摘 要：近年來(lái)，我國(guó)軌道交通行業(yè)發(fā)展迅速，軌道交通線網(wǎng)的規(guī)模在逐漸擴(kuò)大?；诘罔F車站服務(wù)設(shè)施相關(guān)規(guī)劃設(shè)計(jì)的 思想分析可知，車站的整體和各服務(wù)設(shè)施的設(shè)計(jì)與車站客流量的實(shí)際情況不符，所以行人相關(guān)特征數(shù)據(jù)的獲取尤為重要，是 科學(xué)的行人服務(wù)設(shè)施規(guī)劃設(shè)計(jì)和優(yōu)化配置的基礎(chǔ)。文章采用基于SSD模型行人檢測(cè)與現(xiàn)常用的基于HOG與SVM特征識(shí)別 算法比較對(duì)行人檢測(cè)，并利用Kalman濾波算法對(duì)行人跟蹤，使用OpenCV3.4.7計(jì)算機(jī)視覺(jué)庫(kù)和MFC對(duì)行人監(jiān)測(cè)系統(tǒng)平臺(tái) 進(jìn)行搭建。

　　行人檢測(cè)是實(shí)現(xiàn)行人跟蹤以及行人特征數(shù)據(jù)提取的前 提，行人檢測(cè)效果的好壞會(huì)直接影響后續(xù)的操作效果。盡管 現(xiàn)在有很多用于行人檢測(cè)的方法，但目標(biāo)算法仍然不完全 成熟，無(wú)法應(yīng)用于所有情況。自2005年起，基于統(tǒng)計(jì)學(xué)習(xí)的 行人檢測(cè)發(fā)展迅速，成為熱點(diǎn)，郭明瑋等［1］詳細(xì)論述了支持 向量機(jī)（Support Vector Machine，SVM）的原理、構(gòu)建目標(biāo) 特征模型的方法以及SVM訓(xùn)練和學(xué)習(xí)的過(guò)程，總結(jié)了基于 SVM的目標(biāo)檢測(cè)方法。如今廣泛應(yīng)用的行人檢測(cè)框架是使 用方向梯度直方圖（Histogram of Oriented Gradient，HOG） 算法進(jìn)行特征提取，再訓(xùn)練SVM分類器，但在復(fù)雜環(huán)境中效 果并不理想。自2012年以來(lái)，深度學(xué)習(xí)在圖像分類處理中表 現(xiàn)優(yōu)異，現(xiàn)如今，基于深度學(xué)習(xí)的行人目標(biāo)檢測(cè)方法主要有 RCNN，SSD和YOLO 3大種類。RCNN的效果最好，但速度 慢，實(shí)際應(yīng)用時(shí)，實(shí)時(shí)檢測(cè)較難，效果較差；YOLO雖然速度 很快，但是檢測(cè)效果不穩(wěn)定，當(dāng)檢測(cè)目標(biāo)比較小或者目標(biāo)非 常密集時(shí)，效果并不理想；SSD既有較快的處理速度，又有 比較高的準(zhǔn)確性。因此，本文在SSD算法基礎(chǔ)上，用地鐵行 人監(jiān)控視頻數(shù)據(jù)集訓(xùn)練了一個(gè)SSD行人檢測(cè)模型，并與傳統(tǒng) 的基于HOG與SVM特征算法進(jìn)行對(duì)比。若圖像中出現(xiàn)行人 目標(biāo)，則需要準(zhǔn)確標(biāo)記行人目標(biāo)并且標(biāo)記其位置信息，而且 需要用矩形邊框標(biāo)記檢測(cè)到的行人目標(biāo)，即實(shí)現(xiàn)行人目標(biāo)和 背景的分離。