1.轨道交通车厢客流估计方法,其特征在于,包括如下步骤:利用多种检测算法分别对多种数据源中包含的人体特征进行训练得出检测模型;
车厢内摄像头拍摄车厢内图像,采用上述训练后的各检测模型分别对各摄像头拍摄的图像进行检测并对检测结果进行集成;
将车厢内的多个座位位置和空白位置分别划分为座位区域和空白区域;
根据车厢内多个摄像头的视觉范围,对视觉重叠部分中空白区域的站立人数和座位区域的站立人数及座位人数进行统计;
根据视觉重叠部分中空白区域和座位区域人数推导视觉远端部分中空白区域和座位区域人数;
估计全车厢乘客数量。
2.根据权利要求1所述的轨道交通车厢客流估计方法,其特征在于,检测的人体特征包括头部特征和手部特征,且检测算法对数据源进行横向联邦学习和纵向联邦学习,其中横向联邦学习用于提取人的头部特征数据,纵向联邦学习用于提取人的头部特征数据和手部特征数据。
3.根据权利要求1所述的轨道交通车厢客流估计方法,其特征在于,多种检测算法包括FCHD算法、Faster‑RCNN算法和YOLOv3算法。
4.根据权利要求1所述的轨道交通车厢客流估计方法,其特征在于,视觉重叠部分中各区域的站立人数分别统计为各摄像头检测的站立人数的均值进位取整。
5.根据权利要求1所述的轨道交通车厢客流估计方法,其特征在于,视觉重叠部分中,将座位区域的座位平均划分在多个网格内,单个座位区域的座位人数统计为:Nseat=a*[∑S(x)]+nseat其中,a为每个网格存在的座位数,x为网格编号,S(x)=0表示x网格内没有检测到站立乘客,S(x)=1表示x网格内检测到站立乘客,nseat为无遮挡的座位上的乘客数。
6.根据权利要求1所述的轨道交通车厢客流估计方法,其特征在于,视觉远端部分中空白区域和座位区域的人数由泊松分布推导得出。
7.根据权利要求6所述的轨道交通车厢客流估计方法,其特征在于,泊松分布的累计概率选择为[0.3,0.9]。
8.根据权利要求1所述的轨道交通车厢客流估计方法,其特征在于,在利用检测模型进行检测前,将摄像头拍摄的视频按帧转化为静态图片。
9.根据权利要求8所述的轨道交通车厢客流估计方法,其特征在于,摄像头拍摄的图像由Python‑OpenCV进行截帧,截帧频次为10帧/秒。
10.根据权利要求1所述的轨道交通车厢客流估计方法,其特征在于,多种算法中任一种检测为乘客,则认定为乘客。