基于深度学习的公交车内拥挤分类算法研究与实现

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。　　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。

目录

1 绪 论

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状

1.3 研究内容和创新

1.4 论文的组织结构

1.5 本章小结

2 图像处理与深度学习理论基础

2.1 图像处理理论基础

2.1.1 图像灰度处理

2.1.2 图像直方图处理

2.2.1 深度学习概述

2.2.2 激活函数

2.2.3 卷积和池化

2.2.4 神经网络训练

2.3 本章小结

3 基于卷积神经网络的公交车内拥挤分类研究

3.1 引言

3.2 拥挤的定义

3.3.1 本章算法框架

3.3.2 GoogLeNet模型

3.3.3 轻量级GoogLeNet网络结构设计

3.3.4 目标函数与训练

3.4 基于模型融合MixNet的拥挤分类

3.4.1 理论分析

3.4.2 网络结构设计

3.5 本章小结

4 基于注意力机制的公交车内拥挤分类研究

4.1 注意力机制

4.1.1 注意力机制概述

4.1.2 注意力机制原理

4.2.1 注意力模型与图像特征融合

4.2.2 网络模型设计

4.2.3 注意力权重激活图

4.3 本章小结

5 实验结果及分析

5.1 数据集

① 分类标准

② 采集平台

③ Bus_pic数据集规模与展示 数据集规模与展示

④ 存在的问题

5.2 图像预处理

5.3 实验评估方法

① 准确率（ Accuracy）

② 混淆矩阵（ Confusion Matrix）

③ 精确率（ Precision）、召回率（ Recall）和 F1 评估值（ F1 Score）

5.4.1 实验环境

5.4.2 SimGoogLeNet vs. GoogLeNet

5.4.3 MixNet vs. SimGoogLeNet

5.4.4 注意力机制模型实验结果对比

5.4.5与其他深度神经网络模型对比

5.5本章小结

6 公交车内拥挤检测应用设计与实现

6.1 系统框架图

6.2 拥挤检测系统的实现

6.3 本章小结

7 总结与展望

7.1 总结

7.2 展望

参考文献

附录

A. 作者在攻读学位期间申请的专利：

B. 作者在攻读学位期间取得的科研工作目录：

C. 学位论文数据集

致谢