[發明專利]一種基于雙攝頭的列車車廂人群密度估計方法

有效

• 申請號: 201810408662.0
• 申請日: 2018-04-28
• 公開（公告）號: CN110414301B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 陳漢嶸;謝曉華;韋寶典
• 申請（專利權）人: 中山大學
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/764;G06V10/82;G06N3/0464;G06N3/047;G06N3/048;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

本發明公開一種基于雙攝頭的列車車廂人群密度估計方法，包括：提出多視角人群密度估計網絡，該網絡由兩部分組成，一部分是參數共享的卷積神經網絡，另一部分是全連接層，該網絡能區分當前列車車廂的人群密度等級。模型訓練階段，使用具有5類密度等級的樣本進行迭代優化；模型應用階段，依照地鐵實際運行情況有規律抽樣估計。本發明基于深度學習方法估計人群密度，采用卷積神經網絡自動學習特征來取代以往手工設計的特征，以提高人群密度估計的準確率和魯棒性。

技術領域

本發明涉及人群密度估計技術領域，特別涉及一種基于雙攝頭的列車車廂人群密度估計方法。

背景技術

已有的人群密度估計技術尚存在很多不足。基于像素的方法簡單容易實現，但只能適用于人群密度較低的場景。基于紋理分析的方法雖然效果不錯，但是運算繁雜，在實際應用中往往達不到實時性。而基于目標檢測的方法能夠在相對擁擠的情況下得到可靠的結果，但在人群重疊度高的場景中失去應用能力。

現有的人群密度估計技術主要有以下幾類：

1)基于像素統計的方法[1]。統計人群總面積和人群邊緣的像素，根據得出的像素作為特征和總人數之間的線性關系進行人群密度估計。該方法通過背景減除和邊緣檢測技術，獲得圖像中的前景、背景以及邊緣像素數。該方法主要應用在人群分布比較稀疏的場景。

2)基于紋理分析的方法[2]。通過灰度共生矩陣和小波包分解的方法提取圖像紋理特征，然后用支持向量機、adaboost和神經網絡作為分類模型對這些特征進行學習訓練。該方法主要應用在人群分布比較密集的場景。

3)基于目標檢測的方法[3]。通過基于haar-like和haar小波變換的頭部檢測器，利用SVM分類器判別是否為頭部，最后估計出整體人群的密度。

發明內容

本發明的主要目的是提出一種基于雙攝頭的列車車廂人群密度估計方法，旨在克服以上問題。

為實現上述目的，一種基于雙攝頭的列車車廂人群密度估計方法，包括如下步驟：

S10準備訓練樣本：建立包含4個參數共享的卷積層和5個全連接層的神經網絡，輸入同一車廂內相同時刻的兩個不同視角的視頻幀，訓練具有密度等級的標簽的樣本，其中卷積層用于提取視頻的特征向量，全連接層用于將卷積層所提取出的特征向量按密度等級進行分類；

S20神經網絡訓練：數次迭代優化訓練神經網絡；

S30應用階段：截取雙攝頭拍攝的當前列車車廂的視頻幀分別輸入至優化后的神經網絡，得到當前列車車廂的圖像分類結果。

優選地，所述S10中所述4個卷積層包括第一Conv層、第二Conv層、第三Conv層和第四Conv層，所述第一Conv層的卷積核大小為9×9，步長為1，卷積核數目是16個，圖像輸入第一Conv層生成16個特征圖，接上線性整流函數Relu層和最大值池化Max-pooling層后，輸出大小為288×464×?16的特征圖。

優選地，所述第二Conv層的卷積核大小為7×7，步長為1，卷積核數目是32個，圖像輸入第二Conv層生成32個特征圖，接上Relu層和Max-pooling?層，輸出大小為144×232×32的特征圖。

優選地，所述第三Conv層的卷積核大小為7×7，步長為1，卷積核數目是16個，圖像輸入第三Conv層生成16個特征圖，再接上Relu層和?Max-pooling層，輸出大小為72×116×16的特征圖。

優選地，所述第四個Conv層的卷積核大小為7×7，步長為1，卷積核數目是8個，圖像輸入第四Conv層生成8個特征圖，接上Relu層和Max-pooling?層，輸出大小為36×58×8的特征圖。