一种基于深度学习的公交客流检测系统及方法技术方案

一种基于深度学习的公交客流检测系统及方法，包括公交车身主体，位于公交车身主体的车厢前端、中端及末端上侧分别设置有点阵红外摄像机，点阵红外摄像机通过串口线连接主控制器，主控制器的输出端分别连接LCD车载显示屏和调度中心，主控制器与调度中心之间通过通讯模块NB‑lot进行信息的传递。本发明专利技术结合图像处理和深度学习方法，具有技术前沿、实时性强及准确率高的特点。

A bus passenger flow detection system and method based on deep learning

【技术实现步骤摘要】
一种基于深度学习的公交客流检测系统及方法
本专利技术涉及公共交通调度领域，特别涉及一种基于深度学习的公交客流检测系统及方法。
技术介绍
在智能交通研究领域，公交客流检测已经成为机器学习领域中极为重要的研究方向。公交客流信息统计方法不一，当前主要使用的统计技术有IC卡技术、主动红外线检测技术、被动红外线检测技术、压力检测技术、视频图像处理技术等。其中IC卡技术由于第三方支付人数较多，无法统计出准确的信息，主动红外技术、被动红外技术及压力检测技术，针对车内乘客拥挤和遮挡现象严重时都会产生较大的紊乱统计。基于视频图像处理技术的公交客流检测因不受特征和拥挤的限制，能依托现有车载监控等优点，是当下公交客流检测的热点。例如专利文献：CN106548451通过图像融合方式，通过对采集到的图像进行拼接形成车辆内的全景图像，针对所述全景图像进行人体识别和计数。专利文献：CN107145819通过卷积神经网络识别公交车上下门的乘客人数以及运动斑块识别来判断拥挤度。专利文献：CN107622254通过三个车顶摄像头，识别区域不重复来考虑过道和座位特征点，以此判断拥挤本文档来自技高网...

【技术保护点】
1.一种基于深度学习的公交客流检测系统，其特征在于，包括公交车身主体(1)，位于公交车身主体(1)的车厢前端、中端及末端上侧分别设置有点阵红外摄像机(2)，所述的点阵红外摄像机(2)通过串口线(6)连接主控制器(3)，所述的主控制器(3)的输出端分别连接LCD车载显示屏(4)和调度中心(5)，主控制器(3)与调度中心(5)之间通过通讯模块NB-lot(7)进行信息的传递。/n

【技术特征摘要】
1.一种基于深度学习的公交客流检测系统，其特征在于，包括公交车身主体(1)，位于公交车身主体(1)的车厢前端、中端及末端上侧分别设置有点阵红外摄像机(2)，所述的点阵红外摄像机(2)通过串口线(6)连接主控制器(3)，所述的主控制器(3)的输出端分别连接LCD车载显示屏(4)和调度中心(5)，主控制器(3)与调度中心(5)之间通过通讯模块NB-lot(7)进行信息的传递。


2.根据权利要求1所述的一种基于深度学习的公交客流检测系统，其特征在于，所述的主控制器(3)为树莓派RaspberryPi3B+，所述的树莓派RaspberryPi3B+中移植TensorFlow深度学习框架搭建卷积神经网络CNN的识别模型，用于提取出车厢内乘客头部特征。


3.根据权利要求2所述的一种基于深度学习的公交客流检测系统，其特征在于，所述的卷积神经网络CNN序贯模型中搭建不同的网络层，通过测试网络层的现行堆叠在TensorFlow框架下搭建CNN模型，该模型设计由四部分组成，一层输入，三层卷积，三层池化，一层全连接。


4.根据权利要求3所述的一种基于深度学习的公交客流检测系统，其特征在于，所述一层输入层为经过预处理后提取的公交乘客头部图像，图像大小均为64*64像。


5.根据权利要求3所述的一种基于深度学习的公交客流检测系统，其特征在于，所述三层卷积层使用ReLU函数作为激活函数计算出右侧单位矩阵中节点，在5*5矩阵上使用3*3过滤器进行卷积层前向传播，得到结构矩阵大小为3*3矩阵，在此过程中，3*3过滤器的移动轨迹为，以步长为3，从左至右，逐行循环。


...

【专利技术属性】
技术研发人员：张开生，刘泽新，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：陕西;61