CN114792407A - 应用于城市轨道交通中逃票行为识别方法以及相关装置 - Google Patents
应用于城市轨道交通中逃票行为识别方法以及相关装置 Download PDFInfo
- Publication number
- CN114792407A CN114792407A CN202110018458.XA CN202110018458A CN114792407A CN 114792407 A CN114792407 A CN 114792407A CN 202110018458 A CN202110018458 A CN 202110018458A CN 114792407 A CN114792407 A CN 114792407A
- Authority
- CN
- China
- Prior art keywords
- boarding
- image
- ticket
- matrix
- preset
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000001914 filtration Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000001815 facial effect Effects 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 166
- 230000006399 behavior Effects 0.000 claims description 45
- 238000011176 pooling Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能领域，公开了一种应用于城市轨道交通中逃票行为识别方法以及相关装置。该方法包括：获取购票人员的面部图像，以及根据预置人脸识别算法，对所述面部图像进行识别处理，得到购票人员信息，将所有购票人员对应的购票人员信息组合，生成购票人员信息集；获取设置于车门口的登车人群图像，以及根据预置过滤算法，对所述登车人群图像进行初始过滤处理，得到初始处理图像；根据预置人群识别算法，对所述初始处理图像进行识别处理，得到所述登车人群图像对应的登车人员信息集；判断所述登车人员信息集中的登车人员信息是否存在于所述购票人员信息集中；若不存在，则将不存在的登车人员信息发送至预置监控管理IP地址。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种应用于城市轨道交通中逃票行 为识别方法以及相关装置。
背景技术
现在城市轨道交通越来越发达，四通八达能通往城市各个角落，拉近了 人与人之间的距离。但是，由于交通系统较为庞大。逃票人员数量较大时， 会对交通系统运营造成压力，未支付车费而增加交通系统的磨损。
当前，交通系统普遍采用自动购票系统与自动检票系统，并不存在车上 的检票员。这又给逃票人员带来巨大便利，进一步增加交通系统的运营压力。 现有的防止逃票技术主要是在检票系统处进行改进，并不能很好降低逃票人 人员数量，需要一种逃票管理技术减少逃票的行为发生。
发明内容
本发明的主要目的在于解决现有逃票检测技术对逃票监控检测范围与精 度不足的技术问题。
本发明第一方面提供了一种应用于城市轨道交通中逃票行为识别方法， 所述应用于城市轨道交通中逃票行为识别方法包括：
获取购票人员的面部图像，以及根据预置人脸识别算法，对所述面部图 像进行识别处理，得到购票人员信息，将所有购票人员对应的购票人员信息 组合，生成购票人员信息集；
获取设置于车门口的登车人群图像，以及根据预置过滤算法，对所述登 车人群图像进行初始过滤处理，得到初始处理图像；
根据预置人群识别算法，对所述初始处理图像进行识别处理，得到所述 登车人群图像对应的登车人员信息集；
判断所述登车人员信息集中的登车人员信息是否存在于所述购票人员信 息集中；
若不存在，则将不存在的登车人员信息发送至预置监控管理IP地址。
可选的，在本发明第一方面的第一种实现方式中，在所述获取购票人员 的面部图像，以及根据预置人脸识别算法，对所述面部图像进行识别处理， 得到购票人员信息，将所有购票人员对应的购票人员信息组合，生成购票人 员信息集之后，还包括：
将所述购票人员信息已被获取的通知信息发送至预置显示端口中。
可选的，在本发明第一方面的第二种实现方式中，所述根据预置人脸识 别算法，对所述面部图像进行识别处理，得到购票人员信息包括：
将所述面部图像进行灰度化处理，得到面部灰度图像；
提取所述面部灰度图像中的所有灰度值，并根据所有所述灰度值排列顺 序，生成面部特征矩阵；
根据预置分析卷积矩阵和预置卷积步长，将所述分析卷积矩阵与所述面 部特征矩阵进行卷积处理，得到面部提取矩阵；
根据预置最大池化矩阵和预置池化步长，对所述面部提取矩阵进行最大 池化矩阵，得到池化特征矩阵；
将预置权重矩阵与所述池化特征矩阵相乘，得的结果矩阵；
基于预置激活函数，对所述结果矩阵进行激活，得到购票人员信息。
可选的，在本发明第一方面的第三种实现方式中，所述根据预置过滤算 法，对所述登车人群图像进行初始过滤处理，得到初始处理图像包括：
将所述登车人群图像由RGB图像转换为YCbCr图像，其中，Y为亮度， Cb为RBG输入信号蓝色部分与RGB信号亮度值之差，Cr是RGB输入信号 红色部分与RGB信号亮度值之差；
基于预置高斯函数，对所述YCbCr图像中的Y分量进行滤波处理，得到 滤波Y分量；
根据所述滤波Y分量，调整所述YCbCr图像，得到过滤YCbCr图像；
将所过滤YCbCr图像转换为RGB图像，将转换后的RGB图像确定为新 的初始处理图像。
可选的，在本发明第一方面的第四种实现方式中，所述根据预置人群识 别算法，对所述初始处理图像进行识别处理，得到所述登车人群图像对应的 登车人员信息集包括：
将所述初始处理图像与预置前置矩阵集进行乘积预处理，得到初始输入 矩阵集；
读取预置卷积矩阵集中的标签顺序，根据所述标签顺序，将所述初始输 入矩阵集与所述卷积矩阵集中的矩阵进行卷积合并计算，得到深入输出矩阵 集；
对所述深入输出矩阵集中的每个深入输出矩阵依次进行最大池化处理和 拼接处理，得到结果矩阵；
对所述结果矩阵进行归一激活处理，得到所述登车人群图像对应的登车 人员信息集。
可选的，在本发明第一方面的第五种实现方式中，述读取预置卷积矩阵 集中的标签顺序，根据所述标签顺序，将所述初始输入矩阵集与所述卷积矩 阵集中的矩阵进行卷积合并计算，得到深入输出矩阵集包括：
将所述初始输入矩阵集与所述卷积矩阵集中第一标签的矩阵组合进行卷 积计算，得到第一矩阵集合；
将所述第一矩阵集合与所述卷积矩阵集中第二标签的矩阵组合进行卷积 计算，得到第二矩阵集合；
根据所述标签顺序循环迭代，将第N-1过渡矩阵集与所述卷积矩阵集值 第N标签的矩阵组合进行卷积合并计算，得到深入输出矩阵集，其中，N为 大于2的正整数。
可选的，在本发明第一方面的第六种实现方式中，所述判断所述登车人 员信息集中的登车人员信息是否存在于所述购票人员信息集中包括：
根据所述登车人员信息集中的排序提取登车人员信息；
依次读取所述购票人员信息集中的购票人员信息，将所述提取登车人员 信息与所述购票人员信息进行比对，得到比对结果集；
判断所述比对结果集中是否存在比对成功的结果。
本发明第二方面提供了一种应用于城市轨道交通中逃票行为识别装置， 包括：
获取模块，用于获取购票人员的面部图像，以及根据预置人脸识别算法， 对所述面部图像进行识别处理，得到购票人员信息，将所有购票人员对应的 购票人员信息组合，生成购票人员信息集；
过滤模块，用于获取设置于车门口的登车人群图像，以及根据预置过滤 算法，对所述登车人群图像进行初始过滤处理，得到初始处理图像；
识别模块，用于根据预置人群识别算法，对所述初始处理图像进行识别 处理，得到所述登车人群图像对应的登车人员信息集；
判断模块，用于断所述登车人员信息集中的登车人员信息是否存在于所 述购票人员信息集中；
发送模块，用于若不存在，则将不存在的登车人员信息发送至预置监控 管理IP地址。
本发明第三方面提供了一种应用于城市轨道交通中逃票行为识别设备， 包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和 所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中 的所述指令，以使得所述应用于城市轨道交通中逃票行为识别设备执行上述 的应用于城市轨道交通中逃票行为识别方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存 储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的应用 于城市轨道交通中逃票行为识别方法。
附图说明
图1为本发明实施例中应用于城市轨道交通中逃票行为识别方法的第一 个实施例示意图；
图2为本发明实施例中应用于城市轨道交通中逃票行为识别方法的第二 个实施例示意图；
图3为本发明实施例中应用于城市轨道交通中逃票行为识别方法的第三 个实施例示意图；
图4为本发明实施例中应用于城市轨道交通中逃票行为识别装置的一个 实施例示意图；
图5为本发明实施例中应用于城市轨道交通中逃票行为识别装置的另一 个实施例示意图；
图6为本发明实施例中应用于城市轨道交通中逃票行为识别设备的一个 实施例示意图。
具体实施方式
本发明实施例提供了一种应用于城市轨道交通中逃票行为识别方法、装 置、设备及存储介质。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第 三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的 顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这 里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外， 术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含 了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出 的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、 产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本 发明实施例中应用于城市轨道交通中逃票行为识别方法的一个实施例包括：
101、获取购票人员的面部图像，以及根据预置人脸识别算法，对面部图 像进行识别处理，得到购票人员信息，将所有购票人员对应的购票人员信息 组合，生成购票人员信息集；
在本实施例中，购票人员都需要拍摄面部图像，对面部识别图像采用人 脸识别算法，先对面部图像进行灰度化处理，在将灰度化处理的图像转化为 特征排列矩阵，使用9*n的卷积矩阵，通过卷积步长为1，对特征排列矩阵进 行卷积处理，生成n*1的特征提取矩阵，再将n*1的特征提取矩阵，将特征 提取矩阵与权重矩阵n*n进行相乘，得到结果矩阵1*n，然后将该结果矩阵通 过softmax函数激活，得到购票人员信息，在获得购票人员信息时，还可以通 过增加购票人员填写个人信息内容，形成映射关系，也可以不通过填写，直 接形成编号编码。将所有的购票人员信息组合成信息集，完成对所有购票人 员的信息收集。
102、获取设置于车门口的登车人群图像，以及根据预置过滤算法，对登 车人群图像进行初始过滤处理，得到初始处理图像；
在本实施例中，在每个车门安装一个摄影机，将每个摄影机采集登车人 群图像进行分析。通过过滤处理的算法，对整个登机人群的图像进行过滤处 理，通过将登机人群图像进行过滤，先将图像由RGB图像转换为YCbCr图 像，再通过高斯函数，
其中a、b、c均为修正更改参数，将 YCbCr图像进行过滤，得到初始处理图像。
103、根据预置人群识别算法，对初始处理图像进行识别处理，得到登车 人群图像对应的登车人员信息集；
在本实施例中，人群识别算法，由于多个人脸识别，由此采取多个层卷 积识别提高识别准确率，通过多次卷积处理，得到多个深入输出矩阵n*1，对 多个深入输出矩阵进行最大池化，将每个深入输出矩阵中的乘积最大值抓取 出，再丢弃20％后数据的特征，得到80％最大的特征，得到每个登车人员的 信息。
104、判断登车人员信息集中的登车人员信息是否存在于购票人员信息集 中；
在本实施例中，依次抓取登车人员信息集中的登车人员信息，将抓取的 登车人员信息比对。登车人员信息集中每个登车人员信息对应的标号为：121、536、556、3448。则依次判断121、536、556、3448是否在购票人员信息集 中，若均在则认为本次抓取图像人员都是已经购票人员，若存在无法被确定， 则将被抓取可疑购票人员，发送至管理端，由管理端调控现场人员对可疑人 员进行排查。
105、若不存在，则将不存在的登车人员信息发送至预置监控管理IP地 址。
在本实施例中，121不在购票人员信息集中，则将131标号对应的登车人 员标记发送至管理设备中，由管理设备进行进一步处理。
本发明实施例中，通过人工智能匹配登车人员与购票人员之间的匹配关 系，将不匹配人员进行标记，既扩大了检测范围也提高了逃票行为的识别准 确率。
请参阅图2，本发明实施例中应用于城市轨道交通中逃票行为识别方法的 第二个实施例包括：
201、获取购票人员的面部图像；
202、将面部图像进行灰度化处理，得到面部灰度图像；
在本实施例中，灰度化处理使得R＝B＝G相等，得到面部灰度图像。
203、提取面部灰度图像中的所有灰度值，并根据所有灰度值排列顺序， 生成面部特征矩阵；
在本实施例中，将所有灰度值根据分布排列，依次提取并依次填充矩阵 中的数据量，得到面部特征矩阵。
204、根据预置分析卷积矩阵和预置卷积步长，将分析卷积矩阵与面部特 征矩阵进行卷积处理，得到面部提取矩阵；
在本实施例中，分析卷积矩阵9*n而且卷积步长为1，依次卷积整个面部 特征矩阵，得到1*n的面部提取矩阵。
205、根据预置最大池化矩阵和预置池化步长，对面部提取矩阵进行最大 池化矩阵，得到池化特征矩阵；
在本实施例中，基于1*3的最大池化，池化步长为3，对整个面部提取矩 阵进行池化处理，得到池化特征矩阵。
206、将预置权重矩阵与池化特征矩阵相乘，得的结果矩阵；
在本实施例中，权重矩阵为1*n/3的宽度，将权重矩阵相乘，得到1*n/3 的结果矩阵。
207、基于预置激活函数，对结果矩阵进行激活，得到购票人员信息；
在本实施例中，通过softmax函数，对1*n/3的结果矩阵进行激活，得到 每个结果的概率，并从中提取最大的概率，获得购票人员信息。
208、购票人员信息已被获取的通知信息发送至预置显示端口中；
在本实施例中，使得购票人员已经知晓被获取，使得整个获取过程公开 透明。
209、获取设置于车门口的登车人群图像，将登车人群图像由RGB图像 转换为YCbCr图像，其中，Y为亮度，Cb为RBG输入信号蓝色部分与RGB 信号亮度值之差，Cr是RGB输入信号红色部分与RGB信号亮度值之差；
在本实施例中，Y＝0.257*R+0.564*G+0.098*B+16，Cb＝-0.148*R-0.291*G +0.439*B+128，Cr＝0.439*R-0.368*G-0.071*B+128，将RGB图像转换为YCb Cr图像。
210、基于预置高斯函数，对YCbCr图像中的Y分量进行滤波处理，得 到滤波Y分量；
在本实施例中，高斯函数
其中，σ为过滤参数， 利用高斯函数对F(Y)的值进行调整过滤，得到滤波Y分量。
211、根据滤波Y分量，调整YCbCr图像，得到过滤YCbCr图像；
在本实施例中，将Y分量更改YCbCr图像，得到过滤YCbCr图像。
212、将所过滤YCbCr图像转换为RGB图像，将转换后的RGB图像确 定为新的初始处理图像；
在本实施例中，R＝1.164*(Y-16)+1.596*(Cr-128)，G＝1.164*(Y-16) -0.392*(Cb-128)-0.813*(Cr-128)，B＝1.164*(Y-16)+2.017*(Cb-128)，将所过滤Y CbCr图像转换为RGB图像。
213、根据预置人脸识别算法，对初始处理图像进行识别处理，得到登车 人群图像对应的登车人员信息集；
214、判断登车人员信息集中的登车人员信息是否存在于购票人员信息集 中；
215、若不存在，则将不存在的登车人员信息发送至预置监控管理IP地 址。
213-215实施例，类似于第一个实施例，在此不做赘述。
本发明实施例中，通过人工智能匹配登车人员与购票人员之间的匹配关 系，将不匹配人员进行标记，既扩大了检测范围也提高了逃票行为的识别准 确率。
请参阅图3，本发明实施例中应用于城市轨道交通中逃票行为识别方法的 第三实施例包括：
301、获取购票人员的面部图像，以及根据预置人脸识别算法，对面部图 像进行识别处理，得到购票人员信息，将所有购票人员对应的购票人员信息 组合，生成购票人员信息集；
302、获取设置于车门口的登车人群图像，以及根据预置过滤算法，对登 车人群图像进行初始过滤处理，得到初始处理图像；
303、将初始处理图像与预置前置矩阵集进行乘积预处理，得到初始输入 矩阵集；
在本实施例中，初始处理图像以步长为2的像素点，抓取形成2幅图像， 将两个图像形成n*n*2的矩阵，对对n*n*2进行3*3的卷积，再使用3*3最 大池化和3*3卷积，将结果合并，再分开两个通道进行处理，最终得到 n/4*n/4*384的初始输入矩阵集。
304、读取预置卷积矩阵集中的标签顺序，将初始输入矩阵集与卷积矩阵 集中第一标签的矩阵组合进行卷积计算，得到第一矩阵集合；
在本实施例中，在本实施例中，第一标签中第一路线1：1*1向量卷积、 1*7向量卷积、7*1向量卷积、1*7向量卷积、7*1向量卷积。第二路线2：1*1 向量卷积、1*7向量卷积、7*1向量卷积，将得到结果合并得到第一矩阵集合。
305、将第一矩阵集合与卷积矩阵集中第二标签的矩阵组合进行卷积计 算，得到第二矩阵集合；
在本实施例中，将第一矩阵集合再次使用两个通道第一路线1：1*1向量 卷积、1*7向量卷积、7*1向量卷积、1*7向量卷积、7*1向量卷积。第二路 线2：1*1向量卷积、1*7向量卷积、7*1向量卷积进行乘积运算，再将结果 合并。
306、根据标签顺序循环迭代，将第N-1过渡矩阵集与卷积矩阵集值第N 标签的矩阵组合进行卷积合并计算，得到深入输出矩阵集，其中，N为大于2 的正整数；
在本实施例中，卷积矩阵集值中可以随意设置卷积深度，循环6次，可 以扩大数据量，也可以维持数据量不变，本次深入卷积后得到n/12*n/12*1536 的卷积向量。
307、对结果矩阵进行归一激活处理，得到登车人群图像对应的登车人员 信息集；
在本实施例中，将得到单维向量使用Softmax函数激活。
308、根据登车人员信息集中的排序提取登车人员信息；
309、依次读取购票人员信息集中的购票人员信息，将提取登车人员信息 与购票人员信息进行比对，得到比对结果集；
310、判断比对结果集中是否存在比对成功的结果；
308-310本实施例中，登车人员信息集为{121，515，6223，64221，264} 而购票人员信息集中标号由1-8000个内容进行，则判断出64221的标号对应 的登车人员为异常状态。
311、若不存在，则将不存在的登车人员信息发送至预置监控管理IP地址。
本实施例，类似于第一个实施例，在此不做赘述。
上面对本发明实施例中应用于城市轨道交通中逃票行为识别方法进行了 描述，下面对本发明实施例中应用于城市轨道交通中逃票行为识别装置进行 描述，请参阅图4，本发明实施例中应用于城市轨道交通中逃票行为识别装置 一个实施例包括：
获取模块401，用于获取购票人员的面部图像，以及根据预置人脸识别算 法，对所述面部图像进行识别处理，得到购票人员信息，将所有购票人员对 应的购票人员信息组合，生成购票人员信息集；
过滤模块402，用于获取设置于车门口的登车人群图像，以及根据预置过 滤算法，对所述登车人群图像进行初始过滤处理，得到初始处理图像；
识别模块403，用于根据预置人群识别算法，对所述初始处理图像进行识 别处理，得到所述登车人群图像对应的登车人员信息集；
判断模块404，用于断所述登车人员信息集中的登车人员信息是否存在于 所述购票人员信息集中；
发送模块405，用于若不存在，则将不存在的登车人员信息发送至预置监 控管理IP地址。
本发明实施例中，通过人工智能匹配登车人员与购票人员之间的匹配关 系，将不匹配人员进行标记，既扩大了检测范围也提高了逃票行为的识别准 确率。
请参阅图5，本发明实施例中应用于城市轨道交通中逃票行为识别装置的 另一个实施例包括：
获取模块401，用于获取购票人员的面部图像，以及根据预置人脸识别算 法，对所述面部图像进行识别处理，得到购票人员信息，将所有购票人员对 应的购票人员信息组合，生成购票人员信息集；
过滤模块402，用于获取设置于车门口的登车人群图像，以及根据预置过 滤算法，对所述登车人群图像进行初始过滤处理，得到初始处理图像；
识别模块403，用于根据预置人群识别算法，对所述初始处理图像进行识 别处理，得到所述登车人群图像对应的登车人员信息集；
判断模块404，用于断所述登车人员信息集中的登车人员信息是否存在于 所述购票人员信息集中；
发送模块405，用于若不存在，则将不存在的登车人员信息发送至预置监 控管理IP地址。
其中，所述应用于城市轨道交通中逃票行为识别装置包括通知模块306， 所述通知模块406具体用于：
将所述购票人员信息已被获取的通知信息发送至预置显示端口中。
其中，所述获取模块401具体用于：
将所述面部图像进行灰度化处理，得到面部灰度图像；
提取所述面部灰度图像中的所有灰度值，并根据所有所述灰度值排列顺 序，生成面部特征矩阵；
根据预置第一卷积矩阵和预置卷积步长，将所述第一卷积矩阵与所述面 部特征矩阵进行卷积处理，得到面部提取矩阵；
根据预置最大池化矩阵和预置池化步长，对所述面部提取矩阵进行最大 池化矩阵，得到池化特征矩阵；
将预置权重矩阵与所述池化特征矩阵相乘，得的结果矩阵；
基于预置激活函数，对所述结果矩阵进行激活，得到购票人员信息。
其中，所述过滤模块402具体用于：
将所述登车人群图像由RGB图像转换为YCbCr图像，其中,Y为亮度， Cb为RBG输入信号蓝色部分与RGB信号亮度值之差，Cr是RGB输入信号 红色部分与RGB信号亮度值之差；
基于预置高斯函数，对所述YCbCr图像中的Y分量进行滤波处理，得到 滤波Y分量；
根据所述滤波Y分量，调整所述YCbCr图像，得到过滤YCbCr图像；
将所过滤YCbCr图像转换为RGB图像，将转换后的RGB图像确定为新 的初始处理图像。
其中，所述识别模块403包括：
预处理单元4031，用于将所述初始处理图像与预置前置矩阵集进行乘积 预处理，得到初始输入矩阵集；
卷积单元4032，用于读取预置卷积矩阵集中的标签顺序，根据所述标签 顺序，将所述初始输入矩阵集与所述卷积矩阵集中的矩阵进行卷积合并计算， 得到深入输出矩阵集；
池化单元4033，用于对所述深入输出矩阵集中的每个深入输出矩阵依次 进行最大池化处理和拼接处理，得到结果矩阵；
激活单元4034，用于对所述结果矩阵进行归一激活处理，得到所述登车 人群图像对应的登车人员信息集。
其中，所述卷积单元4032具体用于：
将所述初始输入矩阵集与所述卷积矩阵集中第一标签的矩阵组合进行卷 积计算，得到第一矩阵集合；
将所述第一矩阵集合与所述卷积矩阵集中第二标签的矩阵组合进行卷积 计算，得到第二矩阵集合；
根据所述标签顺序循环迭代，将第N-1过渡矩阵集与所述卷积矩阵集值 第N标签的矩阵组合进行卷积合并计算，得到深入输出矩阵集，其中，N为 大于2的正整数。
其中，所述判断模块404具体用于：
根据所述登车人员信息集中的排序提取登车人员信息；
依次读取所述购票人员信息集中的购票人员信息，将所述提取登车人员 信息与所述购票人员信息进行比对，得到比对结果集；
判断所述比对结果集中是否存在比对成功的结果。
本发明实施例中，通过人工智能匹配登车人员与购票人员之间的匹配关 系，将不匹配人员进行标记，既扩大了检测范围也提高了逃票行为的识别准 确率。
上面图4和图5从模块化功能实体的角度对本发明实施例中的应用于城 市轨道交通中逃票行为识别装置进行详细描述，下面从硬件处理的角度对本 发明实施例中应用于城市轨道交通中逃票行为识别设备进行详细描述。
图6是本发明实施例提供的一种应用于城市轨道交通中逃票行为识别设 备的结构示意图，该应用于城市轨道交通中逃票行为识别设备600可因配置 或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)610(例如，一个或一个以上处理器)和存储器620， 一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一 个以上海量存储设备)。其中，存储器620和存储介质630可以是短暂存储或 持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对应用于城市轨道交通中逃票行为识别设备600 中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630 通信，在应用于城市轨道交通中逃票行为识别设备600上执行存储介质630 中的一系列指令操作。
基于应用于城市轨道交通中逃票行为识别设备600还可以包括一个或一 个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上 输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve， Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示 出的应用于城市轨道交通中逃票行为识别设备结构并不构成对基于应用于城 市轨道交通中逃票行为识别设备的限定，可以包括比图示更多或更少的部件， 或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为 非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算 机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计 算机上运行时，使得计算机执行所述应用于城市轨道交通中逃票行为识别方 法的步骤。
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 述的系统或装置、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。
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(read-onlymemory， ROM)、随机存取存储器(random access memory，RAM)、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)
1.一种应用于城市轨道交通中逃票行为的识别方法，其特征在于，包括步骤：
获取购票人员的面部图像，以及根据预置人脸识别算法，对所述面部图像进行识别处理，得到购票人员信息，将所有购票人员对应的购票人员信息组合，生成购票人员信息集；
获取设置于车门口的登车人群图像，以及根据预置过滤算法，对所述登车人群图像进行初始过滤处理，得到初始处理图像；
根据预置人群识别算法，对所述初始处理图像进行识别处理，得到所述登车人群图像对应的登车人员信息集；
判断所述登车人员信息集中的登车人员信息是否存在于所述购票人员信息集中；
若不存在，则将不存在的登车人员信息发送至预置监控管理IP地址。
2.根据权利要求1所述的应用于城市轨道交通中逃票行为的识别方法，其特征在于，在所述获取购票人员的面部图像，以及根据预置人脸识别算法，对所述面部图像进行识别处理，得到购票人员信息，将所有购票人员对应的购票人员信息组合，生成购票人员信息集之后，还包括：
将所述购票人员信息已被获取的通知信息发送至预置显示端口中。
3.根据权利要求1所述的应用于城市轨道交通中逃票行为的识别方法，其特征在于，所述根据预置人脸识别算法，对所述面部图像进行识别处理，得到购票人员信息包括：
将所述面部图像进行灰度化处理，得到面部灰度图像；
提取所述面部灰度图像中的所有灰度值，并根据所有所述灰度值排列顺序，生成面部特征矩阵；
根据预置分析卷积矩阵和预置卷积步长，将所述分析卷积矩阵与所述面部特征矩阵进行卷积处理，得到面部提取矩阵；
根据预置最大池化矩阵和预置池化步长，对所述面部提取矩阵进行最大池化矩阵，得到池化特征矩阵；
将预置权重矩阵与所述池化特征矩阵相乘，得的结果矩阵；
基于预置激活函数，对所述结果矩阵进行激活，得到购票人员信息。
4.根据权利要求1所述的应用于城市轨道交通中逃票行为的识别方法，其特征在于，所述根据预置过滤算法，对所述登车人群图像进行初始过滤处理，得到初始处理图像包括：
将所述登车人群图像由RGB图像转换为YCbCr图像，其中，Y为亮度，Cb为RBG输入信号蓝色部分与RGB信号亮度值之差，Cr是RGB输入信号红色部分与RGB信号亮度值之差；
基于预置高斯函数，对所述YCbCr图像中的Y分量进行滤波处理，得到滤波Y分量；
根据所述滤波Y分量，调整所述YCbCr图像，得到过滤YCbCr图像；
将所过滤YCbCr图像转换为RGB图像，将转换后的RGB图像确定为新的初始处理图像。
5.根据权利要求1所述的应用于城市轨道交通中逃票行为的识别方法，其特征在于，所述根据预置人群识别算法，对所述初始处理图像进行识别处理，得到所述登车人群图像对应的登车人员信息集包括：
将所述初始处理图像与预置前置矩阵集进行乘积预处理，得到初始输入矩阵集；
读取预置卷积矩阵集中的标签顺序，根据所述标签顺序，将所述初始输入矩阵集与所述卷积矩阵集中的矩阵进行卷积合并计算，得到深入输出矩阵集；
对所述深入输出矩阵集中的每个深入输出矩阵依次进行最大池化处理和拼接处理，得到结果矩阵；
对所述结果矩阵进行归一激活处理，得到所述登车人群图像对应的登车人员信息集。
6.根据权利要求5所述的应用于城市轨道交通中逃票行为的识别方法，其特征在于，所述读取预置卷积矩阵集中的标签顺序，根据所述标签顺序，将所述初始输入矩阵集与所述卷积矩阵集中的矩阵进行卷积合并计算，得到深入输出矩阵集包括：
将所述初始输入矩阵集与所述卷积矩阵集中第一标签的矩阵组合进行卷积计算，得到第一矩阵集合；
将所述第一矩阵集合与所述卷积矩阵集中第二标签的矩阵组合进行卷积计算，得到第二矩阵集合；
根据所述标签顺序循环迭代，将第N-1过渡矩阵集与所述卷积矩阵集值第N标签的矩阵组合进行卷积合并计算，得到深入输出矩阵集，其中，N为大于2的正整数。
7.根据权利要求1所述的应用于城市轨道交通中逃票行为的识别方法，其特征在于，所述判断所述登车人员信息集中的登车人员信息是否存在于所述购票人员信息集中包括：
根据所述登车人员信息集中的排序提取登车人员信息；
依次读取所述购票人员信息集中的购票人员信息，将所述提取登车人员信息与所述购票人员信息进行比对，得到比对结果集；
判断所述比对结果集中是否存在比对成功的结果。
8.一种应用于城市轨道交通中逃票行为的识别装置，其特征在于，所述应用于城市轨道交通中逃票行为的识别装置包括：
获取模块，用于获取购票人员的面部图像，以及根据预置人脸识别算法，对所述面部图像进行识别处理，得到购票人员信息，将所有购票人员对应的购票人员信息组合，生成购票人员信息集；
过滤模块，用于获取设置于车门口的登车人群图像，以及根据预置过滤算法，对所述登车人群图像进行初始过滤处理，得到初始处理图像；
识别模块，用于根据预置人群识别算法，对所述初始处理图像进行识别处理，得到所述登车人群图像对应的登车人员信息集；
判断模块，用于断所述登车人员信息集中的登车人员信息是否存在于所述购票人员信息集中；
发送模块，用于若不存在，则将不存在的登车人员信息发送至预置监控管理IP地址。
9.一种应用于城市轨道交通中逃票行为的识别设备，其特征在于，所述应用于城市轨道交通中逃票行为的识别设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述应用于城市轨道交通中逃票行为的识别设备执行如权利要求1-7中任一项所述的应用于城市轨道交通中逃票行为的识别方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的应用于城市轨道交通中逃票行为的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110018458.XA CN114792407A (zh) | 2021-01-07 | 2021-01-07 | 应用于城市轨道交通中逃票行为识别方法以及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110018458.XA CN114792407A (zh) | 2021-01-07 | 2021-01-07 | 应用于城市轨道交通中逃票行为识别方法以及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114792407A true CN114792407A (zh) | 2022-07-26 |
Family
ID=82459430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110018458.XA Pending CN114792407A (zh) | 2021-01-07 | 2021-01-07 | 应用于城市轨道交通中逃票行为识别方法以及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114792407A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709470A (zh) * | 2017-01-04 | 2017-05-24 | 西南交通大学 | 基于人脸识别的列车在途检票方法 |
| CN107169977A (zh) * | 2017-04-24 | 2017-09-15 | 华南理工大学 | 基于FPGA和Kirsch的自适应阈值彩色图像边缘检测方法 |
| CN109559385A (zh) * | 2017-09-25 | 2019-04-02 | 河南星云慧通信技术有限公司 | 一种轨道交通票务管理系统 |
| CN110136274A (zh) * | 2019-04-29 | 2019-08-16 | 深圳众维轨道交通科技发展有限公司 | 一种基于人脸识别+ai分析的售检票方法 |
| CN111814735A (zh) * | 2020-07-24 | 2020-10-23 | 深圳市爱深盈通信息技术有限公司 | 基于人脸识别的取票方法、装置、设备及存储介质 |
| CN112163926A (zh) * | 2020-09-24 | 2021-01-01 | 深圳莱尔托特科技有限公司 | 服饰胸部尺码匹配方法、装置、设备及存储介质 |
-
2021
- 2021-01-07 CN CN202110018458.XA patent/CN114792407A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709470A (zh) * | 2017-01-04 | 2017-05-24 | 西南交通大学 | 基于人脸识别的列车在途检票方法 |
| CN107169977A (zh) * | 2017-04-24 | 2017-09-15 | 华南理工大学 | 基于FPGA和Kirsch的自适应阈值彩色图像边缘检测方法 |
| CN109559385A (zh) * | 2017-09-25 | 2019-04-02 | 河南星云慧通信技术有限公司 | 一种轨道交通票务管理系统 |
| CN110136274A (zh) * | 2019-04-29 | 2019-08-16 | 深圳众维轨道交通科技发展有限公司 | 一种基于人脸识别+ai分析的售检票方法 |
| CN111814735A (zh) * | 2020-07-24 | 2020-10-23 | 深圳市爱深盈通信息技术有限公司 | 基于人脸识别的取票方法、装置、设备及存储介质 |
| CN112163926A (zh) * | 2020-09-24 | 2021-01-01 | 深圳莱尔托特科技有限公司 | 服饰胸部尺码匹配方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111898547B (zh) | 人脸识别模型的训练方法、装置、设备及存储介质 | |
| CN113361495B (zh) | 人脸图像相似度的计算方法、装置、设备及存储介质 | |
| CN109241985B (zh) | 一种图像识别方法及装置 | |
| CN103984915B (zh) | 一种监控视频中行人重识别方法 | |
| WO2018166116A1 (zh) | 车损识别方法、电子装置及计算机可读存储介质 | |
| US8213691B2 (en) | Method for identifying faces in images with improved accuracy using compressed feature vectors | |
| US8861873B2 (en) | Image clustering a personal clothing model | |
| CN111461101B (zh) | 工服标志的识别方法、装置、设备及存储介质 | |
| CN110765990A (zh) | 一种物品智能检测方法及系统、一种计算设备及存储介质 | |
| CN108205676B (zh) | 提取图像文字区域的方法和装置 | |
| CN108875727B (zh) | 图文标识的检测方法及装置、存储介质、处理器 | |
| CN111597848B (zh) | 一种批量qr码图像提取方法及系统 | |
| CN114782892A (zh) | 违规行为目标检测方法、装置、设备及存储介质 | |
| Mahale et al. | Image inconsistency detection using local binary pattern (LBP) | |
| CN110991434B (zh) | 自助终端证件识别方法及装置 | |
| CN114612679A (zh) | 一种多模态数据融合神经网络的虚假新闻图像检测方法 | |
| CN114821725A (zh) | 一种基于神经网络的矿工人脸识别系统 | |
| CN114842478A (zh) | 文本区域的识别方法、装置、设备及存储介质 | |
| CN114462487A (zh) | 目标检测网络训练及检测方法、装置、终端及存储介质 | |
| CN111507119A (zh) | 标识码识别方法、装置、电子设备及计算机可读存储介质 | |
| CN111582278A (zh) | 人像分割方法、装置及电子设备 | |
| CN113947690A (zh) | 业务清单数据的生成方法、装置、设备及存储介质 | |
| CN113221667A (zh) | 一种基于深度学习的人脸口罩属性分类方法及系统 | |
| CN114792407A (zh) | 应用于城市轨道交通中逃票行为识别方法以及相关装置 | |
| CN109190451B (zh) | 基于lfp特征的遥感图像车辆检测方法 |
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 |