基于深度学习的公交车内拥挤分类算法研究与实现.pdfVIP

中文摘要 摘 要 完善的交通运输体系是一座城市发展的主要动力。基本的交通运输方式为大 中型城市输送人流和物流，并且在城市中劳动力的流动、物质资源的运输和产业 区域的布局起到决定性的作用，因此完备的交通运输体系是城市高速发展的大动 脉。目前在城市内部范围服务公众出行的交通体系较为完善，并且由于绿色、低 碳出行理念的普及，近六成公众会选择公共交通方式出行，因此如何完善城市内 公共交通体系已经成为政府、企业工作的重点方向之一。 现在公交车在公共交通方式中扮演着越来越重要的角色，各个城市的公交企 业也逐渐在智能公交调度系统的建设上投入大量的资源，智能车载监控摄像头已 经成为公交车的基础配件，同时集成了视频监控、卫星定位、4G 通信等功能。但 是在智能公交调度系统的建设中，如何高效、实时的对公交车内乘客拥挤程度进 行检测，为每条公交线路动态调度车辆，保证每条公交线路在线公交数量在满足 乘客需求、提升乘客乘车体验的同时又不浪费公交车资源已经成为迫切解决的问 题。 本文的主要目标是提出能够高效、实时对公交车内乘客的拥挤程度进行检测 分类的算法，利用智能车载监控摄像头，实时获取每辆公交车内视频帧数据，使 用本文提出的算法对视频帧数据进行计算，从而得到公交车内实时乘客拥挤程度。 本文的主要研究成果如下： ① 提出将深度学习算法应用到对公交车内乘客拥挤程度分类中，传统的压力 感应器、红外线检测等客流量统计方法存在着明显的缺陷，基于图像处理技术对 车内拥挤度检测的方法效率低下且准确率不足，而本文提出的将深度学习与拥挤 检测场景结合取得了非常好的效果。 ② 综合分析目前经典的深度卷积神经网络后，本文选择GoogLeNet 模型为研 究的基本算法，而由于GoogLeNet 模型参数规模大、计算量大、模型复杂度高等 局限性，显然无法满足实际应用，因此在其基础上，本文设计轻量级 GoogLeNet 模型，在不降低模型整体准确率的基础上提高图片处理速度，满足实际场景中对 实时性的要求。 ③ 针对轻量级GoogLeNet 模型对于数据集中第0 类和第1 类的分类效果较差 的问题，根据融合模型思想，提出MixNet 神经网络模型，MixNet 模型将提取到 的图像底层特征与高层特征融合，实验结果表明在第0 类和第 1 类的分类效果上 取得了明显的改善。 I 重庆大学硕士学位论文 ④ 本文根据实验所用数据集的特点，提出在 MixNet 模型的基础上融合注意 力机制，实验结果表明融合注意力机制的模型在相关指标上取得了较好的效果。 关键词：深度学习；拥挤分类；轻量级GoogLeNet ；融合模型；注意力机制 II 英文摘要 Abstract A reasonable transportation system is the main driving force for urban development. The basic transportation mode is to transport people and logistics to large and medium-sized cities, and plays a decisive role in the flow of labor, the transportation of material resources and the layout of industrial areas in cities. Therefore, a perfect transportation system is the main artery for the rapid development of the city. At present, the modes of transportation fo