[发明专利]基于卷积神经网络的公交车内拥挤状态监测方法

权利要求书

1.基于卷积神经网络的公交车内拥挤状态监测方法，其特征在于，包括以下步骤：

步骤一、使用车内现有的摄像头实时采集车内图像；

步骤二、将所述步骤一实时采集的车内图像传输至监控系统，

步骤三、将当前车内图像输入监控系统的拥挤状态监测模型，所述拥挤状态监测模型是基于卷积神经网络设计并训练的，所述拥挤状态监测模型输出拥挤状态的判定结果；

其中，所述拥挤状态监测模型判定拥挤状态的准则为：

符合以下全部条件，所述拥挤状态监测模型判定拥挤状态为“拥挤的”：a)抵消可见空余座位后，全车站立乘客数量≥10人；b)因站立乘客遮挡，全车无可见车厢地板，但是，因透视效应，虽无可见车厢地板，但推断实际存在可见车厢地板，不属于此类；

符合以下全部条件，所述拥挤状态监测模型判定拥挤状态为“正常的”：a)抵消可见空余座位后，全车站立乘客数量≤5人；b)因站立乘客遮挡不完全，全车有可见车厢地板；或者，因透视效应，虽无可见车厢地板，但推断实际存在可见车厢地板；

符合以下全部条件，所述拥挤状态监测模型判定拥挤状态为“有空座位的”：既不符合判定为“正常的”的全部条件，也不符合判定为“拥挤的”的全部条件。

2.根据权利要求1所述的公交车内拥挤状态监测方法，其特征在于，当前车内图像输入拥挤状态监测模型后，按照先判定“拥挤的”、再判定“适中的”、最后判定“有空座位的”的顺序，判定正确则不再继续执行判定。

3.根据权利要求1所述的公交车内拥挤状态监测方法，其特征在于，所述拥挤状态监测模型表示为如下形式：

CSMM = [I, C, R, DW1, DW2, DW3, DW4, DW5, DW6, AP, FC, L]

其中，符号“[]”表示拥挤状态监测模型按照括号内的计算层顺序构建而成，I表示数据输入层，C表示普通卷积层，R表示激活函数层；DW1-DW6表示通道分离卷积层， AP表示平均池化层；FC表示全连接层，L表示损失函数层，得到状态判定的结果。

4.根据权利要求3所述的公交车内拥挤状态监测方法，其特征在于，所述通道分离卷积层的表示形式为：DW = [DC, BN, R, PC, BN, R]；

所述通道分离卷积层由空间卷积层DC、批归一化层BN，激活函数层R、融合卷积层PC、批归一化层BN、激活函数层R依次联合构成，空间卷积层DC是由大小为3*3的卷积核构成，融合卷积层PC由大小为1*1的卷积核构成。

5.根据权利要求3或4所述的公交车内拥挤状态监测方法，其特征在于，所述拥挤状态监测模型设计好之后需进行训练，所述训练的具体过程是：

a）采集N张图片，N＞10，按照判定拥挤状态的准则标注N张图片的拥挤状态；

b）将全部标注好的N张图片按照8:2的比例划分为训练数据集和测试数据集；

c）扩充训练数据集，利用扩充的训练数据集训练拥挤状态监测模型。

6.根据权利要求5所述的公交车内拥挤状态监测方法，其特征在于，所述扩充训练数据集的方法为：

（c11） 通过随机水平镜像旋转图片，模拟摄像头安装位置不一致的工况；

（c12）通过随机色彩抖动处理图片，模拟车内光照变化的工况；

（c13）通过调整图像压缩率处理图像，来模拟车内摄像头型号不一致的工况；

（c14）通过光照模拟函数处理图像，来模拟全天各种时段的工况；

（c15）通过对色彩通道进行数值调整来模拟多种相机的成像效果，来模拟车内摄像头不一致的工况；

（c16）通过对输入图像随机进行灰度化处理，来降低相机感光效果不易识别影响；

（c17）通过对输入图像的归一化处理，降低成像噪声对监测模型的影响；

（c18）通过高斯滤波对图像处理，降低图像噪声对监测模型的影响。