王 敏

(西安铁路职业技术学院交通运输学院，陕西 西安 710014)

随着地铁客流量的激增，其安全、高效运行面临更大的挑战。传统的人工客流量计数方法需专人实时监控客流画面，进行客流信息统计及特征提取，耗时耗力，准确性及效率较低，而且因为监控人员数量及精力有限，仅能统计关键区域的客流量，无法对全运输段进行客流跟踪及统计。近年来，随着计算机视觉技术的发展，以机器替代人眼，基于视频图像对地铁运行各区段、各时段的客流量进行跟踪统计，并通过数据分析，得出高精准的客流数据成为趋势。

近年来，深度学习技术得到了发展与应用，其利用深度卷积神经网络自主学习检测目标[1-2]，而后对图像中目标特征进行提取与识别，采用训练的方式构建特征组合和分类器[3-4]，有效弥补了人工技术在规模、精度及场景等方面的局限性[5]。许多学者也开始关注、研究和应用深度学习技术，Girshick[6]和 Ren 等[7]提出了Fast R-CNN及Faster R-CNN目标检测算法，后一种算法以Refion Proposal Network替代Selective Serarch方法来产生候选区，在确保检测准确率的同时，也提升了目标检测效率；2015年，Redmon等[8]提出了YOLO检测算法，与R-CNN系列算法区别在于其利用全卷积进行目标监测，通过回归计算进行目标分类及定位，检测速率可达45帧/s；2016年，Liu等[9]提出了SSD(single shotmultibox detector)检测算法，该算法使用CNN直接检测，通过提取不同尺度特征图进行检测，检测效率更高，且显著提升大、小目标的检测准确率；在YOLO检测算法的基础上，Redmon等提出了YOLOv2[10]和YOLOv3[11]检测算法，YOLOv3融合了残差网络思想，采用多尺度特征及分类损失函数替换等方法，显著提高了检测效率及准确率，在COCO数据集上的mAP(客流量统计数据)达到了57.9%。……