[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

说明书

本发明公开了一种基于卷积神经网络的公交车内拥挤状态监测方法，其实现的步骤为：1、制定图像标注准则；2、对采集的图像按照步骤1中的标注准则完成数据标注，并按照8:2划分为训练数据集和测试数据集；3、对训练数据集进行图像处理得到扩充后的训练数据集；4、设计基于卷积神经网络的公交车内拥挤状态监测模型。5、利用步骤3得到的扩充后的训练数据集对步骤4中设计的拥挤状态监测模型进行训练参数优化得到拥挤状态监测器；6、利用步骤2中得到的测试数据集对拥挤状态监测器进行测试。本发明在保证状态判定准确率的情况下，通过向后端服务器回传当前车辆的照片即可完成状态监测判定，利用车内现有的摄像头即可完成拥挤状态监测判定。

技术领域

本发明涉及公交系统管理和电子信息领域，尤其涉及一种基于卷积神经网络的公交车内拥挤状态监测方法。

背景技术

受生物视觉信息处理过程启发演化而来的卷积神经网络，卷积神经网络的基本单元之间的连接模式类似于动物的视觉皮层组织，使得卷积神经网络模型具备了处理复杂信息的能力。得益于卷积神经网络模型的优化发展，近年来推动人脸识别、自动驾驶、语音视频等领域有了长足的发展。

随着城市人口的逐年增多，公交车内拥挤状态已是生活常态，交通运输管理部门需要更加精准快捷的手段完成公交车的调度任务。因此，及时的给交通运输管理部门提供准确的车内拥挤状态信息，是完成合理调度的前提条件。

现有的公交车内拥挤监测系统是通过统计公交车在每个站点停靠时上下车人数来完成拥挤判定。该方法对上下车人数的统计需要假设，目标背景比较单一，其首先利用基于Haar-like特征的AdaBoost自适应算法训练出级联分类器，级联分类器用于监测乘客人头；然后基于经验数据画出目标移动的“九宫格”布局，并与哈希表相结合演化出基于哈希表目标追踪算法；最后通过对识别目标辨别出入方向，完成上下车人数的统计。由此可见，该方法需要对目标进行追踪从而辨别乘客的上下车状态，为了保证目标跟踪状态不会丢失目标，需要将每个站点的视频数据送回后端服务器完成计算，或者，在公交车上加装高性能的计算设备。若将大量的视频传送给后端服务器，就会对后端服务器的性能提出较高要求，若加装高性能的计算设备，也会给设备安装增加成本。此外，该方法需要在公交车的前后门处加装高清摄像头，无形中增加了安装成本。

发明内容

本发明的目的在于针对现有公交车内拥挤状态鉴定方法的不足，提出了一种简单有效的基于卷积神经网络的公交车内拥挤状态监测方法，保证了状态判定准确率的情况下，避免了现有方法对视频传输的高要求，通过向后端服务器回传当前车辆的照片即可完成状态监测判定，并且不需要额外安装摄像头，利用车内现有的摄像头即可完成拥挤状态监测判定。

实现本发明目的的技术方案如下：

基于卷积神经网络的公交车内拥挤状态监测方法，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“适中的”：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，因为透视效应，虽无可见车厢地板，但推断实际存在可见车厢地板；