【技术实现步骤摘要】
一种基于GPU的乘客实时交互处理方法和系统
[0001]本专利技术涉及乘客实时交互领域,尤其涉及一种基于GPU的乘客实时交互处理方法和系统。
技术介绍
[0002]当前,随着城市轨道交通的快速发展,乘客的出行服务需求日益增加;现有技术虽然有针对公共场所异常声音的识别与定位技术,可通过判定公共场所是否存在异常声音,对大范围、大量乘客进行识别分析并提供服务,但其只能识别枪声、爆炸声、玻璃碎声和尖叫声等异常声音,无法为乘客提供其他方面的需求服务,而现有其他技术均不能满足大量乘客的实时交互,现有技术只能在站内为乘客提供服务,不能提供全出行链的乘客服务。
技术实现思路
[0003]针对现有技术的不足,本申请提出了一种基于GPU的乘客实时交互处理方法和系统,现介绍如下:
[0004]第一方面,提出了一种基于GPU的乘客实时交互处理方法,包括步骤如下:
[0005]步骤S1:通过监控系统或用户终端设备获取乘客信息;
[0006]步骤S2:处理所述乘客信息,并对处理后的乘客信息筛选并分类;
[0007]步骤S3:对分类后的乘客信息进行识别分析;
[0008]步骤S4:根据识别分析结果判断乘客的实时服务需求,对不同类型的服务需求作出对应响应。
[0009]进一步地,所述对处理后的乘客信息筛选并分类,具体包括:
[0010]对视频信息通过空域滤波的方法筛选出破损严重、无法识别信息,并通过结合周围像素生成当前像素的值处理所述破损严重、无法识别的信息;
[001 ...
【技术保护点】
【技术特征摘要】
1.一种基于GPU的乘客实时交互处理方法,其特征在于,包括步骤如下:步骤S1:通过监控系统或用户终端设备获取乘客信息;步骤S2:处理所述乘客信息,并对处理后的乘客信息筛选并分类;步骤S3:对分类后的乘客信息进行识别分析;步骤S4:根据识别分析结果判断乘客的实时服务需求,对不同类型的服务需求作出对应响应。2.根据权利要求1所述的基于GPU的乘客实时交互处理方法,其特征在于,所述对处理后的乘客信息筛选并分类,通过去除噪声信息进行筛选,具体包括:对视频信息通过空域滤波的方法筛选出破损严重、无法识别信息,并通过结合周围像素生成当前像素的值处理所述破损严重、无法识别的信息;对声音信息通过基于声音信息和噪声信息之间的不同特征对两者进行区分。3.根据权利要求1所述的基于GPU的乘客实时交互处理方法,其特征在于,所述对分类后的乘客信息进行识别分析包括行为信息识别分析、声音信息识别分析与关键词信息识别分析。4.根据权利要求3所述的基于GPU的乘客实时交互处理方法,其特征在于,所述行为信息识别分析为对分类后的视频信息中的乘客行为信息进行识别分析,以预设的各类异常行为标准对分类后的所述乘客行为信息进行预判断,将预判断为异常的所述乘客行为信息输入对应识别该异常行为的训练后的子深度神经网络,得到异常行为识别结果。5.根据权利要求3所述的基于GPU的乘客实时交互处理方法,其特征在于,所述声音信息识别分析具体包括:对分类后得到的声音信息中的环境声音进行识别分析;通过双阈值算法和Welch法功率谱估计算法来判定所述环境声音中是否存在异常声音;将异常声音的特征时序信号转换为时频域的谱图;利用异常声音识别技术对所述时频域的谱图进行分类提取和识别分析,得到声音信息识别结果。6.根据权利要求3所述的基于GPU的乘客实时交互处理方法,其特征在于,所述关键词信息识别分析是对分类后得到的乘客信息中具有预设关键词的信息进行识别分析。7.根据权利要求4所述的基于GPU的乘客实时交互处理方法,其特征在于,所述子深度神经网络的生成包括如下步骤:步骤S101:获取与乘客行为相关的视频图像信息,然后将所述视频图像信息进行预处理,将预处理后得到的含有异常行为的视频图像信息作为训练特征数据;步骤S102:根据所述训练特征数据对深度神经网络进行训练,得到所述训练特征数据对应的异常判定阈值;步骤S103:计算预设定的目标判定阈值与异常判定阈值之间的实际偏差,并根据所述实际偏差对深度神经网络中的参数进行调整,直至所述实际偏差达到目标阈值,完成训练得到训练后的深度神经网络,所述深度神经网络中包括多个分别与各异常行为对应的子深度神经网络。
8.根据权利要求5所述的基于GPU的乘客实时交互处理方法,其特征在于,利用异常声音识别技术对所述时频域的谱图进行识别分析,得到声音信息识别结果包括如下步骤:...
【专利技术属性】
技术研发人员:张迪,张开婷,崔闰虎,王欣,李强,
申请(专利权)人:全图通位置网络有限公司,
类型:发明
国别省市:
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。