1.基于屏蔽门客流计数的地铁车辆断面客流统计方法，其特征在于：该统计方法基于屏蔽门客流计数的地铁车辆断面客流统计系统，所述的系统包括屏蔽门，在所述的屏蔽门上布置智能门楣终端，所述的智能门楣终端包括前端采集摄像头、海思Hi3516SoC芯片、网络通信接口、显示器与语音播报模块；前端采集摄像头采集到的数据传送给海思Hi3516SoC芯片进行处理，并将处理过的数据在显示器上最终成像；网络通信接口负责终端与其他外界设备互联的网络互联；语音播报模块完成预先设定的对应的语音内容；所述的统计方法，包括以下流程：

步骤1：在屏蔽门上布置智能门楣终端；在开发阶段采集场景下的数据集用于行人检测算法的训练，在应用阶段作为终端设备进行视频采集以及分析；

步骤2：训练行人检测算法，该行人检测算法使用剪枝过的mobileNet‑Yolov3网络模型；

步骤3：在智能门楣终端上对摄像头采集的图片进行客流计数；

步骤4：智能门楣控制器收集每个门楣终端上采集的客流数据，形成车辆断面客流，将采集的客流信息送至智能门楣线路平台进行实时线路客流统计；

所述的步骤1具体为，从Pascal VOC格式的数据集转换为LMDB格式，使用LMDB内存映射数据库，包括以下步骤：

1）制作Pascal VOC格式的数据集；

1.1）收集对应场景下的行人数据将其放在一个目录下；

1.2）使用labelImage标注工具对图片进行标记，每张图片都得到同名的xml格式的标注文件，该文件中包括图片的宽、高，以及每个目标的类型名及目标标注框的左上点（xmin，ymin）和右下点的坐标（xmax，ymax）；

1.3）编写程序按照9：1的比例生成train.txt和val.txt两个包含数据集路径的文本将数据集划分为训练集和测试集；

2）数据集转换成LMDB文件

使用caffe自带的脚本程序将训练集和测试集生成LMDB形式的数据库，训练时在网络的data层，输入LMDB文件路径；

所述的步骤2中，将准备好的数据集输入所述的mobileNet‑Yolov3网络模型，包括如下步骤：

3.1）使用一个卷积核为3×3的标准卷积层进行图像特征提取；

3.2）为了加快特征提取速度，采用13个可分离卷积层进行特征提取；

3.3）使用一个Inception‑C结构，通过不同大小的卷积核支路获得不同的感受野，多维度感知目标整体和局部的特征，获取特征图，其中1×1的卷积支路通道数为384，3×3的卷积支路通道数为384，5×5的卷积支路通道数为128，最大池化层支路通道数为128；

3.4）使用一个卷积核大小为1×1的标准卷积层提取最终的特征图，特征图输入到Detection层输出检测框的坐标与置信度。

2.根据权利要求1所述的基于屏蔽门客流计数的地铁车辆断面客流统计方法，其特征在于：所述的数据集由图像本身及其对应的标签构成，mobileNet‑Yolov3网络模型在输入图像数据后，检测算法对车门上下客区域进行行人目标检测，同时采用sort目标追踪算法对行人目标进行追踪。

3.根据权利要求1所述的基于屏蔽门客流计数的地铁车辆断面客流统计方法，其特征在于：所述的步骤3具体为，由机器视觉设备所拍摄的目标区域内容作为训练好的模型的输入数据，mobileNet‑Yolov3网络模型的权重已经由训练过程固定，将待检测数据输入后，mobileNet‑Yolov3网络模型直接产生相应的检测结果；基于海思Hi3516SoC芯片，并利用其NPU芯片进行深度模型推理，生成的客流信息通过网络通信接口传至智能门楣控制器。

4.根据权利要求1所述的基于屏蔽门客流计数的地铁车辆断面客流统计方法，其特征在于：所述的步骤4中，智能门楣控制器上的车辆断面客流计算公式为：其中，Cin为一辆地铁停车一次的上客数量，Cout为一辆地铁停车一次下客数量，TI表示每个智能门楣终端统计的上客数量，TOi表示每个智能门楣终端统计的下客数量，i表示智能门楣终端个数，其中i=1,2,3，……n。

5.根据权利要求1所述的基于屏蔽门客流计数的地铁车辆断面客流统计方法，其特征在于：还包括步骤5，各智能门楣线路平台将数据发送至控制中心的综合监测系统，对全线路的客流情况进行监控管理，生成全线路断面客流数据。