乘客是城市軌道交通的主要參與者,也是城市軌道交通運營管理工作的主要服務對象。全面掌握乘客的擁擠程度信息對城市軌道交通運營過程中的客流組織、車站管理、行車調(diào)度和風險防控等多方面的工作有重要意義。城市軌道交通視頻監(jiān)控系統(tǒng)采集的監(jiān)控視頻能夠直觀地反映乘客擁擠程度。但監(jiān)控視頻中的信息難以被計算機檢測和利用。本文依托現(xiàn)有的視頻監(jiān)控系統(tǒng),引入深度學習方法,構(gòu)建一種適用于城市軌道交通場景的乘客擁擠程度視頻檢測方法。該研究豐富了客流信息的來源,對提升軌道交通智能化管理水平有著重要意義。在計算機視覺領(lǐng)域,檢測視頻或圖像中的包含人體目標數(shù)量的問題被統(tǒng)稱為人群密度估計問題。本文首先分析了人群密度估計和深度學習領(lǐng)域的相關(guān)研究成果,對人群密度估計技術(shù)的發(fā)展脈絡(luò)和方法分類進行了梳理。綜合考慮現(xiàn)有研究成果的不足和視頻檢測方法的實際需求,提出了兩個關(guān)鍵問題,如何提取運動特征和構(gòu)建深度學習網(wǎng)絡(luò)。在此基礎(chǔ)上,對解決問題的運動估計和卷積神經(jīng)網(wǎng)絡(luò)兩大關(guān)鍵技術(shù)展開研究。明確運動估計技術(shù)的基本定義和方法流程;詳細研究卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展起源、模型定義、構(gòu)建方式、訓練方法等。研究成果為后文視頻檢測方法的研究提供理論基礎(chǔ)。城市軌道交通... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【部分圖文】：

視頻序列與圖像組示意圖

東南大學碩士學位論文24………………輸入層隱含層輸出層輸入端輸出端圖3-2人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖從圖3-3中可以看出，人類神經(jīng)系統(tǒng)的基本組成單位——神經(jīng)元類似，ANN也是由無數(shù)個基本單元構(gòu)成。組成ANN的單元被稱為神經(jīng)元模型。一個典型的神經(jīng)元模型結(jié)構(gòu)如圖3-3。典型的神經(jīng)元模型包含三個要素、即輸入權(quán)植，求和節(jié)點和激活函數(shù)。其中，輸入權(quán)值的數(shù)值代表了外界刺激對該神經(jīng)元的刺激程度，權(quán)值的正負代表本別代表了對神經(jīng)元的刺激和抑制作用；求和節(jié)點的主要功能是計算輸入信息的加權(quán)求和；最終，由求和節(jié)點得到的加權(quán)和通過一個非線性的激活函數(shù)映射到一個指定的輸出范圍（通常為[0，1]）。圖3-3人工神經(jīng)元模型上述模型抽象中的求和節(jié)點可用數(shù)學式3.1和表示：

第三章軌道交通乘客擁擠程度視頻檢測需求及關(guān)鍵技術(shù)研究271(x)1xfe（3.6）雙極性Sigmoid函數(shù)的表達式為式3.7：221(x)1xxefe（3.7）單極性和雙極性Sigmoid函數(shù)的圖像如圖3-5和3-6：圖3-5單極性Sigmoid函數(shù)圖3-6雙極性Sigmoid函數(shù)③雙曲正切函數(shù)雙曲正切函數(shù)，又稱tanh函數(shù)。tanh的函數(shù)表達式為式3.8：sinhtanhcoshxxxxxeexxee（3.8）圖3-7tanh函數(shù)

【參考文獻】：
期刊論文
[1]城市軌道交通2018年度統(tǒng)計和分析報告[J].   城市軌道交通. 2019(04)
[2]天津市職住空間分布與軌道交通網(wǎng)絡(luò)耦合關(guān)系——基于手機信令數(shù)據(jù)分析[J]. 蔣寅,鄭海星,于士元,唐曉.  城市交通. 2018(06)
[3]基于歷史交易信息的城市軌道交通運營調(diào)度優(yōu)化研究[J]. 汪林,張寧,邵家玉,王健.  鐵路通信信號工程技術(shù). 2018(10)
[4]上海城市軌道交通日常大客流檢測及預警需求研究[J]. 王嬋嬋,張琦.  城市軌道交通研究. 2018(10)
[5]人數(shù)統(tǒng)計與人群密度估計技術(shù)研究現(xiàn)狀與趨勢[J]. 張君軍,石志廣,李吉成.  計算機工程與科學. 2018(02)
[6]城市軌道交通客流檢測技術(shù)的特征及其應用分析[J]. 陳菁菁.  城市軌道交通研究. 2018(01)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[8]神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J]. 焦李成,楊淑媛,劉芳,王士剛,馮志璽.  計算機學報. 2016(08)
[9]深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[10]基于深度圖像的人體運動姿態(tài)跟蹤和識別算法[J]. 楊凱,魏本征,任曉強,王慶祥,劉懷輝.  數(shù)據(jù)采集與處理. 2015(05)

碩士論文
[1]監(jiān)控視頻中群體狀態(tài)檢測與預報方法研究[D]. 葉志鵬.哈爾濱工業(yè)大學 2013



本文編號：3290126