资料下载
通过OpenCV对地铁车站行人的监测案例
香香技术员
分享资料个
摘 要：近年来，我国轨道交通行业发展迅速，轨道交通线网的规模在逐渐扩大。基于地铁车站服务设施相关规划设计的 思想分析可知，车站的整体和各服务设施的设计与车站客流量的实际情况不符，所以行人相关特征数据的获取尤为重要，是 科学的行人服务设施规划设计和优化配置的基础。文章采用基于SSD模型行人检测与现常用的基于HOG与SVM特征识别 算法比较对行人检测，并利用Kalman滤波算法对行人跟踪，使用OpenCV3.4.7计算机视觉库和MFC对行人监测系统平台 进行搭建。
行人检测是实现行人跟踪以及行人特征数据提取的前 提，行人检测效果的好坏会直接影响后续的操作效果。尽管 现在有很多用于行人检测的方法，但目标算法仍然不完全 成熟，无法应用于所有情况。自2005年起，基于统计学习的 行人检测发展迅速，成为热点，郭明玮等［1］详细论述了支持 向量机（Support Vector Machine，SVM）的原理、构建目标 特征模型的方法以及SVM训练和学习的过程，总结了基于 SVM的目标检测方法。如今广泛应用的行人检测框架是使 用方向梯度直方图（Histogram of Oriented Gradient，HOG） 算法进行特征提取，再训练SVM分类器，但在复杂环境中效 果并不理想。自2012年以来，深度学习在图像分类处理中表 现优异，现如今，基于深度学习的行人目标检测方法主要有 RCNN，SSD和YOLO 3大种类。RCNN的效果最好，但速度 慢，实际应用时，实时检测较难，效果较差；YOLO虽然速度 很快，但是检测效果不稳定，当检测目标比较小或者目标非 常密集时，效果并不理想；SSD既有较快的处理速度，又有 比较高的准确性。因此，本文在SSD算法基础上，用地铁行 人监控视频数据集训练了一个SSD行人检测模型，并与传统 的基于HOG与SVM特征算法进行对比。若图像中出现行人 目标，则需要准确标记行人目标并且标记其位置信息，而且 需要用矩形边框标记检测到的行人目标，即实现行人目标和 背景的分离。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
