[发明专利]一种基于卷积神经网络的地铁车厢拥挤度识别方法有效
申请号: | 202110753396.7 | 申请日: | 2021-07-02 |
公开(公告)号: | CN113553921B | 公开(公告)日: | 2022-06-10 |
发明(设计)人: | 左静;巴玉林;余召;张雁鹏;张振海;林俊亭;张鑫;赵涛;尚梦星;岳丽丽 | 申请(专利权)人: | 兰州交通大学 |
主分类号: | G06V20/59 | 分类号: | G06V20/59;G06V20/54;G06V10/774;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 青岛致嘉知识产权代理事务所(普通合伙) 37236 | 代理人: | 王巧丽 |
地址: | 730070 甘*** | 国省代码: | 甘肃;62 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 卷积 神经网络 地铁 车厢 拥挤 识别 方法 | ||
1.一种基于卷积神经网络的地铁车厢拥挤度识别方法,其特征在于,包括以下步骤:
(1)建立地铁车厢拥挤度等级划分标准
结合车辆定员规范与乘客出行舒适度要求,按照立席密度划分车厢拥挤程度级别,标定各级别容纳人数范围;
(2)建立地铁车厢拥挤度识别模型,完成采集区域的车厢拥挤度识别
所述地铁车厢拥挤度识别模型包括浅层特征提取模块、多尺度特征提取模块、深浅层特征融合模块以及拥挤度判别模块;
浅层特征提取模块:用于提取输入乘客信息图像的浅层细节特征信息,所述浅层特征提取模块的网络结构包括卷积层和最大池化层,每两层卷积层后连接一层最大池化层,每层网络结构之后使用参数化线性整流单元作为激活函数;地铁车载视频监视系统采集的车厢乘客信息图像输入卷积神经网络中;
多尺度特征提取模块:用于提取乘客信息图像中多尺度特征信息,采用不同扩张率的扩张卷积核,通过并排堆叠多个不同尺度的卷积核实现乘客多尺度信息的提取;
深浅层特征融合模块:用于提升模型对于小尺度目标的计数性能,采用深浅层特征融合方式,将多尺度特征提取模块提取的高层语义信息与浅层特征提取模块提取的底层细节信息相融合,输出包含乘客空间位置和人数信息的地铁车厢人群密度图;
拥挤度判别模块:用于判断输入乘客信息图像所处的拥挤度等级,通过对人群密度图进行积分求和计算具体人数,将人群密度图统计的人数与所述车厢拥挤度各级别所能容纳的人数进行对比,根据各级别容纳人数范围判定车厢拥挤度所处级别,完成采集区域的车厢拥挤度识别。
2.如权利要求1所述的基于卷积神经网络的地铁车厢拥挤度识别方法,其特征在于,所述浅层特征提取模块构建时采用剔除全连接层的VGG-16网络。
3.如权利要求2所述的基于卷积神经网络的地铁车厢拥挤度识别方法,其特征在于,所述网络结构的卷积层大小为3×3,共8层;最大池化层的大小为2×2,共3层。
4.如权利要求1所述的基于卷积神经网络的地铁车厢拥挤度识别方法,其特征在于,所述深浅层特征融合方式为:首先使用1×1卷积核分别对多尺度特征提取模块提取的深层特征和浅层特征提取模块提取的浅层特征进行数据降维,然后对低分辨率的深层特征进行2倍上采样操作,扩大特征图尺寸,使得深层特征与浅层特征能够直接进行像素级相加融合,通过融合后的整体特征图实现地铁车厢人群密度图的最终回归。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于兰州交通大学,未经兰州交通大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110753396.7/1.html,转载请声明来源钻瓜专利网。