本發(fā)明涉及智能交通技術(shù)領(lǐng)域，尤其涉及一種公交擁擠度實(shí)時狀態(tài)采集方法與裝置。

背景技術(shù)：

目前，智能公交已經(jīng)成為交通信息化發(fā)展的重要方向，通過公交信息化建設(shè)，將提升公交便捷性、智能化。在現(xiàn)有的智能公交系統(tǒng)中，主要包含以下功能：公交車輛的定位、線路跟蹤、到站預(yù)測、電子站牌信息發(fā)布、油耗管理。對于群眾而言，能夠在自己的手機(jī)上查看到出行公交車的位置、離站臺的距離將極大便利自己的出行。但僅僅提供這些信息還不能完全為群眾提供良好的出行參考，如：一趟公交車已經(jīng)離下一站非常近，但是車上已經(jīng)滿員，這個時候該趟公交已經(jīng)不適合乘坐，傳統(tǒng)的智能公交系統(tǒng)未能提供關(guān)于公交車擁擠狀態(tài)方面的信息。

申請公布號為CN 103761784A的一種《智能化公共交通信息交互與顯示系統(tǒng)》所述的系統(tǒng)中，通過上下車門踏板壓力毯來測算車內(nèi)人數(shù)。但在現(xiàn)實(shí)情況中，上下車時往往發(fā)生多人踩踏上下車門踏板的案例，且當(dāng)車內(nèi)擁擠時，經(jīng)常有乘客直接站在下車門踏板上，給統(tǒng)計帶來誤差。申請公布號為CN 204166696A的《一種基于智能視頻的公交擁擠度采集裝置及方法》僅僅提出了判別方法，而未用具體算法與裝置予以說明實(shí)現(xiàn)方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題在于針對現(xiàn)有技術(shù)中的缺陷，提供一種公交擁擠度實(shí)時狀態(tài)采集方法與系統(tǒng)。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種公交擁擠度實(shí)時狀態(tài)采集方法，包括以下步驟：

1)公交車到達(dá)站點(diǎn)后，公交站臺定位端發(fā)出信息開啟計時器；

2)計時器從0開始計時15秒后，觸發(fā)用于視頻獲取的攝像頭開啟，同時計時器進(jìn)行清0，繼續(xù)計時；所述用于視頻獲取的攝像頭為一個帶云臺的可旋轉(zhuǎn)式攝像頭，設(shè)置在公交車內(nèi)的頂部的中部；

3)攝像頭以36゜/s旋轉(zhuǎn)并拍攝視頻；

4)計時器計時至5秒，觸發(fā)用于視頻獲取的攝像頭關(guān)閉；

5)采用無線傳輸將獲取的視頻上傳至云服務(wù)器；

6)云服務(wù)器中的視頻分幀端將上傳的視頻分解為n張圖像，并進(jìn)行座椅空閑數(shù)判別，得出第i張圖像的空閑座位數(shù)a_i；其中1≤i≤n；

7)人像距離計算：計算第i張圖像中出現(xiàn)的人像進(jìn)行檢測分析并確立多個人像中心點(diǎn)，測算其最鄰近中心點(diǎn)之間的距離，計算平均值t_i及方差s_i²；

所述步驟7)中人像距離計算具體如下：首先構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，輸入采集的圖像作為訓(xùn)練樣本,完成BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值確定；其次，在進(jìn)行識別時，將測試的第i張圖像輸入到已經(jīng)訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行計算，擬合出人像的識別區(qū)域的中心位置，然后從某一個中心位置開始，連接與其距離最近的下一個點(diǎn)，即進(jìn)行不重復(fù)的連接，測算反映擁擠度狀態(tài)的參數(shù)，包括第i張圖像的人像中心點(diǎn)個數(shù)ki和最鄰近點(diǎn)距離平均值t_i和方差s_i²。

8)根據(jù)下述公式測算擁擠度I，并使用最新計算獲得的擁擠度更新公交實(shí)時擁擠度數(shù)據(jù)；

按上述方案，所述步驟6)中進(jìn)行座椅空閑判斷時，通過訓(xùn)練SVM分類器并使用該分類器進(jìn)行座椅空閑判別。

一種公交擁擠度實(shí)時狀態(tài)采集裝置，包括：

GPS公交站臺定位端，用于判斷公交車是否已經(jīng)到站，當(dāng)公交車到達(dá)站點(diǎn)后，公交站臺定位端發(fā)出信息開啟計時器；

計時器，用于被公交站臺定位端觸發(fā)后，從0開始計時15秒，觸發(fā)視頻獲取端開啟；然后繼續(xù)計時5秒，觸發(fā)視頻獲取端關(guān)閉；

視頻獲取端，用于以36゜/s旋轉(zhuǎn)并拍攝公交車內(nèi)的視頻，并將獲取的視頻上傳至云服務(wù)器

云服務(wù)器，所述云服務(wù)器包括：

視頻分幀端，用于將上傳的視頻分解為n張圖像；

座椅空閑判別裝置，用于通過訓(xùn)練SVM分類器并使用該分類器對n張圖像進(jìn)行座椅空閑判別，得出第i張圖像的空閑座位數(shù)a_i；其中1≤i≤n；

人像距離計算裝置，用于計算第i張圖像中出現(xiàn)的人像進(jìn)行檢測分析并確立多個人像中心點(diǎn)，測算其最鄰近點(diǎn)之間的距離，計算平均值t_i及方差s_i²；

擁擠度計算裝置，用于根據(jù)座椅空閑判別裝置和人像距離計算裝置的結(jié)果，采用以下公式計算擁擠度I，并使用最新計算獲得的擁擠度更新公交實(shí)時擁擠度數(shù)據(jù)；

按上述方案，所述人像距離計算裝置中人像距離計算使用BP神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練樣本，擬合人像的中心點(diǎn)位置，并計算其與其他擬合點(diǎn)的距離平均值和方差。

按上述方案，所述人像距離計算裝置中人像距離計算具體如下：首先構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，輸入采集的圖像作為訓(xùn)練樣本,完成BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值確定；其次，在進(jìn)行識別時，將測試的第i張圖像輸入到已經(jīng)訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行計算，擬合出人像的識別區(qū)域的中心位置，然后從某一個中心位置開始，連接與其距離最近的下一個點(diǎn)，即進(jìn)行不重復(fù)的連接，測算反映擁擠度狀態(tài)的參數(shù)，包括第i張圖像的人像中心點(diǎn)個數(shù)ki和最鄰近點(diǎn)距離平均值t_i和方差s_i²。

本發(fā)明產(chǎn)生的有益效果是：本發(fā)明通過對公交車內(nèi)的視頻獲取與分析，實(shí)現(xiàn)了擁擠度的計算，能夠為出行群眾提供參考，且有利于城市公共交通調(diào)度，制定更為合理的交通計劃。

附圖說明

下面將結(jié)合附圖及實(shí)施例對本發(fā)明作進(jìn)一步說明，附圖中：

圖1是本發(fā)明實(shí)施例的結(jié)構(gòu)示意圖；

圖2是本發(fā)明實(shí)施例的座椅空閑示意圖；

圖3是本發(fā)明實(shí)施例的人像距離示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

如圖1所示，一種公交擁擠度實(shí)時狀態(tài)采集裝置，包括：

GPS公交站臺定位端，用于判斷公交車是否已經(jīng)到站，當(dāng)公交車到達(dá)站點(diǎn)后，公交站臺定位端發(fā)出信息開啟計時器；

計時器，用于被公交站臺定位端觸發(fā)后，從0開始計時15秒，觸發(fā)視頻獲取端開啟；然后繼續(xù)計時5秒，觸發(fā)視頻獲取端關(guān)閉；

視頻獲取端，用于以36゜/s旋轉(zhuǎn)并拍攝公交車內(nèi)的視頻，并將獲取的視頻上傳至云服務(wù)器

云服務(wù)器，所述云服務(wù)器包括：

視頻分幀端，用于將上傳的視頻分解為n張圖像；

座椅空閑判別裝置，用于通過訓(xùn)練SVM分類器并使用該分類器對n張圖像進(jìn)行座椅空閑判別，得出第i張圖像的空閑座位數(shù)a_i；其中1≤i≤n；

人像距離計算裝置，用于計算第i張圖像中出現(xiàn)的人像進(jìn)行檢測分析并確立多個人像中心點(diǎn)，測算其最鄰近點(diǎn)之間的距離，計算平均值t_i及方差s_i²；

擁擠度計算裝置，用于根據(jù)座椅空閑判別裝置和人像距離計算裝置的結(jié)果，采用以下公式計算擁擠度I，并使用最新計算獲得的擁擠度更新公交實(shí)時擁擠度數(shù)據(jù)；

其中，a_i為座椅空閑判別裝置得出某張圖像的空閑座位數(shù)，k_i為人像距離計算裝置得出人像中心點(diǎn)個數(shù),最鄰近點(diǎn)距離平均值t_i、方差為s_i²；n為分幀后的圖像數(shù)量：

視頻獲取端為一個帶云臺的可旋轉(zhuǎn)式攝像頭，安裝位置在公交車內(nèi)的頂部。視頻獲取端開始工作后，將以36゜/s的速度進(jìn)行旋轉(zhuǎn)，邊旋轉(zhuǎn)邊進(jìn)行錄制。

結(jié)合圖2，闡述本發(fā)明的座椅空閑判別裝置的原理。座椅空閑判別裝置依據(jù)SVM的分類方法進(jìn)行訓(xùn)練，訓(xùn)練的正樣本為543張空閑座椅圖片，負(fù)樣本為4974張坐有人的座椅圖片、人像圖片以及其余雜圖，訓(xùn)練完成后使用得到的分類器對圖像進(jìn)行甄別，得出第i張圖像的空閑座位數(shù)量a_i。

上述SVM方法的全稱為支持向量機(jī)算法，為一種分類算法，通過尋求結(jié)構(gòu)化風(fēng)險最小來提高學(xué)習(xí)機(jī)泛化能力，實(shí)現(xiàn)經(jīng)驗風(fēng)險和置信范圍的最小化，它是一種二類分類模型，其基本模型定義為特征空間上的間隔最大的線性分類器，即支持向量機(jī)的學(xué)習(xí)策略便是間隔最大化，最終可轉(zhuǎn)化為一個凸二次規(guī)劃問題的求解。故采用該種算法，座椅空閑判別裝置可將空閑座椅分為一類、其余狀態(tài)圖像分為一類。

結(jié)合圖3，闡述本發(fā)明的人像距離計算裝置的原理。人像距離計算裝置首先需要構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，輸入訓(xùn)練樣本完成權(quán)值的確定。在進(jìn)行識別時，將測試的第i張圖像輸入到已經(jīng)訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行計算，擬合出人像的識別區(qū)域的中心位置。從某一個中心位置開始，連接與其距離最近的下一個點(diǎn)，即進(jìn)行不重復(fù)的連接，測算第i張圖像的人像中心點(diǎn)個數(shù)k_i,最鄰近點(diǎn)距離平均值t_i、方差

進(jìn)一步地，在圖3中，方框為神經(jīng)網(wǎng)絡(luò)判別的站立人像識別區(qū)域，圓點(diǎn)為擬合出人像的中心位置。

需要說明的是，上述訓(xùn)練樣本由個正樣本與負(fù)樣本組成。正樣本包括1484張站立人像圖片，負(fù)樣本為8029張圖像，包括公交上的座位，座位上的人，以及其余圖片。

需要說明的是，所述BP神經(jīng)網(wǎng)絡(luò)為一個BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，可以分為三層，分別為輸入層、隱藏層、輸出層。層與層之間采用全連接映射，同層之間的神經(jīng)單元之間沒有連接，這樣經(jīng)過層層處理，可以實(shí)現(xiàn)將輸入的向量X＝(x1，x2…xn)非線性映射到向量Y＝(y1，y2...yn)。

根據(jù)上述裝置，本發(fā)明還提出了一種公交擁擠度實(shí)時狀態(tài)采集方法，包括以下步驟：

1)公交車到達(dá)站點(diǎn)后，公交站臺定位端發(fā)出信息開啟計時器；

2)計時器從0開始計時15秒后，觸發(fā)用于視頻獲取的攝像頭開啟，同時計時器進(jìn)行清0，繼續(xù)計時；所述用于視頻獲取的攝像頭為一個帶云臺的可旋轉(zhuǎn)式攝像頭，設(shè)置在公交車內(nèi)的頂部的中部；

3)攝像頭以36゜/s旋轉(zhuǎn)并拍攝視頻；

4)計時器計時至5秒，觸發(fā)用于視頻獲取的攝像頭關(guān)閉；

5)采用無線傳輸將獲取的視頻上傳至云服務(wù)器；

6)云服務(wù)器中的視頻分幀端將上傳的視頻分解為n張圖像，并進(jìn)行座椅空閑數(shù)判別，得出第i張圖像的空閑座位數(shù)a_i；其中1≤i≤n；

7)人像距離計算：計算第i張圖像中出現(xiàn)的人像進(jìn)行檢測分析并確立多個人像中心點(diǎn)，測算其最鄰近點(diǎn)之間的距離，計算平均值t_i及方差s_i²；

8)根據(jù)下述公式測算擁擠度I，并使用最新計算獲得的擁擠度更新公交實(shí)時擁擠度數(shù)據(jù)；

應(yīng)當(dāng)理解的是，對本領(lǐng)域普通技術(shù)人員來說，可以根據(jù)上述說明加以改進(jìn)或變換，而所有這些改進(jìn)和變換都應(yīng)屬于本發(fā)明所附權(quán)利要求的保護(hù)范圍。