基于机器学习的公交客流统计方法研究

《基于机器学习的公交客流统计方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号:TP39110710-2015124030硕士学位论文基于机器学习的公交客流统计方法研究张文涛导师姓名职称宋焕生教授申请学位级别工学硕士学科专业名称信息与通信工程论文提交日期2018年4月2日论文答辩日期2018年6月4日学位授予单位长安大学ResearchonStatisticsMethodofBusPassengerFlowBasedonMachineLearningADissertationSubmittedfortheDegreeofMasterCandidate：ZhangWentaoSup

2、ervisor：Prof.SongHuanshengChang’anUniversity,Xi’an,China摘要公交客流量是公共交通管理部门对城市公交线路优化、车辆调度的重要数据来源，如何获取精确的公交客流数据具有重要的研究价值。目前，公交客流计数系统的整体框架主要分为乘客目标检测、轨迹跟踪和分类计数三大部分。采用传统图像处理方法在二维图像上进行乘客目标检测依然存在很多问题，例如易受光照干扰、背景抖动以及乘客形态多变等因素影响，很难对乘客进行精确锁定。而乘客目标检测作为整个系统的基础部分，其精确度将对后期

3、的跟踪和人数统计产生直接的影响。针对以上问题，本文在乘客目标检测方面分别采用两种不同的检测算法。第一种算法充分利用深度相机获取的深度信息，通过相机三维标定将深度图像转换为世界坐标系下的俯视投影图，然后根据单个人体目标头部区域具有最大高度值的特点，采用局部高度最大值算法对人头目标进行锁定，最后结合SVM(SupportVectorMachine)分类器对人头目标进行分类识别。利用深度信息构建公交场景的三维信息不仅有效地减少了光照的影响还避免了乘客之间相互遮挡的问题，对乘客目标检测创造了良好的条件。第二种算法将深

4、度学习中的SSD(SingleShotMultiBoxDetector)网络模型应用于乘客人头目标检测，SSD网络模型能够从样本数据中自主学习可以表达目标本质属性的特征，因此可以更加精确地检测乘客目标。本文利用大量公交视频建立人头目标样本库，分别选取不同样本量的人头目标训练人头目标模型并进行实验分析对比，选则具有最佳检测性能的模型实现乘客目标的精确检测。在乘客人头目标跟踪的问题上采用“帧间匹配+卡尔曼滤波”的组合方法对目标进行匹配跟踪获得运动轨迹。首先在乘客目标检测的基础上，采用帧间匹配法对目标检测框进行初步

5、匹配，当目标存在漏检或者被遮挡时则利用卡尔曼滤波对目标位置信息进行预测，并在预测位置周围区域范围内进行搜索，实现目标的连续跟踪。最后根据乘客目标运动轨迹和伪目标轨迹的特征分布，选取区分度最好的特征组合对轨迹进行分类计数，实现公交客流统计。本文分别对以上两种基于不同目标检测算法的公交客流统计方法进行了测试，实验结果表明，这两种方法均具有较高的人数统计精度，基于深度图像检测算法的人数统计精度为95.16%，基于深度学习SSD目标检测算法的人数统计精度为97.72%，均能满足公交客流统计的实际需求。关键词：深度图像

6、，SSD目标检测算法，SVM分类器，卡尔曼滤波iAbstractPedestrianCountinginthebusscenecanprovideimportantdataforpublictrafficmanagementdepartment,whichcanbeusedtooptimizeurbantrafficroutesandvehiclescheduling.Howtogettheaccuratecountofthepassengorflowofbusscenehasimportantresearc

7、hvalue.Inthisthesis,theoverallframeworkofbuspedestrianflowcountingsystemisdividedintothreemainparts:pedestriantargetdetection,tracking,andclassificationtrajectories.Therearestillmanyproblemsinusingtraditionalimageprocessingmethodstodetectpassengertargetsint

8、wo-dimensionalimagessuchas,illuminationchange,backgroundshaking,andsoon.Asthebasicpartofthewholesystem,theaccuracyofthepedestriantargetdetectionwillhaveadirectimpactonthefollowingtrackingandtheprecisio