CN110569819A - 一种公交车乘客再识别方法 - Google Patents
一种公交车乘客再识别方法 Download PDFInfo
- Publication number
- CN110569819A CN110569819A CN201910869467.2A CN201910869467A CN110569819A CN 110569819 A CN110569819 A CN 110569819A CN 201910869467 A CN201910869467 A CN 201910869467A CN 110569819 A CN110569819 A CN 110569819A
- Authority
- CN
- China
- Prior art keywords
- passenger
- head
- training
- shoulders
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 17
- PICXIOQBANWBIZ-UHFFFAOYSA-N zinc;1-oxidopyridine-2-thione Chemical class [Zn+2].[O-]N1C=CC=CC1=S.[O-]N1C=CC=CC1=S PICXIOQBANWBIZ-UHFFFAOYSA-N 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种公交车乘客再识别方法。所述方法的视频数据是利用摄像头从公交车前门、后门的顶部区域所拍摄的客流视频数据,识别方法包括以下步骤:检测乘客的人头和肩部区域;检测乘客的人头和肩部关键点位置;对公交车前门、后门的乘客进行识别;本发明相对于现有技术的进步在于:本发明方法具有实时性,且能够高效精确地区分出前门、后门的乘客是否为同一个人。
Description
技术领域:
本发明涉及数字图像处理和识别领域,尤其是涉及一种公交乘客再方法。
背景技术:
近几年,随着政府对智能公交事业投入力度的加大,我国智能公共交通系统已初现端倪,公交乘客再识别系统是公共交通系统的重要组成部分,此系统能给公交公司提供实时、清楚、准确的乘客交通统计数据,以此带来经济和社会效益。
传统的公交乘客再识别系统主要采用经典的机器学习方法对图像数据进行公交乘客再识别。在客流拥挤时识别的精度明显下降,所以基于经典的机器学习的乘客再识别方法逐渐地被摒弃。近几年来,随着大数据、人工智能、GPU并行计算等领域的不断发展,基于深度学习的乘客再识别技术也取得了长足的进步。在公交领域中乘客再识别是一个重要的应用领域,也是一个新的研究方向。
近年来公交领域的乘客再识别的方法主要基于经典的机器学习和深度学习技术。前一种方法多是采用诸如adaboost、svm、random forest等传统的机器学习算法对乘客进行识别,但是由于算法的本身的缺陷导致准确性有待提高,本发明采用的是最新的深度学习技术进行乘客再识别,算法的准确性和效率都得到有效的提高。
发明内容:
本发明目的是提供一种利用视频图像对乘客进行再识别的方法。这种方法能够高效精确地识别前门和后门的乘客是否为同一个人。具体技术方案如下:
所述方法的视频数据是利用摄像头从公交车前门、后门的顶部区域所拍摄的客流视频数据,具体的方法包括以下步骤:
步骤1:乘客人头和肩部目标检测:
步骤1.1:在公交车车门上方设置摄像头,采集乘客上下车的图像视频;
步骤1.2:将获得的图像视频帧转化为RGB格式;
步骤1.3:采集上、下车的乘客视频作为训练乘客头部检测模型的数据集,对每一帧图像标定乘客的头部位置并将其视为检测模型的正样本图像数据集,将所述视频帧不含乘客头部的区域视为训练检测模型的负样本训练图像数据集,将所述的正样本训练图像数据集和负样本训练图像数据集进行图像尺度归一化处理,形成相同大小的训练输入图像;
步骤1.4:使用采集的乘客头部数据集并采用轻量型的卷积神经网络进行训练,主要使用5x5的深度可分离卷积和1x1的点对卷积,搭建深度学习网络,使用多层feature map进行分类和回归,使用交叉熵损失函数进行分类,IOU损失函数进行回归,得到乘客头部检测模型;
步骤1.5:实际使用时输入采集的图像序列,输出图像中的乘客人头的位置和置信度;
步骤1.6:根据肩部在头部两侧的先验知识,将头部区域向外扩充边界,得到乘客头部和肩部的位置信息;
步骤2:乘客头部和肩部关键点检测:
步骤2.1:采集乘客的人头和肩部的图像数据,对乘客的头部的最左边和最右边、左肩的最左边、右肩的最右边画点进行标注,共4个关键点,将标注的关键点和图像作为训练集;
步骤2.2:采用基于回归算法的深度卷积网络对乘客的人头和肩部进行训练,将训练数据集经过深度神经网络转化成特征向量,然后再分成两个分支分别预测每个点的关键点置信度和亲和度向量,将关键点进行聚类,最终得到乘客头部检测模型;
步骤2.3:实际使用时输入检测到的头部和肩部的图像,输出为乘客人头和肩部的关键点位置;
步骤3:乘客再识别:
步骤3.1:收集前门和后门的乘客的头部和肩部图像数据,为每组数据标定对应的摄像头标签和乘客标签;
步骤3.2:采用基于分类算法的深度卷积网络对用乘客人头和肩部数据进行训练,利用图像和关键点信息将输入图像分割为不相同的三部分区域,使用卷积核大小为5x5和1x1的卷积层搭建的深度神经网络提取特征向量,得到头部和肩部的全局特征,以及头部和两肩部的局部特征,将全局特征和局部特征联合起来进行特征比对,使用交叉熵损失函数进行分类,使用batch hard triplets损失函数特减小类内间隔,增大类间间隔,最终得到乘客再识别模型;
步骤3.3:实际使用时输入检测到的头部和肩部的图像和关键点位置信息,输出为乘客头部和肩部的特征向量
步骤3.4:使用乘客再识别模型计算前门和后门每位乘客的头部和肩部图像的特征向量,将后门下车的每个乘客与前门上车的每个乘客的特征向量进行比对,得到距离最小值的特征向量所对应的标签即为所对应的前门乘客。
优选方案,在步骤3后,还包括:
步骤4:乘客再识别数据上传阶段:
将后门下车的每位乘客上车、下车的信息上传云端,进行数据分析。
本发明相对于现有技术的进步在于:
(一)本发明乘客再识别方法具有实时性,且能够高效精确地对前门、后门乘客进行再识别。
(二)进行乘客再识别时,采用卷积神经网络,根据关键点将图像沿着宽度方向进行分割,得到头部区域和肩部区域,通过计算图像的全局特征以及局部的头部、两肩部特征,将所有特征向量联合后的特征向量进行特征比对,该方法能有效的提高乘客再识别的准确率。
附图说明:
图1为本专利的公交车乘客再识别方法的流程示意图。
具体实施方式:
实施例:
在公交停靠在站台时,前门、后门打开,使用摄像头采集上车和下车的乘客视频帧,软件系统部署在rk3399上,将每帧的图像缩放到320x320后进行头部和肩部区域检测,输出乘客的头部和肩部区域在图像上的检测框,以及头部最左以及最右的位置,左肩最左,右肩最右的位置,检测算法模型大小约为200Kb,耗时20ms,然后根据检测框从图像中抠出乘客的头部和肩部区域使用训练好的乘客再识别模型计算256维特征向量,乘客再识别模型大小约为100Kb,耗时15ms,计算完该站前后门以及之前站所有前门上车乘客的256维特征向量之后,将后门每个下车乘客的特征向量与前门所有上车乘客的特征向量进行比对,所得距离最小的特征向量对应的ID即为上车乘客,然后删除该下车乘客的特征向量,所有特征比对完成之后,将乘客上下车的信息上传云端供后续大数据分析。
Claims (2)
1.一种公交车乘客再识别方法,其特征在于,识别方法包括如下过程:
步骤1:乘客人头和肩部目标检测:
步骤1.1:在公交车车门上方设置摄像头,采集乘客上下车的图像视频;
步骤1.2:对获得的图像视频帧转化为RGB格式;
步骤1.3:采集上、下车的乘客视频作为训练乘客头部检测模型的数据集,对每一帧图像标定乘客的头部位置并将其视为检测模型的正样本图像数据集,将所述视频帧不含乘客头部的区域视为训练检测模型的负样本训练图像数据集,将所述的正样本训练图像数据集和负样本训练图像数据集进行图像尺度归一化处理,形成相同大小的训练输入图像;
步骤1.4:使用采集的乘客头部数据集并采用轻量型的卷积神经网络进行训练,得到乘客头部检测模型;
步骤1.5:实际使用时输入采集的图像序列,输出图像中的乘客人头的位置和置信度;
步骤1.6:根据肩部在头部两侧的先验知识,将头部区域向外扩充边界,得到乘客头部和肩部的位置信息;
步骤2:乘客头部和肩部关键点检测:
步骤2.1:采集乘客的人头和肩部的图像数据,对乘客的头部的最左边和最右边、左肩的最左边、右肩的最右边画点进行标注,共4个关键点,将标注的关键点和图像作为训练集;
步骤2.2:采用基于回归算法的深度卷积网络对乘客的人头和肩部进行训练,得到乘客头部检测模型;
步骤2.3:实际使用时输入检测到的头部和肩部的图像,输出为乘客人头和肩部的关键点位置;
步骤3:乘客再识别:
步骤3.1:收集前门和后门的乘客的头部和肩部图像数据,为每组数据标定对应的摄像头标签和乘客标签;
步骤3.2:采用基于分类算法的深度卷积网络对用乘客人头和肩部数据进行训练,得到乘客再识别模型;
步骤3.3:实际使用时输入检测到的头部和肩部的图像和关键点位置信息,输出为乘客头部和肩部的特征向量;
步骤3.4:使用乘客再识别模型计算前门和后门每位乘客的头部和肩部图像的特征向量,将后门下车的每个乘客与前门上车的每个乘客的特征向量进行比对,得到距离最小值的特征向量所对应的标签即为所对应的前门乘客。
2.根据权利要求1所述一种公交车乘客再识别方法,其特征在于,在步骤3后,还包括:步骤4:乘客再识别数据上传阶段:将后门下车的每位乘客上车、下车的信息上传云端,进行数据分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910869467.2A CN110569819A (zh) | 2019-09-16 | 2019-09-16 | 一种公交车乘客再识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910869467.2A CN110569819A (zh) | 2019-09-16 | 2019-09-16 | 一种公交车乘客再识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110569819A true CN110569819A (zh) | 2019-12-13 |
Family
ID=68779995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910869467.2A Pending CN110569819A (zh) | 2019-09-16 | 2019-09-16 | 一种公交车乘客再识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110569819A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507243A (zh) * | 2020-04-15 | 2020-08-07 | 桂林电子科技大学 | 一种基于格拉斯曼流形分析的人体行为识别方法 |
CN111738062A (zh) * | 2020-05-09 | 2020-10-02 | 广智微芯(扬州)有限公司 | 一种基于嵌入式平台的自动再识别方法及系统 |
CN112084881A (zh) * | 2020-08-18 | 2020-12-15 | 桂林电子科技大学 | 一种跨域行人再识别方法、装置及存储介质 |
CN112287795A (zh) * | 2020-10-22 | 2021-01-29 | 北京百度网讯科技有限公司 | 异常驾驶姿态检测方法、装置、设备、车辆和介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101010560A (zh) * | 2004-06-29 | 2007-08-01 | 索尼株式会社 | 信息处理设备和方法、程序以及信息处理系统 |
CN103310194A (zh) * | 2013-06-07 | 2013-09-18 | 太原理工大学 | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 |
CN105512720A (zh) * | 2015-12-15 | 2016-04-20 | 广州通达汽车电气股份有限公司 | 一种公交车辆客流统计方法和系统 |
CN105913367A (zh) * | 2016-04-07 | 2016-08-31 | 北京晶众智慧交通科技股份有限公司 | 基于人脸识别和位置定位的公交客流量检测系统与方法 |
US20180001899A1 (en) * | 2015-03-26 | 2018-01-04 | Lightmetrics Technologies Pvt. Ltd. | Method and system for driver monitoring by fusing contextual data with event data to determine context as cause of event |
CN108563998A (zh) * | 2018-03-16 | 2018-09-21 | 新智认知数据服务有限公司 | 活体识别模型训练方法、活体检测方法及装置 |
CN109165612A (zh) * | 2018-08-31 | 2019-01-08 | 苏州大学 | 基于深度特征和双向knn排序优化的行人再识别方法 |
CN109285376A (zh) * | 2018-08-09 | 2019-01-29 | 同济大学 | 一种基于深度学习的公交车客流统计分析系统 |
CN109359568A (zh) * | 2018-09-30 | 2019-02-19 | 南京理工大学 | 一种基于图卷积网络的人体关键点检测方法 |
US20190188505A1 (en) * | 2017-12-14 | 2019-06-20 | COM-IoT Technologies | Distracted driver detection |
CN109934177A (zh) * | 2019-03-15 | 2019-06-25 | 艾特城信息科技有限公司 | 行人再识别方法、系统及计算机可读存储介质 |
-
2019
- 2019-09-16 CN CN201910869467.2A patent/CN110569819A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101010560A (zh) * | 2004-06-29 | 2007-08-01 | 索尼株式会社 | 信息处理设备和方法、程序以及信息处理系统 |
CN103310194A (zh) * | 2013-06-07 | 2013-09-18 | 太原理工大学 | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 |
US20180001899A1 (en) * | 2015-03-26 | 2018-01-04 | Lightmetrics Technologies Pvt. Ltd. | Method and system for driver monitoring by fusing contextual data with event data to determine context as cause of event |
CN105512720A (zh) * | 2015-12-15 | 2016-04-20 | 广州通达汽车电气股份有限公司 | 一种公交车辆客流统计方法和系统 |
CN105913367A (zh) * | 2016-04-07 | 2016-08-31 | 北京晶众智慧交通科技股份有限公司 | 基于人脸识别和位置定位的公交客流量检测系统与方法 |
US20190188505A1 (en) * | 2017-12-14 | 2019-06-20 | COM-IoT Technologies | Distracted driver detection |
CN108563998A (zh) * | 2018-03-16 | 2018-09-21 | 新智认知数据服务有限公司 | 活体识别模型训练方法、活体检测方法及装置 |
CN109285376A (zh) * | 2018-08-09 | 2019-01-29 | 同济大学 | 一种基于深度学习的公交车客流统计分析系统 |
CN109165612A (zh) * | 2018-08-31 | 2019-01-08 | 苏州大学 | 基于深度特征和双向knn排序优化的行人再识别方法 |
CN109359568A (zh) * | 2018-09-30 | 2019-02-19 | 南京理工大学 | 一种基于图卷积网络的人体关键点检测方法 |
CN109934177A (zh) * | 2019-03-15 | 2019-06-25 | 艾特城信息科技有限公司 | 行人再识别方法、系统及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
ZIQINGCHEN: "SVM_based_people_counting_method_in_the_corridor_scene_using_a_single-layer_laser_scanner", 《 2016 IEEE 19TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》 * |
李继秀等: "基于SSD卷积神经网络的公交车下车人数统计", 《计算机系统应用》 * |
谢璐: "车载视频监控中基于乘客检测和跟踪的客流计数方法", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507243A (zh) * | 2020-04-15 | 2020-08-07 | 桂林电子科技大学 | 一种基于格拉斯曼流形分析的人体行为识别方法 |
CN111507243B (zh) * | 2020-04-15 | 2022-08-19 | 桂林电子科技大学 | 一种基于格拉斯曼流形分析的人体行为识别方法 |
CN111738062A (zh) * | 2020-05-09 | 2020-10-02 | 广智微芯(扬州)有限公司 | 一种基于嵌入式平台的自动再识别方法及系统 |
CN111738062B (zh) * | 2020-05-09 | 2024-05-17 | 广智微芯(扬州)有限公司 | 一种基于嵌入式平台的自动再识别系统 |
CN112084881A (zh) * | 2020-08-18 | 2020-12-15 | 桂林电子科技大学 | 一种跨域行人再识别方法、装置及存储介质 |
CN112084881B (zh) * | 2020-08-18 | 2022-04-19 | 桂林电子科技大学 | 一种跨域行人再识别方法、装置及存储介质 |
CN112287795A (zh) * | 2020-10-22 | 2021-01-29 | 北京百度网讯科技有限公司 | 异常驾驶姿态检测方法、装置、设备、车辆和介质 |
CN112287795B (zh) * | 2020-10-22 | 2023-09-01 | 北京百度网讯科技有限公司 | 异常驾驶姿态检测方法、装置、设备、车辆和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569819A (zh) | 一种公交车乘客再识别方法 | |
CN111553387B (zh) | 一种基于Yolov3的人员目标检测方法 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
CN110033002B (zh) | 基于多任务级联卷积神经网络的车牌检测方法 | |
WO2018072233A1 (zh) | 一种基于选择性搜索算法的车标检测识别方法及系统 | |
CN108280397B (zh) | 基于深度卷积神经网络的人体图像头发检测方法 | |
WO2017156772A1 (zh) | 一种乘客拥挤度的计算方法及其系统 | |
CN102682287B (zh) | 基于显著度信息的行人检测方法 | |
Li et al. | Robust people counting in video surveillance: Dataset and system | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN107491720A (zh) | 一种基于改进型卷积神经网络的车型识别方法 | |
Ren et al. | A novel squeeze YOLO-based real-time people counting approach | |
CN109446922B (zh) | 一种实时鲁棒的人脸检测方法 | |
CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN108734200B (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
CN106845458B (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
Van Tuan et al. | ConvNets and AGMM based real-time human detection under fisheye camera for embedded surveillance | |
CN111738218A (zh) | 人体异常行为识别系统及方法 | |
CN103186776A (zh) | 基于多特征和深度信息的人体检测方法 | |
CN105893941B (zh) | 一种基于区域图像的人脸表情识别方法 | |
Yao et al. | Coupled multivehicle detection and classification with prior objectness measure | |
CN115147380A (zh) | 一种基于YOLOv5的小型透明塑料制品缺陷检测方法 | |
CN106710228A (zh) | 一种客货分道交通参数监测系统的实现方法 | |
CN110555125A (zh) | 一种基于局部特征的车辆检索方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191213 |