CN111144278A - 一种基于智能视频分析的高铁换乘电梯排队诱导方法 - Google Patents
一种基于智能视频分析的高铁换乘电梯排队诱导方法 Download PDFInfo
- Publication number
- CN111144278A CN111144278A CN201911355301.5A CN201911355301A CN111144278A CN 111144278 A CN111144278 A CN 111144278A CN 201911355301 A CN201911355301 A CN 201911355301A CN 111144278 A CN111144278 A CN 111144278A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- elevator
- frame
- target
- area
- 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
- 238000012546 transfer Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 230000006698 induction Effects 0.000 title claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于智能视频分析的高铁换乘电梯排队诱导方法,该方法在高铁站台的换乘电梯上方配备智能视频监控设备,基于智能视频分析技术进行行人目标检测和跟踪,按一定时间长度间隔统计换乘电梯前的候乘人数排序,得出最少候乘人数的两个电梯编号,比较每个引导显示屏距离这两个电梯的远近,按照从近到远的原则依次将电梯编号实时信息传送至站台每个引导显示屏,引导乘客前往人少的换乘电梯候乘,减少排队、提高换乘效率。
Description
技术领域
本发明涉及智能视频分析领域,具体而言涉及一种基于智能视频分析的高铁换乘电梯排队诱导方法。
背景技术
随着我国高铁建设的飞速发展,越来越多的人选择快速便捷的高铁作为出行工具,但由于高铁线路的局限性,很多乘客都需要都某些枢纽站进行换乘,而伴随换乘人数的增多,换乘电梯的载客效率直接影响了乘客的换乘效率并且往往会带来拥堵排队的问题,所以需要通过优化乘客对换乘电梯的选择来提高换乘效率。
目前国内高铁站台内的换乘电梯没有明确的指示引导乘客排队,所以在乘客选择电梯乘坐时往往是随意性的,这也就导致了局部电梯排队严重,局部电梯无人乘坐的资源浪费问题,并且排队拥堵同时也伴随着安全隐患,所以改善这一现状迫在眉睫。
针对目前存在的问题,本发明引入智能视频分析技术指计算机图像视觉分析技术,它是人工智能研究的一个分支,它在图像及图像描述之间建立映射关系,从而使计算机能够通过数字图像处理和分析来理解视频画面中的内容。视频智能分析通常可以分为几部分:运动目标的识别、目标跟踪与行为理解。从而提出一种基于智能视频分析的高铁换乘电梯排队诱导方法。
发明内容
本发明目的在于提供一种基于智能视频分析的高铁换乘电梯排队诱导方法,可缓解换乘电梯排队拥堵,提高乘客的换乘效率,给乘客的出行带来了很大的便利同时也保障了安全。
为达成上述目的,本发明所采用的技术方案如下:
一种基于智能视频分析的高铁换乘电梯排队诱导方法,其实现包括以下步骤:
步骤1、站台上的每个换乘电梯上方配备智能视频监控;
步骤2、行人目标检测;
步骤3、行人目标跟踪;
步骤4、按一定时间间隔进行行人计数并更新计数数据;
步骤5、按照候乘行人数量将每个换乘电梯排序,得出最少等候人数的两个电梯编号,比较每个引导显示屏距离这两个电梯的远近,按照从近到远的原则依次将电梯编号实时信息传送至站台每个引导显示屏;
进一步的,步骤2所述方法,具体如下:
移动平均背景模型是一种简单快速的背景建模算法,它对图像中的每个像素进行平均,但这种建模方法在提取前景时,会以初始帧中的移动对象为背景,产生“鬼影”现象,所以本发明添加了一个背景 SBG(sub-background),并将其设置为初始的背景B0,即
B0(x,y)=SBG(x,y) (1)
a)从前景提取行人轮廓;
b)去除不符合行人高宽比或面积限制条件的轮廓;
设以下x,y分别为背景模型在像素坐标系中的横坐标和纵坐标,通过从当前帧图像I(x,y)中减去背景模型B(x,y)得到差分图像D(x,y),如式(2),将D(x,y)与设置的阈值T进行比较,确定前景像素和背景像素,如式(3),
D(x,y)=I(x,y)-B(x,y) (2)
由于光线和其他条件的影响,背景并不总是处于静止状态,所以背景模型通过加权进行更新,如式(4),α为更新速率,取值范围为0 ~1,本发明中α取0.005,Bn与Bn+1分别为第n和第n+1帧时的背景模型,
Bn+1(x,y)=(1-a)Bn(x,y)+aI(x,y) (4)
从而辅助背景可以很好的克服视频初始帧有运动物体的情况,然后对得到的前景图像进行高斯滤波降噪处理;
c)将满足要求的行人轮廓运动参数保存到跟踪阵列中。
进一步的步骤3所述行人目标跟踪,具体如下:
本发明选择了基于区域匹配的跟踪方法,在当前帧中检测到运动目标时,通过与前一帧的检测结果进行匹配来跟踪目标,为了便于计算,使用矩形框来代表行人。
S1:检测当前帧的行人目标,将行人区域、帧数、质心等数据记录到跟踪阵列中,制作行人矩形框:
当行人进入当前帧的检测区域时,行人状态标记为1,表示行人已进入检测区域。同时,用矩形框标记目标。然后在跟踪阵列中记录帧数、检测帧的和、质心和轮廓面积。如果行人离开检测区域,则行人状态为0。在对目标进行跟踪时,为了避免重复检测行人轮廓,可以利用跟踪阵列中的质心、轮廓面积、帧数等信息来判断是否存在匹配的行人;
S2:检测下一帧行人目标,将行人区域、帧数、质心等数据记录到跟踪阵列中,并为行人制作矩形框:
当行人进入当前帧的检测区域时,行人状态标记为1,表示行人已进入检测区域。同时,用外切矩形标记目标。然后在跟踪阵列中记录帧数、检测帧的和、质心和轮廓面积。如果行人离开检测区域,则行人状态为0;
S3:比较当前帧中的行人I和跟踪阵列中每个行人M的信息,包括质心、轮廓面积、帧数,如果满足匹配条件,则I匹配M,直到当前帧中的所有行人都得到匹配结果:
如果质心和轮廓面积小于设置的阈值,则进行匹配。然后更新跟踪数组中的行人信息,并将匹配的标志FindPerson设置为true,如果设置的阈值不满足,则意味着在跟踪数组中输入一个新的行人并创建一个新的行人信息,然后将匹配标志FindPerson设置为false,搜索需要将当前帧中检测到的每个目标与跟踪阵列中未匹配的目标按顺序进行匹配,避免了目标的丢失,达到了跟踪的效果;
S4:更新当前帧行人的所有数据,转到S2继续跟踪后续帧。
进一步的步骤4按一定时间间隔进行行人计数方法,具体如下:
在实际生活中,大部分的行人都有朋友陪伴,但是被检测到的行人在移动的过程中会改变轮廓的大小,导致相邻矩形的融合和计数错误,为了解决这个问题,本发明设置了不同固定大小的矩形框来代表单个行人和多个行人,行人的数量是通过比较行人区域和不同矩形盒子的大小来确定的。
行人计数部分采用虚拟门设置技术,即在监控区域内合理设置两条虚拟计数线,通过判断行人轨迹是否越过虚拟计数线来对行人进行计数。由于行人在监控区域内行为的任意性,如果采用单虚拟线计数,无法对行人的运动方向、行人在监控区域内滞留等情况进行准确判断,因此,本发明算法采用双虚拟线计数,具体如下:
i)本发明设定以30秒为周期,实时更新计数数据。
ii)行人轨迹越过虚拟线A或者虚拟线B进入监控区域,却连续多帧(从跨入起到本周期结束)未跨出虚拟线A和虚拟线B,则对行人进行计数。
iii)计数后,行人信息全部设置为零,表示删除目标。
本发明算法不断对行人目标进行检测、跟踪和计数,直至视频播放完成,从而完成人数统计。
进一步的步骤5所述方法,具体如下:
I)将每个换乘电梯前候乘行人数量排序,得出最少等候人数的两个电梯编号。
II)比较每个引导显示屏距离这两个电梯的远近,将两个电梯编号信息根据与各个引导显示屏的距离按照从近到远的原则依次传送至站台每个引导显示屏上显示。
本发明与现有技术相比,其显著优点为:
1、涉及在采用移动平均背景模型时,本发明在此基础上添加了一个背景SBG(sub-background),并将其设置为初始的背景B0,减少了误差;
2、涉及行人计数部分采用虚拟门设置技术,在监控区域内合理设置虚拟计数线,通过判断行人轨迹是否越过虚拟计数线来对行人进行计数,可以对行人运动方向和监控区域滞留情况进行准确判断;
3、此排队诱导方法可缓解换乘乘客排队,提高换乘效率;
4、快速疏散客流,减少换乘站内的乘客数量,保障行人安全。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明的工作流程图;
图2为本发明行人计数算法中虚拟门设置方法;
图3为站台引导显示屏。
具体实施方式
下面结合附图及具体实施例子对本发明作进一步详细说明。
如图1所示,本发明基于智能视频分析的高铁换乘电梯排队诱导方法,其实现包括以下步骤:
步骤1、站台上的每个换乘电梯配备智能视频监控;
步骤2、行人目标检测:
对图像中的每个像素进行平均,建立移动平均背景模型,添加一个背景SBG(sub-background),设以下x,y分别为背景模型在像素坐标系中的横坐标和纵坐标,将背景SBG设置为初始的背景B0,即
B0(x,y)=SBG(x,y) (1)
a)从前景提取行人轮廓;
b)去除不符合行人高宽比或面积限制条件的轮廓;
通过从当前帧图像I(x,y)中减去背景模型B(x,y)得到差分图像D(x,y),如式(2),比较D(x,y)与设置的阈值T,确定前景像素和背景像素,如式(3),
D(x,y)=I(x,y)-B(x,y) (2)
加权使背景模型更新,如式(4),α为更新速率,取值范围为0~1,本发明中α取0.005,Bn与Bn+1分别为第n和第n+1 帧时的背景模型,
Bn+1(x,y)=(1-a)Bn(x,y)+aI(x,y) (4)
c)将满足要求的行人轮廓运动参数保存到跟踪阵列中。
步骤3、行人目标跟踪:
在当前帧中检测到运动目标时,通过与前一帧的检测结果进行匹配来跟踪目标,并使用矩形框来代表行人,
S1:检测当前帧的行人目标,将行人区域、帧数、质心等数据记录到跟踪阵列中,制作行人矩形:
当行人进入当前帧的检测区域时,行人状态标记为1,表示行人已进入检测区域,同时,用矩形框标记目标,然后在跟踪阵列中记录帧数、检测帧的和、质心和轮廓面积,如果行人离开检测区域,则行人状态为0,在对目标进行跟踪时,利用跟踪阵列中的质心、轮廓面积、帧数等信息判断是否存在匹配的行人;
S2:检测下一帧行人目标,将行人区域、帧数、质心等数据记录到跟踪阵列中,并为行人制作矩形框:
当行人进入当前帧的检测区域时,行人状态标记为1,表示行人已进入检测区域,同时,用外切矩形标记目标,然后在跟踪阵列中记录帧数、检测帧的和、质心和轮廓面积,如果行人离开检测区域,则行人状态为0;
S3:比较当前帧中的行人I和跟踪阵列中每个行人M的信息,包括(质心、轮廓面积、帧数),如果满足匹配条件,则I 匹配M,直到当前帧中的所有行人都得到匹配结果:
如果质心和轮廓面积小于设置的阈值,则进行匹配,然后更新跟踪数组中的行人信息,并将匹配的标志FindPerson设置为true,如果质心和轮廓面积大于等于设置的阈值,则在跟踪数组中输入一个新的行人并创建一个新的行人信息,然后将匹配标志FindPerson设置为false,搜索需要将当前帧中检测到的每个目标与跟踪阵列中未匹配的目标按顺序进行匹配;
S4:更新当前帧行人的所有数据,转到b)继续跟踪后续帧。
步骤4、按一定时间间隔进行行人计数并更新计数数据:
设置不同固定大小的矩形框来代表单个行人和多个行人,比较行人区域和不同矩形盒子的大小来确定行人的数量,行人计数部分在监控区域内横向与电梯门平行设置两条间距5m的虚拟计数线如图2中21、22所示,行人计数方法具体如下:
i)本发明设定以30秒为周期,实时更新计数数据;
ii)行人轨迹越过虚拟线A或者虚拟线B进入监控区域,却连续多帧(从跨入起到本周期结束)未跨出虚拟线A和虚拟线B,则对行人进行计数;
iii)一个周期计数完成后,行人信息全部设置为零,表示删除目标。
步骤5所述方法,具体如下:
I)将每个换乘电梯前候乘行人数量排序,得出最少等候人数的两个电梯编号;
II)比较每个引导显示屏距离这两个电梯的远近,将两个电梯编号信息根据与各个引导显示屏的距离按照从近到远的原则依次传送至站台每个引导显示屏上显示如图3中31、32所示。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰因此,本发明的保护范围当视权利要求书所界定。
Claims (5)
1.一种基于智能视频分析的高铁换乘电梯排队诱导方法,其特征在于,包括以下步骤:
步骤1、站台上的每个换乘电梯上方配备智能视频监控;
步骤2、行人目标检测;
步骤3、行人目标跟踪;
步骤4、按一定时间间隔进行行人计数并更新计数数据;
步骤5、按照候乘行人数量将每个换乘电梯排序,得出最少等候人数的两个电梯编号,比较每个引导显示屏距离这两个电梯的远近,按照从近到远的原则依次将电梯编号实时信息传送至站台每个引导显示屏。
2.根据权利要求1所述的一种基于智能视频分析的高铁换乘电梯排队诱导方法,其特征在于,步骤2行人目标检测,具体如下:
对图像中的每个像素进行平均,建立移动平均背景模型,添加一个背景SBG(sub-background),设以下x,y分别为背景模型在像素坐标系中的横坐标和纵坐标,将背景SBG设置为初始的背景B0,即
B0(x,y)=SBG(x,y) (1)
a)从前景提取行人轮廓;
b)去除不符合行人高宽比或面积限制条件的轮廓;
通过从当前帧图像I(x,y)中减去背景模型B(x,y)得到差分图像D(x,y),如式(2),比较D(x,y)与设置的阈值T,确定前景像素和背景像素,
D(x,y)=I(x,y)-B(x,y) (2)
加权使背景模型更新,
Bn+1(x,y)=(1-a)Bn(x,y)+aI(x,y) (4)
其中,α为更新速率,取值范围为0~1,本发明中α取0.005,Bn与Bn+1分别为第n和第n+1帧时的背景模型,
辅助背景克服视频初始帧有运动物体的情况,对得到的前景图像进行高斯滤波降噪处理;
c)将满足要求的行人轮廓运动参数保存到跟踪阵列中。
3.根据权利要求1所述的一种基于智能视频分析的高铁换乘电梯排队诱导方法,其特征在于,步骤3所述行人目标跟踪,具体如下:
在当前帧中检测到运动目标时,通过与前一帧的检测结果进行匹配来跟踪目标,并使用矩形框来代表行人,
S1:检测当前帧的行人目标,将行人区域、帧数、质心等数据记录到跟踪阵列中,制作行人矩形:
当行人进入当前帧的检测区域时,行人状态标记为1,表示行人已进入检测区域,同时,用矩形框标记目标,然后在跟踪阵列中记录帧数、检测帧的和、质心和轮廓面积,如果行人离开检测区域,则行人状态为0,在对目标进行跟踪时,利用跟踪阵列中的质心、轮廓面积、帧数等信息判断是否存在匹配的行人;
S2:检测下一帧行人目标,将行人区域、帧数、质心等数据记录到跟踪阵列中,并为行人制作矩形框:
当行人进入当前帧的检测区域时,行人状态标记为1,表示行人已进入检测区域,同时,用外切矩形标记目标,然后在跟踪阵列中记录帧数、检测帧的和、质心和轮廓面积,如果行人离开检测区域,则行人状态为0;
S3:比较当前帧中的行人I和跟踪阵列中每个行人M的信息,包括(质心、轮廓面积、帧数),如果满足匹配条件,则I匹配M,直到当前帧中的所有行人都得到匹配结果:
如果质心和轮廓面积小于设置的阈值,则进行匹配,然后更新跟踪数组中的行人信息,并将匹配的标志FindPerson设置为true,如果质心和轮廓面积大于等于设置的阈值,则在跟踪数组中输入一个新的行人并创建一个新的行人信息,然后将匹配标志FindPerson设置为false,搜索需要将当前帧中检测到的每个目标与跟踪阵列中未匹配的目标按顺序进行匹配;
S4:更新当前帧行人的所有数据,转到S2继续跟踪后续帧。
4.根据权利要求1所述的一种基于智能视频分析的高铁换乘电梯排队诱导方法,其特征在于,步骤4按一定时间间隔进行行人计数并更新计数数据,具体如下:
设置不同固定大小的矩形框来代表单个行人和多个行人,比较行人区域和不同矩形盒子的大小来确定行人的数量,行人计数部分在监控区域内横向与电梯门平行设置两条间距5m的虚拟计数线,行人计数方法具体如下:
i)本发明设定以30秒为周期,实时更新计数数据;
ii)行人轨迹越过虚拟线A或者虚拟线B进入监控区域,却连续多帧(从跨入起到本周期结束)未跨出虚拟线A和虚拟线B,则对行人进行计数;
iii)一个周期计数完成后,行人信息全部设置为零,表示删除目标。
5.根据权利要求1所述的一种基于智能视频分析的高铁换乘电梯排队诱导方法,其特征在于,步骤4所述方法,具体如下:
I)将每个换乘电梯前候乘行人数量排序,得出最少等候人数的两个电梯编号;
II)比较每个引导显示屏距离这两个电梯的远近,将两个电梯编号信息根据与各个引导显示屏的距离按照从近到远的原则依次传送至站台每个引导显示屏上显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911355301.5A CN111144278B (zh) | 2019-12-25 | 2019-12-25 | 一种基于智能视频分析的高铁换乘电梯排队诱导方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911355301.5A CN111144278B (zh) | 2019-12-25 | 2019-12-25 | 一种基于智能视频分析的高铁换乘电梯排队诱导方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144278A true CN111144278A (zh) | 2020-05-12 |
CN111144278B CN111144278B (zh) | 2022-09-13 |
Family
ID=70519922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911355301.5A Active CN111144278B (zh) | 2019-12-25 | 2019-12-25 | 一种基于智能视频分析的高铁换乘电梯排队诱导方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144278B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206585649U (zh) * | 2017-03-02 | 2017-10-24 | 上海申通地铁集团有限公司 | 用于地铁车站的客流监控装置 |
CN108416315A (zh) * | 2018-03-16 | 2018-08-17 | 杜永波 | 一种地铁进站口客流疏导系统 |
CN109678014A (zh) * | 2019-01-18 | 2019-04-26 | 深圳壹账通智能科技有限公司 | 电梯运行调度方法、装置、设备及存储介质 |
-
2019
- 2019-12-25 CN CN201911355301.5A patent/CN111144278B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206585649U (zh) * | 2017-03-02 | 2017-10-24 | 上海申通地铁集团有限公司 | 用于地铁车站的客流监控装置 |
CN108416315A (zh) * | 2018-03-16 | 2018-08-17 | 杜永波 | 一种地铁进站口客流疏导系统 |
CN109678014A (zh) * | 2019-01-18 | 2019-04-26 | 深圳壹账通智能科技有限公司 | 电梯运行调度方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111144278B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105844234B (zh) | 一种基于头肩检测的人数统计的方法及设备 | |
CN111144247B (zh) | 一种基于深度学习的自动扶梯乘客逆行检测方法 | |
CN110517288A (zh) | 基于全景多路4k视频图像的实时目标检测跟踪方法 | |
CN105744232A (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN104063885A (zh) | 一种改进的运动目标检测与跟踪方法 | |
CN109446967B (zh) | 一种基于压缩信息的人脸检测方法和系统 | |
CN110633678B (zh) | 一种基于视频图像的快速高效的车流量计算方法 | |
CN111881749B (zh) | 基于rgb-d多模态数据的双向人流量统计方法 | |
CN110874592A (zh) | 一种基于总有界变分的森林火灾烟雾图像检测方法 | |
CN111709300A (zh) | 基于视频图像的人群计数方法 | |
CN106127812A (zh) | 一种基于视频监控的客运站非出入口区域的客流统计方法 | |
CN116153086B (zh) | 基于深度学习的多路段交通事故及拥堵检测方法及系统 | |
CN103646254A (zh) | 一种高密度行人检测方法 | |
CN109063630B (zh) | 一种基于可分离卷积技术和帧差补偿策略的快速车辆检测方法 | |
Anandhalli et al. | Improvised approach using background subtraction for vehicle detection | |
CN111695545A (zh) | 一种基于多目标追踪的单车道逆行检测方法 | |
CN111414938A (zh) | 一种板式换热器内气泡的目标检测方法 | |
CN115049954A (zh) | 目标识别方法、装置、电子设备和介质 | |
CN107729811B (zh) | 一种基于场景建模的夜间火焰检测方法 | |
CN104077788B (zh) | 融合颜色和纹理信息进行块背景建模的运动目标检测方法 | |
CN111144278B (zh) | 一种基于智能视频分析的高铁换乘电梯排队诱导方法 | |
CN105678268B (zh) | 一种基于双区域学习的地铁站场景行人计数实现方法 | |
CN113538968B (zh) | 用于输出信息的方法和装置 | |
CN112329671B (zh) | 一种基于深度学习的行人奔跑行为检测方法及相关组件 | |
CN103606280A (zh) | 一种信息识别方法、装置以及系统 |
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 |