CN112183469B - 一种公共交通的拥挤度识别及自适应调整方法 - Google Patents
一种公共交通的拥挤度识别及自适应调整方法 Download PDFInfo
- Publication number
- CN112183469B CN112183469B CN202011164604.1A CN202011164604A CN112183469B CN 112183469 B CN112183469 B CN 112183469B CN 202011164604 A CN202011164604 A CN 202011164604A CN 112183469 B CN112183469 B CN 112183469B
- Authority
- CN
- China
- Prior art keywords
- target
- degree
- targets
- passenger
- dispersity
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明提出一种用于公共交通的拥挤度识别及自适应调整方法、系统、设备及计算机可读存储介质,方法包括如下步骤:对获取的视频数据进行数据处理,得到车厢内的乘客图像;采用超参数调优后的Faster‑RNN模型构建乘客头部检测模型,输入乘客图像进行目标检测;根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量;依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度。本发明提出一种公共交通的拥挤度识别及自适应调整方法,克服传统方法在公交车客流统计与拥挤程度分析问题上性能与精确度的不足,提供了一种校正机制,系统能够进行一种自适应调整的算法机制分析拥挤度,有效且精确度高。
Description
技术领域
本发明涉及公共交通客流量分析领域,特别是指一种公共交通的拥挤度识别及其自适应调整方法、系统、设备及计算机可读存储介质。
背景技术
在中国日益繁忙的交通背景下,传统方法的客流统计方法主要包括:人工调查、IC卡计数、压力板信息采集、红外线检测。这些方法容易受到人工的主观干扰,设备的局限性影响,导致效率低下。伴随工业视频监控的普及和视频图像处理技术的发展,采用基于机器视觉的人流量的检测以及拥挤度的识别已经被广泛应用在了实际生活中。以往人流量的检测和拥挤度的识别均是围绕着提高人流量检测精度以及改善算法的时间复杂度而进行,然而将算法运用到实际生活中依然会受到环境的制约。通常的人流量监测系统采用目标检测算法,并采用监督学习方法对待检测目标中提取的特征进行分类以检测图像中的人体目标。由于人体目标间的多样性与多变性给其带来极大的挑战,使其在实际场景中表现不佳。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种公共交通的拥挤度识别及自适应调整方法,克服传统方法在公交车客流统计与拥挤程度分析问题上性能与精确度的不足,提供了一种校正机制,系统能够进行一种自适应调整的算法机制分析拥挤度,有效且精确度高。
本发明采用如下技术方案:
一种用于公共交通的拥挤度识别及自适应调整方法,包括如下步骤:
对获取的视频数据进行数据处理,得到车厢内的乘客图像;
采用超参数调优后的Faster-RNN模型构建乘客头部检测模型,输入乘客图像进行目标检测;
根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量;
依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度。
具体地,所述采用超参数调优后的Faster—RNN模型,其中超参数包括:神经网络隐藏层数和学习率。
具体地,根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量,具体包括:
所述目标检测结果包括目标边框集合;
目标数量=目标边框数量;
其中,gi表示图片中拥挤程度排名靠前的M个网格区域中的第i个区域中的乘客人数
目标重叠度=目标检测结果中重叠的目标边框数/目标数量
所述目标分散度的获取具体还包括:将图片分为N*N的网格区域,根据目标检测结果获取乘客目标点,并求得每个网格区域中的乘客人数,获取拥挤程度排名靠前的M个网格区域。
具体地,所述依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度,其中所述拥挤度为:
Xα=Y
其中:X代表自变量矩阵,α代表权值矩阵,Y代表拥挤度矩阵;x1代表目标数量,x2代表集聚度,x3代表目标重叠度,目标分散度=1-集聚度;α1代表目标数量权系数,α2代表目标分散度的权系数,α3代表目标重叠度的权系数。
具体地,所述依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度,具体包括:
其中,J(α)为损失函数,根据定义将Y用X和α代替;
应用矩阵迹的计算公式:
令上式为0,解得α=(XTX)-1XTY。
具体地,所述依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度,还包括:
由X和Y矩阵组成的增广矩阵记为:
Z=(X Y)n*4
增广矩阵的叉积阵为:
多元线性回归模型的最小二乘估计量可用叉积矩阵表示:
α=(α1,α2,α3)T=(XTX)-1XTY=V11 -1V12
记新增加的样本为:
用增广矩阵进行表示为:
而叉积矩阵为:
新的权系数也就由以下公式得到:
本发明还提供一种用于公共交通的拥挤度识别及自适应调整系统,具体包括:
获取图像模块:对获取的视频数据进行数据处理,得到车厢内的乘客图像;
模型构建和优化模块:采用超参数调优后的Faster-RNN模型构建乘客头部检测模型,输入乘客图像进行目标检测;
参量计算模块:根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量;
拥挤度估计模块:依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度。
本发明另一方面还提供一种设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述一种公共交通的拥挤度识别及自适应调整方法。
本发明再一方面还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行上述一种用于公共交通的拥挤度识别及自适应调整方法。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
(1)本发明提出了一种用于公共交通的拥挤度识别及自适应调整方法与系统,通过Least Square(最小二乘法)线性拟合与增量学习的结合,实现了一种适应于车载监控的拥挤度识别自适应调整系统,通过实验证明,运行采用自适应调整的车载监控拥挤度识别系统能够准确对公交车上人流量与拥挤度做出分析处理,并对用户调整的拥挤度数值进行递进式预测调整,同时能够适用于不同的车载监控工作环境。
(2)本发明由faster-RCNN构建乘客头部检测模型及其优化,乘客目标检测迁移至密度估计,避免车内各拥挤程度类别样本缺乏的劣势。重构网络结构中的输出层,利用乘客目标检测模型输出的目标位置和大小信息完成对车内拥挤程度的评估;这些为实现系统自适应能力提供客观依据,通过实验证明,本发明能够快速准确地对拥挤度识别变化进行线性拟合,大大节省存储空间,同时提高了拥挤度的识别精度。
(3)通过Least Square(最小二乘法)线性拟合与增量学习的结合,实现了一种适应于车载监控的拥挤度识别自适应调整系统;其中最小二乘算法进行线性拟合,具有一定的自学习能力,能够在对拥挤度识别的学习训练一定数量图片后,预测能力达到一定的准确程度,但是,该算法存在一定的学习缓冲期,在此期间LS对预测线性拟合权系数与实际相差有点大,不能直接用于拥挤度识别的自适应;本发明实现了最小二乘法与增量算法结合,增量算法是在充分利用已有数据的基础上,对原有的知识模型进行更新,修正与加强。算法只需要存储原数据的叉积矩阵,对于变量维度不是很大的数据集,可以大大节省存储空间,缩短数据的的一个拟合过程时间,提高拟合效率。
附图说明
图1是本发明基于faster-RCNN来实现并构建乘客头部检测模型、优化模型框图;
图2是本发明实施例测试Faster-RCNN模型在小样本上的训练效果图;其中图(a)是一个实例图,图(b)是又一个实例图;图(c)是再一个实例图。
图3是本发明的模型压缩原理示意图;
图4是本发明实施例乘客目标点的分布图;
图5是本发明最小二乘与增量算法的结合的工作原理;
图6是本发明实施例拥挤度检测的流程图;
图7是本发明实施例小样本集的回归分析检验结果图;
图8是在小样本集上修改不同数量y值后拟合得到的的残差杠杆图;其中图(a)原数据回归分析,图(b)调整1组y值的回归分析,图(c)调整6组y值的回归分析,图(d)调整12组y值的回归分析。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
实施例,如图1示出了本发明基于faster-RCNN来实现并构建乘客头部检测模型、优化模型框图,如图6是本发明拥挤度检测的一个流程图,本发明提出的用于公共交通的拥挤度识别及自适应调整方法,具体包括如下步骤:
S1:对获取的视频数据进行数据处理,得到车厢内的乘客图像;
由于公交车、出租车车内环境,乘客目标的遮挡现象严重、光照多变,乘客目标的类内差异大;为了能够更好的优化识别检测模型,提升乘客的识别准确率,在对视频数据进行数据处理中,纳入存在遮挡、各类光照及其他外部条件下的各类乘客头部数据。
S2:采用超参数调优后的Faster-RNN模型构建乘客头部检测模型,输入乘客图像进行目标检测;
如图2是本发明实施例测试Faster-RCNN模型在小样本上的训练效果图;其中图(a)是一个实例图,图(b)是又一个实例图;图(c)是再一个实例图。从效果图中可以看出,Faster-RCNN模型在小样本的目标检测上,较为准确,且对存在遮挡、各类光照及其他外部条件下的各类乘客头部数据,检测性能仍较为优越,我们采用该模型对18张图进行测试,平均精度为71.8%,单张检测时间为0.07-0.08s。
具体地,所述采用超参数调优后的Faster-RNN模型,其中超参数包括:神经网络隐藏层数和学习率。
在性能下降的允许范围内,压缩深度卷积神经网络模型,即减少“神经网络隐藏层数”,能够有效提高模型的处理速度与效率;学习率是最重要的超参数。超参数优化或模型选择是为学习算法选择一组最优超参数时的问题,通常目的是优化算法在独立数据集上的性能的度量。通常使用交叉验证来估计这种泛化性能,如图3是模型压缩的原理示意图,在所要求的精确度范围内,压缩客流统计模型,从而提升处理速度与实用性。
S3:根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量;
具体地,根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量,具体包括:
所述目标检测结果包括目标边框集合;
目标数量=目标边框数量;
其中,gi表示图片中拥挤程度排名靠前的M个网格区域中的第i个区域中的乘客人数
目标重叠度=目标检测结果中重叠的目标边框数/目标数量
所述目标分散度的获取具体还包括:将图片分为N*N的网格区域,根据目标检测结果获取乘客目标点,并求得每个网格区域中的乘客人数,获取拥挤程度排名靠前的M个网格区域。
本发明通过计算目标数量、目标分散度以及目标重叠度参量,将乘客的目标检测迁移至密度估计,避免车内各拥挤程度类别样本缺乏的劣势。
其中,乘客目标分散度是车内乘客拥挤度的重要参考特征之一,为了计算目标分散度,需要明确目标的具体位置点,而目标检测的结果是目标边框,这里,我们认为目标的具体位置点为目标边框的中心点。如图4是本发明实施例乘客目标点的分布图;实施例中图片分为10*10的网格区域。
S4:依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度。
具体地,所述依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度,如图5示出了最小二乘与增量算法结合的工作原理图;其中所述拥挤度为:
Xα=Y
其中:X代表自变量矩阵,α代表权值矩阵,Y代表拥挤度矩阵;x1代表目标数量,x2代表集聚度,x3代表目标重叠度,目标分散度=1-集聚度;α1代表目标数量权系数,α2代表目标分散度的权系数,α3代表目标重叠度的权系数。
具体地,所述依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度,具体包括:
其中,J(α)为损失函数,根据定义将Y用X和α代替;
应用矩阵迹的计算公式:
令上式为0,解得α=(XTX)-1XTY。
具体地,所述依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度;在回归分析中,根据已有样本可以得到系数向量的最小二乘估计α,实际数据处理和应用场景下,经常会出现得到系数的估计后,又增加了新的样本,需要对α进行更新,这时需要引入增量算法:
由X和Y矩阵组成的增广矩阵记为:
Z=(X Y)n*4
增广矩阵的叉积阵为:
多元线性回归模型的最小二乘估计量可用叉积矩阵表示:
α=(α1,α2,α3)T=(XTX)-1XTY=V11 -1V12
记新增加的样本为:
用增广矩阵进行表示为:
而叉积矩阵为:
新的权系数也就由以下公式得到:
在求α时,已经得到V11,V12,不需要重新进行计算,只需计算由于利用增量算法,可以省去V11,V12的计算,这在已用样本量n很大时,可以节约大量资源。尤其是只有少量新增样本时,增量计算可以体现更大的优势。
异常值是指一组测定值中与平均值的偏差超过两倍标准差的测定值,与平均值的偏差超过三倍标准差的测定值,称为高度异常的异常值。本发明是为了和用户交互,方便用户进行适当的权值调整,从而达到用户满意。但是也不排除有人会故意刁难系统,输入一些离谱的数值,那么根据输入数值的一个范围以及系统最初得出的拥挤度,我们要有一个异常值判断方法。
首先输入数值如果小于0,或者大于1,都是不能被系统所采纳的,会自动报出数值输入有问题,不会进行函数的拟合。其次,输入数值如果与最初得到的拥挤度数值相差超过0.25,那么系统也会进行一个判断,至于为什么选择0.25作为这个范围,一是因为所求得的拥挤度y的数据标准差大概在0.13左右,两倍的话也就是0.26。二是因为0.25的偏差不多相当于一个区间范围了,拥挤度的区间判断设置了三个,分别是0-0.25“comfortable”,0.25-0.5“Normal”,0.5-1“Crowded”。综合上述两个原因将0.25设置成判断异常值范围的区间。用户输入数值与系统得出数值相差大于等于0.25都不会被采纳,也就不会影响函数权系数值。系统还是会按照原来的权系数接着进行拥挤度的预测。
如下是本发明公共交通的拥挤度识别及自适应调整方法的具体应用实施例,如图7是小样本集的回归分析检验结果图;如图8是在小样本集上修改不同数量y值后拟合得到的的残差杠杆图,其中图(a)原数据回归分析,图(b)调整1组y值的回归分析,图(c)调整6组y值的回归分析,图(d)调整12组y值的回归分析;在图中可以看出,实施例中的小样本集一共有15组数据,在回归分析检验中,分别给出了原数据回归分析,调整1组y值的回归分析,调整6组y值的回归分析,调整12组y值的回归分析的相关检验参数,且每组的回归分析检测参数R2参F_检验值,阈值f,置信度p均具有意义;图8中的残差杠杆图表明,随着数据的动态调整的组数增加,各组残差均趋向于0,进一步说明本发明提出方法的有效性。
本发明还提供一种用于公共交通的拥挤度识别及自适应调整系统,具体包括:
获取图像模块:对获取的视频数据进行数据处理,得到车厢内的乘客图像;
模型构建和优化模块:采用超参数调优后的Faster-RNN模型构建乘客头部检测模型,输入乘客图像进行目标检测;
参量计算模块:根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量;
拥挤度估计模块:依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度。
本发明另一方面还提供一种设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述一种公共交通的拥挤度识别及自适应调整方法。
本发明再一方面还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行上述一种公共交通的拥挤度识别及自适应调整方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (7)
1.一种用于公共交通的拥挤度识别及自适应调整方法,其特征在于,包括如下步骤:
对获取的视频数据进行数据处理,得到车厢内的乘客图像;
采用超参数调优后的Faster-RNN模型构建乘客头部检测模型,输入乘客图像进行目标检测;
根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量;
依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度;
根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量,具体包括:
所述目标检测结果包括目标边框集合;
目标数量=目标边框数量;
其中,gi表示图片中拥挤程度排名靠前的M个网格区域中的第i个区域中的乘客人数;
目标重叠度=目标检测结果中重叠的目标边框数/目标数量;
所述目标分散度的获取具体还包括:将图片分为N*N的网格区域,根据目标检测结果获取乘客目标点,并求得每个网格区域中的乘客人数,获取拥挤程度排名靠前的M个网格区域;
所述依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度,其中所述拥挤度为:
Xα=Y
其中:X代表自变量矩阵,α代表权值矩阵,Y代表拥挤度矩阵;x1代表目标数量,x2代表集聚度,x3代表目标重叠度,目标分散度=1-集聚度;α1代表目标数量权系数,α2代表目标分散度的权系数,α3代表目标重叠度的权系数。
2.根据权利要求1所述的一种用于公共交通的拥挤度识别及自适应调整方法,其特征在于,所述采用超参数调优后的Faster-RNN模型,其中超参数包括:神经网络隐藏层数和学习率。
3.根据权利要求1所述的一种用于公共交通的拥挤度识别及自适应调整方法,其特征在于,所述依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度,具体包括:
其中,J(α)为损失函数,根据定义将Y用X和α代替;
应用矩阵迹的计算公式:
令上式为0,解得α=(XTX)-1XTY。
4.根据权利要求3所述的一种用于公共交通的拥挤度识别及自适应调整方法,其特征在于,所述依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度,还包括:
由X和Y矩阵组成的增广矩阵记为:
Z=(X Y)n*4
增广矩阵的叉积阵为:
多元线性回归模型的最小二乘估计量可用叉积矩阵表示:
α=(α1,α2,α3)T=(XTX)-1XTY=V11 -1V12
记新增加的样本为:
用增广矩阵进行表示为:
而叉积矩阵为:
新的权系数也就由以下公式得到:
5.一种用于公共交通的拥挤度识别及自适应调整系统,其特征在于,具体包括:
获取图像模块:对获取的视频数据进行数据处理,得到车厢内的乘客图像;
模型构建和优化模块:采用超参数调优后的Faster-RNN模型构建乘客头部检测模型,输入乘客图像进行目标检测;
参量计算模块:根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量;
拥挤度估计模块:依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度;
根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量,具体包括:
所述目标检测结果包括目标边框集合;
目标数量=目标边框数量;
其中,gi表示图片中拥挤程度排名靠前的M个网格区域中的第i个区域中的乘客人数;
目标重叠度=目标检测结果中重叠的目标边框数/目标数量;
所述目标分散度的获取具体还包括:将图片分为N*N的网格区域,根据目标检测结果获取乘客目标点,并求得每个网格区域中的乘客人数,获取拥挤程度排名靠前的M个网格区域;
所述依据目标数量、目标分散度以及目标重叠度,采用增量学习和最小二乘法结合,自适应估计拥挤度,其中所述拥挤度为:
Xα=Y
其中:X代表自变量矩阵,α代表权值矩阵,Y代表拥挤度矩阵;x1代表目标数量,x2代表集聚度,x3代表目标重叠度,目标分散度=1-集聚度;α1代表目标数量权系数,α2代表目标分散度的权系数,α3代表目标重叠度的权系数。
6.一种设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011164604.1A CN112183469B (zh) | 2020-10-27 | 2020-10-27 | 一种公共交通的拥挤度识别及自适应调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011164604.1A CN112183469B (zh) | 2020-10-27 | 2020-10-27 | 一种公共交通的拥挤度识别及自适应调整方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183469A CN112183469A (zh) | 2021-01-05 |
CN112183469B true CN112183469B (zh) | 2023-07-28 |
Family
ID=73922794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011164604.1A Active CN112183469B (zh) | 2020-10-27 | 2020-10-27 | 一种公共交通的拥挤度识别及自适应调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183469B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870559B (zh) * | 2021-09-27 | 2022-08-16 | 北京理工新源信息科技有限公司 | 一种基于大数据车联网的交通流量计算方法 |
CN117475646B (zh) * | 2023-10-06 | 2024-03-29 | 纬创软件(武汉)有限公司 | 基于人工智能的行人检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017156772A1 (zh) * | 2016-03-18 | 2017-09-21 | 深圳大学 | 一种乘客拥挤度的计算方法及其系统 |
CN109117788A (zh) * | 2018-08-10 | 2019-01-01 | 重庆大学 | 一种融合ResNet和LSTM的公交车厢拥挤度检测方法 |
CN110555479A (zh) * | 2019-09-05 | 2019-12-10 | 北京工业大学 | 基于1dcnn与gru融合的故障特征学习与分类方法 |
CN110852155A (zh) * | 2019-09-29 | 2020-02-28 | 深圳市深网视界科技有限公司 | 公交乘客拥挤度检测方法、系统、装置及存储介质 |
-
2020
- 2020-10-27 CN CN202011164604.1A patent/CN112183469B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017156772A1 (zh) * | 2016-03-18 | 2017-09-21 | 深圳大学 | 一种乘客拥挤度的计算方法及其系统 |
CN109117788A (zh) * | 2018-08-10 | 2019-01-01 | 重庆大学 | 一种融合ResNet和LSTM的公交车厢拥挤度检测方法 |
CN110555479A (zh) * | 2019-09-05 | 2019-12-10 | 北京工业大学 | 基于1dcnn与gru融合的故障特征学习与分类方法 |
CN110852155A (zh) * | 2019-09-29 | 2020-02-28 | 深圳市深网视界科技有限公司 | 公交乘客拥挤度检测方法、系统、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
信息对交通出行选择行为影响的实验研究;李浩然;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;全文 * |
基于视频图像分析的地铁列车车辆拥挤度识别方法研究;张杏蔓;鲁工圆;;交通运输工程与信息学报(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112183469A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080620B (zh) | 一种基于深度学习的道路病害检测方法 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN111754498B (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
CN109325550B (zh) | 基于图像熵的无参考图像质量评价方法 | |
CN109902584B (zh) | 一种口罩缺陷的识别方法、装置、设备及存储介质 | |
CN112183469B (zh) | 一种公共交通的拥挤度识别及自适应调整方法 | |
CN109657600B (zh) | 一种视频区域移除篡改检测方法和装置 | |
CN110070539A (zh) | 基于信息熵的图像质量评价方法 | |
CN116091455A (zh) | 基于机器视觉的钢网表面缺陷判定方法 | |
CN104463165A (zh) | 一种融合Canny算子与Vibe算法的目标检测方法 | |
CN108320306A (zh) | 融合tld和kcf的视频目标跟踪方法 | |
CN116012337A (zh) | 一种基于改进YOLOv4的热轧带钢表面缺陷检测方法 | |
CN113405799A (zh) | 基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法 | |
CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN114627150A (zh) | 基于事件相机的数据处理及运动估计方法及装置 | |
CN117237279A (zh) | 一种非均匀失真全景图像盲质量评价方法及系统 | |
CN113837154B (zh) | 一种基于多任务辅助的开放集过滤系统及方法 | |
CN114707577A (zh) | 一种基于自对抗变分自编码器的异常检测方法及系统 | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
CN112784922A (zh) | 智能云端医疗影像的提取和分类方法 | |
CN112418149A (zh) | 一种基于深卷积神经网络的异常行为检测方法 | |
CN111047654A (zh) | 一种基于色彩信息的高清高速视频背景建模方法 | |
CN112950479B (zh) | 一种图像灰度区域拉伸算法 | |
CN115640531A (zh) | 一种基于残差学习与注意力机制融合的故障诊断方法 | |
CN111008596B (zh) | 基于特征期望子图校正分类的异常视频清洗方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |