[发明专利]一种公共交通异常客流检测方法

权利要求书

1.一种公共交通异常客流检测方法，其特征在于，所述方法包括：

S1：采集公共交通视频数据，并利用改进的目标检测算法对所采集视频数据中的视频帧进行目标检测；

S2：根据采集视频数据中的目标检测结果，利用LSTM模型构建基于目标检测结果的客流预测模型；

S3：利用共轭梯度算法对所构建的客流预测模型进行参数优化，得到参数调优后的客流预测模型；

S4：对实时的公共交通视频进行目标检测，将目标检测结果作为客流预测模型的输入，客流预测模型预测下一时刻的客流量，将所预测的下一时刻客流量与设定的客流量阈值进行对比，若预测的客流量大于客流量阈值，则说明存在公共交通客流异常，需要进行客流疏导。

2.如权利要求1所述的一种公共交通异常客流检测方法，其特征在于，所述S1步骤中，采集公共交通视频数据后，将所采集的公共交通视频数据切分为若干视频帧，包括：

采集公共交通视频数据，并将所采集的公共交通视频数据切分未若干视频帧，所切分的视频帧集合为：

其中：

表示t_i时刻的视频帧；

n表示将公共交通视频数据切分的视频帧总数。

3.如权利要求2所述的一种公共交通异常客流检测方法，其特征在于，所述S1步骤中利用改进的目标检测算法对所采集视频数据中的视频帧进行目标检测，包括：

利用改进的目标检测算法对所采集视频数据中的视频帧进行目标检测，所述改进的目标检测算法流程为：

1)依次输入视频帧集合中的视频帧，对输入t_k时刻的视频帧利用卷积神经网络提取视频帧的特征图，其中k＝0，1，2，...，n-1，所述特征图的提取公式为：

其中：

Conv(·)表示对输入图像进行卷积处理；

f_k表示视频帧所提取的特征图；

则卷积神经网络生成的特征图集合为{f₀，f₁，...，f_k，...，f_n-1}；

2)将生成的特征图依次输入到区域生成网络，区域生成网络将特征图划分为4个等大小的子区域，并在每个子区域内生成M个锚框；

3)通过部分视频帧进行人工标注锚框，随机选择K个标注锚框作为类中心，对其他标注锚框，分别计算与K个类中心的距离，选择距离最近的类中心并入该类，对每类的所有标注锚框计算标注锚框长和宽的均值length_j，weight_j，其中length_j表示第j类中标注锚框长的均值，weight_j表示第j类中标注锚框宽的均值，在第j类中形成以length_j为长，以weight_j为宽的锚框作为第j类的类中心；重新分类直到算法停止；

4)重复步骤3)10次，最终得到的K个类中心锚框的长和宽的均值，作为所生成锚框的长和宽；

5)利用区域生成网络确定每个锚框中存在目标的概率，所述区域生成网络的损失函数为：

其中：

p_i为第i个训练锚框中存在目标的真实概率，p_i＝{0，1}，p_i＝0表示第i个训练锚框不存在目标，p_i＝1表示第i个训练锚框存在目标；表示区域生成网络输出的第i个训练锚框存在目标的概率；

u_i表示目标的位置坐标，表示区域生成网络输出的第i个训练锚框的位置坐标；

L_cls表示二值分类损失，L_reg表示位置回归损失；

6)锚框在包含目标的候选区域进行修正，即将相交的锚框作为一个锚框集合，在锚框集合内依照目标检测概率对锚框进行评分，锚框c_i存在目标的概率为p，则锚框c_i的得分为p；选中锚框集合中的最高分以及对应的锚框，遍历其余的锚框c_j，若锚框c_j和当前最高分锚框的IOU面积大于阈值ε，则将锚框c_j删除，所述IOU面积的计算公式为：

IOU(c_j，c_max)＝area(c_j∩c_max)/area(c_j∪c_max)

其中：

area(·)表示锚框的面积；

c_max表示锚框集合中最高分对应的锚框；

7)将锚框标记过的特征图作为目标检测结果，其中锚框标记的位置即为检测到的目标，得到目标检测结果向量为：F＝{f′₀，f′₁，...，f′_k，...，f′_n-1}，其中f′_k为视频帧所对应的带有锚框标记的目标检测结果。