基于深度學習的軌道交通行人檢測方法*

司廣字 劉光杰 陸 斌 焦科杰 王政軍

（1.南京信息工程大學電子與信息工程學院 南京 210044）（2.南京熊貓信息產業有限公司 南京 210038）（3.海康威視 南京 211106）

1 引言

隨著城市人口的增加，城市道路越發擁堵，但同時給軌道交通事業帶來了蓬勃的發展，越來越多的城市開始建設地鐵，其中一些城市的地鐵已經成為市民重要的出行工具。隨著乘坐地鐵的乘客越來越多，不可避免地會出現擁堵并帶來一些安全問題，然而現有地鐵內的各個業務系統還無法實現站內客流的實時檢測。因此，研究使用基于地鐵內監控視頻的行人實時檢測方法，對于城市軌道交通的安全運營和管理具有十分重要的意義。現有的行人目標檢測方法主要包括基于傳統圖像分析的目標檢測算法與基于深度神經網絡的目標檢測算法。傳統目標檢測方法主要是使用滑動窗口法，該方法主要通過使用隨目標尺寸變化的窗口對圖像進行全局搜索確定目標位置，原理簡單但效率低下。Uijlings 等［1］基于圖像中的目標區域具有連續性和相似性等特點提出了選擇性搜索方法對滑動窗口法進行了改進，提高了目標檢測的效率。在深度學習方法領域中，Girshick 等［2］利用選擇性搜索方法提出了基于區域的卷積神經網絡R-CNN（region-based convolutional neural network），但由于R-CNN 網絡需要對每張輸入圖片的上千個變形后的區域進行卷積操作，所以計算量非常大，速度很慢。2015 年Girshick［3］基于R-CNN 提出了一種快速的基于區域的卷積網絡模型fast R-CNN，但是fast R-CNN 仍舊無法滿足實時檢測的去求，于是Ren 等［4］提出了改進模型faster R-CNN，用區域提議網絡替代了原來的選擇性搜索方法進行候選區域提取。……