摘要：我国各个方面都在快速且稳步的发展，因此，越来越多的人选择离开了自己的家向着城市进发，这就给城市尤其是交通方面带来非常非常大的压力。地铁因为快捷、便利和舒适，所以成为了城市中的人们在众多出行方式中的又一个非常重要的选择。越来越复杂的地铁线网，迅速增加的客流量，给地铁站的日常工作带来了巨大的挑战。

所以，为了地铁站能够更好地解决客流拥堵问题、能够拿出更加合理的智能疏导提示方案，这就需要精准地设计模型、其次训练模型，然后才能更加准确的检测出地铁站的客流量、才能够对地铁站的出站乘客进行疏导提示。在仔细研究每个地铁出站口的客流量变化规律之后，通常可以规划制定出非常合理的线路，以此来提高行人的出行效率。目前，在目标检测技术范畴，客流量检测技术非常容易受到很多因素的影响，比如变化多端的光线、再比如非常复杂的背景环境。特别是在人很多的且各式各样的情况下，会有非常大非常多的困难，比如背景环境很复杂、乘客和乘客之间的堆叠等情况。倘若在上述所描述的环境下，现存的客流量检测系统在检测精确度和实用性方面很难达到其标准。

行人检测就是计算机根据自身获得的行人视频序列或者静止的图像，判断行人和非行人两种，并对行人作出预测加以边界框，倘若是行人的话还需要对每个行人的背景进行分割并且进行准确的定位。卷积神经网络是深度学习的一个范畴，即是它的一个非常重要组成部分，在各式各样的领域得以越来越多越来越重要的应用。以HOG(Histogram of Oriented Gradient)进行特征提取的行人检测，仅仅考虑到图像的低层或中层，忽视了高层的，这就使得在非常复杂的环境下行人的特征问题不能进行合理有效的表达，所以各类专家研究出了利用一种多层的网络搭建出深度卷积神经网络，这样才能够更好的进行行人检测。

本文主要研究内容为：(1)利用深度学习，设计出基于R-CNN算法的行人检测算法，这种方法获取的特征具有鲁棒性，能够更好的解决语义问题；(2)接下来就需要使用EdgeBoxes的方法，这样能够获得非常高质量的感兴趣目标区域，从而使得到的都将是低冗余并且高质量的候选区域；(3)为了降低卷积神经网络在训练时间方面的困难，同时，为了避免在训练过程中出现梯度弥散等现象，我们必须要利用好批量归一化层。实验结果表明这种方法有非常高的识别率，比从前的各种行人检测方法都要好。

关键词： 地铁出站口；行人检测；智能疏导提示系统；卷积神经网络；深度学习；R-CNN；批量归一化 

目  录

摘  要

ABSTRACT

第一章 绪  论-1

1.1 课题的背景和意义-1

1.1.1 研究背景-1

1.1.2 研究意义-2

1.2 国内外的研究现状-3

1.3 论文的研究内容及结构-5

1.3.1 研究内容-5

1.3.2 本文结构-6

第二章 行人检测的特征提取与数学表达-7

2.1 R-CNN(Region-CNN)-7

2.1.1 R-CNN的介绍-8

2.1.2 R-CNN的特征提取方法-9

2.1.3 R-CNN的数学模型表达式-10

2.1.4 R-CNN的算法流程-10

2.2 ACF(Aggrate Channel Features)聚合通道特征-12

2.2.1 ACF(Aggrate Channel Features)的介绍-12

2.2.2 ACF(Aggrate Channel Features)的特征提取方法-14

2.2.3 ACF(Aggrate Channel Features)的数学模型表达式-15

2.2.4 ACF(Aggrate Channel Features)的算法流程......15

2.3 ICF(Integral Channel Features)积分通道特征-17

2.3.1 ICF(Integral Channel Features)的介绍-17

2.3.2 ICF(Integral Channel Features)的特征提取方法-17

2.3.3 ICF(Integral Channel Features)的数学模型表达式-18

2.3.4 ICF(Integral Channel Features)的算法流程........18

2.4 本章总结-20

第三章 基于客流量检测的地铁站智能疏导提示系统-21

3.1 硬件系统的构成-21

3.2 软件系统的设计-23

3.2.1 系统的算法流程-23

3.2.2 算法流程中各个子模块的功能与算法-25

3.2.3 识别器的选择与训练-25

3.2.4 系统的性能测试与优化-26

3.3 软件界面(GUI)功能介绍-26

3.4 系统运行结果及性能评价-28

3.5 本章总结-29

第四章 总结与展望-30

4.1 本文总结-30

4.2 工作展望-31

参考文献-32

致  谢-35