[发明专利]基于深度学习的地铁站行人异常事件检测方法

摘要

本发明公开了一种基于深度学习的地铁站行人异常事件检测方法，其采用深度学习中最先进的检测与追踪算法，可用于地铁站中行人异常的自动实时检测，描述行人的图片被制作成行人检测数据集并被送入到深度残差卷积神经网络中进行训练，获得行人检测模型，使用行人追踪算法Deepsort以检测结果作为输入，完成行人的追踪，通过对追踪结果进行进一步的处理，结合警戒线检测的结果，完成具体行人异常行为的检测与判断。本发明具有如下优点：检测精度高，速度达到15FPS，可以满足监控的实时性要求。

主权项

1.一种基于深度学习的地铁站行人异常事件检测方法，其特征在于，包括以下步骤：/n步骤1、整合处理VOC2007、VOC2012、CVC09、CVC14四个数据集，获得包含22139张图片样本的行人检测数据集；/n步骤2、对获得的行人检测数据集进行格式转换，将VOC2007、VOC2012两个数据集的XML格式的标注文件使用脚本VCO_LABELS.PY转化为TXT格式的标注文件，每个TXT文本中一行为对应图片样本中的一个行人的相对位置；将CVC09、CVC14两个数据集的TXT格式的标注文件中的绝对位置转化为相对位置；/n步骤3、利用脚本VCO_LABELS.PY生成两个包含图片样本路径的TXT文档，一个为训练集样本图片路径的文档，另一个为测试集样本图片路径的文档，分割比例为8：2；/n步骤4、下载DARKNET，进行编译，修改配置文件，将检测类别数修改为1，输出滤波器数量修改为18，将训练和测试样本图片的路径修改为步骤3生成的TXT文档，修改检测类别名为person；/n步骤5、设置训练参数，将学习率设置为0.0001，训练批次大小设置为64，迭代次数设置为50000，开始训练，生成行人检测模型；/n步骤6、对行人检测模型进行评估，利用DARKNET自带的脚本对行人检测模型进行评估，得到召回率、检测精度以及平均精度三个指标，绘制PR曲线；/n步骤7、使用训练生成的行人检测模型文件进行行人检测，将输入的监控视频拆分成帧，对每一帧进行行人检测，从而完成对监控视频的行人检测；/n步骤8、完成行人追踪，使用适用于行人目标的追踪算法Deepsort完成地铁站中的行人追踪；/n步骤9、进行警戒线位置的检测和定位，为入侵异常检测做准备；/n步骤10、进行入侵异常检测，确定行人在图像中的位置，结合警戒线检测的结果，判断行人是否发生入侵异常；/n步骤11、进行逆行异常检测，通过前后15帧同一行人构成的运动方向向量，计算其与预设绝对逆行方向向量间的角度差进行逆行异常判断；/n步骤12、进行摔倒异常判断，通过计算前后3帧的行人质心位置Y坐标的相对变化量和行人检测框宽高比的相对变化量，判断行人是否发生摔倒异常；/n步骤13、重复步骤7,8,10,11,12，直至整个输入视频处理结束。/n