CN106485923B - 一种公交拥挤度实时状态采集方法与装置 - Google Patents

一种公交拥挤度实时状态采集方法与装置 Download PDF

Info

Publication number
CN106485923B
CN106485923B CN201611188595.3A CN201611188595A CN106485923B CN 106485923 B CN106485923 B CN 106485923B CN 201611188595 A CN201611188595 A CN 201611188595A CN 106485923 B CN106485923 B CN 106485923B
Authority
CN
China
Prior art keywords
portrait
video
crowding
bus
distance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201611188595.3A
Other languages
English (en)
Other versions
CN106485923A (zh
Inventor
李顺喜
陈卓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201611188595.3A priority Critical patent/CN106485923B/zh
Publication of CN106485923A publication Critical patent/CN106485923A/zh
Application granted granted Critical
Publication of CN106485923B publication Critical patent/CN106485923B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种公交拥挤度实时状态采集方法与装置，该装置，包括：GPS公交站台定位端，用于判断公交车是否已经到站，当公交车到达站点后，发出信息开启计时器；计时器，用于被公交站台定位端触发后，从0开始计时15秒，触发视频获取端开启；然后继续计时5秒，触发视频获取端关闭；视频获取端，用于以36°/s旋转并拍摄公交车内的视频，并将获取的视频上传至云服务器；云服务器，所述云服务器包括：视频分帧端；座椅空闲判别装置，用于通进行座椅空闲判别；人像距离计算装置；拥挤度计算装置。本发明通过对公交车内的视频获取与分析，实现了拥挤度的计算，能够为出行群众提供参考，且有利于城市公共交通调度，制定更为合理的交通计划。

Description

一种公交拥挤度实时状态采集方法与装置
技术领域
本发明涉及智能交通技术领域，尤其涉及一种公交拥挤度实时状态采集方法与装置。
背景技术
目前，智能公交已经成为交通信息化发展的重要方向，通过公交信息化建设，将提升公交便捷性、智能化。在现有的智能公交系统中，主要包含以下功能：公交车辆的定位、线路跟踪、到站预测、电子站牌信息发布、油耗管理。对于群众而言，能够在自己的手机上查看到出行公交车的位置、离站台的距离将极大便利自己的出行。但仅仅提供这些信息还不能完全为群众提供良好的出行参考，如：一趟公交车已经离下一站非常近，但是车上已经满员，这个时候该趟公交已经不适合乘坐，传统的智能公交系统未能提供关于公交车拥挤状态方面的信息。
申请公布号为CN 103761784A的一种《智能化公共交通信息交互与显示系统》所述的系统中，通过上下车门踏板压力毯来测算车内人数。但在现实情况中，上下车时往往发生多人踩踏上下车门踏板的案例，且当车内拥挤时，经常有乘客直接站在下车门踏板上，给统计带来误差。申请公布号为CN 204166696A的《一种基于智能视频的公交拥挤度采集装置及方法》仅仅提出了判别方法，而未用具体算法与装置予以说明实现方法。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种公交拥挤度实时状态采集方法与系统。
本发明解决其技术问题所采用的技术方案是：一种公交拥挤度实时状态采集方法，包括以下步骤：
1)公交车到达站点后，公交站台定位端发出信息开启计时器；
2)计时器从0开始计时15秒后，触发用于视频获取的摄像头开启，同时计时器进行清0，继续计时；所述用于视频获取的摄像头为一个带云台的可旋转式摄像头，设置在公交车内的顶部的中部；
3)摄像头以36゜/s旋转并拍摄视频；
4)计时器计时至5秒，触发用于视频获取的摄像头关闭；
5)采用无线传输将获取的视频上传至云服务器；
6)云服务器中的视频分帧端将上传的视频分解为n张图像，并进行座椅空闲数判别，得出第i张图像的空闲座位数ai；其中1≤i≤n；
7)人像距离计算：计算第i张图像中出现的人像进行检测分析并确立多个人像中心点，测算其最邻近中心点之间的距离，计算平均值ti及方差si 2；
所述步骤7)中人像距离计算具体如下：首先构建BP神经网络模型，输入采集的图像作为训练样本,完成BP神经网络模型的权值确定；其次，在进行识别时，将测试的第i张图像输入到已经训练完成的BP神经网络模型中进行计算，拟合出人像的识别区域的中心位置，然后从某一个中心位置开始，连接与其距离最近的下一个点，即进行不重复的连接，测算反映拥挤度状态的参数，包括第i张图像的人像中心点个数ki和最邻近点距离平均值ti和方差si 2。
8)根据下述公式测算拥挤度I，并使用最新计算获得的拥挤度更新公交实时拥挤度数据；
按上述方案，所述步骤6)中进行座椅空闲判断时，通过训练SVM分类器并使用该分类器进行座椅空闲判别。
一种公交拥挤度实时状态采集装置，包括：
GPS公交站台定位端，用于判断公交车是否已经到站，当公交车到达站点后，公交站台定位端发出信息开启计时器；
计时器，用于被公交站台定位端触发后，从0开始计时15秒，触发视频获取端开启；然后继续计时5秒，触发视频获取端关闭；
视频获取端，用于以36゜/s旋转并拍摄公交车内的视频，并将获取的视频上传至云服务器
云服务器，所述云服务器包括：
视频分帧端，用于将上传的视频分解为n张图像；
座椅空闲判别装置，用于通过训练SVM分类器并使用该分类器对n张图像进行座椅空闲判别，得出第i张图像的空闲座位数ai；其中1≤i≤n；
人像距离计算装置，用于计算第i张图像中出现的人像进行检测分析并确立多个人像中心点，测算其最邻近点之间的距离，计算平均值ti及方差si 2；
拥挤度计算装置，用于根据座椅空闲判别装置和人像距离计算装置的结果，采用以下公式计算拥挤度I，并使用最新计算获得的拥挤度更新公交实时拥挤度数据；
按上述方案，所述人像距离计算装置中人像距离计算使用BP神经网络方法训练样本，拟合人像的中心点位置，并计算其与其他拟合点的距离平均值和方差。
按上述方案，所述人像距离计算装置中人像距离计算具体如下：首先构建BP神经网络模型，输入采集的图像作为训练样本,完成BP神经网络模型的权值确定；其次，在进行识别时，将测试的第i张图像输入到已经训练完成的BP神经网络模型中进行计算，拟合出人像的识别区域的中心位置，然后从某一个中心位置开始，连接与其距离最近的下一个点，即进行不重复的连接，测算反映拥挤度状态的参数，包括第i张图像的人像中心点个数ki和最邻近点距离平均值ti和方差si 2。
本发明产生的有益效果是：本发明通过对公交车内的视频获取与分析，实现了拥挤度的计算，能够为出行群众提供参考，且有利于城市公共交通调度，制定更为合理的交通计划。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的结构示意图；
图2是本发明实施例的座椅空闲示意图；
图3是本发明实施例的人像距离示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，一种公交拥挤度实时状态采集装置，包括：
GPS公交站台定位端，用于判断公交车是否已经到站，当公交车到达站点后，公交站台定位端发出信息开启计时器；
计时器，用于被公交站台定位端触发后，从0开始计时15秒，触发视频获取端开启；然后继续计时5秒，触发视频获取端关闭；
视频获取端，用于以36゜/s旋转并拍摄公交车内的视频，并将获取的视频上传至云服务器
云服务器，所述云服务器包括：
视频分帧端，用于将上传的视频分解为n张图像；
座椅空闲判别装置，用于通过训练SVM分类器并使用该分类器对n张图像进行座椅空闲判别，得出第i张图像的空闲座位数ai；其中1≤i≤n；
人像距离计算装置，用于计算第i张图像中出现的人像进行检测分析并确立多个人像中心点，测算其最邻近点之间的距离，计算平均值ti及方差si 2；
拥挤度计算装置，用于根据座椅空闲判别装置和人像距离计算装置的结果，采用以下公式计算拥挤度I，并使用最新计算获得的拥挤度更新公交实时拥挤度数据；
其中，ai为座椅空闲判别装置得出某张图像的空闲座位数，ki为人像距离计算装置得出人像中心点个数,最邻近点距离平均值ti、方差为si 2；n为分帧后的图像数量：
视频获取端为一个带云台的可旋转式摄像头，安装位置在公交车内的顶部。视频获取端开始工作后，将以36゜/s的速度进行旋转，边旋转边进行录制。
结合图2，阐述本发明的座椅空闲判别装置的原理。座椅空闲判别装置依据SVM的分类方法进行训练，训练的正样本为543张空闲座椅图片，负样本为4974张坐有人的座椅图片、人像图片以及其余杂图，训练完成后使用得到的分类器对图像进行甄别，得出第i张图像的空闲座位数量ai。
上述SVM方法的全称为支持向量机算法，为一种分类算法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。故采用该种算法，座椅空闲判别装置可将空闲座椅分为一类、其余状态图像分为一类。
结合图3，阐述本发明的人像距离计算装置的原理。人像距离计算装置首先需要构建BP神经网络模型，输入训练样本完成权值的确定。在进行识别时，将测试的第i张图像输入到已经训练完成的BP神经网络模型中进行计算，拟合出人像的识别区域的中心位置。从某一个中心位置开始，连接与其距离最近的下一个点，即进行不重复的连接，测算第i张图像的人像中心点个数ki,最邻近点距离平均值ti、方差
进一步地，在图3中，方框为神经网络判别的站立人像识别区域，圆点为拟合出人像的中心位置。
需要说明的是，上述训练样本由个正样本与负样本组成。正样本包括1484张站立人像图片，负样本为8029张图像，包括公交上的座位，座位上的人，以及其余图片。
需要说明的是，所述BP神经网络为一个BP神经网络是一种按误差逆传播算法训练的多层前馈网络，可以分为三层，分别为输入层、隐藏层、输出层。层与层之间采用全连接映射，同层之间的神经单元之间没有连接，这样经过层层处理，可以实现将输入的向量X＝(x1，x2…xn)非线性映射到向量Y＝(y1，y2...yn)。
根据上述装置，本发明还提出了一种公交拥挤度实时状态采集方法，包括以下步骤：
1)公交车到达站点后，公交站台定位端发出信息开启计时器；
2)计时器从0开始计时15秒后，触发用于视频获取的摄像头开启，同时计时器进行清0，继续计时；所述用于视频获取的摄像头为一个带云台的可旋转式摄像头，设置在公交车内的顶部的中部；
3)摄像头以36゜/s旋转并拍摄视频；
4)计时器计时至5秒，触发用于视频获取的摄像头关闭；
5)采用无线传输将获取的视频上传至云服务器；
6)云服务器中的视频分帧端将上传的视频分解为n张图像，并进行座椅空闲数判别，得出第i张图像的空闲座位数ai；其中1≤i≤n；
7)人像距离计算：计算第i张图像中出现的人像进行检测分析并确立多个人像中心点，测算其最邻近点之间的距离，计算平均值ti及方差si 2；
8)根据下述公式测算拥挤度I，并使用最新计算获得的拥挤度更新公交实时拥挤度数据；
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (5)

1.一种公交拥挤度实时状态采集方法，其特征在于，包括以下步骤：
1)公交车到达站点后，公交站台定位端发出信息开启计时器；
2)计时器从0开始计时15秒后，触发用于视频获取的摄像头开启，同时计时器进行清0，继续计时；所述用于视频获取的摄像头为一个带云台的可旋转式摄像头，设置在公交车内的顶部的中部；
3)摄像头以36゜/s旋转并拍摄视频；
4)计时器计时至5秒，触发用于视频获取的摄像头关闭；
5)采用无线传输将获取的视频上传至云服务器；
6)云服务器中的视频分帧端将上传的视频分解为n张图像，并进行座椅空闲数判别，得出第i张图像的空闲座位数ai；其中1≤i≤n；
7)人像距离计算：对第i张图像中出现的人像进行检测分析并确立多个人像中心点，测算其最邻近点之间的距离，计算平均值ti及方差si 2；
所述步骤7)中人像距离计算具体如下：首先构建BP神经网络模型，输入采集的图像作为训练样本,完成BP神经网络模型的权值确定；其次，在进行识别时，将测试的第i张图像输入到已经训练完成的BP神经网络模型中进行计算，拟合出人像的识别区域的中心位置，然后从某一个中心位置开始，连接与其距离最近的下一个点，即进行不重复的连接，测算反映拥挤度状态的参数，包括第i张图像的人像中心点个数ki和最邻近点距离平均值ti和方差si 2；
8)根据下述公式测算拥挤度I，并使用最新计算获得的拥挤度更新公交实时拥挤度数据；
2.根据权利要求1所述的公交拥挤度实时状态采集方法，其特征在于，所述步骤6)中进行座椅空闲判断时，通过训练SVM分类器并使用该分类器进行座椅空闲判别。
3.一种公交拥挤度实时状态采集装置，其特征在于，包括：
GPS公交站台定位端，用于判断公交车是否已经到站，当公交车到达站点后，公交站台定位端发出信息开启计时器；
计时器，用于被公交站台定位端触发后，从0开始计时15秒，触发视频获取端开启；然后继续计时5秒，触发视频获取端关闭；
视频获取端，用于以36゜/s旋转并拍摄公交车内的视频，并将获取的视频上传至云服务器；
云服务器，所述云服务器包括：
视频分帧端，用于将上传的视频分解为n张图像；
座椅空闲判别装置，用于通过训练SVM分类器并使用该分类器对n张图像进行座椅空闲判别，得出第i张图像的空闲座位数ai；其中1≤i≤n；
人像距离计算装置，用于计算第i张图像中出现的人像进行检测分析并确立多个人像中心点，测算其最邻近点之间的距离，计算平均值ti及方差si 2；
拥挤度计算装置，用于根据座椅空闲判别装置和人像距离计算装置的结果，采用以下公式计算拥挤度I，并使用最新计算获得的拥挤度更新公交实时拥挤度数据；
4.根据权利要求3所述的公交拥挤度实时状态采集装置，其特征在于，所述人像距离计算装置中人像距离计算使用BP神经网络方法训练样本，拟合人像的中心点位置，并计算其与其他拟合点的距离平均值和方差。
5.根据权利要求3所述的公交拥挤度实时状态采集装置，其特征在于，所述人像距离计算装置中人像距离计算具体如下：首先构建BP神经网络模型，输入采集的图像作为训练样本,完成BP神经网络模型的权值确定；其次，在进行识别时，将测试的第i张图像输入到已经训练完成的BP神经网络模型中进行计算，拟合出人像的识别区域的中心位置，然后从某一个中心位置开始，连接与其距离最近的下一个点，即进行不重复的连接，测算反映拥挤度状态的参数，包括第i张图像的人像中心点个数ki和最邻近点距离平均值ti和方差si 2。
CN201611188595.3A 2016-12-20 2016-12-20 一种公交拥挤度实时状态采集方法与装置 Expired - Fee Related CN106485923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611188595.3A CN106485923B (zh) 2016-12-20 2016-12-20 一种公交拥挤度实时状态采集方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611188595.3A CN106485923B (zh) 2016-12-20 2016-12-20 一种公交拥挤度实时状态采集方法与装置

Publications (2)

Publication Number Publication Date
CN106485923A CN106485923A (zh) 2017-03-08
CN106485923B true CN106485923B (zh) 2019-01-18

Family

ID=58285024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611188595.3A Expired - Fee Related CN106485923B (zh) 2016-12-20 2016-12-20 一种公交拥挤度实时状态采集方法与装置

Country Status (1)

Country Link
CN (1) CN106485923B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108288017A (zh) * 2017-06-16 2018-07-17 腾讯科技（深圳）有限公司 获取对象密度的方法及装置
CN109977727A (zh) * 2017-12-27 2019-07-05 广东欧珀移动通信有限公司 视力保护方法、装置、存储介质及移动终端
CN110046535B (zh) * 2018-01-16 2023-06-23 国民技术股份有限公司 基于机器学习的智能出行时间预测系统、方法及存储介质
CN108648495A (zh) * 2018-06-08 2018-10-12 华南理工大学 一种智能实时显示公交车拥挤程度的方法及系统
CN109117788A (zh) * 2018-08-10 2019-01-01 重庆大学 一种融合ResNet和LSTM的公交车厢拥挤度检测方法
CN111260716A (zh) * 2020-02-28 2020-06-09 北京三快在线科技有限公司 商户座位间隔的确定方法、装置、服务器及存储介质
CN117079447B (zh) * 2023-10-13 2024-01-09 之江实验室 一种基于公交车拥挤度检测的调度方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104269060A (zh) * 2014-10-21 2015-01-07 山东卡尔电气股份有限公司 一种基于智能视频的公交拥挤度采集装置及方法
CN204166696U (zh) * 2014-10-27 2015-02-18 浙江交通职业技术学院 一种基于车载监控的公交拥挤信息发布系统
CN104504377A (zh) * 2014-12-25 2015-04-08 中邮科通信技术股份有限公司 一种公交车乘客拥挤程度识别系统及方法
CN105631411A (zh) * 2015-12-22 2016-06-01 青岛海信网络科技股份有限公司 一种基于视频分析的公交车拥挤度计算方法
CN105869399A (zh) * 2016-05-11 2016-08-17 南京信息职业技术学院 一种公交车拥挤度实时查询系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104269060A (zh) * 2014-10-21 2015-01-07 山东卡尔电气股份有限公司 一种基于智能视频的公交拥挤度采集装置及方法
CN204166696U (zh) * 2014-10-27 2015-02-18 浙江交通职业技术学院 一种基于车载监控的公交拥挤信息发布系统
CN104504377A (zh) * 2014-12-25 2015-04-08 中邮科通信技术股份有限公司 一种公交车乘客拥挤程度识别系统及方法
CN105631411A (zh) * 2015-12-22 2016-06-01 青岛海信网络科技股份有限公司 一种基于视频分析的公交车拥挤度计算方法
CN105869399A (zh) * 2016-05-11 2016-08-17 南京信息职业技术学院 一种公交车拥挤度实时查询系统

Also Published As

Publication number Publication date
CN106485923A (zh) 2017-03-08

Similar Documents

Publication Publication Date Title
CN106485923B (zh) 一种公交拥挤度实时状态采集方法与装置
CN107730905A (zh) 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法
Kanhere Participatory sensing: Crowdsourcing data from mobile smartphones in urban spaces
CN103838772B (zh) 一种多源交通数据融合方法
CN106204780A (zh) 一种基于深度学习和云服务的人脸识别考勤系统及方法
CN107121690B (zh) 一种基于多运动参数的停留点识别方法和装置
CN108648495A (zh) 一种智能实时显示公交车拥挤程度的方法及系统
CN109902628A (zh) 一种基于视觉物联网的图书馆座位管理系统
CN103477352A (zh) 使用深度图像的姿势识别
CN112668375B (zh) 景区内游客分布分析系统及方法
CN113194138A (zh) 基于ai深度学习的出行管理方法和系统
CN110245645A (zh) 人脸活体识别方法、装置、设备及存储介质
CN109118787A (zh) 一种基于深度神经网络的车辆速度预测方法
CN110189524A (zh) 一种主动式违章违规识别方法、系统和电子设备
CN113450573A (zh) 基于无人机图像识别的交通监测方法和交通监测系统
Guo et al. Intelligence-sharing vehicular networks with mobile edge computing and spatiotemporal knowledge transfer
CN115775085A (zh) 一种基于数字孪生的智慧城市管理方法及系统
CN107610224A (zh) 一种基于弱监督与明确闭塞建模的3d汽车对象类表示算法
CN112347938B (zh) 一种基于改进YOLOv3的人流检测方法
Ma et al. [Retracted] English Web‐Based Teaching Supervision Based on Intelligent Face Image Perception and Processing for IoT
CN117151322B (zh) 城市属性的获取方法、装置及计算机可读存储介质
CN111726535A (zh) 基于车辆感知的智慧城市cim视频大数据画质控制方法
CN106908053A (zh) 一种盲人导航方法、装置及系统
CN105848230A (zh) 一种判断机动车路面竞速的方法和系统
WO2023144780A1 (en) Crowdsourcing techniques to deploy artificial intelligence systems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190118

CF01 Termination of patent right due to non-payment of annual fee