CN109684952A - 一种适用于高铁列车智能空调的乘客分布检测系统及方法 - Google Patents
一种适用于高铁列车智能空调的乘客分布检测系统及方法 Download PDFInfo
- Publication number
- CN109684952A CN109684952A CN201811525260.5A CN201811525260A CN109684952A CN 109684952 A CN109684952 A CN 109684952A CN 201811525260 A CN201811525260 A CN 201811525260A CN 109684952 A CN109684952 A CN 109684952A
- Authority
- CN
- China
- Prior art keywords
- passenger
- image
- compartment
- distribution
- intelligent air
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004378 air conditioning Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 32
- 230000000007 visual effect Effects 0.000 claims description 26
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000009738 saturating Methods 0.000 claims 1
- 230000009977 dual effect Effects 0.000 abstract description 9
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 239000004744 fabric Substances 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 241000238097 Callinectes sapidus Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000013519 translation Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种适用于高铁列车智能空调的乘客分布检测系统及方法,属于高铁列车智能检测/控制领域。系统包括:安装在车厢两端的前、后置摄像头,安装在车头车厢的计算机,以及安装在车厢两侧的智能空调。步骤包括:步骤一,通过前后置摄像头采集覆盖乘客区域的图像并输入计算机;步骤二,计算机采用Haar‑Ada Boost算法进行乘客区域识别,再采用逆透视标定方法对乘客空间位置进行标定;步骤三,对裁剪后的乘客区域图像进行图像预处理得到乘客分布,根据乘客分布确定送风量,并发送控制信号给智能空调。本发明通过高铁列车前置、后置双摄像头检测乘客的分布,通过计算机确定空调送风量提供给智能空调,以供给恰当的风量减少能耗。
Description
技术领域
本发明涉及一种适用于高铁列车智能空调的双摄像头乘客分布检测系统及方法,属于高铁列车智能检测/控制领域。
背景技术
高铁数量的增长带来了能源的巨大消耗,而高铁运行中相当大一部分的能源消耗来自车厢内的空调系统。
现有高铁空调系统缺乏反馈系统,供风量不能满足乘客分布自动分配,造成能源的浪费和乘客乘坐体验的下降。而高铁智能空调的出现,可以使得车厢内空调的送风量供应恰好接近乘客需求,有效解决了这个痛点。在高速铁路运营期间,乘客在中途站点上下车,造成乘客的分布可能随时发生变化,供风量的最佳需求也会随之发生改变。因此,检测车厢内乘客的分布并实时反馈给智能空调是保持风量的供需平衡的关键。
现有高铁的车厢内,在前、后两端共布置有2个摄像头,主要用于车厢内部的突发事件的监控,尚无法实现对乘客分布的检测,更没有能够提供给高铁智能空调的乘客分布反馈的传感器或设备。所以,设计一种双摄像头乘客分布检测系统对于高铁列车内智能空调的供风量调节控制尤为重要。
发明内容
本发明针对于现有高铁的车厢内无法实现对车厢内乘客分布进行实时检测并反馈给智能空调以调节供风平衡的问题,提供一种适用于高铁列车智能空调的乘客分布检测系统及方法,通过安装在车厢两端的双摄像头采集车厢内的图像,识别乘客乘坐的分布情况并反馈给智能空调以控制供风量。
本发明提供的一种适用于高铁列车智能空调的乘客分布检测系统,包括:安装在车厢两端的前置摄像头和后置摄像头,安装在车头车厢的计算机,以及安装在车厢两侧的智能空调。前置摄像头和后置摄像头,用于定时采集覆盖乘客区域的图像,并输入至安装在车头车厢的计算机。所述的计算机包括乘客区域识别模块、乘客空间位置标定模块、乘客分布检测模块以及智能空调控制模块。
所述的乘客区域识别模块采用Haar-Ada Boost算法对输入的图像进行乘客区域识别;Haar-Ada Boost算法在训练时,选取的正例训练样本的图像中存在乘客区域并对乘客区域进行人工标记,选取的反例训练样本的图像中存在车厢背景环境但没有乘客区域;通过Haar-Ada Boost算法训练生成多级分类器,依次通过各分类器检测图像是否存在乘客区域。
所述的乘客空间位置标定模块是采用逆透视标定方法对乘客空间位置进行标定,前置摄像头视角空间的位置标定为:以前置摄像头视角的座椅区域左下角为A点,在图像中逆时针旋转依次标记成像梯形的B、C、D点;以后置摄像头视角的图像,对应找到与前置摄像头视角下ABCD四个角的定位点;然后分别在世界坐标系和图像坐标系下,计算矩形ABCD四个角的世界坐标和图像坐标。
所述的乘客分布检测模块对标定了乘客空间位置的图像进行裁剪,保留图像中完整的乘客区域,然后对裁剪后的图像进行YCbCr色彩空间转换、图像分割和形态学开闭运算,再对得到的图像提取联通区域,得到车厢内乘客的分布情况。
所述的智能空调控制模块根据乘客分布检测模块获得的乘客分布情况,从乘客分布与空调风量对应表中确定所需要的空调送风量,并发送控制信号给安装在车厢两侧的智能空调,通过控制智能空调的空气阀控制空调提供风量。
本发明提供的一种适用于高铁列车智能空调的乘客分布检测方法,实现步骤包括:
步骤1,通过安装在车厢两端的前置摄像头和后置摄像头采集覆盖乘客区域的图像,并输入至安装在车头车厢的计算机;
步骤2,计算机对采集的图像采用Haar-Ada Boost算法进行乘客区域识别,再采用逆透视标定方法对乘客空间位置进行标定;
其中,采用Haar-Ada Boost算法检测乘客区域时,在训练过程中选取的正例训练样本和反例训练样本为:正例训练样本的图像中存在乘客区域并对乘客区域进行人工标记,反例训练样本的图像中存在车厢背景环境但没有乘客区域;通过Haar-Ada Boost算法生成多级分类器,依次通过各分类器检测图像是否存在乘客区域,也就是识别出座椅区域;
采用逆透视标定方法对乘客空间位置进行标定时,前置摄像头视角空间位置标定为:以前置摄像头视角的座椅区域左下角为A点,在图像中逆时针旋转依次标记成像梯形的B、C、D点;以后置摄像头视角的图像,对应找到与前置摄像头视角下ABCD四个角的定位点;然后分别在世界坐标系和图像坐标系下,计算矩形ABCD四个角的世界坐标和图像坐标;
步骤3,计算机对已经标定了乘客空间位置的图像进行裁剪,保留完整的乘客区域,然后对裁剪后图像进行YCbCr色彩空间转换、图像分割和形态学开闭运算,再在得到的图像提取联通区域,得到车厢内每一排乘客的分布情况,再根据乘客分布情况确定对应的空调送风量,并发送控制信号给安装在车厢两侧的智能空调。
本发明与现有技术相比,具有以下明显优势:
(1)本发明系统和方法能够通过两个摄像头融合处理进行图像识别立即反馈乘客分布,并以此为根据相应地通过智能空调调节空调送风量;对于旅客密集区实现高风量的供气,同时对于非乘客区或较不密集的配送区,减少了相应的供气量,避免了不必要的能源浪费,同时消除了现有空调系统造成的不舒适体验。
(2)本发明系统和方法基于图像的检测是前后放置的双摄像头系统,在对特征点的位置标定时,对高铁车厢内的空间位置进行了转换;并利用Haar特征Ada Boost分类器对高铁乘客座椅区域的特征训练和分类,训练得到的多级分类器能用于检测乘客座椅区域特征;再通过对乘客空间位置标定和裁剪,避免了非乘客区域对检测结果的影响和干扰,减少了对进一步分析乘客分布的计算量,提高了处理速度。
附图说明
图1是本发明的一个实施例适用于高铁列车智能空调的双摄像头乘客分布检测系统结构示意图;
图2为本发明前、后置双摄像头,智能空调和乘客区域安装位置示意图;
图3为本发明的适用于高铁列车智能空调乘客分布检测方法的流程示意图;
图4为本发明用于识别乘客区域的多级分类器结构图;
图5为本发明前置摄像头视角空间位置标定示意图;
图6为本发明后置摄像头视角空间位置标定示意图。
图中:
1-前置摄像头;2-后置摄像头;3-计算机;4-智能空调;5-乘客区域。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述。所述实施例如附图所示,下面参考实施例描述作为示例,仅用于解释本发明,而不能理解为对本发明的限制。
高铁列车运行中空调系统不能根据客流自动调节供风量造成巨大能源浪费和空气污染,高铁上的智能空调需要一套反馈系统来检测乘客的分布,并供给恰当的风量以减少能耗。本发明提出一种基于高铁列车前置、后置2个监控摄像头的双摄像头乘客分布检测系统检测乘客的分布,并将计算的空调风量需求与客流分布之间的关系提供给智能空调,以此为根据相应地调节空调送风量的装置及方法。
如图1所示,为实现本发明的适用于高铁列车智能空调的乘客分布检测系统的一个实现实例,硬件包括安装在车厢两端的前置摄像头1和后置摄像头2,安装在车头车厢的计算机3和安装在车厢两侧的智能空调4。如图2所示,为本发明前、后置双摄像头1,2和智能空调4的安装位置示意。通过前、后置摄像头1,2采集到覆盖乘客区域5的图像输入至计算机3,计算机3对采集的图像进行乘客空间位置标定、并通过乘客分布情况识别判断乘客分布,计算乘客分布所需的送风量,计算机3将计算的所需送风量发送给智能空调4,从而达到调节空调送风量的目的。
所述的计算机3包括乘客区域识别模块、乘客空间位置标定模块、乘客分布检测模块以及智能空调控制模块。
其中,乘客区域识别模块采用Haar-Ada Boost算法对输入的图像进行乘客区域识别。Haar-Ada Boost算法在训练时,选取的正例训练样本的图像中存在乘客区域并对乘客区域进行人工标记,选取的反例训练样本的图像中存在车厢背景环境但没有乘客区域;通过Haar-Ada Boost算法训练生成多级分类器,依次通过各分类器检测图像是否存在乘客区域。具体Haar-Ada Boost算法将在下面说明。
乘客空间位置标定模块是采用逆透视标定方法对乘客空间位置进行标定,前置摄像头视角空间的位置标定为:以前置摄像头视角的座椅区域左下角为A点,在图像中逆时针旋转依次标记成像梯形的B、C、D点;以后置摄像头视角的图像,对应找到与前置摄像头视角下ABCD四个角的定位点;然后分别在世界坐标系和图像坐标系下,计算矩形ABCD四个角的世界坐标和图像坐标。
乘客分布检测模块对标定了乘客空间位置的图像进行裁剪,保留图像中完整的乘客区域,然后对裁剪后的图像进行YCbCr色彩空间转换、图像分割和形态学开闭运算,再对得到的图像提取联通区域,得到车厢内每一排乘客的分布情况。具体识别乘客分布情况的步骤将在下面说明。
智能空调控制模块根据乘客分布检测模块获得的乘客分布情况,从乘客分布与空调风量对应表中确定所需要的空调送风量,并发送控制信号给安装在车厢两侧的智能空调,通过控制智能空调的空气阀控制空调提供风量。
如图3所示,本发明实施例中,对乘客分布检测并控制智能空调送风的步骤如下:
步骤1,通过高铁车厢两端布置的前置摄像头1和后置摄像头2拍摄采集覆盖乘客区域5的图像。
步骤2,计算机3对采集的图像进行乘客区域5识别,并进行乘客空间位置标定。
本步骤采用Haar-Ada Boost算法从图像中检测乘客区域5特征实现对乘客区域5的识别,从而对乘客空间位置进行标定。Haar-Ada Boost算法分为训练过程和检测过程。
训练过程首先是选取正例训练样本和选取反例训练样本。正例样本采集到的图像中存在乘客区域5并对乘客区域5进行人工标记,反例样本的图像必须与车厢内的背景环境紧密相关,但无任何乘客区域5的图像。随后计算积分图像,形成弱分类器、形成强分类器、最终形成多级分类器。
图像中点(x,y)处的积分图像表示为ii(x,y),设点(x,y)位于某Haar特征的检测窗口的左上角,则对检测窗口内的图像像素求和得到ii(x,y):
其中,i(x',y')表示检测窗口内点(x',y')处的像素值。
通过公式(2)和公式(3)的递归过程可以快速计算出点(x,y)处的积分图像ii(x,y):
s(x,y)=s(x,y-1)+i(x,y) (2)
ii(x,y)=ii(x-1,y)+s(x,y) (3)
其中,i(x,y)表示(x,y)处的原始像素值;s(x,y)为累积行像素值之和,即表示点(x,y)的y方向的所有原始像素值之和;初始s(x,-1)=0,ii(-1,y)=0,即图像边界以外区域积分图像为0。通过计算积分图像来获得Haar特征的值。通过Haar特征形成弱分类器、强分类器和多级分类器。
对于每个Haar特征,都可以生成一个弱分类器,第j个弱分类器hj(g)为:
其中,hj(g)表示弱分类器;g表示检测窗口图像;fj(g)表示图像g的特征,一个弱分类器hj(g)包含一个特征fj(g);θj表示阈值,符号pj表示阈值比较的方向,即控制不等式的方向,取+1或者-1,符号pj取+1表示正方向,取-1表示负方向。训练弱分类器,最优弱分类器的分类误差是最小的,设训练得到r个最优的弱分类器。
强分类器h(g)为:
其中,r为弱分类器个数,r为正整数,at为第t个弱分类器hj(g)的权重, εt为分类误差。
在Haar-Ada Boost算法中,简单弱分类器放在前面,强分类器放在后面,每个阶段的二元分类器越来越复杂,这样能够有效减少计算量,如果使用其他算法,计算量将是简单Haar特征方法的数倍。
对图像的检测过程是通过训练过程所形成的多级分类器对采集的图像进行检测并最终识别出图像中的乘客位置,检测过程包括多尺度检测、合并检测阈值和多级分类器检测。标记出的乘客区域5用于下一步在图像中进行乘客空间位置的标定。
多尺度检测是指因为不同的列车安装的摄像头存在焦距和位置的差异,在图片中的反映出检测目标所占像素面积和位置是不确定的。因此,检测时通过检索框要对图像平移遍扫式的检索出乘客区域,因此需要设置平移步长,以像素为单位进行平移,通过横向的平移对该图像的所有子图像进行检测。还需要在检测时对待检测的图像进行适当的缩放,并设置缩放的系数,以此来检测不同尺度的目标人脸。
合并检测阈值是指,对于每一次平移或者缩放的图像有可能都会检测到同一乘客区域,因此需要对多个检测的区域进行合并,即有多个检测到乘客区域的子图像是累叠在同位置的。因此,计算该检测到的检索框重叠个数就是检测阈值,而阈值不同,直接影响到检测的效果。
如图4所示,为本发明多级分类器结构,图像首先通过弱分类器进行检测,如果被拒绝则分类结果是“否”,检测为非乘客区域,如果分类结果是“是”,则图像传递到下一个分类器进行处理,依次执行判断,直到最后一个分类器。多级分类器总是试图在早期就拒绝大多数的反例训练样本,而正例训练样本总是触发所有的分类器。通过多级分类器检测出乘客空间位置。
本发明采用逆透视标定方法对识别出的乘客区域5进行乘客空间位置标定。前置摄像头视角空间位置标定如图5所示,以前置摄像头视角的座椅区域左下角为A点,在图像中逆时针旋转依次标记成像梯形的B、C、D点。后置摄像头视角空间位置标定如图6所示,对应找到与前置摄像头视角下ABCD四个角的定位点,具体是以后置摄像头视角的座椅区域的右上角为A点,在图像中逆时针旋转一次标记B、C、D点。在对车厢乘客区域的四个角标记后,分别在世界坐标系和图像坐标系下,计算矩形ABCD四个角的世界坐标和图像坐标。
步骤3,乘客分布情况识别,包括裁剪乘客区域图像、图像预处理和判断乘客分布。
裁剪乘客区域图像是为了避免非乘客区域对检测结果的影响和干扰,需要对检测到的图形中的乘客区域进行裁剪,再对该区域的图像进行处理。另一方面,对裁剪区域的处理可以减少计算量并提高处理速度。对识别出乘客区域5的图像进行裁剪,保留完整的乘客区域。
对裁剪后图像进行预处理,包括:YCbCr色彩空间转换、图像分割、形态学开闭运算。
进行YCbCr色彩空间转换是对图像由RGB空间向YCbCr空间的转换,得到图像M1:
Y=0.2990R+0.5870G+0.1140B (6)
Cb=-0.1687R-0.3313G+0.5000B (7)
Cr=0.5000R-0.4187G-0.0813B (8)
其中,R、G、B分别代表红色值、绿色值、蓝色值;Y表示亮度分量,Cb表示蓝色色度分量,Cr表示红色色度分量。亮度分量Y与色度分量Cb、Cr的采样比率为4:2:2。
分割图像是将YCbCr格式图像M1进行二值化处理得到二值图M2,提取肤色区域。将图像M1中符合肤色模型的值等于1,将其余像素点的值等于0,初步将二值图M2中肤色区域提取出来。
其中,(i,j)表示图像中的像素点坐标,对图像M1中像素(i,j)根据上面公式(9)来进行二值化,图像M1中像素(i,j)的蓝色色度分量值为Cb1(i,j),红色色度分量值为Cr1(i,j),根据肤色模型设置蓝色色度分量的最大阈值Cbmax和最小阈值Cbmin,以及红色色度分量的最大阈值Crmax和最小阈值Crmin,当像素点(i,j)满足阈值范围要求时二值化为1,否则二值化为0。
形态学闭运算是先膨胀后腐蚀,对得到的二值图M2进行形态学闭运算,得到梯度连接图M2'如下:
其中,Se为结构算子,取3×3~10×10的正方形结构算子;表示二值图M2被结构算子Se进行闭运算操作;表示形态学闭运算;表示膨胀运算;表示腐蚀运算。
形态学开运算是先腐蚀后膨胀,对得到的梯度连接图M2'进行形态学开运算,得到新的梯度连接图M3:
其中,·表示形态学开运算,M2'·Se表示梯度连接图M2'被结构算子Se进行开运算操作。
在最后得到的图像M3中检测提取联通区域,再对联通区域进行RGB颜色标记,进而得到车厢内乘客的分布情况。
步骤4,基于乘客分布控制智能空调送风量。
进一步的,通过得到的乘客分布情况,在计算机3中预先保存的乘客分布与空调风量对应的表中,获得当前对应的空调风量需求,并反馈给智能空调4,智能空调4根据获得的准确的所需冷空气体积,通过独立控制空气阀,控制每个空气阀不同的供风量。
Claims (2)
1.一种适用于高铁列车智能空调的乘客分布检测系统,其特征在于,包括:
安装在车厢两端的前置摄像头和后置摄像头,用于定时采集覆盖乘客区域的图像,并输入至安装在车头车厢的计算机;
所述的计算机包括乘客区域识别模块、乘客空间位置标定模块、乘客分布检测模块以及智能空调控制模块;
所述的乘客区域识别模块采用Haar-Ada Boost算法对输入的图像进行乘客区域识别;Haar-Ada Boost算法在训练时,选取的正例训练样本的图像中存在乘客区域并对乘客区域进行人工标记,选取的反例训练样本的图像中存在车厢背景环境但没有乘客区域;通过Haar-Ada Boost算法训练生成多级分类器,依次通过各分类器检测图像是否存在乘客区域;
所述的乘客空间位置标定模块是采用逆透视标定方法对乘客空间位置进行标定,前置摄像头视角空间的位置标定为:以前置摄像头视角的座椅区域左下角为A点,在图像中逆时针旋转依次标记成像梯形的B、C、D点;以后置摄像头视角的图像,对应找到与前置摄像头视角下ABCD四个角的定位点;然后分别在世界坐标系和图像坐标系下,计算矩形ABCD四个角的世界坐标和图像坐标;
所述的乘客分布检测模块对标定了乘客空间位置的图像进行裁剪,保留图像中完整的乘客区域,然后对裁剪后的图像进行YCbCr色彩空间转换、图像分割和形态学开闭运算,再对得到的图像提取联通区域,得到车厢内每一排乘客的分布情况;
所述的智能空调控制模块根据乘客分布检测模块获得的乘客分布情况,从乘客分布与空调风量对应表中确定所需要的空调送风量,并发送控制信号给安装在车厢两侧的智能空调,通过控制智能空调的空气阀控制空调提供风量。
2.一种适用于高铁列车智能空调的乘客分布检测方法,其特征在于,包括如下步骤:
步骤1,通过安装在车厢两端的前置摄像头和后置摄像头采集覆盖乘客区域的图像,并输入至安装在车头车厢的计算机;
步骤2,计算机对采集的图像采用Haar-Ada Boost算法进行乘客区域识别,再采用逆透视标定方法对乘客空间位置进行标定;
其中,采用Haar-Ada Boost算法检测乘客区域时,在训练过程中选取的正例训练样本和反例训练样本为:正例训练样本的图像中存在乘客区域并对乘客区域进行人工标记,反例训练样本的图像中存在车厢背景环境但没有乘客区域;通过Haar-Ada Boost算法生成多级分类器,依次通过各分类器检测图像是否存在乘客区域,也就是识别出座椅区域;
采用逆透视标定方法对乘客空间位置进行标定时,前置摄像头视角空间位置标定为:以前置摄像头视角的座椅区域左下角为A点,在图像中逆时针旋转依次标记成像梯形的B、C、D点;以后置摄像头视角的图像,对应找到与前置摄像头视角下ABCD四个角的定位点;然后分别在世界坐标系和图像坐标系下,计算矩形ABCD四个角的世界坐标和图像坐标;
步骤3,计算机对已经标定了乘客空间位置的图像进行裁剪,保留完整的乘客区域,然后对裁剪后图像进行YCbCr色彩空间转换、图像分割和形态学开闭运算,再在得到的图像提取联通区域,得到车厢内每一排乘客的分布情况,再根据乘客分布情况确定对应的空调送风量,并发送控制信号给安装在车厢两侧的智能空调。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525260.5A CN109684952A (zh) | 2018-12-13 | 2018-12-13 | 一种适用于高铁列车智能空调的乘客分布检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525260.5A CN109684952A (zh) | 2018-12-13 | 2018-12-13 | 一种适用于高铁列车智能空调的乘客分布检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109684952A true CN109684952A (zh) | 2019-04-26 |
Family
ID=66187715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811525260.5A Pending CN109684952A (zh) | 2018-12-13 | 2018-12-13 | 一种适用于高铁列车智能空调的乘客分布检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684952A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110329032A (zh) * | 2019-07-04 | 2019-10-15 | 高鸿新能源科技有限公司 | 基于乘客密度分布的公交车智能空调系统及其工作方法 |
CN112158215A (zh) * | 2020-09-21 | 2021-01-01 | 五邑大学 | 基于毫米波雷达精准感知的智能空调控制系统及其控制方法 |
WO2022062432A1 (zh) * | 2020-09-27 | 2022-03-31 | 中南大学 | 乘客分布预测模型训练方法与系统、乘客诱导方法与系统 |
CN115214430A (zh) * | 2022-03-23 | 2022-10-21 | 广州汽车集团股份有限公司 | 车辆座椅调节方法及车辆 |
CN115660384A (zh) * | 2022-12-12 | 2023-01-31 | 天津市政工程设计研究总院有限公司 | 一种公共交通工具空间分配方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108609024A (zh) * | 2018-04-13 | 2018-10-02 | 北京航空航天大学 | 基于乘客分布的高速列车智能空调控制方法 |
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 |
CN108805252A (zh) * | 2017-04-28 | 2018-11-13 | 西门子(中国)有限公司 | 一种乘客计数方法、装置和系统 |
-
2018
- 2018-12-13 CN CN201811525260.5A patent/CN109684952A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805252A (zh) * | 2017-04-28 | 2018-11-13 | 西门子(中国)有限公司 | 一种乘客计数方法、装置和系统 |
CN108609024A (zh) * | 2018-04-13 | 2018-10-02 | 北京航空航天大学 | 基于乘客分布的高速列车智能空调控制方法 |
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 |
Non-Patent Citations (3)
Title |
---|
杨新权: "基于肤色分割及连续Adaboost算法的人脸检测研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
赖智铭: "适用于低分辨率的逆透视映射算法", 《计算机工程与设计》 * |
郝晓莉: "基于脸部检测和Fuzzy ART 的乘客检测算法", 《北京交通大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110329032A (zh) * | 2019-07-04 | 2019-10-15 | 高鸿新能源科技有限公司 | 基于乘客密度分布的公交车智能空调系统及其工作方法 |
CN112158215A (zh) * | 2020-09-21 | 2021-01-01 | 五邑大学 | 基于毫米波雷达精准感知的智能空调控制系统及其控制方法 |
WO2022062432A1 (zh) * | 2020-09-27 | 2022-03-31 | 中南大学 | 乘客分布预测模型训练方法与系统、乘客诱导方法与系统 |
CN115214430A (zh) * | 2022-03-23 | 2022-10-21 | 广州汽车集团股份有限公司 | 车辆座椅调节方法及车辆 |
CN115214430B (zh) * | 2022-03-23 | 2023-11-17 | 广州汽车集团股份有限公司 | 车辆座椅调节方法及车辆 |
CN115660384A (zh) * | 2022-12-12 | 2023-01-31 | 天津市政工程设计研究总院有限公司 | 一种公共交通工具空间分配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109684952A (zh) | 一种适用于高铁列车智能空调的乘客分布检测系统及方法 | |
CN108229362B (zh) | 一种基于门禁系统的双目人脸识别活体检测方法 | |
CN101916370B (zh) | 人脸检测中非特征区域图像处理的方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN105426828B (zh) | 人脸检测方法、装置及系统 | |
CN105868735B (zh) | 一种跟踪人脸的预处理方法及基于视频的智慧健康监视系统 | |
CN109584258B (zh) | 草地边界识别方法及应用其的智能割草装置 | |
CN109446982B (zh) | 一种基于ar眼镜的电力屏柜压板状态识别方法及系统 | |
CN106815560A (zh) | 一种应用于自适应驾座的人脸识别方法 | |
CN109871763A (zh) | 一种基于yolo的特定目标跟踪方法 | |
CN107491762A (zh) | 一种行人检测方法 | |
CN109949593A (zh) | 一种基于路口先验知识的交通信号灯识别方法及系统 | |
Caetano et al. | A probabilistic model for the human skin color | |
CN106203420B (zh) | 一种卡口车辆颜色识别方法 | |
CN106874884A (zh) | 基于部位分割的人体再识别方法 | |
CN108960185A (zh) | 基于YOLOv2的车辆目标检测方法及系统 | |
CN110956099B (zh) | 一种动态手势指令识别方法 | |
CN107545550B (zh) | 细胞图像偏色校正方法 | |
CN105761260A (zh) | 一种皮肤图像患处分割方法 | |
CN109359577A (zh) | 一种基于机器学习的复杂背景下人数检测系统 | |
CN107392879B (zh) | 一种基于参考帧的低照度监控图像增强方法 | |
CN106529461A (zh) | 一种基于积分特征通道和svm训练器的车型识别算法 | |
CN107247934A (zh) | 一种基于快速特征点定位的全天候哈欠检测方法及系统 | |
CN109583349A (zh) | 一种用于在真实环境对目标车辆的颜色进行识别的方法及系统 | |
CN112561899A (zh) | 电力巡检图像识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |
|
RJ01 | Rejection of invention patent application after publication |