基于CNN公交客流检测系统的设计

论文摘要

针对公交客流数据获取现状不稳定、处理方法陈旧及无法实时调度等问题,本文结合图像处理和深度学习方法,设计了公交客流检测系统,重点对乘客头部的特征提取算法进行研究。该系统将工业摄像头分别置于车厢前端、中端及末端的上侧,以此获得车内乘客三通道图像,在Raspberry Pi树莓派中移植Tensor Flow深度学习框架,由此搭建卷积神经网络CNN的模型,以此模型提取车厢内乘客头部特征,再采用综合梯度下降算法优化学习速率和三通道数据融合技术判断车内拥挤情况,从而保证模型的鲁棒性。实验结果表明:将识别结果输入SPP-Net网络结构中,上述算法识别准确率为87. 23%,较传统卷积神经网络提高9. 11%,收敛速率提高20. 77%,其实时的拥挤度判断更具有实用性。

论文目录

• 1 客流拥挤检测设计及模型算法
•   1.1 系统硬件设计
•   1.2 模型构建
•     1.2.1 卷积神经网络提取头部特征
•     1.2.2 模型构建
•   1.3 综合梯度下降算法与随机梯度下降算法优化神经网络
•   1.4 客流拥挤度研究
• 2 实验结果与分析
• 3 结论

文章来源

类型: 期刊论文

作者: 张开生,刘泽新,郭碧筱,杨帆

关键词: 客流检测,卷积神经网络,综合梯度下降算法,拥挤情况

来源: 石河子大学学报(自然科学版) 2019年05期

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 公路与水路运输,计算机软件及计算机应用,自动化技术

单位: 陕西科技大学电气与信息工程学院

基金: 国家自然科学基金项目(61601271),陕西省科技厅社会发展科技攻关项目(2016SF-418)

分类号: TP183;U495

DOI: 10.13880/j.cnki.65-1174/n.2019.21.007

页码: 654-660

总页数: 7

文件大小: 5971K

下载量: 78