Resumen

El recuento de los pasajeros que entran y salen de los medios de transporte es una de las funciones básicas de los sistemas de control del flujo de pasajeros. El número exacto de pasajeros es importante en ámbitos como la vigilancia del transporte público, la predicción del flujo de pasajeros, la planificación del transporte y el control de la carga de los vehículos de transporte. Para permitir una utilización masiva de los sistemas de control del flujo de pasajeros, su coste debe ser bajo. Dado que el precio global viene dado principalmente por los precios del sensor y la unidad de procesamiento utilizados, proponemos la utilización de una cámara de espectro visible y algoritmos de procesamiento de datos de baja complejidad temporal para garantizar un bajo precio del producto final. Para garantizar el anonimato de los pasajeros, sugerimos el escaneo ortogonal de una escena. Dado que la precisión del recuento depende en gran medida de la precisión del reconocimiento de los pasajeros, nos centramos en el desarrollo de un método de reconocimiento adecuado. Presentamos dos enfoques opuestos que pueden utilizarse para el reconocimiento de pasajeros en medios de transporte con y sin escalones de entrada, o con suelo de dos niveles. El primer enfoque es la utilización de una red neuronal convolucional adecuada (ConvNet), que es actualmente el enfoque predominante en la visión por ordenador. El segundo enfoque es la utilización de características de histogramas de gradientes orientados (HOG) en combinación con un clasificador de máquina de vectores de soporte. Este enfoque es representativo de los métodos clásicos. Estudiamos ambos enfoques en términos de aplicaciones prácticas, donde el procesamiento de datos en tiempo real es uno de los supuestos básicos. En concreto, examinamos el rendimiento de la clasificación y la complejidad temporal de los enfoques para diversas topologías y configuraciones, respectivamente. Para ello, formamos y ponemos a disposición del público un conjunto de datos a gran escala y con equilibrio de clases de imágenes RGB etiquetadas. Demostramos que, en comparación con las ConvNets, el reconocimiento de pasajeros basado en HOG es más adecuado para aplicaciones prácticas. Para un entorno apropiado, derrota a las ConvNets en términos de complejidad temporal, manteniendo al mismo tiempo un excelente rendimiento de clasificación. Para permitir la verificación de los resultados teóricos, construimos un prototipo de ingeniería del sistema.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:sistemas de monitorización del flujo de pasajeros, reconocimiento de pasajeros, pasajeros, utilización, aplicaciones prácticas, complejidad temporal, red neuronal convolucional apropiada, clasificador de máquina de vectores soporte, monitorización de la carga de vehículos de transporte, método de reconocimiento apropiado
• Keywords:passenger flow monitoring systems, passenger recognition, passengers, utilization, practical applications, time complexity, appropriate convolutional neural network, support vector machine classifier, transport vehicle load monitoring, appropriate recognition method