原文传递
基于卷积神经网络和迁移学习的地铁站台人群密度检测研究
| 论文题名： | 基于卷积神经网络和迁移学习的地铁站台人群密度检测研究 |
| 关键词： | 城市轨道交通;卷积神经网络;迁移学习;人群密度检测 |
| 摘要： | 随着信息技术的快速发展，深度学习方法近年来在公共交通领域得到了广泛应用。特别是在智能轨道交通视频监控领域，深度学习已成为重要的发展方向。由于强大的特征提取能力，深度学习特别适用于地铁（泛指城市轨道交通）站台人群密度检测，具有重要的应用价值，这也是人工智能与智能轨道交通结合的重要切入点。 本文立足于地铁站台人群密度检测的实际需求，基于卷积神经网络和迁移学习等深度学习技术，在地铁站台人群密度检测研究方面做了如下工作：首先，本文采集并制作了一个专门用于训练和验证的人群计数数据集，该数据集采集于地铁站台不同时期的多段监控视频，包括了700张典型的站台场景。该数据集具有人群范围变化大、拥挤程度不一、尺度变化大等优点。与公开的人群计数数据集相比，该数据集更适用于评估本文所提出的算法在地铁领域的实际应用性能。在此基础上，针对目标域数据不足的问题，本文提出一种基于预训练小样本的人群计数方法，并构建一种空间全卷积神经网络模型。实验表明，通过在大规模合成数据集GCC上进行预训练，再用少量带标签的目标域数据进行微调，能够明显提高人群计数模型的计数性能，降低计数误差。最后，针对新场景需要重新获取标签数据的问题，本文提出一种基于结构一致性和对抗原理的域适应迁移学习人群计数方法。通过该方法，解决了在新的场景中训练模型需要重新获取带标签数据的难题。通过本文设计的结构一致性CycleGAN能够明显减小源域和目标域的差异，从而实现域迁移。在公开数据集和地铁实际场景中进行多组仿真实验，验证了上述方法能够保证在实际地铁场景中取得不错的计数性能。 综上，本文以卷积神经网络在人群密度检测和迁移学习在图像风格迁移中的研究为理论基础，结合地铁站台人群密度检测的需求，建立地铁站台人群密度检测模型，并以此为基础，满足不同地铁场景下的人群密度检测需求。本文的研究是人群密度检测技术在轨道交通领域的应用，利用分布在站台的监控实现人群计数，可用于客流统计、人群密度估计以及人群拥挤危险性预警等功能，对于提升城市轨道交通智能化水平，提高地铁服务品质，构建智能轨道交通体系具有重要意义。 |
| 作者： | 石宁 |
| 专业： | 控制工程 |
| 导师： | 邵家玉 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
