通过OpenCV对地铁车站行人的监测案例

　　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。