WO2023174240A1 - 一种公交客流检测方法及系统 - Google Patents

Abstract

本发明公开了一种公交客流检测方法及系统，属于公共交通客流检测技术领域。本发明分别统计上车人数、座位上乘客人数和站立乘客人数，最后根据统计数据计算公交客流。本发明能较为精确地统计公交车车厢内实时人数，从而检测公交车在每个站点的上下车人数和某断面的公交客流信息，进一步得到车辆的满载率、各个站点的客流以及每条公交线路的客流等公交运行指标，基于上述指标，可监测每辆公交车的客流高峰时段，也能对过饱和的公交站点进行识别，为公交客流分析提供有效数据支撑。

Description

一种公交客流检测方法及系统

本申请要求于2022年3月14日提交中国专利局、申请号为202210247078.8、发明名称为“一种公交客流检测方法及系统”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

技术领域

本发明涉及公共交通客流检测技术领域，具体涉及一种公交客流检测方法及系统。

背景技术

随着相关技术的发展，公交车开始采用传感器来检测公交客流。传统的公交客流传感器检测方案包括重力传感器、红外传感器和压力踏板传感器等检测方法。但红外传感器在乘客同时通过时容易漏检，重力传感器精度太低，压力踏板传感器在同时上下车人数较多时难以检测，且易损坏。因此，这些传统检测方法都难以满足精确度的要求。而若采用目前时兴的蓝牙检测器和Wifi探针检测，则又会检测不到蓝牙或Wifi关闭的乘客。故目前使用较多的是采用摄像头进行检测。

但是，摄像头检测方案也有其自身的问题，即若用摄像头直接检测上下车人数，则无法准确的获得车厢内实时人数，因为如果每一站检测上下车人数出现误差，其产生的误差就会带入到下一站形成累计误差。若用摄像头直接检测车厢内实时人数和上车人数，此时能避免出现站点之间相互影响的情况，但由于车厢内站立乘客和坐在座位上的乘客具有不同的形态，需要分别设置不同的识别模型，加大了摄像头识别的难度，尤其是当坐在座位上的乘客被站立乘客遮挡时，更会引发识别错误。

发明内容

针对现有技术存在的缺点与不足，本发明的目的在于提供一种公交客流检测方法及系统，该技术方案分别采用不同的识别手段分别统计上车人数、座位上乘客人数和站立乘客人数，最后根据统计数据计算公交客流。

本发明公开的公交客流检测方法，其技术方案包括以下步骤：

统计上车人数的步骤：在车辆到达站点后，车载终端通过刷卡机统计上车乘客的刷卡次数和刷码次数，乘客每刷一次卡或者刷一次二维码，计为一人上车，得到该站点的上车人数a；

统计座位上乘客人数的步骤：车辆离开该站点后正常行驶时，车载终端通过安装在公交车座位的压力传感器统计座位上乘客人数，得到座位上的乘客人数b；

统计站立乘客人数的步骤：车辆离开该站点后正常行驶时，车载摄像头对设定拍摄区域内的车厢内部进行拍摄，并将拍摄的图像传输到车载终端，车载终端运行设定好的人员头部检测模型对图像上划定的识别区域内的乘客头部数量进行检测，得到图像上识别区域内乘客头部数量作为每次检测到的站立乘客人数；连续拍摄多张图像，对每次检测到的站立乘客人数取平均值作为统计的站立乘客人数c；

统计公交客流的步骤：车载终端根据统计的上车人数、座位上乘客人数以及站立乘客人数统计公交客流，其中车辆离开该站点后到达下一站点前的车辆实时人数为b+c，车辆在该站点下车人数为车 辆到达该站点前的车辆实时人数加上该站点的上车人数a再减去车辆到达下一站点前的车辆实时人数为b+c，并由车载终端将公交客流数据上传公交云平台。

进一步而言，所述统计上车人数的步骤中，在车辆到达下一站点前统计的刷卡次数或刷码次数均作为在该站点的上车人数。

进一步而言，所述统计座位上乘客人数的步骤中，当安装在公交车座位的压力传感器检测到压力大于预先设定的压力阈值后认为座位有乘客乘坐。

进一步而言，所述统计站立乘客人数的步骤中，所述车载摄像头为车厢前摄像头和车厢后摄像头，分别对车厢前半部分和车厢后半部分进行拍摄，车载终端对拍摄的图像去除两个摄像头视野重合区域后再进行乘客头部的识别。

进一步而言，所述人员头部检测模型采用Yolox-Tiny算法进行训练得到。

进一步而言，所述车载终端与刷卡机、压力传感器和/或车载摄像头之间通过无线通信连接。

进一步而言，所述无线通信为Zigbee通信。

进一步而言，公交云平台根据各车辆上传的公交客流数据统计各车辆的满载率、各站点客流和/或各公交线路客流。

相应的，本发明的公交客流检测系统，包括公交云平台和各车辆的车载终端以及安装在各车辆的刷卡机、压力传感器和车载摄像头，其特征在于，采用上述方法检测公交客流。

本发明的有益效果如下：本发明分别采用不同的识别手段分别统计上车人数、座位上乘客人数和站立乘客人数，最后根据统计数据计算公交客流，能较为精确地统计公交车车厢内实时人数，从而检测公交车在每个站点的上下车人数和某断面的公交客流信息，进一步得到车辆的满载率、各个站点的客流以及每条公交线路的客流等公交运行指标，基于上述指标，可监测每辆公交车的客流高峰时段，也能对过饱和的公交站点进行识别，为公交客流分析提供有效数据支撑。本发明的摄像头识别只需检测站立乘客的人数即可，有效解决座位乘客被遮挡的问题，无论人数较多或较少均具备精准的检测效果。

说明书附图

图1是本发明的公交客流统计方法的步骤流程图；

图2是本发明的车载终端系统功能结构图；

图3是车厢内各装置安装位置图；

图4是站立乘客图像人员头部检测区域模拟图。

具体实施方式

下面结合附图和实施例对本发明做进一步的说明。

本实施例的公交客流检测系统如图2所示，包括公交云平台和各车辆的车载终端以及安装在各车辆的光电开关、刷卡机(包括NFC刷卡和扫码计数器)、压力传感器和车载摄像头，其中车载终端包括嵌入式处理平台和车载GPS定位系统，和数据采集层之间利用Zigbee技术进行无线通信，通过4g技术将数据传输到公交云平台，进行数据分析。数据采集层 包括设在公交车的前门的检测开门信号的光电开关、车厢内的前摄像头和后摄像头，车门刷卡处的NFC刷卡和刷码计数器、安装在座位的压力传感器等，车载终端则设在车头顶部，具体安装位置见图3。

本实施例的公交客流检测方法流程如图1所示，假设车辆在站点i与站点i+1之间行驶时，其车内实时人数为p_i+1，则按以下步骤进行公交客流检测：

S1、车辆到达站点i，车载终端定位到该站点，车载终端获取开门信号，控制刷卡机上的计数器重新统计上车乘客的刷卡次数和刷码次数，在车辆到达站点i+1前结束，得到站点i的上车人数a。

S2、车辆正常行驶时，此时乘客的位置和状态趋于稳定，位于公交车座位的压力传感器进入工作，感知座位上是否具有乘客信息，若具有乘客则发送一次信号到车载终端，车载终端统计信号数，即为座位上的乘客人数b。

S3、车载摄像头拍摄多张图像，将图像传输到车载终端，车载终端运行设定好的人员头部检测模型对图像上划定区域内的乘客头部数量进行检测，得到每一张图像的区域内乘客头部数量c1、c2、c3、c4、c5......，即为每个时刻检测到的站立乘客的人数，取其平均值然后四舍五入取整得到c。

S4、车载终端计算车辆实时人数p_i+1＝b+c，则在站点i的下车人数d＝p_i+a-p_i+1。将数据传输到公交云平台。以上为本实施例检测方法的总体流程。

具体的，当光电开关检测到开门时，传输开门信号到车载终端，车载 终端控制刷卡机上的计数器重新计数。乘客每刷一次卡或者刷一次二维码，计数器将统计一次上车数据，并将数据传输到车载终端。考虑到乘客在上车时可能存在因手机、IC卡故障造成刷卡或刷码延误的情况，因此计数器在两个站点之间统计到的次数均算作站点的上车人数。

考虑到乘客可能将随身物品或携带的包裹放置在座位上，且这些物品重量大多不超过10kg，低于一般能坐座位的儿童的重量，因此可认定当压力传感器检测到的压力大于10kg(即将10kg作为预先设定的压力阈值)时座位是有人的，压力传感器发送信号至车载终端，否则不发送信号，避免乘客在座位放置物品造成误检。车载终端统计到的压力信号数量就是座位上的乘客人数。此检测标准可根据实际情况做调整。

乘客刚上车会在车厢内不断运动，位置变化较大，不利于检测。因此本实施例考虑在车辆关门后一分钟乘客的位置和状态趋于稳定时，即车辆离开该站点后正常行驶时，压力传感器和车载摄像头才开始进行检测。在公交车即将到站时，进行语音播报，此时在此站下车乘客的位置和状态会发生变化，此时应停止检测。

位于车厢前半部分和后半部分的摄像头分别获取车厢的前半部分和后半部分的图像。车载摄像头均安装在车厢左侧顶部。设车厢长度为m，则摄像头放置位置分别距离车头和车尾m/4处，选取的摄像头的视野角度满足前摄像头的右端视野能拍摄到车厢的1/2处，后摄像头的左端视野能拍摄到车厢的1/2处。选取的摄像头在夜晚车内灯光昏暗时也能具有较好的清晰度，能清晰地拍摄到车厢内乘客头部。车载终端在识别时对摄像头的图像进行处理，将后车厢摄像头的拍摄图像去掉两个摄像头的视野重 合区域。

由于乘客在站立时，其身高完全高于座位上的乘客，因此其头部可能存在的区域在图像上有很明显的范围。故在识别时，可以将图像中站立乘客人员头部可能存在的区域划定为专门识别区域即可，即图4的人头检测框的区域，该区域不与座位乘客头部可能存在的区域重合。因此本实施例的拍摄视角能很完整地获取站立乘客的人头图像，几乎不存在被坐着乘客遮挡等情况，不需要进行对人头进行跟踪，只需要检测图像里面的人头数量即为站立乘客的人头数量。

为提升检测精度，本实施例采用深度学习算法中新开源的Yolox算法进行人头检测。由于公交车场景摄像头视角和环境具有特殊性，因此需要标注专门的数据集作为训练。在进行检测前，先分别采集白天夜晚的车载图像数据作为样本图像，对图像中的人头框利用labelme标注工具进行标注，分别利用白天、晚上两个场景对Yolox算法进行训练。作为Yolo系列的最新算法，Yolox将Anchor free引入了Yolo算法，且基于YOLOv3 baseline基线模型，采用arkNet53+SPP层，将Head进行了decouple，即使用了解耦头，在一定程度上解决了分类和回归任务问题，大大提升了检测的精度和速度。且Yolox是对图像的全局区域进行训练，能更好地区分目标和背景，而在公交车环境中，乘客的头部和背景区域有着很明显的区分，因此更加适合。若在公交云平台进行人头检测，则存在很多图像同时检测的情况，大大影响检测速度，因此将人头检测的任务放在车载终端进行。考虑到车载终端微处理器的运行性能，本实施例采用Yolox里面的Yolox-Tiny轻量型网络。

车载终端通过车载GPS定位系统实现站点定位，检测到的上车数据均为在刚停车站点的上车数据，检测到的车厢实时人数为刚停车站点和下一站点之间的实时人数，计算出来的下车人数为刚停车站点的下车数据。公交云平台可以通过每个车载终端发送的数据，得到经过某个断面的公交乘客的客流量和某一时刻某个区间路段内公交乘客的客流量。进一步得到车辆的满载率、各个站点的客流以及每条公交线路的客流。利用这些数据，公交公司可以监测出每辆公交车的客流高峰时段，也可以对过饱和的公交站点进行识别，为公交分析系统的设计提供基础，为公交智能调度提供有效数据支撑。

以上所述仅为本发明的优选例实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (9)

1. 一种公交客流检测方法，其特征在于，包括以下步骤：

   统计上车人数的步骤：在车辆到达站点后，车载终端通过刷卡机统计上车乘客的刷卡次数和刷码次数，乘客每刷一次卡或者刷一次二维码，计为一人上车，得到该站点的上车人数a；

   统计座位上乘客人数的步骤：车辆离开该站点后正常行驶时，车载终端通过安装在公交车座位的压力传感器统计座位上乘客人数，得到座位上的乘客人数b；

   统计站立乘客人数的步骤：车辆离开该站点后正常行驶时，车载摄像头对设定拍摄区域内的车厢内部进行拍摄，并将拍摄的图像传输到车载终端，车载终端运行设定好的人员头部检测模型对图像上划定的识别区域内的乘客头部数量进行检测，得到图像上识别区域内乘客头部数量作为每次检测到的站立乘客人数；连续拍摄多张图像，对每次检测到的站立乘客人数取平均值作为统计的站立乘客人数c；

   统计公交客流的步骤：车载终端根据统计的上车人数、座位上乘客人数以及站立乘客人数统计公交客流，其中车辆离开该站点后到达下一站点前的车辆实时人数为b+c，车辆在该站点下车人数为车辆到达该站点前的车辆实时人数加上该站点的上车人数a再减去车辆到达下一站点前的车辆实时人数为b+c，并由车载终端将公交客流数据上传公交云平台。
2. 如权利要求1所述的公交客流检测方法，其特征在于，所述统计上车人数的步骤中，在车辆到达下一站点前统计的刷卡次数或刷码次数均作为在该站点的上车人数。
3. 如权利要求1所述的公交客流检测方法，其特征在于，所述统计座 位上乘客人数的步骤中，当安装在公交车座位的压力传感器检测到压力大于预先设定的压力阈值后认为座位有乘客乘坐。
4. 如权利要求1所述的公交客流检测方法，其特征在于，所述统计站立乘客人数的步骤中，所述车载摄像头为车厢前摄像头和车厢后摄像头，分别对车厢前半部分和车厢后半部分进行拍摄，车载终端对拍摄的图像去除两个摄像头视野重合区域后再进行乘客头部的识别。
5. 如权利要求4所述的公交客流检测方法，其特征在于，所述人员头部检测模型采用Yolox-Tiny算法进行训练得到。
6. 如权利要求1所述的公交客流检测方法，其特征在于，所述车载终端与刷卡机、压力传感器和/或车载摄像头之间通过无线通信连接。
7. 如权利要求6所述的公交客流检测方法，其特征在于，所述无线通信为Zigbee通信。
8. 如权利要求1～7任一所述的公交客流检测方法，其特征在于，公交云平台根据各车辆上传的公交客流数据统计各车辆的满载率、各站点客流和/或各公交线路客流。
9. 一种公交客流检测系统，包括公交云平台和各车辆的车载终端以及安装在各车辆的刷卡机、压力传感器和车载摄像头，其特征在于，采用如权利要求1～8任一所述的方法检测公交客流。