基于视频图像分析的地铁列车车辆拥挤度识别方法研究

被引：10

作者：

张杏蔓 ^{[1
]}

鲁工圆 ^{[1
,2
]}

机构：

[1] 西南交通大学交通运输与物流学院

[2] 综合交通运输智能化国家地方联合工程实验室

来源：

交通运输工程与信息学报 | 2020年 / 18卷 / 03期

基金：

国家重点研发计划;

关键词：

城市轨道交通; 车厢拥挤度; 卷积神经网络; 车厢监控视频;

D O I：

暂无

中图分类号：

U29-39 [运输管理自动化]; TP391.41 [];

学科分类号：

080203 ; 082303 ;

摘要：

准确掌握地铁车辆内拥挤程度是提高城市轨道交通服务质量的手段之一。本文在对地铁车辆监控视频图像提取与分析的基础上,提出了一种基于卷积神经网络的车辆拥挤度识别方法。该方法使用车辆监控视频建立了车厢乘客数据集,通过提取视频图像检测区域以及人群特征检测来实现地铁列车车辆拥挤度识别。实验结果表明,所提出的方法检测速度快,能够满足实际应用中实时性要求,三级拥挤度分类识别实验准确度为98%,四级拥挤度分类识别实验准确度为87%,其检测结果可辅助城市轨道交通管理者快速掌握线网实时客流拥挤情况。

引用

页码：142 / 152

页数：11

共 19 条

[1] 视频监控中的目标计数方法研究[D]. 刘旭.中国科学技术大学 2018
[2] 基于卷积神经网络的人群密度分析[D]. 魏梦.中国科学技术大学 2018
[3] 基于卷积神经网络的人群计数研究
袁烨
吴震宇
江先志
[J]. 成组技术与生产现代化, 2017, 34 (02) : 49 - 53
[4] 城市轨道交通工程设计规范. 北京市质量技术监督局. 北京地方标准 . 2013
[5] 基于序的空间金字塔池化网络的人群计数方法
时增林
叶阳东
吴云鹏
娄铮铮
[J]. 自动化学报, 2016, 42 (06) : 866 - 874
[6] 基于视频图像的人群密度估计研究[D]. 陶茂辉.电子科技大学 2014
[7] 监控场景中人数统计算法的研究与应用[D]. 马海军.安徽大学 2016
[8] 城市轨道交通工程项目建设标准. 中华人民共和国建设部. 中国计划出版社 . 2008
[9] CNN-based cascaded multi-task learning of high-level prior and density estimation for crowd counting. SINDAGI V A. https://github.com/svishwa/crowdcountcascaded-mtl . 2017
[10] Spatial pyramid pooling in deep convolutional networks for visual recognition. HE K,ZHANG X,REN S,et al. European Conference on Computer Vision Computer Vision . 2014

← 1 2 →