CN111310994B - 一种基于数据校准的公交路线预测方法及系统 - Google Patents
一种基于数据校准的公交路线预测方法及系统 Download PDFInfo
- Publication number
- CN111310994B CN111310994B CN202010086978.XA CN202010086978A CN111310994B CN 111310994 B CN111310994 B CN 111310994B CN 202010086978 A CN202010086978 A CN 202010086978A CN 111310994 B CN111310994 B CN 111310994B
- Authority
- CN
- China
- Prior art keywords
- getting
- bus
- passengers
- station
- passenger
- 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
Images
Classifications
-
- 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—Systems or methods specially adapted for 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
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Abstract
本发明提出了一种基于数据校准的公交路线预测方法及系统,该方法包括:获取公交车的停靠站点,统计该站点的上车及下车人数,通过人脸特征匹配确定本车人员的上车站点和下车站点;将公交车的所有信息发送至公交车运营服务器;通过人脸特别匹配确定一辆公交车上车的乘客是否其他公交车下车的乘客,如果是,则确定所述乘客的换乘站点;累加第一时间阈值内所有公交车各站点的上车和下车的人数得到计数总数N,同时累加所有同一辆公交车上的上下车识别匹配数量得到匹配总数P,则匹配数量校准系数为:α=N÷(P×2);基于α得到预测的公交出行需求数据。本方法基于人脸识别技术对上下车乘客进行人脸抓拍和识别匹配,并对统计数据基于人脸识别的匹配对进行校准。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种基于数据校准的公交路线预测方法及系统。
背景技术
城市交通日益拥堵,公交车作为最主要的公共交通工具,城市规划的公交路线直接关系到公交车的运营效率,体现在不同公交路线的路面拥堵和车厢拥挤情况、人员出行时间、人员乘车换乘次数等。
为了科学合理的规划城市公交路线,需要掌握市民的出行规律,统计不同时间段市民乘车需求,以达到更精准的规划预测。
目前在公交车运营中,能够采集到的主要数据有:车载GPS信息:可用于跟踪车辆行驶轨迹、到站时间、行驶速度、路线拥堵情况;刷卡记录:可用于估算各站点上车人数。
目前公交车上存在基于视频流分析的人头统计客流分析系统,可以较为准确的统计各站点的上车和下车人数信息,但是系统无法对上车和下车的人员进行匹配关联,无法预测人员去向,无法预测人员的上车和下车站点,无法预测市民出行的乘车路线信息,也就无法为城市的公交路线规划提供充分的决策数据。
在基于人脸识别的公交乘车路线预测中,通过无感知人脸识别方案存在人脸遮挡、低头、侧脸等可能情况,无法获取所有人员的正面人脸照片,导致识别匹配的人数低于实际的上下车人数,给公交运营的统计数据带来较大偏差,从而难以准确预测公交乘车需求和公交路线规划。
发明内容
本发明针对上述现有技术中的缺陷,提出了如下技术方案。
一种基于数据校准的公交路线预测方法,该方法包括:
上下车乘客统计步骤,获取公交车的停靠站点,统计该站点的上车及下车人数,通过人脸特征匹配确定本车人员的上车站点和下车站点;
发送步骤,将公交车的停靠站点及对应的上车及下车人数和本车人员的上车站点和下车站点发送至公交车运营服务器;
换乘识别步骤,通过人脸特别匹配确定一辆公交车上车的乘客是否其他公交车下车的乘客,如果是,则确定所述乘客的换乘站点,所述换乘站点、上车站点和下车站点组成乘客乘车的所有站点;
校准步骤,累加第一时间阈值内所有公交车各站点的上车和下车的人数得到计数总数N,同时累加第一时间阈值所有同一辆公交车上的上下车识别匹配数量得到匹配总数P,则人脸特征识别匹配数量校准系数为:α=N÷(P×2);
预测步骤,统计第一时间阈值内识别匹配到的所有乘客经过的站点信息,得到所有公交站点乘车数据并乘于匹配数量校准系数α得到预测的公交出行需求数据。
更进一步地,所述上下车乘客统计步骤是通过车载处理终端执行的,所述车载处理终端用于执行以下操作:通过GPS模块获取公交车的停靠站点,实时分析上客门监控摄像头视频流,进行人脸抓拍并提取上车乘客的人脸特征并统计该站点的上车人数;实时分析下客门监控摄像头视频流,进行人脸抓拍并提取下车乘客的人脸特征并统计该站点的下车人数;对上车和下车的乘客的人脸特征进行识别匹配,识别当前车辆中乘客的上车站点和下车站点;
所述车载处理终端还用于将公交车的停靠站点及对应的上车及下车人数、本车人员的上车站点及下车站点和上车和下车抓拍的乘客的人脸特征信息通过网络上传到公交运营服务器。
更进一步地,识别当前车辆中乘客的上车站点和下车站点的操作为对于下车的乘客的人脸特征,计算与上车的每一个乘客的人脸特征的相似度,取相似度最大且大于第一阈值的人脸特征对作为识别匹配结果,以确定当前车辆中乘客的上车站点和下车站点。
更进一步地,所述换乘识别步骤是通过公交运营服务器执行的,所述公交运营服务器用于执行以下操作:收到每一辆公交车每一站点的上车和下车的乘客的人脸特征后,将所述人脸特征存储到数据库中;将每一辆公交车上车的乘客的人脸特征与其它公交车下车的人脸特征计算相似度,取相似度最大且大于第二阈值的人脸特征对作为识别匹配结果,以确定所述乘客的换乘站点。
更进一步地,在所述换乘识别步骤中,限定上车与下车站点距离小于第一距离阈值且上车的乘客人脸特征与第二时间阈值内下车的乘客的人脸特征进行匹配识别。
本发明还提出了一种基于数据校准的公交路线预测系统,该系统包括车上设备和后台公交运营服务器,所述车上设备包括车载处理终端和上客门监控摄像头、下客门监控摄像头,所述车载处理终端连接所述上客门监控摄像头和下客门监控摄像头,所述车载处理终端通过无线网络与公交运营服务器相连接;
所述车载处理终端用于:获取公交车的停靠站点,统计该站点的上车及下车人数,通过人脸特征匹配确定本车人员的上车站点和下车站点;并将公交车的停靠站点及对应的上车及下车人数和本车人员的上车站点和下车站点发送至公交车运营服务器;
所述公交车运营服务器通过人脸特别匹配确定一辆公交车上车的乘客是否其他公交车下车的乘客,如果是,则确定所述乘客的换乘站点,所述换乘站点、上车站点和下车站点组成乘客乘车的所有站点;
所述公交车运营服务器用于累加第一时间阈值内所有公交车各站点的上车和下车的人数得到计数总数N,同时累加第一时间阈值所有同一辆公交车上的上下车识别匹配数量得到匹配总数P,则人脸特征识别匹配数量校准系数为:α=N÷(P×2);
所述公交车运营服务器用于统计第一时间阈值内识别匹配到的所有乘客经过的站点信息,得到所有公交站点乘车数据并乘于匹配数量校准系数α得到预测的公交出行需求数据。
更进一步地,所述车载处理终端用于执行以下操作以确定所述乘客的上车站点和下车站点:通过GPS模块获取公交车的停靠站点,实时分析上客门监控摄像头视频流,进行人脸抓拍并提取上车乘客的人脸特征并统计该站点的上车人数;实时分析下客门监控摄像头视频流,进行人脸抓拍并提取下车乘客的人脸特征并统计该站点的下车人数;对上车和下车的乘客的人脸特征进行识别匹配,识别当前车辆中乘客的上车站点和下车站点;
所述车载处理终端还用于将公交车的停靠站点及对应的上车及下车人数、本车人员的上车站点及下车站点和上车和下车抓拍的乘客的人脸特征信息通过网络上传到公交运营服务器。
更进一步地,识别当前车辆中乘客的上车站点和下车站点的操作为对于下车的乘客的人脸特征,计算与上车的每一个乘客的人脸特征的相似度,取相似度最大且大于第一阈值的人脸特征对作为识别匹配结果,以确定当前车辆中乘客的上车站点和下车站点。
更进一步地,所述公交运营服务器用于执行以下操作以确定所述乘客的换乘站点:收到每一辆公交车每一站点的上车和下车的乘客的人脸特征,将所述人脸特征存储到数据库中;将每一辆公交车上车的乘客的人脸特征与其它公交车下车的人脸特征计算相似度,取相似度最大且大于第二阈值的人脸特征对作为识别匹配结果,以确定所述乘客的换乘站点。
更进一步地,在确定所述乘客的换乘站点时,限定上车与下车站点距离小于第一距离阈值且上车的乘客人脸特征与第二时间阈值内下车的乘客的人脸特征进行匹配识别。
本发明的技术效果在于:本发明的一种基于数据校准的公交路线预测方法,该方法包括:获取公交车的停靠站点,统计该站点的上车及下车人数,通过人脸特征匹配确定本车人员的上车站点和下车站点;将公交车的停靠站点及对应的上车及下车人数和本车人员的上车站点和下车站点发送至公交车运营服务器;通过人脸特别匹配确定一辆公交车上车的乘客是否其他公交车下车的乘客,如果是,则确定所述乘客的换乘站点,所述换乘站点、上车站点和下车站点组成乘客乘车的所有站点;累加第一时间阈值内所有公交车各站点的上车和下车的人数得到计数总数N,同时累加第一时间阈值所有同一辆公交车上的上下车识别匹配数量得到匹配总数P,则人脸特征识别匹配数量校准系数为:α=N÷(P×2);统计第一时间阈值内识别匹配到的所有乘客经过的站点信息,得到所有公交站点乘车数据并乘于匹配数量校准系数α得到预测的公交出行需求数据。本方法基于人脸识别技术对上下车乘客进行人脸抓拍和识别匹配,并对统计数据基于人脸识别的匹配对进行校准,从而更加准确地预测市民出行的完整乘车路线经过的每一个公交站点,使得公交运营在掌握市民出行乘车路线需求规律后,通过合理规划公交车运行路线和发车班次,提高公交车运载能力、缩短市民乘车时间、减少道路拥堵状况,提高了城市公交的运行效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。
图1是根据本发明的实施例的一种基于数据校准的公交路线预测方法的流程图。
图2是根据本发明的实施例的一种基于数据校准的公交路线预测系统的结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的一种基于数据校准的公交路线预测方法,本发明的方法是基于人脸识别的公交路线预测系统实现的,该系统包括车上设备和后台公交运营服务器,车上设备由车载处理终端和上客门、下客门监控摄像头组成,车载处理终端通过车载以太网络连接监控摄像头,车载处理终端通过无线信号连接移动信号基站接入互联网,实现车载设备与公交运营服务器之间的信息通信。车载处理终端包含NVIDIA Jetson Nano高性能嵌入式计算模块、GPS模块、以太网模块、通信模块。上客门和下客门的监控摄像头通过以太网通信将视频流传输到车载处理终端进行实时的视频分析处理。Jetson Nano嵌入式模块可以实时处理2路视频流的人脸抓拍、人脸特征提取、人脸识别比对。车载处理终端包括4G通信模块或5G通信模块,因此,车载处理终端可以称为车载4G处理终端或车载5G处理终端,当然车载处理终端还可以包括WIFI、蓝牙等通信模块。该方法包括以下步骤。
上下车乘客统计步骤S101,获取公交车的停靠站点,统计该站点的上车及下车人数,通过人脸特征匹配确定本车人员的上车站点和下车站点。
在一个实施例中,所述上下车乘客统计步骤S101是通过车载处理终端执行的,所述车载处理终端用于执行以下操作:通过GPS模块获取公交车的停靠站点,实时分析上客门监控摄像头视频流,进行人脸抓拍并提取上车乘客的人脸特征并统计该站点的上车人数;实时分析下客门监控摄像头视频流,进行人脸抓拍并提取下车乘客的人脸特征并统计该站点的下车人数;对上车和下车的乘客的人脸特征进行识别匹配,识别当前车辆中乘客的上车站点和下车站点;所述车载处理终端还用于将公交车的停靠站点及对应的上车及下车人数、本车人员的上车站点及下车站点和上车和下车抓拍的乘客的人脸特征信息通过网络上传到公交运营服务器。
所述上、下客门监控摄像头用于采集乘客上下车的视频,并通过以太网络发送至车载处理终端,车载终端实时分析上、下客门监控摄像头视频流,统计上下车乘客的数量并进行人脸抓拍并提取上车乘客的人脸特征,进而实现对上车和下车的乘客的人脸特征进行识别匹配,识别当前车辆中乘客的上车站点和下车站点,即实现了确定乘客上下车的站点,站点的位置通过GPS模块获得,当然也可以通过其他定位模块获得,比如北斗导航模块。
在一个实施例中,识别当前车辆中乘客的上车站点和下车站点的操作为对于下车的乘客的人脸特征,计算与上车的每一个乘客的人脸特征的相似度,取相似度最大且大于第一阈值的人脸特征对作为识别匹配结果,以确定当前车辆中乘客的上车站点和下车站点。即在乘客上车时,通过GPS模块获得其上车站点,并与其人脸特征进行保存,在乘客下车时,将人脸特征与保存的车内的所有乘客的人脸特征进行比较,找到相似度最大的人脸特征,为了保证识别的准确性,该最大的相似度也需要大于第一阈值(比如,85%,90%等等),才认为是对应的下车乘客,将该乘客下车站点与对应的上车站点、人脸特征进行对应保存,并将下车站点与对应的上车站点、人脸特征一起传送至公交运营服务器中。通过上下车乘客统计步骤S101实现了精准识别乘客上下车的站点,为了精确识别每个乘客的乘车路线打下了坚实的基础,这是本发明的一个重要发明点。
发送步骤S102,将公交车的停靠站点及对应的上车及下车人数和本车人员的上车站点和下车站点发送至公交车运营服务器。
在一个实施例中,车载终端并实时将将公交车的停靠站点及对应的上车及下车人数、本车人员的上车站点及下车站点和上车和下车抓拍的乘客的人脸特征信息通过网络上传到公交运营服务器,上传至公交运营服务器中的目的是为了进一步确定乘客是否进行了换乘,以及确定换乘的站点,并为后续数据的校准做基础。且由于统计上下车的人数不是基于人脸特征的,仅仅是计数,即该统计数量较为准确,而由于乘客上下车时人脸可能被遮挡,人脸特征并不一定准确,即有的人脸后续无法匹配,进而需要数据的校准。
换乘识别步骤S103,通过人脸特别匹配确定一辆公交车上车的乘客是否其他公交车下车的乘客,如果是,则确定所述乘客的换乘站点,所述换乘站点、上车站点和下车站点组成乘客乘车的所有站点。
在一个实施例中,所述换乘识别步骤S103是通过公交运营服务器执行的,所述公交运营服务器用于执行以下操作:收到每一辆公交车每一站点的上车和下车的乘客的人脸特征,将所述人脸特征存储到数据库中;将每一辆公交车上车的乘客的人脸特征与其它公交车下车的人脸特征计算相似度,取相似度最大且大于第二阈值的人脸特征对作为识别匹配结果,以确定所述乘客的换乘站点。所述第二阈值可以等于第一阈值,在所述换乘识别步骤S103中的人脸特征相似度计算方法与步骤S101中的人脸特征相似度方法相同。为了准确的识别换乘站点,在所述换乘识别步骤S103中,限定上车与下车站点距离小于第一距离阈值(比如0-1000m)且上车的乘客人脸特征与第二时间阈值(比如15-30分钟)内下车的乘客的人脸特征进行匹配识别,这样才确定乘客是进行的换乘比较准确,这是本申请的另一重要发明点。
校准步骤S104,累加第一时间阈值内所有公交车各站点的上车和下车的人数得到计数总数N,同时累加第一时间阈值所有同一辆公交车上的上下车识别匹配数量得到匹配总数P,则人脸特征识别匹配数量校准系数为:α=N÷(P×2);前面已经描述了通过无感知人脸识别方案存在人脸遮挡、低头、侧脸等可能情况,无法获取所有人员的正面人脸照片,导致识别匹配的人数低于实际的上下车人数,而人数统计不是基于人脸特征,因此,人数统计的数据比较准确,从而基于人脸识别的匹配数量及人数统计的总数量计算得到校准系数,用于后续的公交出行数据预测中,这是本申请的另一个重要发明点。
预测步骤S105,统计第一时间阈值内识别匹配到的所有乘客经过的站点信息,得到所有公交站点乘车数据并乘于匹配数量校准系数α得到预测的公交出行需求数据。
本方法基于人脸识别技术对上下车乘客进行人脸抓拍和识别匹配,并对统计数据基于人脸识别的匹配对进行校准,从而更加准确地预测市民出行的完整乘车路线经过的每一个公交站点,使得公交运营在掌握市民出行乘车路线需求规律后,通过合理规划公交车运行路线和发车班次,提高公交车运载能力、缩短市民乘车时间、减少道路拥堵状况,提高了城市公交的运行效率。
图2示出了本发明的一种基于人脸识别的公交路线预测系统,该系统包括车上设备201和后台公交运营服务器202,所述车上设备201包括车载处理终端203和上客门监控摄像头204、下客门监控摄像头205,所述车载处理终端203通过以太网络连接所述上客门监控摄像头204和下客门监控摄像头205,所述车载处理终端203通过无线网络与公交运营服务器202相连接。
所述车载处理终端203从获取的视频流中通过人脸识别获取上下车的乘客,确定所述乘客的上车站点和下车站点,并统计相应站点的上下车的人数。车载处理终端203包含NVIDIA Jetson Nano高性能嵌入式计算模块、GPS模块、以太网模块、通信模块。上客门和下客门的监控摄像头通过以太网通信将视频流传输到车载处理终端203进行实时的视频分析处理。Jetson Nano嵌入式模块可以实时处理2路视频流的人脸抓拍、人脸特征提取、人脸识别比对。车载处理终端203包括4G通信模块或5G通信模块,因此,车载处理终端203可以称为车载4G处理终端或车载5G处理终端,当然车载处理终端203还可以包括WIFI、蓝牙等通信模块。
在一个实施例中,所述车载处理终端203通过以下操作进行上下车乘客的人数统计和识别匹配:通过GPS模块获取公交车的停靠站点,实时分析上客门监控摄像头视频流,进行人脸抓拍并提取上车乘客的人脸特征并统计该站点的上车人数;实时分析下客门监控摄像头视频流,进行人脸抓拍并提取下车乘客的人脸特征并统计该站点的下车人数;对上车和下车的乘客的人脸特征进行识别匹配,识别当前车辆中乘客的上车站点和下车站点;所述车载处理终端203还用于将公交车的停靠站点及对应的上车及下车人数、本车人员的上车站点及下车站点和上车和下车抓拍的乘客的人脸特征信息通过网络上传到公交运营服务器202。
所述上、下客门监控摄像头用于采集乘客上下车的视频,并通过以太网络发送至车载处理终端203,车载终端实时分析上、下客门监控摄像头视频流,统计上下车乘客的数量并进行人脸抓拍并提取上车乘客的人脸特征,进而实现对上车和下车的乘客的人脸特征进行识别匹配,识别当前车辆中乘客的上车站点和下车站点,即实现了确定乘客上下车的站点,站点的位置通过GPS模块获得,当然也可以通过其他定位模块获得,比如北斗导航模块。
在一个实施例中,所述车载处理终端203识别当前车辆中乘客的上车站点和下车站点的操作为对于下车的乘客的人脸特征,计算与上车的每一个乘客的人脸特征的相似度,取相似度最大且大于第一阈值的人脸特征对作为识别匹配结果,以确定当前车辆中乘客的上车站点和下车站点。即在乘客上车时,通过GPS模块获得其上车站点,并与其人脸特征进行保存,在乘客下车时,将人脸特征与保存的车内的所有乘客的人脸特征进行比较,找到相似度最大的人脸特征,为了保证识别的准确性,该最大的相似度也需要大于第一阈值(比如,85%,90%等等),才认为是对应的下车乘客,将该乘客下车站点与对应的上车站点、人脸特征进行对应保存,并将下车站点与对应的上车站点、人脸特征一起传送至公交运营服务器202中。通过人脸识别匹配乘客上下车的站点,为了精确识别每个乘客的乘车路线打下了坚实的基础,这是本发明的一个重要发明点。
在一个实施例中,车载终端并实时将将公交车的停靠站点及对应的上车及下车人数、本车人员的上车站点及下车站点和上车和下车抓拍的乘客的人脸特征信息通过网络上传到公交运营服务器202,上传至公交运营服务器202中的目的是为了进一步确定乘客是否进行了换乘,以及确定换乘的站点,并为后续数据的校准做基础。且由于统计上下车的人数不是基于人脸特征的,仅仅是计数,即该统计数量较为准确,而由于乘客上下车时人脸可能被遮挡,人脸特征并不一定准确,即有的人脸后续无法匹配,进而需要数据的校准。
所述公交运营服务器202用于通过人脸特别匹配确定一辆公交车上车的乘客是否其他公交车下车的乘客,如果是,则确定所述乘客的换乘站点,所述换乘站点、上车站点和下车站点组成乘客乘车的所有站点。
在一个实施例中,所述换乘识别是通过公交运营服务器202执行以下操作实现的:收到每一辆公交车每一站点的上车和下车的乘客的人脸特征,将所述人脸特征存储到数据库中;将每一辆公交车上车的乘客的人脸特征与其它公交车下车的人脸特征计算相似度,取相似度最大且大于第二阈值的人脸特征对作为识别匹配结果,以确定所述乘客的换乘站点。所述第二阈值可以等于第一阈值,在所述换乘识别时中的人脸特征相似度计算方法与车载处理终端203识别中的人脸特征相似度方法相同。为了准确的识别换乘站点,在所述换乘识别中,限定上车与下车站点距离小于第一距离阈值(比如0-1000m)且上车的乘客人脸特征与第二时间阈值(比如15-30分钟)内下车的乘客的人脸特征进行匹配识别,这样才确定乘客是进行的换乘比较准确,这是本申请的另一重要发明点。
所述公交运营服务器202用于累加第一时间阈值内所有公交车各站点的上车和下车的人数得到计数总数N,同时累加第一时间阈值所有同一辆公交车上的上下车识别匹配数量得到匹配总数P,则人脸特征识别匹配数量校准系数为:α=N÷(P×2);前面已经描述了通过无感知人脸识别方案存在人脸遮挡、低头、侧脸等可能情况,无法获取所有人员的正面人脸照片,导致识别匹配的人数低于实际的上下车人数,而人数统计不是基于人脸特征,因此,人数统计的数据比较准确,从而基于人脸识别的匹配数量及人数统计的总数量计算得到校准系数,用于后续的公交出行数据预测中,这是本申请的另一个重要发明点。
所述公交运营服务器202用于统计第一时间阈值内识别匹配到的所有乘客经过的站点信息,得到所有公交站点乘车数据并乘于匹配数量校准系数α得到预测的公交出行需求数据。
本系统基于人脸识别技术对上下车乘客进行人脸抓拍和识别匹配,并对统计数据基于人脸识别的匹配对进行校准,从而更加准确地预测市民出行的完整乘车路线经过的每一个公交站点,使得公交运营在掌握市民出行乘车路线需求规律后,通过合理规划公交车运行路线和发车班次,提高公交车运载能力、缩短市民乘车时间、减少道路拥堵状况,提高了城市公交的运行效率。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请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,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的装置。
最后所应说明的是:以上实施例仅以说明而非限制本发明的技术方案,尽管参照上述实施例对本发明进行了详细说明,本领域的普通技术人员应当理解:依然可以对本发明进行修改或者等同替换,而不脱离本发明的精神和范围的任何修改或局部替换,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于数据校准的公交路线预测方法,其特征在于,该方法包括:
上下车乘客统计步骤,获取公交车的停靠站点,统计该站点的上车及下车人数,通过人脸特征匹配确定本车人员的上车站点和下车站点;
发送步骤,将公交车的停靠站点及对应的上车及下车人数和本车人员的上车站点和下车站点发送至公交车运营服务器;
换乘识别步骤,通过人脸特征匹配确定一辆公交车上车的乘客是否是其他公交车下车的乘客,如果是,则确定所述乘客的换乘站点,所述换乘站点、上车站点和下车站点组成乘客乘车的所有站点;
校准步骤,累加第一时间阈值内所有公交车各站点的上车和下车的人数得到计数总数N,同时累加第一时间阈值所有同一辆公交车上的上下车识别匹配数量得到匹配总数P,则人脸特征识别匹配数量校准系数为:α=N÷(P×2);
预测步骤,统计第一时间阈值内识别匹配到的所有乘客经过的站点信息,得到所有公交站点乘车数据并乘以匹配数量校准系数α得到预测的公交出行需求数据。
2.根据权利要求1所述的方法,其特征在于,所述上下车乘客统计步骤是通过车载处理终端执行的,所述车载处理终端用于执行以下操作:通过GPS模块获取公交车的停靠站点,实时分析上客门监控摄像头视频流,进行人脸抓拍并提取上车乘客的人脸特征并统计该站点的上车人数;实时分析下客门监控摄像头视频流,进行人脸抓拍并提取下车乘客的人脸特征并统计该站点的下车人数;对上车和下车的乘客的人脸特征进行识别匹配,识别当前车辆中乘客的上车站点和下车站点;
所述车载处理终端还用于将公交车的停靠站点及对应的上车及下车人数、本车人员的上车站点及下车站点和上车和下车抓拍的乘客的人脸特征信息通过网络上传到公交运营服务器。
3.根据权利要求2所述的方法,其特征在于,识别当前车辆中乘客的上车站点和下车站点的操作为对于下车的乘客的人脸特征,计算与上车的每一个乘客的人脸特征的相似度,取相似度最大且大于第一阈值的人脸特征对作为识别匹配结果,以确定当前车辆中乘客的上车站点和下车站点。
4.根据权利要求1所述的方法,其特征在于,所述换乘识别步骤是通过公交运营服务器执行的,所述公交运营服务器用于执行以下操作:收到每一辆公交车每一站点的上车和下车的乘客的人脸特征后,将所述人脸特征存储到数据库中;将每一辆公交车上车的乘客的人脸特征与其它公交车下车的人脸特征计算相似度,取相似度最大且大于第二阈值的人脸特征对作为识别匹配结果,以确定所述乘客的换乘站点。
5.根据权利要求4所述的方法,其特征在于,在所述换乘识别步骤中,限定上车与下车站点距离小于第一距离阈值且上车的乘客人脸特征与第二时间阈值内下车的乘客的人脸特征进行匹配识别。
6.一种基于数据校准的公交路线预测系统,其特征在于,该系统包括车上设备和后台公交运营服务器,所述车上设备包括车载处理终端和上客门监控摄像头、下客门监控摄像头,所述车载处理终端连接所述上客门监控摄像头和下客门监控摄像头,所述车载处理终端通过无线网络与公交运营服务器相连接;
所述车载处理终端用于:获取公交车的停靠站点,统计该站点的上车及下车人数,通过人脸特征匹配确定本车人员的上车站点和下车站点;并将公交车的停靠站点及对应的上车及下车人数和本车人员的上车站点和下车站点发送至公交车运营服务器;
所述公交车运营服务器通过人脸特征 匹配确定一辆公交车上车的乘客是否是 其他公交车下车的乘客,如果是,则确定所述乘客的换乘站点,所述换乘站点、上车站点和下车站点组成乘客乘车的所有站点;
所述公交车运营服务器用于累加第一时间阈值内所有公交车各站点的上车和下车的人数得到计数总数N,同时累加第一时间阈值所有同一辆公交车上的上下车识别匹配数量得到匹配总数P,则人脸特征识别匹配数量校准系数为:α=N÷(P×2);
所述公交车运营服务器用于统计第一时间阈值内识别匹配到的所有乘客经过的站点信息,得到所有公交站点乘车数据并乘以 匹配数量校准系数α得到预测的公交出行需求数据。
7.根据权利要求6所述的系统,其特征在于,所述车载处理终端用于执行以下操作以确定所述乘客的上车站点和下车站点:通过GPS模块获取公交车的停靠站点,实时分析上客门监控摄像头视频流,进行人脸抓拍并提取上车乘客的人脸特征并统计该站点的上车人数;实时分析下客门监控摄像头视频流,进行人脸抓拍并提取下车乘客的人脸特征并统计该站点的下车人数;对上车和下车的乘客的人脸特征进行识别匹配,识别当前车辆中乘客的上车站点和下车站点;
所述车载处理终端还用于将公交车的停靠站点及对应的上车及下车人数、本车人员的上车站点及下车站点和上车和下车抓拍的乘客的人脸特征信息通过网络上传到公交运营服务器。
8.根据权利要求7所述的系统,其特征在于,识别当前车辆中乘客的上车站点和下车站点的操作为对于下车的乘客的人脸特征,计算与上车的每一个乘客的人脸特征的相似度,取相似度最大且大于第一阈值的人脸特征对作为识别匹配结果,以确定当前车辆中乘客的上车站点和下车站点。
9.根据权利要求6所述的系统,其特征在于,所述公交运营服务器用于执行以下操作以确定所述乘客的换乘站点:收到每一辆公交车每一站点的上车和下车的乘客的人脸特征,将所述人脸特征存储到数据库中;将每一辆公交车上车的乘客的人脸特征与其它公交车下车的人脸特征计算相似度,取相似度最大且大于第二阈值的人脸特征对作为识别匹配结果,以确定所述乘客的换乘站点。
10.根据权利要求9所述的系统,其特征在于,在确定所述乘客的换乘站点时,限定上车与下车站点距离小于第一距离阈值且上车的乘客人脸特征与第二时间阈值内下车的乘客的人脸特征进行匹配识别。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010086978.XA CN111310994B (zh) | 2020-02-11 | 2020-02-11 | 一种基于数据校准的公交路线预测方法及系统 |
PCT/CN2020/139574 WO2021159865A1 (zh) | 2020-02-11 | 2020-12-25 | 一种基于数据校准的公交路线预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010086978.XA CN111310994B (zh) | 2020-02-11 | 2020-02-11 | 一种基于数据校准的公交路线预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310994A CN111310994A (zh) | 2020-06-19 |
CN111310994B true CN111310994B (zh) | 2022-08-12 |
Family
ID=71148338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010086978.XA Active CN111310994B (zh) | 2020-02-11 | 2020-02-11 | 一种基于数据校准的公交路线预测方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111310994B (zh) |
WO (1) | WO2021159865A1 (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310994B (zh) * | 2020-02-11 | 2022-08-12 | 罗普特科技集团股份有限公司 | 一种基于数据校准的公交路线预测方法及系统 |
CN112116811B (zh) * | 2020-09-23 | 2021-11-02 | 佳都科技集团股份有限公司 | 一种进行乘车路径识别确定的方法及装置 |
WO2022067514A1 (zh) * | 2020-09-29 | 2022-04-07 | 京东方科技集团股份有限公司 | 区域人数统计方法、计算机设备、计算机可读存储介质 |
CN113158923B (zh) * | 2021-04-27 | 2022-09-06 | 华录智达科技股份有限公司 | 一种基于人脸识别的公交换乘提醒系统 |
CN113870574B (zh) * | 2021-09-17 | 2022-09-02 | 南京熊猫电子股份有限公司 | 一种自动检测客车违章载客预警的系统和方法 |
CN113888857A (zh) * | 2021-10-11 | 2022-01-04 | 南京微道科技有限公司 | 基于车联网的公共交通管理系统、装置及方法 |
CN114141044B (zh) * | 2021-11-22 | 2023-02-21 | 东南大学 | 考虑乘客选择行为的公交时刻表协调优化方法 |
CN114724365A (zh) * | 2022-03-29 | 2022-07-08 | 深圳市综合交通与市政工程设计研究总院有限公司 | 一种基于定位信息的公交载客量采集系统 |
CN114999034B (zh) * | 2022-06-01 | 2023-08-29 | 中交机电工程局有限公司 | 基于轨道交通的综合监控管理系统 |
CN114925297A (zh) * | 2022-06-24 | 2022-08-19 | 深圳市规划和自然资源数据管理中心 | 一种利用多源出行数据的城市公交出行管理系统 |
CN114973680A (zh) * | 2022-07-01 | 2022-08-30 | 哈尔滨工业大学 | 一种基于视频处理的公交客流获取系统及方法 |
CN114926153B (zh) * | 2022-07-20 | 2022-09-23 | 浙江大学滨海产业技术研究院 | 一种智慧养老出行辅助管理方法及系统 |
CN115035725A (zh) * | 2022-08-11 | 2022-09-09 | 山东恒宇电子有限公司 | 基于机器视觉的客流统计方法及系统 |
CN115358645B (zh) * | 2022-10-21 | 2023-01-17 | 安徽中科中涣信息技术有限公司 | 一种基于公交客流量监控及调度管理终端 |
CN115691128B (zh) * | 2022-10-27 | 2023-07-18 | 大连海事大学 | 一种基于多源公交数据联合挖掘的公交站点客流推算方法 |
CN115565274B (zh) * | 2022-12-06 | 2023-03-10 | 成都智元汇信息技术股份有限公司 | 一种降低安检比对开销量的检票方法、系统及存储介质 |
CN116127210B (zh) * | 2023-04-12 | 2023-07-07 | 深圳柯赛标识智能科技有限公司 | 一种信息数据推送系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654032A (zh) * | 2015-12-15 | 2016-06-08 | 重庆凯泽科技有限公司 | 基于人脸检测的公交车人数统计系统及统计方法 |
CN108288321A (zh) * | 2018-01-24 | 2018-07-17 | 哈尔滨工业大学 | 基于ic卡数据与车辆gps信息的公交站点上下客流量确定方法 |
CN108389420A (zh) * | 2018-03-13 | 2018-08-10 | 重庆邮电大学 | 一种基于历史出行特征的公交乘客下车站点实时识别方法 |
CN110097249A (zh) * | 2019-03-19 | 2019-08-06 | 厦门交保通达信息科技有限公司 | 一种公交客流监测分析系统及其方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100185486A1 (en) * | 2009-01-21 | 2010-07-22 | Disney Enterprises, Inc. | Determining demand associated with origin-destination pairs for bus ridership forecasting |
CN102822625B (zh) * | 2010-03-08 | 2015-12-16 | 纳威司达加拿大有限公司 | 用于设置运送乘客的行车路线的系统和方法 |
CN103714698B (zh) * | 2013-12-26 | 2016-09-21 | 苏州清研微视电子科技有限公司 | 基于距离图像的公交车辆客流量统计系统及方法 |
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 |
CN107240289A (zh) * | 2017-07-24 | 2017-10-10 | 济南博图信息技术有限公司 | 一种公交车线路优化管理方法及系统 |
CN111310994B (zh) * | 2020-02-11 | 2022-08-12 | 罗普特科技集团股份有限公司 | 一种基于数据校准的公交路线预测方法及系统 |
-
2020
- 2020-02-11 CN CN202010086978.XA patent/CN111310994B/zh active Active
- 2020-12-25 WO PCT/CN2020/139574 patent/WO2021159865A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654032A (zh) * | 2015-12-15 | 2016-06-08 | 重庆凯泽科技有限公司 | 基于人脸检测的公交车人数统计系统及统计方法 |
CN108288321A (zh) * | 2018-01-24 | 2018-07-17 | 哈尔滨工业大学 | 基于ic卡数据与车辆gps信息的公交站点上下客流量确定方法 |
CN108389420A (zh) * | 2018-03-13 | 2018-08-10 | 重庆邮电大学 | 一种基于历史出行特征的公交乘客下车站点实时识别方法 |
CN110097249A (zh) * | 2019-03-19 | 2019-08-06 | 厦门交保通达信息科技有限公司 | 一种公交客流监测分析系统及其方法 |
Non-Patent Citations (1)
Title |
---|
严海 ; 刘润坤.考虑公交运行可靠性的区间车发车策略.《华南理工大学学报(自然科学版)》.2019, * |
Also Published As
Publication number | Publication date |
---|---|
CN111310994A (zh) | 2020-06-19 |
WO2021159865A1 (zh) | 2021-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310994B (zh) | 一种基于数据校准的公交路线预测方法及系统 | |
WO2021159866A1 (zh) | 一种基于人脸识别的公交路线预测方法及系统 | |
CN112530166B (zh) | 基于信令数据与大数据分析识别公交出行上下车站点的方法与系统 | |
CN107845259B (zh) | 公交运行情况实时反馈系统及公交实时运行数据处理方法 | |
CN109285376B (zh) | 一种基于深度学习的公交车客流统计分析系统 | |
CN107888877B (zh) | 车辆追踪及道路交通信息采集的方法及其系统 | |
CN102622798B (zh) | 一种客流统计分析系统 | |
CN107545757B (zh) | 基于车牌识别的城市道路流速测量装置和方法 | |
CN103593974B (zh) | 一种基于定位信息的公交载客量采集方法 | |
CN109410568B (zh) | 基于用户画像和换乘规律的下车站点推测方法及系统 | |
CN103886741A (zh) | 一种基于智能公交卡的公交管理系统及方法 | |
CN104021605A (zh) | 一种公交客流实时统计系统及其统计方法 | |
CN105913367A (zh) | 基于人脸识别和位置定位的公交客流量检测系统与方法 | |
Nakashima et al. | Passenger counter based on random forest regressor using drive recorder and sensors in buses | |
CN105447592A (zh) | 一种乘客路径选择的分析方法及装置 | |
CN111027929A (zh) | 地铁票务清分方法及装置 | |
CN111611894A (zh) | 人员轨迹预测方法、装置、计算机设备及存储介质 | |
CN112601187B (zh) | 基于手机信令的公交常乘客预测方法与系统 | |
CN110321982A (zh) | 一种轨道交通断面客流量实时计算方法 | |
CN110992678A (zh) | 一种基于大数据人脸识别的公交客流统计方法 | |
CN111624638A (zh) | 基于大数据系统的行踪追溯及监控报告的生成方法 | |
CN110035129B (zh) | 一种高速公路车辆管理系统及其工作方法 | |
CN107563651B (zh) | 一种公交系统的基于大数据客流分析方法 | |
CN115410371A (zh) | 基于无感支付的城市轨道交通客流数据采集及分析方法 | |
CN116486332A (zh) | 客流量监测方法、装置、设备及存储介质 |
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 |