随着城市的不断建设发展,许多性能更好、服务功能更完善的地铁电动客车投入运营。这不仅满足了人们出行的需要,更响应了国家关于绿色出行的号召。为缓解地面交通压力,地铁线路不断扩张,对其中的行人进行检测识别有利于减少地铁工作人员压力,更能为人流量实时监测、预警等智能系统提供技术支持,具有实际研究意义。地铁中的视频监控系统不仅能保证机电设备的实时集中监控功能和各系统之间协调联动,其中海量的数据也可作为地铁行人检测技术的数据基础。目前结合计算机视觉技术的行人检测研究已经得到广泛应用。但是在实际情况中,行人所处大多是平行通道,而地铁中的上下扶梯等场所也是值得关注的重点场所。更重要的是,由于行人兼具刚性和柔性物体的特性,易受服饰、姿态等因素影响,地铁中环境复杂,客流量大等因素更是为检测识别任务加大了难度。目前行人检测技术中,因特征提取方式等原因,传统的检测方式会在地铁行人检测中造成大量的误检和漏检问题,而深度学习理论可以通过挖掘图像深层特征等方式提高行人检测率,因此本文选择基于深度学习方向的行人检测技术,针对特征融合、卷积神经网络、数据增广、训练数据不平衡等问题进行研究,设计基于多层特征融合思想的地铁行人检测框架,具体的工作内容如下:(1)对目标检测框架进行调研,研究基于多尺度预测的深度学习框架并进行改进,在利用多个大小不同的感受野区域匹配目标多个尺度的基础上,研究将相邻特征图融合以达到更丰富的图像特征信息。另外根据密集连接结构的深度卷积网络设计特征提取网络,进一步提升地铁行人中小目标检测精度。(2)对整体网络框架的优化。根据地铁数据集的行人目标尺寸调整网络中特征来源层以及默认框调准率;其次使用全部训练样本参与计算损失的方式替代原始人工划分用于训练的正负样本比例,并使模型在训练时更专注于难分类的样本,提升数据集中密集目标的检测率。(3)扩充地铁行人数据集。原始数据集采集自北京地铁站,包含两个场景。为使数据集场景多样化,结合具体项目,采集南京地铁站的不同场景(站厅安检处、上下扶梯等)对原始数据集进行扩充,后续对数据集划分方式进行实验探究。研究实验表明,与参考算法相比,论文提出的地铁行人检测算法在综合地铁数据集上的检测精度提升了5.1%,达到91.5%,检测速度达到33FPS,能够满足实时检测需求。