
节车厢的进入和流出人数；是起始站流出人数和终点站进入人数；最终得到，第
a
站点
、
第
j
节车厢的总人数
R
aj
为：
6.
一种基于深度学习的...
【专利技术属性】
技术研发人员：陶为戈，石朱林，孙志刚，梁宝，李海峰，肖淑艳，潘玲佼，吴浩，
申请(专利权)人：江苏理工学院，
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。