[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

说明书

本发明公开了一种基于卷积神经网络的地铁车厢拥挤度识别方法，首先按照立席密度划分车厢拥挤程度级别；其次建立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；将地铁车载视频监视系统采集的车厢乘客信息图像输入拥挤度识别模型结构的卷积神经网络中，经浅层特征提取模块和多尺度特征提取模块对车厢乘客信息图像进行特征提取后；再经深浅层特征融合模块输出包含乘客空间位置和人数信息的人群密度图，最后通过拥挤度判别模块完成采集区域的车厢拥挤度识别。本发明识别准确率较高，处理时间较短，可为车站候车乘客提供实时车厢客流分布状态，为合理候车提供智能引导。

技术领域

本发明属于轨道交通技术领域，尤其涉及一种基于卷积神经网络的地铁车厢拥挤度实时识别方法。

背景技术

随着城市建设步伐不断加快，地铁出行已成为市民出行的主要交通工具之一。地铁路网建设的不断完善使客流量不断激增，有序安全的运营与乘客乘坐需求增长之间的矛盾也日益突出。由于地铁车厢较多，运营时常会出现各车厢客流分布不均的现象，部分车厢人员过度拥挤，导致车厢空间利用率降低。同时人员的过度拥挤，极易引发情绪焦躁、碰撞推攘等状况，影响乘客乘坐体验感，甚至威胁行车安全。因此，实时掌握列车运行过程中各车厢的拥挤状态、及时了解各车厢拥挤度信息，能够帮助引导站台乘客合理候车，避免局部车厢人员拥挤而发生踩踏现象；还能反映线网客流状态，为地铁客流控制、实时调度、应急预警提供可借鉴的数据基础。

目前，关于地铁车厢拥挤度识别的研究相对较少，现有方法主要是基于自动售检票系统(AFC)并结合客流分配模型(OD)对拥挤度进行预测，但该类方法通过AFC系统对历史数据进行分析，存在误差大、时效性差等缺陷。随着计算机视觉技术的发展，基于卷积神经网络(convolutional neural network，CNN)的图像处理技术逐步应用于人群计数领域，如使用CNN模型从人群图像映射人群总数。但目前基于CNN的算法多数只适应于视野开阔的室外场景，地铁车厢空间狭小存在人员之间相互拥挤、遮挡等问题，并且由于受相机透视效应的影响，图像中人物会出现尺度不一问题。这些问题极大地增加了算法参数量和训练难度使方法难以适用。另外，现有算法在进行密度图回归时往往直接使用高层语义特征，忽视了底层细节特征的重要性，导致生成的密度图质量不高。

发明内容

针对上述背景技术中指出的不足，本发明提供了一种基于卷积神经网络的地铁车厢拥挤度识别方法，旨在解决上述背景技术中现有CNN方法多以室外、开阔场景作为研究对象，模型搭建通常采用多列或多网络结构，模型训练复杂、参数量较大且计数精度低的问题。

为实现上述目的，本发明采用的技术方案是：

一种基于卷积神经网络的地铁车厢拥挤度识别方法，包括以下步骤：

(1)建立地铁车厢拥挤度划分标准

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

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四部分；车厢拥挤度识别过程为：将地铁车载视频监视系统采集的车厢乘客信息图像输入地铁车厢拥挤度识别模型结构的卷积神经网络中，经浅层特征提取模块和多尺度特征提取模块对车厢乘客信息图像进行特征提取后；再经深浅层特征融合模块输出包含乘客空间位置和人数信息的人群密度图，最后通过拥挤度判别模块完成采集区域的车厢拥挤度识别。地铁车厢拥挤度识别模型各部分如下：

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，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，用于增大感受野，减少参数量；每层网络结构之后使用参数化线性整流单元(PReLU)作为激活函数，增加模型的非线性，加快模型训练收敛；