CN110472813B - 一种校车站点自适应调整方法及系统 - Google Patents
一种校车站点自适应调整方法及系统 Download PDFInfo
- Publication number
- CN110472813B CN110472813B CN201910547761.1A CN201910547761A CN110472813B CN 110472813 B CN110472813 B CN 110472813B CN 201910547761 A CN201910547761 A CN 201910547761A CN 110472813 B CN110472813 B CN 110472813B
- Authority
- CN
- China
- Prior art keywords
- information
- student
- boarding
- network model
- school bus
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000007774 longterm Effects 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims description 78
- 239000013598 vector Substances 0.000 claims description 42
- 238000001514 detection method Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 26
- 230000003044 adaptive effect Effects 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 description 35
- 230000006870 function Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 230000004913 activation Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种校车站点自适应调整方法,包括:获取学生身份信息及车辆位置信息;根据学生身份信息及车辆位置信息,识别并存储每一学生的上车位置信息;根据每一学生的上车位置信息通过短期模式和/或长期模式调整校车乘车点。本发明还公开了一种校车站点自适应调整系统,包括获取模块、位置识别模块及调整模块。采用本发明,能根据学生上车的准确位置动态地调整乘车点,并提高识别学生乘车点的效率。
Description
技术领域
本发明涉及一种控制技术,尤其涉及校车站点自适应调整方法及系统。
背景技术
校车是当今接送学生上下学的重要的手段,其基本要求是安全、便利地进行接送。选择合适的校车乘车点十分重要。学生一般有一个固定的上下车站点,但也存在有两个甚至三个正常上下车的站点。比如周末可能会参加各种补习班才去坐校车返校。如果不能及时根据变化的上车位置来调整乘车点,可能会增加学生前往乘车点的路程,间接增加安全风险。另外,学生的上车位置变化也能反映其行踪情况,上车位置不规律可能反映出其行程异常,如果这种异常情况不能及时反映给学校及家长,也是一种安全风险。
目前运营过程中,每个学期开学的时候,学校方面都会根据学生的情况,进行线路、站点及学生搭乘计划的调整。但是,一个学期调整一次乘车点无法适应较常变化乘车点的学生的需求,家长需要不时专门与学校协商更改乘车点。另外,实际情况中,校车司机负责开车,熟悉车辆的停靠位置,但一般不清楚哪些学生在哪里上下车,跟车老师知道哪个学生在哪个站上下车,但不清楚乘车点的实际位置。这样,即使是每个学期调整一次的乘车点也不一定是最佳的位置选择,学校确定的有些乘车点可能并不方便接送学生,或需要学生多走路。
另外,目前确认上车学生的身份及人数的方法主要是靠老师不时进行点名,效率低,有的校车采用读取学生的射频身份卡的方法,但是如果学生没有带射频身份卡,或射频信号读写器失灵,一样无法及时确认上车学生的身份及人数。
因此,如何提供一个技术方案,能根据学生上车的准确位置动态地调整乘车点,并提高识别学生乘车点的效率,是目前需要解决的问题。
发明内容
本发明所要解决的技术问题在于,提供一种校车站点自适应调整方法及系统,能根据学生上车的准确位置动态地调整乘车点,并提高识别学生乘车点的效率。
为了解决上述技术问题,本发明提供了一种校车站点自适应调整方法,包括:获取学生身份信息及车辆位置信息;根据学生身份信息及车辆位置信息,识别并存储每一学生的上车位置信息;根据每一学生的上车位置信息通过短期模式和/或长期模式调整校车乘车点;通过短期模式调整校车乘车点的步骤包括:判断同一学生的上车位置信息在一周内连续预设天数同比上周是否变化,判断为是,判断变化期间是否有预设天数的上车位置相同,判断为是,调整乘车点;判断为否,向远程客户端发送异常提示信息;通过长期模式调整校车乘车点包括:提取预设周数内同一学生特定日的上车位置信息,并统计每一上车位置信息的次数,将次数最多的上车位置信息设为该学生特定日的高频上车位置信息,并将高频上车位置信息更新为该学生特定日的预设站点位置。
作为上述方案的改进,获取学生身份信息的步骤包括:射频读写器读取射频身份卡信息;判断射频身份卡信息与数据库信息是否匹配,判断为是,则识别成功,判断为否,则识别失败。
作为上述方案的改进,获取学生身份信息的步骤包括:摄像头获取人脸图像信息;使用SqueezeNet神经网络模型对人脸图像信息进行特征提取处理,并输出特征图;使用RPN神经网络模型对特征图进行建议区域处理,并输出建议区域特征向量;使用检测网络模型对建议区域特征向量进行分类处理,输出分类概率向量;判断分类概率向量中一个或以上的维的值是否大于或等于预设值,判断为是,则识别成功,判断为否,则识别失败。
作为上述方案的改进,获取学生身份信息还包括对人脸识别模型训练,具体包括:获取样本数据集、基础SqueezeNet神经网络模型、基础RPN神经网络模型、基础检测网络模型及损失函数;将基础SqueezeNet神经网络模型、基础RPN神经网络模型及基础检测网络模型,与损失函数结合,生成初始SqueezeNet神经网络模型、初始RPN神经网络模型及初始检测网络模型;根据样本数据集训练初始SqueezeNet神经网络模型、初始RPN神经网络模型及初始检测网络模型,生成修正SqueezeNet神经网络模型、修正RPN神经网络模型及修正初始检测网络模型;
损失函数的公式为:
L(p,u,tu,v)=Lcls(p,u)+λ[u≥1]Lloc(tu,v)
其中,p为真实分类结果,u为预测的分类结果,t为人脸的真实位置,v为人脸预测位置。
作为上述方案的改进,还包括:判断按短期模式调整的乘车点与按长期模式调整的乘车点是否不同,判断为是,按短期模式调整乘车点,判断为否,结束判断。
本发明还公开了一种校车站点自适应调整系统,包括:获取模块,用于获取学生身份信息及车辆位置信息;位置识别模块,用于根据学生身份信息及车辆位置信息,识别并存储每一学生的上车位置信息;调整模块,用于根据每一学生的上车位置信息通过短期模式和/或长期模式调整校车乘车点,调整模块包括短期单元及长期单元;短期单元用于判断同一学生的上车位置信息在一周内连续预设天数同比上周是否变化,判断为是,判断变化期间是否有预设天数的上车位置相同,判断为是,调整乘车点;判断为否,向远程客户端发送异常提示信息;长期单元用于提取预设周数内同一学生特定日的上车位置信息,并统计每一上车位置信息的次数,将次数最多的上车位置信息设为该学生特定日的高频上车位置信息,并将高频上车位置信息更新为该学生特定日的预设站点位置。
作为上述方案的改进,获取模块包括射频获取单元,射频获取单元用于获取并识别射频身份卡信息,射频获取单元包括:射频读取子单元,用于读取射频身份卡信息;射频匹配子单元,用于判断射频身份卡信息与数据库信息是否匹配,判断为是,则识别成功,判断为否,则识别失败。
作为上述方案的改进,获取模块还包括人脸获取单元,人脸获取单元用于获取并识别人脸图像信息,人脸获取单元包括:图像获取子单元,用于获取人脸图像信息;特征提取子单元,用于使用SqueezeNet神经网络模型对人脸图像信息进行特征提取处理,并输出特征图;建议区域生成子单元,用于使用RPN神经网络模型对特征图进行建议区域处理,并输出建议区域特征向量;分类回归子单元,用于使用检测网络模型对建议区域特征向量进行分类处理,输出分类概率向量;人脸识别判断子单元,用于判断分类概率向量中一个或以上的维的值是否大于或等于预设值,判断为是,则识别成功,判断为否,则识别失败。
作为上述方案的改进,获取模块还包括训练单元,训练单元包括:样本模型获取子单元,用于获取样本数据集、基础SqueezeNet神经网络模型、基础RPN神经网络模型、基础检测网络模型及损失函数;初始网络生成子单元,用于将基础SqueezeNet神经网络模型、基础RPN神经网络模型及基础检测网络模型,与损失函数结合,生成初始SqueezeNet神经网络模型、初始RPN神经网络模型及初始检测网络模型;人脸识别模型训练子单元,用于根据样本数据集训练初始SqueezeNet神经网络模型、初始RPN神经网络模型及初始检测网络模型,生成修正SqueezeNet神经网络模型、修正RPN神经网络模型及修正初始检测网络模型;
损失函数的公式为:
L(p,u,tu,v)=Lcls(p,u)+λ[u≥1]Lloc(tu,v)
其中,p为真实分类结果,u为预测的分类结果,t为人脸的真实位置,v为人脸预测位置。
作为上述方案的改进,调整模块还包括冲突协调单元,冲突协调单元用于判断按短期模式调整的乘车点与按长期模式调整的乘车点是否不同,判断为是,按短期模式调整乘车点,判断为否,结束判断。
实施本发明,具有如下有益效果:
本发明校车站点自适应调整方法及系统,能根据学生上车的准确位置动态地调整乘车点的位置,并提高统计学生乘车点的效率。
具体来说,第一,针对目前一个学期调整一次乘车点的情况,本发明采用的是动态调整的机制,分为短期模式及长期模式,短期模式每周判断学生实际上车位置,如果当周连续预设天数同比上周临时变化了上车位置,且变化期间的上车位置相同,则说明新的上车位置可能是以后学生经常上车的位置,可将乘车点设置为该上车位置。如果学生连续多天变化乘车点同比上周变化且变化期间的乘车点不相同,则向远程客户端发送异常提示信息。在长期模式下,以预设的周数为调节周期,提取预设周数下每周的特定日(如星期一)的上车位置,并将出现次数最多的上车位置设为每周该特定日(如星期一)的乘车点,因该上车位置可能是该特定日的固定乘车点,可方便学生乘车。另外,通过位置设备获取车辆位置信息,可以准确地调整乘车点,解决了学校、跟车老师不熟悉路况而对乘车点进行不准确的调整。
第二,针对目前人工点人数及确认学生身份,以及射频信号识别确认学生身份可能失效的情况,本发明提出射频信号识别及人脸图像识别两种方法,只要有一种识别方法运行成功,都判断为识别成功。即使一种识别方法失灵,还有一种识别方法使用,提高识别成功率。另外,人脸识别方法中使用了轻量级的SqueezeNet神经网络模型,便于在校车的移动端运行。
附图说明
图1是本发明校车站点自适应调整方法的第一实施例总体流程图;
图2是本发明校车站点自适应调整方法的第一实施例短期模式流程图;
图3是本发明校车站点自适应调整方法的第一实施例长期模式流程图;
图4是本发明校车站点自适应调整方法的第一实施例射频信号识别流程图;
图5是本发明校车站点自适应调整方法的第一实施例人脸识别流程图;
图6是本发明校车站点自适应调整方法的第一实施例SqueezeNet神经网络模型架构图;
图7是本发明校车站点自适应调整方法的第一实施例检测网络模型架构图;
图8是本发明校车站点自适应调整方法的第一实施例对人脸识别模型训练流程图;
图9是本发明校车站点自适应调整方法的第二实施例流程图;
图10是本发明校车站点自适应调整系统的第一实施例总体结构示意图;
图11是本发明校车站点自适应调整系统的第一实施例获取模块结构示意图;
图12是本发明校车站点自适应调整系统的第一实施例射频获取单元结构示意图;
图13是本发明校车站点自适应调整系统的第一实施例人脸识别单元结构示意图;
图14是本发明校车站点自适应调整系统的第一实施例训练单元结构示意图;
图15是本发明校车站点自适应调整系统的第二实施例结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。仅此声明,本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词,仅以本发明的附图为基准,其并不是对本发明的具体限定。
图1显示的是本发明校车站点自适应调整方法的第一实施例总体流程图,包括:
S101、获取学生身份信息及车辆位置信息。
S102、根据学生身份信息及车辆位置信息,识别并存储每一学生的上车位置信息。
需要说明的是,当使用两种或以上的方式获取学生身份信息,并产生多种形式的学生身份信息输出后,只要有一种方式成功获取学生身份信息即可在数据库中将上车位置信息记录为车辆位置信息。因为多种获取方法的目的都是确认学生的身份,而设置多种获取方法只是提高获取学生身份信息的成功率。防止某一获取方法的相关设备损坏导致无法成功获取学生身份信息。
S103、根据每一学生的上车位置信息通过短期模式和/或长期模式调整校车乘车点。
需要说明的是,学生可以在乘车当天临时改变上车位置。临时改变乘车点不会引发调整乘车点,下一次校车司机仍会按预定的乘车点行驶。但是,不管是否临时改变了上车位置,每次实际的上车位置信息都会进行记录,然后根据上车位置信息去调整乘车点,具体是通过短期模式和/或长期模式去进行调整。用户可以根据需要选择任意一种模式进行调整,也可以同时使用两种模式进行调整。下面步骤对该两个模式作进一步限定。
图2是通过短期模式调整校车乘车点的流程图,包括:
S201、判断同一学生的上车位置信息在一周内连续预设天数同比上周是否变化。
S202、判断为是,判断变化期间是否有预设天数的上车位置相同。
S203、判断为是,调整乘车点。
S204、判断为否,向远程客户端发送异常提示信息。
需要说明的是,短期模式的调节周期是一周。每周最后一天判断同一学生的上车位置信息在一周内连续预设天数同比上周是否变化,判断为是,判断变化期间是否有预设天数的上车位置相同,判断为是,说明该高频率的上车位置有可能是学生经常上车的地点,出于方便学生乘车的考虑,调整乘车点为该高频率的上车位置,调整时可以先向家长或学校发信息确认是否调整乘车点,然后根据家长或学校的反馈信息进行调整。判断为否,属于较异常的情况,需要向学校或家长发送提示短信,让其掌握该学生的行踪异常情况,具体可向方便携带的远程客户端,如手机,发送提示短信。另外,两次判断的“预设天数”可以相同,也可以不同。比如,第一次判断预设天数为四天,那么每周最后一天都判断该周是否连续四天里每天的上车位置同比上周相应那天的上车位置均发生变化,如果是,作进一步判断,并把第二次判断预设天数设为3天,即进一步判断上车位置同比上周发生变化的4天内是否有3天的上车位置相同,判断为是,就调整乘车点,判断为否,向远程客户端发送提示短信。另外,上述第二次判断预设的3天可以是第一次判断预设的4天内连续的3天,也可以是该4天内不连续的3天。
图3是通过长期模式调整校车乘车点的流程图,包括:
S301、提取预设周数内同一学生特定日的上车位置信息,并统计每一上车位置信息的次数。
S302、将次数最多的上车位置信息设为该学生特定日的高频上车位置信息,并将高频上车位置信息更新为该学生特定日的预设站点位置。
需要说明的是,特定日是指一周内的七个特定日,比如星期一、星期二等。预设周数内的特定日,是指预设周数内,每周的相应特定日。比如预设周数为四周,预设特定日为星期一,那么提取预设周数内同一学生特定日的上车位置信息,就是提取四周内,每周的星期一同一学生的上车位置信息,合共提取出四个上车位置信息。
长期模式考虑到学生出行可能与一周的特定日存在关联,比如有的学生在每周星期一都要去补课,或者星期二要固定去某个地方晨运。对同一学生预设周数内每周的特定日的上车位置的频率进行判断,看是否存在某种关联,进而根据这种关联来调整乘车点,方便学生乘坐校车。比如,预设判断的周数为四周,预设特定日为周日,则提取之前四周内的周日的上车位置信息,合共提取四个上车位置信息,如果四个上车位置信息出现频率最高的是A地点,说明该学生在每周周日较常在A地点上车,则将该学生在每周周日的乘车点调整为A地点,方便学生周日坐校车回学校。
获取学生身份信息时需要将获取到的信息与数据库记录的学生信息列表进行匹配或计算判断。学生信息列表用于记录所有学生的身份信息,每个学生身份信息可包括学号、姓名、班别、乘车点、上车位置及相应的上车时间,以及人脸图像等内容。
下面对获取学生身份信息的步骤进行具体说明。
获取学生身份信息的步骤包括获取并识别射频身份卡信息,如图4所示,获取并识别射频身份卡信息的具体步骤包括:
S401、射频读写器读取射频身份卡信息。
S402、判断射频身份卡信息与数据库信息是否匹配。
S403、判断为是,则识别成功。
S404、判断为否,则识别失败。
每个学生都会佩戴存有其信息的射频身份卡,校车上都安装了射频信号读写器。当学生上车时,射频信号读写器会自动读取上车学生佩戴的射频身份卡信息,然后判断读取到的射频身份卡信息与数据库的信息是否匹配,从而判断上车学生是否为数据库记录的学生之一。如果判断匹配,则射频识别成功,判断不匹配,则射频识别失败。
获取学生身份信息还包括获取并识别学生的人脸信息。如图5所示,获取并识别学生的人脸信息的具体包括:
S501、摄像头获取人脸图像信息。
S502、使用SqueezeNet神经网络模型对人脸图像信息进行特征提取处理,并输出特征图。
SqueezeNet神经网络模型的架构图如图6所示,共有十层。第一层为标准的卷积层,第二至八层为fire模块,第十层是卷积层。其中,fire模块主要由压缩卷积滤波器和扩展卷积滤波器构成,压缩卷积滤波器由1×1的卷积核构成,扩展卷积滤波器由1×1卷积核以及3×3卷积核构成。另外,在第一层卷积层,第四层fire模块,第八层fire模块和第十层卷积层后面采用最大池化操作,步长为2。
在模型的每一层后均有激活函数对该层输出的特征图的像素进行处理,如果是模型的第一层、第四层、第八层及第十层,则先运用激活函数处理,在进行最大池化操作。激活函数采用Relu函数:
ReLU(x)=max(0,x);
其中,x为特征图的像素。
摄像头获取人脸图像信息后,将人脸图像信息输入到SqueezeNet神经网路的第一层卷积层,第一卷积层对人脸图像信息进行卷积后,经过激活函数处理以及最大池化操作后输出特征图,然后输入到第二层fire模块,第二层到第十层进行类似于第一层的卷积处理及激活函数处理(部分层还进行最大池化操作),最后输出最终的特征图。
S503、使用RPN神经网络模型对特征图进行建议区域处理,并输出建议区域特征向量。
由于摄像头获取的人脸图像信息可能只有一部分包含了人脸特征,因此,在使用SqueezeNet神经网络模型提取特征图后,还要使用RPN神经网络模型对特征图做建议区域处理,得出所有潜在的包含人脸特征的区域,又称建议区域。RPN神经网络模型是一种全卷积网络,其每一层均是卷积层。利用一个小网格在特征图上进行滑动扫描,一般滑动窗口的大小为3×3。滑动窗口将做全卷积操作,根据最后一层卷积层的输出特征图数量(又称通道数),生成一个对应维数的建议区域特征向量。
S504、使用检测网络模型对建议区域特征向量进行分类处理,输出分类概率向量。
在RPN网络输出了建议区域特征向量后,就需要使用检测网络模型对建议区域特征向量进行分类。检测网络模型主要作用是检测是否有人脸,同时还可以对建议区域的边框进行回归处理,从而得出人脸图像的具体位置信息。检测网络模型主要由两个全连接层和两个分别用于分类及回归的网络构成。如图7所示的实施例,包括两个全连接层,一个用于分类的softmax层,一个用于位置边框回归的回归层。在进行分类处理的时候,全连接层的作用是按照分类类别对特征向量各个纬度的特征值进行整合识别,输出一个以类别数量为维数的向量,然后经过softmax层的softmax函数转化为各个类别的分类概率,并输出以分类概率为各维度的分类概率向量。
分类类别根据用户需要进行设置,比如需要判断建议区域是前景还是背景时,可以分为两类,又比如需要判断建议区域的人脸图像与数据库记录的哪一个学生的人脸图像匹配,可以根据学生数量划分相应数量的类别。
另外,还可以将建议区域特征向量输入到回归层,回归层将输出多个不同尺寸包围盒对应的建议区域的位置坐标。位置坐标包含了四个维度,不仅包括传统的横向、纵向坐标,还包括建议区域的宽度和高度。
S505、判断分类概率向量中一个或以上的维的值是否大于或等于预设值。
S506、判断为是,则识别成功。
S507、判断为否,则识别失败。
如判断分类概率向量一个或以上的维度的值大于或等于预设值,则说明人脸图像与数据库记录的学生人脸图像匹配,即所摄人脸图像是校车应接载的某个学生的人脸,人脸识别成功。如判断分类概率向量中所有维度的值都低于预设值,说明所摄的人脸图像与数据库记录的所有学生人脸图像都不匹配,人脸识别失败。
获取学生身份信息还包括对人脸识别模型进行训练。上述人脸识别中使用的SqueezeNet神经网络模型、基础RPN神经网络模型及基础检测网络模型需要经过训练,才能提高预测分类结果的准确度,如图8所示,具体步骤包括:
S601、获取样本数据集、基础SqueezeNet神经网络模型、基础RPN神经网络模型、基础检测网络模型及损失函数。
样本数据集就是特定数量的人脸图像集。基础SqueezeNet神经网络模型、基础RPN神经网络模型及基础检测网络模型中的每一层权值均是未经训练修正的初始值。
损失函数的公式为:
L(p,u,tu,v)=Lcls(p,u)+λ[u≥1]Lloc(tu,v)
其中,p为真实分类结果,u为预测的分类结果,t为人脸的真实位置,v为人脸预测位置。
S602、将基础SqueezeNet神经网络模型、基础RPN神经网络模型及基础检测网络模型,与损失函数结合,生成初始SqueezeNet神经网络模型、初始RPN神经网络模型及初始检测网络模型。
S603、根据样本数据集训练初始SqueezeNet神经网络模型、初始RPN神经网络模型及初始检测网络模型,生成修正SqueezeNet神经网络模型、修正RPN神经网络模型及修正初始检测网络模型。
这一过程就是输入将作为样本数据集的人脸图像集中的人脸图像,人脸图像经过SqueezeNet神经网络模型的特征提取,RPN网络模型的生成建议区域,以及检测网络模型输出预测的分类概率及位置坐标,最后再运用损失函数对预测的分类概率及位置坐标进行误差值计算,当误差L(p,u,tu,v)大于或等于预设值时,误差将反向传回之前的卷积层,并对初始SqueezeNet神经网络模型、初始RPN神经网络模型及初始检测网络模型中各个卷积层中的权值进行调整,从而使得误差L(p,u,tu,v)减少。如此完成了第一次训练。然后输入下一个人脸图像样本,并进行上述训练步骤,以进行第二次训练。在误差L(p,u,tu,v)大于或等于预设值时,将进行不限次数的训练,直至误差L(p,u,tu,v)小于预设值时结束训练。需要说明的是,第二次训练开始,每次训练调整的是前一次训练修正后的SqueezeNet神经网络模型、RPN神经网络模型及检测网络模型中各层的权值,而非初始模型中各层的权值。
在获取射频信息及人脸信息的同时,对车辆位置信息,也在通过校车上安装的全球定位系统(Global Positioning System,简称GPS)设备,来进行实时获取。射频信息、人脸信息及位置信息的获取方法均是同时进行,没有先后顺序。
图9显示的是本发明校车站点自适应调整方法的第二实施例流程图,包括:
S701、获取学生身份信息及车辆位置信息。
S702、根据学生身份信息及车辆位置信息,识别并存储每一学生的上车位置信息。
S703、根据每一学生的上车位置信息通过短期模式和/或长期模式调整校车乘车点。
S704、判断按短期模式调整的乘车点与按长期模式调整的乘车点是否不同。
S705、判断为是,按短期模式调整乘车点。
短期模式与长期模式同时运行的时候,如果按短期模式调整的乘车点与按长期模式调整的乘车点不同,则应以短期模式为准。因为本发明要解决的技术问题是对乘车点的动态调整,使得调整更及时,因此应该优先考虑短期模式调整乘车点,而且短期模式也会发短信让学校或家长进行确认,故应以学校或家长的意见为准。
本发明还公开了一种校车站点自适应调整系统,如图10所示,包括:
获取模块100,用于获取学生身份信息及车辆位置信息;
位置识别模块200,用于根据学生身份信息及车辆位置信息,识别并存储每一学生的上车位置信息;
需要说明的是,当使用两种或以上的方式获取学生身份信息,并产生多种形式的学生身份信息输出后,只要位置识别模块200判断有一种方式成功获取某一学生身份信息,即可识别出车辆位置信息为该上车位置信息,并在数据库中存储上车位置信息。设置多种获取方法的目的是提高获取学生身份信息的成功率。防止某一获取方法的相关设备损坏导致无法成功获取学生身份信息。
调整模块300,用于根据每一学生的上车位置信息通过短期模式和/或长期模式调整校车乘车点,调整模块包括短期单元310及长期单元320;
需要说明的是,学生可以在乘车当天临时改变上车位置。临时改变乘车点不会引发调整乘车点,下一次校车司机仍会按预定的乘车点行驶。但是,不管是否临时改变了上车位置,每次实际的上车位置信息位置识别模块200都会进行记录,然后调整模块300根据上车位置信息去调整乘车点,具体是通过短期模式和/或长期模式去进行调整。用户可以根据需要选择任意一种模式进行调整,也可以同时使用两种模式进行调整。下面步骤对该两个模式作进一步限定。
短期单元310用于判断同一学生的上车位置信息在一周内连续预设天数同比上周是否变化,判断为是,判断变化期间是否有预设天数的上车位置相同,判断为是,调整乘车点,判断为否,向远程客户端发送异常提示信息。
需要说明的是,短期单元310的调节周期是一周。每周最后一天短期单元310判断同一学生的上车位置信息在一周内连续预设天数同比上周是否变化,判断为是,短期单元310判断变化期间是否有预设天数的上车位置相同,判断为是,说明该高频率的上车位置有可能是学生日后经常上车的地点,出于方便学生乘车的考虑,短期单元310调整乘车点为该高频率的上车位置,调整时可以先向家长或学校发信息确认是否调整乘车点,然后根据家长或学校的反馈信息进行调整。判断为否,属于较异常的情况,短期单元310向学校或家长发送提示短信,让其掌握该学生行踪异常情况,具体可向方便携带的远程客户端,如手机,发送提示短信。另外,短期单元310两次判断中的“预设天数”可以相同,也可以不同。比如,短期单元310第一次判断预设天数为四天,那么短期单元310在每周最后一天都判断该周是否连续四天里每天的上车位置同比上周相应那天的上车位置均发生变化,如果是,作进一步判断,并把该第二次判断预设天数设为3天,即进一步判断上车位置同比上周发生变化的4天内是否有3天的上车位置相同,判断为是,短期单元310调整乘车点,判断为否,短期单元310向远程客户端发送提示短信。另外,上述第二次判断预设的3天可以是第一次判断预设的4天内连续的3天,也可以是该4天内不连续的3天。
长期单元320用于提取预设周数内同一学生特定日的上车位置信息,并统计每一上车位置信息的次数,将次数最多的上车位置信息设为该学生特定日的高频上车位置信息,并将高频上车位置信息更新为该学生特定日的预设站点位置。
需要说明的是,特定日是指一周内的七个特定日,比如星期一、星期二等。预设周数内的特定日,是指预设周数内,每周的相应特定日。比如预设周数为四周,预设特定日为星期一,那么提取预设周数内同一学生特定日的上车位置信息,就是提取四周内,每周的星期一同一学生的上车位置信息,合共提取出四个上车位置信息。
长期单元320的设置考虑到学生出行可能与一周的特定日存在关联,比如有的学生在每周星期一都要去补课,或者星期二要固定去某个地方晨运。长期单元320对同一学生预设周数内每周的特定日的上车位置的频率进行判断,看是否存在某种关联,进而根据这种关联来调整乘车点,方便学生乘坐校车。比如,预设判断的周数为四周,预设特定日为周日,则提取之前四周内的周日的上车位置信息,合共提取四个上车位置信息,如果四个上车位置信息出现频率最高的是A地点,说明该学生在每周周日较常在A地点上车,则长期单元320将该学生在每周周日的乘车点调整为A地点,方便学生周日坐校车回学校。
获取模块100需要将获取到的信息与数据库记录的学生信息列表进行匹配或计算判断。学生信息列表用于记录所有学生的身份信息,每个学生身份信息可包括学号、姓名、班别、乘车点、上车位置及相应的上车时间,以及人脸图像等内容。
下面对获取模块100的结构进行具体说明。
图11显示的是获取模块100的结构示意图,包括射频获取单元110及人脸获取单元120。
本发明在现有的射频识别单元110的基础上增加了人脸识别单元120,两个单元会同时运行,没有先后顺序。其中,射频获取单元用于获取并识别射频身份卡信息,人脸获取单元用于获取并识别人脸图像信息。采用这一结构,即使是学生没有带射频身份卡,或者人脸图像识别没有成功,也有另一种单元确认上车学生的身份。
图12显示的是射频获取单元110的结构示意图,包括:
射频读取子单元111,用于读取射频身份卡信息;
射频匹配子单元112,用于判断射频身份卡信息与数据库信息是否匹配,判断为是,则识别成功,判断为否,则识别失败。
每个学生都会佩戴存有其信息的射频身份卡。当学生上车时,射频读取子单元111会自动读取上车学生佩戴的射频身份卡信息,然后射频匹配子单元112判断读取到的射频身份卡信息与数据库的信息是否匹配,从而判断上车学生是否为数据库记录的学生之一。如果判断匹配,则射频识别成功,判断不匹配,则射频识别失败。
图13显示的是人脸获取单元120的结构示意图,包括:
图像获取子单元121,用于获取人脸图像信息;
特征提取子单元122,用于使用SqueezeNet神经网络模型对人脸图像信息进行特征提取处理,并输出特征图;
SqueezeNet神经网络模型的架构图如图6所示,共有十层。第一层为标准的卷积层,第二至八层为fire模块,第十层是卷积层。其中,fire模块主要由压缩卷积滤波器和扩展卷积滤波器构成,压缩卷积滤波器由1×1的卷积核构成,扩展卷积滤波器由1×1卷积核以及3×3卷积核构成。另外,在第一层卷积层,第四层fire模块,第八层fire模块和第十层卷积层后面采用最大池化操作,步长为2。
在模型的每一层后均有激活函数对该层输出的特征图的像素进行处理,如果是模型的第一层、第四层、第八层及第十层,则先运用激活函数处理,在进行最大池化操作。激活函数采用Relu函数:
ReLU(x)=max(0,x);
其中,x为特征图的像素。
图像获取子单元121获取人脸图像信息后,特征提取子单元122将人脸图像信息输入到SqueezeNet神经网路的第一层卷积层,第一卷积层对人脸图像信息进行卷积后,经过激活函数处理以及最大池化操作后输出特征图,然后输入到第二层fire模块,第二层到第十层进行类似于第一层的卷积处理及激活函数处理(部分层还进行最大池化操作),最后输出最终的特征图。
建议区域生成子单元123,用于使用RPN神经网络模型对特征图进行建议区域处理,并输出建议区域特征向量;
由于摄像头获取的人脸图像信息可能只有一部分包含了人脸特征,因此,在使用SqueezeNet神经网络模型提取特征图后,还要建议区域生成子单元123使用RPN神经网络模型对特征图做建议区域处理,得出所有潜在的包含人脸特征的区域,又称建议区域。RPN神经网络模型是一种全卷积网络,其每一层均是卷积层。利用一个小网格在特征图上进行滑动扫描,一般滑动窗口的大小为3×3。滑动窗口将做全卷积操作,根据最后一层卷积层的输出特征图数量(又称通道数),生成一个对应维数的建议区域特征向量。
分类回归子单元124,用于使用检测网络模型对建议区域特征向量进行分类处理,输出分类概率向量;
在RPN网络输出了建议区域特征向量后,分类回归子单元124就需要使用检测网络模型对建议区域特征向量进行分类。检测网络模型主要作用是检测是否有人脸,同时还可以对建议区域的边框进行回归处理,从而得出人脸图像的具体位置信息。检测网络模型主要由两个全连接层和两个分别用于分类及回归的网络构成。如图7所示的实施例,包括两个全连接层,一个用于分类的softmax层,一个用于位置边框回归的回归层。在进行分类处理的时候,全连接层的作用是按照分类类别对特征向量各个纬度的特征值进行整合识别,输出一个以类别数量为维数的向量,然后经过softmax层的softmax函数转化为各个类别的分类概率,并输出以分类概率为各维度的分类概率向量。
分类类别根据用户需要进行设置,比如需要判断建议区域是前景还是背景时,可以分为两类,又比如需要判断建议区域的人脸图像与数据库记录的哪一个学生的人脸图像匹配,可以根据学生数量划分相应数量的类别。
另外,分类回归子单元124还可以将建议区域特征向量输入到回归层,回归层将输出多个不同尺寸包围盒对应的建议区域的位置坐标。位置坐标包含了四个维度,不仅包括传统的横向、纵向坐标,还包括建议区域的宽度和高度。
人脸识别判断子单元125,用于判断分类概率向量中一个或以上的维的值是否大于或等于预设值,判断为是,则识别成功,判断为否,则识别失败。
人脸识别判断子单元125判断分类概率向量一个或以上的维度的值大于或等于预设值,则说明人脸图像与数据库记录的学生人脸图像匹配,即所摄人脸图像是校车应接载的某个学生的人脸,人脸识别成功。人脸识别判断子单元125判断分类概率向量中所有维度的值都低于预设值,说明所摄的人脸图像与数据库记录的所有学生人脸图像都不匹配,人脸识别失败。
获取模块100还包括训练单元130,如图14所示,训练单元130包括:
样本模型获取子单元131,用于获取样本数据集、基础SqueezeNet神经网络模型、基础RPN神经网络模型、基础检测网络模型及损失函数。
样本数据集就是特定数量的人脸图像集。基础SqueezeNet神经网络模型、基础RPN神经网络模型及基础检测网络模型中的每一层权值均是未经训练修正的初始值。
损失函数的公式为:
L(p,u,tu,v)=Lcls(p,u)+λ[u≥1]Lloc(tu,v)
其中,p为真实分类结果,u为预测的分类结果,t为人脸的真实位置,v为人脸预测位置。
初始网络生成子单元132,用于将基础SqueezeNet神经网络模型、基础RPN神经网络模型及基础检测网络模型,与损失函数结合,生成初始SqueezeNet神经网络模型、初始RPN神经网络模型及初始检测网络模型。
人脸识别模型训练子单元133,用于根据样本数据集训练初始SqueezeNet神经网络模型、初始RPN神经网络模型及初始检测网络模型,生成修正SqueezeNet神经网络模型、修正RPN神经网络模型及修正初始检测网络模型。
人脸识别模型训练子单元133输入将作为样本数据集的人脸图像集中的人脸图像,人脸图像经过SqueezeNet神经网络模型的特征提取,RPN网络模型的生成建议区域,以及检测网络模型输出预测的分类概率及位置坐标,最后再运用损失函数对预测的分类概率及位置坐标进行误差值计算,当误差L(p,u,tu,v)大于或等于预设值时,人脸识别模型训练子单元133将误差反向传回之前的卷积层,并对初始SqueezeNet神经网络模型、初始RPN神经网络模型及初始检测网络模型中各个卷积层中的权值进行调整,从而使得误差L(p,u,tu,v)减少。如此人脸识别模型训练子单元133完成了第一次训练。然后人脸识别模型训练子单元133输入下一个人脸图像样本,并进行上述训练步骤,以进行第二次训练。在误差L(p,u,tu,v)大于或等于预设值时,人脸识别模型训练子单元133将进行不限次数的训练,直到误差L(p,u,tu,v)小于预设值时,人脸识别模型训练子单元133结束训练。需要说明的是,第二次训练开始,每次训练人脸识别模型训练子单元133调整的是此前一次训练修正后的SqueezeNet神经网络模型、RPN神经网络模型及检测网络模型中各层的权值,而非初始模型中各层的权值。
获取模块还包括位置获取单元140。位置获取单元140用于获取车辆位置信息。
位置获取单元140可采用全球定位系统(Global Positioning System,简称GPS)设备,将位置获取单元140安装在每辆校车上,从而获取校车的实时位置信息。位置获取单元140与射频识别单元110及人脸识别单元120是同行运行,没有先后顺序。
图15显示的是本发明校车站点自适应调整系统的第二实施例结构示意图,与第一实施例相比,调整模块300还包括冲突协调单元330,冲突协调单元330用于判断按短期模式调整的乘车点与按长期模式调整的乘车点是否不同,判断为是,按短期模式调整乘车点,判断为否,结束判断。
短期单元310与长期单元320同时运行的时候,如果短期单元310调整的乘车点与长期单元320调整的乘车点不同,则冲突协调单元330以短期单元310调整的乘车点为准。因为本发明要解决的技术问题是对乘车点进行动态调整,使得调整更及时,因此应该优先考虑短期单元310调整的乘车点,而且短期单元310也会发短信让学校或家长进行确认,故应以学校或家长的意见为准。
以上所述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,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种校车站点自适应调整方法,其特征在于,包括:
获取学生身份信息及车辆位置信息;
根据所述学生身份信息及车辆位置信息,识别并存储每一学生的上车位置信息;
根据每一学生的上车位置信息通过短期模式和长期模式调整校车乘车点;
所述通过短期模式调整校车乘车点的步骤包括:
判断同一学生的上车位置信息在一周内连续预设天数同比上周是否变化,判断为是,判断变化期间是否有预设天数的上车位置相同,判断为是,调整乘车点;判断为否,向远程客户端发送异常提示信息;
所述通过长期模式调整校车乘车点包括:
提取预设周数内同一学生特定日的上车位置信息,并统计每一上车位置信息的次数,将次数最多的上车位置信息设为该学生特定日的高频上车位置信息,并将所述高频上车位置信息更新为该学生特定日的预设站点位置。
2.如权利要求1所述校车站点自适应调整方法,其特征在于,所述获取学生身份信息的步骤包括:
射频读写器读取射频身份卡信息;
判断所述射频身份卡信息与数据库信息是否匹配,判断为是,则识别成功,判断为否,则识别失败。
3.如权利要求1所述校车站点自适应调整方法,其特征在于,所述获取学生身份信息的步骤包括:
摄像头获取人脸图像信息;
使用SqueezeNet神经网络模型对所述人脸图像信息进行特征提取处理,并输出特征图;
使用RPN神经网络模型对所述特征图进行建议区域处理,并输出建议区域特征向量;
使用检测网络模型对所述建议区域特征向量进行分类处理,输出分类概率向量;
判断所述分类概率向量中一个或以上的维的值是否大于或等于预设值,判断为是,则识别成功,判断为否,则识别失败。
4.如权利要求1所述校车站点自适应调整方法,其特征在于,还包括:
判断按所述短期模式调整的乘车点与按所述长期模式调整的乘车点是否不同,判断为是,按所述短期模式调整乘车点,判断为否,结束判断。
5.一种校车站点自适应调整系统,其特征在于,包括:
获取模块,用于获取学生身份信息及车辆位置信息;
位置识别模块,用于根据所述学生身份信息及车辆位置信息,识别并存储每一学生的上车位置信息;
调整模块,用于根据每一学生的上车位置信息通过短期模式和长期模式调整校车乘车点,所述调整模块包括短期单元及长期单元;
所述短期单元用于判断同一学生的上车位置信息在一周内连续预设天数同比上周是否变化,判断为是,判断变化期间是否有预设天数的上车位置相同,判断为是,调整乘车点;判断为否,向远程客户端发送异常提示信息;
所述长期单元用于提取预设周数内同一学生特定日的上车位置信息,并统计每一上车位置信息的次数,将次数最多的上车位置信息设为该学生特定日的高频上车位置信息,并将所述高频上车位置信息更新为该学生特定日的预设站点位置。
6.如权利要求5所述校车站点自适应调整系统,其特征在于,所述获取模块包括射频获取单元,所述射频获取单元用于获取并识别射频身份卡信息,所述射频获取单元包括:
射频读取子单元,用于读取射频身份卡信息;
射频匹配子单元,用于判断所述射频身份卡信息与数据库信息是否匹配,判断为是,则识别成功,判断为否,则识别失败。
7.如权利要求5所述校车站点自适应调整系统,其特征在于,所述获取模块还包括人脸获取单元,所述人脸获取单元用于获取并识别人脸图像信息,所述人脸获取单元包括:
图像获取子单元,用于获取人脸图像信息;
特征提取子单元,用于使用SqueezeNet神经网络模型对所述人脸图像信息进行特征提取处理,并输出特征图;
建议区域生成子单元,用于使用RPN神经网络模型对所述特征图进行建议区域处理,并输出建议区域特征向量;
分类回归子单元,用于使用检测网络模型对所述建议区域特征向量进行分类处理,输出分类概率向量;
人脸识别判断子单元,用于判断所述分类概率向量中一个或以上的维的值是否大于或等于预设值,判断为是,则识别成功,判断为否,则识别失败。
8.如权利要求5所述校车站点自适应调整系统,其特征在于,所述调整模块还包括冲突协调单元,所述冲突协调单元用于判断按所述短期模式调整的乘车点与按所述长期模式调整的乘车点是否不同,判断为是,按所述短期模式调整乘车点,判断为否,结束判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910547761.1A CN110472813B (zh) | 2019-06-24 | 2019-06-24 | 一种校车站点自适应调整方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910547761.1A CN110472813B (zh) | 2019-06-24 | 2019-06-24 | 一种校车站点自适应调整方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472813A CN110472813A (zh) | 2019-11-19 |
CN110472813B true CN110472813B (zh) | 2023-12-22 |
Family
ID=68506941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910547761.1A Active CN110472813B (zh) | 2019-06-24 | 2019-06-24 | 一种校车站点自适应调整方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472813B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991334A (zh) * | 2019-11-29 | 2020-04-10 | 上海能塔智能科技有限公司 | 校车的用车人员监管处理方法、装置、电子设备与介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279534A (zh) * | 2013-05-31 | 2013-09-04 | 西安建筑科技大学 | 基于智能公交系统数据的公交卡乘客通勤od分布估计方法 |
CN103473656A (zh) * | 2013-09-27 | 2013-12-25 | 江苏物联网研究发展中心 | 一种智能化校车报站与点名系统 |
CN103714592A (zh) * | 2013-12-24 | 2014-04-09 | 深圳市天天上网络科技有限公司 | 一种校车的乘车监控方法和系统 |
CN204595922U (zh) * | 2015-02-16 | 2015-08-26 | 宿迁学院 | 一种基于LabVIEW的校车安全智能管理系统 |
CN106777703A (zh) * | 2016-12-19 | 2017-05-31 | 杭州讯阳科技有限公司 | 一种公交乘客实时分析系统及其构建方法 |
CN107194330A (zh) * | 2017-05-05 | 2017-09-22 | 河南中原人力资源开发中心 | 用于校车的安全保护方法、装置及系统 |
CN107818415A (zh) * | 2017-10-31 | 2018-03-20 | 东南大学 | 一种基于地铁刷卡数据的通学识别方法 |
US9965819B1 (en) * | 2015-11-25 | 2018-05-08 | John DeVries | Real-time school bus and student tracking |
CN109308546A (zh) * | 2018-08-31 | 2019-02-05 | 江苏智通交通科技有限公司 | 乘客公交出行下车站点预测方法及系统 |
WO2019056471A1 (zh) * | 2017-09-19 | 2019-03-28 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN109711581A (zh) * | 2018-12-27 | 2019-05-03 | 浙江言川科技有限公司 | 一种长期预约公共巴士的信息处理方法和装置 |
CN109764884A (zh) * | 2019-01-02 | 2019-05-17 | 北京科技大学 | 一种校车路径规划方法及规划装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9984574B2 (en) * | 2014-01-21 | 2018-05-29 | Tribal Rides, Inc. | Method and system for anticipatory deployment of autonomously controlled vehicles |
-
2019
- 2019-06-24 CN CN201910547761.1A patent/CN110472813B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279534A (zh) * | 2013-05-31 | 2013-09-04 | 西安建筑科技大学 | 基于智能公交系统数据的公交卡乘客通勤od分布估计方法 |
CN103473656A (zh) * | 2013-09-27 | 2013-12-25 | 江苏物联网研究发展中心 | 一种智能化校车报站与点名系统 |
CN103714592A (zh) * | 2013-12-24 | 2014-04-09 | 深圳市天天上网络科技有限公司 | 一种校车的乘车监控方法和系统 |
CN204595922U (zh) * | 2015-02-16 | 2015-08-26 | 宿迁学院 | 一种基于LabVIEW的校车安全智能管理系统 |
US9965819B1 (en) * | 2015-11-25 | 2018-05-08 | John DeVries | Real-time school bus and student tracking |
CN106777703A (zh) * | 2016-12-19 | 2017-05-31 | 杭州讯阳科技有限公司 | 一种公交乘客实时分析系统及其构建方法 |
CN107194330A (zh) * | 2017-05-05 | 2017-09-22 | 河南中原人力资源开发中心 | 用于校车的安全保护方法、装置及系统 |
WO2019056471A1 (zh) * | 2017-09-19 | 2019-03-28 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN107818415A (zh) * | 2017-10-31 | 2018-03-20 | 东南大学 | 一种基于地铁刷卡数据的通学识别方法 |
CN109308546A (zh) * | 2018-08-31 | 2019-02-05 | 江苏智通交通科技有限公司 | 乘客公交出行下车站点预测方法及系统 |
CN109711581A (zh) * | 2018-12-27 | 2019-05-03 | 浙江言川科技有限公司 | 一种长期预约公共巴士的信息处理方法和装置 |
CN109764884A (zh) * | 2019-01-02 | 2019-05-17 | 北京科技大学 | 一种校车路径规划方法及规划装置 |
Non-Patent Citations (4)
Title |
---|
A metaheuristic for the school bus routing problem with bus stop selection;SCHITTEKAT P 等;Europen Journal of Operational;全文 * |
基于RFID的校车人员安全管理系统;吴海兵等;《信息网络安全》;20130228(第02期);第68-69页 * |
基于云平台的校车安全管理系统的设计与实现;马苗苗等;《电子设计工程》;20170705(第13期);第42-45页 * |
基于轻量级卷积神经网络的人脸检测算法;廖辉;《中国优秀硕士学位论文全文数据库信息科技辑》;20180115;第2018年卷(第01期);第3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN110472813A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102637369B (zh) | 辅助驾驶员寻找停车位的方法和装置 | |
CN112236648B (zh) | 使用v2x补充信息增强导航体验 | |
US20210358308A1 (en) | Platooning method, apparatus and system of autonomous driving platoon | |
CN110533826B (zh) | 一种信息识别方法和系统 | |
US20140139359A1 (en) | Parking guidance system and method based on vehicle human occupancy | |
CN108648495A (zh) | 一种智能实时显示公交车拥挤程度的方法及系统 | |
US20210327273A1 (en) | Information providing system, server, onboard device, and information providing method | |
CN114743401B (zh) | 一种基于公交数字化转型的数据可视化公交调度管理平台 | |
US20210003419A1 (en) | System for Generating Confidence Values in Digital Road Maps | |
CN111613082B (zh) | 公交车自动报站方法、系统及一种远程服务器 | |
CN113194138A (zh) | 基于ai深度学习的出行管理方法和系统 | |
CN109886440A (zh) | 网约车控制方法、装置、计算机设备及存储介质 | |
CN110349427A (zh) | 一种基于大数据的智慧交通管理系统 | |
CN110472813B (zh) | 一种校车站点自适应调整方法及系统 | |
CN109297481A (zh) | 互动导航方法、装置、计算机设备及存储介质 | |
CN117974129A (zh) | 一种基于乘车行为智能补登的对账方法及系统 | |
US20100185387A1 (en) | Navigation device, navigation server, and navigation system | |
CN108759850A (zh) | 新能源汽车充电导航系统 | |
CN113542364B (zh) | 一种公交车和网约车联动的智慧交通系统 | |
US11501565B2 (en) | Passenger management device, passenger information processing device, passenger management method, and program | |
US20210295070A1 (en) | Gaze target detector | |
US20210174680A1 (en) | Information processing apparatus, operation management system, and non-transitory storage medium | |
CN113401157A (zh) | 基于透明显示车窗的座位信息系统、方法及轨道车辆 | |
CN114630779A (zh) | 信息处理方法、以及信息处理系统 | |
CN113538962A (zh) | 基于用户意图的智能停车方法、系统及装置 |
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 |