应用于列车的用户引导方法、装置、设备和存储介质制造方法及图纸

本公开提供了应用于列车的用户引导方法、装置、设备和存储介质。所述方法包括：获取列车各节车厢内的图像；将所述图像输入预先训练的车厢拥挤度确定模型，得到各节车厢的拥挤度；将各节车厢的拥挤度推送给用户，以对所述用户进行引导。以此方式，能够有效缓解列车车厢内用户分布不均匀的现象，提高运输效率和用户的乘车体验。

【技术实现步骤摘要】
应用于列车的用户引导方法、装置、设备和存储介质
本公开的实施例一般涉及互联网
，并且更具体地，涉及应用于列车的用户引导方法、装置、设备和存储介质。
技术介绍
地铁是城市公共交通的主干线，客流运送的大动脉，是城市的生命线工程。建成运营后，将直接关系到城市居民的出行、工作、购物和生活，是一种低能耗、少污染的“绿色交通”，对于实现城市的可持续发展具有非常重要的意义，可以带动城市沿轨道交通廓道的发展，促进城市繁荣，形成郊区卫星城和多个副部中心，从而缓解城市中心人口密集、住房紧张、绿化面积小、空气污染严重等城市通病。不同于高铁、火车等交通工具所采用的持座有序乘车机制，地铁所采用的是无序乘车机制，当地铁到达各个站点，用户随机通过各个屏蔽门上下车，这很容易造成车厢客流量不均匀的情况，一些车厢客流量稀少，而一些车厢则非常拥挤，车厢内这种用户分布不均匀的现象，在一定程度上降低了运输效率，且影响用户的乘车体验。
技术实现思路
根据本公开的实施例，提供了一种能够减轻车厢内用户分布不均匀状况，提高用户乘车体验的应用于列车的用户引导方案本文档来自技高网...

【技术保护点】
1.一种应用于列车的用户引导方法，其特征在于，包括：/n获取列车各节车厢内的图像；/n将所述图像输入预先训练的车厢拥挤度确定模型，得到各节车厢的拥挤度；/n将各节车厢的拥挤度推送给用户，以对所述用户进行引导；/n其中，所述车厢拥挤度确定模型通过以下方式训练得到，包括：/n采集多节车厢内的图像，使用标注工具以标注框的形式标注出每张所述的图像的人物头部位置，将标注好的图像作为车厢拥挤度确定模型的训练集；/n将训练集中的图像作为神经网络的输入；/n每个标注框对应有HM分支，WH分支和REG分支，其中，HM分支输出目标的中心点坐标，WH分支输出目标的高度和宽度，REG分支输出预测目标中心点坐标和实际目...

【技术特征摘要】
1.一种应用于列车的用户引导方法，其特征在于，包括：
获取列车各节车厢内的图像；
将所述图像输入预先训练的车厢拥挤度确定模型，得到各节车厢的拥挤度；
将各节车厢的拥挤度推送给用户，以对所述用户进行引导；
其中，所述车厢拥挤度确定模型通过以下方式训练得到，包括：
采集多节车厢内的图像，使用标注工具以标注框的形式标注出每张所述的图像的人物头部位置，将标注好的图像作为车厢拥挤度确定模型的训练集；
将训练集中的图像作为神经网络的输入；
每个标注框对应有HM分支，WH分支和REG分支，其中，HM分支输出目标的中心点坐标，WH分支输出目标的高度和宽度，REG分支输出预测目标中心点坐标和实际目标中心点坐标的偏差，每个分支对应有损失函数；
通过设置损失函数的值小于预设阈值来进行反向传播调整模型的参数；
重复上述过程，直到损失函数小于所述预设阈值，完成所述车厢拥挤度确定模型的训练。


2.根据权利要求1所述的用户引导方法，其特征在于，所述神经网络包括输入网络、特征提取网络和输出网络；
所述特征提取网络用于将所述预设格式的图像转化为特征图像；所述特征提取网络包括卷积路和跳级路，所述卷积路包括1x1和3x3的卷积核的卷积层、BatchNormalization层和激活函数ReLU层，跳级路包括卷积核为1x1的卷积层；
所述输出网络用于输出所述REG分支，所述WH分支和所述HM分支。


3.根据权利要求2所述的用户引导方法，其特征在于，所述HM分支采用的损失函数为Focalloss，采用以下公式计算：



其中，Lk是损失函数值，α和β是Focalloss的超参数，N为图像的关键点的数量；
所述WH分支采用的损失函数为L1loss，采用以下公式计算：



其中，Lsize是损失函数值，S为图像的关键点对应的标注框的面积，N为图像的关键点的数量，k为图像的关键点的编号；
所述，REG分支采用的损失函数为L1loss，采用以下公式计算：



其中，L0ff是损失函数值，p为中心点，R为采样因子，下采样坐标N为图像关键点数量；
总损失函数为：
Ldet＝Lk+λsize...

【专利技术属性】
技术研发人员：闻一龙，殷娇阳，包峰，
申请(专利权)人：交控科技股份有限公司，
类型：发明
国别省市：北京;11