CN112699741A - 一种公交车内部拥挤度计算方法、系统及设备 - Google Patents

Abstract

本发明公开了一种公交车内部拥挤度计算方法、系统及设备。本发明通过实时获取摄像头拍摄到的公交车内部图片，将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值；基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注，得到人脸数量，根据人脸数量计算公交车内部的拥挤度。本发明将卷积神经网络模型与检测公交车拥挤度相结合，通过公交车的摄像头拍摄公交车内部图片，并部署深度卷积神经网络模型算法，实时准确检测出公交车车厢人群拥挤度。本发明解决现有技术中存在着缺乏有效手段对车厢内人群拥挤度进行检测的不足，为公交企业和公众提供公交车实时拥挤度信息，提升公交车乘客的满意度和乘车体验。

Description

一种公交车内部拥挤度计算方法、系统及设备

技术领域

本发明涉及深度学习技术领域，尤其涉及一种公交车内部拥挤度计算方法、系统及设备。

背景技术

目前，随着城市的不断发展，公共交通在城市作用日益明显。现在城市公交行业在快速发展，公交信息化的水平在不断的提高，而且各大中城市的公交车保有量在不断提高，公交车已经成为公众的主要出行工具。乘客是城市轨道交通的主要参与者,也是城市交通运营管理工作的主要服务对象；全面掌握乘客的拥挤程度信息对公交车运营过程中的客流组织、车站管理、行车调度和风险防控等多方面的工作有重要意义，这就需要公交企业掌握实时客流状况，并能够面向公众发布公交车内拥挤度信息，使乘客在能够在有选择的情况下乘坐合适的车辆出行。近年来，虽然各个城市均在大力推进智能公交系统的建设，智能车载终端也已经逐渐成为公交车的标配，并实现了公交车实时定位，无线通信，视频监控等功能，但是一直缺乏有效的对车厢内人群拥挤度检测的手段，城市轨道交通视频监控系统采集的监控视频能够直观地反映乘客拥挤程度，但监控视频中的信息难以被计算机检测和利用。

卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification)，因此也被称为“平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)”。

对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和 LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域。卷积神经网络仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(feature engineering)要求。

目前，卷积神经网络模型算法已经渗透到生活和工业中的各个领域，例如计算机视觉，语音识别等在内的诸多人工智能应用，并且在很多人工智能应用之中表现出了较高的准确度，使卷积神经网络模型的应用量有了迅速的增长。卷积神经网络模型算法被大量应用在无人驾驶汽车，癌症检测，游戏 AI等方面，并且在许多领域的准确性已经超过了人类，与早期的专家手动提取特征或制定规则不同，卷积神经网络模型的优越性能来自于在大量数据上使用统计学习方法，从原始数据中提取高级特征的能力，从而对输入空间进行有效的表示。

综上所述，现有技术中存在着缺乏有效手段对车厢内人群拥挤度进行检测的不足。

发明内容

本发明提供了一种公交车内部拥挤度计算方法、系统及设备，解决了现有技术中存在着缺乏有效手段对车厢内人群拥挤度进行检测的不足。

本发明提供的一种公交车内部拥挤度计算方法，所述方法适用于训练好的卷积神经网络模型，方法包括以下步骤：

实时获取摄像头拍摄到的公交车内部图片；

将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值；

基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注，得到人脸数量；

根据人脸数量计算公交车内部的拥挤度。

优选的，得到训练好的卷积神经网络模型的具体步骤如下：

采集特定场景及特定摄像头角度下的公交车内部图片；

标注出公交车内部图片的人头数，得到标注好的公交车内部图片；

将标注好的公交车内部图片输入到卷积神经网络模型中进行训练，得到训练好的卷积神经网络模型。

优选的，所述卷积神经网络模型由15个卷积层和1个全连接层组成。

优选的，将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值的具体过程如下：

将公交车内部图片输入到训练好的卷积神经网络模型中；

训练好的卷积神经网络模型识别并计算公交车内部图片的人头中心点概率；

基于人头中心点概率选取出人头中心点，计算人头中心点的数量，得到人头密度图；

根据人头密度图计算人数预测值。

优选的，人头密度图为每个像素点是否为人头中心点的概率，若是则为1，否则为0。

优选的，基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注的具体过程为：

对公交车内部图片进行画框处理，根据画框处理的结果对公交车内部图片的人脸进行标注。

优选的，根据人脸数量计算公交车内部的拥挤度的具体过程如下：

根据人脸标注结果计算公交车内部的拥挤度，其中，拥挤度＝人脸数量 /座位数*100％。

优选的，若拥挤度小于47％则为有空位，拥挤度在47％～76％之间则为饱和，拥挤度大于76％则为拥挤。

一种公交车内部拥挤度计算系统，包括：卷积神经网络模型训练模块、图片获取模块、计算模块、标注模块以及拥挤度计算模块：

卷积神经网络模型训练模块用于对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；

图片获取模块用于实时获取摄像头拍摄到的公交车内部图片；

计算模块用于将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值；

标注模块用于基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注，得到人脸数量；

拥挤度计算模块用于根据人脸数量计算公交车内部的拥挤度。

一种公交车内部拥挤度计算设备，包括处理器以及存储器；

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行上述的一种公交车内部拥挤度计算方法。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例通过实时获取摄像头拍摄到的公交车内部图片，将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值；基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注，得到人脸数量，根据人脸数量计算公交车内部的拥挤度。本发明将卷积神经网络模型与检测公交车拥挤度相结合，通过公交车的摄像头拍摄公交车内部图片，并部署深度卷积神经网络模型算法，实时准确检测出公交车车厢人群拥挤度。本发明实施例解决现有技术中存在着缺乏有效手段对车厢内人群拥挤度进行检测的不足，为公交企业和公众提供公交车实时拥挤度信息；为公众的出行选择，公交企业的公交运力安排，线网规划，动态调度提供数据支撑，提升公交车乘客的满意度和乘车体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种公交车内部拥挤度计算方法、系统以及设备的方法流程图。

图2为本发明实施例提供的一种公交车内部拥挤度计算方法、系统以及设备的系统框架图。

图3为本发明实施例提供的一种公交车内部拥挤度计算方法、系统以及设备的设备框架图。

具体实施方式

本发明实施例提供了一种公交车内部拥挤度计算方法、系统以及设备，用于解决现有技术中存在着缺乏有效手段对车厢内人群拥挤度进行检测的不足。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例1

请参阅图1，图1为本发明实施例提供的一种公交车内部拥挤度计算方法、系统以及设备的方法流程图。

本发明实施例提供的一种公交车内部拥挤度计算方法，所述方法适用于训练好的卷积神经网络模型，方法包括以下步骤：

实时获取摄像头拍摄到的公交车内部图片；

将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值；

基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注，得到人脸数量；

根据人脸数量计算公交车内部的拥挤度。

本发明实施例通过实时获取摄像头拍摄到的公交车内部图片，将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值；基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注，得到人脸数量，根据人脸数量计算公交车内部的拥挤度。本发明将卷积神经网络模型与检测公交车拥挤度相结合，通过公交车的摄像头拍摄公交车内部图片，并部署深度卷积神经网络模型算法，实时准确检测出公交车车厢人群拥挤度。本发明实施例解决现有技术中存在着缺乏有效手段对车厢内人群拥挤度进行检测的不足，为公交企业和公众提供公交车实时拥挤度信息；为公众的出行选择，公交企业的公交运力安排，线网规划，动态调度提供数据支撑，提升公交车乘客的满意度和乘车体验。

实施例2

本发明实施例提供的一种公交车内部拥挤度计算方法，所述方法适用于训练好的卷积神经网络模型，其中，得到训练好的卷积神经网络模型的具体步骤如下：

采集特定场景及特定摄像头角度下的公交车内部图片；

标注出公交车内部图片的人头数，得到标注好的公交车内部图片；

将标注好的公交车内部图片输入到卷积神经网络模型中进行训练，得到训练好的卷积神经网络模型。

其中，所述卷积神经网络模型由15个卷积层和1个全连接层组成。卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量(bias vector)，类似于一个前馈神经网络的神经元(neuron)。卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小，在文献中被称为“感受野(receptive field)”，其含义可类比视觉皮层细胞的感受野。卷积核在工作时，会有规律地扫过输入特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量。卷积层参数包括卷积核大小、步长和填充，三者共同决定了卷积层输出特征图的尺寸，是卷积神经网络的超参数。其中卷积核大小可以指定为小于输入图像尺寸的任意值，卷积核越大，可提取的输入特征越复杂。

卷积步长定义了卷积核相邻两次扫过特征图时位置的距离，卷积步长为1 时，卷积核会逐个扫过特征图的元素，步长为n时会在下一次扫描跳过n-1 个像素。由卷积核的交叉相关计算可知，随着卷积层的堆叠，特征图的尺寸会逐步减小，例如16×16的输入图像在经过单位步长、无填充的5×5的卷积核后，会输出12×12的特征图。为此，填充是在特征图通过卷积核之前人为增大其尺寸以抵消计算中尺寸收缩影响的方法。常见的填充方法为按0填充和重复边界值填充(replicationpadding)。填充依据其层数和目的可分为四类：

有效填充(validpadding)：即完全不使用填充，卷积核只允许访问特征图中包含完整感受野的位置。输出的所有像素都是输入中相同数量像素的函数。使用有效填充的卷积被称为“窄卷积(narrow convolution)”，窄卷积输出的特征图尺寸为(L-f)/s+1。

相同填充/半填充(same/halfpadding)：只进行足够的填充来保持输出和输入的特征图尺寸相同。相同填充下特征图的尺寸不会缩减但输入像素中靠近边界的部分相比于中间部分对于特征图的影响更小，即存在边界像素的欠表达。使用相同填充的卷积被称为“等长卷积(equal-width convolution)”。

全填充(full padding)：进行足够多的填充使得每个像素在每个方向上被访问的次数相同。步长为1时，全填充输出的特征图尺寸为L+f-1，大于输入值。使用全填充的卷积被称为“宽卷积(wide convolution)”

任意填充(arbitrarypadding)：介于有效填充和全填充之间，人为设定的填充，较少使用。

卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层。全连接层位于卷积神经网络隐含层的最后部分，并只向其它全连接层传递信号。特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数。

按表征学习观点，卷积神经网络中的卷积层和池化层能够对输入数据进行特征提取，全连接层的作用则是对提取的特征进行非线性组合以得到输出，即全连接层本身不被期望具有特征提取能力，而是试图利用现有的高阶特征完成学习目标。在一些卷积神经网络中，全连接层的功能可由全局均值池化 (global average pooling)取代，全局均值池化会将特征图每个通道的所有值取平均，即若有7×7×256的特征图，全局均值池化将返回一个256的向量，其中每个元素都是7×7，步长为7，无填充的均值池化。

所述方法包括以下步骤：

实时获取摄像头拍摄到的公交车内部图片；

将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值；需要进一步说明的是，将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值的具体过程如下：

将公交车内部图片输入到训练好的卷积神经网络模型中；

训练好的卷积神经网络模型识别并计算公交车内部图片的人头中心点概率；

基于人头中心点概率选取出人头中心点，计算人头中心点的数量，得到人头密度图；其中，人头密度图为每个像素点是否为人头中心点的概率，若是则为1，否则为0。

根据人头密度图计算人数预测值。

基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注，得到人脸数量；需要进一步说明的是，对公交车内部图片进行画框处理，根据画框处理的结果对公交车内部图片的人脸进行标注。

根据人脸数量计算公交车内部的拥挤度，具体过程如下：

根据人脸标注结果计算公交车内部的拥挤度，其中，拥挤度＝人脸数量 /座位数*100％；其中，若拥挤度小于47％则为有空位，拥挤度在47％～76％之间则为饱和，拥挤度大于76％则为拥挤。

本发明实施例通过实时获取摄像头拍摄到的公交车内部图片，将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值；基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注，得到人脸数量，根据人脸数量计算公交车内部的拥挤度。本发明将卷积神经网络模型与检测公交车拥挤度相结合，通过公交车的摄像头拍摄公交车内部图片，并部署深度卷积神经网络模型算法，实时准确检测出公交车车厢人群拥挤度。本发明实施例解决现有技术中存在着缺乏有效手段对车厢内人群拥挤度进行检测的不足，为公交企业和公众提供公交车实时拥挤度信息；为公众的出行选择，公交企业的公交运力安排，线网规划，动态调度提供数据支撑，提升公交车乘客的满意度和乘车体验。

实施例3

如图2所示，一种公交车内部拥挤度计算系统，包括：卷积神经网络模型训练模块201、图片获取模块202、计算模块203、标注模块204以及拥挤度计算模块205：

卷积神经网络模型201训练模块用于对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；

需要进一步说明的是，卷积神经网络模型201得到训练好的卷积神经网络模型的具体步骤如下：

采集特定场景及特定摄像头角度下的公交车内部图片；标注出公交车内部图片的人头数，得到标注好的公交车内部图片；将标注好的公交车内部图片输入到卷积神经网络模型中进行训练，得到训练好的卷积神经网络模型；其中，所述卷积神经网络模型由15个卷积层和1个全连接层组成。

卷积神经网络模型201在训练的过程中需要一个12GB以上显存的GPU 处理器用于大规模的数据计算，训练时长约为6小时。卷积神经网络模型训练完成后，将卷积神经网络模型的参数保存下来用于实际应用。

图片获取模块202用于实时获取摄像头拍摄到的公交车内部图片；

计算模块203用于将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值；

需要进一步说明的是，计算模块203的具体工作过程如下：

将公交车内部图片输入到训练好的卷积神经网络模型中；训练好的卷积神经网络模型识别并计算公交车内部图片的人头中心点概率；基于人头中心点概率选取出人头中心点，计算人头中心点的数量，得到人头密度图；其中，人头密度图为每个像素点是否为人头中心点的概率，若是则为1，否则为0；根据人头密度图计算人数预测值。

标注模块204用于基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注，得到人脸数量；需要进一步说明的是，标注模块204通过对公交车内部图片进行画框处理，根据画框处理的结果对公交车内部图片的人脸进行标注。

拥挤度计算模块205用于根据人脸数量计算公交车内部的拥挤度。

需要进一步说明的是，拥挤度计算模块205的具体工作过程如下：

根据人脸标注结果计算公交车内部的拥挤度，其中，拥挤度＝人脸数量 /座位数*100％；若拥挤度小于47％则为有空位，拥挤度在47％～76％之间则为饱和，拥挤度大于76％则为拥挤。

本发明实施例通过实时获取摄像头拍摄到的公交车内部图片，将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值；基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注，得到人脸数量，根据人脸数量计算公交车内部的拥挤度。本发明将卷积神经网络模型与检测公交车拥挤度相结合，通过公交车的摄像头拍摄公交车内部图片，并部署深度卷积神经网络模型算法，实时准确检测出公交车车厢人群拥挤度。本发明实施例解决现有技术中存在着缺乏有效手段对车厢内人群拥挤度进行检测的不足，为公交企业和公众提供公交车实时拥挤度信息；为公众的出行选择，公交企业的公交运力安排，线网规划，动态调度提供数据支撑，提升公交车乘客的满意度和乘车体验。

实施例4

如图3所示，一种公交车内部拥挤度计算设备，所述设备包括处理器300 以及存储器301；

所述存储器301用于存储程序代码302，并将所述程序代码302传输给所述处理器；

所述处理器300用于根据所述程序代码302中的指令执行上述的一种海上风电场无功协调控制方法中的步骤。

示例性的，所述计算机程序302可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器301中，并由所述处理器300 执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序302在所述终端设备30中的执行过程。

所述终端设备30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器300、存储器301。本领域技术人员可以理解，图3仅仅是终端设备30的示例，并不构成对终端设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器300可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-ProgrammaBle GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器301可以是所述终端设备30的内部存储单元，例如终端设备 30的硬盘或内存。所述存储器301也可以是所述终端设备30的外部存储设备，例如所述终端设备30上配备的插接式硬盘，智能存储卡(Smart Media Card, SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器301还可以既包括所述终端设备30的内部存储单元也包括外部存储设备。所述存储器301用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器301还可以用于暂时地存储已经输出或者将要输出的数据。

本发明实施例通过实时获取摄像头拍摄到的公交车内部图片，将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值；基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注，得到人脸数量，根据人脸数量计算公交车内部的拥挤度。本发明将卷积神经网络模型与检测公交车拥挤度相结合，通过公交车的摄像头拍摄公交车内部图片，并部署深度卷积神经网络模型算法，实时准确检测出公交车车厢人群拥挤度。本发明实施例解决现有技术中存在着缺乏有效手段对车厢内人群拥挤度进行检测的不足，为公交企业和公众提供公交车实时拥挤度信息；为公众的出行选择，公交企业的公交运力安排，线网规划，动态调度提供数据支撑，提升公交车乘客的满意度和乘车体验。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种公交车内部拥挤度计算方法，其特征在于，所述方法适用于训练好的卷积神经网络模型，方法包括以下步骤：

实时获取摄像头拍摄到的公交车内部图片；

将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值；

基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注，得到人脸数量；

根据人脸数量计算公交车内部的拥挤度。

2.根据权利要求1所述的一种公交车内部拥挤度计算方法，其特征在于，得到训练好的卷积神经网络模型的具体步骤如下：

采集特定场景及特定摄像头角度下的公交车内部图片；

标注出公交车内部图片的人头数，得到标注好的公交车内部图片；

将标注好的公交车内部图片输入到卷积神经网络模型中进行训练，得到训练好的卷积神经网络模型。

3.根据权利要求2所述的一种公交车内部拥挤度计算方法，其特征在于，所述卷积神经网络模型由15个卷积层和1个全连接层组成。

4.根据权利要求3所述的一种公交车内部拥挤度计算方法，其特征在于，将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值的具体过程如下：

将公交车内部图片输入到训练好的卷积神经网络模型中；

训练好的卷积神经网络模型识别并计算公交车内部图片的人头中心点概率；

基于人头中心点概率选取出人头中心点，计算人头中心点的数量，得到人头密度图；

根据人头密度图计算人数预测值。

5.根据权利要求4所述的一种公交车内部拥挤度计算方法，其特征在于，人头密度图为每个像素点是否为人头中心点的概率，若是则为1，否则为0。

6.根据权利要求5所述的一种公交车内部拥挤度计算方法，其特征在于，基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注的具体过程为：

对公交车内部图片进行画框处理，根据画框处理的结果对公交车内部图片的人脸进行标注。

7.根据权利要求6所述的一种公交车内部拥挤度计算方法，其特征在于，根据人脸数量计算公交车内部的拥挤度的具体过程如下：

根据人脸标注结果计算公交车内部的拥挤度，其中，拥挤度＝人脸数量/座位数*100％。

8.根据权利要求7所述的一种公交车内部拥挤度计算方法，其特征在于，若拥挤度小于47％则为有空位，拥挤度在47％～76％之间则为饱和，拥挤度大于76％则为拥挤。

9.一种公交车内部拥挤度计算系统，其特征在于，包括：卷积神经网络模型训练模块、图片获取模块、计算模块、标注模块以及拥挤度计算模块：

卷积神经网络模型训练模块用于对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；

图片获取模块用于实时获取摄像头拍摄到的公交车内部图片；

计算模块用于将公交车内部图片输入到训练好的卷积神经网络模型中，得到人头密度图和人数预测值；

标注模块用于基于人头密度图和人数预测值，对公交车内部图片的人脸进行标注，得到人脸数量；

拥挤度计算模块用于根据人脸数量计算公交车内部的拥挤度。

10.一种公交车内部拥挤度计算设备，其特征在于，包括处理器以及存储器；

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1～8任一项所述的一种公交车内部拥挤度计算方法。

Images