CN108960133A - 乘客流量监控的方法、电子设备、系统以及存储介质 - Google Patents
乘客流量监控的方法、电子设备、系统以及存储介质 Download PDFInfo
- Publication number
- CN108960133A CN108960133A CN201810708596.9A CN201810708596A CN108960133A CN 108960133 A CN108960133 A CN 108960133A CN 201810708596 A CN201810708596 A CN 201810708596A CN 108960133 A CN108960133 A CN 108960133A
- Authority
- CN
- China
- Prior art keywords
- area
- waits
- compartment
- image data
- ridership
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 56
- 238000004891 communication Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 2
- 238000009472 formulation Methods 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000001681 protective effect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 241000736199 Paeonia Species 0.000 description 1
- 235000006484 Paeonia officinalis Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种乘客流量监控的方法、电子设备、系统以及存储介质，包括分别接收车厢内和候车区的图像数据；处理所述车厢内和候车区的图像数据，确定所述车厢内和所述候车区的乘客分布情况；根据所述车厢内和候车区的乘客分布情况，确定不同区域的拥挤指数。本发明。本发明实施例能够有效地、全面地收集到图像信息，使识别精准度提高，从而计算得到有效的、可靠的拥挤指数。乘客可从各个地方实时得到地铁拥挤指数，能更加灵活制定乘车方案，可以实现提早预警、提早规划候车区域，达到乘客分流、控制拥堵的目的。
Description
技术领域
本发明涉及显示技术领域，特别是指一种乘客流量监控的方法、设备、系统以及存储介质。
背景技术
目前，在地铁交通领域中，随着地铁交通线路的增多，地铁站点覆盖范围的增广，地铁出行不断变得更加便利，这导致选择使用地铁出行的乘客的数量日益增加。
然而，在目前地铁运行状况下，地铁乘客常常选择距离电梯、出入口近的候车区等候乘车，这样集中出行、聚集乘车，导致车厢内乘客分布不均匀，造成有些车厢空闲，有些车厢拥挤的现象，这不但会影响乘客的正常出行，也会对地铁站管理造成巨大的压力。然而，目前地铁管理系统并没有针对这一现象提出有效的解决方案。因此为了结局这一问题，使乘客较为均匀的分布，减少乘客拥堵和车厢资源浪费，本方案提出了一种乘客分流方法及系统。
发明内容
有鉴于此，本发明的目的在于提出一种乘客流量监控的方法、电子设备、系统以及存储介质，以解决乘客分布不均、车厢资源浪费的问题。
根据本发明第一方面，其提供了一种乘客流量监控的方法，包括：
分别接收车厢内和候车区的图像数据；
处理所述车厢内和候车区的图像数据，确定所述车厢内和所述候车区的乘客分布情况；
根据所述车厢内和候车区的乘客分布情况，确定不同区域的拥挤指数。
在本发明的一些实施例中，处理所述车厢内和候车区的图像数据，确定所述车厢内和所述候车区的乘客分布情况，包括：
采用图像处理算法所述车厢内和候车区的图像数据，确定所述车厢内的单位面积乘车人数和候车区的单位面积候车人数。
在本发明的一些实施例中，采用图像处理算法处理候车区的图像数据，确定所述候车区的单位面积候车人数，包括：
基于当前时段内候车区的多帧图像数据，采用运动趋势检测算法预测下一时段内候车区的多帧图像数据；
采用图像处理算法处理当前时段内候车区的多帧图像数据和下一时段内候车区的多帧图像数据，以确定当前时段内候车区的单位面积候车人数和下一时段内候车区的单位面积候车人数；
对当前时段内候车区的单位面积候车人数和下一时段内候车区的单位面积候车人数进行加权平均，计算得到候车区的单位面积候车人数。
在本发明的一些实施例中，所述运动趋势检测算法选自帧间差分法、背景差分法或光流法；和/或，
所述图像处理算法选自机器学习图像处理算法或者深度学习图像处理算法。
在本发明的一些实施例中，所述方法还包括：将所述不同区域的拥挤指数分别输出至各个区域的显示终端。
根据本发明第二方面，其提供了一种乘客流量监控的电子设备，包括：
接收模块，被配置为分别接收车厢内和候车区的图像数据；
识别模块，被配置为处理所述车厢内和候车区的图像数据，确定所述车厢内和所述候车区的乘客分布情况；
判决模块，被配置为根据所述车厢内和候车区的乘客分布情况，确定不同区域的拥挤指数。
在本发明的一些实施例中，所述识别模块被配置为采用图像处理算法所述车厢内和候车区的图像数据，确定所述车厢内的单位面积乘车人数和候车区的单位面积候车人数。
在本发明的一些实施例中，采用图像处理算法处理候车区的图像数据，确定所述候车区的单位面积候车人数，包括：
基于当前时段内候车区的多帧图像数据，采用运动趋势检测算法预测下一时段内候车区的多帧图像数据；
采用图像处理算法处理当前时段内候车区的多帧图像数据和下一时段内候车区的多帧图像数据，以确定当前时段内候车区的单位面积候车人数和下一时段内候车区的单位面积候车人数；
对当前时段内候车区的单位面积候车人数和下一时段内候车区的单位面积候车人数进行加权平均，计算得到候车区的单位面积候车人数。
在本发明的一些实施例中，所述运动趋势检测算法选自帧间差分法、背景差分法或光流法；和/或，
所述图像处理算法选自机器学习图像处理算法或者深度学习图像处理算法。
在本发明的一些实施例中，所述电子设备还包括：
输出模块，被配置为将所述不同区域的拥挤指数分别输出至各个区域的显示终端。
根据本发明第三方面，其提供了一种乘客流量监控的系统，包括第一图形采集设备、第二图像采集设备和上述任一实施例中所述的乘客流量监控的电子设备，所述第一图形采集设备被配置为采集车厢内的图像数据，并通过通信网络将所述车厢内的图像数据上传至所述乘客流量监控的电子设备，所述第二图像采集设备被配置为采集所述车厢对应的候车区的图像数据，并通过通信网络将所述候车区的图像数据上传至所述乘客流量监控的电子设备。
在本发明的一些实施例中，所述第一图像采集设备包括设置于车厢顶部的滑轨和安装在所述滑轨上的第一图像采集装置，当所述第一图像采集装置沿着滑轨的一端滑至另一端的过程中，采集车厢内的全景图像。
在本发明的一些实施例中，所述第二图像采集设备包括设置于候车区的防护栏上方的第二图像采集装置，所述第二图像采集装置对防护栏前固定范围内的区域进行实时图像采集。
在本发明的一些实施例中，所述乘客流量监控的系统还包括显示终端，所述显示终端通过通信网络接收所述乘客流量监控的电子设备发送的拥挤指数，并显示所述拥挤指数。
根据本发明第四方面，其提供了一种乘客流量监控的电子设备，包括处理器和存储器，所述存储器用于存储计算机指令，其中，所述计算机指令被所述处理器运行时执行上述任一实施例中所述的乘客流量监控的方法。
根据本发明第五方面，其提供了一种存储介质，存储有适于由处理器运行的计算机指令，所述计算机指令被处理器运行时执行根据上述任一实施例中所述的乘客流量监控的方法。
本发明实施例通过车厢内和候车区的图像数据，确定乘客分布情况，从而得到不同区域的拥挤指数，供不同乘客参考选择乘车方案。通过本发明上述实施例，乘客可从各个地方实时得到地铁拥挤指数，能更加灵活制定乘车方案，可以实现提早预警、提早规划候车区域，达到乘客分流、控制拥堵的目的。而且，本发明实施例能够有效地、全面地收集到图像信息，使识别精准度提高，从而计算得到有效的、可靠的拥挤指数。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的乘客流量监控的系统的环境示意图；
图2为本发明实施例的乘客流量监控的系统中第一图像采集设备的结构示意图；
图3为本发明实施例的乘客流量监控的系统中第二图像采集设备的结构示意图；
图4为本发明实施例的乘客流量监控的方法的流程图；
图5a为本发明实施例的显示终端的一种显示示意图；
图5b为本发明实施例的显示终端的另一种显示示意图；
图5c为本发明实施例的显示终端的又一种显示示意图；
图5d为本发明实施例的显示终端的再一种显示示意图；
图6为本发明实施例的乘客流量监控的系统中显示终端的结构示意图；
图7为本发明一个实施例的乘客流量监控的系统中电子设备的结构框图；
图8为本发明另一个实施例的乘客流量监控的系统中电子设备的结构框图；
图9为本发明实施例的乘客流量监控的电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括””和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明的至少一个实施例提供了一种乘客流量监控的系统，该乘客流量监控的系统包括如图1所示环境，该环境可以包括硬件环境和网络环境。上述硬件环境包括：第一图像采集设备11、第二图像采集设备12、电子设备13和显示终端14。应当注意，图1所示的硬件环境和结构只是示例性的，而非限制性的；根据需要，硬件环境也可以具有其他组件和结构，并且例如可以包括服务器等。
需要说明的是，所述第一图形采集设备11采集车厢内的图像数据，并通过通信网络15将所述车厢内的图像数据上传至所述电子设备13，所述第二图像采集设备12采集所述车厢对应的候车区的图像数据，并通过通信网络15将所述候车区的图像数据上传至所述电子设备13。所述电子设备13分别接收车厢内和候车区的图像数据，然后处理所述车厢内和候车区的图像数据，确定所述车厢内和所述候车区的乘客分布情况，最后根据所述车厢内和候车区的乘客分布情况，确定不同区域的拥挤指数。
作为本发明的又一个实施例，所述电子设备13接收图像数据，并通过图像处理算法处理所述图像数据，识别出所述车厢内的单位面积乘车人数和候车区的单位面积候车人数，继而计算得到各个车厢的拥挤指数，然后将拥挤指数通过通信网络15发送至显示终端14，例如手机、候车显示屏、廊道公屏等。所述显示终端14通过通信网络接收所述电子设备13发送的拥挤指数，并显示所述拥挤指数，因此用户可根据显示终端14显示的实时信息选择合适的车厢候车区进行搭乘。在本发明的另一个实施例中，还可以通过识别出车厢内的空隙面积和候车区的空隙面积，从而间接地计算得到各个车厢的拥挤指数。
如图1所示，电子设备13可以内置或外置至少一个处理器，当电子设备13内置至少一个处理器时，该至少一个处理器对电子设备13而言是一个整体。当电子设备13外置至少一个处理器时，电子设备可以通过有线或无线网络的方式连接到该至少一个处理器，该至少一个处理器可以用于处理图像数据。
上述无线网络包括但不限于：互联网、广域网、城域网、局域网或移动数据网络。典型地，该移动数据网络包括但不局限于：全球移动通信(GSM)网络、码分多址(CDMA)网络、宽带码分多址(WCDMA)网络、长期演进(LTE)通信网络、WIFI网络、ZigBee网络、基于蓝牙技术的网络等。不同类型的通信网络可能由不同的运营商运营。通信网络的类型不构成对本发明实施例的限制。
通过本发明上述实施例，电子设备采用图像处理算法所述车厢内和候车区的图像数据，从而确定车厢内的单位面积乘车人数和候车区的单位面积候车人数，进而计算得到车厢的拥挤指数，以使用户通过拥挤指数判断车厢内的客流情况，因此能更加灵活制定乘车方案。
此外，根据本发明的一个实施例，如图2所示，所述第一图像采集设备11包括设置于车厢顶部的滑轨111和安装在所述滑轨111上的第一图像采集装置112，当所述第一图像采集装置112沿着滑轨111的一端滑至另一端的过程中，采集车厢内的全景图像。在该实施例中，在每个车厢的顶端安装有滑轨111，滑轨上安装有第一图像采集装置112(例如相机)，以使第一图像采集装置112能够沿滑轨111从A端滑动到B端，并在滑动的过程中拍摄全景图像，从而将完整的车厢内场景拍摄在图像中。这种从顶端向下拍摄图像的过程，不但可以完整地得到整个车厢范围内的图像数据，并且可以最大程度地降低由于乘客之间相互遮挡导致的图像内乘客信息不完整的情况。同时，采用全景图像拍摄方法对每个车厢可仅采集一张图像就能得到完整的数据信息，减少了冗余信息的产生，降低了数据传输的压力。
此外，根据本发明的一个实施例，如图3所示，所述第二图像采集设备12包括设置于候车区的防护栏上方的第二图像采集装置121，所述第二图像采集装置121对防护栏前固定范围内的区域进行实时图像采集。在该实施例中，在每个候车区域的防护栏开门区域的正上方设置第二图像采集装置121(例如相机)，并对门前固定范围内进行取像，拍下在该候车区等候乘车的乘客信息。这种临近取像的方式一方面可以得到较为完整的候车乘客信息，另一方面可减小非候车乘客在行走过程中对数据采集的干扰，使采集到的数据精准度增高。
一般来说，一个车厢对应于多个防护栏，因此需要将多个防护栏上方的第二图像采集装置121采集到的作为一个车厢对应的候车区的图像数据。例如地铁站中一个地铁车厢在上车一侧设有三个防护栏，因此要以这三个防护栏上的第二图像采集装置121采集到的候车乘客总数作为一个车厢的候车乘客量。
需要指出的是，由于车厢内的乘客人数在一定时间内是相对稳定的，而候车区的乘客人数是在实时变化的，因此可以每隔一段时间采集车厢内的图像数据，但是需要提高对候车区的图像数据的采集频率，从而对候车区的乘客人数的数据信息做到实时采集和处理，由此保证最终得到的处理结果(车厢的拥挤指数)是实时的、可靠的，从而实现提早预警、提早规划候车区域，达到乘客分流、控制拥堵的目的。
在上述运行环境下，本发明的至少一个实施例提供了如图4所示的乘客流量监控的方法的流程图，该方法可以应用于电子设备13。需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。如图4所示，该方法可以包括如下步骤：
步骤401，分别接收车厢内和候车区的图像数据；
步骤402，处理所述车厢内和候车区的图像数据，确定所述车厢内和所述候车区的乘客分布情况；
步骤403，根据所述车厢内和候车区的乘客分布情况，确定不同区域的拥挤指数。
在步骤401中，电子设备13分别接收第一图像采集设备11上传的车厢内的图像数据，以及第二图像采集设备12上传的该车厢对应的候车区的图像数据。由于同时间会传来多次列车、多个车厢和多个候车区的大量图像数据，因此需要使用到缓存机制，以将这些图像数据缓存在电子设备13中。
在步骤402中，电子设备13采用图像处理算法分别处理所述车厢内的图像数据和候车区的图像数据，确定所述车厢内的总乘车人数和所述候车区的总候车人数。可选地，所述图像处理算法选自机器学习图像处理算法或者深度学习图像处理算法，通过图像处理算法可以准确、快速地识别图像数据中的人数。由于车厢的面积是已知的，候车区的拍摄范围也是预设的，因此可以通过车厢面积和候车区的面积进一步计算得到车厢内的单位面积乘车人数和所述候车区的单位面积候车人数。
在本发明的另一个实施例中，采用图像处理算法处理候车区的图像数据，确定所述候车区的单位面积候车人数，包括：基于当前时段内候车区的多帧图像数据，采用运动趋势检测算法预测下一时段内候车区的多帧图像数据；采用图像处理算法处理当前时段内候车区的多帧图像数据和下一时段内候车区的多帧图像数据，以确定当前时段内候车区的单位面积候车人数和下一时段内候车区的单位面积候车人数；对当前时段内候车区的单位面积候车人数和下一时段内候车区的单位面积候车人数进行加权平均，计算得到候车区的单位面积候车人数。可选地，所述运动趋势检测算法选自帧间差分法、背景差分法或光流法，通过任意一种检测算法就可以预测下一时段内的图像数据，从而预测下一时段内候车区的候车人数，以提高识别精度。
在步骤403中，电子设备13基于步骤403计算得到的车厢内的单位面积乘车人数和候车区的单位面积候车人数，计算所述车厢的拥挤指数。可选地，通过单位面积乘车人数与单位面积候车人数之比，确定拥挤指数(CI，Congestion Index)。
在步骤403之后，电子设备13还通过不同数据接口将计算结果发送至乘客手机、候车显示屏、廊道公屏等显示终端14，以使用户可根据显示终端显示的实时信息选择合适的车厢候车区进行搭乘。
在另一些实施例中，为了能够在显示终端上直观地显示车厢的拥挤指数，可以对计算得到的判决值进行评级，通过不同级别来区分车厢的拥挤指数。举例来说，可以将拥挤指数划分成五个层级，并以大写英文字母标识，从高到低依次是S、A、B、C、D。如图5a所示，S代表极度拥挤，A代表拥挤，C代表适中，D代表空闲，E代表非常空闲。因此，电子设备13将计算得到的判决值(Num，即单位面积乘车人数与单位面积候车人数之比)与预设的标准拥挤指数进行对比，从而得到车厢的拥挤指数。
为了对判决值进行评级，需要根据地铁实际情况针对不同类型的列车车厢分别处理。以北京地铁十号线为例，该种地铁是地铁B型车，每次列车有6个车厢，每个车厢载客面积40平方米，并设有6*6个座位。按照每平方米容纳人数来进行判决，等级界限由低到高依次为1人/平米、2人/平米、4人/平米和6人/平米。由此确定预设的五个层级的划分区间：240≤Num，160≤Num＜240，80≤Num＜160，40≤Num＜80，Num＜40。
需要指出的是，拥挤指数的划分不限于上述实施例中的5个层级，也可以是3级，4级，6级等，本发明实施例对此不做限制。而且，可以针对不同的地铁划分不同的层级和区间，也可以针对不同的时段划分不同的层级和区间，本发明实施例对此不做限制。
显示终端14通过通信网络接收电子设备13发送的拥挤指数，并对其进行显示，如果拥挤指数为S，则显示终端14显示深红色，如果拥挤指数为A，则显示终端14显示红色，如果拥挤指数为C，则显示终端14显示黄色，如果拥挤指数为D，则显示终端14显示绿色，如果拥挤指数为E，则显示终端14显示深绿，以得乘客可以更加直观地获取到信息。需要指出的是，也可以采用其他颜色表示不同的拥挤指数，本发明实施例对此不做限制。
可选地，为了使用户方便地获取到客流分布情况，拥挤指数在传送至各个显示终端14之后，会以不同形式显示。如图6所示，例如：
(a).廊道公屏141：将显示一班列车各个车厢拥挤指数总览，即为将要入站(或当前站内)的地铁XT。
(b).候车显示屏142：将显示将要入站(或当前站内)的地铁XT该候车区对应车厢的拥挤指数。并且，对于候车区对应的车厢的拥挤指数可以高亮显示。
(c).手机终端显示143：可手动选定显示目标——地铁线路X与地铁站点D，选定线路X0和站点D0后，将显示站点D0中即将入站(或当前站内)的地铁XT0的各个车厢拥挤指数总览。
这三种显示终端可覆盖较大乘客区域，为处在地铁站外、地铁站人行廊道中、地铁阶梯上、候车区域内等多处乘客同时提供服务。在地铁入口处、人行廊道处、电梯出入口处和每个候车区顶端设有公共显示终端，使信息更全面地覆盖到整个地铁站。用户可从手机终端远程规划出行站点，选择合适的地铁站与合适的候车区。
图7为本发明一个实施例的乘客流量监控的系统中电子设备的结构框图。在本发明的再一个实施例中，所述电子设备70包括接收模块71、识别模块72和判决模块73，其中，所述接收模块71分别接收车厢内和候车区的图像数据，所述识别模块72处理所述车厢内和候车区的图像数据，确定所述车厢内和所述候车区的乘客分布情况，所述判决模块73根据所述车厢内和候车区的乘客分布情况，确定不同区域的拥挤指数。
在本发明的一些实施例中，所述识别模块72采用图像处理算法所述车厢内和候车区的图像数据，确定所述车厢内的单位面积乘车人数和候车区的单位面积候车人数。
在本发明的一些实施例中，采用图像处理算法处理候车区的图像数据，确定所述候车区的单位面积候车人数，包括：基于当前时段内候车区的多帧图像数据，采用运动趋势检测算法预测下一时段内候车区的多帧图像数据；采用图像处理算法处理当前时段内候车区的多帧图像数据和下一时段内候车区的多帧图像数据，以确定当前时段内候车区的单位面积候车人数和下一时段内候车区的单位面积候车人数；对当前时段内候车区的单位面积候车人数和下一时段内候车区的单位面积候车人数进行加权平均，计算得到候车区的单位面积候车人数。
在本发明的一些实施例中，所述运动趋势检测算法选自帧间差分法、背景差分法或光流法。在本发明的一些实施例中，所述图像处理算法选自机器学习图像处理算法或者深度学习图像处理算法。在本发明的一些实施例中，所述设备还包括输出模块，所述输出模块将所述不同区域的拥挤指数分别输出至各个区域的显示终端。
图8为本发明另一个实施例的乘客流量监控的系统中电子设备的结构框图。在本发明的再一个实施例中，所述电子设备13包括车厢数据处理模块81、候车区数据处理模块82、判决模块83和数据发送接口84，其中所述车厢数据处理模块81包括第一图像数据接收模块811、第一图像数据缓存模块812和第一图像识别模块813，所述候车区数据处理模块82包括第一图像数据接收模块821、第一图像数据缓存模块822和第一图像识别模块823。
在该实施例中，针对车厢内数据和候车区数据，电子设备内划分出来两个数据处理模块，即车厢数据处理模块81和候车区数据处理模块82，分别对两种图像采集单元采集的图像进行图像识别，由于同时间会传来多次列车、多各车厢的大量数据，因此需要使用到缓存机制。在经过图像识别后，针对不同的车次、不同的车厢，判决模块83对图像中的乘客分布信息进行判决，得到各个车厢的拥挤指数。最后将判决信息通过不同接口发送至三种显示终端，完成信息推送。
电子设备13的数据处理是核心中枢，处理的实时性是影响其数据可靠性的关键，因此判决模块83可以采用高效的图像处理算法和基于ASIC(Application SpecificIntegrated Circuit，一种为专门目的而设计的集成电路)、FPGA(Field－ProgrammableGate Array即现场可编程门阵列)或GPU(Graphics Processing Unit，即图形处理器)等硬件加速的方案，这样可极大提高处理效率，使终端显示实时信息。
由此可见，本发明实施例通过车厢内和候车区的图像数据，确定乘客分布情况，从而得到不同区域的拥挤指数，供不同乘客参考选择乘车方案。通过本发明上述实施例，乘客可从各个地方实时得到地铁拥挤指数，能更加灵活制定乘车方案，可以实现提早预警、提早规划候车区域，达到乘客分流、控制拥堵的目的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器或者网络设备等)执行本发明实施例的方法。
根据本发明实施例，在本发明上述图1的运行环境下，还提供了一种电子设备，该电子设备可以为电子设备13。如图8所示，该电子设备包括处理器91以及存储器92，该存储器92配置为存储计算机程序指令，计算机程序指令适于由处理器加载并执行如下方法：分别接收车厢内和候车区的图像数据；处理所述车厢内和候车区的图像数据，确定所述车厢内和所述候车区的乘客分布情况；根据所述车厢内和候车区的乘客分布情况，确定不同区域的拥挤指数。
该处理器可以为各种适用的处理器，例如实现为中央处理器、微处理器、嵌入处理器等形式，可以采用X86、ARM等架构；存储器92可以为各种适用的存储装置，包括但不限于磁存储装置、半导体存储装置、光存储装置等，本发明的实施例对这些不作限制。
此外，根据本发明的一个实施例，处理器还可以加载并执行：采用图像处理算法所述车厢内和候车区的图像数据，确定所述车厢内的单位面积乘车人数和候车区的单位面积候车人数。
此外，根据本发明的一个实施例，处理器还可以加载并执行：基于当前时段内候车区的多帧图像数据，采用运动趋势检测算法预测下一时段内候车区的多帧图像数据；采用图像处理算法处理当前时段内候车区的多帧图像数据和下一时段内候车区的多帧图像数据，以确定当前时段内候车区的单位面积候车人数和下一时段内候车区的单位面积候车人数；对当前时段内候车区的单位面积候车人数和下一时段内候车区的单位面积候车人数进行加权平均，计算得到候车区的单位面积候车人数。
此外，根据本发明的一个实施例，所述运动趋势检测算法选自帧间差分法、背景差分法或光流法。
此外，根据本发明的一个实施例，所述图像处理算法选自机器学习图像处理算法或者深度学习图像处理算法。
由此可见，本发明实施例通过车厢内的单位面积乘车人数和候车区的单位面积候车人数，确定所述车厢的拥挤指数，从而检测不同车厢的客流情况，供不同乘客参考选择乘车方案。通过本发明上述实施例，乘客可从各个地方实时得到地铁拥挤指数，能更加灵活制定乘车方案，可以实现提早预警、提早规划候车区域，达到乘客分流、控制拥堵的目的。而且，本发明实施例能够有效地、全面地收集到图像信息，使识别精准度提高，从而计算得到有效的、可靠的拥挤指数。
需要说明的是，对于上述的系统、方法和电子设备实施例，为了简单描述，故将其都表述为一系列的动作或模块组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序或模块连接的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行，某些模块可以采用其他连接方式。
本领域技术人员也应该知悉，说明书中所描述的实施例均属于一种实施例，上述实施例序号仅仅为了描述，所涉及的动作和模块并不一定是本发明所必须的。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括易失性存储介质或非易失性存储介质，例如U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种乘客流量监控的方法，其特征在于，包括：
分别接收车厢内和候车区的图像数据；
处理所述车厢内和候车区的图像数据，确定所述车厢内和所述候车区的乘客分布情况；
根据所述车厢内和候车区的乘客分布情况，确定不同区域的拥挤指数。
2.根据权利要求1所述的乘客流量监控的方法，其特征在于，处理所述车厢内和候车区的图像数据，确定所述车厢内和所述候车区的乘客分布情况，包括：
采用图像处理算法所述车厢内和候车区的图像数据，确定所述车厢内的单位面积乘车人数和候车区的单位面积候车人数。
3.根据权利要求2所述的乘客流量监控的方法，其特征在于，采用图像处理算法处理候车区的图像数据，确定所述候车区的单位面积候车人数，包括：
基于当前时段内候车区的多帧图像数据，采用运动趋势检测算法预测下一时段内候车区的多帧图像数据；
采用图像处理算法处理当前时段内候车区的多帧图像数据和下一时段内候车区的多帧图像数据，以确定当前时段内候车区的单位面积候车人数和下一时段内候车区的单位面积候车人数；
对当前时段内候车区的单位面积候车人数和下一时段内候车区的单位面积候车人数进行加权平均，计算得到候车区的单位面积候车人数。
4.根据权利要求3所述的乘客流量监控的方法，其特征在于，所述运动趋势检测算法选自帧间差分法、背景差分法或光流法；和/或，
所述图像处理算法选自机器学习图像处理算法或者深度学习图像处理算法。
5.根据权利要求1所述的乘客流量监控的方法，其特征在于，还包括：将所述不同区域的拥挤指数分别输出至各个区域的显示终端。
6.一种乘客流量监控的电子设备，其特征在于，包括：
接收模块，被配置为分别接收车厢内和候车区的图像数据；
识别模块，被配置为处理所述车厢内和候车区的图像数据，确定所述车厢内和所述候车区的乘客分布情况；
判决模块，被配置为根据所述车厢内和候车区的乘客分布情况，确定不同区域的拥挤指数。
7.根据权利要求1所述的乘客流量监控的电子设备，其特征在于，所述识别模块被配置为采用图像处理算法所述车厢内和候车区的图像数据，确定所述车厢内的单位面积乘车人数和候车区的单位面积候车人数。
8.一种乘客流量监控的系统，其特征在于，包括第一图形采集设备、第二图像采集设备和权利要求6或7所述的乘客流量监控的电子设备，所述第一图形采集设备被配置为采集车厢内的图像数据，并通过通信网络将所述车厢内的图像数据上传至所述乘客流量监控的电子设备，所述第二图像采集设备被配置为采集候车区的图像数据，并通过通信网络将所述候车区的图像数据上传至所述乘客流量监控的电子设备。
9.一种乘客流量监控的电子设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机指令，其中，所述计算机指令被所述处理器运行时执行1-5中任一项权利要求所述的乘客流量监控的方法。
10.一种存储介质，存储有适于由处理器运行的计算机指令，所述计算机指令被处理器运行时执行根据权利要求1-5任一所述的乘客流量监控的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810708596.9A CN108960133B (zh) | 2018-07-02 | 2018-07-02 | 乘客流量监控的方法、电子设备、系统以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810708596.9A CN108960133B (zh) | 2018-07-02 | 2018-07-02 | 乘客流量监控的方法、电子设备、系统以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108960133A true CN108960133A (zh) | 2018-12-07 |
| CN108960133B CN108960133B (zh) | 2022-01-11 |
Family
ID=64484966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810708596.9A Active CN108960133B (zh) | 2018-07-02 | 2018-07-02 | 乘客流量监控的方法、电子设备、系统以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108960133B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110231971A (zh) * | 2019-05-18 | 2019-09-13 | 王�锋 | 乘客导流方法、装置、移动终端与计算机可读存储介质 |
| CN110322137A (zh) * | 2019-06-27 | 2019-10-11 | 上海三菱电梯有限公司 | 一种客流调节装置及方法 |
| CN111259714A (zh) * | 2019-09-27 | 2020-06-09 | 华南理工大学 | 一种地铁列车车厢客流检测与预测及站台候车诱导系统 |
| CN112566018A (zh) * | 2020-11-27 | 2021-03-26 | 清研讯科（北京）科技有限公司 | 电子点名方法、装置、电子设备及计算机可读存储介质 |
| CN113505671A (zh) * | 2021-06-29 | 2021-10-15 | 广东交通职业技术学院 | 基于机器视觉的车厢拥挤度确定方法、系统、装置及介质 |
| CN118411673A (zh) * | 2024-05-23 | 2024-07-30 | 广东保伦电子股份有限公司 | 一种地铁车厢拥挤度的优化方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599845A (zh) * | 2016-12-14 | 2017-04-26 | 青岛博宁福田智能交通科技发展有限公司 | 一种轨道交通客流分布控制方法及系统 |
| US20170286780A1 (en) * | 2016-03-18 | 2017-10-05 | Shenzhen University | Method and system for calculating passenger crowdedness degree |
| CN206696862U (zh) * | 2017-03-22 | 2017-12-01 | 西南交通大学 | 地铁人数识别及发布系统 |
| CN108038865A (zh) * | 2017-12-22 | 2018-05-15 | 湖南源信光电科技股份有限公司 | 一种公交视频客流统计方法 |
| CN108068846A (zh) * | 2017-11-24 | 2018-05-25 | 维沃移动通信有限公司 | 一种地铁乘车调度方法及移动终端 |
-
2018
- 2018-07-02 CN CN201810708596.9A patent/CN108960133B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170286780A1 (en) * | 2016-03-18 | 2017-10-05 | Shenzhen University | Method and system for calculating passenger crowdedness degree |
| CN106599845A (zh) * | 2016-12-14 | 2017-04-26 | 青岛博宁福田智能交通科技发展有限公司 | 一种轨道交通客流分布控制方法及系统 |
| CN206696862U (zh) * | 2017-03-22 | 2017-12-01 | 西南交通大学 | 地铁人数识别及发布系统 |
| CN108068846A (zh) * | 2017-11-24 | 2018-05-25 | 维沃移动通信有限公司 | 一种地铁乘车调度方法及移动终端 |
| CN108038865A (zh) * | 2017-12-22 | 2018-05-15 | 湖南源信光电科技股份有限公司 | 一种公交视频客流统计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 庞梦圆 等: "基于图像采集技术的地铁站台客流引导系统研究", 《都市快轨交通》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110231971A (zh) * | 2019-05-18 | 2019-09-13 | 王�锋 | 乘客导流方法、装置、移动终端与计算机可读存储介质 |
| CN110322137A (zh) * | 2019-06-27 | 2019-10-11 | 上海三菱电梯有限公司 | 一种客流调节装置及方法 |
| CN111259714A (zh) * | 2019-09-27 | 2020-06-09 | 华南理工大学 | 一种地铁列车车厢客流检测与预测及站台候车诱导系统 |
| CN111259714B (zh) * | 2019-09-27 | 2022-04-12 | 华南理工大学 | 一种地铁列车车厢客流检测与预测及站台候车诱导系统 |
| CN112566018A (zh) * | 2020-11-27 | 2021-03-26 | 清研讯科（北京）科技有限公司 | 电子点名方法、装置、电子设备及计算机可读存储介质 |
| CN112566018B (zh) * | 2020-11-27 | 2023-06-13 | 清研讯科（北京）科技有限公司 | 电子点名方法、装置、电子设备及计算机可读存储介质 |
| CN113505671A (zh) * | 2021-06-29 | 2021-10-15 | 广东交通职业技术学院 | 基于机器视觉的车厢拥挤度确定方法、系统、装置及介质 |
| CN118411673A (zh) * | 2024-05-23 | 2024-07-30 | 广东保伦电子股份有限公司 | 一种地铁车厢拥挤度的优化方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108960133B (zh) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108960133A (zh) | 乘客流量监控的方法、电子设备、系统以及存储介质 | |
| CN108037770B (zh) | 基于人工智能的无人机输电线路巡检系统和方法 | |
| CN106650913B (zh) | 一种基于深度卷积神经网络的车流密度估计方法 | |
| CN109285376A (zh) | 一种基于深度学习的公交车客流统计分析系统 | |
| CN105390021B (zh) | 车位状态的检测方法及装置 | |
| US9336450B2 (en) | Methods and systems for selecting target vehicles for occupancy detection | |
| CN108289203B (zh) | 一种用于轨道交通的视频监控系统 | |
| CN106251695B (zh) | 基于车位状态监控的目的地停车位智能推荐系统及方法 | |
| CN102945603B (zh) | 检测交通事件的方法及电子警察装置 | |
| CN108701396B (zh) | 一种车前积雪与结冰的检测报警方法、存储介质和服务器 | |
| CN103985182B (zh) | 一种公交客流自动计数方法及自动计数系统 | |
| CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
| CN104424812B (zh) | 一种公交到站时间预测系统和方法 | |
| CN106971544B (zh) | 一种直接利用静态图像来检测车辆拥堵的方法 | |
| CN110490103B (zh) | 轨道交通客流密度检测方法及装置 | |
| CN105404856B (zh) | 一种公交车辆座位占用状态检测方法 | |
| CN107145819A (zh) | 一种公交车拥挤度确定方法和装置 | |
| CN112766038B (zh) | 一种根据图像识别的车辆跟踪方法 | |
| CN112071084A (zh) | 一种利用深度学习判断违章停车的方法和系统 | |
| CN110263623A (zh) | 列车攀爬监测方法、装置、终端及存储介质 | |
| Martani et al. | Pedestrian monitoring techniques for crowd-flow prediction | |
| CN110852155A (zh) | 公交乘客拥挤度检测方法、系统、装置及存储介质 | |
| CN114612860A (zh) | 基于计算机视觉的轨道交通站内客流识别与预测方法 | |
| CN110879990A (zh) | 一种预计机场安检旅客排队等候时长的方法及其应用 | |
| EP3244344A1 (en) | Ground object tracking system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |