一种公交车收费系统和方法与流程

本申请属于智能收费技术领域，特别涉及一种公交车收费系统和方法。

背景技术：

随着城市公交体系的发展，公交车已经成为市民出行的主要交通工具之一。公交以其快捷、方便、经济实惠等优点成为现代化的城市不可缺少的一部分。

当下我国城镇化速度加快，城市人口急剧增加，公交运输面临着极大的压力，特别是在乘客高峰期，一些乘客上车后，直接站在过道中间，给后面的乘车带来了不便，同时所有人都集中在车厢的前面会遮挡司机的视野，不利于公共汽车的行车安全，而且传统的公交收费采用车头刷卡上车，容易造成上车拥堵的情况，无法实现高效率的公交运输，还会给乘客带来安全隐患。

技术实现要素：

为了克服上述现有技术的缺点，本申请的目的在于提供一种公交车收费系统和方法，能通过定位摄像头的人脸识别，获知乘客的车内位置，并采用差额收费的方式督促乘客向车内后方移动，从而利于行车安全。

为了实现上述目的，本申请采用的技术方案是：

一方面，本申请提供了一种公交车收费系统，包括：读卡器，刷卡摄像头，至少一个定位摄像头，处理器；所述读卡器设置于公交车上车门附近，用于读取乘客的公交卡的身份识别信息；所述刷卡摄像头设置于所述读卡器附近，用于获取所述乘客的面部图像；所述至少一个定位摄像头依次设置于所述公交车内，用于拍摄车内当前画面，通过所述车内当前画面识别所述乘客；所述处理器，用于将所述身份识别信息和所述面部图像进行匹配，在所述乘客的公交卡余额中扣除本次乘车费用；在所述定位摄像头识别出所述乘客的情况下，在所述乘客的公交卡余额中返回对应的优惠金额。

可选地，所述处理器，具体用于在所述定位摄像头识别出所述乘客的情况下，间隔第一时间段，若同一定位摄像头再次识别出所述乘客，在所述乘客的公交卡余额中返回对应的优惠金额。

可选地，所述至少一个定位摄像头等距离设置于所述公交车顶部。

可选地，每个定位摄像头拍摄相等范围大小内的车内当前画面。

可选地，所述至少一个定位摄像头包括中部摄像头和尾部摄像头；所述中部摄像头与所述刷卡摄像头的距离和所述中部摄像头与所述尾部摄像头的距离相等；所述中部摄像头用于拍摄车身范围内的车内当前画面，所述尾部摄像头用于拍摄车尾范围内的车内当前画面，所述车身范围和所述车尾范围大小相等。

可选地，所述处理器在所述车身摄像头识别出所述乘客的情况下，在所述乘客的公交卡余额中返回二等优惠金额，在所述车尾摄像头识别出所述乘客的情况下，在所述乘客的公交卡余额中返回一等优惠金额。

可选地，所述系统还包括：设置于所述定位摄像头附近的显示器，所述显示器用于在所述乘客的公交卡余额中返回对应的优惠金额的情况下，显示所述优惠信息。

可选地，所述系统还包括：设置于所述定位摄像头附近的语音播报器，所述语音播报器用于在所述乘客的公交卡余额中返回对应的优惠金额的情况下，播报所述优惠信息。

二方面，本申请提供了一种公交车收费方法，所述方法应用于第一方面所述的任一系统，所述方法包括：

通过所述读卡器读取乘客的公交卡的身份识别信息；

通过所述刷卡摄像头获取所述乘客的面部图像；

将所述身份识别信息和所述面部图像进行匹配，在所述乘客的公交卡余额中扣除本次乘车费用；

通过所述定位摄像头拍摄车内当前画面，在所述车内当前画面中识别所述乘客；

在所述定位摄像头识别出所述乘客的情况下，在所述乘客的公交卡余额中返回对应的优惠金额。

可选地，在所述车内当前画面中识别所述乘客，包括：将所述车内当前画面分别采用lbp算法模型和cnn算法模型进行计算；将所述lbp算法模型和所述cnn算法模型的计算结果进行全连接层融合，得到所述乘客的识别结果。

可选地，所述lbp算法模型和所述cnn算法模型分别包括3个卷积层和3个池化层。

可选地，在所述定位摄像头识别出所述乘客的情况下，在所述乘客的公交卡余额中返回对应的优惠金额，包括：在所述定位摄像头识别出所述乘客的情况下，间隔第一时间段，若同一定位摄像头再次识别出所述乘客，在所述乘客的公交卡余额中返回对应的优惠金额。

本申请具有以下有益效果：

本系统通过在乘客刷公交卡时，匹配乘客的公交卡信息和面部图像，并通过车内的定位摄像头获知乘客的车内位置，并采用差额收费的方式督促乘客向车内后方移动，避免了乘客上车排队刷卡拥挤的现象，并且该系统还可以促进市民在乘坐公交车时养成主动向后走的良好乘车习惯。

附图说明

图1为本申请公开的一种公交车收费系统的结构示意图；

图2为本申请公开的一种设置有图1所示的公交车收费系统的公交车示意图；

图3为本申请公开的一种公交车收费方法的示意图；

图4为本申请公开的一种人脸识别算法模型的示意图。

具体实施方式

下面结合附图和实施例详细说明本申请的实施方式。

如图1所示，本申请公开了一种公交车收费系统100，包括：读卡器110，刷卡摄像头120，至少一个定位摄像头130，处理器140；

读卡器110设置于公交车上车门附近，用于读取乘客的公交卡的身份识别信息；

刷卡摄像头120设置于读卡器110附近，用于获取所述乘客的面部图像；

至少一个定位摄像头130依次设置于公交车内，用于拍摄车内当前画面，通过所述车内当前画面识别所述乘客；

处理器140，用于将所述身份识别信息和所述面部图像进行匹配，在所述乘客的公交卡余额中扣除本次乘车费用；在所述定位摄像头识别出所述乘客的情况下，在所述乘客的公交卡余额中返回对应的优惠金额。

在本申请中，读卡器110所获取的乘客的公交卡的身份识别信息包括，公交卡id，公交卡号，或公交卡对应的持卡人身份信息等。乘客上车打卡时，处理器正常在乘客的公交卡余额中扣除本次乘车费用。比如乘客的公交卡余额为10元，扣除本次乘车费用1元，余额为9元。

在本申请中，刷卡摄像头120设置于读卡器110附近，如图2所示，刷卡摄像头120设置在读卡器110的正上方位置，即乘客打卡时正好能获取乘客的面部图像。

在本申请中，处理器140在定位摄像头130识别出所述乘客的情况下，在所述乘客的公交卡余额中返回对应的优惠金额。比如设置于车尾部分的定位摄像头130识别出乘客在车尾位置，则在所述乘客的公交卡余额中返回对应的优惠金额，若乘客的公交卡余额为9元，返回对应的优惠金额0.2元，余额为9.2元。

在本申请中，若所有的定位摄像头130都没有识别出乘客，即盘点个乘客没有向车尾移动，即不能获得优惠金额。

在本申请中，在所述定位摄像头识别出所述乘客的情况下，间隔第一时间段，若同一定位摄像头再次识别出所述乘客，在所述乘客的公交卡余额中返回对应的优惠金额。这是为了提高返回优惠金额的准确性，避免有乘客向车尾移动领取优惠金额后，又向车头移动的现象。这里的第一时间段可有具体情况设置，本申请不做限定，比如，5分钟，10分钟，20分钟等，目的是防止乘客在定位摄像头识别出他后立即向车头移动，破坏了督促乘客向车内后方移动，避免了乘客上车排队刷卡拥挤的技术效果。

比如，假设一名乘客上车打卡后一直向车为移动，在移动的过程中，车尾的定位摄像头可能也会识别出他，若此时乘客马上又向车头移动则无法获得优惠金额；该乘客必须在该车身摄像头的拍摄范围内停留第一时间段，等该定位摄像头再次识别出他时，才能获得优惠金额。

在本申请中，上述至少一个定位摄像头可等距离设置于所述公交车顶部。每个定位摄像头拍摄相等范围大小内的车内当前画面。如图2所示，定位摄像头包括中部摄像头131和尾部摄像头132；中部摄像头131与刷卡摄像头120的距离d1和中部摄像头131与尾部摄像头132的距离d2相等，即d1＝d2。中部摄像头131用于拍摄车身范围s1内的车内当前画面，尾部摄像头132用于拍摄车尾范围s2内的车内当前画面，车身范围s1和车尾范围s2大小相等。处理器140在车身摄像头131识别出所述乘客的情况下，在所述乘客的公交卡余额中返回二等优惠金额0.1元，在车尾摄像头132识别出所述乘客的情况下，在所述乘客的公交卡余额中返回一等优惠金额0.2元。即乘客越往车尾移动获得的优惠越多，以此督促乘客向车内后方移动，避免了乘客上车排队刷卡拥挤的现象。

作为一种可选的实施方式，所述系统100还包括：设置于定位摄像头130附近的显示器150，显示器150用于在所述乘客的公交卡余额中返回对应的优惠金额的情况下，显示优惠信息。

如图2所示，比如在车尾摄像头132识别出所述乘客的情况下，在所述乘客的公交卡余额中返回一等优惠金额0.2元，此时设置于车尾摄像头132附近的显示器150可以显示该乘客的id和所返回的优惠金额，使乘客及时获悉自己所得到的优惠。

作为一种可选的实施方式，所述系统100还包括：设置于所述定位摄像头130附近的语音播报器160，语音播报器160用于在所述乘客的公交卡余额中返回对应的优惠金额的情况下，播报优惠信息。

如图2所示，比如在车尾摄像头132识别出所述乘客的情况下，在所述乘客的公交卡余额中返回一等优惠金额0.2元，此时设置于车尾摄像头132附近的语音播报器160可以播报该乘客的id和所返回的优惠金额，使乘客及时获悉自己所得到的优惠。

如图3所示，本申请还公开了一种公交车收费方法，该方法应用于上任一系统中，包括：

301、通过读卡器读取乘客的公交卡的身份识别信息。

302、通过刷卡摄像头获取上述乘客的面部图像。

303、将上述身份识别信息和上述面部图像进行匹配，在上述乘客的公交卡余额中扣除本次乘车费用。

304、通过定位摄像头拍摄车内当前画面，在该车内当前画面中识别上述乘客。

305、在定位摄像头识别出上述乘客的情况下，在该乘客的公交卡余额中返回对应的优惠金额。

作为一种可选的实施方式，在该车内当前画面中识别上述乘客，包括：

将车内当前画面分别采用lbp算法模型和cnn算法模型进行计算；将lbp算法模型和cnn算法模型的计算结果进行全连接层融合，得到该乘客的识别结果。

传统的lbp人脸识别算法，通过该算法可以有效的避免因光照，旋转等外界因素对图像的影响，并且能够更好地获取图像的局部纹理信息，但是其只能将图像转化为灰度图进行输入，缺少了rgb对人脸识别的信息供给；传统的卷积神经网络cnn可以通过神经元学习图像的结构信息，提取人脸特征，但是难以学习到人脸的局部特征。本申请的应用场景较为复杂，摄像头要在运动的公交车内获得高清的车内当前画面图像信息，在车内当前画面中必定存在多个人脸，要在多个人脸中识别出该乘客，因此对人脸识别算法模型的要求较高。因此，本申请将lbp和cnn相结合，是一种更优化的人脸识别算法，为了提升人脸识别的准确率，该算法不仅学习原始图片信息，也要学习原始图像的局部二值模式信息的方法，即灰度化的人脸图像经lbp局部特征提取和cnn原图作为卷积神经网络的模型输入，搭建如图4所示的模型架构。

如图4所示，本申请的人脸识别模型设计由两个镜像网络组成，共2个输入层、6个卷积层、6个池化层和1个融合的全连接层。输入层通道一做lbp算法特征点区域图输入，通道二进行原图输入，从而获取到更加准确的局部特征点信息，提高了识别准确度；c1、c1’、c3、c3’、c5、c5’是卷积层，进行了权值共享，其中c1、c1’和c3’、c3选用大小为5×5的卷积核，c5及c5’卷积核的大小是4×4，以确保最后池化层输出为1×1的特征图。激活函数使用修正线性单元relu(rectifiedlinearunit)函数替代sigmoid，有效的解决卷积网络梯度消失的问题，并使网络具有稀疏特性。模型中s2、s2’、s4、s4’、s6、s6’为池化层，选用2×2的最大池化窗口，取出4个中最大的数据信息作为特征图输出，将c1的60×60特征图通过s2、s4、s6降为得到1×1的结果。最后进行全连接层融合，完成对人脸的识别功能。

作为一种可选的实施方式，在所述定位摄像头识别出所述乘客的情况下，在所述乘客的公交卡余额中返回对应的优惠金额，包括：在所述定位摄像头识别出所述乘客的情况下，间隔第一时间段，若同一定位摄像头再次识别出所述乘客，在所述乘客的公交卡余额中返回对应的优惠金额。

在本申请中，在所述定位摄像头识别出所述乘客的情况下，间隔第一时间段，若同一定位摄像头再次识别出所述乘客，在所述乘客的公交卡余额中返回对应的优惠金额。这是为了提高返回优惠金额的准确性，避免有乘客向车尾移动领取优惠金额后，又向车头移动的现象。这里的第一时间段可有具体情况设置，本申请不做限定，比如，5分钟，10分钟，20分钟等。目的是防止乘客在定位摄像头识别出他后立即向车头移动，破坏了督促乘客向车内后方移动，避免了乘客上车排队刷卡拥挤的技术效果。

比如，假设一名乘客上车打卡后一直向车为移动，在移动的过程中，车尾的定位摄像头可能也会识别出他，若此时乘客马上又向车头移动则无法获得优惠金额；该乘客必须在该车身摄像头的拍摄范围内停留第一时间段，等该定位摄像头再次识别出他时，才能获得优惠金额。

其他实施方式与上述系统的实施方式相似，这里不再赘述。

以上是本发明实施例的实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明实施例原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。