[发明专利]一种基于双摄头的列车车厢人群密度估计方法

说明书

本发明公开一种基于双摄头的列车车厢人群密度估计方法，包括：提出多视角人群密度估计网络，该网络由两部分组成，一部分是参数共享的卷积神经网络，另一部分是全连接层，该网络能区分当前列车车厢的人群密度等级。模型训练阶段，使用具有5类密度等级的样本进行迭代优化；模型应用阶段，依照地铁实际运行情况有规律抽样估计。本发明基于深度学习方法估计人群密度，采用卷积神经网络自动学习特征来取代以往手工设计的特征，以提高人群密度估计的准确率和鲁棒性。

技术领域

本发明涉及人群密度估计技术领域，特别涉及一种基于双摄头的列车车厢人群密度估计方法。

背景技术

已有的人群密度估计技术尚存在很多不足。基于像素的方法简单容易实现，但只能适用于人群密度较低的场景。基于纹理分析的方法虽然效果不错，但是运算繁杂，在实际应用中往往达不到实时性。而基于目标检测的方法能够在相对拥挤的情况下得到可靠的结果，但在人群重叠度高的场景中失去应用能力。

现有的人群密度估计技术主要有以下几类：

1)基于像素统计的方法[1]。统计人群总面积和人群边缘的像素，根据得出的像素作为特征和总人数之间的线性关系进行人群密度估计。该方法通过背景减除和边缘检测技术，获得图像中的前景、背景以及边缘像素数。该方法主要应用在人群分布比较稀疏的场景。

2)基于纹理分析的方法[2]。通过灰度共生矩阵和小波包分解的方法提取图像纹理特征，然后用支持向量机、adaboost和神经网络作为分类模型对这些特征进行学习训练。该方法主要应用在人群分布比较密集的场景。

3)基于目标检测的方法[3]。通过基于haar-like和haar小波变换的头部检测器，利用SVM分类器判别是否为头部，最后估计出整体人群的密度。

发明内容

本发明的主要目的是提出一种基于双摄头的列车车厢人群密度估计方法，旨在克服以上问题。

为实现上述目的，一种基于双摄头的列车车厢人群密度估计方法，包括如下步骤：

S10准备训练样本：建立包含4个参数共享的卷积层和5个全连接层的神经网络，输入同一车厢内相同时刻的两个不同视角的视频帧，训练具有密度等级的标签的样本，其中卷积层用于提取视频的特征向量，全连接层用于将卷积层所提取出的特征向量按密度等级进行分类；

S20神经网络训练：数次迭代优化训练神经网络；

S30应用阶段：截取双摄头拍摄的当前列车车厢的视频帧分别输入至优化后的神经网络，得到当前列车车厢的图像分类结果。

优选地，所述S10中所述4个卷积层包括第一Conv层、第二Conv层、第三Conv层和第四Conv层，所述第一Conv层的卷积核大小为9×9，步长为1，卷积核数目是16个，图像输入第一Conv层生成16个特征图，接上线性整流函数Relu层和最大值池化Max-pooling层后，输出大小为288×464× 16的特征图。

优选地，所述第二Conv层的卷积核大小为7×7，步长为1，卷积核数目是32个，图像输入第二Conv层生成32个特征图，接上Relu层和Max-pooling 层，输出大小为144×232×32的特征图。

优选地，所述第三Conv层的卷积核大小为7×7，步长为1，卷积核数目是16个，图像输入第三Conv层生成16个特征图，再接上Relu层和 Max-pooling层，输出大小为72×116×16的特征图。

优选地，所述第四个Conv层的卷积核大小为7×7，步长为1，卷积核数目是8个，图像输入第四Conv层生成8个特征图，接上Relu层和Max-pooling 层，输出大小为36×58×8的特征图。