一种公交拥挤度实时状态采集方法与装置与流程

本发明涉及智能交通技术领域，尤其涉及一种公交拥挤度实时状态采集方法与装置。

背景技术：

目前，智能公交已经成为交通信息化发展的重要方向，通过公交信息化建设，将提升公交便捷性、智能化。在现有的智能公交系统中，主要包含以下功能：公交车辆的定位、线路跟踪、到站预测、电子站牌信息发布、油耗管理。对于群众而言，能够在自己的手机上查看到出行公交车的位置、离站台的距离将极大便利自己的出行。但仅仅提供这些信息还不能完全为群众提供良好的出行参考，如：一趟公交车已经离下一站非常近，但是车上已经满员，这个时候该趟公交已经不适合乘坐，传统的智能公交系统未能提供关于公交车拥挤状态方面的信息。

申请公布号为CN 103761784A的一种《智能化公共交通信息交互与显示系统》所述的系统中，通过上下车门踏板压力毯来测算车内人数。但在现实情况中，上下车时往往发生多人踩踏上下车门踏板的案例，且当车内拥挤时，经常有乘客直接站在下车门踏板上，给统计带来误差。申请公布号为CN 204166696A的《一种基于智能视频的公交拥挤度采集装置及方法》仅仅提出了判别方法，而未用具体算法与装置予以说明实现方法。

技术实现要素：

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种公交拥挤度实时状态采集方法与系统。

本发明解决其技术问题所采用的技术方案是：一种公交拥挤度实时状态采集方法，包括以下步骤：

1)公交车到达站点后，公交站台定位端发出信息开启计时器；

2)计时器从0开始计时15秒后，触发用于视频获取的摄像头开启，同时计时器进行清0，继续计时；所述用于视频获取的摄像头为一个带云台的可旋转式摄像头，设置在公交车内的顶部的中部；

3)摄像头以36゜/s旋转并拍摄视频；

4)计时器计时至5秒，触发用于视频获取的摄像头关闭；

5)采用无线传输将获取的视频上传至云服务器；

6)云服务器中的视频分帧端将上传的视频分解为n张图像，并进行座椅空闲数判别，得出第i张图像的空闲座位数a_i；其中1≤i≤n；

7)人像距离计算：计算第i张图像中出现的人像进行检测分析并确立多个人像中心点，测算其最邻近中心点之间的距离，计算平均值t_i及方差s_i²；

所述步骤7)中人像距离计算具体如下：首先构建BP神经网络模型，输入采集的图像作为训练样本,完成BP神经网络模型的权值确定；其次，在进行识别时，将测试的第i张图像输入到已经训练完成的BP神经网络模型中进行计算，拟合出人像的识别区域的中心位置，然后从某一个中心位置开始，连接与其距离最近的下一个点，即进行不重复的连接，测算反映拥挤度状态的参数，包括第i张图像的人像中心点个数ki和最邻近点距离平均值t_i和方差s_i²。

8)根据下述公式测算拥挤度I，并使用最新计算获得的拥挤度更新公交实时拥挤度数据；

按上述方案，所述步骤6)中进行座椅空闲判断时，通过训练SVM分类器并使用该分类器进行座椅空闲判别。

一种公交拥挤度实时状态采集装置，包括：

GPS公交站台定位端，用于判断公交车是否已经到站，当公交车到达站点后，公交站台定位端发出信息开启计时器；

计时器，用于被公交站台定位端触发后，从0开始计时15秒，触发视频获取端开启；然后继续计时5秒，触发视频获取端关闭；

视频获取端，用于以36゜/s旋转并拍摄公交车内的视频，并将获取的视频上传至云服务器

云服务器，所述云服务器包括：

视频分帧端，用于将上传的视频分解为n张图像；

座椅空闲判别装置，用于通过训练SVM分类器并使用该分类器对n张图像进行座椅空闲判别，得出第i张图像的空闲座位数a_i；其中1≤i≤n；

人像距离计算装置，用于计算第i张图像中出现的人像进行检测分析并确立多个人像中心点，测算其最邻近点之间的距离，计算平均值t_i及方差s_i²；

拥挤度计算装置，用于根据座椅空闲判别装置和人像距离计算装置的结果，采用以下公式计算拥挤度I，并使用最新计算获得的拥挤度更新公交实时拥挤度数据；

按上述方案，所述人像距离计算装置中人像距离计算使用BP神经网络方法训练样本，拟合人像的中心点位置，并计算其与其他拟合点的距离平均值和方差。

按上述方案，所述人像距离计算装置中人像距离计算具体如下：首先构建BP神经网络模型，输入采集的图像作为训练样本,完成BP神经网络模型的权值确定；其次，在进行识别时，将测试的第i张图像输入到已经训练完成的BP神经网络模型中进行计算，拟合出人像的识别区域的中心位置，然后从某一个中心位置开始，连接与其距离最近的下一个点，即进行不重复的连接，测算反映拥挤度状态的参数，包括第i张图像的人像中心点个数ki和最邻近点距离平均值t_i和方差s_i²。

本发明产生的有益效果是：本发明通过对公交车内的视频获取与分析，实现了拥挤度的计算，能够为出行群众提供参考，且有利于城市公共交通调度，制定更为合理的交通计划。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的结构示意图；

图2是本发明实施例的座椅空闲示意图；

图3是本发明实施例的人像距离示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，一种公交拥挤度实时状态采集装置，包括：

GPS公交站台定位端，用于判断公交车是否已经到站，当公交车到达站点后，公交站台定位端发出信息开启计时器；

计时器，用于被公交站台定位端触发后，从0开始计时15秒，触发视频获取端开启；然后继续计时5秒，触发视频获取端关闭；

视频获取端，用于以36゜/s旋转并拍摄公交车内的视频，并将获取的视频上传至云服务器

云服务器，所述云服务器包括：

视频分帧端，用于将上传的视频分解为n张图像；

座椅空闲判别装置，用于通过训练SVM分类器并使用该分类器对n张图像进行座椅空闲判别，得出第i张图像的空闲座位数a_i；其中1≤i≤n；

人像距离计算装置，用于计算第i张图像中出现的人像进行检测分析并确立多个人像中心点，测算其最邻近点之间的距离，计算平均值t_i及方差s_i²；

拥挤度计算装置，用于根据座椅空闲判别装置和人像距离计算装置的结果，采用以下公式计算拥挤度I，并使用最新计算获得的拥挤度更新公交实时拥挤度数据；

其中，a_i为座椅空闲判别装置得出某张图像的空闲座位数，k_i为人像距离计算装置得出人像中心点个数,最邻近点距离平均值t_i、方差为s_i²；n为分帧后的图像数量：

视频获取端为一个带云台的可旋转式摄像头，安装位置在公交车内的顶部。视频获取端开始工作后，将以36゜/s的速度进行旋转，边旋转边进行录制。

结合图2，阐述本发明的座椅空闲判别装置的原理。座椅空闲判别装置依据SVM的分类方法进行训练，训练的正样本为543张空闲座椅图片，负样本为4974张坐有人的座椅图片、人像图片以及其余杂图，训练完成后使用得到的分类器对图像进行甄别，得出第i张图像的空闲座位数量a_i。

上述SVM方法的全称为支持向量机算法，为一种分类算法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。故采用该种算法，座椅空闲判别装置可将空闲座椅分为一类、其余状态图像分为一类。

结合图3，阐述本发明的人像距离计算装置的原理。人像距离计算装置首先需要构建BP神经网络模型，输入训练样本完成权值的确定。在进行识别时，将测试的第i张图像输入到已经训练完成的BP神经网络模型中进行计算，拟合出人像的识别区域的中心位置。从某一个中心位置开始，连接与其距离最近的下一个点，即进行不重复的连接，测算第i张图像的人像中心点个数k_i,最邻近点距离平均值t_i、方差

进一步地，在图3中，方框为神经网络判别的站立人像识别区域，圆点为拟合出人像的中心位置。

需要说明的是，上述训练样本由个正样本与负样本组成。正样本包括1484张站立人像图片，负样本为8029张图像，包括公交上的座位，座位上的人，以及其余图片。

需要说明的是，所述BP神经网络为一个BP神经网络是一种按误差逆传播算法训练的多层前馈网络，可以分为三层，分别为输入层、隐藏层、输出层。层与层之间采用全连接映射，同层之间的神经单元之间没有连接，这样经过层层处理，可以实现将输入的向量X＝(x1，x2…xn)非线性映射到向量Y＝(y1，y2...yn)。

根据上述装置，本发明还提出了一种公交拥挤度实时状态采集方法，包括以下步骤：

1)公交车到达站点后，公交站台定位端发出信息开启计时器；

2)计时器从0开始计时15秒后，触发用于视频获取的摄像头开启，同时计时器进行清0，继续计时；所述用于视频获取的摄像头为一个带云台的可旋转式摄像头，设置在公交车内的顶部的中部；

3)摄像头以36゜/s旋转并拍摄视频；

4)计时器计时至5秒，触发用于视频获取的摄像头关闭；

5)采用无线传输将获取的视频上传至云服务器；

6)云服务器中的视频分帧端将上传的视频分解为n张图像，并进行座椅空闲数判别，得出第i张图像的空闲座位数a_i；其中1≤i≤n；

7)人像距离计算：计算第i张图像中出现的人像进行检测分析并确立多个人像中心点，测算其最邻近点之间的距离，计算平均值t_i及方差s_i²；

8)根据下述公式测算拥挤度I，并使用最新计算获得的拥挤度更新公交实时拥挤度数据；

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。