CN117079447A - 一种基于公交车拥挤度检测的调度方法及装置 - Google Patents
一种基于公交车拥挤度检测的调度方法及装置 Download PDFInfo
- Publication number
- CN117079447A CN117079447A CN202311328289.5A CN202311328289A CN117079447A CN 117079447 A CN117079447 A CN 117079447A CN 202311328289 A CN202311328289 A CN 202311328289A CN 117079447 A CN117079447 A CN 117079447A
- Authority
- CN
- China
- Prior art keywords
- bus
- average
- determining
- standing passengers
- seats
- 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 70
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000012544 monitoring process Methods 0.000 claims abstract description 51
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/593—Recognising seat occupancy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书公开了一种基于公交车拥挤度检测的调度方法及装置，可以获取公交车座椅数量以及获取公交车的前后监控视频，从前后监控视频中按照预设时间间隔抽取视频帧进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量；确定上一站点与下一站点之间的平均通行时间，并确定当前时间与上一站点发车时间的时间间隔是否满足该平均通行时间的预设比例，若是，根据公交车到达上一站点后各视频帧对应的站立乘客数量和空闲座椅数量，确定平均站立乘客数量以及平均空闲座椅数量，而后，根据公交车座椅数量、平均站立乘客数量以及平均空闲座椅数量，确定公交车拥挤度，以根据该公交车拥挤度进行公交车调度，从而提高了公交车拥挤度确定的准确性。
Description
技术领域
本说明书涉及图像识别领域，尤其涉及一种基于公交车拥挤度检测的调度方法及装置。
背景技术
人们的日常出行日渐更加依赖公共交通工具，对公共交通的供给力和服务质量有着更高的期望。
一些相关研究提出了借助传感器或者目标检测的方式计算判断公交车内拥挤度，指导公交车调度的方法、装置。这些方法大多是基于当前公交车内的人数来进行拥挤度判断的，没有充分利用公交车本身具有的载客能力的多少以及公交车场景的特殊性，拥挤度检测结果误差相对较大，对乘客乘车指导性不足，未能充分改善乘客的乘车体验。
发明内容
本说明书提供一种基于公交车拥挤度检测的调度方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种基于公交车拥挤度检测的调度方法，包括：
获取公交车座椅数量以及获取公交车的前后监控视频；
从所述前后监控视频中按照预设时间间隔抽取视频帧进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量；
确定上一站点与下一站点之间的平均通行时间，并确定当前时间与上一站点发车时间的时间间隔是否满足所述平均通行时间的预设比例；
若是，根据所述公交车到达上一站点后通行时间内的各视频帧对应的站立乘客数量和空闲座椅数量，确定平均站立乘客数量以及平均空闲座椅数量；
根据所述公交车座椅数量、平均站立乘客数量以及平均空闲座椅数量，确定公交车拥挤度，以根据所述公交车拥挤度进行公交车调度。
可选地，根据上一站点与下一站点之间的平均通行时间，确定当前时间与上一站点发车时间的时间间隔是否满足预设条件之前，所述方法还包括：
确定所述公交车到达上一站点的到达时间；
将所述到达时间加预设时长，得到所述上一站点的发车时间。
可选地，从所述前后监控视频中按照预设时间间隔抽取视频帧进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量之前，所述方法还包括：
获取样本图像，以及样本图像的标注信息，所述样本图像为从历史上公交车前后监控视频中截取出的视频帧，所述标注信息为对样本图像中的站立乘客的标注以及对样本图像中空闲座椅的标注；
根据所述样本图像以及所述样本图像的标注信息，对预设的目标检测模型进行训练；
从所述前后监控视频中按照预设时间间隔抽取视频帧进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量，具体包括：
通过所述目标检测模型进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量。
可选地，确定上一站点与下一站点之间的平均通行时间，具体包括：
确定所述公交车对应的各历史车次；
针对每个历史车次，确定该历史车次下公交车到达上一站点的时间以及该历史车次下公交车到达下一站点的时间之间的时间间隔，作为该历史车次对应的时间间隔；
根据各历史车次对应的时间间隔，确定上一站点与下一站点之间的平均通行时间。
可选地，所述到达上一站点后通行时间内的各视频帧包括前监控视频中的前视频帧以及后监控视频中的后视频帧；
根据到达上一站点后通行时间内的各视频帧对应的站立乘客数量和空闲座椅数量，确定平均站立乘客数量以及平均空闲座椅数量，具体包括：
根据到达上一站点后通行时间内的各前视频帧对应的站立乘客数量和空闲座椅数量，确定前视频帧对应的平均站立乘客数量和平均空闲座椅数量；
根据到达上一站点后通行时间内的各后视频帧对应的站立乘客数量和空闲座椅数量，确定后视频帧对应的平均站立乘客数量和平均空闲座椅数量。
可选地，所述公交车拥挤度包括空旷、较空旷、轻度拥挤、拥挤和重度拥挤五种；
根据所述公交车座椅数量、平均站立乘客数量以及平均空闲座椅数量，确定公交车拥挤度，以根据所述公交车拥挤度进行公交车调度，具体包括：
若前视频帧对应的平均空闲座椅数量与公交车座椅数量之间的比例不小于第一预设比例，确定公交车拥挤度为空旷；
若前视频帧对应的平均空闲座椅数量与公交车座椅数量之间的比例小于第一预设比例，并且前视频帧对应的平均站立乘客数量以及后视频帧对应的平均站立乘客数量均小于预设数值，确定公交车拥挤度为较空旷；
若前视频帧对应的平均空闲座椅数量与公交车座椅数量之间的比例不小于第一预设比例，并且平均站立乘客数量的总数小于平均空闲座椅数量的总数，确定公交车拥挤度为较空旷；
若前视频帧对应的平均空闲座椅数量与后视频帧对应的平均空闲座椅数量为所述预设数值，并且平均站立乘客数量的总数与公交车座椅数量之间的比例小于第二预设比例，确定公交车拥挤度为轻度拥挤；
若平均站立乘客数量的总数与公交车座椅数量之间的比例小于第二预设比例，并且平均站立乘客数量的总数大于平均空闲座椅数量的总数，确定公交车拥挤度为轻度拥挤；
若前视频帧对应的平均空闲座椅数量与后视频帧对应的平均空闲座椅数量为所述预设数值，并且平均站立乘客数量的总数与公交车座椅数量之间的比例位于预设比例范围，确定公交车拥挤度为拥挤；
若平均站立乘客数量的总数与公交车座椅数量之间的比例超过所述预设比例范围的最大范围，确定公交车拥挤度为严重拥挤。
本说明书提供了一种基于公交车拥挤度检测的调度装置，包括：
获取模块，用于获取公交车座椅数量以及获取公交车的前后监控视频；
检测模块，用于从所述前后监控视频中按照预设时间间隔抽取视频帧进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量；
判断模块，用于确定上一站点与下一站点之间的平均通行时间，并确定当前时间与上一站点发车时间的时间间隔是否满足所述平均通行时间的预设比例；
均值确定模块，用于若是，根据所述公交车到达上一站点后通行时间内的各视频帧对应的站立乘客数量和空闲座椅数量，确定平均站立乘客数量以及平均空闲座椅数量；
拥挤度确定模块，用于根据所述公交车座椅数量、平均站立乘客数量以及平均空闲座椅数量，确定公交车拥挤度，以根据所述公交车拥挤度进行公交车调度。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于公交车拥挤度检测的调度方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于公交车拥挤度检测的调度方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
从上述一种基于公交车拥挤度检测的调度方法中可以看出，获取公交车座椅数量以及获取公交车的前后监控视频，从所述前后监控视频中按照预设时间间隔抽取视频帧进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量；确定上一站点与下一站点之间的平均通行时间，并确定当前时间与上一站点发车时间的时间间隔是否满足该平均通行时间的预设比例，若是，根据公交车到达上一站点后通行时间内的各视频帧对应的站立乘客数量和空闲座椅数量，确定平均站立乘客数量以及平均空闲座椅数量，而后，根据公交车座椅数量、平均站立乘客数量以及平均空闲座椅数量，确定公交车拥挤度，以根据该公交车拥挤度进行公交车调度。
现有的公交车拥挤度检测系统往往没有考虑到公交车场景的特殊性， (1)大多数的乘客在有空闲座椅时不会选择站立，车内拥挤度情况与站立的乘客，空闲的座椅都存在一定的关联（2）公交车行驶过程中乘客与乘客之间、乘客与座椅之间的遮挡情况会发生变化。
针对第（1）种情况，在本方法中确定公交车拥挤度时同时考虑了站立的乘客数量、空闲的座椅数量以及车内的座椅数量，从而提高了公交车拥挤度确定的准确性，针对第（2）种情况，在本方法中通过一段时间内的监控视频的视频帧来确定出平均的空闲座椅数量和站立的乘客数量，能够降低确定出的空闲座椅数量和站立乘客数量的误差。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书提供的一种基于公交车拥挤度检测的调度方法的流程示意图；
图2为本说明书中提供的一种公交车铭牌信息的示意图；
图3为本说明书提供的一种公交车及车内前后监控摄像头装置示意图；
图4为本说明书提供的一种基于公交车拥挤度检测的调度装置示意图；
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种基于公交车拥挤度检测的调度方法的流程示意图，具体包括以下步骤：
S100：获取公交车座椅数量以及获取公交车的前后监控视频。
S102：从所述前后监控视频中按照预设时间间隔抽取视频帧进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量。
在需要对一辆公交车进行拥挤度检测时，服务器可以获取该公交车的公交车座椅数量以及获取该公交车的前后监控视频。其中，公交车座椅数量可以是从公交车出厂信息获取得到的，如图2所示，
图2为本说明书中提供的一种公交车铭牌信息的示意图。
图2中展示出的是公交车出厂时的铭牌的结构，该铭牌中记载了公交车的出厂信息，可以看出，在限定载客人数那一栏中可以获取到公交车座椅数量。
前后监控视频分别为公交车前后车门处面向过道的摄像头获取到的公交车内部的监控视频，如图3所示。
图3为本说明书提供的一种公交车及车内前后监控摄像头装置示意图。
图3中示出了公交车内布置的前监控摄像头和后监控摄像头的情况，C表示摄像头。
也就是说，前后监控视频分为前监控视频和后监控视频，通过前监控视频和后监控视频能够得到公交车内的全景。
随着公交车行驶的过程，前后监控视频连续不断地拍摄到车内影像，服务器可以从前后监控视频中按照预设时间间隔抽取视频帧进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量，例如，可以每秒从前后监控视频中各抽出一帧视频帧，并且抽出的视频帧进行目标检测，以确定出视频帧中的站立乘客数量以及空闲座椅数量。
具体的，可以获取样本图像，以及样本图像的标注信息，样本图像为从历史上公交车前后监控视频中截取出的视频帧，标注信息为对样本图像中的站立乘客的标注以及对样本图像中空闲座椅的标注，而后，可以根据样本图像以及样本图像的标注信息，对预设的目标检测模型进行训练；通过目标检测模型进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量。
其中，数据集：数据集包括标注有站立乘客1、空闲座椅2的样本图像；所需样本图像需要从公交车前后监控视频中截取，通过对图片中站立乘客头部以及空闲座椅进行标注，制作包含站立乘客、空闲座椅的数千量级样本的数据集。
训练目标检测模型：在建立的数据集上利用带有GPU运算能力的服务器进行训练，针对公交车监控视频图像中可能存在远端座椅，人头等小目标的情况，在残差网络(ResNet)结构基础上融合能够很好的处理小目标的特征金字塔网络(FPN)来增强目标检测网络对小目标的检测。
将抽取公交车内监控视频的视频帧即视频图像输入训练好的目标检测模型，进行站立乘客以及空闲座椅的检测，输出类别信息和矩形框位置信息，类别信息包括类别名称与置信度，例如：“chair : 0.934”,根据被检测出目标对象的类别信息以及置信度最终得出该图像中站立乘客以及空闲座椅的数量。
为了提高算法在多复杂场景下的适用性与鲁棒性，数据集需要同时包括白天与夜间的公交车内监控视频图片，并且图片数量比例大致为6:4，数据集中训练集与测试集的图片数量比例大致为7:3。
步骤B中，为了提高算法识别的准确率，在进行算法训练环节中，训练目标检测模型中，选用配备24GB显存RTX3090Ti规格及以上的服务器进行训练，设置的训练迭代次数为200000次，每秒识别帧数FPS为20，不断对目标检测模型进行测试和调优, 直到平均准确度mAP至少达到86.4。
步骤C中，使用矩形框的中心点坐标和宽、高{x,y,w,h}定位站立乘客的头部或空闲座椅，矩形框的中心点坐标为（x,y），矩形框的宽为w，矩形框的高为h。因为矩形框是竖直固定的，即可唯一确定一个矩形。
S104：确定上一站点与下一站点之间的平均通行时间，并确定当前时间与上一站点发车时间的时间间隔是否满足所述平均通行时间的预设比例。
S106：若是，根据所述公交车达到上一站点后通行时间内的各视频帧对应的站立乘客数量和空闲座椅数量，确定平均站立乘客数量以及平均空闲座椅数量。
S108：根据所述公交车座椅数量、平均站立乘客数量以及平均空闲座椅数量，确定公交车拥挤度，以根据所述公交车拥挤度进行公交车调度。
上述内容提到了需要对前后监控视频中抽取出的视频帧进行目标检测，这是一个连续的过程，而公交车拥挤度检测可以是在公交车行驶过程中的某些时间点进行的。
具体的，可以确定上一站点与下一站点之间的平均通行时间，并确定当前时间与上一站点发车时间的时间间隔是否满足该平均通行时间的预设比例，其中，预设比例可以是人为设定的，例如，该预设比例为1/2，公交车当前行驶过了A站点，还未到达B站点，则前述方法是在确定公交车当前是否行驶到A站点与B站点之间的一半。
若确定当前时间与上一站点发车时间的时间间隔满足了该平均通行时间的预设比例，则可以开始进行公交车拥挤度的确定。
上一站点的发车时间可以通过确定公交车到达上一站点的到达时间，并将该到达时间加预设时长，得到上一站点的发车时间。例如，预设时长可以为30s。
在确定平均通行时间时，可以确定该公交车对应的各历史车次，针对每个历史车次，确定该历史车次下公交车到达上一站点的时间以及该历史车次下公交车到达下一站点的时间之间的时间间隔，作为该历史车次对应的时间间隔，并根据各历史车次对应的时间间隔，确定上一站点与下一站点之间的平均通行时间。
需要说明的是，这里提到的历史车次可以是指该公交车所属的公交线路下的历史车次，也可以是指仅仅是该公交车的历史车次（即，不包含公交线路其他司机的车次）。
即，平均通行时间可以采用算数平均值的方式计算得出，具体计算公式如式(I)所示：
式(I)中表示该路公交车第i个站点到第i+1个站点之间的平均行驶时间，以秒为单位的时间戳表示，n表示该路公交车参与计算的数量，/>表示从公交车系统中随机获取该路公交车某车次下的第j辆公交车到达第i个站点的时间戳，/>则表示上述某车次下第j辆公交车到达第i+1个站点的时间戳。假设该路公交车总共有m辆车，计算时n随机取大小为1＜= n ＜= m的整数。
具体的，可以根据所述公交车达到上一站点后通行时间内的各视频帧对应的站立乘客数量和空闲座椅数量，确定平均站立乘客数量以及平均空闲座椅数量。并根据公交车座椅数量、平均站立乘客数量以及平均空闲座椅数量，确定公交车拥挤度，以根据该公交车拥挤度进行公交车调度。当然，也可以将该公交车拥挤度发送给公交车查询系统，以使公交车查询系统将公交车拥挤度展示给查询该公交车的拥挤度的用户。
其中，通过公交车拥挤度进行公交车调度的方式不对其进行限定，例如，可以在公交车拥挤度较高时（例如，处于拥挤或者重度拥挤时），将公交车原本的发车时间提前，或者在存在堵车的情况下，可能会存在两辆公交车距离很近，但是一辆公交车上拥挤度较高，另一辆公交车上拥挤度较低，此时可以将拥挤度较低的公交车调度到拥挤度高的公交车的前面。
具体的，可以根据公交车座椅数量、平均站立乘客数量以及平均空闲座椅数量之间的比例关系和数量关系来确定出公交车拥挤度。
需要说明的是，前后监控视频分为前监控视频和后监控视频，那么达到上一站点后通行时间内的各视频帧包括前监控视频中的前视频帧以及后监控视频中的后视频帧。
可以根据到达上一站点后通行时间内的各前视频帧对应的站立乘客数量和空闲座椅数量，确定前视频帧对应的平均站立乘客数量和平均空闲座椅数量，以及根据到达上一站点后通行时间内的各后视频帧对应的站立乘客数量和空闲座椅数量，确定后视频帧对应的平均站立乘客数量和平均空闲座椅数量。
也就是说，可以确定出通过前监控视频确定出的平均站立乘客数量和平均空闲座椅数量，以及确定出通过后监控视频确定出的平均站立乘客数量和平均空闲座椅数量。求和后是总体的平均站立乘客数量和平均空闲座椅数量（在下面称之为平均站立乘客数量的总数和平均空闲座椅数量的总数）。
在计算公交车拥挤度的时候，可以将公交车拥挤度分为空旷、较空旷、轻度拥挤、拥挤和重度拥挤五种。
若前视频帧对应的平均空闲座椅数量与公交车座椅数量之间的比例不小于第一预设比例，则可以确定公交车拥挤度为空旷。
若前视频帧对应的平均空闲座椅数量与公交车座椅数量之间的比例小于第一预设比例，并且前视频帧对应的平均站立乘客数量以及后视频帧对应的平均站立乘客数量均小于预设数值，确定公交车拥挤度为较空旷；
若前视频帧对应的平均空闲座椅数量与公交车座椅数量之间的比例小于第一预设比例，并且平均站立乘客数量的总数小于平均空闲座椅数量的总数，确定公交车拥挤度为较空旷；
若前视频帧对应的平均空闲座椅数量与后视频帧对应的平均空闲座椅数量为所述预设数值，并且平均站立乘客数量的总数与公交车座椅数量之间的比例小于第二预设比例，确定公交车拥挤度为轻度拥挤；
若平均站立乘客数量的总数与公交车座椅数量之间的比例小于第二预设比例，并且平均站立乘客数量的总数大于平均空闲座椅数量的总数，确定公交车拥挤度为轻度拥挤；
若前视频帧对应的平均空闲座椅数量与后视频帧对应的平均空闲座椅数量为所述预设数值，并且平均站立乘客数量的总数与公交车座椅数量之间的比例位于预设比例范围，确定公交车拥挤度为拥挤；
若平均站立乘客数量的总数与公交车座椅数量之间的比例超过所述预设比例范围的最大范围，确定公交车拥挤度为严重拥挤。
上述提到的预设数值、第一预设比例、第二预设比例和预设比例范围可以预先进行设定，其中，预设数值可以为较小的整数，例如，可以为0，第一预设比例可以为0.3，第二预设比例可以为0.2，预设比例范围可以为“0.2~0.5”，在此给出具体的示例如表一所示。
表一
在表一中，total：表示公交车座椅数量；：表示前监控视频的视频帧图像中的平均站立乘客数量；/>：表示后监控视频的视频帧图像中平均站立乘客数量;：表示前监控视频的视频帧图像中的平均空闲座椅数量；/>：表示后监控视频的视频帧图像中平均空闲座椅数量。当数量关系，比例关系不属于上述计算公式的任何一种时，公交车拥挤度可以统一定义为较空旷。
从表一中可以看出每个拥挤度对应有其对应的告警颜色，即，在用户通过公交车查询系统查询公交车的拥挤度时，公交车查询系统在向用户展示公交车拥挤度时可以展示对应告警颜色的图标或文本等信息。
需要说明的是，为了便于描述，将执行本方法的执行主体作为服务器进行描述，本方法的执行主体可以是计算机、大型的服务平台等，在此不进行限定。
从上述内容中可以看出，本方法中针对当前各大城市公交车调度系统以及现有公交车内拥挤度检测系统存在的诸多不足之处，本发明以深度学习的目标检测技术为基础，拥挤度判定过程充分结合了公交车场景的特殊性以及不同类型公交车自身的特性，大大降低了公交车类型对拥挤度判定结果的影响以及对硬件设备性能的依赖，在有效的提高不同公交车拥挤度判断准确性的同时也降低了实施成本，可以有效的提高城市公交车调度的合理性，提高人们的乘车体验。
现有的公交车拥挤度检测系统往往没有考虑到公交车场景的特殊性，(1)大多数的乘客在有空闲座椅时不会选择站立，车内拥挤度情况与站立的乘客，空闲的座椅都存在一定的关联（2）公交车行驶过程中乘客与乘客之间、乘客与座椅之间的遮挡情况会发生变化。
针对第（1）种情况，在本方法中确定公交车拥挤度时同时考虑了站立的乘客数量、空闲的座椅数量以及车内的座椅数量，从而提高了公交车拥挤度确定的准确性，针对第（2）种情况，在本方法中通过一段时间内的监控视频的视频帧来确定出平均的空闲座椅数量和站立的乘客数量，能够降低确定出的空闲座椅数量和站立乘客数量的误差。即，行驶过程中可能这次拍照中A挡住了B，然后下一次拍的可能就不再遮挡了，通过多次目标检测取平均值减少环境误差对结果的干扰。
以上为本说明书的一个或多个实施例提供的基于公交车拥挤度检测的调度方法，基于同样的思路，本说明书还提供了基于公交车拥挤度检测的调度装置，如图4所示。
图4为本说明书提供的一种基于公交车拥挤度检测的调度装置示意图，包括：
获取模块401，用于获取公交车座椅数量以及获取公交车的前后监控视频；
检测模块402，用于从所述前后监控视频中按照预设时间间隔抽取视频帧进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量；
判断模块403，用于确定上一站点与下一站点之间的平均通行时间，并确定当前时间与上一站点发车时间的时间间隔是否满足所述平均通行时间的预设比例；
均值确定模块404，用于若是，根据所述公交车到达上一站点后通行时间内的各视频帧对应的站立乘客数量和空闲座椅数量，确定平均站立乘客数量以及平均空闲座椅数量；
拥挤度确定模块405，用于根据所述公交车座椅数量、平均站立乘客数量以及平均空闲座椅数量，确定公交车拥挤度，以根据所述公交车拥挤度进行公交车调度。
可选地，根据上一站点与下一站点之间的平均通行时间，确定当前时间与上一站点发车时间的时间间隔是否满足预设条件之前，所述判断模块403还用于：确定所述公交车到达上一站点的到达时间；将所述到达时间加预设时长，得到所述上一站点的发车时间。
可选地，从所述前后监控视频中按照预设时间间隔抽取视频帧进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量之前，所述检测模块402还用于，获取样本图像，以及样本图像的标注信息，所述样本图像为从历史上公交车前后监控视频中截取出的视频帧，所述标注信息为对样本图像中的站立乘客的标注以及对样本图像中空闲座椅的标注；根据所述样本图像以及所述样本图像的标注信息，对预设的目标检测模型进行训练；所述检测模块402具体用于，通过所述目标检测模型进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量。
可选地，所述判断模块403具体用于，确定所述公交车对应的各历史车次；针对每个历史车次，确定该历史车次下公交车到达上一站点的时间以及该历史车次下公交车到达下一站点的时间之间的时间间隔，作为该历史车次对应的时间间隔；
根据各历史车次对应的时间间隔，确定上一站点与下一站点之间的平均通行时间。
可选地，所述到达上一站点后通行时间内的各视频帧包括前监控视频中的前视频帧以及后监控视频中的后视频帧；
所述检测模块402具体用于，根据到达上一站点后通行时间内的各前视频帧对应的站立乘客数量和空闲座椅数量，确定前视频帧对应的平均站立乘客数量和平均空闲座椅数量；根据到达上一站点后通行时间内的各后视频帧对应的站立乘客数量和空闲座椅数量，确定后视频帧对应的平均站立乘客数量和平均空闲座椅数量。
可选地，所述公交车拥挤度包括空旷、较空旷、轻度拥挤、拥挤和重度拥挤五种；所述拥挤度确定模块405具体用于，若前视频帧对应的平均空闲座椅数量与公交车座椅数量之间的比例不小于第一预设比例，确定公交车拥挤度为空旷；若前视频帧对应的平均空闲座椅数量与公交车座椅数量之间的比例小于第一预设比例，并且前视频帧对应的平均站立乘客数量以及后视频帧对应的平均站立乘客数量均小于预设数值，确定公交车拥挤度为较空旷；若前视频帧对应的平均空闲座椅数量与公交车座椅数量之间的比例不小于第一预设比例，并且平均站立乘客数量的总数小于平均空闲座椅数量的总数，确定公交车拥挤度为较空旷；若前视频帧对应的平均空闲座椅数量与后视频帧对应的平均空闲座椅数量为所述预设数值，并且平均站立乘客数量的总数与公交车座椅数量之间的比例小于第二预设比例，确定公交车拥挤度为轻度拥挤；若平均站立乘客数量的总数与公交车座椅数量之间的比例小于第二预设比例，并且平均站立乘客数量的总数大于平均空闲座椅数量的总数，确定公交车拥挤度为轻度拥挤；若前视频帧对应的平均空闲座椅数量与后视频帧对应的平均空闲座椅数量为所述预设数值，并且平均站立乘客数量的总数与公交车座椅数量之间的比例位于预设比例范围，确定公交车拥挤度为拥挤；若平均站立乘客数量的总数与公交车座椅数量之间的比例超过所述预设比例范围的最大范围，确定公交车拥挤度为严重拥挤。
可选地，所述装置还包括：
查询模块406，用于将所述公交车拥挤度发送给公交车查询系统，以使所述公交车查询系统将所述公交车拥挤度展示给查询所述公交车的拥挤度的用户。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述基于公交车拥挤度检测的调度方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现基于公交车拥挤度检测的调度方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种基于公交车拥挤度检测的调度方法，其特征在于，包括：
获取公交车座椅数量以及获取公交车的前后监控视频；
从所述前后监控视频中按照预设时间间隔抽取视频帧进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量；
确定上一站点与下一站点之间的平均通行时间，并确定当前时间与上一站点发车时间的时间间隔是否满足所述平均通行时间的预设比例；
若是，根据所述公交车到达上一站点后通行时间内的各视频帧对应的站立乘客数量和空闲座椅数量，确定平均站立乘客数量以及平均空闲座椅数量；
根据所述公交车座椅数量、平均站立乘客数量以及平均空闲座椅数量，确定公交车拥挤度，以根据所述公交车拥挤度进行公交车调度。
2.如权利要求1所述的方法，其特征在于，根据上一站点与下一站点之间的平均通行时间，确定当前时间与上一站点发车时间的时间间隔是否满足预设条件之前，所述方法还包括：
确定所述公交车到达上一站点的到达时间；
将所述到达时间加预设时长，得到所述上一站点的发车时间。
3.如权利要求1所述的方法，其特征在于，从所述前后监控视频中按照预设时间间隔抽取视频帧进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量之前，所述方法还包括：
获取样本图像，以及样本图像的标注信息，所述样本图像为从历史上公交车前后监控视频中截取出的视频帧，所述标注信息为对样本图像中的站立乘客的标注以及对样本图像中空闲座椅的标注；
根据所述样本图像以及所述样本图像的标注信息，对预设的目标检测模型进行训练；
从所述前后监控视频中按照预设时间间隔抽取视频帧进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量，具体包括：
通过所述目标检测模型进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量。
4.如权利要求1所述的方法，其特征在于，确定上一站点与下一站点之间的平均通行时间，具体包括：
确定所述公交车对应的各历史车次；
针对每个历史车次，确定该历史车次下公交车到达上一站点的时间以及该历史车次下公交车到达下一站点的时间之间的时间间隔，作为该历史车次对应的时间间隔；
根据各历史车次对应的时间间隔，确定上一站点与下一站点之间的平均通行时间。
5.如权利要求1所述的方法，其特征在于，所述到达上一站点后通行时间内的各视频帧包括前监控视频中的前视频帧以及后监控视频中的后视频帧；
根据到达上一站点后通行时间内的各视频帧对应的站立乘客数量和空闲座椅数量，确定平均站立乘客数量以及平均空闲座椅数量，具体包括：
根据到达上一站点后通行时间内的各前视频帧对应的站立乘客数量和空闲座椅数量，确定前视频帧对应的平均站立乘客数量和平均空闲座椅数量；
根据到达上一站点后通行时间内的各后视频帧对应的站立乘客数量和空闲座椅数量，确定后视频帧对应的平均站立乘客数量和平均空闲座椅数量。
6.如权利要求5所述的方法，其特征在于，所述公交车拥挤度包括空旷、较空旷、轻度拥挤、拥挤和重度拥挤五种；
根据所述公交车座椅数量、平均站立乘客数量以及平均空闲座椅数量，确定公交车拥挤度，以根据所述公交车拥挤度进行公交车调度，具体包括：
若前视频帧对应的平均空闲座椅数量与公交车座椅数量之间的比例不小于第一预设比例，确定公交车拥挤度为空旷；
若前视频帧对应的平均空闲座椅数量与公交车座椅数量之间的比例小于第一预设比例，并且前视频帧对应的平均站立乘客数量以及后视频帧对应的平均站立乘客数量均小于预设数值，确定公交车拥挤度为较空旷；
若前视频帧对应的平均空闲座椅数量与公交车座椅数量之间的比例不小于第一预设比例，并且平均站立乘客数量的总数小于平均空闲座椅数量的总数，确定公交车拥挤度为较空旷；
若前视频帧对应的平均空闲座椅数量与后视频帧对应的平均空闲座椅数量为所述预设数值，并且平均站立乘客数量的总数与公交车座椅数量之间的比例小于第二预设比例，确定公交车拥挤度为轻度拥挤；
若平均站立乘客数量的总数与公交车座椅数量之间的比例小于第二预设比例，并且平均站立乘客数量的总数大于平均空闲座椅数量的总数，确定公交车拥挤度为轻度拥挤；
若前视频帧对应的平均空闲座椅数量与后视频帧对应的平均空闲座椅数量为所述预设数值，并且平均站立乘客数量的总数与公交车座椅数量之间的比例位于预设比例范围，确定公交车拥挤度为拥挤；
若平均站立乘客数量的总数与公交车座椅数量之间的比例超过所述预设比例范围的最大范围，确定公交车拥挤度为严重拥挤。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
将所述公交车拥挤度发送给公交车查询系统，以使所述公交车查询系统将所述公交车拥挤度展示给查询所述公交车的拥挤度的用户。
8.一种基于公交车拥挤度检测的调度装置，其特征在于，包括：
获取模块，用于获取公交车座椅数量以及获取公交车的前后监控视频；
检测模块，用于从所述前后监控视频中按照预设时间间隔抽取视频帧进行目标检测，以确定视频帧对应的站立乘客数量以及空闲座椅数量；
判断模块，用于确定上一站点与下一站点之间的平均通行时间，并确定当前时间与上一站点发车时间的时间间隔是否满足所述平均通行时间的预设比例；
均值确定模块，用于若是，根据所述公交车到达上一站点后通行时间内的各视频帧对应的站立乘客数量和空闲座椅数量，确定平均站立乘客数量以及平均空闲座椅数量；
拥挤度确定模块，用于根据所述公交车座椅数量、平均站立乘客数量以及平均空闲座椅数量，确定公交车拥挤度，以根据所述公交车拥挤度进行公交车调度。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311328289.5A CN117079447B (zh) | 2023-10-13 | 2023-10-13 | 一种基于公交车拥挤度检测的调度方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311328289.5A CN117079447B (zh) | 2023-10-13 | 2023-10-13 | 一种基于公交车拥挤度检测的调度方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117079447A true CN117079447A (zh) | 2023-11-17 |
| CN117079447B CN117079447B (zh) | 2024-01-09 |
Family
ID=88717373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311328289.5A Active CN117079447B (zh) | 2023-10-13 | 2023-10-13 | 一种基于公交车拥挤度检测的调度方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117079447B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003025996A (ja) * | 2001-07-11 | 2003-01-29 | Yazaki Corp | 車両の乗車状況報知システム |
| CN106485923A (zh) * | 2016-12-20 | 2017-03-08 | 武汉理工大学 | 一种公交拥挤度实时状态采集方法与装置 |
| CN109544908A (zh) * | 2018-10-24 | 2019-03-29 | 佛山市慧城信息科技有限公司 | 一种实时预测公交到站时间的方法、电子设备及存储介质 |
| CN110852155A (zh) * | 2019-09-29 | 2020-02-28 | 深圳市深网视界科技有限公司 | 公交乘客拥挤度检测方法、系统、装置及存储介质 |
| CN114299746A (zh) * | 2021-12-30 | 2022-04-08 | 武汉长飞智慧网络技术有限公司 | 基于图像识别的公交车辆调度方法、装置、设备及介质 |
| CN116259171A (zh) * | 2021-12-06 | 2023-06-13 | 宇通客车股份有限公司 | 一种公交到站时刻预测方法及装置 |
-
2023
- 2023-10-13 CN CN202311328289.5A patent/CN117079447B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003025996A (ja) * | 2001-07-11 | 2003-01-29 | Yazaki Corp | 車両の乗車状況報知システム |
| CN106485923A (zh) * | 2016-12-20 | 2017-03-08 | 武汉理工大学 | 一种公交拥挤度实时状态采集方法与装置 |
| CN109544908A (zh) * | 2018-10-24 | 2019-03-29 | 佛山市慧城信息科技有限公司 | 一种实时预测公交到站时间的方法、电子设备及存储介质 |
| CN110852155A (zh) * | 2019-09-29 | 2020-02-28 | 深圳市深网视界科技有限公司 | 公交乘客拥挤度检测方法、系统、装置及存储介质 |
| CN116259171A (zh) * | 2021-12-06 | 2023-06-13 | 宇通客车股份有限公司 | 一种公交到站时刻预测方法及装置 |
| CN114299746A (zh) * | 2021-12-30 | 2022-04-08 | 武汉长飞智慧网络技术有限公司 | 基于图像识别的公交车辆调度方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117079447B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102189262B1 (ko) | 엣지 컴퓨팅을 이용한 교통 정보 수집 장치 및 방법 | |
| EP3611055A1 (en) | Multimedia information push method and apparatus, storage medium, and electronic device | |
| CN112036462B (zh) | 一种模型训练以及目标检测的方法及装置 | |
| CN108550258B (zh) | 车辆排队长度检测方法、装置、存储介质和电子设备 | |
| US11270136B2 (en) | Driving support device, vehicle, information providing device, driving support system, and driving support method | |
| US11069230B2 (en) | In-vehicle device and method for providing traffic light information thereof | |
| CN114141048A (zh) | 车位推荐方法及装置、停车场的车位预测方法及装置 | |
| CN105608919B (zh) | 车站位置的确定方法及装置 | |
| CN104581626A (zh) | 出行提醒方法及装置 | |
| CN111695627A (zh) | 路况检测方法、装置、电子设备及可读存储介质 | |
| CN113257003A (zh) | 交通道路车道级车流计数系统及其方法、设备、介质 | |
| JP2013239087A (ja) | 情報処理システム及び移動体 | |
| US20210342601A1 (en) | Information processing system, method of information processing, and program | |
| CN110610250B (zh) | 推荐及提示空闲车位、寻车路线提示的方法、装置及设备 | |
| CN112883871B (zh) | 一种模型训练以及确定无人车运动策略方法及装置 | |
| CN117079447B (zh) | 一种基于公交车拥挤度检测的调度方法及装置 | |
| CN103791908B (zh) | 用于更新和用于检验导航数据库的数据记录的方法 | |
| CN112508310A (zh) | 行驶轨迹模拟方法、装置及存储介质 | |
| CN112241963A (zh) | 基于车载视频的车道线识别方法、系统和电子设备 | |
| EP2975591A1 (en) | Image pickup device, vehicle number image pickup device, and image pickup method | |
| CN113408587B (zh) | 一种公交车乘客od匹配方法、装置和电子设备 | |
| CN116543258A (zh) | 一种目标检测方法、装置及相关设备 | |
| US20210107508A1 (en) | Driving assistant method, vehicle, and storage medium | |
| CN114241365A (zh) | 一种基于图像识别的危险物识别方法、装置以及设备 | |
| CN116957121A (zh) | 地铁换乘客流的预测方法、装置及设备 |
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 |