典型文献
基于改进YOLOv5s的列车车厢客流密度检测方法研究
文献摘要：
针对城市轨道交通(简称:城轨)列车车厢客流密度检测过程中人群密集、乘客间相互遮挡的问题,文章提出一种基于改进YOLOv5s模型的列车车厢客流密度检测方法.设计了基于车载闭路电视监控(CCTV,Closed-Circuit Television)系统监控进行实时目标检测的列车车厢客流密度检测模型;为解决人群密集及遮挡问题,对YOLOv5s进行优化,采用了双向特征金字塔网络(BiFPN,Bi-directional Feature Pyramid Network)结构加强网络特征融合,设计了一种损失函数计算方法,改进了非极大值抑制(NMS,Non-Maximum Suppression)方法,避免候选框误删除的情况.在标准行人检测数据集和自制地铁车厢乘客数据集上进行实验,结果表明,在两类数据集上,改进模型的检测精度均较原模型有所提升.
文献关键词：
客流密度;深度学习;YOLOv5s算法;目标检测;BiFPN架构;非极大值抑制(NMS)
中图分类号：
作者姓名：
张馨;董承梁;汪晓臣;田源
作者机构：
中国铁道科学研究院集团有限公司 电子计算技术研究所,北京 100081;北京京港地铁有限公司 运营工程部,北京 100068
文献出处：
引用格式：
[1]张馨;董承梁;汪晓臣;田源-.基于改进YOLOv5s的列车车厢客流密度检测方法研究)[J].铁路计算机应用,2022(10):10-15
A类：
误删除
B类：
YOLOv5s,列车车厢,客流密度,密度检测方法,城市轨道交通,城轨,检测过程,乘客,车载,闭路电视监控,CCTV,Closed,Circuit,Television,系统监控,实时目标检测,检测模型,遮挡问题,双向特征金字塔网络,BiFPN,directional,Feature,Pyramid,Network,结构加强,网络特征,特征融合,损失函数,非极大值抑制,NMS,Non,Maximum,Suppression,候选框,行人检测,检测数据集,地铁车厢,改进模型,检测精度
AB值：
0.368742
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
