详情

原文传递基于机器视觉的城市轨道交通人群计数与客流预测方法研究

论文题名：	基于机器视觉的城市轨道交通人群计数与客流预测方法研究
关键词：	轨道交通;人群计数;客流预测;时空分布特性;密度图回归;循环神经网络
摘要：	近年来随着我国城市化进程的加速以及城市基础设施建设的升级，在城市人口不断增长以及市民出行交通压力日益增大的当下，以地铁为代表的城市轨道交通能否高效运转对于居民日常生活质量有着重要的影响，然而当前依然存在拥堵与低效运转的情况，且由拥堵引发的安全事件也时有发生。基于机器视觉进行地铁站客流的实时监测及短期预测可以有效辅助城市轨道交通管理部门进行高效、精细的运维管理，且能有效提升乘客体验，消除拥堵带来的安全隐患，其是当前实现城市轨道交通智能服务的关键技术之一。当前通用的人群计数及客流预测方法应用于以地铁站台为代表的轨道交通场景所面临的主要困难来自于高峰期人群的高度密集和快速流动，导致在最需要客流计数的时段计数存在较大的偏差，且难以精准预测人流短期变化，解决该问题的核心在于充分挖掘场景特性并进行针对性方案设计，为此本文从地铁站台客流分布特性、计数方法设计以及短时预测方法设计三方面开展了如下研究工作：　　（1）基于地铁场景普遍存在的空间结构和运营特点分析了地铁站台客流的时空统计分布特性。在时间维度分析地铁站台客流在不同时间段的变化规律，抽取地铁站台客流的时间序列特性；在空间维度考虑人群在车门位置的聚集性和临近车门人群分布的关联性，发掘人头尺度在单帧以及在整个数据集上的分布。该分析结果可以为后续人群计数及客流预测方法的设计提供指导。　　（2）提出了一种自适应高斯核密度图生成算法。针对当前生成密度图的算法在地铁站台场景下误差较大的问题，挖掘人头空间分布特点。根据摄像头与站台平面在空间上的几何关联，对图片区域进行划分以自适应分配高斯核尺寸，从而适应地铁站台人群计数。实验结果表明，设计的密度图生成算法可以一定程度提升人群计数的准确性。　　（3）提出了一种基于分区注意力网络的人群计数方法。基于地铁站台图像中人群的时空分布特性，以VGG网络结构作为前端网络提取浅层特征图，在后端网络中加入空间金字塔池化（SpatialPyramidPooling,SPP）模块、密集连接模块进行多尺度特征融合，并基于注意力机制以学习到单张图片上不同区域人群的密度分布。相比于其他主流人群计数模型，所提方法在地铁站台数据集上取得了更优越的性能。　　（4）提出了一种基于多时间尺度门限单元的短时客流预测算法。针对当前短时客流预测仅依靠进出站的历史数据不能直接反映地铁站实际滞留人数的问题，在人群计数方法的基础上设计了短时客流预测模型。该模型采用多时间尺度门限单元对客流数据进行建模，以提供未来短时客流变化情况的预测，模型在地铁客流数据集上取得了较优的预测效果。　　（5）设计了基于国产化智能计算平台的人群计数与客流预测系统。基于华为Atlas200开发平台实现了人群计数模型和短时客流预测模型。系统包括视频输入模块、视频硬解码与图片预处理模块、推理模块、后处理模块与客流预测模块。基于实际场景视频对系统的有效性进行了验证。　　最后对论文进行了总结，并展望了未来进一步值得研究的内容。
作者：	潘尚考
专业：	系统工程
导师：	何新
授予学位：	硕士
授予学位单位：	南京理工大学
学位年度：	2021