一种针对轨交大客流环境的新型目标检测算法研究

轨道交通行业具有人口密度大、人流集中、场所特殊的特点,一直以来都是社会公共安全危险与风险的重点关注领域。近年来,人工智能、计算机视觉以及大数据技术迅猛发展为轨道交通安全运营带来了新的机遇和挑战。文章旨在深入研究轨道交通行业特定的大客流环境下目标检测算法的模型,并提出一个新型目标检测算法技术框架,力争解决智能视频分析技术在轨道交通行业落地难的难题,为后续在北京地铁全路网范围内工程化落地提供技术准备和参考。     

基于行人重识别（ReID）技术的乘客出行特征研究

随着大数据时代的来临,海量的非结构化视频数据激增,传统的人工处理方法已经难以满足现有的数据处理需求。随着人工智能、神经网络等技术的发展和算力的提升,视频分析技术应运而生。行人重识别（ReID）算法是智能视频分析中的一项重要技术,标注人员首先对视频样本进行标注作业,然后将标注结果应用到算法模型中,可以快速从海量的监控视频中识别出不同摄像头网络中的同一个行人,最后通过自动检索目标,精确定位每一位乘客的运行轨迹,实现对客流的精确划分。     

基于TOF的地铁车厢人数统计系统设计及应用研究

随着城市轨道交通的不断发展,网络化运营特征日益凸显。精准、实时地掌控路网列车内乘客数量和满载率成为提升运营效率、乘客服务水平和安全防范能力的关键。文章基于TOF和智能视频分析技术,提出了一种车厢乘客计数系统及装置的设计方法,针对地铁特定环境及业务需求,训练了一个目标检测算法和追踪算法模型并搭建了一个原型系统,经过实验室验证,准确率高达95%以上。后续,将借助11号线（冬奥支线）落地契机,进一步优化完善技术方案,为“智慧地铁”建设提供有力技术支撑。