CN115240402A - 一种观光车调度方法和系统 - Google Patents
一种观光车调度方法和系统 Download PDFInfo
- Publication number
- CN115240402A CN115240402A CN202210856279.8A CN202210856279A CN115240402A CN 115240402 A CN115240402 A CN 115240402A CN 202210856279 A CN202210856279 A CN 202210856279A CN 115240402 A CN115240402 A CN 115240402A
- Authority
- CN
- China
- Prior art keywords
- sightseeing
- intention
- data
- riding
- people
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims description 7
- 230000001815 facial effect Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 210000000988 bone and bone Anatomy 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 7
- 230000008451 emotion Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q50/14—Travel agencies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Environmental & Geological Engineering (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Educational Administration (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供的一种观光车调度方法和系统,具体应用于车辆调度领域,包括将目标场景划分为多个区域,每一区域内包括至少一个移动摄像头;通过移动摄像头采集任一区域内游客的视频数据;采集当前时刻的气象数据;将游客的视频数据输入NanoDet模型,获得待检测目标;获得待检测目标的姿态估计数据和表情识别数据;基于姿态估计数据、表情识别数据和气象数据预测游客的乘车意图;确定当前区域是否调度观光车;若是,则识别当前区域乘坐普通观光车意图下的第一人数和乘坐高级观光车意图下的第二人数;根据第一人数和第二人数,确定当前区域观光车的调度对象和调度数量。由此提高观光车调度效率,进而提升游客旅行体验。
Description
技术领域
本申请涉及车辆调度领域,更具体地,涉及一种观光车调度方法和系统。
背景技术
景区观光车是当下热门的游览方式,与传统的游览方式相比,观光车具有更加灵活自由的特点,与私家车相比,观光车更加环保便利,观光车为景区发展可持续绿色交通提供了有效的解决方案和全新运营思路。虽然观光车具有极佳的市场潜力,但在实际运营过程中,观光车面临着难以充分且合理地使用车辆的难题。
目前景区观光车的智能调度通常是基于简单的需求预测模型实现的,然而从主观因素上来讲,游客对观光车的需求受到自身身体状态和情绪的影响,从客观因素上来讲,游客对观光车的需求受到天气状况的影响,由于主观因素和客观因素的随机性使得需求预测的准确性较低,进而导致智能调度系统的效率非常低。
发明内容
本发明实施例的目的在于提供一种观光车调度方法和系统,通过姿态估计数据、表情识别数据和气象数据预测游客的乘车意图,用于观光车调度,由此提高观光车调度效率,进而提升游客旅行体验。具体技术方案如下:
在本发明实施例的第一方面,提供一种基观光车调度方法,包括:将目标场景划分为多个区域,每一区域内包括至少一个移动摄像头;通过所述移动摄像头采集任一区域内游客的视频数据;采集当前时刻的气象数据;将所述游客的视频数据输入NanoDet模型,获得待检测目标;对所述待检测目标进行姿态估计和表情识别,获得姿态估计数据和表情识别数据;基于所述姿态估计数据、所述表情识别数据和所述气象数据进行意图预测,确定所述游客的乘车意图;其中,所述乘车意图包括不乘坐观光车意图、乘坐普通观光车意图以及乘坐高级观光车意图;基于所述乘车意图确定当前区域是否调度观光车;若是,则识别当前区域乘坐普通观光车意图下的第一人数和乘坐高级观光车意图下的第二人数;根据所述第一人数和所述第二人数,确定当前区域观光车的调度对象和调度数量。
可选地,所述NanoDet模型是单阶段anchor-free目标检测模型,使用GeneralizedFocal Loss损失函数进行分类和边框回归。
可选地,获得所述待检测目标的姿态估计数据,包括:对所述待检测目标进行局部特征提取,得到第一特征表示;对所述待检测目标进行骨骼点特征提取,得到第二特征表示;将所述第一特征图像和所述第二特征图像拼接后,依次输入transformer模型和多层感知机,得到姿态估计数据。
可选地,获得所述待检测目标的表情识别数据,包括:对所述待检测目标进行脸部特征提取,得到第三特征表示;将所述第三特征表示依次输入transFER模型和多层感知机,得到表情识别数据。
可选地,所述预测所述游客的乘车意图,包括:将所述姿态估计数据、所述表情识别数据和所述气象数据转换为数值化表示;通过以下公式确定任一游客的乘车意图:
S=tanh(W1*p)+tanh(W2*q)+tanh(W3*t)
其中,S是乘车意图的数值化表示,W1、W2和W3表示权重参数,p是姿态估计数据的数值化表示,q是表情识别数据的数值化表示,t是气象数据的数值化表示。
进一步地,若S值大于第一阈值,则该游客存在乘坐高级观光车意图;若S值小于第一阈值且大于第二阈值,则该游客存在乘坐普通观光车意图;若S值小于第二阈值,则该游客存在不乘坐观光车意图。
可选地,所述识别当前区域乘坐普通观光车意图下的第一人数和乘坐高级观光车意图下的第二人数,包括:将当前区域乘坐普通观光车意图或乘坐高级观光车意图的游客的视频数据发送至人数识别器;通过所述人数识别器获取乘坐普通观光车意图或乘坐高级观光车意图下的第一人数或第二人数。
可选地,所述调度对象包括普通观光车和高级观光车。
可选地,根据所述第一人数和所述第二人数,确定当前区域观光车的调度数量,包括:根据以下公式确定当前区域观光车的调度数量:
其中,C1和C2是当前区域普通观光车和高级观光车的调度数量,N1、N2是第一人数和第二人数,R1、R2是普通观光车和高级观光车的容纳人数,「·」表示向上取整。
在本发明实施例的又一方面,提供一种观光车调度系统,包括:区域摄像模块,用于将目标场景划分为多个区域,每一区域内包括至少一个移动摄像头;数据采集模块,用于通过所述移动摄像头采集任一区域内游客的视频数据;并采集当前时刻的气象数据;意图识别与分析模块,用于将所述游客的视频数据输入NanoDet模型,获得待检测目标;获得所述待检测目标的姿态估计数据和表情识别数据;预测所述游客的乘车意图;其中,所述乘车意图包括不乘坐观光车意图、乘坐普通观光车意图以及乘坐高级观光车意图;调度模块,用于基于所述乘车意图确定当前区域是否调度观光车;若是,则识别当前区域乘坐普通观光车意图下的第一人数和乘坐高级观光车意图下的第二人数;根据所述第一人数和所述第二人数,确定当前区域观光车的调度对象和调度数量。
可选地,所述NanoDet模型是单阶段anchor-free目标检测模型,使用GeneralizedFocal Loss损失函数进行分类和边框回归。
可选地,所述意图识别与分析模块进一步用于:对所述待检测目标进行局部特征提取,得到第一特征表示;对所述待检测目标进行骨骼点特征提取,得到第二特征表示;将所述第一特征图像和所述第二特征图像拼接后,依次输入transformer模型和多层感知机,得到姿态估计数据。
对所述待检测目标进行脸部特征提取,得到第三特征表示;将所述第三特征表示依次输入transFER模型和多层感知机,得到表情识别数据。
将所述姿态估计数据、所述表情识别数据和所述气象数据转换为数值化表示;通过以下公式确定任一游客的乘车意图:
S=tan h(W1*p)+tanh(W2*q)+tanh(W3*t)
其中,S是乘车意图的数值化表示,W1、W2和W3表示权重参数,p是姿态估计数据的数值化表示,q是表情识别数据的数值化表示,t是气象数据的数值化表示。
若S值大于第一阈值,则该游客存在乘坐高级观光车意图;若S值小于第一阈值且大于第二阈值,则该游客存在乘坐普通观光车意图;若S值小于第二阈值,则该游客存在不乘坐观光车意图。
可选地,所述识别当前区域乘坐普通观光车意图下的第一人数和乘坐高级观光车意图下的第二人数,包括:将当前区域乘坐普通观光车意图或乘坐高级观光车意图的游客的视频数据发送至人数识别器;通过所述人数识别器获取乘坐普通观光车意图或乘坐高级观光车意图下的第一人数或第二人数。
可选地,所述调度对象包括普通观光车和高级观光车。
可选地,根据所述第一人数和所述第二人数,确定当前区域观光车的调度数量,包括:根据以下公式确定当前区域观光车的调度数量:
其中,C1和C2是当前区域普通观光车和高级观光车的调度数量,N1、N2是第一人数和第二人数,R1、R2是普通观光车和高级观光车的容纳人数,「·」表示向上取整。
有益效果:
本发明将目标场景划分为多个区域,每一区域内包括至少一个移动摄像头;通过移动摄像头采集任一区域内游客的视频数据;采集当前时刻的气象数据;将游客的视频数据输入NanoDet模型,获得待检测目标;获得待检测目标的姿态估计数据和表情识别数据;基于姿态估计数据、表情识别数据和气象数据预测游客的乘车意图;确定当前区域是否调度观光车;若是,则识别当前区域乘坐普通观光车意图下的第一人数和乘坐高级观光车意图下的第二人数;根据第一人数和第二人数,确定当前区域观光车的调度对象和调度数量。由此提高观光车调度效率,进而提升游客旅行体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种观光车调度方法的流程示意图;
图2是本申请实施例提供的乘车意图的预测方法示意图;
图3是本申请实施例提供的一种观光车调度系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种观光车调度方法和系统,包括将目标场景划分为多个区域,每一区域内包括至少一个移动摄像头;通过移动摄像头采集任一区域内游客的视频数据;采集当前时刻的气象数据;将所述游客的视频数据输入NanoDet模型,获得待检测目标;获得待检测目标的姿态估计数据和表情识别数据;基于姿态估计数据、表情识别数据和气象数据预测游客的乘车意图;确定当前区域是否调度观光车;若是,则识别当前区域乘坐普通观光车意图下的第一人数和乘坐高级观光车意图下的第二人数;根据第一人数和第二人数,确定当前区域观光车的调度对象和调度数量。由此提高观光车调度效率,进而提升游客旅行体验。
该观光车调度方法和系统,具体可以集成在电子设备中,该电子设备可以为终端、服务器等设备。其中,终端可以为光场摄像机、车载相机、手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer,PC)等设备;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
近年来,随着人工智能技术研究和进步,人工智能技术在多个领域得到广泛应用,本公开实施例提供的方案涉及计算机视觉技术、人工智能的机器学习/深度学习等技术,具体通过如下实施例进行说明:
图1示出了本申请实施例提供的观光车调度方法的流程示意图,请参考图1,具体包括如下步骤:
S110、将目标场景划分为多个区域,每一区域内包括至少一个移动摄像头。
可选地,目标场景可以是景区和室外娱乐场所。
S120、通过所述移动摄像头采集任一区域内游客的视频数据。
其中,可以采用单目RGB摄像头采集目标对象的二维图像信息。
S130、采集当前时刻的气象数据。
可选地,气象数据可以包括温度、空气湿度、太阳光强度以及降水量。
S140、将所述游客的视频数据输入NanoDet模型,获得待检测目标。
其中,NanoDet模型是单阶段anchor-free目标检测模型,使用Generalized FocalLoss损失函数进行分类和边框回归。
S150、获得所述待检测目标的姿态估计数据和表情识别数据。
S160、预测所述游客的乘车意图。
其中,所述乘车意图包括不乘坐观光车意图、乘坐普通观光车意图以及乘坐高级观光车意图。
具体地,乘车意图的预测方法将在下一实施例中详细阐述,在此不做具体限定。
S170、基于所述乘车意图确定当前区域是否调度观光车;若是,则识别当前区域乘坐普通观光车意图下的第一人数和乘坐高级观光车意图下的第二人数。
具体地,将当前区域乘坐普通观光车意图或乘坐高级观光车意图的游客的视频数据发送至人数识别器;通过所述人数识别器获取乘坐普通观光车意图或乘坐高级观光车意图下的第一人数或第二人数。
S180、根据所述第一人数和所述第二人数,确定当前区域观光车的调度对象和调度数量。
其中,调度对象可以包括普通观光车和高级观光车。可选地,高级观光车可以具备空调、天窗、软座以及充电装置等硬件设施。
具体地,根据以下公式确定当前区域观光车的调度数量:
其中,C1和C2是当前区域普通观光车和高级观光车的调度数量,N1、N2是第一人数和第二人数,R1、R2是普通观光车和高级观光车的容纳人数,「·」表示向上取整。
进一步地,生成用于调配观光车的调度指令,并将该调度指令发送至观光车,从而促使观光车车能够到达指定区域以供游客乘坐。
通过该实施方式能够提高观光车调度效率,进而提升游客旅行体验。
图2示出了本申请实施例提供的乘车意图的预测方法的流程示意图,请参考图2,具体包括如下步骤:
S210、获取待检测目标。
其中,可以通过现有技术中常用的目标检测模型,如YOLO对视频数据进行目标检测,以获取待检测目标。
S220、对所述待检测目标进行局部特征提取,得到第一特征表示。
S230、对所述待检测目标进行骨骼点特征提取,得到第二特征表示。
S240、将所述第一特征图像和所述第二特征图像拼接后,依次输入transformer模型和多层感知机,得到姿态估计数据。
其中,transformer模型是编码器-解码器结构,编码器可以由卷积神经网络构成。
可选地,姿态估计数据可以包括休息姿态、站立姿态和行走姿态等。
S250、对所述待检测目标进行脸部特征提取,得到第三特征表示。
S260、将所述第三特征表示依次输入transFER模型和多层感知机,得到表情识别数据。
可选地,表情识别数据可以包括消极情绪、中立情绪和积极情绪等。
S270、采集当前时刻的气象数据。
其中,可以通过温度传感器、气象监测仪等设备采集所述气象数据。可选地,气象数据可以包括温度、空气湿度、太阳光强度以及降水量。
S280、将所述姿态估计数据、所述表情识别数据和所述气象数据进行数值化表示,预测乘车意图。
例如,若表情识别数据是积极情绪,则将其数值化表示为+1;表情识别数据是中立情绪,则将其数值化表示为0;若表情识别数据是消极情绪,则将其数值化表示为-1。
又如,气象数据为:温度36度,无降水,则将温度数值化表示为-1,将降水量数值化表示为+1,将二者求和,得到气象数据的值为0。
具体地,通过以下公式确定任一游客的乘车意图:
S=tan h(W1*p)+tanh(W2*q)+tanh(W3*t)
其中,S是乘车意图的数值化表示,W1、W2和W3表示权重参数,p是姿态估计数据的数值化表示,q是表情识别数据的数值化表示,t是气象数据的数值化表示。
若S值大于第一阈值,则该游客存在乘坐高级观光车意图;若S值小于第一阈值且大于第二阈值,则该游客存在乘坐普通观光车意图;若S值小于第二阈值,则该游客存在不乘坐观光车意图。
该实施方式中引入主观因素中的姿态和表情和客观因素中的天气来预测游客的观光车需求,同时引入多种神经网络提高意图预测的准确性,由此提升游客旅行体验。
为实现上述方法类实施例,本实施例还提供一种观光车调度系统,如图3所示,该系统包括:
区域摄像模块310,用于将目标场景划分为多个区域,每一区域内包括至少一个移动摄像头。
数据采集模块320,用于通过所述移动摄像头采集任一区域内游客的视频数据;并采集当前时刻的气象数据。
意图识别与分析模块330,用于将所述游客的视频数据输入NanoDet模型,获得待检测目标;获得所述待检测目标的姿态估计数据和表情识别数据;预测所述游客的乘车意图;其中,所述乘车意图包括不乘坐观光车意图、乘坐普通观光车意图以及乘坐高级观光车意图。
调度模块340,用于基于所述乘车意图确定当前区域是否调度观光车;若是,则识别当前区域乘坐普通观光车意图下的第一人数和乘坐高级观光车意图下的第二人数;根据所述第一人数和所述第二人数,确定当前区域观光车的调度对象和调度数量。
可选地,除了上述模块外,该系统还包括设备服务器,以及与设备服务器网络连接的观光车车载终端、用户端、运维端和后台管理系统,用于游客与观光车车载终端之间的通信、观光车的定位和控制、以及观光车业务运营相关数据信息的获取。
可选地,所述NanoDet模型是单阶段anchor-free目标检测模型,使用GeneralizedFocal Loss损失函数进行分类和边框回归。
可选地,所述意图识别与分析模块进一步用于:对所述待检测目标进行局部特征提取,得到第一特征表示;对所述待检测目标进行骨骼点特征提取,得到第二特征表示;将所述第一特征图像和所述第二特征图像拼接后,依次输入transformer模型和多层感知机,得到姿态估计数据。
对所述待检测目标进行脸部特征提取,得到第三特征表示;将所述第三特征表示依次输入transFER模型和多层感知机,得到表情识别数据。
将所述姿态估计数据、所述表情识别数据和所述气象数据转换为数值化表示;通过以下公式确定任一游客的乘车意图:
S=tan h(W1*p)+tanh(W2*q)+tanh(W3*t)
其中,S是乘车意图的数值化表示,W1、W2和W3表示权重参数,p是姿态估计数据的数值化表示,q是表情识别数据的数值化表示,t是气象数据的数值化表示。
若S值大于第一阈值,则该游客存在乘坐高级观光车意图;若S值小于第一阈值且大于第二阈值,则该游客存在乘坐普通观光车意图;若S值小于第二阈值,则该游客存在不乘坐观光车意图。
可选地,所述识别当前区域乘坐普通观光车意图下的第一人数和乘坐高级观光车意图下的第二人数,包括:将当前区域乘坐普通观光车意图或乘坐高级观光车意图的游客的视频数据发送至人数识别器;通过所述人数识别器获取乘坐普通观光车意图或乘坐高级观光车意图下的第一人数或第二人数。
可选地,所述调度对象包括普通观光车和高级观光车。
可选地,根据所述第一人数和所述第二人数,确定当前区域观光车的调度数量,包括:根据以下公式确定当前区域观光车的调度数量:
其中,C1和C2是当前区域普通观光车和高级观光车的调度数量,N1、N2是第一人数和第二人数,R1、R2是普通观光车和高级观光车的容纳人数,「·」表示向上取整。
进一步地,该系统还包括人工审核模块,用于对调度对象和调度数量进行确认。
由此该系统入主观因素和客观因素预测游客的观光车需求,同时引入多种神经网络提高意图预测的准确性,由此提高观光车调度效率,进而提升游客旅行体验。
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,上述描述装置中模块/单元/子单元/组件的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。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,又例如,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通信接口,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,在本申请提供的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。
所述功能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,本申请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)执行本申请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-Only Memory)、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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种观光车调度方法,其特征在于,该方法包括:
将目标场景划分为多个区域,每一区域内包括至少一个移动摄像头;
通过所述移动摄像头采集任一区域内游客的视频数据;
采集当前时刻的气象数据;
将所述游客的视频数据输入NanoDet模型,获得待检测目标;
获得所述待检测目标的姿态估计数据和表情识别数据;
预测所述游客的乘车意图;其中,所述乘车意图包括不乘坐观光车意图、乘坐普通观光车意图以及乘坐高级观光车意图;
基于所述乘车意图确定当前区域是否调度观光车;
若是,则识别当前区域乘坐普通观光车意图下的第一人数和乘坐高级观光车意图下的第二人数;
根据所述第一人数和所述第二人数,确定当前区域观光车的调度对象和调度数量。
2.根据权利要求1所述的观光车调度方法,其特征在于,所述NanoDet模型是单阶段anchor-free目标检测模型,使用Generalized Focal Loss损失函数进行分类和边框回归。
3.根据权利要求1所述的观光车调度方法,其特征在于,获得所述待检测目标的姿态估计数据,包括:
对所述待检测目标进行局部特征提取,得到第一特征表示;
对所述待检测目标进行骨骼点特征提取,得到第二特征表示;
将第一特征图像和第二特征图像拼接后,依次输入transformer模型和多层感知机,得到姿态估计数据。
4.根据权利要求3所述的观光车调度方法,其特征在于,获得所述待检测目标的表情识别数据,包括:
对所述待检测目标进行脸部特征提取,得到第三特征表示;
将所述第三特征表示依次输入transFER模型和多层感知机,得到表情识别数据。
5.根据权利要求1所述的观光车调度方法,其特征在于,所述预测所述游客的乘车意图,包括:
将所述姿态估计数据、所述表情识别数据和所述气象数据转换为数值化表示;
通过以下公式确定任一游客的乘车意图:
S=tanh(W1*p)+tanh(W2*q)+tanh(W3*t)
其中,S是乘车意图的数值化表示,W1、W2和W3表示权重参数,p是姿态估计数据的数值化表示,q是表情识别数据的数值化表示,t是气象数据的数值化表示;
若S值大于第一阈值,则该游客存在乘坐高级观光车意图;若S值小于第一阈值且大于第二阈值,则该游客存在乘坐普通观光车意图;若S值小于第二阈值,则该游客存在不乘坐观光车意图。
6.根据权利要求1所述的观光车调度方法,其特征在于,所述识别当前区域乘坐普通观光车意图下的第一人数和乘坐高级观光车意图下的第二人数,包括:
将当前区域乘坐普通观光车意图或乘坐高级观光车意图的游客的视频数据发送至人数识别器;
通过所述人数识别器获取乘坐普通观光车意图或乘坐高级观光车意图下的第一人数或第二人数。
7.根据权利要求1所述的观光车调度方法,其特征在于,所述调度对象包括普通观光车和高级观光车。
9.一种观光车调度系统,其特征在于,该系统包括:
区域摄像模块,用于将目标场景划分为多个区域,每一区域内包括至少一个移动摄像头;
数据采集模块,用于通过所述移动摄像头采集任一区域内游客的视频数据;并采集当前时刻的气象数据;
意图识别与分析模块,用于将所述游客的视频数据输入NanoDet模型,获得待检测目标;
获得所述待检测目标的姿态估计数据和表情识别数据;
预测所述游客的乘车意图;其中,所述乘车意图包括不乘坐观光车意图、乘坐普通观光车意图以及乘坐高级观光车意图;
调度模块,用于基于所述乘车意图确定当前区域是否调度观光车;
若是,则识别当前区域乘坐普通观光车意图下的第一人数和乘坐高级观光车意图下的第二人数;
根据所述第一人数和所述第二人数,确定当前区域观光车的调度对象和调度数量。
10.根据权利要求9所述的观光车调度系统,其特征在于,所述预测所述游客的乘车意图,包括:
将所述姿态估计数据、所述表情识别数据和所述气象数据转换为数值化表示;
通过以下公式确定任一游客的乘车意图:
S=tanh(W1*p)+tanh(W2*q)+tanh(W3*t)
其中,S是乘车意图的数值化表示,W1、W2和W3表示权重参数,p是姿态估计数据的数值化表示,q是表情识别数据的数值化表示,t是气象数据的数值化表示;
若S值大于第一阈值,则该游客存在乘坐高级观光车意图;若S值小于第一阈值且大于第二阈值,则该游客存在乘坐普通观光车意图;若S值小于第二阈值,则该游客存在不乘坐观光车意图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856279.8A CN115240402B (zh) | 2022-07-13 | 2022-07-13 | 一种观光车调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856279.8A CN115240402B (zh) | 2022-07-13 | 2022-07-13 | 一种观光车调度方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115240402A true CN115240402A (zh) | 2022-10-25 |
CN115240402B CN115240402B (zh) | 2023-04-07 |
Family
ID=83673556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210856279.8A Active CN115240402B (zh) | 2022-07-13 | 2022-07-13 | 一种观光车调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115240402B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079968A (zh) * | 2018-10-22 | 2020-04-28 | 昆山炫生活信息技术股份有限公司 | 基于多特征融合的景区游玩轨迹预测系统 |
CN112052803A (zh) * | 2020-09-10 | 2020-12-08 | 四川创客知佳科技有限公司 | 智慧园区监控保护系统 |
CN112567457A (zh) * | 2019-12-13 | 2021-03-26 | 华为技术有限公司 | 语音检测方法、预测模型的训练方法、装置、设备及介质 |
CN113222299A (zh) * | 2021-06-10 | 2021-08-06 | 湘南学院 | 一种用于景区的车辆智能调度系统及方法 |
CN113723277A (zh) * | 2021-08-27 | 2021-11-30 | 华中师范大学 | 一种融入多模态视觉信息的学习意图监测方法及系统 |
CN114332927A (zh) * | 2021-12-23 | 2022-04-12 | 中山大学 | 课堂举手行为检测方法、系统、计算机设备和存储介质 |
CN114550297A (zh) * | 2022-02-25 | 2022-05-27 | 北京拙河科技有限公司 | 一种行人的意图分析方法及系统 |
CN115019220A (zh) * | 2022-04-19 | 2022-09-06 | 北京拙河科技有限公司 | 一种基于深度学习的姿态追踪方法及系统 |
-
2022
- 2022-07-13 CN CN202210856279.8A patent/CN115240402B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079968A (zh) * | 2018-10-22 | 2020-04-28 | 昆山炫生活信息技术股份有限公司 | 基于多特征融合的景区游玩轨迹预测系统 |
CN112567457A (zh) * | 2019-12-13 | 2021-03-26 | 华为技术有限公司 | 语音检测方法、预测模型的训练方法、装置、设备及介质 |
CN112052803A (zh) * | 2020-09-10 | 2020-12-08 | 四川创客知佳科技有限公司 | 智慧园区监控保护系统 |
CN113222299A (zh) * | 2021-06-10 | 2021-08-06 | 湘南学院 | 一种用于景区的车辆智能调度系统及方法 |
CN113723277A (zh) * | 2021-08-27 | 2021-11-30 | 华中师范大学 | 一种融入多模态视觉信息的学习意图监测方法及系统 |
CN114332927A (zh) * | 2021-12-23 | 2022-04-12 | 中山大学 | 课堂举手行为检测方法、系统、计算机设备和存储介质 |
CN114550297A (zh) * | 2022-02-25 | 2022-05-27 | 北京拙河科技有限公司 | 一种行人的意图分析方法及系统 |
CN115019220A (zh) * | 2022-04-19 | 2022-09-06 | 北京拙河科技有限公司 | 一种基于深度学习的姿态追踪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115240402B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388888B (zh) | 一种车辆识别方法、装置和存储介质 | |
CN108230291B (zh) | 物体识别系统训练方法、物体识别方法、装置和电子设备 | |
CN110097029B (zh) | 基于Highway网络多视角步态识别的身份认证方法 | |
CN110728308B (zh) | 基于改进Yolov2目标检测和语音识别的交互式导盲系统及方法 | |
CN112776650B (zh) | 一种多元融合感知智能充电系统及方法 | |
KR20190106853A (ko) | 텍스트 인식 장치 및 방법 | |
CN111667001A (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
CN113673533A (zh) | 一种模型训练方法及相关设备 | |
US9752880B2 (en) | Object linking method, object linking apparatus, and storage medium | |
CN114022713A (zh) | 模型训练方法、系统、设备及介质 | |
CN111783674A (zh) | 一种基于ar眼镜的人脸识别方法和系统 | |
CN110516113A (zh) | 一种视频分类的方法、视频分类模型训练的方法及装置 | |
CN115240402B (zh) | 一种观光车调度方法和系统 | |
CN111062311B (zh) | 一种基于深度级可分离卷积网络的行人手势识别与交互方法 | |
CN111178370B (zh) | 车辆检索方法及相关装置 | |
CN114863242B (zh) | 一种面向图像识别的深度学习网络的优化方法及系统 | |
CN109753999B (zh) | 针对任意视角汽车图片的细粒度车型识别方法 | |
CN116503209A (zh) | 基于人工智能和数据驱动的数字孪生系统 | |
CN107832690B (zh) | 人脸识别的方法及相关产品 | |
CN115017399B (zh) | 一种网约车车型自动推荐方法和装置 | |
CN113255402B (zh) | 动作识别方法、装置以及电子设备 | |
CN113869366A (zh) | 模型训练方法、亲属关系分类方法、检索方法及相关装置 | |
CN111898475A (zh) | 非机动车的状态估计方法及装置、存储介质、电子装置 | |
CN113108794B (zh) | 位置识别方法、装置、设备及计算机可读存储介质 | |
CN116935494B (zh) | 一种基于轻量化网络模型的多人坐姿识别方法 |
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 |