原文传递
基于轻量级神经网络的轨道交通客流计数方法研究
| 论文题名： | 基于轻量级神经网络的轨道交通客流计数方法研究 |
| 关键词： | 轨道交通;人群计数;轻量级网络;空洞卷积;引导滤波;特征融合 |
| 摘要： | 随着经济社会的快速发展，大量人群逐渐从乡村往城市迁移，同时，公共场所的监控视频设备越来越多，如何通过监控视频及时获取特定场景的人群数量变得尤为重要。人群计数是计算特定场景中的人群数量，在公共安全、城市资源计算、商业行为分析、交通规划及调度等领域都有广泛的应用。对轨道交通客流进行计数，能够帮助交通管理部门做出决策，动态调整运行车辆及时间，有效提升交通资源的运行效率。网络模型轻量化是深度学习中一个重要的研究方向，与以往模型过多追求精度不一样，轻量化模型追求的是精度和运行效率之间的平衡。 尽管人群计数的研究工作近年来取得了很大的进步，但是，也面临一些挑战，主要有复杂背景干扰、尺度变化、人群目标被遮挡等问题。针对这些问题，本文的研究工作主要包含以下三部分内容： 1.实地考察重庆轨道交通6号线，并在此基础上构建了一个轨道交通客流计数数据集CQRailway Station。 2.针对复杂背景的干扰，本文提出一种融合引导滤波的轻量级人群计数方法。首先使用引导滤波对输入图像进行去噪处理，引导滤波能够在保留目标边缘轮廓清晰的同时减少背景的干扰。然后采用轻量级的MobileNet进行特征提取，对比现有主流采用VGG作为主干网络的方法，本文方法有效减少了模型的大小和参数量，大大提升了训练速度，并且模型的精度得到了很好的保持。采用改进的空洞卷积扩大神经元感受野，获取到更丰富的语义特征信息，并有效减少了网格效应带来的特征图丢失问题，最终输出人群密度图及计数结果。 3.针对人群目标在图像中存在“近大远小”的尺度变化问题，本文提出一种多尺度特征融合的轻量级人群计数方法，通过复用低层特征，融合低层细节特征和高层语义特征，使得网络能够应对不同尺度大小的人头目标，有效解决了目标尺度变化的问题。 |
| 作者： | 左安康 |
| 专业： | 计算机技术 |
| 导师： | 唐继强 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
