CN113012335A

CN113012335A - 一种基于YOLOv3人脸检测的地铁站台引导排队系统

Info

Publication number: CN113012335A
Application number: CN202110301889.7A
Authority: CN
Inventors: 赵明钰; 汪景; 刘志钢; 彭威
Original assignee: Shanghai University of Engineering Science
Current assignee: Shanghai University of Engineering Science
Priority date: 2021-03-22
Filing date: 2021-03-22
Publication date: 2021-06-22

Abstract

本发明涉及一种基于YOLOv3人脸检测的地铁站台引导排队系统，包括人脸检测子系统，获取地铁各个站台候车区域的乘客排队图像，采用YOLOv3算法进行人脸实时检测，并将人脸检测结果发送至总系统平台；人数统计子系统，实时接收人脸检测结果数据，对目标数进行集计，获取地铁站台候车区域的实时排队人数，并将排队人数信息传输至总系统平台；信息显示子系统，将排队人数信息与各个候车区域进行匹配，并将匹配后的各个站台候车区域对应的排队人数进行可视化显示；总系统平台，实时调控整个系统，处理各个子系统输出的数据信息，并将处理后的数据发送至其他子系统。与现有技术相比，本发明具检测准确且容易实施等优点。

Description

一种基于YOLOv3人脸检测的地铁站台引导排队系统

技术领域

本发明涉及轨道交通技术领域，尤其是涉及一种基于YOLOv3人脸检测的地铁站台引导排队系统。

背景技术

智能交通的兴起带动了各个交通子系统的智能化发展。城市轨道交通尤其是地铁的智能化发展与运营更是智能交通不可或缺的一部分。客流量是评价地铁服务质量的指标之一，随着地铁的发展运营越来越完善，地铁的出行需求不断加大，尤其是大城市的地铁运输。宏观来看客流量存在过大的现象，微观来看，各个车厢存在客流量不均匀的现象。

各节地铁车厢客流量不均匀的现象，主要表现在：客流量大时，车厢内情况复杂，人们不易获知车厢内已有的乘客数，现有的技术中，仅仅向乘客提供车厢占用比例。相比于车厢内的复杂情况，地铁站台候车区域的排队人数统计起来更加直接具体。目前传统的人数统计方法，在目标检测上都不够理想，具有容易忽略视频上下帧关联信息的缺点，且在复杂环境下错误率较高，动态状态下人数统计不稳定，需要更加准确的方法来提高人数统计的实时性、准确性、快速性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于YOLOv3人脸检测的地铁站台引导排队系统。

本发明的目的可以通过以下技术方案来实现：

一种基于YOLOv3人脸检测的地铁站台引导排队系统，该系统包括：

人脸检测子系统，获取地铁各个站台候车区域的乘客排队图像，采用YOLOv3算法进行人脸实时检测，并将人脸检测结果发送至总系统平台。

人数统计子系统，实时接收人脸检测结果数据，对目标数进行集计，获取地铁站台候车区域的实时排队人数，并将排队人数信息传输至总系统平台。

信息显示子系统，将排队人数信息与各个候车区域进行匹配，并将匹配后的各个站台候车区域对应的排队人数进行可视化显示。

总系统平台，实时调控整个系统，处理各个子系统输出的数据信息，并将处理后的数据发送至其他子系统。

所述总系统平台包括：

数据处理模块，实时接收各个子系统处理完成的数据信息，并将这些数据发送至数据发送模块；

数据发送模块，将数据处理模块实时接收到的数据，发送至下一子系统进行操作。

所述人脸检测子系统包括：

图像获取模块，通过图像获取端获取地铁站台各个候车区域的实时图像；

目标识别模块，将获得的实时图像采用YOLOv3算法进行人脸检测，提取特征，并将处理后的人脸实时检测数据发送至总系统平台。

所述人数统计子系统包括：

数据接收模块，接收人脸检测子系统处理后的人脸实时检测数据；

目标计数模块，实时统计人脸检测结果，即特征边界框的个数，该特征边界框的个数为排队人数结果，将排队人数结果发送至总系统平台。

所述信息显示子系统包括：

数据接收模块，接收人数统计子系统处理得到的地铁站台各个候车区域实时排队人数的信息；

信息匹配模块，将获取的地铁站台各个候车区域实时排队人数的信息，与各个候车区域相对应；

人数显示模块，将与候车区域对应好的实时排队人数进行可视化发布。

所述目标识别模块将获得的实时图像采用YOLOv3算法进行人脸检测的具体内容为：

1)采用三种先验框在提取的特征图上进行不同尺度的检测，获取三个特征层；

2)第三特征层经过五次卷积处理，一部分数据作为预测结果1进行输出，另一部分数据进行卷积加上采样，与第二特征层的数据进行拼接，获取第一数据形状参数shape，将第一数据形状参数shape中一部分作为预测结果2进行输出，一部分进行卷积加上采样后，与第一特征层的数据进行拼接，获取第二数据形状参数shape，将第二数据形状参数shape全部进行五次卷积处理，作为预测结果3输出；

3)对各预测结果进行解码及筛选，获取最终的边界框。具体内容为：

计算最后显示的识别人脸的边界框的坐标以及宽高，进而获取边界框的位置，随后对预测出的边界框的置信度进行排序，并进行非极大抑制筛选，将概率最大的边界框视为可靠检验，进而获取最终确定的边界框。

进一步地，所述目标计数模块按候车区域编号顺序，将排队人数结果发送至总系统平台。

进一步地，信息匹配模块按候车区域编号顺序，接收到各个候车区域实时排队人数的信息后，将各信息与各个候车区域编号进行对应。

进一步地，所述人数显示模块采用LED屏幕对实时排队人数进行显示。

相较于现有技术，本发明提供的基于YOLOv3人脸检测的地铁站台引导排队系统针对地铁站台各个候车区域排队人数的实时检测，而不是现有的对复杂的车厢内占用率的估计，相比之下更加准确且容易实施；其次，本发明所运用的人脸检测YOLOv3算法，是在YOLO算法基础上进行了改进，可以实现提取多特征层进行目标检测，是如今实时性最好的检测方法之一；其次相较于现有地铁站台排队引导，监测的是车厢内复杂的人数状况，本发明进行改进，选择监测地铁站台排队人数，来引导排队，准确性更高，实用性更强；本发明可以缓解车厢内客流量不均匀的现象，提高地铁服务水平，提高乘客搭乘舒适度。

附图说明

图1为实施例中基于YOLOv3人脸检测的地铁站台引导排队系统的组成框图；

图2为实施例中基于YOLOv3人脸检测的地铁站台引导排队系统的YOLOv3算法的原理流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

本发明涉及一种基于YOLOv3人脸检测的地铁站台引导排队系统，该系统针对地铁车厢内情况复杂、乘客数不易统计、各节车厢客流量不均的现象，利于缓解地铁各节车厢客流量不均的问题，并运用分类的目标更多、检测的目标更多、检测速度更快并且检测精度也更高的YOLOv3人脸检测方法，来实时进行地铁站台各个候车区域排队人数的统计，引导乘客在当前排队人数较少的候车区域候车，从而平均各节车厢的客流量。

如图1所示，基于YOLOv3人脸检测的地铁站台引导排队系统包括总系统平台、人脸检测子系统、人数统计子系统、信息显示子系统，总系统平台与各个子系统之间可以实现数据传输，通过总系统平台的数据处理模块和数据发送模块，将各个子系统之间的数据信息进行传递。

总系统平台实时调控整个系统，处理各个子系统输出的数据信息，并将处理好的数据发送至下一子系统，该平台包括数据处理模块和数据发送模块，数据处理模块实时接收各个子系统处理完成的数据信息，并将各个子系统发送来的数据信息，传输给数据发送模块，数据发送模块将数据处理模块实时接收到的数据，发送至下一子系统进行操作。

人脸检测子系统用于获取地铁各个站台候车区域排队图像，运用YOLOv3算法进行人脸实时检测，将人脸检测结果发送至总系统平台。该子系统包括图像获取模块和目标识别模块。图像获取模用于通过图像获取端，获得地铁站台各个候车区域的实时图像；目标识别模块用于将获得的实时图像运用YOLOv3算法进行人脸检测，提取特征，并将处理好的人脸实时检测数据发送至总系统平台。图像获取端可采用设置在地铁站台上的摄像头。

人脸检测子系统用于人脸检测的YOLOv3算法原理为见图2：

通过图像获取端获取图像，将图像数据输入算法，随后进入卷积层，YOLOv3以darknet-53作为基础网络，整个网络使用了全卷积层。接下来的部分属于残差神经网络特征提取，由于神经网络越深，梯度消失的现象就越来越明显，算法网络的训练效果也不会很好。残差神经网络就是为了在加深网络的情况下又解决梯度消失的问题，有助于训练，也有助于特征的提取，容易优化。

在提取多特征层步骤中，YOLOv3算法采用了三种先验框13x13、26x26、52x52，算法对获取的图像中的人脸特征进行提取，获取特征图，可在特征图上进行不同尺度的检测，提高了小尺度目标检测识别的能力。特征层1的形状参数shape为(52,52,256)，特征层2的形状参数shape为(26,26,512)，特征层3的形状参数shape为(13,13,1024)。

首先，特征层3经过五次卷积处理后，一部分数据作为预测结果1进行输出，另一部分数据进行卷积加上采样，与特征层2的数据进行拼接，得到的数据shape为(26,26,768)。这些数据中，一部分作为预测结果2进行输出，一部分进行卷积加上采样后，与特征层1的数据进行拼接，得到的数据shape为(52,52,128)。这些数据全部进行五次卷积处理，作为预测结果3输出。

由于预测结果并不对应最终的预测框在图片上的位置，所以接下里还需要进行预测结果解码，解码过程就是计算得出最后显示的识别人脸的边界框的坐标以及宽高，这样就得出了边界框的位置。随后对预测出的边界框得分即置信度进行排序，并进行非极大抑制筛选，概率最大的边界框为可靠检验，最终确定边界框。

人数统计子系统用于实时接收上一模块的数据，对目标数进行集计，获取地铁站台候车区域实时排队人数，并将人数信息传输至总系统平台的数据处理模块。该子系统包括数据接收模块和目标计数模块。数据接收模块用于接收人脸检测子系统处理后的图像数据；目标计数模块用于实时统计人脸检测结果，即特征边界框的个数，该个数即为统计的人数，并将按候车区域编号顺序，把人数统计结果发送至总系统平台。

信息显示子系用于实时接收目标计数模块的数据，将接收到的排队人数信息与各个候车区域进行匹配，并将各个站台候车区域排队人数在LED屏幕上进行显示。该子系统包括数据接收模块、信息匹配模块和人数显示模块。数据接收模块用于接收人数统计子系统处理得到的地铁站台各个候车区域实时排队人数的信息；信息匹配模块按候车区域编号顺序，接收到各个候车区域实时排队人数的信息，与各个候车区域编号相对应；人数显示模块将与候车区域编号对应好的实时排队人数，在排队人数显示端进行发布，进而实现对乘客的排队引导。

本发明针对地铁车厢内情况复杂、乘客数不易统计、各节车厢客流量不均的现象，运用分类的目标更多、检测的目标更多、检测速度更快并且检测精度也更高的YOLOv3人脸检测方法，来实时进行地铁站台各个候车区域排队人数的统计，引导乘客在当前排队人数较少的候车区域候车，从而平均各节车厢的客流量。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims

1.一种基于YOLOv3人脸检测的地铁站台引导排队系统，其特征在于，包括：

人脸检测子系统，获取地铁各个站台候车区域的乘客排队图像，采用YOLOv3算法进行人脸实时检测，并将人脸检测结果发送至总系统平台；

人数统计子系统，实时接收人脸检测结果数据，对目标数进行集计，获取地铁站台候车区域的实时排队人数，并将排队人数信息传输至总系统平台；

信息显示子系统，将排队人数信息与各个候车区域进行匹配，并将匹配后的各个站台候车区域对应的排队人数进行可视化显示；

2.根据权利要求1所述的基于YOLOv3人脸检测的地铁站台引导排队系统，其特征在于，所述总系统平台包括：

3.根据权利要求1所述的基于YOLOv3人脸检测的地铁站台引导排队系统，其特征在于，所述人脸检测子系统包括：

4.根据权利要求3所述的基于YOLOv3人脸检测的地铁站台引导排队系统，其特征在于，所述人数统计子系统包括：

5.根据权利要求1所述的基于YOLOv3人脸检测的地铁站台引导排队系统，其特征在于，所述信息显示子系统包括：

6.根据权利要求3所述的基于YOLOv3人脸检测的地铁站台引导排队系统，其特征在于，所述目标识别模块将获得的实时图像采用YOLOv3算法进行人脸检测的具体内容为：

3)对各预测结果进行解码及筛选，获取最终的边界框。

7.根据权利要求6所述的基于YOLOv3人脸检测的地铁站台引导排队系统，其特征在于，对各预测结果进行解码及筛选的具体内容为：

8.根据权利要求4所述的基于YOLOv3人脸检测的地铁站台引导排队系统，其特征在于，所述目标计数模块按候车区域编号顺序，将排队人数结果发送至总系统平台。

9.根据权利要求5所述的基于YOLOv3人脸检测的地铁站台引导排队系统，其特征在于，信息匹配模块按候车区域编号顺序，接收到各个候车区域实时排队人数的信息后，将各信息与各个候车区域编号进行对应。

10.根据权利要求5所述的基于YOLOv3人脸检测的地铁站台引导排队系统，其特征在于，所述人数显示模块采用LED屏幕对实时排队人数进行显示。