【技术实现步骤摘要】
基于卷积神经网络的公交车内拥挤状态监测方法
本专利技术涉及公交系统管理和电子信息领域,尤其涉及一种基于卷积神经网络的公交车内拥挤状态监测方法。
技术介绍
受生物视觉信息处理过程启发演化而来的卷积神经网络,卷积神经网络的基本单元之间的连接模式类似于动物的视觉皮层组织,使得卷积神经网络模型具备了处理复杂信息的能力。得益于卷积神经网络模型的优化发展,近年来推动人脸识别、自动驾驶、语音视频等领域有了长足的发展。随着城市人口的逐年增多,公交车内拥挤状态已是生活常态,交通运输管理部门需要更加精准快捷的手段完成公交车的调度任务。因此,及时的给交通运输管理部门提供准确的车内拥挤状态信息,是完成合理调度的前提条件。现有的公交车内拥挤监测系统是通过统计公交车在每个站点停靠时上下车人数来完成拥挤判定。该方法对上下车人数的统计需要假设,目标背景比较单一,其首先利用基于Haar-like特征的AdaBoost自适应算法训练出级联分类器,级联分类器用于监测乘客人头;然后基于经验数据画出目标移动的“九宫格”布局,并与哈希表相结合演化出基于哈希表目标追踪算法;最后通过对识别目标辨别出入方向,完成上下车人数的统计。由此可见,该方法需要对目标进行追踪从而辨别乘客的上下车状态,为了保证目标跟踪状态不会丢失目标,需要将每个站点的视频数据送回后端服务器完成计算,或者,在公交车上加装高性能的计算设备。若将大量的视频传送给后端服务器,就会对后端服务器的性能提出较高要求,若加装高性能的计算设备,也会给设备安装增加成本。此外,该方法需要在公交车的前后 ...
【技术保护点】
1.基于卷积神经网络的公交车内拥挤状态监测方法,其特征在于,包括以下步骤:/n步骤一、使用车内现有的摄像头实时采集车内图像;/n步骤二、将所述步骤一实时采集的车内图像传输至监控系统,/n步骤三、将当前车内图像输入监控系统的拥挤状态监测模型,所述拥挤状态监测模型是基于卷积神经网络设计并训练的,所述拥挤状态监测模型输出拥挤状态的判定结果;/n其中,所述拥挤状态监测模型判定拥挤状态的准则为:/n符合以下全部条件,所述拥挤状态监测模型判定拥挤状态为“拥挤的”:a)抵消可见空余座位后,全车站立乘客数量≥10人;b)因站立乘客遮挡,全车无可见车厢地板,但是,因透视效应,虽无可见车厢地板,但推断实际存在可见车厢地板,不属于此类;/n符合以下全部条件,所述拥挤状态监测模型判定拥挤状态为“正常的”:a)抵消可见空余座位后,全车站立乘客数量≤5人;b)因站立乘客遮挡不完全,全车有可见车厢地板;或者,因透视效应,虽无可见车厢地板,但推断实际存在可见车厢地板;/n符合以下全部条件,所述拥挤状态监测模型判定拥挤状态为“有空座位的”:既不符合判定为“正常的”的全部条件,也不符合判定为“拥挤的”的全部条件。/n
【技术特征摘要】
1.基于卷积神经网络的公交车内拥挤状态监测方法,其特征在于,包括以下步骤:
步骤一、使用车内现有的摄像头实时采集车内图像;
步骤二、将所述步骤一实时采集的车内图像传输至监控系统,
步骤三、将当前车内图像输入监控系统的拥挤状态监测模型,所述拥挤状态监测模型是基于卷积神经网络设计并训练的,所述拥挤状态监测模型输出拥挤状态的判定结果;
其中,所述拥挤状态监测模型判定拥挤状态的准则为:
符合以下全部条件,所述拥挤状态监测模型判定拥挤状态为“拥挤的”:a)抵消可见空余座位后,全车站立乘客数量≥10人;b)因站立乘客遮挡,全车无可见车厢地板,但是,因透视效应,虽无可见车厢地板,但推断实际存在可见车厢地板,不属于此类;
符合以下全部条件,所述拥挤状态监测模型判定拥挤状态为“正常的”:a)抵消可见空余座位后,全车站立乘客数量≤5人;b)因站立乘客遮挡不完全,全车有可见车厢地板;或者,因透视效应,虽无可见车厢地板,但推断实际存在可见车厢地板;
符合以下全部条件,所述拥挤状态监测模型判定拥挤状态为“有空座位的”:既不符合判定为“正常的”的全部条件,也不符合判定为“拥挤的”的全部条件。
2.根据权利要求1所述的公交车内拥挤状态监测方法,其特征在于,当前车内图像输入拥挤状态监测模型后,按照先判定“拥挤的”、再判定“适中的”、最后判定“有空座位的”的顺序,判定正确则不再继续执行判定。
3.根据权利要求1所述的公交车内拥挤状态监测方法,其特征在于,所述拥挤状态监测模型表示为如下形式:
CSMM=[I,C,R,DW1,DW2,DW3,DW4,DW5,DW6,AP,FC,L]
其中,符号“[]”表示拥挤状态监测模型按照括号内的计算层顺序构建而成,I表示数据输入层,C表示普通卷积层,R表示激活函数层;DW1-DW6表示通道分离卷积层,AP表示平均池化层;FC表示全连接层,L表示损失函数层,得到状态判定的结果。
4.根据权利要求3所述的公交车内拥挤状态监测方法,其特征在于,所述通道分离卷积层的表示形式为:DW=[DC,BN,R,PC,BN,R];
所述通道分离卷积层由空间卷积层DC、批归一化层BN,激活函数层R、融合卷积层PC、批归一化层BN、激活函数层R依次联合构成,空间卷积层DC是由大小为3*3的卷积核构成,融合卷积层PC由大小为1*1的卷积核构成。
5.根据权利要求3或...
【专利技术属性】
技术研发人员:李锋林,宋晓伟,刘雄,刘彬,
申请(专利权)人:艾索信息股份有限公司,
类型:发明
国别省市:陕西;61
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。