一种基于视觉的智能网联公交客流检测方法及系统技术方案

本发明专利技术涉及一种基于视觉的智能网联公交客流检测方法及系统，其中客流检测方法包括：步骤1：获取数据集，并对数据集进行标注及预处理；步骤2：构建基于视觉的客流检测模型；步骤3：对客流检测模型进行训练；步骤4：获取站台和车内的实时图像，输入客流检测模型，获取客流初步检测结果；步骤5：对步骤4获取的检测结果进行去重，获得最终检测结果。与现有技术相比，本发明专利技术具有精准度高、处理速度快等优点。处理速度快等优点。处理速度快等优点。

【技术实现步骤摘要】
一种基于视觉的智能网联公交客流检测方法及系统


[0001]本专利技术涉及公交客流检测
，尤其是涉及一种基于视觉的智能网联公交客流检测方法及系统。

技术介绍

[0002]常见的客流量统计方法主要包括：
①
人工统计，
②
红外线统计，
③
感应装置统计，
④
视频统计
⑤
闸机门，
⑥
压力板等方式，其中视频统计基于其优越的性能、精确的统计结果、简单的安装方式以及廉价的成本等，正在逐步替代传统的统计手段，成为当下客流量统计的主要方式。
[0003]随着深度学习和计算机视觉技术的不断发展，目标检测领域受到了越来越多的关注。在公共交通领域，对象识别跟踪有着广泛的应用前景，通过对行人的识别，可以对车厢内、站台、站内等各种场景的客流进行实时统计，对一个区域内某个时间段内的整体运行状况有一个全面的了解，因此对整个公交系统的指挥调度有重要的指导意义。
[0004]由于目前大部分的开源行人检测或跟踪数据集大多都是商场、街道或户外等较大场景采集所得，不能完全适用于站台、车内等乘客之间存在密集分布及身体部位高度遮挡的场景下。在对站台及车辆内部客流检测的过程中，由于人群的身体相互遮挡导致的直接检测行人的方式受限，检测精度也收到极大的干扰，检测结果往往并不可信。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种精准度高、处理速度快的基于视觉的智能网联公交客流检测方法及系统。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于视觉的智能网联公交客流检测方法，所述的客流检测方法包括：
[0008]步骤1：获取数据集，并对数据集进行标注及预处理；
[0009]步骤2：构建基于视觉的客流检测模型；
[0010]步骤3：对客流检测模型进行训练；
[0011]步骤4：获取站台和车内的实时图像，输入客流检测模型，获取客流初步检测结果；
[0012]步骤5：对步骤4获取的检测结果进行去重，获得最终检测结果。
[0013]优选地，所述的数据集包括站台场景图像和车辆内部场景图像；所述的站台场景图像标注时对乘客头部进行标注；所述的车辆内部场景图像标注时对乘客头部和身体部分分别进行标注。
[0014]优选地，所述的步骤1中对数据集的标注方法具体为：
[0015]步骤1
‑
1：对于新采集的数据集，进行部分标注；
[0016]步骤1
‑
2：对标注后的图像进行数据增强，得到初始化数据集；
[0017]步骤1
‑
3：使用初始化数据集训练客流检测模型，获得预训练模型；
[0018]步骤1
‑
4：使用预训练模型对数据集剩余数据及其数据增强后的图像进行预测推
理，将推理结果保存，并将标签文件与步骤1
‑
1中进行部分标记的图像混合；
[0019]步骤1
‑
5：对混合后的标签与图像进行人工标注；
[0020]步骤1
‑
6：周而复始，使用先前训练的模型来对新数据集进行推理标注。
[0021]优选地，所述的客流检测模型包括：
[0022]主干特征提取网络，采用CSPDarknet53网络，网络的输入为图像，输出为三个特征层；
[0023]特征金字塔网络，包括SPPNet模块和PANet模块，其中SPPNet模块利用不同池化和最大池化对输入进来的特征层进行池化后再进行堆叠，PANet进行上采样、下采样和特征融合；
[0024]预测网络，使用Head网络对特征层进行预测，获得预测结果。
[0025]更加优选地，所述的步骤3具体为：
[0026]使用Pytorch对客流检测模型进行训练，将站台场景和车内场景图像分开训练，对于站台场景只进行乘客头部数据集的识别训练，对于车内场景同时进行头部和身体部分的识别训练。
[0027]更加优选地，所述的客流检测模型的激活函数为Mish函数。
[0028]优选地，所属的步骤5包括：
[0029]首先，针对站台场景及车内场景进行摄像区域去重，具体方法为：
[0030]检测所有摄像区域中的重复区域，然后判断目标检测结果的检测框是否位于重复区域内，若位于重复区域内，则不进行计数，若没有位于重复区域内，则进行计数；
[0031]其次，针对车辆内部场景，对头部检测框A和身体检测框B进行IOU判断，具体方法为：
[0032][0033]当IOU大于预设阈值T时，则证明该头部检测框属于该身体检测框，两个检测框进行一次计数；反之，则判定其为两名乘客，进行两次计数。
[0034]优选地，所述的步骤5还包括：
[0035]利用图像拼接计数对摄像机拍摄的图片进行拼接，并对客流数量进行可视化展示，根据客流数量进行拥挤度判断，并以图标的不同颜色进行展示预警。
[0036]一种用于上述任一项所述客流检测方法的基于视觉的智能网联公交客流检测系统，所述的客流检测系统包括：
[0037]图像采集设备，分别安装在网联公交站台和车内，用于采集站台场景和车内场景的实时图像，并输入客流检测模块；
[0038]客流检测模块，内嵌客流检测模型和去重模块，用于分别对站台场景和车内场景进行客流检测；
[0039]可视化模块，用于对客流检测结果进行可视化处理。
[0040]优选地，所述的客流检测模型包括：
[0041]主干特征提取网络，采用CSPDarknet53网络，网络的输入为图像，输出为三个特征层；
[0042]特征金字塔网络，包括SPPNet模块和PANet模块，其中SPPNet模块利用不同池化和
最大池化对输入进来的特征层进行池化后再进行堆叠，PANet进行上采样、下采样和特征融合；
[0043]预测网络，使用Head网络对特征层进行预测，获得预测结果；
[0044]所述的去重模块具体为：
[0045]首先，针对站台场景及车内场景进行摄像区域去重，具体方法为：
[0046]检测所有摄像区域中的重复区域，然后判断目标检测结果的检测框是否位于重复区域内，若位于重复区域内，则不进行计数，若没有位于重复区域内，则进行计数；
[0047]其次，针对车辆内部场景，对头部检测框A和身体检测框B进行IOU判断，具体方法为：
[0048][0049]当IOU大于预设阈值T时，则证明该头部检测框属于该身体检测框，两个检测框进行一次计数；反之，则判定其为两名乘客，进行两次计数。
[0050]与现有技术相比，本专利技术具有以下有益效果：
[0051]一、精准度高：本专利技术中的客流检测方法及系统针对站台场景，直接使用头部检测进行计数，而针对车内场景则采用头部计数和身体部分检测进行计数，极大的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视觉的智能网联公交客流检测方法，其特征在于，所述的客流检测方法包括：步骤1：获取数据集，并对数据集进行标注及预处理；步骤2：构建基于视觉的客流检测模型；步骤3：对客流检测模型进行训练；步骤4：获取站台和车内的实时图像，输入客流检测模型，获取客流初步检测结果；步骤5：对步骤4获取的检测结果进行去重，获得最终检测结果。2.根据权利要求1所述的一种基于视觉的智能网联公交客流检测方法，其特征在于，所述的数据集包括站台场景图像和车辆内部场景图像；所述的站台场景图像标注时对乘客头部进行标注；所述的车辆内部场景图像标注时对乘客头部和身体部分分别进行标注。3.根据权利要求1所述的一种基于视觉的智能网联公交客流检测方法，其特征在于，所述的步骤1中对数据集的标注方法具体为：步骤1
‑
1：对于新采集的数据集，进行部分标注；步骤1
‑
2：对标注后的图像进行数据增强，得到初始化数据集；步骤1
‑
3：使用初始化数据集训练客流检测模型，获得预训练模型；步骤1
‑
4：使用预训练模型对数据集剩余数据及其数据增强后的图像进行预测推理，将推理结果保存，并将标签文件与步骤1
‑
1中进行部分标记的图像混合；步骤1
‑
5：对混合后的标签与图像进行人工标注；步骤1
‑
6：周而复始，使用先前训练的模型来对新数据集进行推理标注。4.根据权利要求1所述的一种基于视觉的智能网联公交客流检测方法，其特征在于，所述的客流检测模型包括：主干特征提取网络，采用CSPDarknet53网络，网络的输入为图像，输出为三个特征层；特征金字塔网络，包括SPPNet模块和PANet模块，其中SPPNet模块利用不同池化和最大池化对输入进来的特征层进行池化后再进行堆叠，PANet进行上采样、下采样和特征融合；预测网络，使用Head网络对特征层进行预测，获得预测结果。5.根据权利要求4所述的一种基于视觉的智能网联公交客流检测方法，其特征在于，所述的步骤3具体为：使用Pytorch对客流检测模型进行训练，将站台场景和车内场景图像分开训练，对于站台场景只进行乘客头部数据集的识别训练，对于车内场景同时进行头部和身体部分的识别训练。6.根据权利要求4所述的一种基于视觉的智能网联公交客流检测...

【专利技术属性】
技术研发人员：杨宇伟，王晓，潘振兴，张泽晨，张培志，
申请(专利权)人：上海智能新能源汽车科创功能平台有限公司，
类型：发明
国别省市：