CN117789316A - 自动检票方法、装置及系统 - Google Patents

Abstract

本申请公开了一种自动检票方法、装置及系统。其中，该方法包括：利用自动售票机TVM在提供乘车票据的过程中采集乘客图像，并利用第一图像采集设备采集通过乘客的乘客图像，第一图像采集设备部署在自动售票机TVM所在的目标车站内；将采集到的乘客图像存储在目标车站的本地数据库；利用第二图像采集设备采集距离自动检票机AGM入口预设距离的监控图像；根据第二图像采集设备采集到的监控图像从本地数据库中匹配到目标乘客的乘客图像，目标乘客为监控图像中的乘客；利用匹配到的乘客图像对目标乘客进行鉴权，并在鉴权通过后控制自动检票机AGM为目标乘客放行。本申请解决了闸口的人流通行速度较慢的技术问题。

Description

自动检票方法、装置及系统

技术领域

本申请涉及计算机领域，具体而言，涉及一种自动检票方法、装置及系统。

背景技术

本部分旨在为权利要求书或说明书中陈述的内容提供背景或上下文，此处描述的内容不因为包括在本部分中就承认是现有技术。

AFC是Auto Fare Collection的缩写，是指自动售检票系统。是集计算机技术、信息收集和处理技术、机械制造于一体的自动化售票、检票系统，具有很强的智能化功能。自动售检票系统的便捷和准确性大大优于传统的纸票售票方式，它可以克服人工售检票模式中固有的速度慢、财务漏洞多、出错率高、劳动强度大等缺点，在防止假票，杜绝人情票，防止工作人员作弊，提高管理水平，减轻劳动强度，不仅是地铁和交通系统发展的一个趋势，也是城市信息化建设的一个重要体现。

但是，目前的自动售检票系统成本较高，且同行速度较慢，尤其是上下班高峰期等极端情况，检票口就成为了影响通行的瓶颈。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种自动检票方法、装置及系统，以至少解决闸口的人流通行速度较慢的技术问题。

根据本申请实施例的一个方面，提供了一种自动检票系统，包括：自动售票机TVM，用于在向乘客提供乘车票据的过程中采集乘客图像；第一图像采集设备，部署在自动售票机TVM所在的目标车站内，用于采集通过乘客的乘客图像；本地数据库，用于在目标车站的本地存储自动售票机TVM采集到的乘客图像和第一图像采集设备采集到的乘客图像；自动检票机AGM和配合使用的第二图像采集设备，第二图像采集设备用于采集距离自动检票机AGM入口达到预设距离的监控图像；计算机设备，分别与自动售票机TVM、本地数据库、自动检票机AGM、第一图像采集设备以及第二图像采集设备连接，计算机设备用于根据第二图像采集设备采集到的监控图像，从本地数据库中匹配到目标乘客的乘客图像，利用匹配到的乘客图像对目标乘客进行鉴权，并在鉴权通过后控制自动检票机AGM为目标乘客放行，计算机设备还用于删除本地数据库中达到设定有效期的乘客图像，其中，目标乘客为监控图像中的乘客。

根据本申请实施例的另一方面，还提供了一种自动检票方法，包括：利用自动售票机TVM在提供乘车票据的过程中采集乘客图像，并利用第一图像采集设备采集通过乘客的乘客图像，其中，第一图像采集设备部署在自动售票机TVM所在的目标车站内；将自动售票机TVM采集到的乘客图像和第一图像采集设备采集到的乘客图像存储在目标车站的本地数据库，其中，本地数据库中达到设定有效期的乘客图像会被删除；利用第二图像采集设备采集距离自动检票机AGM入口预设距离的监控图像；根据第二图像采集设备采集到的监控图像从本地数据库中匹配到目标乘客的乘客图像，其中，目标乘客为监控图像中的乘客；利用匹配到的乘客图像对目标乘客进行鉴权，并在鉴权通过后控制自动检票机AGM为目标乘客放行。

可选地，将自动售票机TVM采集到的乘客图像和第一图像采集设备采集到的乘客图像存储在目标车站的本地数据库，包括：利用人工智能算法从自动售票机TVM采集到的原始图像和第一图像采集设备采集到的原始图像中分割出人体轮廓区域的乘客图像；从乘客图像中识别出多种特征，其中，多种特征按照复杂度从低到高分为第一类特征和第二类特征，第一类特征包括必要特征和非必要特征，必要特征为乘车过程中不会发生变化的特征，非必要特征为乘车过程可能发生变化的特征；为乘客图像中的乘客生成唯一的乘客编码；将为乘客编码生成的包括多种特征、乘客图像、时间戳以及乘客位置的数据编码记录保存至本地数据库。

可选地，为乘客图像中的乘客生成唯一的乘客编码，包括：若待保存的乘客图像的必要特征与本地数据库中乘客图像的必要特征均不同，则将待保存的乘客图像的乘客编码的前N位设定为第一预设值，并生成后M位的值，其中，第一预设值用来表示相应乘客图像的必要特征在本地数据库中是唯一的，正整数N小于正整数M；若待保存的乘客图像的必要特征和至少一个非必要特征与本地数据库中乘客图像的必要特征和相应非必要特征不同，则将待保存的乘客图像的乘客编码的前N位设定为第二预设值，并生成后M位的值，其中，第二预设值用来表示相应乘客图像的必要特征和至少一个非必要特征在本地数据库中是唯一的；其中，本地数据库中任意两个乘客图像的后M位编码值不同。

可选地，从乘客图像中识别出多种特征，包括：从乘客图像中识别出上衣颜色、裤子颜色、帽子颜色、鞋子颜色、高度与肩宽比值以及人体轮廓特征，其中，第一类特征包括裤子颜色、鞋子颜色、高度与肩宽比值、上衣颜色以及帽子颜色，第二类特征包括人体轮廓特征和乘客图像的图像特征，必要特征包括裤子颜色、鞋子颜色以及高度与肩宽比值，非必要特征包括上衣颜色和帽子颜色。

可选地，根据第二图像采集设备采集到的监控图像从本地数据库中匹配到目标乘客的乘客图像，包括：确定第二图像采集所在的目标闸口，并获取目标闸口的队列，其中，队列中保存有来自本地数据库的数据编码记录；在队列中存在必要特征与监控图像中目标乘客匹配的第一数据编码记录的情况下，获取第一数据编码记录的前N位编码的编码值；在第一数据编码记录的前N位编码的编码值为第一预设值的情况下，确定第一数据编码记录的乘客图像为目标乘客的乘客图像；在第一数据编码记录的前N位编码的编码值为第二预设值的情况下，比较监控图像中目标乘客的非必要特征和第一数据编码记录中的非必要特征；在监控图像中目标乘客的非必要特征和第一数据编码记录中的非必要特征匹配的情况下，确定第一数据编码记录的乘客图像为目标乘客的乘客图像。

可选地，在获取目标闸口的队列之前，方法还包括：对于本地数据库中的每条数据编码记录，根据数据编码记录中的乘客位置与闸口之间的距离L和乘客速度S，计算乘客达到闸口所需的走路时长t1；根据数据编码记录中的时间戳t0和走路时长t1预估乘客到达闸口的时间t＝t0+t1；为每个闸口维护一个队列，在队列中保存多条数据编码记录，其中，队列中保存的数据编码记录中乘客到达闸口的时间t与当前时间T之间的差值绝对值小于等于预设时长，多条数据编码记录在队列中按照差值绝对值从小到大排列。

根据本申请实施例的另一方面，还提供了一种自动检票装置，包括：第一采集单元，用于利用自动售票机TVM在提供乘车票据的过程中采集乘客图像，并利用第一图像采集设备采集通过乘客的乘客图像，其中，第一图像采集设备部署在自动售票机TVM所在的目标车站内；存储单元，用于将自动售票机TVM采集到的乘客图像和第一图像采集设备采集到的乘客图像存储在目标车站的本地数据库，其中，本地数据库中达到设定有效期的乘客图像会被删除；第二采集单元，用于利用第二图像采集设备采集距离自动检票机AGM入口预设距离的监控图像；匹配单元，用于根据第二图像采集设备采集到的监控图像从本地数据库中匹配到目标乘客的乘客图像，其中，目标乘客为监控图像中的乘客；控制单元，用于利用匹配到的乘客图像对目标乘客进行鉴权，并在鉴权通过后控制自动检票机AGM为目标乘客放行。

可选地，存储单元还用于：利用人工智能算法从自动售票机TVM采集到的原始图像和第一图像采集设备采集到的原始图像中分割出人体轮廓区域的乘客图像；从乘客图像中识别出多种特征，其中，多种特征按照复杂度从低到高分为第一类特征和第二类特征，第一类特征包括必要特征和非必要特征，必要特征为乘车过程中不会发生变化的特征，非必要特征为乘车过程可能发生变化的特征；为乘客图像中的乘客生成唯一的乘客编码；将为乘客编码生成的包括多种特征、乘客图像、时间戳以及乘客位置的数据编码记录保存至本地数据库。

可选地，存储单元还用于：若待保存的乘客图像的必要特征与本地数据库中乘客图像的必要特征均不同，则将待保存的乘客图像的乘客编码的前N位设定为第一预设值，并生成后M位的值，其中，第一预设值用来表示相应乘客图像的必要特征在本地数据库中是唯一的，正整数N小于正整数M；若待保存的乘客图像的必要特征和至少一个非必要特征与本地数据库中乘客图像的必要特征和相应非必要特征不同，则将待保存的乘客图像的乘客编码的前N位设定为第二预设值，并生成后M位的值，其中，第二预设值用来表示相应乘客图像的必要特征和至少一个非必要特征在本地数据库中是唯一的；其中，本地数据库中任意两个乘客图像的后M位编码值不同。

可选地，存储单元还用于：从乘客图像中识别出上衣颜色、裤子颜色、帽子颜色、鞋子颜色、高度与肩宽比值以及人体轮廓特征，其中，第一类特征包括裤子颜色、鞋子颜色、高度与肩宽比值、上衣颜色以及帽子颜色，第二类特征包括人体轮廓特征和乘客图像的图像特征，必要特征包括裤子颜色、鞋子颜色以及高度与肩宽比值，非必要特征包括上衣颜色和帽子颜色。

可选地，匹配单元还用于：确定第二图像采集所在的目标闸口，并获取目标闸口的队列，其中，队列中保存有来自本地数据库的数据编码记录；在队列中存在必要特征与监控图像中目标乘客匹配的第一数据编码记录的情况下，获取第一数据编码记录的前N位编码的编码值；在第一数据编码记录的前N位编码的编码值为第一预设值的情况下，确定第一数据编码记录的乘客图像为目标乘客的乘客图像；在第一数据编码记录的前N位编码的编码值为第二预设值的情况下，比较监控图像中目标乘客的非必要特征和第一数据编码记录中的非必要特征；在监控图像中目标乘客的非必要特征和第一数据编码记录中的非必要特征匹配的情况下，确定第一数据编码记录的乘客图像为目标乘客的乘客图像。

可选地，匹配单元还用于：在获取目标闸口的队列之前，对于本地数据库中的每条数据编码记录，根据数据编码记录中的乘客位置与闸口之间的距离L和乘客速度S，计算乘客达到闸口所需的走路时长t1；根据数据编码记录中的时间戳t0和走路时长t1预估乘客到达闸口的时间t＝t0+t1；为每个闸口维护一个队列，在队列中保存多条数据编码记录，其中，队列中保存的数据编码记录中乘客到达闸口的时间t与当前时间T之间的差值绝对值小于等于预设时长，多条数据编码记录在队列中按照差值绝对值从小到大排列。

根据本申请实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的方法。

根据本申请实施例的另一方面，还提供了一种电子装置，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，处理器通过计算机程序执行上述的方法。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方法中任一实施例的步骤。

在本申请实施例中，利用自动售票机TVM在提供乘车票据的过程中采集乘客图像，并利用第一图像采集设备采集通过乘客的乘客图像，其中，第一图像采集设备部署在自动售票机TVM所在的目标车站内；将自动售票机TVM采集到的乘客图像和第一图像采集设备采集到的乘客图像存储在目标车站的本地数据库，其中，本地数据库中达到设定有效期的乘客图像会被删除；利用第二图像采集设备采集距离自动检票机AGM入口预设距离的监控图像；根据第二图像采集设备采集到的监控图像从本地数据库中匹配到目标乘客的乘客图像，其中，目标乘客为监控图像中的乘客；利用匹配到的乘客图像对目标乘客进行鉴权，并在鉴权通过后控制自动检票机AGM为目标乘客放行。通过融合高清晰度的乘客图像和低清晰度的监控图像，可以在乘客到达闸口之前即完成鉴权，而无需在闸口等待鉴权，可以解决闸口的人流通行速度较慢的技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种可选的自动检票系统的示意图；

图2是根据本申请实施例的一种可选的自动检票方法的流程图；

图3是根据本申请实施例的一种可选的自动检票装置的示意图；以及，

图4是根据本申请实施例的一种终端的结构框图。

具体实施方式

根据本申请实施例的一方面，提供了一种自动检票系统的实施例。如图1所示，包括：

自动售票机TVM 101，用于在向乘客提供乘车票据的过程中采集乘客图像。

自动售票机是由单程票发售单元、硬币处理单元、纸币识别循环找零单元、乘客票据打印机、乘客显示触摸屏、运行状态显示屏、充值卡座、维修显示屏、电源模块、主控制单元、车票读写器、二维码读取等模块组成。TVM放置在车站非付费区，具有硬币识别和找零、纸币识别和找零、二维码扫码支付、人脸支付等功能。

第一图像采集设备102，部署在自动售票机TVM所在的目标车站内，用于采集通过乘客的乘客图像。

本地数据库103，用于在目标车站的本地存储自动售票机TVM采集到的乘客图像和第一图像采集设备采集到的乘客图像。

自动检票机AGM 104和配合使用的第二图像采集设备105，第二图像采集设备用于采集距离自动检票机AGM入口达到预设距离(如10米)的监控图像。

自动检票机(AGM)是由单程票回收单元、乘客显示屏、维修显示屏、电源模块、主控制单元、车票读写器、二维码读取等模块组成。通过非接触票卡或者二维码扫码、人脸识别的方式进行自动检票，实现对乘客的进站、出站自动检测、付费的功能。

计算机设备106，分别与自动售票机TVM、本地数据库、自动检票机AGM、第一图像采集设备以及第二图像采集设备连接，计算机设备用于根据第二图像采集设备采集到的监控图像，从本地数据库中匹配到目标乘客的乘客图像，利用匹配到的乘客图像对目标乘客进行鉴权(如是否已经购票，是否能够直接人脸支付等)，并在鉴权通过后控制自动检票机AGM为目标乘客放行，计算机设备还用于删除本地数据库中达到设定有效期的乘客图像，目标乘客为监控图像中的乘客。

图2是根据本申请实施例的一种可选的自动检票方法的流程图，如图2所示，该方法可以包括以下步骤：

步骤S202，利用自动售票机TVM在提供乘车票据的过程中采集乘客图像，并利用第一图像采集设备采集通过乘客的乘客图像，第一图像采集设备部署在自动售票机TVM所在的目标车站内。

步骤S204，将自动售票机TVM采集到的乘客图像和第一图像采集设备采集到的乘客图像存储在目标车站的本地数据库，本地数据库中达到设定有效期的乘客图像会被删除。

在上述方案中，可利用人工智能算法从自动售票机TVM采集到的原始图像和第一图像采集设备采集到的原始图像中分割出人体轮廓区域的乘客图像；从乘客图像中识别出多种特征，多种特征按照复杂度从低到高分为第一类特征(即复杂类型的特征)和第二类特征(即简单类型的特征)，第一类特征包括必要特征和非必要特征，必要特征为乘车过程中不会发生变化的特征，非必要特征为乘车过程可能发生变化的特征；为乘客图像中的乘客生成唯一的乘客编码；将为乘客编码生成的包括多种特征、乘客图像、时间戳以及乘客位置的数据编码记录保存至本地数据库。

上述特征包括上衣颜色、裤子颜色、帽子颜色、鞋子颜色、高度与肩宽比值以及人体轮廓特征，其中，第一类特征包括裤子颜色、鞋子颜色、高度与肩宽比值、上衣颜色以及帽子颜色，第二类特征包括人体轮廓特征和乘客图像的图像特征，必要特征包括裤子颜色、鞋子颜色以及高度与肩宽比值，非必要特征包括上衣颜色和帽子颜色。

需要说明的是，若待保存的乘客图像的必要特征与本地数据库中乘客图像的必要特征均不同，则将待保存的乘客图像的乘客编码的前N位设定为第一预设值，并生成后M位的值，第一预设值用来表示相应乘客图像的必要特征在本地数据库中是唯一的，正整数N小于正整数M；若待保存的乘客图像的必要特征和至少一个非必要特征与本地数据库中乘客图像的必要特征和相应非必要特征不同，则将待保存的乘客图像的乘客编码的前N位设定为第二预设值，并生成后M位的值，第二预设值用来表示相应乘客图像的必要特征和至少一个非必要特征在本地数据库中是唯一的；本地数据库中任意两个乘客图像的后M位编码值不同。

步骤S206，利用第二图像采集设备采集距离自动检票机AGM入口预设距离的监控图像，如距离闸口10米的时候即开始采集图像。

步骤S208，根据第二图像采集设备采集到的监控图像从本地数据库中匹配到目标乘客的乘客图像，目标乘客为监控图像中的乘客。

对于本地数据库中的每条数据编码记录，根据数据编码记录中的乘客位置与闸口之间的距离L和乘客速度S，计算乘客达到闸口所需的走路时长t1；根据数据编码记录中的时间戳t0和走路时长t1预估乘客到达闸口的时间t＝t0+t1；为每个闸口维护一个队列，在队列中保存多条数据编码记录，其中，队列中保存的数据编码记录中乘客到达闸口的时间t与当前时间T之间的差值绝对值小于等于预设时长，多条数据编码记录在队列中按照差值绝对值从小到大排列。

在上述方案中：可先确定第二图像采集所在的目标闸口，并获取目标闸口的队列，队列中保存有来自本地数据库的数据编码记录；在队列中存在必要特征与监控图像中目标乘客匹配的第一数据编码记录的情况下，获取第一数据编码记录的前N位编码的编码值；在第一数据编码记录的前N位编码的编码值为第一预设值的情况下，确定第一数据编码记录的乘客图像为目标乘客的乘客图像；在第一数据编码记录的前N位编码的编码值为第二预设值的情况下，比较监控图像中目标乘客的非必要特征和第一数据编码记录中的非必要特征；在监控图像中目标乘客的非必要特征和第一数据编码记录中的非必要特征匹配的情况下，确定第一数据编码记录的乘客图像为目标乘客的乘客图像。

步骤S210，利用匹配到的乘客图像对目标乘客进行鉴权，并在鉴权通过后控制自动检票机AGM为目标乘客放行。

通过上述步骤，利用自动售票机TVM在提供乘车票据的过程中采集乘客图像，并利用第一图像采集设备采集通过乘客的乘客图像，其中，第一图像采集设备部署在自动售票机TVM所在的目标车站内；将自动售票机TVM采集到的乘客图像和第一图像采集设备采集到的乘客图像存储在目标车站的本地数据库，其中，本地数据库中达到设定有效期的乘客图像会被删除；利用第二图像采集设备采集距离自动检票机AGM入口预设距离的监控图像；根据第二图像采集设备采集到的监控图像从本地数据库中匹配到目标乘客的乘客图像，其中，目标乘客为监控图像中的乘客；利用匹配到的乘客图像对目标乘客进行鉴权，并在鉴权通过后控制自动检票机AGM为目标乘客放行。通过融合高清晰度的乘客图像和低清晰度的监控图像，可以在乘客到达闸口之前即完成鉴权，而无需在闸口等待鉴权，可以解决闸口的人流通行速度较慢的技术问题。

作为一种可选的实施例，下文结合具体实施方式进一步详述本申请的技术方案：

步骤1，在乘客持续进入车站的过程中，通过入口的高清摄像头采集监控图像。

对于采集的图像做如下处理：

1)利用人工智能从完整的监控图像中分割出人体区域的乘客图像。

1.1)数据准备：收集包含人体的图像数据集，并对这些图像进行标注，标注的方式是为每个像素分配一个类别标签，例如人体区域为前景(人体)类别，其他区域为背景类别。

1.2)构建语义分割模型：选择适合的深度学习模型(如U-Net、Mask R-CNN、DeepLab等)来进行语义分割，这些模型通常由编码器和解码器组成，用于提取图像特征并生成分割结果。

编码器负责从输入图像中提取高级语义特征，它由多个卷积层和池化层组成，用于逐渐减少特征图的尺寸和通道数，通过这种逐层减少的方式，编码器能够捕捉到图像的全局上下文信息，并提取出图像中的重要特征；解码器负责将编码器提取的特征映射转换为与输入图像相同尺寸的分割结果，它由上采样层和卷积层组成，用于逐渐恢复特征图的尺寸和通道数，解码器的作用是将编码器提取的抽象特征重新映射到原始图像空间，并生成像素级的分割结果。

在编码器和解码器之间，还存在一个连接路径，用于传递编码器中的低级特征到解码器，以帮助恢复细节信息，这个连接路径可以通过跳跃连接(skip connections)来实现，例如在U-Net模型中，将编码器中的特征图与解码器中的对应层特征图进行拼接。

通过编码器和解码器的结构，语义分割模型能够同时考虑到图像的全局上下文信息和局部细节信息，从而更准确地对图像中的每个像素进行分类，实现精确的分割结果。

1.3)数据预处理：对图像数据进行预处理，包括调整大小、归一化、裁剪等操作。预处理有助于提高模型的性能和鲁棒性。

调整大小：首先，将原始图像调整为固定的大小，考虑到本申请图像处理的主要目的是人脸识别(支付或者鉴别)，需要较高的清晰度，具体可以根据实际场景确地，例如高和宽的比值固定，如：5:1,6:1等等，清晰度固定，如5000*1000、6000*1000等等。另外，这个图像还需要满足深度学习模型对输入图像的大小的要求，

归一化：对图像进行归一化，可以使模型更容易学习和收敛。如将图像的像素值缩放到0到1之间，或者使用均值和标准差对图像进行标准化，归一化可以通过对每个像素值除以255(如果像素值是8位无符号整数)来实现。

裁剪或填充：在调整大小后，图像的尺寸可能与模型的输入要求不匹配，如果图像尺寸小于模型要求的尺寸，可以选择进行填充操作，将图像填充到指定尺寸，填充通常使用零填充或者根据图像内容进行填充，如果图像尺寸大于模型要求的尺寸，可以选择进行裁剪操作，将图像裁剪到指定尺寸。

通道调整：根据模型的输入要求，需要调整图像的通道顺序，例如，如果模型要求输入通道顺序为RGB，而图像的通道顺序为BGR，则需要将图像的通道顺序进行调整。

数据类型转换：将图像数据的类型转换为模型所需的数据类型，深度学习模型要求输入是浮点数类型，因此需要将图像数据类型转换为浮点数类型。

这些数据预处理步骤可以根据具体的应用需求进行调整和组合。预处理的目标是使输入数据与模型的要求相匹配，并提供更好的数据质量和一致性，以提高模型的性能和鲁棒性。

1.4)数据增强：为了增加数据的多样性和模型的泛化能力，可以应用数据增强技术，如随机旋转、翻转、缩放等。

考虑到本申请是应用到特别的场景，所以上述随机旋转、翻转、缩放均是在特定范围内进行的，经过旋转、缩放和翻转之后的人脸图像仍然需要满足人脸识别的需求。

翻转：对图像进行水平或垂直翻转，这可以通过将图像进行镜像操作来实现，水平翻转是指将图像左右翻转，垂直翻转是指将图像上下翻转，这种变换可以应对图像中物体的左右关系不变的情况。

旋转：对图像进行随机角度(以人正面为例，旋转的极限角度为±30°)的旋转。旋转可以使模型对旋转不变性更具鲁棒性。

缩放：对图像进行随机比例的缩放，缩放可以使模型具有尺度不变性，例如缩放比例范围可以是0.8到1.2之间的任意比例。

平移：对图像进行随机水平和垂直方向的平移，平移可以使模型具有位置不变性。平移的范围可以是图像宽度和高度的一定比例。

亮度调整：对图像进行随机亮度的调整，这可以通过调整图像的像素值来实现，例如增加或减少每个像素的亮度值。

色彩调整：对图像进行随机颜色的调整，例如对比度、饱和度和色调的调整，这可以通过修改图像的颜色空间来实现，如HSV空间。

噪声添加：向图像中添加随机噪声，例如高斯噪声或椒盐噪声，噪声可以使模型对噪声和干扰更具鲁棒性。

以上只是一些示意性的数据增强操作，实际应用中可以根据具体情况和数据集的特点选择适当的增强方式，数据增强的目标是通过随机变换和扩充操作生成更多样化的训练样本，提高模型的泛化能力和鲁棒性，从而提高模型在真实场景中的性能。

1.5)模型训练：使用准备好的数据集对语义分割模型进行训练，训练过程中，通过将模型的输出与标签进行比较，使用反向传播算法更新模型的权重和参数，以逐渐提高模型的准确性。

之后，对于采集到的监控图像，输入上述训练好的模型，即可识别出人体轮廓，需要说明的是，对于任意一张图像，可以包括不止一个人体轮廓。

从原始的监控图像中抠出每个人体轮廓对应的乘客图像。

2)记录乘客图像的乘客特征。

从乘客图像中识别出上衣颜色、裤子颜色、帽子颜色、鞋子颜色、高度与肩宽比值、人体轮廓特征(即人体边缘的一圈，用于识别人体体态)，按照指定方式将以上数据录入本地数据库。

数据编码记录为：乘客编码-裤子颜色-鞋子颜色-高度与肩宽比值-上衣颜色-帽子颜色-人体轮廓特征-乘客图像的图像特征-时间戳-位置(位置可以用图像采集设备的id替代，因为图像采集设备的位置是固定的，也可用来表征位置)，每条数据编码记录具备一个有效时长，如1小时，以避免数据库过大。

需要说明的是，上述乘客特征分为复杂(人体轮廓特征、乘客图像的图像特征)和简单(其他特征)两类，其中简单的又分为两个子类，其一是必要特征，即乘客在乘车过程中不会发生变化的特征，如裤子颜色、鞋子颜色、高度与肩宽比值，其二是非必要特征，即乘客在乘车过程中可能会发生变化的特征，如上衣颜色和帽子颜色。

对于一个乘客图像，若其必要特征在本地数据库中是唯一的，可以为其编码的前N位设定一个第一预设值(用来表示其必要特征在本地数据库中是唯一的)；若其必要特征+至少一个非必要特征是本地数据库中唯一的，可以为其编码的前N位设定一个第二预设值(用来表示前述的唯一性)。

例如：其必要特征是本地数据库中唯一的，前三位的编码为000；其必要特征+上衣颜色是本地数据库中唯一的，其前三位的编码为001，如其必要特征+帽子颜色是本地数据库中唯一的，其前三位的编码为010，其必要特征+所有非必要特征是本地数据库中唯一的，其前三位的编码为011。

通过上述编码，可以在后续识别乘客的过程中，快速锁定乘客，减少识别的时间。

步骤2，在乘客进入车站之后，通过布局的高清摄像头(如过道口、安检口、自动售票机TVM上)采集监控图像。

具体实现方式与步骤1类似，下面着重描述与步骤1的不同之处。

对于本地数据库中已有的乘客图像记为乘客图像1，对于步骤2中新采集的乘客图像，记为乘客图像2，在为乘客图像2识别乘客特征的(存入本地数据库之前)的过程中，将乘客图像2的乘客特征与本地数据库中已有的乘客图像1的数据编码进行匹配：

1)识别乘客图像2的必要特征(乘客编码、裤子颜色、鞋子颜色、高度与肩宽比值)。

2)在本地数据库中进行必要特征的匹配。

若本地数据库中存在匹配的乘客图像1，且乘客图像1的前N位编码为第一预设值，则说明其必要特征在本地数据库中是唯一的，也即乘客图像2中的乘客与乘客图像1中的乘客是同一人，此时可以比较乘客图像2和乘客图像1的清晰度和适配度(用来表示与人脸识别支付、验证场景的契合情况)，保存其中一张更适合的至数据编码记录中，同时可更新其时间戳和位置(即数据编码记录中图像发生变化的情况下)。

需要说明的是，在以上基础上，为了增加安全性、提高匹配的准确性，可以额外增加人体轮廓特征的匹配，若匹配一致再进行上述合并操作。

若在本地数据库中不存在匹配的乘客图像1，则按照前述方式为乘客图像2生成数据编码记录，并保存至本地数据库中。

3)在本地数据库中进行必要特征+非必要特征的匹配。

若本地数据库中存在匹配的乘客图像1，且乘客图像1的前N位编码为第二预设值，则说明其必要特征+至少一个非必要特征是本地数据库中唯一的。此时继续比较其非必要特征，若相应的非必要特征也匹配，考虑到第二预设值对应的乘客(必要特征+至少一个非必要特征)在本地数据库中是唯一的，则说明乘客图像2中的乘客与乘客图像1中的乘客是同一人，此时可以比较乘客图像2和乘客图像1的清晰度和适配度，保存其中一张更适合的至数据编码记录中，同时可更新其时间戳和位置。

承接上例，例如，乘客图像1的前三位编码为000，则其特征组合为必要特征+上衣颜色，此时就还需要识别其上衣颜色这一非必要特征，若相同则说明是同一乘客。

其他类型必要特征+非必要特征组合识别方式与此相同，不再赘述。

需要说明的是，在以上基础上，为了增加安全性、提高匹配的准确性，可以额外增加人体轮廓特征的匹配，若匹配一致再进行上述合并操作。

若非必要特征不匹配，考虑到用户在地铁等场景下存在脱去上衣、帽子等情况，虽然不匹配，但是仍然存在与本地数据库中乘客重复的可能性，此时继续后续步骤进行图像特征的匹配。

4)在本地数据库中进行乘客图像的图像特征匹配。

上述图像特征匹配主要是指人脸特征的匹配。

首先进行人脸检测，将乘客图像2中的人脸位置标定出来(本地数据库中乘客图像1的人脸均是已经标定出来的)，可以采用基于Haar特征的级联分类器、基于深度学习的人脸检测算法(如MTCNN、SSD等)来实现；

然后进行人脸对齐，对于检测到的人脸，进行人脸对齐操作，将人脸调整为统一的姿势和尺寸，例如采用基于关键点的对齐算法(如人脸关键点定位)和基于几何变换的对齐算法来实现；

之后进行特征提取，从对齐后的人脸图像中提取特征表示，如采用局部二值模式(Local Binary Patterns,LBP)、人脸特征标准化(如Eigenfaces、Fisherfaces)和深度学习方法(如基于卷积神经网络的特征提取)来实现；

将乘客图像2与本地数据库中乘客图像1的人脸特征就行匹配，将两张图像中提取得到的人脸特征进行比较和匹配，如通过计算欧氏距离、余弦相似度等实现；

最后判定相似度，根据特征匹配的结果，判断两张图像中的人脸是否相同，可以设置一个阈值，当特征匹配的相似度超过阈值时，判定为同一个人脸，否则不是。

若匹配，也即乘客图像2中的乘客与乘客图像1中的乘客是同一人，此时可以比较乘客图像2和乘客图像1的清晰度和适配度，保存其中一张更适合的至数据编码记录中，同时可更新其时间戳和位置(即数据编码记录中图像发生变化的情况下)。

若在本地数据库中不存在匹配的乘客图像1，则按照前述方式为乘客图像2生成数据编码记录，并保存至本地数据库中。

需要说明的是，在步骤2的自动售票机TVM上采集的图像，考虑到许多乘客会采用人脸支付，此时采集到的人脸图像会非常符合要求且清晰，这种场景下保存的图像会非常有利于后续的使用。

步骤3，在乘客通过闸口的过程中，结合闸口的摄像头和数据库进行人脸识别，此处的数据库包括两个，一个是上述的本地数据库，还有一个是在线数据库(可以理解为连接公共平台的数据库，该公共平台提供合法的人脸图像)。

在闸口处自动检票机AGM进行验票的操作方式比较多样，如二维码、人脸、NFC、实体卡等方式。

对于购买单程票的用户，在自动售票机TVM上购票后可以选择不用实体卡而用人脸识别替代，这样会大大减少地铁运行成本；利用手机二维码、NFC等方式同行的乘客，也可通过在手机上的设置，用人脸识别替代。本方案主要是涉及如何融合地铁站台内各处摄像头采集到的图像，来帮助用户快速通过闸机的方案，故后续以此为主要点进行阐述。

本方案适用于多种闸口通行场景，其一是闸机安装的摄像头清晰度较低(现有技术中此时需要乘客靠近摄像头且正面朝向摄像头才能正确识别)；第二是多人不能同时通过一个闸口的情况下(现有技术中同一时刻一个闸口仅能通行一个乘客、且多个乘客之间需要有等待间隙才能通过)；第三是闸口没有为每个闸机单独安装摄像头的情况，仅在闸机上方朝向进出两个方向各安装有一个。后续将这三种场景下的摄像头均称为闸口摄像头。

1)在乘客距离较远(即超过某个距离阈值，如10米)时就开始采集乘客图像(记为乘客图像3)，此处分割出的乘客图像3为一个或者多个(取决于从实际原图中能够完整分割出的人体的个数)，下文以1个乘客图像3的示例进行描述。

2)识别乘客图像3的必要特征(乘客编码、裤子颜色、鞋子颜色、高度与肩宽比值)。

需要说明的是，在进行乘客图像的匹配时，可以按照如下方式进行：

首先，对数据库中的数据编码记录进行排序。

对于本地数据库中的每条数据编码记录，根据记录的位置与各个闸口之间的距离L、乘客速度S，计算其达到闸口的所需的走路时长t1，从而可以根据记录中的时间戳t0和t1预估其到达时刻t＝t0+t1，若存在多个闸口，那么每条数据编码记录就存多个t。

上述乘客速度为存在一个默认值，若一个乘客被拍到多张图像，则可以根据两张的拍摄位置之间的距离和拍摄时间间隔计算出其S值。

为每个闸口维护一个队列，这个队列保存若干条数据编码记录，具体而言，可以以当前时刻T为中心，获取该时刻前后若干时长(如5分钟内)的所有数据编码记录，按照|t-T|的数值大小，从小到大排序。

对于每个闸口，取数据库中的数据时，按照队列从前到后的顺序读取，从而可以提高其准确度。

3)在本地数据库中进行必要特征的匹配，实际是优先在该闸口的队列中匹配，若匹配不到再在整个本地数据库中进行匹配，考虑到队列中的数据来源于本地数据库，后续统一用数据库表示。

若本地数据库中存在必要特征匹配的乘客图像1，且乘客图像1的前N位编码为第一预设值，则说明其必要特征在本地数据库中是唯一的，也即乘客图像3中的乘客与乘客图像1中的乘客是同一人，考虑到乘客图像3的清晰度较差(由于拍摄距离原因、相机素质原因等)，但是足以用来校验出是谁，而乘客图像1的素质远高于乘客图像3，此时可以直接用乘客图像1来作为该乘客通过闸口的凭证(如作为扣款、电子票据的凭证等)。这样，可以提前打开闸机，让乘客无感同行。

需要说明的是，在以上基础上，为了增加安全性、提高匹配的准确性，可以额外增加人体轮廓特征的匹配，若匹配一致再进行放行操作。

另外，为了安全起见，在按照上述方式确定用户身份后，还可在乘客通过闸机的时候进行拍照，此时的照片由于较近，所以清晰度尚可，可以用作二次校验用户身份的作用，但是该验证过程不会影响用户同行。

需要说明的是，若验证不通过则会对之前的扣款等操作作回退处理，根据向实际同行的乘客发送相关信息，提示扣款。

若在本地数据库中不存在必要特征匹配的乘客图像1，则在在线数据库中进行匹配，执行相应的鉴权操作(如身份识别和扣款等)并放行通过闸口。

4)在本地数据库中进行必要特征+非必要特征的匹配。

若本地数据库中存在必要特征匹配的乘客图像1，且乘客图像1的前N位编码为第二预设值，则说明其必要特征+至少一个非必要特征是本地数据库中唯一的。

此时继续比较其非必要特征，若相应的非必要特征也匹配，考虑到第二预设值对应的乘客(必要特征+至少一个非必要特征)在本地数据库中是唯一的，则说明乘客图像3中的乘客与乘客图像1中的乘客是同一人。

考虑到乘客图像3的清晰度较差，但是足以用来校验出是谁，而乘客图像1的素质远高于乘客图像3，此时可以直接用乘客图像1来作为该乘客通过闸口的凭证(如作为扣款、电子票据的凭证等)。这样，可以提前打开闸机，让乘客无感同行。

例如，乘客图像1的前三位编码为000，则其特征组合为必要特征+上衣颜色，此时就还需要识别其上衣颜色这一非必要特征，若相同则说明是同一乘客。

其他类型必要特征+非必要特征组合识别方式与此相同，不再赘述。

需要说明的是，在以上基础上，为了增加安全性、提高匹配的准确性，可以额外增加人体轮廓特征的匹配，若匹配一致再进行上述放行操作。

若非必要特征不匹配，考虑到用户在地铁等场景下存在脱去上衣、帽子等情况，虽然不匹配，但是仍然存在与本地数据库中乘客重复的可能性，此时继续后续步骤进行图像特征的匹配。

另外，为了安全起见，在按照上述方式确定用户身份后，还可在乘客通过闸机的时候进行拍照，此时的照片由于较近，所以清晰度尚可，可以用作二次校验用户身份的作用，但是该验证过程不会影响用户同行。

需要说明的是，若验证不通过则会对之前的扣款等操作作回退处理，根据向实际同行的乘客发送相关信息，提示扣款。

5)在本地数据库中进行乘客图像的图像特征匹配。

上述图像特征匹配主要是指人脸特征的匹配。

首先进行人脸检测，将乘客图像3中的人脸位置标定出来(本地数据库中乘客图像1的人脸均是已经标定出来的)，可以采用基于Haar特征的级联分类器、基于深度学习的人脸检测算法(如MTCNN、SSD等)来实现；

然后进行人脸对齐，对于检测到的人脸，进行人脸对齐操作，将人脸调整为统一的姿势和尺寸，例如采用基于关键点的对齐算法(如人脸关键点定位)和基于几何变换的对齐算法来实现；

之后进行特征提取，从对齐后的人脸图像中提取特征表示，如采用局部二值模式(Local Binary Patterns,LBP)、人脸特征标准化(如Eigenfaces、Fisherfaces)和深度学习方法(如基于卷积神经网络的特征提取)来实现；

将乘客图像3与本地数据库中乘客图像1的人脸特征就行匹配，将两张图像中提取得到的人脸特征进行比较和匹配，如通过计算欧氏距离、余弦相似度等实现；

最后判定相似度，根据特征匹配的结果，判断两张图像中的人脸是否相同，可以设置一个阈值，当特征匹配的相似度超过阈值时，判定为同一个人脸，否则不是。

若匹配，也即乘客图像3中的乘客与乘客图像1中的乘客是同一人，考虑到乘客图像3的清晰度较差，但是足以用来校验出是谁，而乘客图像1的素质远高于乘客图像3，此时可以直接用乘客图像1来作为该乘客通过闸口的凭证(如作为扣款、电子票据的凭证等)。这样，可以提前打开闸机，让乘客无感同行。

需要说明的是，在以上基础上，为了增加安全性、提高匹配的准确性，可以额外增加人体轮廓特征的匹配，若匹配一致再进行上述放行操作。

另外，为了安全起见，在按照上述方式确定用户身份后，还可在乘客通过闸机的时候进行拍照，此时的照片由于较近，所以清晰度尚可，可以用作二次校验用户身份的作用，但是该验证过程不会影响用户同行。

需要说明的是，若验证不通过则会对之前的扣款等操作作回退处理，根据向实际同行的乘客发送相关信息，提示扣款。

若在本地数据库中不存在匹配的乘客图像1，则在在线数据库中进行匹配，执行相应的鉴权操作(如身份识别和扣款等)并放行通过闸口。

采用本申请的技术方案：1)节省了成本，闸机上可以不用安装摄像头，而是用闸机上方的监控摄像头；或者闸机仅仅是用低成本摄像头即可，且安全性能够得到保证；2)采用了经过特别设计的数据结构，能够避免在进行复杂图像处理的情况下进行乘客识别，能够大幅降低对相关设备的要求，降低处理时间，提升数据处理效率；3)乘客能够做到无感同行，大幅度提高了地铁、火车、飞机等人人流量场景下的同行需求。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

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根据上述实施例的方法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，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。

根据本申请实施例的另一个方面，还提供了一种用于实施上述自动检票方法的自动检票装置。图3是根据本申请实施例的一种可选的自动检票装置的示意图，如图3所示，该装置可以包括：

第一采集单元31，用于利用自动售票机TVM在提供乘车票据的过程中采集乘客图像，并利用第一图像采集设备采集通过乘客的乘客图像，其中，第一图像采集设备部署在自动售票机TVM所在的目标车站内；

存储单元33，用于将自动售票机TVM采集到的乘客图像和第一图像采集设备采集到的乘客图像存储在目标车站的本地数据库，其中，本地数据库中达到设定有效期的乘客图像会被删除；

第二采集单元35，用于利用第二图像采集设备采集距离自动检票机AGM入口预设距离的监控图像；

匹配单元37，用于根据第二图像采集设备采集到的监控图像从本地数据库中匹配到目标乘客的乘客图像，其中，目标乘客为监控图像中的乘客；

控制单元39，用于利用匹配到的乘客图像对目标乘客进行鉴权，并在鉴权通过后控制自动检票机AGM为目标乘客放行。

通过上述模块，利用自动售票机TVM在提供乘车票据的过程中采集乘客图像，并利用第一图像采集设备采集通过乘客的乘客图像，其中，第一图像采集设备部署在自动售票机TVM所在的目标车站内；将自动售票机TVM采集到的乘客图像和第一图像采集设备采集到的乘客图像存储在目标车站的本地数据库，其中，本地数据库中达到设定有效期的乘客图像会被删除；利用第二图像采集设备采集距离自动检票机AGM入口预设距离的监控图像；根据第二图像采集设备采集到的监控图像从本地数据库中匹配到目标乘客的乘客图像，其中，目标乘客为监控图像中的乘客；利用匹配到的乘客图像对目标乘客进行鉴权，并在鉴权通过后控制自动检票机AGM为目标乘客放行。通过融合高清晰度的乘客图像和低清晰度的监控图像，可以在乘客到达闸口之前即完成鉴权，而无需在闸口等待鉴权，可以解决闸口的人流通行速度较慢的技术问题。

可选地，存储单元还用于：利用人工智能算法从自动售票机TVM采集到的原始图像和第一图像采集设备采集到的原始图像中分割出人体轮廓区域的乘客图像；从乘客图像中识别出多种特征，其中，多种特征按照复杂度从低到高分为第一类特征和第二类特征，第一类特征包括必要特征和非必要特征，必要特征为乘车过程中不会发生变化的特征，非必要特征为乘车过程可能发生变化的特征；为乘客图像中的乘客生成唯一的乘客编码；将为乘客编码生成的包括多种特征、乘客图像、时间戳以及乘客位置的数据编码记录保存至本地数据库。

可选地，存储单元还用于：若待保存的乘客图像的必要特征与本地数据库中乘客图像的必要特征均不同，则将待保存的乘客图像的乘客编码的前N位设定为第一预设值，并生成后M位的值，其中，第一预设值用来表示相应乘客图像的必要特征在本地数据库中是唯一的，正整数N小于正整数M；若待保存的乘客图像的必要特征和至少一个非必要特征与本地数据库中乘客图像的必要特征和相应非必要特征不同，则将待保存的乘客图像的乘客编码的前N位设定为第二预设值，并生成后M位的值，其中，第二预设值用来表示相应乘客图像的必要特征和至少一个非必要特征在本地数据库中是唯一的；其中，本地数据库中任意两个乘客图像的后M位编码值不同。

可选地，存储单元还用于：从乘客图像中识别出上衣颜色、裤子颜色、帽子颜色、鞋子颜色、高度与肩宽比值以及人体轮廓特征，其中，第一类特征包括裤子颜色、鞋子颜色、高度与肩宽比值、上衣颜色以及帽子颜色，第二类特征包括人体轮廓特征和乘客图像的图像特征，必要特征包括裤子颜色、鞋子颜色以及高度与肩宽比值，非必要特征包括上衣颜色和帽子颜色。

可选地，匹配单元还用于：确定第二图像采集所在的目标闸口，并获取目标闸口的队列，其中，队列中保存有来自本地数据库的数据编码记录；在队列中存在必要特征与监控图像中目标乘客匹配的第一数据编码记录的情况下，获取第一数据编码记录的前N位编码的编码值；在第一数据编码记录的前N位编码的编码值为第一预设值的情况下，确定第一数据编码记录的乘客图像为目标乘客的乘客图像；在第一数据编码记录的前N位编码的编码值为第二预设值的情况下，比较监控图像中目标乘客的非必要特征和第一数据编码记录中的非必要特征；在监控图像中目标乘客的非必要特征和第一数据编码记录中的非必要特征匹配的情况下，确定第一数据编码记录的乘客图像为目标乘客的乘客图像。

可选地，匹配单元还用于：在获取目标闸口的队列之前，对于本地数据库中的每条数据编码记录，根据数据编码记录中的乘客位置与闸口之间的距离L和乘客速度S，计算乘客达到闸口所需的走路时长t1；根据数据编码记录中的时间戳t0和走路时长t1预估乘客到达闸口的时间t＝t0+t1；为每个闸口维护一个队列，在队列中保存多条数据编码记录，其中，队列中保存的数据编码记录中乘客到达闸口的时间t与当前时间T之间的差值绝对值小于等于预设时长，多条数据编码记录在队列中按照差值绝对值从小到大排列。

此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在相应的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。

根据本申请实施例的另一个方面，还提供了一种用于实施上述自动检票方法的服务器或终端。

图4是根据本申请实施例的一种终端的结构框图，如图4所示，该终端可以包括：一个或多个(图4中仅示出一个)处理器401、存储器403、以及传输装置405，如图4所示，该终端还可以包括输入输出设备407。

其中，存储器403可用于存储软件程序以及模块，如本申请实施例中的自动检票方法和装置对应的程序指令/模块，处理器401通过运行存储在存储器403内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的自动检票方法。存储器403可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器403可进一步包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

上述的传输装置405用于经由一个网络接收或者发送数据，还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置405包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置405为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

其中，具体地，存储器403用于存储应用程序。

处理器401可以通过传输装置405调用存储器403存储的应用程序，以执行下述步骤：

利用自动售票机TVM在提供乘车票据的过程中采集乘客图像，并利用第一图像采集设备采集通过乘客的乘客图像，其中，所述第一图像采集设备部署在所述自动售票机TVM所在的目标车站内；将所述自动售票机TVM采集到的乘客图像和所述第一图像采集设备采集到的乘客图像存储在所述目标车站的本地数据库，其中，所述本地数据库中达到设定有效期的乘客图像会被删除；利用第二图像采集设备采集距离自动检票机AGM入口预设距离的监控图像；根据所述第二图像采集设备采集到的监控图像从所述本地数据库中匹配到目标乘客的乘客图像，其中，所述目标乘客为所述监控图像中的乘客；利用匹配到的乘客图像对所述目标乘客进行鉴权，并在鉴权通过后控制所述自动检票机AGM为所述目标乘客放行。

可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

本领域普通技术人员可以理解，图4所示的结构仅为示意，终端可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile InternetDevices，MID)、PAD等终端设备。图4其并不对上述电子装置的结构造成限定。例如，终端还可包括比图4中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图4所示不同的配置。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。

本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行自动检票方法的程序代码。

可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：

利用自动售票机TVM在提供乘车票据的过程中采集乘客图像，并利用第一图像采集设备采集通过乘客的乘客图像，其中，所述第一图像采集设备部署在所述自动售票机TVM所在的目标车站内；将所述自动售票机TVM采集到的乘客图像和所述第一图像采集设备采集到的乘客图像存储在所述目标车站的本地数据库，其中，所述本地数据库中达到设定有效期的乘客图像会被删除；利用第二图像采集设备采集距离自动检票机AGM入口预设距离的监控图像；根据所述第二图像采集设备采集到的监控图像从所述本地数据库中匹配到目标乘客的乘客图像，其中，所述目标乘客为所述监控图像中的乘客；利用匹配到的乘客图像对所述目标乘客进行鉴权，并在鉴权通过后控制所述自动检票机AGM为所述目标乘客放行。

可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的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，可以存储在上述计算机可读取的存储介质中。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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、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。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，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，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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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，在本申请各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种自动检票系统，其特征在于，包括：

自动售票机TVM，用于在向乘客提供乘车票据的过程中采集乘客图像；

第一图像采集设备，部署在所述自动售票机TVM所在的目标车站内，用于采集通过乘客的乘客图像；

本地数据库，用于在所述目标车站的本地存储所述自动售票机TVM采集到的乘客图像和所述第一图像采集设备采集到的乘客图像；

自动检票机AGM和配合使用的第二图像采集设备，所述第二图像采集设备用于采集距离所述自动检票机AGM入口达到预设距离的监控图像；

计算机设备，分别与所述自动售票机TVM、所述本地数据库、所述自动检票机AGM、所述第一图像采集设备以及所述第二图像采集设备连接，所述计算机设备用于根据所述第二图像采集设备采集到的监控图像，从所述本地数据库中匹配到目标乘客的乘客图像，利用匹配到的乘客图像对所述目标乘客进行鉴权，并在鉴权通过后控制所述自动检票机AGM为所述目标乘客放行，所述计算机设备还用于删除所述本地数据库中达到设定有效期的乘客图像，其中，所述目标乘客为所述监控图像中的乘客。

2.一种自动检票方法，其特征在于，包括：

利用自动售票机TVM在提供乘车票据的过程中采集乘客图像，并利用第一图像采集设备采集通过乘客的乘客图像，其中，所述第一图像采集设备部署在所述自动售票机TVM所在的目标车站内；

将所述自动售票机TVM采集到的乘客图像和所述第一图像采集设备采集到的乘客图像存储在所述目标车站的本地数据库，其中，所述本地数据库中达到设定有效期的乘客图像会被删除；

利用第二图像采集设备采集距离自动检票机AGM入口预设距离的监控图像；

根据所述第二图像采集设备采集到的监控图像从所述本地数据库中匹配到目标乘客的乘客图像，其中，所述目标乘客为所述监控图像中的乘客；

利用匹配到的乘客图像对所述目标乘客进行鉴权，并在鉴权通过后控制所述自动检票机AGM为所述目标乘客放行。

3.根据权利要求2所述的方法，其特征在于，将所述自动售票机TVM采集到的乘客图像和所述第一图像采集设备采集到的乘客图像存储在所述目标车站的本地数据库，包括：

利用人工智能算法从所述自动售票机TVM采集到的原始图像和所述第一图像采集设备采集到的原始图像中分割出人体轮廓区域的乘客图像；

从乘客图像中识别出多种特征，其中，所述多种特征按照复杂度从低到高分为第一类特征和第二类特征，所述第一类特征包括必要特征和非必要特征，所述必要特征为乘车过程中不会发生变化的特征，所述非必要特征为乘车过程可能发生变化的特征；

为乘客图像中的乘客生成唯一的乘客编码；

将为所述乘客编码生成的包括所述多种特征、乘客图像、时间戳以及乘客位置的数据编码记录保存至所述本地数据库。

4.根据权利要求3所述的方法，其特征在于，为乘客图像中的乘客生成唯一的乘客编码，包括：

若待保存的乘客图像的必要特征与所述本地数据库中乘客图像的必要特征均不同，则将待保存的乘客图像的乘客编码的前N位设定为第一预设值，并生成后M位的值，其中，第一预设值用来表示相应乘客图像的必要特征在所述本地数据库中是唯一的，正整数N小于正整数M；

若待保存的乘客图像的必要特征和至少一个非必要特征与所述本地数据库中乘客图像的必要特征和相应非必要特征不同，则将待保存的乘客图像的乘客编码的前N位设定为第二预设值，并生成后M位的值，其中，第二预设值用来表示相应乘客图像的必要特征和至少一个非必要特征在所述本地数据库中是唯一的；

其中，所述本地数据库中任意两个乘客图像的后M位编码值不同。

5.根据权利要求3所述的方法，其特征在于，从乘客图像中识别出多种特征，包括：

从乘客图像中识别出上衣颜色、裤子颜色、帽子颜色、鞋子颜色、高度与肩宽比值以及人体轮廓特征，其中，所述第一类特征包括裤子颜色、鞋子颜色、高度与肩宽比值、上衣颜色以及帽子颜色，所述第二类特征包括人体轮廓特征和乘客图像的图像特征，所述必要特征包括裤子颜色、鞋子颜色以及高度与肩宽比值，所述非必要特征包括上衣颜色和帽子颜色。

6.根据权利要求2所述的方法，其特征在于，根据所述第二图像采集设备采集到的监控图像从所述本地数据库中匹配到目标乘客的乘客图像，包括：

确定所述第二图像采集所在的目标闸口，并获取所述目标闸口的队列，其中，所述队列中保存有来自所述本地数据库的数据编码记录；

在所述队列中存在必要特征与监控图像中目标乘客匹配的第一数据编码记录的情况下，获取所述第一数据编码记录的前N位编码的编码值；

在所述第一数据编码记录的前N位编码的编码值为第一预设值的情况下，确定所述第一数据编码记录的乘客图像为所述目标乘客的乘客图像；

在所述第一数据编码记录的前N位编码的编码值为第二预设值的情况下，比较所述监控图像中目标乘客的非必要特征和所述第一数据编码记录中的非必要特征；

在所述监控图像中目标乘客的非必要特征和所述第一数据编码记录中的非必要特征匹配的情况下，确定所述第一数据编码记录的乘客图像为所述目标乘客的乘客图像。

7.根据权利要求6所述的方法，其特征在于，在获取所述目标闸口的队列之前，所述方法还包括：

对于所述本地数据库中的每条数据编码记录，根据所述数据编码记录中的乘客位置与闸口之间的距离L和乘客速度S，计算乘客达到闸口所需的走路时长t1；

根据所述数据编码记录中的时间戳t0和走路时长t1预估乘客到达闸口的时间t＝t0+t1；

为每个闸口维护一个队列，在队列中保存多条数据编码记录，其中，队列中保存的数据编码记录中乘客到达闸口的时间t与当前时间T之间的差值绝对值小于等于预设时长，多条数据编码记录在所述队列中按照差值绝对值从小到大排列。

8.一种自动检票装置，其特征在于，包括：

第一采集单元，用于利用自动售票机TVM在提供乘车票据的过程中采集乘客图像，并利用第一图像采集设备采集通过乘客的乘客图像，其中，所述第一图像采集设备部署在所述自动售票机TVM所在的目标车站内；

存储单元，用于将所述自动售票机TVM采集到的乘客图像和所述第一图像采集设备采集到的乘客图像存储在所述目标车站的本地数据库，其中，所述本地数据库中达到设定有效期的乘客图像会被删除；

第二采集单元，用于利用第二图像采集设备采集距离自动检票机AGM入口预设距离的监控图像；

匹配单元，用于根据所述第二图像采集设备采集到的监控图像从所述本地数据库中匹配到目标乘客的乘客图像，其中，所述目标乘客为所述监控图像中的乘客；

控制单元，用于利用匹配到的乘客图像对所述目标乘客进行鉴权，并在鉴权通过后控制所述自动检票机AGM为所述目标乘客放行。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求2至7任一项中所述的方法。

10.一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器通过所述计算机程序执行上述权利要求2至7任一项中所述的方法。