【技术实现步骤摘要】
本专利技术涉及人脸检测技术,具体涉及到基于人脸检测技术的地铁实时客流分析技术,以及基于实时客流分析技术的地铁能耗管理系统。
技术介绍
地铁是大运量的城市轨道交通运输系统,也是耗电量的大户。地铁运营过程中消耗能源的主要形式是电能。根据对地铁的用电负荷统计分析,能耗主要分布在列车牵引用电和各种动力照明设备用电,如通风空调、自动扶梯、照明、弱电设备等方面。地铁列车牵引用电和各种动力照明用电量比例约各占50%。牵引供电、通风空调、电扶梯、照明等的能耗占地铁总能耗的90%左右,是节能工作的重点。因此应对地铁中主要用电设备以及持续性运转的大负荷容量设备加强能源管理和监控,并对采用变频等节能技术措施的设备做好经济技术考核和对比分析工作。分析发现,客流量、车辆等技术设备因素是分析地铁能耗影响因素的主体。车辆等技术设备因素包含:行车总数量的线路里程、车辆编组、车载辅助设备数量及容量等;这些因素在地铁建设、规划期已基本定型,因此对于运行中的特定地铁线路,可将车辆等技术设备因素看作常量,忽略其变化对地铁能耗的影响。客流量对地铁系统电耗的影响,一方面是由于客流量的增加会导致空气调节设备、照明、环境维持设备的能耗增加;另一方面列车的满载率作为组织管理因素影响着地铁能耗。传统的能源管理系统,有的只能对地铁系统的实时能耗状况进行监测,有的只能根据地铁闸机在一段时间内的总客流量对地铁系统的总能耗进行粗略预测;由于乘客进入地铁站内后,并不会在站内停留很久,而是会随地铁列车流动到其他地铁站,这样就导致无法实现建立地铁能耗与客流量的实时模型,因此也无法对实时能耗进行有效地调节和控制。专利技术 ...
【技术保护点】
一种基于人脸检测技术的地铁能源管理系统,通过对地铁站摄像头获取的图像进行人脸检测,进行实时客流分析和能耗预测,用于地铁能源监控系统的能耗控制,其特征在于,包括:视频采集模块、人脸检测模块、客流分析模块、能耗建模模块、能耗预测模块、地铁能耗监测模块以及能源设备;其中,所述视频采集模块用于采集地铁系统内各监测点的乘客视频数据;所述人脸检测模块用于对视频中出现的图像进行人脸检测,获取乘客数目、运动轨迹数据;所述客流分析模块根据所述人脸检测模块传输的数据,对各监测点的实时客流进行统计分析;所述能耗建模模块根据大量历史数据建立实时客流量、设备其他运行参数与设备能耗之间的模型关系;所述能耗预测模块根据设备运行参数、实时客流以及能耗模型,预测短期内车站不同监测点相关设备的能耗;所述地铁能耗监测模块则根据预测能耗,对设备进行参数进行调节控制,同时采集能耗设备的运行参数,一方面发送到人机界面供用户查看,另一方面发送到能耗建模模块进行模型修正和发送到能耗预测模块进行能耗预测;所述能源设备用于地铁内行车和乘客服务。
【技术特征摘要】
1.一种基于人脸检测技术的地铁能源管理系统,通过对地铁站摄像头获取的图像进行人脸检测,进行实时客流分析和能耗预测,用于地铁能源监控系统的能耗控制,其特征在于,包括:视频采集模块、人脸检测模块、客流分析模块、能耗建模模块、能耗预测模块、地铁能耗监测模块以及能源设备;其中,所述视频采集模块用于采集地铁系统内各监测点的乘客视频数据;所述人脸检测模块用于对视频中出现的图像进行人脸检测,获取乘客数目、运动轨迹数据;所述客流分析模块根据所述人脸检测模块传输的数据,对各监测点的实时客流进行统计分析;所述能耗建模模块根据大量历史数据建立实时客流量、设备其他运行参数与设备能耗之间的模型关系;所述能耗预测模块根据设备运行参数、实时客流以及能耗模型,预测短期内车站不同监测点相关设备的能耗;所述地铁能耗监测模块则根据预测能耗,对设备进行参数进行调节控制,同时采集能耗设备的运行参数,一方面发送到人机界面供用户查看,另一方面发送到能耗建模模块进行模型修正和发送到能耗预测模块进行能耗预测;所述能源设备用于地铁内行车和乘客服务。2.根据权利要求1所述的地铁能源管理系统,其特征在于:所述视频采集模块利用地铁站分布的摄像头,采集各监测点的视频数据,将其传输至人脸检测模块进行视频数据分析和提取,获取单位时间内的乘客数目、运行轨迹特征,然后传送至人脸检测模块;所述视频采集模块包括:地铁站每个出入口的摄像头、列车出入口摄像头、扶梯摄像头、电梯摄像头,通过地铁系统内的摄像头拍摄乘客进出站画面。3.根据权利要求1所述的地铁能源管理系统,其特征在于:所述人脸检测模块使用基于AdaBoost的学习算法对摄像头获取的视频画面进行人脸检测,给出样本集合,然后对该样本集合进行循环操作,每次循环首先得到一个假设,然后计算该假设的错误率,根据该假设的错误率改变每个样本的权重进入下一个循环;具体为:首先令每个样本的权重都相等,在此样本分布下训练出一弱分类器;然后根据这个分类器,来提高被它错误分类的样本点的权重,这样分类错误的样本就被突出,得到一个新的样本分布;然后,权重更新后的样本集被用来训练下一个分类器,依次类推,经过T次这样的循环,得到T个弱分类器,把这T个弱分类器按一定权重累加起来,得到最终的强分类器;Adaboost算法步骤如下:第一步,选取弱分类器:一个弱分类器h(x,f,p,θ)由一个特征f,阈值θ和指示不等号方向的p组成:训练一个弱分类器(特征f)就是在当前权重分布的情况下,确...
【专利技术属性】
技术研发人员:王媛媛,包德梅,颜儒彬,曹黎明,王志心,
申请(专利权)人:南京国电南自轨道交通工程有限公司,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。