CN113469065B - 一种基于人工智能的图像采集处理方法、系统及存储介质 - Google Patents
一种基于人工智能的图像采集处理方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113469065B CN113469065B CN202110757998.XA CN202110757998A CN113469065B CN 113469065 B CN113469065 B CN 113469065B CN 202110757998 A CN202110757998 A CN 202110757998A CN 113469065 B CN113469065 B CN 113469065B
- Authority
- CN
- China
- Prior art keywords
- subway
- time
- passengers
- platform
- station
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于通信技术领域,提供一种基于人工智能的图像采集处理方法、系统及存储介质,所述方法包括:首先对地铁站台各车门前的排队候车情况进行图像采集,并计算得到地铁停留的第一时间,接着在地铁车门处于打开状态的过程中,对通往地铁站台的电梯上的情况,以及步梯上的情况进行图像采集,分别统计乘客人数并预测出乘客到达地铁的通行时间,得到地铁停留的第二时间和第三时间,最终基于所述地铁停留的第一时间、第二时间、及第三时间,综合判定地铁在站台停留的最终时间,本发明能够提高地铁的运行效率。
Description
技术领域
本发明属于通信技术领域,具体是涉及一种基于人工智能的图像采集处理方法、系统及存储介质。
背景技术
随着城市化进程的不断推进,城市轨道交通也变得越来越普及,城市轨道交通较多站台修建于地下,可以节省地面空间,同时由于城市轨道交通的行驶路线不与其他运输系统如地面道路重叠、交叉,因此行车受到的交通干扰较少,可节省人们大量的通勤时间。
而在城市轨道交通运行的过程中,按照地铁的行车调度方案,地铁从首站出发的时间,以及到达末站的时间通常是固定的,由于途径的不同地铁站的客流量往往不同,地铁在途径的各个地铁站的停留时间也是不同的,在现有技术中往往依靠人工凭借经验来设定地铁在各个地铁站的停留时间,缺少一种更科学的方法来对地铁在各个地铁站的停留时间进行计算,以达到提高地铁运行效率的目的。
发明内容
本发明的目的是针对以上的技术问题,提出一种基于人工智能的图像采集处理方法、系统及存储介质,通过对地铁车门前的等候区情况,对通往地铁站台的电梯里的情况,对通往地铁站台的步梯的情况进行图像采集,并运用机器学习分类器对采集到的图像数据进行分类处理,进而对乘客的通行时间进行预测,得到地铁停留的第一时间、第二时间、及第三时间,最终综合判定出地铁停留的最终时间,提高地铁的运行效率。
为实现上述目的,本发明提供如下技术方案,通过如下的步骤来实现:
第一步,对地铁车门前等候区域的乘客排队候车情况进行图像采集,并从该采集到的图像数据中提取特征数据,利用预先训练好的机器学习分类器对所述特征数据进行分类,识别出图像中的乘客,从而统计图像中的乘客人数。
第二步,基于地铁车门前等候区域的排队候车的乘客人数,使用神经网络技术对后候车区域所有乘客的通行时间进行预测,得到地铁的第一停留时间。
第三步,在地铁车门处于打开状态的过程中,对通往地铁站台的电梯上情况进行图像采集,并从该采集到的图像数据中提取特征数据,利用预先训练好的机器学习分类器对所述特征数据进行分类,识别出图像中的乘客,从而统计图像中的乘客人数。
第四步,基于通往地铁站台的电梯上的乘客人数、电梯的运行速度、以及电梯运行的楼层数,结合使用神经网络技术对电梯上乘客的通行时间进行预测,得到地铁的第二停留时间。
第五步,在地铁车门处于打开状态的过程中,对通往地铁站台的步梯情况进行图像采集,并从该采集到的图像数据中提取特征数据,利用预先训练好的机器学习分类器对所述特征数据进行分类,识别出图像中的乘客,从而统计图像中的乘客人数。
第六步,基于步梯上的乘客人数,使用神经网络技术对步梯上乘客的通行时间进行预测,得到地铁的第三停留时间。
第七步,根据所述地铁的第一停留时间、所述地铁的第二停留时间、所述地铁的第三停留时间综合判定地铁停留的最终时间。
作为本发明的一种优选技术方案,第二步中地铁从首站出发途径第i站台的第一停留时间为:Ti1=f1(xi1),其中,f1为用来对地铁站台上排队等候的乘客到达地铁上的通行时间进行预测的神经网络模型,xi1为地铁站台上排队等候的乘客人数。
作为本发明的一种优选技术方案,第四步中地铁从首站出发途径第i站台的第二停留时间为:Ti2=ti梯ni梯+f1(xi2),其中,ti梯为电梯运行单层楼所要的时间,ni梯为电梯将乘客运送到地铁站台所运行的楼层数,f1为用来对地铁站台上的乘客到达地铁上的通行时间进行预测的神经网络模型,xi2为电梯上乘客的人数。
作为本发明的一种优选技术方案,第六步中地铁从首站出发途径第i站台的第三停留时间为:Ti3=f2(xi3)+f1(xi3),其中,f2为用来对步梯上的乘客到达地铁站台的通行时间进行预测的神经网络模型,f1为用来对地铁站台上的乘客到达地铁上的通行时间进行预测的神经网络模型,xi3为步梯上的乘客人数。
作为本发明的一种优选技术方案,第七步中地铁在第i站台的最短停留时间为T最短,最长停留时间为其中,时间T为地铁从首站出发到达末站的所用时间,sn为两个不同地铁站台之间的通行距离,vn为两个不同地铁站台之间的最快安全行驶速度,tj为地铁从首站出发,途径第j个站台的停留时间,当地铁未途径第j个站台时,tj等于T最短,T最短、T及vn根据地铁行车调度方案提前设定。
作为本发明的一种优选技术方案,第七步中地铁在第i站台停留的最终时间Ti'为如下公式所示:
本发明还提供一种基于人工智能的图像采集处理系统,具体包括如下模块:
图像采集模块,用于对地铁车门前等候区域的乘客排队候车情况进行图像采集,对通往地铁站台的电梯上情况进行图像采集,以及对通往地铁站台的步梯情况进行图像采集。
识别模块,用于从上述采集到的图像数据中提取特征数据,利用预先训练好的机器学习分类器对所述特征数据进行分类,识别出图像中的乘客,从而统计出地铁车门前排队等候区的乘客人数、通往地铁站台的电梯上的乘客人数、以及通往地铁站台的步梯上的乘客人数。
预测模块,用于使用神经网络模型对乘客的通行时间进行预测,通行时间包括地铁车门前排队等候区的乘客到达地铁的时间,电梯上的乘客从站台到达地铁的时间,步梯上的乘客到达站台的时间,及步梯上的乘客从站台到达地铁的时间。
计算模块,用于获取预测模块对乘客的通行时间的预测结果,并计算地铁在站台的第一停留时间、第二停留时间、第三停留时间,及地铁在站台的最长可停留时间。
判定模块,用于基于地铁在站台的第一停留时间、第二停留时间、第三停留时间、及最长可停留时间综合判定地铁在站台的最终停留时间。与现有技术相比,本发明的有益效果如下。
本发明还提供一种储存介质,其中储存有一种基于人工智能的图像采集处理系统所述的系统可执行的指令,所述指令在由一种基于人工智能的图像采集处理系统包括的处理器执行是用于实现如上任一项所述的一种基于人工智能的图像采集处理方法。
本发明的有益效果在于:通过对地铁站台各车门前的排队候车情况、通往地铁站台的电梯上的情况、及步梯上的情况进行图像采集,并运用机器学习分类器对图像数据序列进行分类处理,从而统计出图像中的乘客人数,接着将该乘客人数分别作为BP神经网络模型的输入来预测乘客到达地铁所要的时间,进而得到地铁在站台停留的第一时间、第二时间及第三时间,最终得到地铁停留的最终时间,本发明以一种更科学的方法对地铁的停留时间进行计算,能够提高地铁的运行效率。
附图说明
图1为本发明提供的一种基于人工智能的图像采集处理方法的步骤流程图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
如图1所示,本发明提供一种基于人工智能的图像采集处理方法,具体通过如下的步骤流程来实现:
第一步,对地铁车门前等候区域的乘客排队候车情况进行图像采集,并从该采集到的图像数据中提取特征数据,利用预先训练好的机器学习分类器对所述特征数据进行分类,识别出图像中的乘客,从而统计图像中的乘客人数。
进一步的,首先通过在地铁车门上方安装摄像机,并调整摄像机的角度和高度,使摄像机采集图像的范围完全覆盖车门前的乘客等候区域,然后将采集得到的图像的像素点通过图像处理算法生成多个像素区域,并提取每一个像素区域的特征数据,接着通过对该特征数据进行归一化和标准化处理来构建统一格式的特征数据,最后将对多个像素区域的特征数据利用预先训练好的机器学习分类器进行分类,从采集得到的图像中识别出乘客,进而统计出图像中乘客的人数,其中,由于地铁中人流密集,而人体头部形状(类圆形状)相对于人体其他部位形状更为固定,并且发生遮挡的可能性较小,因此可以通过提取人的头部特征,来对机器学习分类器进行训练,当将上述图像的多个像素区域的特征数据作为分类器的输入数据时,分类器能实现从采集到的图像中识别出人头,最终达到统计图像中乘客人数的目的,后续作为神经网络模型的输入数据,用于预测地铁车门前等候区域的乘客到达地铁的具体通行时间。
第二步,基于地铁车门前等候区域的排队候车的乘客人数,使用神经网络技术对后候车区域所有乘客的通行时间进行预测,得到地铁的第一停留时间。
进一步的,通过利用BP神经网络模型对乘客的通行时间进行预测,BP神经网络模型由输入层、隐含层、输出层组成,隐含层的数量可以为一层,也可以为多层,利用神经网络的自学习和自组织能力,对地铁车门前等候区域的乘客人数与所有乘客均到达地铁的通行时间进行学习训练,通过有监督的学习之后,神经网络模型能够根据地铁车门前等候区域的乘客人数预测其到达地铁所用的通行时间,其中,首先需要构建BP神经网络模型的训练数据集,该训练数据集中包括不同的乘客人数数据,以及在此乘客人数情况下的通行时间,对训练数据集中的每个样例,BP神经网络模型首先将样例数据提供给输入层神经元,然后逐层将信号前传,直到产生输出层的结果,然后计算输出层的误差,再将误差逆向传播至隐层神经元,最后根据隐层神经元的误差对神经元的连接权重和误差进行调整,当训练误差达到阈值时停止对连接权重和误差的调整,最终BP神经网络模型学得了地铁车门前等候区域的乘客人数与所有乘客均到达地铁的通行时间之间的内在联系,当输入乘客人数时,模型能够对乘客的通行时间进行预测;
在实践中分别对地铁各个车门前的等候区域的情况进行图像采集,分别统计出各个车门前等待上车的乘客人数,并分别对各个车门前的乘客全部到达地铁上的通行时间进行预测,取其中最长的通行时间作为地铁的第一停留时间,具体的,地铁从首站出发途径第i站台的第一停留时间为:Ti1=f1(xi1),其中,f1为用来对地铁站台上排队等候的乘客到达地铁上的通行时间进行预测的神经网络模型,xi1为地铁站台上排队等候的乘客人数。
第三步,在地铁车门处于打开状态的过程中,对通往地铁站台的电梯上情况进行图像采集,并从该采集到的图像数据中提取特征数据,利用预先训练好的机器学习分类器对所述特征数据进行分类,识别出图像中的乘客,从而统计图像中的乘客人数。
进一步的,通往地铁站台的电梯可以是扶梯或直梯,通过在通往地铁站台的直梯内部以及扶梯入口处和出口处安装摄像头,实现对电梯上的情况进行图像采集,对采集到的图像进行特征数据提取,及依据该图像的特征数据统计出图像中乘客人数的步骤与步骤一中类似,在此不再赘述,统计得出的通往地铁站台的电梯上的乘客人数后续作为神经网络模型的输入数据,用于预测电梯上的乘客到达地铁的具体通行时间。
第四步,基于通往地铁站台的电梯上的乘客人数、电梯的运行速度、以及电梯运行的楼层数,结合使用神经网络技术对电梯上乘客的通行时间进行预测,得到地铁的第二停留时间。
进一步的,通往地铁站台的电梯上的乘客到达地铁的通行时间包括两部分,首先需要计算乘客到达地铁站台需要花费的时间,还需要计算乘客从地铁站台排队进入地铁所花费的时间,两者时间之和等于电梯上的乘客到达地铁的通行时间,其中,乘客到达地铁站台所用的时间通过计算地铁运行单层楼所花费的时间,与电梯将乘客运送到站台所运行的层数的乘积可以得到,而要想得到乘客从地铁站台排队进入地铁所花费的时间,需要将步骤三中统计得到的电梯上的乘客人数作为输入数据,使用BP神经网络模型对乘客从地铁站台排队进入地铁所用时间进行预测,该BP神经网络模型与步骤二中用来对排队候车乘客的通行时间进行预测的BP神经网络模型相同,因此可以减少模型训练的成本,降低整个系统的复杂度;
在实践中分别对通往地铁站台的各个电梯上的情况进行图像采集,并通过在采集到的图像数据中进行人头检测来统计电梯上乘客的人数,通常情况下,考虑电梯上乘客会均匀分散至距离其所搭乘电梯两边最近的地铁车门前排队候车,接着预测出各个地铁车门前来自电梯的乘客到达地铁所要的时间,并与电梯运送乘客的时间相加得到总的电梯内乘客的通行时间,最后从各个地铁车门的计算结果中取最长的通行时间作为地铁的第二停留时间,具体的,地铁从首站出发途径第i站台的第二停留时间为:Ti2=ti梯ni梯+f1(xi2),其中,ti梯为电梯运行单层楼所用的时间,ni梯为电梯将乘客运送到地铁站台所运行的楼层数,f1为用来对地铁站台上的乘客到达地铁上的通行时间进行预测的神经网络模型,xi2为电梯上乘客的人数。
第五步,在地铁车门处于打开状态的过程中,对通往地铁站台的步梯情况进行图像采集,并从该采集到的图像数据中提取特征数据,利用预先训练好的机器学习分类器对所述特征数据进行分类,识别出图像中的乘客,从而统计图像中的乘客人数。
进一步的,由于在搭乘地铁的高峰期,通往地铁站台的步梯上人流量密集,为确保对步梯上乘客人数统计的准确度,在步梯入口处的上部,及出口处的上部安装摄像装置,同时对步梯上的情况进行图像采集,对采集到的图像进行特征数据提取,及依据该图像的特征数据统计出图像中乘客人数的步骤与步骤一中类似,在此不再赘述,统计得出的通往地铁站台的步梯上的乘客人数后续作为神经网络模型的输入数据,用来预测乘客到达地铁站台的时间。
第六步,基于步梯上的乘客人数,使用神经网络技术对步梯上乘客的通行时间进行预测,得到地铁的第三停留时间。
进一步的,步梯上的乘客到达地铁的通行时间由乘客到达地铁站台的时间和乘客从地铁站台排队进入地铁的时间组成,首先,基于步骤五中统计得到的乘客人数,同样使用BP神经网络模型对乘客从站台到达地铁的时间进行建模,该BP神经网络模型与步骤二中用来对排队候车乘客的通行时间进行预测的BP神经网络模型不同,通过构建该BP神经网络模型的训练数据集对该模型中神经元的阈值和权重进行训练,训练数据集包括不同的步梯上的乘客人数,及不同乘客人数情况下其到达地铁站台的时间,具体的模型的训练过程与步骤二中类似,在此不再赘述,通过将乘客人数输入到训练完成的BP神经网络模型中从而得到乘客到达地铁站台的时间,接着,要想得到乘客从地铁站台排队进入地铁所花费的时间,需要将步骤五中统计得到的步梯上的乘客人数作为输入数据,再次使用BP神经网络模型对乘客从地铁站台排队进入地铁所用时间进行预测,该BP神经网络模型与步骤二中用来对排队候车乘客的通行时间进行预测的BP神经网络模型相同,因此可以减少模型训练的成本,降低整个系统的复杂度;
在实践中分别对通往地铁站台的各个步梯的情况进行图像采集,并通过在采集到的图像数据中进行人头检测来统计步梯上乘客的人数,并基于该人数预测出步梯上乘客到达地铁站台的时间,通常情况下,考虑步梯上乘客会均匀分散至距离其所搭乘步梯两边最近的地铁车门前排队候车,接着预测出各个地铁车门前来自步梯的乘客到达地铁所要的时间,并与乘客移动到地铁站台的时间相加得到总的步梯上乘客的通行时间,最后从各个地铁车门的计算结果中取最长的通行时间作为地铁的第三停留时间,具体的,地铁从首站出发途径第i站台的第三停留时间为:Ti3=f2(xi3)+f1(xi3)其中,f2为用来对步梯上的乘客到达地铁站台的通行时间进行预测的神经网络模型,f1为用来对地铁站台上的乘客到达地铁上的通行时间进行预测的神经网络模型,xi3为步梯上的乘客人数。
第七步,根据所述地铁的第一停留时间、所述地铁的第二停留时间、所述地铁的第三停留时间综合判定地铁停留的最终时间。
进一步的,为保证地铁按照行车调度方案上的规定时间到达末站,地铁在站台停留的最终时间应小于其在站台的最长可停留时间,具体的,最长停留时间为其中,时间T为地铁从首站出发到达末站的所用时间,sn为两个不同地铁站台之间的通行距离,vn为两个不同地铁站台之间的最快安全行驶速度,tj为地铁从首站出发,途径第j个站台的停留时间,当地铁未途径第j个站台时,tj等于T最短,T最短为地铁在第i站台的最短停留时间,T最短、T及vn根据地铁行车调度方案提前设定;
综合判定地铁停留的最终时间的过程包括,当第一停留时间大于等于可停留最长时间时,取可停留最长时间作为地铁停留的最终时间;当第一停留时间与第二停留时间之和大于等于可停留最长时间,而第一停留时间小于可停留最长时间时,取第一停留时间作为地铁停留的最终时间;当第一停留时间与第二停留时间及第三停留时间之和大于等于可停留最长时间,而第一停留时间与第二停留时间之和小于可停留最长时间时,取第一停留时间与第二停留时间之和作为地铁停留的最终时间;当第一停留时间与第二停留时间及第三停留时间之和小于可停留最长时间时,取第一停留时间与第二停留时间及第三停留时间之和作为地铁停留的最终时间,具体的,地铁在第i站台停留的最终时间Ti'为:
本发明还提供一种基于人工智能的图像采集处理系统,具体包括如下模块:
图像采集模块,用于对地铁车门前等候区域的乘客排队候车情况进行图像采集,对通往地铁站台的电梯上情况进行图像采集,以及对通往地铁站台的步梯情况进行图像采集。
识别模块,用于从采集到的图像数据中提取特征数据,利用预先训练好的机器学习分类器对特征数据进行分类,识别出图像中的乘客,从而统计出地铁车门前排队等候区的乘客人数、通往地铁站台的电梯上的乘客人数、以及通往地铁站台的步梯上的乘客人数。
预测模块,用于使用神经网络模型对乘客的通行时间进行预测,通行时间包括地铁车门前排队等候区的乘客到达地铁的时间,电梯上的乘客从站台到达地铁的时间,步梯上的乘客到达站台的时间,及步梯上的乘客从站台到达地铁的时间。
计算模块,用于获取预测模块对乘客的通行时间的预测结果,并计算地铁在站台的第一停留时间、第二停留时间、第三停留时间,及地铁在站台的最长可停留时间。
判定模块,用于基于地铁在站台的第一停留时间、第二停留时间、第三停留时间、及最长可停留时间综合判定地铁在站台的最终停留时间。
本发明还提供一种储存介质,其中储存有一种基于人工智能的图像采集处理系统所述的系统可执行的指令,所述指令在由一种基于人工智能的图像采集处理系统包括的处理器执行是用于实现如上任一项所述的一种基于人工智能的图像采集处理方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于人工智能的图像采集处理方法,其特征在于,包括如下的步骤:
S1、对地铁车门前等候区域的乘客排队候车情况进行图像采集,并从该采集到的图像数据中提取特征数据,利用预先训练好的机器学习分类器对所述特征数据进行分类,识别出图像中的乘客,从而统计图像中的乘客人数;
S2、基于地铁车门前等候区域的排队候车的乘客人数,使用神经网络技术对后候车区域所有乘客的通行时间进行预测,得到地铁的第一停留时间;
S3、在地铁车门处于打开状态的过程中,对通往地铁站台的电梯情况进行图像采集,并从该采集到的图像数据中提取特征数据,利用预先训练好的机器学习分类器对所述特征数据进行分类,识别出图像中的乘客,从而统计图像中的乘客人数;
S4、基于通往地铁站台的电梯上的乘客人数、电梯的运行速度、以及电梯运行的楼层数,结合使用神经网络技术对电梯上乘客的通行时间进行预测,得到地铁的第二停留时间;
S5、在地铁车门处于打开状态的过程中,对通往地铁站台的步梯情况进行图像采集,并从该采集到的图像数据中提取特征数据,利用预先训练好的机器学习分类器对所述特征数据进行分类,识别出图像中的乘客,从而统计图像中的乘客人数;
S6、基于步梯上的乘客人数,使用神经网络技术对步梯上乘客的通行时间进行预测,得到地铁的第三停留时间;
S7、根据所述地铁的第一停留时间、所述地铁的第二停留时间、所述地铁的第三停留时间综合判定地铁停留的最终时间。
2.如权利要求1所述的一种基于人工智能的图像采集处理方法,其特征在于,步骤S2中地铁从首站出发途径第i站台的第一停留时间为:
Ti1=f1(xi1)
其中,f1为用来对地铁站台上的乘客到达地铁上的通行时间进行预测的神经网络模型,xi1为地铁站台上排队等候的乘客人数。
3.如权利要求2所述的一种基于人工智能的图像采集处理方法,其特征在于,步骤S4中地铁从首站出发途径第i站台的第二停留时间为:
Ti2=ti梯ni梯+f1(xi2)
其中,ti梯为电梯运行单层楼所用的时间,ni梯为电梯将乘客运送到地铁站台所运行的楼层数,f1为用来对地铁站台上的乘客到达地铁上的通行时间进行预测的神经网络模型,xi2为电梯上乘客的人数。
4.如权利要求3所述的一种基于人工智能的图像采集处理方法,其特征在于,步骤S6中地铁从首站出发途径第i站台的第三停留时间为:
Ti3=f2(xi3)+f1(xi3)
其中,f2为用来对步梯上的乘客到达地铁站台的通行时间进行预测的神经网络模型,f1为用来对地铁站台上的乘客到达地铁上的通行时间进行预测的神经网络模型,xi3为步梯上的乘客人数。
7.一种基于人工智能的图像采集处理系统,用于实现如权利要求1-6任一项所述的方法,其特征在于,包括图像采集模块,识别模块,预测模块,计算模块,判定模块,具体的模块功能如下:
图像采集模块,用于对地铁车门前等候区域的乘客排队候车情况进行图像采集,对通往地铁站台的电梯上情况进行图像采集,以及对通往地铁站台的步梯情况进行图像采集;
识别模块,用于从采集到的图像数据中提取特征数据,利用预先训练好的机器学习分类器对所述特征数据进行分类,识别出图像中的乘客,从而统计出地铁车门前排队等候区的乘客人数、通往地铁站台的电梯上的乘客人数、以及通往地铁站台的步梯上的乘客人数;
预测模块,用于使用神经网络模型对乘客的通行时间进行预测,通行时间包括在地铁车门处于打开状态的过程中,地铁车门前排队等候区的乘客到达地铁的时间,电梯上的乘客到达站台的时间,及电梯上的乘客从站台到达地铁的时间,步梯上的乘客到达站台的时间,及步梯上的乘客从站台到达地铁的时间;
计算模块,用于获取预测模块对乘客的通行时间的预测结果,并计算地铁在站台的第一停留时间、第二停留时间、第三停留时间,及地铁在站台的最长可停留时间;
判定模块,用于基于地铁在站台的第一停留时间、第二停留时间、第三停留时间、及最长可停留时间综合判定地铁在站台的最终停留时间。
8.一种存储介质,其中存储有权利要求7所述的系统可执行的指令,其特征在于,所述指令在由权利要求7所述的系统包括的处理器执行时用于实现如权利要求1-6任一项所述的一种基于人工智能的图像采集处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110757998.XA CN113469065B (zh) | 2021-07-05 | 2021-07-05 | 一种基于人工智能的图像采集处理方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110757998.XA CN113469065B (zh) | 2021-07-05 | 2021-07-05 | 一种基于人工智能的图像采集处理方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469065A CN113469065A (zh) | 2021-10-01 |
CN113469065B true CN113469065B (zh) | 2022-11-01 |
Family
ID=77878129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110757998.XA Active CN113469065B (zh) | 2021-07-05 | 2021-07-05 | 一种基于人工智能的图像采集处理方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469065B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488751A (zh) * | 2015-06-12 | 2016-04-13 | 青岛智能产业技术研究院 | 一种地铁站客流微观统计与调度方法 |
CN110390437A (zh) * | 2019-07-26 | 2019-10-29 | 西南交通大学 | 一种区域轨道交通网络时刻表协调优化方法 |
CN110414832A (zh) * | 2019-07-26 | 2019-11-05 | 中国安全生产科学研究院 | 一种地铁运营中的客流控制方法和装置 |
CN112907471A (zh) * | 2021-02-08 | 2021-06-04 | 肖玉连 | 一种基于深度学习的地铁运行优化算法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017168585A1 (ja) * | 2016-03-29 | 2017-10-05 | 三菱電機株式会社 | 列車運行制御システムおよび列車運行制御方法 |
-
2021
- 2021-07-05 CN CN202110757998.XA patent/CN113469065B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488751A (zh) * | 2015-06-12 | 2016-04-13 | 青岛智能产业技术研究院 | 一种地铁站客流微观统计与调度方法 |
CN110390437A (zh) * | 2019-07-26 | 2019-10-29 | 西南交通大学 | 一种区域轨道交通网络时刻表协调优化方法 |
CN110414832A (zh) * | 2019-07-26 | 2019-11-05 | 中国安全生产科学研究院 | 一种地铁运营中的客流控制方法和装置 |
CN112907471A (zh) * | 2021-02-08 | 2021-06-04 | 肖玉连 | 一种基于深度学习的地铁运行优化算法及系统 |
Non-Patent Citations (2)
Title |
---|
A Fuzzy Logic-Based Approach for Estimation of Dwelling Times of Panama Metro Stations;Aranzazu Berbey Alvarez et al.;《Entropy》;20150427;第2688-2705页 * |
城市轨道交通网络时刻表调度策略研究;刘洋;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20190715;第2019年卷(第07期);第C033-113页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113469065A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6570731B2 (ja) | 乗客の混雑度の算出方法及びそのシステム | |
WO2021159865A1 (zh) | 一种基于数据校准的公交路线预测方法及系统 | |
CN111259714A (zh) | 一种地铁列车车厢客流检测与预测及站台候车诱导系统 | |
CN110950208B (zh) | 一种基于语义分割的禁止电动车入梯上行联动梯控方法 | |
CN112435503B (zh) | 一种辨识高危行人意图的智能汽车主动避撞方法 | |
EP2541506A1 (en) | Method and system for managing a flow of passengers on a platform | |
CN108364464B (zh) | 一种基于概率模型的公交车辆旅行时间建模方法 | |
CN105844229A (zh) | 一种乘客拥挤度的计算方法及其系统 | |
CN110084397B (zh) | 一种地铁直达线路规划方法 | |
CN104239905A (zh) | 运动目标识别方法及具有该功能的电梯智能计费系统 | |
CN108805347B (zh) | 基于客流池的地铁站外关联区域客流估计方法 | |
CN109446881B (zh) | 一种基于异构数据的高速公路路段交通状态检测方法 | |
CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN113743260B (zh) | 一种地铁站台密集人流情况下的行人跟踪方法 | |
CN114926422B (zh) | 一种上下车客流量检测方法及系统 | |
CN115563761A (zh) | 基于时刻表的地铁枢纽站周围道路拥堵预测方法 | |
CN116050581A (zh) | 一种智慧城市地铁行车调度优化方法和物联网系统 | |
CN113469065B (zh) | 一种基于人工智能的图像采集处理方法、系统及存储介质 | |
CN114581846A (zh) | 地铁车站全息客流实时监测方法及装置及计算机设备 | |
CN112991399B (zh) | 一种基于rfs的公交车人数检测系统 | |
CN108647832B (zh) | 一种基于神经网络的地铁运行间隔时间控制算法 | |
CN117292322A (zh) | 基于深度学习的人员流量检测方法及系统 | |
CN112607539A (zh) | 电梯系统 | |
CN113706860B (zh) | 一种基于树莓派智能配时交通信号灯控制方法 | |
CN116386387B (zh) | 混合队列人驾车辆跟驰行为预测方法和装置 |
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 |