CN115527180A - 一种基于图像识别技术的车厢拥挤度识别系统 - Google Patents

一种基于图像识别技术的车厢拥挤度识别系统 Download PDF

Info

Publication number
CN115527180A
CN115527180A CN202211371550.5A CN202211371550A CN115527180A CN 115527180 A CN115527180 A CN 115527180A CN 202211371550 A CN202211371550 A CN 202211371550A CN 115527180 A CN115527180 A CN 115527180A
Authority
CN
China
Prior art keywords
image
degree
images
congestion
carriage
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
Application number
CN202211371550.5A
Other languages
English (en)
Other versions
CN115527180B (zh
Inventor
李波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Beieneng Information Technology Co ltd
Original Assignee
Beijing Beieneng Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Beieneng Information Technology Co ltd filed Critical Beijing Beieneng Information Technology Co ltd
Priority to CN202211371550.5A priority Critical patent/CN115527180B/zh
Publication of CN115527180A publication Critical patent/CN115527180A/zh
Application granted granted Critical
Publication of CN115527180B publication Critical patent/CN115527180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像识别技术的车厢拥挤度识别系统，包括拍摄模块、图像识别模块和结果输出模块；拍摄模块包括设置在车厢侧面和车厢顶部的摄像头；图像识别模块用于对车厢侧面和车厢顶部的所有摄像头拍摄的图像分别进行图像拼接处理，获得侧面拼接图像和顶部拼接图像；分别获取两个拼接图像中的乘客数量，通过加权求和的方式计算车厢内的乘客的最终数量：根据最终数量与设定的数量参考值之间的比值确定车厢的拥挤度；结果输出模块用于显示计算得到的拥挤度。与现有技术相比，本发明能够有效地降低遮挡情况对人数统计的影响，从而使得获取的拥挤度能够更加准确地反映车厢内的人员的拥挤度。

Description

一种基于图像识别技术的车厢拥挤度识别系统
技术领域
本发明涉及识别领域，尤其涉及一种基于图像识别技术的车厢拥挤度识别系统。
背景技术
为了避免部分车厢人流过多，部分车厢人流过少，影响乘客的体验，因此需要对客流进行分流。现有技术中，一般是通过设置在车厢中的侧面或者顶部的单一的摄像头来获取车厢内的图像，然后再对图像进行识别，判断出车厢的拥挤程度，但是，由于人与人之间会存在遮挡，因此，单一方向的图像并不能很好地反映车厢内的人员的拥挤度。
发明内容
本发明的目的在于公开一种基于图像识别技术的车厢拥挤度识别系统，解决单一方向的图像不能很好地反映车厢内的人员的拥挤度的问题。
为了达到上述目的，本发明采用如下技术方案：
一种基于图像识别技术的车厢拥挤度识别系统，包括拍摄模块、图像识别模块和结果输出模块；
拍摄模块包括设置在车厢侧面的多个摄像头和设置在车厢顶部的多个摄像头；
图像识别模块用于采用如下方式确定车厢内的拥挤度：
对车厢侧面的所有摄像头拍摄的图像进行图像拼接处理，获得侧面拼接图像；
对车厢顶部的所有摄像头拍摄的图像进行图像拼接处理，获得顶部拼接图像；
获取侧面拼接图像中包含的乘客的数量numasd和顶部拼接图像中包含的乘客的数量numtop；
采用如下公式计算车厢内的乘客的最终数量：
numfin＝α×numasd+β×numtop
其中，numfin表示车厢内的乘客的最终数量，α和β表示权重系数，α+β＝1；
根据最终数量与设定的数量参考值之间的比值确定车厢的拥挤度；
结果输出模块用于显示计算得到的拥挤度。
优选地，所述拥挤度包括完全不拥挤、轻度拥挤、中度拥挤和重度拥挤。
优选地，所述最终数量与设定的数量参考值之间的比值采用如下公式计算：
Figure BDA0003925068840000021
其中，rat表示最终数量与设定的数量参考值之间的比值，numref表示设定的数量参考值。
优选地，所述根据最终数量与设定的数量参考值之间的比值确定车厢的拥挤度，包括：
若rat∈[0,0.25)，则车厢的拥挤度为完全不拥挤；
若rat∈[0.25,0.5)，则车厢的拥挤度为轻度拥挤；
若rat∈[0.5,0.75)，则车厢的拥挤度为中度拥挤；
若rat∈[0.75,1]，则车厢的拥挤度为重度拥挤。
优选地，所述对车厢侧面的所有摄像头拍摄的图像进行图像拼接处理，获得侧面拼接图像，包括：
分别对每张图像进行亮度调节处理，获得处理图像；
对于相邻的两个摄像头拍摄的图像所对应的处理图像photoa和photob，采用如下方式对photoa和photob进行拼接处理：
分别对photoa和photob进行划分处理，获得子图像的集合colofimga和colofimgb；
获取colofimga和colofimgb中匹配度大于设定的匹配度门槛值的子图像对；
基于获得的子图像对进行图像拼接处理，获得处理图像photoa和photob之间的拼接图像。
优选地，所述分别对photoa和photob进行划分处理，获得子图像的集合colofimga和colofimgb，包括：
在垂直方向对photoa进行分割，将photoa分成N个大小相同的子图像，将获得的子图像存入集合colofimga；
在垂直方向对photob进行分割，将photob分成N个大小相同的子图像，将获得的子图像存入集合colofimgb。
优选地，所述获取colofimga和colofimgb中匹配度大于设定的匹配度门槛值的子图像对，包括：
对于colofimga中的第i个子图像subimgi，分别计算subimgi与colofimgb中的每个子图像之间的匹配度；
若colofimgb中只有1个子图像subimgb与subimgi之间的匹配度大于设定的匹配度门槛值，则subimgb与subimgi组成一个图像对，将subimgb从colofimgb中删除，获得更新后的subimgb；
若colofimgb中存在多个子图像与subimgi之间的匹配度大于设定的匹配度门槛值，则将最大的匹配度在colofimgb中对应的子图像subimgma与subimgi组成一个图像对，将subimgma从colofimgb中删除，获得更新后的subimgb。
优选地，所述基于获得的子图像对进行图像拼接处理，获得处理图像photoa和photob之间的拼接图像，包括：
分别提取子图像对中每个子图像的特征点；
基于子图像的特征点获取photoa和photob之间的特征点匹配对；
使用Random Sample Consensus算法对特征点匹配对进行筛选，获得筛选后的特征点匹配对；
基于筛选后的特征点匹配对进行图像拼接处理，获得拼接图像。
本发明在通过图像识别的方式获取车厢内的拥挤度时，采用的是分别在车厢的侧面和车厢的顶部设置摄像头，然后分别获取侧面拼接图像和顶部拼接图像，接着分别计算侧面拼接图像和顶部拼接图像中的人数，最后将侧面拼接图像和顶部拼接图像中的人数进行加权求和，得到最终人数，基于最终人数获取车厢内的拥挤度。与现有技术相比，本发明能够有效地降低遮挡情况对人数统计的影响，从而使得获取的拥挤度能够更加准确地反映车厢内的人员的拥挤度。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明一种基于图像识别技术的车厢拥挤度识别系统的一种实施例图。
图2为本发明确定车厢内的拥挤度的一种实施例图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示的一种实施例，本发明提供了一种基于图像识别技术的车厢拥挤度识别系统，包括拍摄模块、图像识别模块和结果输出模块；
拍摄模块包括设置在车厢侧面的多个摄像头和设置在车厢顶部的多个摄像头；
如图2所示，图像识别模块用于采用如下方式确定车厢内的拥挤度：
对车厢侧面的所有摄像头拍摄的图像进行图像拼接处理，获得侧面拼接图像；
对车厢顶部的所有摄像头拍摄的图像进行图像拼接处理，获得顶部拼接图像；
获取侧面拼接图像中包含的乘客的数量numasd和顶部拼接图像中包含的乘客的数量numtop；
采用如下公式计算车厢内的乘客的最终数量：
numfin＝α×numasd+β×numtop
其中，numfin表示车厢内的乘客的最终数量，α和β表示权重系数，α+β＝1；
根据最终数量与设定的数量参考值之间的比值确定车厢的拥挤度；
结果输出模块用于显示计算得到的拥挤度。
本发明在通过图像识别的方式获取车厢内的拥挤度时，采用的是分别在车厢的侧面和车厢的顶部设置摄像头，然后分别获取侧面拼接图像和顶部拼接图像，接着分别计算侧面拼接图像和顶部拼接图像中的人数，最后将侧面拼接图像和顶部拼接图像中的人数进行加权求和，得到最终人数，基于最终人数获取车厢内的拥挤度。与现有技术相比，本发明能够有效地降低遮挡情况对人数统计的影响，从而使得获取的拥挤度能够更加准确地反映车厢内的人员的拥挤度。
对于单一方向设置的摄像头，例如设置在侧面的摄像头，当车厢内人数实际上并不多，但是车厢内的乘客都集中到同一侧站立或坐在座位上，此时，仅通过侧面的摄像头获得的图像进行拥挤度的判断，便会获得错误的判断结果。因为由于人员的遮挡，此时车厢内的人数会被错误地扩大，便会获得错误的统计结果。
在另一种情况下，当车厢的乘客互相之间遮挡时，仅依靠侧面的摄像头也会获得错误的拥挤度计算结果。
而如果仅依靠顶部的摄像头，由于定部的摄像头所拍摄的图像在进行人数统计时，只能够是依据识别人头的数量的方式来获得统计结果。但是，顶部的摄像头获得的图像中，并不包含脸部特征，或者但部分不包含脸部特征，因此，在统计时，统计结果依然不够准确。但是，侧面的摄像头可以获得较多的脸部特征，因此，通过两个方向进行统计，从而有效地提高了获得的乘客人数的统计结果的准确性。
进行图像拼接，能够避免对乘客的重复统计，提高了乘客数量的计算结果的准确性。
在一种实施例中，车厢侧面为车厢前进方向的左侧或右侧，车厢侧面的摄像头统一安排在同一侧设置。
在一种实施例中，对于同一侧设置的摄像头，相邻两个摄像头的拍摄范围存在重叠区域。
在一种实施例中，对于同一侧设置的摄像头，所有摄像头处于同一水平高度上。
在一种实施例中，对于车厢顶部的摄像头，相邻两个摄像头的拍摄范围存在重叠区域。
在一种实施例中，对于车厢顶部的摄像头，所有摄像头处于同一直线上，直线沿车厢的前进方向延伸。
在一种实施例中，结果输出模块可以包括智能移动终端，台式电脑终端等。
优选地，所述拥挤度包括完全不拥挤、轻度拥挤、中度拥挤和重度拥挤。
优选地，所述最终数量与设定的数量参考值之间的比值采用如下公式计算：
Figure BDA0003925068840000051
其中，rat表示最终数量与设定的数量参考值之间的比值，numref表示设定的数量参考值。
具体的，数量参考值是一个比较大的值，能够使得比值取值范围位于0到1之间。
优选地，所述根据最终数量与设定的数量参考值之间的比值确定车厢的拥挤度，包括：
若rat∈[0,0.25)，则车厢的拥挤度为完全不拥挤；
若rat∈[0.25,0.5)，则车厢的拥挤度为轻度拥挤；
若rat∈[0.5,0.75)，则车厢的拥挤度为中度拥挤；
若rat∈[0.75,1]，则车厢的拥挤度为重度拥挤。
需要理解的是，本发明仅仅是将拥堵度分成了4种类型，本领域技术人员能够根据实际情况设置更多类型的拥挤度，而对应的比值区间也能根据类型的数量进行调整。
优选地，所述对车厢侧面的所有摄像头拍摄的图像进行图像拼接处理，获得侧面拼接图像，包括：
分别对每张图像进行亮度调节处理，获得处理图像；
对于相邻的两个摄像头拍摄的图像所对应的处理图像photoa和photob，采用如下方式对photoa和photob进行拼接处理：
分别对photoa和photob进行划分处理，获得子图像的集合colofimga和colofimgb；
获取colofimga和colofimgb中匹配度大于设定的匹配度门槛值的子图像对；
基于获得的子图像对进行图像拼接处理，获得处理图像photoa和photob之间的拼接图像。
进行亮度调节处理，能够降低亮度分布不均匀对乘客人数识别的结果的影响。现有技术中，在进行拼接处理时，一般是直接对进行拼接的两张图像中的所有像素点进行特征点的获取，然后基于获得的特征点进行后续的图像匹配过程。但是，相邻的两张图像中，能够重合的部分仅是其中的一个区域，因此，对大部分的区域提取的特征点都是无效的，只会浪费计算资源，因此，本发明通过先获取子图像对，然后再获取子图像对中的特征点，这样便能大幅度减少需要进行特征点提取的像素点的数量，有效地提高了本发明的拥挤度识别系统获取车厢内的拥挤度的计算效率。
在一种实施例中，对车厢顶部的所有摄像头拍摄的图像进行图像拼接处理的过程与对车厢侧面的所有摄像头拍摄的图像进行图像拼接处理的过程相同，这里不再赘述。
在一种实施例中，对于侧面拼接图像和顶部拼接图像，可以分别将侧面拼接图像和顶部拼接图像输入到训练好的神经网络模型中进行计算，获得乘客的数量。
优选地，所述分别对photoa和photob进行划分处理，获得子图像的集合colofimga和colofimgb，包括：
在垂直方向对photoa进行分割，将photoa分成N个大小相同的子图像，将获得的子图像存入集合colofimga；
在垂直方向对photob进行分割，将photob分成N个大小相同的子图像，将获得的子图像存入集合colofimgb。
具体的，在本实施例中，图像分割仅在垂直方向上进行，能够降低将一个乘客划分到不同的子图像中的概率。
优选地，所述获取colofimga和colofimgb中匹配度大于设定的匹配度门槛值的子图像对，包括：
对于colofimga中的第i个子图像subimgi，分别计算subimgi与colofimgb中的每个子图像之间的匹配度；
若colofimgb中只有1个子图像subimgb与subimgi之间的匹配度大于设定的匹配度门槛值，则subimgb与subimgi组成一个图像对，将subimgb从colofimgb中删除，获得更新后的subimgb；
若colofimgb中存在多个子图像与subimgi之间的匹配度大于设定的匹配度门槛值，则将最大的匹配度在colofimgb中对应的子图像subimgma与subimgi组成一个图像对，将subimgma从colofimgb中删除，获得更新后的subimgb。
具体的，从colofimgb中获得与subimgi组成图像对的子图像之后，便对colofimga中的第i+1个子图像进行子图像对的获取过程。在获取的过程中不断减少colofimgb中的像素点的数量，使得获取子图像对的速度越来越快，从而有效地提高了图像匹配的效率。
优选地，对于子图像subimga和子图像subimgb，两者之间的匹配度采用如下方式计算：
Figure BDA0003925068840000071
其中，matder(subimga,subimga)表示子图像subimga和子图像subimgb之间的匹配度，seta表示subimga中的像素级的集合，numu表示subimga中像素级为u的像素点的数量，numa表示subimga中的像素点的总数，setb表示subimgb中的像素级的集合，numv表示subimgb中像素级为v的像素点的数量，numb表示subimgb中的像素点的总数，consv表示修正系数，
Figure BDA0003925068840000081
其中，numu,v表示像素级对<u,v>出现的次数，numa,b表示所有类型的像素级对出现的总次数。
子图像在计算匹配度时，主要是从像素级上进行计算，若两个子图像之间的适合度越高，则匹配度也越高。除了考虑单一的图像的像素级计算结果之外，本发明还加入了修正系数，修正系数是从像素级对的方向进行计算，考虑的是两个子图像之间的像素级的联合关系，因此，能够进一步提高匹配度表征两个子图像之间的适合度的准确率。
优选地，所述基于获得的子图像对进行图像拼接处理，获得处理图像photoa和photob之间的拼接图像，包括：
分别提取子图像对中每个子图像的特征点；
基于子图像的特征点获取photoa和photob之间的特征点匹配对；
使用Random Sample Consensus算法对特征点匹配对进行筛选，获得筛选后的特征点匹配对；
基于筛选后的特征点匹配对进行图像拼接处理，获得拼接图像。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：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。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种基于图像识别技术的车厢拥挤度识别系统，其特征在于，包括拍摄模块、图像识别模块和结果输出模块；
拍摄模块包括设置在车厢侧面的多个摄像头和设置在车厢顶部的多个摄像头；
图像识别模块用于采用如下方式确定车厢内的拥挤度：
对车厢侧面的所有摄像头拍摄的图像进行图像拼接处理，获得侧面拼接图像；
对车厢顶部的所有摄像头拍摄的图像进行图像拼接处理，获得顶部拼接图像；
获取侧面拼接图像中包含的乘客的数量numasd和顶部拼接图像中包含的乘客的数量numtop；
采用如下公式计算车厢内的乘客的最终数量：
numfin＝α×numasd+β×numtop
其中，numfin表示车厢内的乘客的最终数量，α和β表示权重系数，α+β＝1；
根据最终数量与设定的数量参考值之间的比值确定车厢的拥挤度；
结果输出模块用于显示计算得到的拥挤度。
2.根据权利要求1所述的一种基于图像识别技术的车厢拥挤度识别系统，其特征在于，所述拥挤度包括完全不拥挤、轻度拥挤、中度拥挤和重度拥挤。
3.根据权利要求2所述的一种基于图像识别技术的车厢拥挤度识别系统，其特征在于，所述最终数量与设定的数量参考值之间的比值采用如下公式计算：
Figure FDA0003925068830000011
其中，rat表示最终数量与设定的数量参考值之间的比值，numref表示设定的数量参考值。
4.根据权利要求3所述的一种基于图像识别技术的车厢拥挤度识别系统，其特征在于，所述根据最终数量与设定的数量参考值之间的比值确定车厢的拥挤度，包括：
若rat∈[0,0.25)，则车厢的拥挤度为完全不拥挤；
若rat∈[0.25,0.5)，则车厢的拥挤度为轻度拥挤；
若rat∈[0.5,0.75)，则车厢的拥挤度为中度拥挤；
若rat∈[0.75,1]，则车厢的拥挤度为重度拥挤。
5.根据权利要求1所述的一种基于图像识别技术的车厢拥挤度识别系统，其特征在于，所述对车厢侧面的所有摄像头拍摄的图像进行图像拼接处理，获得侧面拼接图像，包括：
分别对每张图像进行亮度调节处理，获得处理图像；
对于相邻的两个摄像头拍摄的图像所对应的处理图像photoa和photob，采用如下方式对photoa和photob进行拼接处理：
分别对photoa和photob进行划分处理，获得子图像的集合colofimga和colofimgb；
获取colofimga和colofimgb中匹配度大于设定的匹配度门槛值的子图像对；
基于获得的子图像对进行图像拼接处理，获得处理图像photoa和photob之间的拼接图像。
6.根据权利要求5所述的一种基于图像识别技术的车厢拥挤度识别系统，其特征在于，所述分别对photoa和photob进行划分处理，获得子图像的集合colofimga和colofimgb，包括：
在垂直方向对photoa进行分割，将photoa分成N个大小相同的子图像，将获得的子图像存入集合colofimga；
在垂直方向对photob进行分割，将photob分成N个大小相同的子图像，将获得的子图像存入集合colofimgb。
7.根据权利要求6所述的一种基于图像识别技术的车厢拥挤度识别系统，其特征在于，所述获取colofimga和colofimgb中匹配度大于设定的匹配度门槛值的子图像对，包括：
对于colofimga中的第i个子图像subimgi，分别计算subimgi与colofimgb中的每个子图像之间的匹配度；
若colofimgb中只有1个子图像subimgb与subimgi之间的匹配度大于设定的匹配度门槛值，则subimgb与subimgi组成一个图像对，将subimgb从colofimgb中删除，获得更新后的subimgb；
若colofimgb中存在多个子图像与subimgi之间的匹配度大于设定的匹配度门槛值，则将最大的匹配度在colofimgb中对应的子图像subimgma与subimgi组成一个图像对，将subimgma从colofimgb中删除，获得更新后的subimgb。
8.根据权利要求7所述的一种基于图像识别技术的车厢拥挤度识别系统，其特征在于，所述基于获得的子图像对进行图像拼接处理，获得处理图像photoa和photob之间的拼接图像，包括：
分别提取子图像对中每个子图像的特征点；
基于子图像的特征点获取photoa和photob之间的特征点匹配对；
使用Random Sample Consensus算法对特征点匹配对进行筛选，获得筛选后的特征点匹配对；
基于筛选后的特征点匹配对进行图像拼接处理，获得拼接图像。
CN202211371550.5A 2022-11-03 2022-11-03 一种基于图像识别技术的车厢拥挤度识别系统 Active CN115527180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211371550.5A CN115527180B (zh) 2022-11-03 2022-11-03 一种基于图像识别技术的车厢拥挤度识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211371550.5A CN115527180B (zh) 2022-11-03 2022-11-03 一种基于图像识别技术的车厢拥挤度识别系统

Publications (2)

Publication Number Publication Date
CN115527180A true CN115527180A (zh) 2022-12-27
CN115527180B CN115527180B (zh) 2023-05-23

Family

ID=84704833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211371550.5A Active CN115527180B (zh) 2022-11-03 2022-11-03 一种基于图像识别技术的车厢拥挤度识别系统

Country Status (1)

Country Link
CN (1) CN115527180B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150206027A1 (en) * 2011-03-07 2015-07-23 KBA2 Inc. Systems and methods for analytic data gathering from image providers at an event or geographic location
CN106548451A (zh) * 2016-10-14 2017-03-29 青岛海信网络科技股份有限公司 一种客车客流拥挤度计算方法和装置
CN107622254A (zh) * 2017-10-08 2018-01-23 华北理工大学 公交拥挤度检测系统及方法
CN110458056A (zh) * 2019-07-29 2019-11-15 交控科技股份有限公司 列车车厢拥挤度检测方法及装置
US20200294240A1 (en) * 2018-04-20 2020-09-17 Ping An Technology (Shenzhen) Co., Ltd. Method and apparatus for training semantic segmentation model, computer device, and storage medium
CN113159004A (zh) * 2021-05-27 2021-07-23 苏州大学 轨道交通车厢客流估计方法
CN113553921A (zh) * 2021-07-02 2021-10-26 兰州交通大学 一种基于卷积神经网络的地铁车厢拥挤度识别方法
CN114463372A (zh) * 2021-12-14 2022-05-10 武汉万集光电技术有限公司 车辆识别方法、装置、终端设备及计算机可读存储介质
CN114973146A (zh) * 2022-06-21 2022-08-30 长沙海信智能系统研究院有限公司 车厢拥挤度检测方法、装置及电子设备
US20220335797A1 (en) * 2021-04-16 2022-10-20 Honeywell International Inc. Video surveillance system with drone support
CN115239955A (zh) * 2022-07-15 2022-10-25 平安科技（深圳）有限公司 不对等像素的图像匹配方法、装置、计算机设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150206027A1 (en) * 2011-03-07 2015-07-23 KBA2 Inc. Systems and methods for analytic data gathering from image providers at an event or geographic location
CN106548451A (zh) * 2016-10-14 2017-03-29 青岛海信网络科技股份有限公司 一种客车客流拥挤度计算方法和装置
CN107622254A (zh) * 2017-10-08 2018-01-23 华北理工大学 公交拥挤度检测系统及方法
US20200294240A1 (en) * 2018-04-20 2020-09-17 Ping An Technology (Shenzhen) Co., Ltd. Method and apparatus for training semantic segmentation model, computer device, and storage medium
CN110458056A (zh) * 2019-07-29 2019-11-15 交控科技股份有限公司 列车车厢拥挤度检测方法及装置
US20220335797A1 (en) * 2021-04-16 2022-10-20 Honeywell International Inc. Video surveillance system with drone support
CN113159004A (zh) * 2021-05-27 2021-07-23 苏州大学 轨道交通车厢客流估计方法
CN113553921A (zh) * 2021-07-02 2021-10-26 兰州交通大学 一种基于卷积神经网络的地铁车厢拥挤度识别方法
CN114463372A (zh) * 2021-12-14 2022-05-10 武汉万集光电技术有限公司 车辆识别方法、装置、终端设备及计算机可读存储介质
CN114973146A (zh) * 2022-06-21 2022-08-30 长沙海信智能系统研究院有限公司 车厢拥挤度检测方法、装置及电子设备
CN115239955A (zh) * 2022-07-15 2022-10-25 平安科技（深圳）有限公司 不对等像素的图像匹配方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张致炜;陈泓妤;郑少聪;: "基于机器视觉的均衡地铁客流量研究", 时代汽车 *

Also Published As

Publication number Publication date
CN115527180B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN106485215B (zh) 基于深度卷积神经网络的人脸遮挡检测方法
CN106960195B (zh) 一种基于深度学习的人群计数方法及装置
CN110728225B (zh) 一种用于考勤的高速人脸搜索方法
CN109711268B (zh) 一种人脸图像筛选方法及设备
CN108537782B (zh) 一种基于轮廓提取的建筑物图像匹配与融合的方法
CN106886778B (zh) 一种监控场景下车牌字符分割与识别方法
CN111612024B (zh) 特征提取方法、装置、电子设备及计算机可读存储介质
CN108830152B (zh) 深度学习网络和人工特征相联合的行人检测方法及系统
CN112668522B (zh) 一种人体关键点与人体掩码联合检测网络及方法
CN110310301B (zh) 一种检测目标对象的方法及装置
CN109961013A (zh) 车道线的识别方法、装置、设备及计算机可读存储介质
CN112149533A (zh) 一种基于改进ssd模型的目标检测方法
CN107483894A (zh) 基于场景判断实现客运管理的高铁车站视频监控系统
CN108241821A (zh) 图像处理设备和方法
CN109993089A (zh) 一种基于深度学习的视频目标去除及背景恢复方法
JP5937823B2 (ja) 画像照合処理装置、画像照合処理方法及び画像照合処理プログラム
CN111369521A (zh) 一种基于图像质量的图像过滤方法和相关装置
CN111986163A (zh) 人脸图像选择方法和装置
CN110795998B (zh) 人流量的检测方法、装置、电子设备及可读存储介质
CN112801021B (zh) 基于多级语义信息的车道线检测方法及系统
CN113011408A (zh) 多帧图片序列的字符识别、车辆识别码识别方法及系统
CN113536849A (zh) 一种基于图像识别的人群聚集识别方法及装置
CN115527180A (zh) 一种基于图像识别技术的车厢拥挤度识别系统
CN114550069B (zh) 一种基于深度学习的仔猪乳头计数方法
CN111127355A (zh) 一种对缺损光流图进行精细补全的方法及其应用

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