基于深度学习的车站旅客密度检测研究

论文摘要

车站旅客密度是智能客运车站的重要基础信息。首先阐述模式识别、深度卷积神经网络、实时检测算法在图像检测领域的发展历程,并重点分析Faster-RCNN算法和SSD算法的原理;然后定义车站旅客密度检测评价指标,并对VOC数据集下训练的模型进行试验测试;最后构建车站行人数据集,用Faster-RCNN算法训练模型,模型在低密度场景和高密度场景的检测准确率分别为88%和85%。结果表明:公开数据集VOC下训练的模型无法直接用于车站旅客密度检测,基于车站行人数据集和Faster-RCNN算法训练的模型可满足现场需求。

论文目录

文章来源

类型: 期刊论文

作者: 王明哲,张研,杨栋,张秋亮

关键词: 旅客密度检测,卷积神经网络,深度学习

来源: 中国铁路 2019年11期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 铁路运输,计算机软件及计算机应用,自动化技术

单位: 中国铁道科学研究院集团有限公司电子计算技术研究所

基金: 中国铁路总公司科技研究开发计划项目（P2018G049）

分类号: TP391.41;TP18;U293.13

DOI: 10.19549/j.issn.1001-683x.2019.11.013

页码: 13-17

总页数: 5

文件大小: 2486K

下载量: 77

相关论文文献

标签：旅客密度检测论文;  卷积神经网络论文;  深度学习论文;