通過OpenCV對地鐵車站行人的監測案例

　　摘 要：近年來，我國軌道交通行業發展迅速，軌道交通線網的規模在逐漸擴大?；诘罔F車站服務設施相關規劃設計的 思想分析可知，車站的整體和各服務設施的設計與車站客流量的實際情況不符，所以行人相關特征數據的獲取尤為重要，是 科學的行人服務設施規劃設計和優化配置的基礎。文章采用基于SSD模型行人檢測與現常用的基于HOG與SVM特征識別 算法比較對行人檢測，并利用Kalman濾波算法對行人跟蹤，使用OpenCV3.4.7計算機視覺庫和MFC對行人監測系統平臺 進行搭建。

　　行人檢測是實現行人跟蹤以及行人特征數據提取的前 提，行人檢測效果的好壞會直接影響后續的操作效果。盡管 現在有很多用于行人檢測的方法，但目標算法仍然不完全 成熟，無法應用于所有情況。自2005年起，基于統計學習的 行人檢測發展迅速，成為熱點，郭明瑋等［1］詳細論述了支持 向量機（Support Vector Machine，SVM）的原理、構建目標 特征模型的方法以及SVM訓練和學習的過程，總結了基于 SVM的目標檢測方法。如今廣泛應用的行人檢測框架是使 用方向梯度直方圖（Histogram of Oriented Gradient，HOG） 算法進行特征提取，再訓練SVM分類器，但在復雜環境中效 果并不理想。自2012年以來，深度學習在圖像分類處理中表 現優異，現如今，基于深度學習的行人目標檢測方法主要有 RCNN，SSD和YOLO 3大種類。RCNN的效果最好，但速度 慢，實際應用時，實時檢測較難，效果較差；YOLO雖然速度 很快，但是檢測效果不穩定，當檢測目標比較小或者目標非 常密集時，效果并不理想；SSD既有較快的處理速度，又有 比較高的準確性。因此，本文在SSD算法基礎上，用地鐵行 人監控視頻數據集訓練了一個SSD行人檢測模型，并與傳統 的基于HOG與SVM特征算法進行對比。若圖像中出現行人 目標，則需要準確標記行人目標并且標記其位置信息，而且 需要用矩形邊框標記檢測到的行人目標，即實現行人目標和 背景的分離。