蒲安会

（东华大学信息科学与技术学院，上海 201600）

1 概述

随着城市经济的发展，在现代社会地铁已经成为人们出行的主流方式，地铁的高安全性使人们的出行安全得到了保障。因此，越来越多的人选择地铁出行。由于地铁运营的载客运营容量大，人口流动性大，车内空间狭小。因此，地铁中各种突发情况、不文明行为越来越多，而地铁的管理人员不能够及时地发现这些行为和情况，导致各种悲剧的发生。地铁上的不文明行为有很多种类型，例如在车厢里嬉戏打闹、扔垃圾、打架以及躺在座位上占座等。而突发晕倒情况也屡见不鲜，没有及时抢救的话很有可能造成悲剧。

针对上述问题，本研究的意义重大，在乘客倒地、不文明行为、不佩戴口罩等情况下能够及时的检测到并报警，方便地铁工作人员及时处理上述情况。

本文以深度学习为背景，将人工智能与图像识别相结合，针对地铁上人的各种违规行为，将深度学习应用于关节点检测。

本文的实际应用情况选取了HigherHRNet 模型，HigherHRNet 模型是目前在多人关节点识别任务bottom-up 中最先进的算法，模型不仅在关节点定位上更加准确，还能够识别图片中人物较小的关节点。然而该模型在实际应用中存在模糊图像无法检测到关节点、镜像图像的干扰、非正常姿势关节点检测不全等问题，本文分别进行了超分辨率重建[1-4]、双阈值、修改关节点之间的强相关的方法从而解决了上述三个问题。

2 基于深度学习的人体关节点检测

2.1 关节点检测的研究现状

本文主要应用场景是地铁车厢，因此本文的关节点检测面向很多人，多人关节点检测分为自上而下和自下而上。……