一种公交拥挤度实时状态采集方法与装置与流程

技术特征：

1.一种公交拥挤度实时状态采集方法，其特征在于，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：对第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；

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；

$I=\frac{1}{n}\underset{i=0}{\overset{n}{\mathrm{\Σ}}}\frac{k_i^{\frac{1}{S_i^2}}{\lg }^{-1}{t}_i}{e^{a_i^2}}.$

2.根据权利要求1所述的公交拥挤度实时状态采集方法，其特征在于，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。

3.一种公交拥挤度实时状态采集装置，其特征在于，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；

$I=\frac{1}{n}\underset{i=0}{\overset{n}{\mathrm{\Σ}}}\frac{k_i^{\frac{1}{S_i^2}}{\lg }^{-1}{t}_i}{e^{a_i^2}}.$

4.根据权利要求3所述的公交拥挤度实时状态采集方法，其特征在于，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。

5.根据权利要求3所述的公交拥挤度实时状态采集方法，其特征在于，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。