KR102484407B1 - Taxi dispatch system using AI - Google Patents
Taxi dispatch system using AI Download PDFInfo
- Publication number
- KR102484407B1 KR102484407B1 KR1020220092732A KR20220092732A KR102484407B1 KR 102484407 B1 KR102484407 B1 KR 102484407B1 KR 1020220092732 A KR1020220092732 A KR 1020220092732A KR 20220092732 A KR20220092732 A KR 20220092732A KR 102484407 B1 KR102484407 B1 KR 102484407B1
- Authority
- KR
- South Korea
- Prior art keywords
- taxi
- ride
- image
- confirmed
- artificial intelligence
- Prior art date
Links
- 238000012790 confirmation Methods 0.000 claims abstract description 36
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 230000029305 taxis Effects 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000035582 behavioral recognition Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G06Q50/30—
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
본 발명은 인공지능을 이용한 택시 승차확인시스템에 관한 것으로서, 상세하게는 택시 승강장에서 차량과 사람을 인식하여 승차가 확인된 택시의 이미지와 차량번호 데이터 등을 관제센터에 제공하는 승차확인시스템에 관한 것이다. The present invention relates to a taxi boarding confirmation system using artificial intelligence, and more particularly, to a boarding confirmation system that recognizes a vehicle and a person at a taxi stand and provides a taxi image and license plate data of a confirmed taxi to a control center. will be.
택시(Taxi, Cab)는 요금을 받고 손님이 원하는 곳까지 태워다 주는 영업용 승용차이다. 국내에서는 영업허가를 받고 노란색 영업용 번호판을 단 승용차 또는 승합차가 사용되며 버스와는 달리 정해진 노선이 없고 시간과 거리에 따라 요금이 정해진다.A taxi (cab) is a commercial vehicle that takes a customer to a destination for a fee. In Korea, a passenger car or van with a business license and a yellow license plate is used. Unlike buses, there is no set route, and fares are set according to time and distance.
택시는 정해진 노선이 없기 때문에 손님의 청약과 기사의 승낙으로 계약이 성립된다. 최근 특정 시간대에 택시 이용 수요에 비하여 택시가 부족하여 웃돈을 지불하거나 장거리 손님만 골라 태우거나 승차를 거부하는 등 불미스러운 문제가 종종 발생된다.Since taxis do not have a fixed route, the contract is established with the customer's subscription and the driver's consent. Recently, due to a shortage of taxis compared to the demand for taxis at certain times, unsavory problems often occur, such as paying more, picking up only long-distance customers, or refusing to board.
각 지방자치단체에 따라 승차 거부 택시에 대하여 단속을 하지만 일시적일 뿐 지속적으로 단속하기가 불가능하기 때문에 마일리지나 쿠폰 등을 지급하는 인센티브 정책을 펼치고 있다.Although each local government cracks down on refusing taxis, it is only temporary and cannot be continuously cracked down, so incentive policies such as mileage or coupons are provided.
일부 지자체에서는 승차 확인된 택시에 대하여 관리자가 수작업으로 쿠폰을 나누어 주고 있어 감시체계 부재에 따른 투명성 문제가 발생하고 있다.In some local governments, managers hand out coupons manually for taxis whose rides are confirmed, resulting in transparency problems due to the absence of a monitoring system.
관리자의 수작업 대신에 영상으로 승강장에 진입하는 택시의 차량번호를 인식하여 승강장에 진입하는 모든 택시에 대하여 승객의 승차 확인 없이 마일리지나 쿠폰 등을 지급하고 있어, 승객이 승차하지 않은 택시에도 마일리지나 쿠폰 등을 지급하여 예산 낭비와 부정의 소지가 있는 문제점이 있다.By recognizing the plate number of a taxi entering the platform by video instead of manual work by the manager, mileage or coupons are provided to all taxis entering the platform without confirming the boarding of the passengers. There is a problem in that there is a possibility of budget waste and corruption by paying the etc.
상기의 문제점을 해결하고자 본 발명은 인공지능 기술로 이미지를 분류하고 객체를 인식하여 탑승이 확인된 택시의 이미지와 차량번호를 관제센터에 제공하는 택시 승차확인시스템을 제공하고자 한다.In order to solve the above problems, the present invention is to provide a taxi ride confirmation system that classifies images using artificial intelligence technology, recognizes objects, and provides a taxi image and license plate number of a taxi for which boarding is confirmed to a control center.
상기의 해결하고자 하는 과제를 위한 본 발명에 따른 인공지능을 이용한 택시 승차확인시스템은, 택시 승강장에 설치된 CCTV카메라 및 상기 CCTV카메라 영상 데이터로부터 딥러닝의 객체 탐지 알고리즘으로 차량과 승객을 탐지하여 분류하는 승차확인부를 포함하고, 상기 승차확인부는 승차 확인된 택시의 이미지와 차량번호를 관제센터로 전송하는 것을 특징으로 한다.The taxi ride confirmation system using artificial intelligence according to the present invention for the above object to be solved is a CCTV camera installed at a taxi stand and object detection algorithm of deep learning from the CCTV camera image data to detect and classify vehicles and passengers It includes a boarding confirmation unit, characterized in that the boarding confirmation unit transmits the image and vehicle number of the taxi for which boarding is confirmed to a control center.
상기 객체 탐지 알고리즘은 CCTV카메라로 촬영된 영상을 입력받아 확인대상 객체를 학습 데이터셋(data set)으로 학습된 모델과 비교하여 객체를 예측하는 것을 특징으로 한다.The object detection algorithm is characterized by predicting an object by receiving an image captured by a CCTV camera and comparing an object to be confirmed with a model learned as a learning data set.
상기 객체 탐지 알고리즘은, 입력된 영상 및 이미지를 CNN을 통해 텐서의 그리드 형태로 나누고, 각 구간에 따라 객체인 경계박스와 클래스 확률을 생성하여 해당 구역의 객체를 인식하는 것을 특징으로 한다.The object detection algorithm is characterized in that the input video and image are divided into a grid of tensors through CNN, and object bounding boxes and class probabilities are generated according to each section to recognize objects in the corresponding section.
상기 승차 확인은 승객의 특정행동을 인식하는 것을 특징으로 한다.The boarding confirmation is characterized by recognizing a specific behavior of the passenger.
상기 승차 확인은 빈차등의 소등으로 확인하는 것을 특징으로 한다.The boarding confirmation is characterized in that it is confirmed by turning off an empty car light.
본 발명의 다른 실시예로서, 인공지능을 이용한 택시 승차확인시스템을 이용한 택시 승차확인방법은, 학습 및 확인대상 영상을 취득하는 단계; 준비된 데이터셋으로 딥러닝 학습하는 단계; 확인대상 영상과 학습된 모델과 비교하여 객체를 예측하는 단계; 객체의 행동패턴으로 승차를 확인하는 단계 및 승차 확인된 택시의 이미지와 차량번호를 관제센터에 전송하는 것을 특징으로 한다.As another embodiment of the present invention, a taxi ride confirmation method using a taxi ride confirmation system using artificial intelligence includes the steps of acquiring a learning and confirmation target image; Learning deep learning with a prepared dataset; predicting an object by comparing the image to be identified with the learned model; It is characterized by the step of confirming the ride with the behavior pattern of the object and transmitting the image and license plate number of the confirmed taxi to the control center.
본 발명에 따른 인공지능을 이용한 택시 승차확인시스템은 인공지능 기술로 이미지를 분류하고 객체를 인식하여 탑승이 확인된 택시의 이미지와 차량번호 등을 관제센터에 제공함으로써 승차가 확인 택시에게만 쿠폰이나 마일리지를 제공하여 부정의 소지를 방지하고 예산을 절약할 수 있다. The taxi ride confirmation system using artificial intelligence according to the present invention classifies images with artificial intelligence technology, recognizes objects, and provides the image and vehicle number of the taxi for which boarding is confirmed to the control center, thereby providing coupons or mileage only to taxis whose ride is confirmed. can be provided to prevent corruption and save budget.
또한, 공항, 터미널, 역사, 주요관광지 등 택시 수요와 이용 빈도가 높은 택시 승강장에서 불편함이 없이 안전하게 이용할 수 있다. 특히 야간 및 심야시간대 택시 부족 현상을 해소하기 위해 진입량 확대를 유도할 수 있다.In addition, it can be used safely without any inconvenience at taxi stands where taxi demand and frequency of use are high, such as airports, terminals, stations, and major tourist attractions. In particular, it is possible to induce an increase in the number of entry to solve the shortage of taxis during night and late-night hours.
야간 및 심야시간대 공항, 터미널, 역사 등 다중이 이용하는 택시승강장 내 수요인원에 비해 택시가 없을 때 관제센터에 알람 및 정보 제공으로 신속한 배차 및 증차 요청으로 택시 이용객의 편의를 개선할 수 있다.Convenience of taxi users can be improved by providing alarms and information to the control center when there are no taxis compared to the number of people in the taxi stand used by a large number of people such as airports, terminals, and stations during nighttime and late-night hours.
또한, 본 발명을 활용하여 각 택시승강장별 진입 택시 총량, 승차 완료 총량, 승차시간, 무승차 통과 차량 등 택시승강장 이용 실태 통계자료를 생성하여 이를 바탕으로 정책 수립에 활용하여 질 좋고 편리한 교통문화를 만들어 나갈 수 있다.In addition, by using the present invention, statistical data on taxi stand usage, such as the total amount of taxis entering each taxi stand, the total amount of completed rides, riding time, and vehicles passing without a ride, are generated, and based on this, they are used in policy establishment to create a quality and convenient transportation culture. can be made
도 1은 본 발명에 따른 인공지능을 이용한 택시 승차확인시스템의 블록도이다.
도 2는 본 발명에 따른 객체 탐지 알고리즘에 의한 승차 확인 예시도이다.
도 3은 영상을 기반으로 한 승객의 탑승인식에 사용되는 사람의 특정행동 패턴이다.
도 4는 본 발명에 따른 승차차량과 통과차량을 분류하는 예시도이다.
도 5는 본 발명에 따른 택시 승차 확인 방법의 흐름도이다.
도 6은 본 발명에 따른 객체인식과 빈차등으로 승차 확인하는 방법의 흐름도이다.1 is a block diagram of a taxi ride confirmation system using artificial intelligence according to the present invention.
2 is an exemplary view of boarding confirmation by an object detection algorithm according to the present invention.
3 is a specific behavioral pattern of a person used for boarding recognition of a passenger based on an image.
4 is an exemplary diagram for classifying a riding vehicle and a passing vehicle according to the present invention.
5 is a flowchart of a taxi boarding confirmation method according to the present invention.
6 is a flow chart of a method for confirming boarding by object recognition and vacancy according to the present invention.
이하, 본 발명의 실시를 위한 구체적인 실시예와 도면을 참고하여 설명한다. 본 발명의 실시예는 하나의 발명을 설명하기 위한 것으로서 권리범위는 예시된 실시예에 한정되지 아니하고, 예시된 도면은 발명의 명확성을 위하여 핵심적인 내용만 확대 도시하고 부수적인 것을 생략하였으므로 도면에 한정하여 해석하여서는 아니 된다.Hereinafter, it will be described with reference to specific embodiments and drawings for the implementation of the present invention. The embodiment of the present invention is for explaining one invention, and the scope of rights is not limited to the illustrated embodiment, and the illustrated drawings are limited to the drawings because only the essential contents are enlarged and the auxiliary parts are omitted for clarity of the invention. should not be interpreted as such.
도 1은 본 발명에 따른 인공지능을 이용한 택시 승차 확인시스템의 블록도로서, 택시 승강장에 설치된 CCTV카메라 및 상기 CCTV카메라 영상 데이터로부터 딥러닝의 객체 탐지 알고리즘으로 차량과 승객을 탐지하여 분류하는 승차확인부를 포함하고, 상기 승차확인부는 승차 확인된 택시의 이미지와 차량번호를 관제센터로 전송하는 것을 특징으로 한다.1 is a block diagram of a taxi ride confirmation system using artificial intelligence according to the present invention, which detects and classifies vehicles and passengers with a CCTV camera installed at a taxi stand and an object detection algorithm of deep learning from the CCTV camera image data. And, the boarding confirmation unit is characterized in that for transmitting the image and vehicle number of the taxi confirmed riding to the control center.
상기 객체 탐지 알고리즘은 CCTV카메라로 촬영된 영상을 입력받아 학습 데이터셋(data set)으로 학습된 모델과 비교하여 객체를 예측한다. 적합한 신뢰도 이상의 객체에 경계박스를 표시하고 객체의 클래스 리스트를 출력하고, 객체 탐지 알고리즘 분류 대상의 객체를 경계박스를 다차원적으로 분리하고 클래스 확률을 적용하여 회귀 모델과 분류 모델의 수를 공식화하여 객체를 탐지한다. 입력된 영상 및 이미지는 CNN을 통해 텐서의 그리드 형태로 나누고, 각 구간에 따라 객체인 경계박스와 클래스 확률을 생성하여 해당 구역의 객체를 인식한다. The object detection algorithm predicts an object by receiving an image captured by a CCTV camera and comparing it with a model trained as a learning data set. A bounding box is displayed on an object with an appropriate level of confidence or higher, a class list of the object is output, the object detection algorithm classifies the object in a multi-dimensional manner, and a class probability is applied to formulate the number of regression models and classification models. detect The input video and image are divided into a grid of tensors through CNN, and object bounding boxes and class probabilities are generated according to each section to recognize objects in the corresponding section.
상기 학습 데이터셋은 CNN 모델을 학습하기 위한 것으로 다양한 객체 사례, 방향, 배율, 조명 상황, 다양한 배경 이미지 등 가능한 모든 데이터를 사용한다. 데이터셋의 객체 크기와 형태에 대한 사전정보를 확보한다.The training dataset is for learning the CNN model, and uses all possible data such as various object cases, directions, magnifications, lighting conditions, and various background images. Acquire prior information on the size and shape of objects in the dataset.
다른 객체 탐지 알고리즘은 각 관심영역에 대한 특징 추출 계산을 공유하고 딥러닝 기반의 영역제안네트워크(RPN)으로 구현할 수 있다. 많은 CNN 레이어를 사용하여 특징맵을 추출하면 RPN을 통해 객체를 포함하고 있을 가능성이 높은 윈도우가 다량으로 생성되고, 알고리즘은 각 윈도우에 있는 특징맵을 검색하고 고정 크기로 조정한 후 클래스 확률과 해당 객체에 대한 정확한 경계박스를 예측한다.Other object detection algorithms share feature extraction calculations for each region of interest and can be implemented as a deep learning-based region proposal network (RPN). When feature maps are extracted using many CNN layers, a large number of windows that are likely to contain objects are generated through RPN, and the algorithm retrieves the feature maps in each window, adjusts them to a fixed size, and class Predict the correct bounding box for an object.
본 발명에서의 학습 데이터셋은 택시 차량과 승객인 사람의 다양한 형태, 사례, 방향, 배율, 조명 상황, 다양한 배경 이미지 등 가능한 모든 데이터를 사용한다.The learning dataset in the present invention uses all possible data such as various types of taxi vehicles and passengers, cases, directions, magnifications, lighting conditions, and various background images.
차량의 인식은 코드북 알고리즘을 이용하여 다른 객체와 분리하여 인식할 수 있다. 코드북은 각각의 색인을 가진 영상 형태의 집합으로 영상 전체의 형태를 대신하여 코드북 색인만으로 영상부분을 표현할 수 있다.Recognition of the vehicle can be recognized separately from other objects using a codebook algorithm. A codebook is a set of image types having respective indices, and an image part can be expressed only with the codebook index instead of the entire image form.
객체의 인식은 에지를 추출하여 크기로 식별할 수 있다. 택시의 탐지는 칼만 필터를 이용하여 색상정보를 이용하여 매칭할 수 있고, 위치는 점유 픽셀의 위치 좌표값과 좌표값의 상태 변화량으로 추적할 수 있다. 또한 모션 센서로 움직임을 추적할 수 있다.Recognition of an object can be identified by size by extracting an edge. Taxi detection can be matched using color information using a Kalman filter, and the location can be tracked by the position coordinates of the occupied pixels and the state change of the coordinates. It can also track movement with a motion sensor.
택시의 차량번호 인식은 OCR 기계학습 기반의 알고리즘을 사용하고 딥러닝을 적용해 정확도를 향상시킬 수 있다.
관제센터는 관제서버와 데이터베이스를 포함한다.Taxi plate number recognition can improve accuracy by using an OCR machine learning-based algorithm and applying deep learning.
The control center includes a control server and a database.
도 2는 본 발명에 따른 객체 탐지 알고리즘에 의한 승차 확인 예시도로서, 학습된 모델과 비교하여 승객과 차량을 예측하거나 빈차등을 인식하여 예측할 수 있다. 2 is an exemplary view of boarding confirmation by an object detection algorithm according to the present invention, and it is possible to predict passengers and vehicles by comparing with a learned model or by recognizing an empty car.
영상을 기반으로 한 승객의 탑승인식은 도 3과 같이 사람의 특정행동을 인식한다. 사람의 특정행동은 서기, 걷기, 뛰기, 앉기, 웅크리기, 눕기 등의 행동패턴으로 인식할 수 있다. 택시 승강장에서 승객은 서서 대기하다가 택시가 다가오면 걸어서 접근을 하고 승차하면 좌석에 앉기를 하므로 서기 → 걷기 → 앉기 순으로 행동패턴이 인식되면 탑승확인으로 인식한다. CNN과 RNN 등의 알고리즘을 활용하여 행동인식 딥러닝 데이터셋으로 탑승 인식 행동 패턴 및 특징을 학습하여 탑승인식을 한다. Passenger's boarding recognition based on the image recognizes a person's specific action as shown in FIG. A person's specific behavior can be recognized as a behavioral pattern such as standing, walking, running, sitting, crouching, and lying down. At a taxi stand, passengers stand and wait, walk when a taxi approaches, and sit in a seat when they get on. When a behavior pattern is recognized in the order of standing → walking → sitting, it is recognized as boarding confirmation. Using algorithms such as CNN and RNN, boarding recognition is performed by learning boarding recognition behavior patterns and characteristics with the behavioral recognition deep learning dataset.
또한, 승객이 탑승을 하고 목적지를 말하면 기사는 빈차등을 끄므로 빈차등 소등 여부로 승차를 확인할 수 있다. 빈차등은 이미지를 분류하여 이미지 속의 글자를 추출하여 빈차, 예약 등의 텍스트로 인식하고 점등과 소등의 명도로 인식하여 탑승을 확인할 수 있다.In addition, since the passenger boards and tells the destination, the driver turns off the empty car lights, so boarding can be confirmed by whether or not the empty car lights are turned off. The empty car light classifies the image, extracts the letters in the image, recognizes it as text such as empty car, reservation, etc.
도 4는 본 발명은 승차 확인의 또 다른 실시예로서 승차차량과 통과차량을 분류하는 예시도이다. 택시 승강장에서 인도쪽은 승차영역으로 하고 바깥쪽은 통과영역으로 정의하여 승차영역에서 승차한 것만 승차 확인된 것으로 인정한다.4 is an exemplary view of classifying a vehicle on board and a passing vehicle as another embodiment of boarding confirmation according to the present invention. The side of the taxi stand is defined as the boarding area and the outside is defined as the passing area, and only those boarding in the boarding area are recognized as boarding confirmation.
도 5는 택시승차 확인 방법의 흐름도로서, 학습 및 확인대상 영상을 취득하는 단계, 준비된 데이터셋으로 딥러닝 학습하는 단계, 확인대상 영상과 학습된 모델과 비교하여 객체를 예측하는 단계, 객체의 행동패턴으로 승차를 확인하는 단계 및 승차 확인된 택시의 이미지와 차량번호를 관제센터에 전송한다.5 is a flowchart of a taxi boarding confirmation method, in which an image to be learned and confirmed is acquired, deep learning is performed with a prepared dataset, an object is predicted by comparing the image to be confirmed and the learned model, and behavior of the object is predicted. The step of confirming the ride with a pattern, and the image and license plate number of the confirmed taxi are transmitted to the control center.
도 6은 본 발명에 따른 객체인식과 빈차등으로 승차 확인하는 방법의 흐름도이다. 승차영역에서 차량객체와 빈차등을 인식하여 빈차등이 점등되었다 꺼지면 탑승으로 인식하고 차량번호와 이미지를 관제센터로 전송한다. 차량 근처에서 사람이 인식되고 행동패턴 분석으로 탑승을 확인하거나 도어가 개폐되고 사람이 인식이 안 되는 경우에도 빈차등이 꺼지면 탑승으로 확인하고 차량번호와 이미지를 관제센터로 전송한다. 사람이 인식이 안 되거나 빈차등이 점등된 경우에는 통과차량으로 인식한다. 6 is a flow chart of a method for confirming boarding by object recognition and vacancy according to the present invention. In the boarding area, vehicle objects and empty car lights are recognized, and when the empty car lights turn on and off, it is recognized as boarding and the vehicle number and image are transmitted to the control center. If a person is recognized near the vehicle and boarding is confirmed through behavioral pattern analysis, or even if the door is opened and the person is not recognized, boarding is confirmed as boarding and the vehicle number and image are transmitted to the control center. If a person is not recognized or an empty vehicle light is on, it is recognized as a passing vehicle.
Claims (6)
상기 CCTV카메라 영상 데이터로부터 딥러닝의 객체 탐지 알고리즘으로 차량과 승객을 탐지하여 분류하는 승차확인부를 포함하고,
상기 승차확인부는 승차 확인된 택시의 이미지와 차량번호를 관제센터로 전송하되,
상기 객체 탐지 알고리즘은 CCTV카메라로 촬영된 영상을 입력받아 확인대상 객체를 학습 데이터셋(data set)으로 학습된 모델과 비교하여 객체를 예측하고,
입력된 영상 및 이미지를 CNN을 통해 텐서의 그리드 형태로 나누고, 각 구간에 따라 객체인 경계박스와 클래스 확률을 생성하여 해당 구역의 객체를 인식하고,
승차가 확인된 택시에게만 인센티브가 제공되는 것을 특징으로 하는 인공지능을 이용한 택시 승차확인시스템.CCTV cameras installed at taxi stands and
A ride confirmation unit for detecting and classifying vehicles and passengers with a deep learning object detection algorithm from the CCTV camera image data,
The ride confirmation unit transmits the image and vehicle number of the taxi confirmed to ride to the control center,
The object detection algorithm predicts an object by receiving an image captured by a CCTV camera and comparing an object to be confirmed with a model learned as a learning data set,
The input video and image are divided into a grid of tensors through CNN, and object bounding boxes and class probabilities are generated according to each section to recognize objects in the corresponding section,
A taxi ride confirmation system using artificial intelligence, characterized in that incentives are provided only to taxis whose ride is confirmed.
상기 승차 확인은 승객의 특정행동을 인식하는 것을 특징으로 하는 인공지능을 이용한 택시 승차확인시스템.According to claim 1,
The taxi ride confirmation system using artificial intelligence, characterized in that the ride confirmation recognizes the specific behavior of the passenger.
상기 승차 확인은 빈차등의 소등으로 확인하는 것을 특징으로 하는 인공지능을 이용한 택시 승차확인시스템.According to claim 1,
The taxi ride confirmation system using artificial intelligence, characterized in that the ride confirmation is confirmed by turning off the empty car light.
학습 및 확인대상 영상을 취득하는 단계;
준비된 데이터셋으로 딥러닝 학습하는 단계;
확인대상 영상과 학습된 모델과 비교하여 객체를 예측하는 단계;
입력된 영상 및 이미지를 CNN을 통해 텐서의 그리드 형태로 나누고, 각 구간에 따라 객체인 경계박스와 클래스 확률을 생성하여 해당 구역의 객체를 인식하는 단계;
객체의 행동패턴으로 승차를 확인하는 단계 및
승차 확인된 택시의 이미지와 차량번호를 관제센터에 전송하는 단계를 포함하여,
승차가 확인된 택시에게만 인센티브가 제공되는 것을 특징으로 하는 택시 승차확인방법.The taxi ride confirmation method using the taxi ride confirmation system using artificial intelligence of claim 1,
Acquiring an image to be learned and confirmed;
Learning deep learning with a prepared dataset;
predicting an object by comparing the image to be identified with the learned model;
Recognizing an object in a corresponding region by dividing the input video and image into a grid of tensors through CNN, and generating a bounding box and class probability as an object according to each section;
Confirming the ride with the behavior pattern of the object and
Including the step of transmitting the image and vehicle number of the taxi confirmed to ride to the control center,
A taxi ride confirmation method characterized in that incentives are provided only to taxis whose ride is confirmed.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220092732A KR102484407B1 (en) | 2022-07-26 | 2022-07-26 | Taxi dispatch system using AI |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220092732A KR102484407B1 (en) | 2022-07-26 | 2022-07-26 | Taxi dispatch system using AI |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102484407B1 true KR102484407B1 (en) | 2023-01-03 |
Family
ID=84924458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220092732A KR102484407B1 (en) | 2022-07-26 | 2022-07-26 | Taxi dispatch system using AI |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102484407B1 (en) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101050452B1 (en) | 2011-02-21 | 2011-07-19 | 주식회사 넥스파시스템 | Taxi enforcement system, method using the same and recording medium thereof |
| KR20180087585A (en) * | 2017-01-25 | 2018-08-02 | 최민지 | Station And Taxi Information System |
| KR20190020892A (en) * | 2017-08-22 | 2019-03-05 | 이창율 | Taxi security lights and an empty car lights control devices and systems |
| KR20190096082A (en) * | 2018-02-08 | 2019-08-19 | 이형용 | Smart taxi platform system and management method |
| KR102194962B1 (en) * | 2020-05-20 | 2020-12-24 | 주식회사 네이처모빌리티 | System for providing bigdata based artificial intelligence automatic allocation matching service using assignmanet problem and simulated annealing |
| KR20210048132A (en) * | 2019-10-23 | 2021-05-03 | (주)선일일렉콤 | Lifting gate for parking equipped with vehicle recognizer through image analysis based on artificial intelligence and construction method thereof |
| KR20210062256A (en) * | 2019-11-21 | 2021-05-31 | 주식회사 두다지 | Method, program and system to judge abnormal behavior based on behavior sequence |
-
2022
- 2022-07-26 KR KR1020220092732A patent/KR102484407B1/en active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101050452B1 (en) | 2011-02-21 | 2011-07-19 | 주식회사 넥스파시스템 | Taxi enforcement system, method using the same and recording medium thereof |
| KR20180087585A (en) * | 2017-01-25 | 2018-08-02 | 최민지 | Station And Taxi Information System |
| KR20190020892A (en) * | 2017-08-22 | 2019-03-05 | 이창율 | Taxi security lights and an empty car lights control devices and systems |
| KR20190096082A (en) * | 2018-02-08 | 2019-08-19 | 이형용 | Smart taxi platform system and management method |
| KR20210048132A (en) * | 2019-10-23 | 2021-05-03 | (주)선일일렉콤 | Lifting gate for parking equipped with vehicle recognizer through image analysis based on artificial intelligence and construction method thereof |
| KR20210062256A (en) * | 2019-11-21 | 2021-05-31 | 주식회사 두다지 | Method, program and system to judge abnormal behavior based on behavior sequence |
| KR102194962B1 (en) * | 2020-05-20 | 2020-12-24 | 주식회사 네이처모빌리티 | System for providing bigdata based artificial intelligence automatic allocation matching service using assignmanet problem and simulated annealing |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9317752B2 (en) | Method for detecting large size and passenger vehicles from fixed cameras | |
| US9552524B2 (en) | System and method for detecting seat belt violations from front view vehicle images | |
| US8666117B2 (en) | Video-based system and method for detecting exclusion zone infractions | |
| US9842266B2 (en) | Method for detecting driver cell phone usage from side-view images | |
| US9400936B2 (en) | Methods and systems for vehicle tag number recognition | |
| US8824742B2 (en) | Occupancy detection for managed lane enforcement based on localization and classification of windshield images | |
| US9721173B2 (en) | Machine learning approach for detecting mobile phone usage by a driver | |
| Suhweil et al. | Smart controlling for traffic light time | |
| US20170278386A1 (en) | Method and apparatus for collecting traffic information from big data of outside image of vehicle | |
| CN106541968B (en) | The recognition methods of the subway carriage real-time prompt system of view-based access control model analysis | |
| KR102174556B1 (en) | Apparatus for monitoring image to control traffic information employing Artificial Intelligence and vehicle number | |
| CN104239905A (en) | Moving target recognition method and intelligent elevator billing system having moving target recognition function | |
| KR102289181B1 (en) | System, apparatus and method for vision based parking management | |
| KR102122850B1 (en) | Solution for analysis road and recognition vehicle license plate employing deep-learning | |
| CN104821025A (en) | Passenger flow detection method and detection system thereof | |
| Chen et al. | AI-based vehicular network toward 6G and IoT: Deep learning approaches | |
| Awaisi et al. | Deep reinforcement learning approach towards a smart parking architecture | |
| Ravish et al. | Intelligent traffic violation detection | |
| KR102484407B1 (en) | Taxi dispatch system using AI | |
| Saravanarajan et al. | Car crash detection using ensemble deep learning | |
| KR102484412B1 (en) | Taxi dispatch system using AI | |
| KR20220029931A (en) | Vehicle damage management method and vehicle damage management apparatus | |
| Forczmański et al. | Deep learning approach to detection of preceding vehicle in advanced driver assistance | |
| CN114282623A (en) | Analysis method based on illegal boarding and alighting of passenger vehicles | |
| JP2023168967A (en) | Determination device, management system and determination method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |