详情

原文传递密集地铁人流量检测与疏散系统

论文题名：	密集地铁人流量检测与疏散系统
关键词：	地铁车站;人流量检测;人员疏散;突发公共事件
摘要：	地铁系统与道路交通系统不同，基本处于地下，仅有出入口与外界空间连通，且站内人员具有人员密度大，流动性强，流动复杂等问题。由于这些情况的限制，公共事件突发的时候，一方面疏散的难度非常大，另一方面外部也不能及时提供有力的救援。加之站内人员在应急疏散时产生应激行为，将会导致更加严重的不良影响。因此，为了缓解这些问题，就需要实时的掌握站内人员的情况，掌握人员流动规律，从而能够及时地做出响应，对于保障站内人员安全，提高应急管理水平有着非常深远的影响。　　为了解决上述提出的问题，本文从人工智能技术的角度出发，研究在突发公共事件下地铁车站内的行人流量和人员疏散策略，本文以采集的光学成像的地铁场景的图像数据为研究对象，通过图像处理、深度学习、目标检测相关方法，对密集地铁人流量检测与疏散系统进行了研究。本文主要致力于研究一种高效智能的密集人群计数方式，以进行后续的疏散系统及方案研究，具体的研究内容包括: 　　①基于密集地铁人流量检测与疏散系统研究，分析了本研究的目的、背景和意义，针对本研究的核心内容，分析了相应的国内外现状，并在此基础上进行总结，从而得出相应的基本研究思路及方向，最后通过分布的方案设计及技术路线分析，为本文的研究提供了研究思路及方向。　　②为了获取一个具有较强能力的特征提取backbone结构，分析了 YOLOv5模型的基本架构，并采取了其中的主要框架，作为本文中核心的计数任务的基本框架。然后在当前世界上流行的一些优秀的深度学习算法中借鉴其部分模块思想,例如残差模块、通道注意力机制以及Inception多尺度模块等，采用了 CNN密度图计数原理，建立了 CNN计数解码模块，从而设计并搭建了接收YOLOv5输出的多尺度特征图解码计数网络。　　③本文为了获取地铁场景中的人流运动方向，基于Deep sort的基本计数，将其与YOLOv5输出并解码的检测框相结合，从而实现目标跟踪，然后在此基础上，提出了目标梯度算法流程，再经过多个目标梯度统计后，得到了方向因子，从而获得了人流量的运动方向，更有利于疏散方案的研究。　　④本文基于图像处理技术，设计了用于本文搭建的模型训练的数据扩充算法,极大程度地扩大了数据集，从而丰富数据集的表达效果;并根据Adam以及SGD优化器的特性，设计了联合训练试验方案，最后根据实测结果显示，基于改进的YOLOv5人流量检测模型，能有效地应用于地铁场景下的流量监测。在经过测试集测试指标后，通过调整置信度阈值为0.4,其检测的f1-score可达0.85,平均精度可达0.9,召回率可达0.8,计数的RMSE指标为13.8,通过与对比模型对比之后，可以认为其在综合性能上，能够用于地铁场景的实时人流量检测。　　⑤基于本文设计的定位算法，分析并设计了相应的疏散方案，然后设计了交互系统，通过交互系统的展示，能够实现实时的地铁场景下的人流量检测，再与相应的控制模块结合后，能够实现疏散功能。
作者：	刘族兴
专业：	安全工程
导师：	宰文姣
授予学位：	硕士
授予学位单位：	四川师范大学
学位年度：	2023