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] 不详

[2] 西南交通大学交通运输与物流学院

[3] 不详

[4] 综合交通运输智能化国家地方联合工程实验室

[5] 不详

来源：

交通运输工程与信息学报 | 2020年 / 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 ;

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

[11] Single-image crowd counting via multicolumn convolutional neural network. ZHANG Y Y. Conference on Computer Vision and Pattern Recognition . 2016
[12] Switching convolutional neural network for crowd counting. SAM D B,SURYA S,BABU R V. IEEE Conference on Computer Vision and Pattern Recognition . 2017
[13] 基于卷积神经网络的监控视频人数统计算法
马海军
王文中
翟素兰
罗斌
[J]. 安徽大学学报(自然科学版), 2016, 40 (03) : 22 - 28
[14] 城市轨道交通运营客流数据分析缺陷及应对
卢恺
韩宝明
鲁放
[J]. 都市快轨交通, 2014, 27 (04) : 25 - 29
[15] Cross-scene crowd counting via deep convolutional neural networks. ZHANG C,LI H,WANG X,et al. Conference on Computer Vision and Pattern Recognition . 2015
[16] Cnn-based cascaded multi-task learning of high-level prior and density estimation for crowd counting. SINDAGI V A,PATEL V M. Advanced Video and Signal Based Surveillance（AVSS）,2017 14th IEEE International Conference on . 2017
[17] 智能视频监控系统中人群密度估计与实现[D]. 沈娜.南京航空航天大学 2012
[18] 多种人群密度场景下的人群计数
覃勋辉
王修飞
周曦
刘艳飞
李远钱
[J]. 中国图象图形学报, 2013, 18 (04) : 392 - 398
[19] 基于图像技术的城市轨道交通大客流辨识
张霖
韩宝明
李得伟
[J]. 都市快轨交通, 2012, 25 (01) : 72 - 77

← 1 2 →