CN108073886B - 一种基于机器学习的公交车乘客量估算方法 - Google Patents

Abstract

本发明涉及一种基于机器学习的公交车乘客量估算方法，本发明属于机器学习和智能交通领域。本发明首先通过在公交车内架设摄像头，获取一定量视频图像作为训练样本；然后对样本进行标注，计算每个样本的ROI概率密度分布图；然后将样本和对应的ROI概率密度分布图送至深度卷积神经网络进行训练，训练生成模型；最后获取一张待检测视频图像，使用训练生成的模型回归该图像的ROI概率密度分布图，将ROI概率密度分布图所有像素累加，该累加值近似为该待检测图像中乘客量。本发明部署简单，时间开销大部分集中在机器学习阶段，实际使用时，直接使用训练好的模型即可，估算乘客量的计算量很小，计算速度快。

Description

一种基于机器学习的公交车乘客量估算方法

技术领域

本发明涉及机器学习和智能交通领域,特别涉及一种基于机器学习的公交车乘客量估算方法。

背景技术

随着城市化进程加快,交通拥堵的情况日益严重。公交出行具有低碳环保、运量大、人均占用道路少的优点，因此，如何提供舒适便捷的公交服务，改善市民乘公交体验，对于吸引市民乘坐公交出行有着重要意义。对等车乘客来说，若能获得车辆当前位置和公交车内乘客具体数量，就能更好选择合适的车次，合理安排出行计划；对公交车调度中心来说，若能获得每辆公交车内的乘客量，就能更加合理布局公交线路、设置发车班次、间隔等。

目前有多种技术用于统计公交车内乘客量，如红外线装置、视频识别检测、压力踏板等方法，红外线装置和视频识别检测是在公交车门通道位置安装红外装置或摄像头，统计每一站上车人数和下车人数，间接计算出车内人数，这类统计方法在每一站都会有误差，经过一段时间误差累积，这样统计出的车内乘客量与实际可能有很大误差；压力踏板的方法存在物理装置易损坏、维护困难、不能辨别上下车方向等缺点。

发明内容

本发明的目的是提供一种基于机器学习的公交车乘客量估算方法，该方法能直接估算公交车内乘客量，从而避免长时间带来的累积误差。

为解决上述技术问题，本发明采取以下技术方案：一种基于机器学习的公交车乘客量估算方法，所述方法包括以下步骤:

(1)收集训练样本:通过在公交车内架设摄像头采集公交车内视频图像作为训练样本,训练样本要求满足多样性并保证一定的样本数量；

(2)标注训练样本：定义包括乘客头部的一块区域为ROI(region of interest)区域,使用矩形框标注出训练样本中的每个ROI区域；

(3)对样本中每个标注出的矩形框，都生成一张与样本尺寸一致的概率密度分布图，使其坐标变量X、Y服从二维正态分布，记作 其中r_x、r_y为矩形框左上角坐标，r_w、r_h为矩形框宽度和高度，该概率密度分布图中每个像素的值可通过本步骤所述二维正态分布公式求得，最后将所有的概率密度分布图逐一对应像素累加，得到ROI概率密度分布图；

(4)训练模型：重复步骤(2)和(3)，计算出每个训练样本对应的ROI概率密度分布图，将训练样本和ROI概率密度分布图送至深度卷积神经网络进行训练，训练生成模型，该模型可用于回归ROI概率密度分布；

(5)使用模型估算公交车内乘客量，包括如下步骤：

(51)获取摄像头拍摄的公交车内一帧图像，作为待检测图像；

(52)使用训练好的模型，回归出所述待检测图像的ROI概率密度分布图；

(53)将步骤(52)中所述ROI概率密度分布图中所有像素对应的值累加，对该累加值取舍小数得到图像中乘客量的估算值，即为公交车乘客量估算值。

本发明有如下技术效果和优点：本发明部署简单，时间开销大部分集中在机器学习阶段，实际使用时，直接使用训练好的模型即可。训练好的模型可直接回归ROI概率密度分布，估算乘客量的计算量很小，计算速度快。本发明直接估算乘客量，避免长时间带来的累积误差。

附图说明

图1是本发明方法流程示意图。

图2是本发明计算ROI概率密度分布图方法部分示意图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明。

图1为本发明方法流程示意图，下面给出一个实施例，包括以下步骤：

(1)收集训练样本：

将摄像头垂直安装在车厢顶部，采集乘客人头及肩部图像，从而避免人多而产生相互遮挡，训练样本要求满足多样性，可在不同车型、不同时间段等情况下收集，并且保证训练样本有一定数量；

(2)标注训练样本，基于摄像头拍摄角度，所拍摄的图片通过乘客头部可以计算出乘客人数，因此可以定义包括乘客头部的一块区域为ROI(region of interest)区域，每张训练图片都需要标注出ROI区域，单张图片的标注方法包括以下步骤：

使用矩形框标注出训练样本图像I中的每个ROI区域，以样本图像左上角为坐标原点(0，0)，标注出的每个矩形框r可表达为r＝(r_x,r_y,r_w,r_h)，其中r_x、r_y分别为矩形框左上角坐标，r_w、r_y分别为矩形框的宽度和长度；

(3)计算样本的ROI概率密度分布图P，每张训练图片I都要生成一张对应的图P，生成图片P包括以下步骤：

(31)对训练样本中标注出的每个ROI区域，对应生成一个二维正态分布f(x,y)，所述二维正态分布公式如下：

也记作(X,Y)～N(μ₁,μ₂,σ₁,σ₂,ρ)，其中均值μ₁、μ₂为矩形框r的中心点x方向上的标准差σ₁为矩形框的宽度r_w，y方向上的标准差σ₂为矩形框的高度r_h，x方向和y方向之间的相关系数ρ＝0。

并生成一张与原始训练样本图片大小一致的新图片，该图被称为概率密度分布图，该图中每个像素的值可通过将其坐标(x,y)代入函数f(x,y)求得，基于二维正态分布的基本性质,该图中所有像素的累加值近似为1；

(32)参见图2，待所有矩形框对应的概率密度分布图计算完成，将这些概率密度分布图逐一对应像素累加，最终得到一张ROI概率密度分布图P，该图中所有像素的累加值近似为该训练图像中乘客数量；

(4)训练模型：待计算出所有训练样本I对应的ROI概率密度分布图P，将数据集合{I,P}送至深度卷积神经网络进行训练，训练得到ROI概率分布回归模型，该模型可以从图像I中回归出ROI概率密度分布图P；

(5)使用模型估算公交车内乘客量，包括如下步骤：

(51)读取公交车内摄像头拍摄的一帧视频图像；

(52)使用上述训练得到的ROI概率分布回归模型，回归出待检测图像的ROI概率分布图P；

(53)将P中所有像素值进行累加，累加结果为一个小数,设置阈值取舍小数部分,最终的整数结果为该张待检测图像中的乘客量估算值，即为当前公交车内的乘客量估算值。

本发明部署简单，时间开销大部分集中在机器学习阶段，实际使用时，直接使用训练好的模型即可。训练好的模型可直接回归ROI概率密度分布，估算乘客量的计算量很小，计算速度快。本发明直接估算乘客量，避免一些间接计算乘客量的技术方法存在的累积误差。

Claims (1)

1.一种基于机器学习的公交车乘客量估算方法，其特征在于：包括以下步骤：

(1)收集训练样本：通过在公交车内架设摄像头采集公交车内视频图像作为训练样本；

(2)标注训练样本：定义包括乘客头部的一块区域为ROI(region of interest)区域，使用矩形框标注出训练样本中的每个ROI区域；

(3)计算训练样本的ROI概率密度分布图，包括以下步骤：

(31)对样本中每个标注出的矩形框，都生成一张与样本尺寸一致的概率密度分布图，使其坐标变量X、Y服从二维正态分布，

其中r_x、r_y为矩形框左上角坐标，r_w、r_h为矩形框宽度和高度，

该概率密度分布图中每个像素的值可通过本步骤所述二维正态分布公式求得；

(32)将所有矩形框对应的概率密度分布图逐一对应像素累加，得到ROI概率密度分布图；

(4)训练模型：重复步骤(2)和(3)，计算出每个训练样本对应的ROI概率密度分布图，将训练样本和ROI概率密度分布图送至深度卷积神经网络进行训练，训练生成模型，该模型可用于回归ROI概率密度分布；

(5)使用模型估算公交车内乘客量，包括以下步骤：

(51)获取摄像头拍摄的公交车内一帧图像，作为待检测图像；

(52)使用训练好的模型，回归出所述待检测图像的ROI概率密度分布图；

(53)将步骤(52)中所述ROI概率密度分布图中所有像素对应的值累加，对该累加值取舍小数得到图像中乘客量的估算值，即为公交车乘客量估算值。