一种公共交通的拥挤度识别及自适应调整方法、系统、设备及计算机可读存储介质技术方案

本发明专利技术提出一种用于公共交通的拥挤度识别及自适应调整方法、系统、设备及计算机可读存储介质，方法包括如下步骤：对获取的视频数据进行数据处理，得到车厢内的乘客图像；采用超参数调优后的Faster‑RNN模型构建乘客头部检测模型，输入乘客图像进行目标检测；根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量；依据目标数量、目标分散度以及目标重叠度，采用增量学习和最小二乘法结合，自适应估计拥挤度。本发明专利技术提出一种公共交通的拥挤度识别及自适应调整方法，克服传统方法在公交车客流统计与拥挤程度分析问题上性能与精确度的不足，提供了一种校正机制，系统能够进行一种自适应调整的算法机制分析拥挤度，有效且精确度高。

【技术实现步骤摘要】
一种公共交通的拥挤度识别及自适应调整方法、系统、设备及计算机可读存储介质
本专利技术涉及公共交通客流量分析领域，特别是指一种公共交通的拥挤度识别及其自适应调整方法、系统、设备及计算机可读存储介质。
技术介绍
在中国日益繁忙的交通背景下，传统方法的客流统计方法主要包括：人工调查、IC卡计数、压力板信息采集、红外线检测。这些方法容易受到人工的主观干扰，设备的局限性影响，导致效率低下。伴随工业视频监控的普及和视频图像处理技术的发展，采用基于机器视觉的人流量的检测以及拥挤度的识别已经被广泛应用在了实际生活中。以往人流量的检测和拥挤度的识别均是围绕着提高人流量检测精度以及改善算法的时间复杂度而进行，然而将算法运用到实际生活中依然会受到环境的制约。通常的人流量监测系统采用目标检测算法，并采用监督学习方法对待检测目标中提取的特征进行分类以检测图像中的人体目标。由于人体目标间的多样性与多变性给其带来极大的挑战，使其在实际场景中表现不佳。
技术实现思路
本专利技术的主要目的在于克服现有技术中的上述缺陷，提出一种公共交通的拥挤度识别及自适应调整本文档来自技高网...

【技术保护点】
1.一种用于公共交通的拥挤度识别及自适应调整方法，其特征在于，包括如下步骤：/n对获取的视频数据进行数据处理，得到车厢内的乘客图像；/n采用超参数调优后的Faster-RNN模型构建乘客头部检测模型，输入乘客图像进行目标检测；/n根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量；/n依据目标数量、目标分散度以及目标重叠度，采用增量学习和最小二乘法结合，自适应估计拥挤度。/n

【技术特征摘要】
1.一种用于公共交通的拥挤度识别及自适应调整方法，其特征在于，包括如下步骤：
对获取的视频数据进行数据处理，得到车厢内的乘客图像；
采用超参数调优后的Faster-RNN模型构建乘客头部检测模型，输入乘客图像进行目标检测；
根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量；
依据目标数量、目标分散度以及目标重叠度，采用增量学习和最小二乘法结合，自适应估计拥挤度。


2.根据权利要求1所述的一种用于公共交通的拥挤度识别及自适应调整方法，其特征在于，所述采用超参数调优后的Faster-RNN模型，其中超参数包括：神经网络隐藏层数和学习率。


3.根据权利要求1所述的一种用于公共交通的拥挤度识别及自适应调整方法，其特征在于，根据目标检测结果得出目标数量、目标分散度以及目标重叠度参量，具体包括：
所述目标检测结果包括目标边框集合；
目标数量＝目标边框数量；



其中，gi表示图片中拥挤程度排名靠前的M个网格区域中的第i个区域中的乘客人数
目标重叠度＝目标检测结果中重叠的目标边框数/目标数量
所述目标分散度的获取具体还包括：将图片分为N*N的网格区域，根据目标检测结果获取乘客目标点，并求得每个网格区域中的乘客人数，获取拥挤程度排名靠前的M个网格区域。


4.根据权利要求1所述的一种用于公共交通的拥挤度识别及自适应调整方法，其特征在于，所述依据目标数量、目标分散度以及目标重叠度，采用增量学习和最小二乘法结合，自适应估计拥挤度，其中所述拥挤度为：
Xα＝Y



其中：X代表自变量矩阵，α代表权值矩阵，Y代表拥挤度矩阵；x1代表目标数量，x2代表集聚度，x3代表目标重叠度，目标分散度＝1-集聚度；α1代表目标数量权系数，α2代表目标分散度的权系数，α3代表目标重叠度的权系数。


5.根据权利要求4所述的一种用于公共交通的拥挤度识别及自适应调整方法，其特征在于，所述依据目标数量、目标分散度以及目...

【专利技术属性】
技术研发人员：谢维波，江培舟，俞辉，张俸旗，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建;35