CN108549865A - 一种基于深度学习的公共场所人流量调节辅助方法及*** - Google Patents

Abstract

本发明公开了一种基于深度学习的公共场所人流量调节辅助方法及***，属于人工智能领域。本发明提供的基于深度学习的公共场所人流量调节辅助方法包括：获取当前时间点之前N个时间点的人流量；其中，N为大于等于2的整数；根据获取到的当前时间点之前N个时间点的人流量，预测未来若干时间点的人流量；根据预测出的未来若干时间点的人流量，通过向用户推荐的方式对所述未来若干时间点的实际人流量进行调节。本发明通过人流量预测和出行推荐的功能，给目标人群提供有效的数据进行参考，帮助目标人群灵活、自由地安排出行时间，从而达到调节人流量、提高公共场所资源利用率的效果。

Description

一种基于深度学习的公共场所人流量调节辅助方法及***

技术领域

本发明涉及深度学习，属于人工智能领域。

背景技术

目前，在许多公共场所中，目标人群使用公共资源的问题上，由于人流量不均，通常会出现以下问题：在人流量高峰期，目标人群需要排队等候使用公共资源，造成目标人群时间上的浪费；而在人流量低谷期，大量公共资源空置，造成公共资源利用率低下的问题。

现有技术中，为解决由于人流量不均所带来的问题，公共场所常见的人流量管理方法主要有：

(1)采用刷卡占用制度，实时显示公共场所内空余资源数。

(2)采用网络预约制度，为目标人群提前安排确定的使用时间段。

上述人流量管理方法(1)，通过目标人群对公共资源进行刷卡占用，进而获得该公共场所内的公共资源使用情况，并显示该公共场所内的空余资源数，使得目标人群可以根据该公共场所内的空余资源数来决定是否进行排队等候，从而解决了目标人群时间上浪费的问题；而上述人流量管理方法(2)，通过网络预约，将目标人群均匀的分布在不同的时间内使用公共资源，从而解决上述由于人流量不均所带来的问题。

在实现本发明的过程中，发明人发现现有技术至少存在以下缺点：

在上述人流量管理方法(1)中，目标人群仍需前往公共场所才可获知空余资源数量情况；而上述人流量管理方法(2)中，目标人群的时间安排缺少灵活性和自由性。

发明内容

本发明针对现有技术存在的上述不足，提供一种基于深度学习的公共场所人流量调节辅助方法及***，所述技术方案如下：

提供一种基于深度学习的公共场所人流量调节辅助方法，所述方法包括：

获取当前时间点之前N个时间点的人流量；其中，N为大于等于2的整数；

根据所述获取到的当前时间点之前N个时间点的人流量，预测未来若干时间点的人流量；

根据所述预测出的未来若干时间点的人流量，通过向用户推荐的方式对所述未来若干时间点的实际人流量进行调节。

可选的，所述获取当前时间点之前N个时间点的人流量，包括：

获取所述当前时间点之前N个时间点的人群图像；

根据所述获取到的所述当前时间点之前N个时间点的人群图像，运用基于YOLOv2算法的人流量计算方法计算所述当前时间点之前N个时间点的人流量。

可选的，所述运用基于YOLOv2算法的人流量计算方法计算所述当前时间点之前N个时间点的人流量，包括：

确定所述人群图像画面内行人最大尺寸函数；

根据所述行人最大尺寸函数将所述人群图像划分为多个行人目标；

根据所述行人目标计算所述当前时间点之前N个时间点的人流量。

可选的，所述运用基于YOLOv2算法的人流量计算方法计算所述当前时间点之前N个时间点的人流量，还包括：

将所述人群图像横向均分为四个区域；

在所述四个区域内分别划定三条分界线；

获取所述行人目标的位置相对于所述四个区域内分别划定的三条分界线的坐标变化信息；

根据所述坐标变化信息确定所述当前时间点之前N个时间点的人流量。

可选的，所述根据所述预测出的未来若干时间点的人流量，通过向用户推荐的方式对所述未来若干时间点的实际人流量进行调节，包括：

获取所述未来若干时间点的属性，所述属性包括日期类型和/或天气类型；所述日期类型包括工作日、周末和节假日，所述天气类型包括晴天、阴天和雨天；

根据所述未来若干时间点的属性和所述预测出的未来若干时间点的人流量计算未来若干时间点的使用推荐值；

选择所述使用推荐值最高的时间点推荐给用户，以便用户选择。

另一方面，提供一种基于深度学习的公共场所人流量调节辅助***，所述***包括：

获取模块，用于获取当前时间点之前N个时间点的人流量；其中，N为大于等于2的整数；

预测模块，用于根据所述获取模块获取到的当前时间点之前N个时间点的人流量，预测未来若干时间点的人流量；

调节模块，用于根据所述预测模块预测出的未来若干时间点的人流量，通过向用户推荐的方式对所述未来若干时间点的实际人流量进行调节。

可选的，所述获取模块，包括

人群图像获取单元，用于获取所述当前时间点之前N个时间点的人群图像；

计算单元，用于根据所述人群图像获取单元获取到的所述当前时间点之前N个时间点的人群图像，运用基于YOLOv2算法的人流量计算方法计算所述当前时间点之前N个时间点的人流量。

可选的，所述计算单元，包括：

函数确定子单元，用于确定所述人群图像画面内行人最大尺寸函数；

划分子单元，用于根据所述函数确定子单元确定的行人最大尺寸函数将所述人群图像划分为多个行人目标；

计算子单元，用于根据所述划分子单元划分的行人目标计算所述当前时间点之前N个时间点的人流量。

可选的，所述计算单元，还包括：

均分子单元，用于将所述人群图像横向均分为四个区域；

划定子单元，用于在所述均分子单元均分后的四个区域内分别划定三条分界线；

获取子单元，用于获取所述行人目标的位置相对于所述四个区域内分别划定的三条分界线的坐标变化信息；

人流量确定子单元，用于根据所述获取子单元获取到的坐标变化信息确定所述当前时间点之前N个时间点的人流量。

可选的，所述调节模块，包括：

属性获取单元，用于获取所述未来若干时间点的属性，所述属性包括日期类型和/或天气类型；所述日期类型包括工作日、周末和节假日，所述天气类型包括晴天、阴天和雨天；

推荐值计算单元，用于根据所述属性获取单元获取到的所述未来若干时间点的属性和所述预测出的未来若干时间点的人流量计算未来若干时间点的使用推荐值；

推荐单元，用于选择所述推荐值计算单元计算出的使用推荐值最高的时间点推荐给用户，以便用户选择。

本发明的有益效果是：

通过人流量预测和出行推荐的功能，给目标人群提供有效的数据进行参考，帮助目标人群灵活、自由地安排出行时间，从而达到调节人流量、提高公共场所资源利用率的效果；通过采用YOLOv2作为检测算法框架，在保持高检测精度的前提下，具有良好的检测速度，满足实时性的要求；通过确定人群图像画面内行人最大尺寸函数以及将人群图像横向均分为四个区域，并在四个区域内分别划定三条分界线，根据目标人群的位置相对于每个区域内的三条分界线的变化来最终确定人流量，获得了较好的人流量计算精度，经实验显示，本发明方法在人流量密集场景和物品遮蔽场景下都有较好的效果，平均人流量计算准确度达到90.28％。

附图说明

图1是本发明实施例的一种实施环境示意图；

图2是本发明实施例一提供的基于深度学习的公共场所人流量调节辅助方法流程图；

图3是本发明实施例二提供的基于深度学习的公共场所人流量调节辅助方法流程图；

图4是本发明实施例二提供的人群图像横向均分为四个区域的划分方法示意图；

图5是本发明实施例三提供的基于深度学习的公共场所人流量调节辅助***的结构示意图；

图6是本发明实施例四提供的基于深度学习的公共场所人流量调节辅助***的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

图1是本发明实施例的一种实施环境示意图，如图1所示，该实施环境包括图像获取设备120、处理器140和终端160。

图像获取设备120可以是监控摄像头，处理器140可以是一台处理器，也可以是若干处理器组成的处理器集群，终端160可以是诸如手机、平板电脑等移动终端设备，终端160设置有显示面板。图像获取设备120和处理器140通过有线或者无线网络连接，处理器140和终端160通过有线或者无线网络连接。图像获取设备120获取公共场所内的人群图像，将人群图像传送至处理器140，处理器140通过对大量人群图像的处理来预测未来若干时间点的人流量，然后通过终端160向用户提供有效数据参考，用户可通过终端160的显示面板查看处理器140发送的推荐信息。

实施例一：

本实施例提供一种基于深度学习的公共场所人流量调节辅助方法，参见图2，所述方法包括：

201：获取当前时间点之前N个时间点的人流量；其中，N为大于等于2的整数；

202：根据获取到的当前时间点之前N个时间点的人流量，预测未来若干时间点的人流量；

203：根据预测出的未来若干时间点的人流量，通过向用户推荐的方式对未来若干时间点的实际人流量进行调节。

本实施例通过根据获取到的当前时间点之前N个时间点的人流量，预测未来若干时间点的人流量，从而根据预测出的未来若干时间点的人流量，通过向用户推荐的方式对所述未来若干时间点的实际人流量进行调节，使得用户在不需要前往公共场所即可获知空余资源数量情况，并且用户可以根据所预测出的未来若干时间点的人流量来灵活安排时间。

实施例二

本实施例提供一种基于深度学习的公共场所人流量调节辅助方法，参见图3，所述方法包括：

本实施例中以图像获取设备120为监控摄像头、处理器140为计算机、终端160为手机、实施环境以大学校园公共浴室为例进行说明；

301：获取当前时间点之前N个时间点的人群图像；

具体的，将监控摄像头安装在大学校园公共浴室门口方向，以一定角度俯视拍摄门口人流进出，并且将拍摄到的人群图像实时传输至计算机，计算机在收到当前时间点的人群图像之前已经收到之前N个时间点的人群图像。

302：根据获取到的当前时间点之前N个时间点的人群图像，运用基于YOLOv2算法的人流量计算方法计算当前时间点之前N个时间点的人流量；

具体的，计算机在收到当前时间点之前N个时间点的人群图像后，运用基于YOLOv2算法的人流量计算方法，YOLOv2网络结构包括19个卷积层和5个最大池化层，分别用来训练分类网络和检测网络，获得用于检测行人目标的YOLO神经网络。利用训练好的YOLO神经网络检测行人目标，并用矩形框标注；

可选的，运用基于YOLOv2算法的人流量计算方法计算所述当前时间点之前N个时间点的人流量包括以下步骤：

步骤一：确定人群图像画面内行人最大尺寸函数；

具体的，本实施例通过大量数据分析，确定人群图像画面内的行人最大尺寸函数；

步骤二：根据行人最大尺寸函数将人群图像划分为多个行人目标；

具体的，运用行人最大尺寸函数对于人群图像画面内超过最大尺寸范围的矩形框进行切割，划分为多个行人目标；在实际应用中，人群图像可能存在人流量密集而产生行人之间部分遮挡的情况，会导致多个行人目标集中在一个矩形框中，而通过上述步骤一所确定的行人最大尺寸函数即可将超过最大尺寸范围的矩形框划分为多个行人目标；

步骤三：根据行人目标计算当前时间点之前N个时间点的人流量；

具体的，根据人群图像内的行人目标数即可计算出该人群图像中的人流量；

在实际应用中，因为拍摄到的人群图像中可能存在一个行人目标被另外一个行人目标完全遮挡从而被误检成一个行人目标的情况，本实施例中采用了卡尔曼滤波方法来预测行人目标的下一帧运动区域，利用匈牙利算法在人群图像内匹配行人目标，确定不同帧间的同一行人目标信息，保证在行人目标重叠漏检几帧后，在行人目标又分开后被分别检测时，依然和之前正确匹配，这就在一定范围内防止因为漏检而跟丢的情况发生；

在实际应用中，人群图像中的行人目标数既包括进入到公共场所的人，又包括从公共场所离开的人，为更加准确的确定进入到公共场所的人流量，可选的，运用基于YOLOv2算法的人流量计算方法计算所述当前时间点之前N个时间点的人流量，还包括以下步骤：

步骤四：将人群图像横向均分为四个区域；

具体的，人群图像横向均分为四个区域的划分方法如图4所示；

步骤五：在四个区域内分别划定三条分界线；

具体的，四个区域内分别划定三条分界线的方法如图4所示；

步骤六：获取行人目标的位置相对于四个区域内分别划定的三条分界线的坐标变化信息；

具体的，判断行人目标的坐标是否有越过分界线的行为；

步骤七：根据坐标变化信息确定当前时间点之前N个时间点的人流量。

具体的，当行人目标正向越过分界线时，判断进入人流量增加，当行人目标反向越过分界线时，判断走出人流量增加，最终人流量结果取各区域内最大判定结果之和；

303：根据获取到的当前时间点之前N个时间点的人流量，预测未来若干时间点的人流量；

具体的，在获取到当前时间点之前N个时间点的人流量之后，还可以获取当前时间点之前N个时间点的属性，属性包括日期类型和/或天气类型；日期类型包括工作日、周末和节假日，天气类型包括晴天、阴天和雨天；

获取未来若干时间点的属性，属性包括日期类型和/或天气类型；日期类型包括工作日、周末和节假日，天气类型包括晴天、阴天和雨天；

在具体实施过程中，计算每个时间点的人流量之后，都对该时间点的属性进行标记，而要预测的时间点的属性也进行标记，以便在预测的过程中根据同属性的时间点进行预测；本实施例中只是简单对时间点的常用属性进行了说明，实际应用中，日期类型可以细分为工作日、周日、寒假、暑假以及各种不同的节假日，这里就不一一进行说明，而天气类型，可以具体细分为下表所示：晴天、炎热、多云、阴天、小雨、中雨、大雨、小雪、中雪、大雪、极端恶劣天气(暴雨、暴雪、冰雹等)；

在具体实施过程中，可以每隔10分钟预测一次30分钟之后的人流量

根据未来若干时间点的属性和预测出的未来若干时间点的人流量计算未来若干时间点的使用推荐值；

具体的，将人流量预测数据和时间点的属性相结合，计算每个时间点的推荐值；

选择使用推荐值最高的时间点推荐给用户，以便用户选择。

本实施例通过运用基于YOLOv2算法的人流量计算方法计算当前时间点之前N个时间点的人流量，在保持高检测精度的前提下，拥有良好的检测速度，满足实时性的要求；通过确定人群图像画面内行人最大尺寸函数以及将人群图像横向均分为四个区域，并在四个区域内分别划定三条分界线，根据目标人群的位置相对于每个区域内的三条分界线的变化来最终确定人流量，获得了较好的人流量计算精度；通过获取时间点的属性，包括日期类型和/或天气类型，结合时间点的人流量来计算来预测未来具有相同属性的时间点的人流量，从而使得预测出的人流量数据更加贴近实际情况中的人流量，结合时间点的属性，计算出未来若干时间点的使用推荐值，根据使用推荐值向用户推荐更加合理的使用时间。

实施例三

本实施例提供一种基于深度学习的公共场所人流量调节辅助***，参见图5，所述***包括：

获取模块510，用于获取当前时间点之前N个时间点的人流量；其中，N为大于等于2的整数；

预测模块520，用于根据所述获取模块510获取到的当前时间点之前N个时间点的人流量，预测未来若干时间点的人流量；

调节模块530，用于根据所述预测模块520预测出的未来若干时间点的人流量，通过向用户推荐的方式对所述未来若干时间点的实际人流量进行调节。

本实施例通过根据获取到的当前时间点之前N个时间点的人流量，预测未来若干时间点的人流量，从而根据预测出的未来若干时间点的人流量，通过向用户推荐的方式对所述未来若干时间点的实际人流量进行调节，使得用户在不需要前往公共场所即可获知空余资源数量情况，并且用户可以根据所预测出的未来若干时间点的人流量来灵活安排时间。

实施例四

本实施例提供一种基于深度学习的公共场所人流量调节辅助***，参见图6，所述***包括：

获取模块600，用于获取当前时间点之前N个时间点的人流量；其中，N为大于等于2的整数；

所述获取模块600，包括

人群图像获取单元610，用于获取所述当前时间点之前N个时间点的人群图像；

计算单元620，用于根据所述人群图像获取单元610获取到的所述当前时间点之前N个时间点的人群图像，运用基于YOLOv2算法的人流量计算方法计算所述当前时间点之前N个时间点的人流量。

所述计算单元620，包括：

函数确定子单元621，用于确定所述人群图像画面内行人最大尺寸函数；

划分子单元622，用于根据所述函数确定子单元621确定的行人最大尺寸函数将所述人群图像划分为多个行人目标；

计算子单元623，用于根据所述划分子单元622划分的行人目标计算所述当前时间点之前N个时间点的人流量。

所述计算单元620，还包括：

均分子单元624，用于将所述人群图像横向均分为四个区域；

划定子单元625，用于在所述均分子单元624均分后的四个区域内分别划定三条分界线；

获取子单元626，用于获取所述行人目标的位置相对于所述四个区域内分别划定的三条分界线的坐标变化信息；

人流量确定子单元627，用于根据所述获取子单元626获取到的坐标变化信息确定所述当前时间点之前N个时间点的人流量。

预测模块700，用于根据所述获取模块600获取到的当前时间点之前N个时间点的人流量，预测未来若干时间点的人流量；

调节模块800，用于根据所述预测模块700预测出的未来若干时间点的人流量，通过向用户推荐的方式对所述未来若干时间点的实际人流量进行调节；

所述调节模块800，包括：

属性获取单元810，用于获取所述未来若干时间点的属性，所述属性包括日期类型和/或天气类型；所述日期类型包括工作日、周末和节假日，所述天气类型包括晴天、阴天和雨天；

推荐值计算单元820，用于根据所述属性获取单元810获取到的所述未来若干时间点的属性和所述预测出的未来若干时间点的人流量计算未来若干时间点的使用推荐值；

推荐单元830，用于选择所述推荐值计算单元820计算出的使用推荐值最高的时间点推荐给用户，以便用户选择。

本实施例通过运用基于YOLOv2算法的人流量计算方法计算当前时间点之前N个时间点的人流量，在保持高检测精度的前提下，拥有良好的检测速度，满足实时性的要求；通过确定人群图像画面内行人最大尺寸函数以及将人群图像横向均分为四个区域，并在四个区域内分别划定三条分界线，根据目标人群的位置相对于每个区域内的三条分界线的变化来最终确定人流量，获得了较好的人流量计算精度；通过获取时间点的属性，包括日期类型和/或天气类型，结合时间点的人流量来计算来预测未来具有相同属性的时间点的人流量，从而使得预测出的人流量数据更加贴近实际情况中的人流量，结合时间点的属性，计算出未来若干时间点的使用推荐值，根据使用推荐值向用户推荐更加合理的使用时间。

本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的公共场所人流量调节辅助方法，其特征在于，所述方法包括：

获取当前时间点之前N个时间点的人流量；其中，N为大于等于2的整数；

根据所述获取到的当前时间点之前N个时间点的人流量，预测未来若干时间点的人流量；

根据所述预测出的未来若干时间点的人流量，通过向用户推荐的方式对所述未来若干时间点的实际人流量进行调节。

2.根据权利要求1所述的方法，其特征在于，所述获取当前时间点之前N个时间点的人流量，包括：

获取所述当前时间点之前N个时间点的人群图像；

根据所述获取到的所述当前时间点之前N个时间点的人群图像，运用基于YOLOv2算法的人流量计算方法计算所述当前时间点之前N个时间点的人流量。

3.根据权利要求2所述的方法，其特征在于，所述运用基于YOLOv2算法的人流量计算方法计算所述当前时间点之前N个时间点的人流量，包括：

确定所述人群图像画面内行人最大尺寸函数；

根据所述行人最大尺寸函数将所述人群图像划分为多个行人目标；

根据所述行人目标计算所述当前时间点之前N个时间点的人流量。

4.根据权利要求3所述的方法，其特征在于，所述运用基于YOLOv2算法的人流量计算方法计算所述当前时间点之前N个时间点的人流量，还包括：

将所述人群图像横向均分为四个区域；

在所述四个区域内分别划定三条分界线；

获取所述行人目标的位置相对于所述四个区域内分别划定的三条分界线的坐标变化信息；

根据所述坐标变化信息确定所述当前时间点之前N个时间点的人流量。

5.根据权利要求1所述的方法，其特征在于，所述根据所述预测出的未来若干时间点的人流量，通过向用户推荐的方式对所述未来若干时间点的实际人流量进行调节，包括：

获取所述未来若干时间点的属性，所述属性包括日期类型和/或天气类型；所述日期类型包括工作日、周末和节假日，所述天气类型包括晴天、阴天和雨天；

根据所述未来若干时间点的属性和所述预测出的未来若干时间点的人流量计算未来若干时间点的使用推荐值；

选择所述使用推荐值最高的时间点推荐给用户，以便用户选择。

6.一种基于深度学习的公共场所人流量调节辅助***，其特征在于，所述***包括：

获取模块，用于获取当前时间点之前N个时间点的人流量；其中，N为大于等于2的整数；

预测模块，用于根据所述获取模块获取到的当前时间点之前N个时间点的人流量，预测未来若干时间点的人流量；

调节模块，用于根据所述预测模块预测出的未来若干时间点的人流量，通过向用户推荐的方式对所述未来若干时间点的实际人流量进行调节。

7.根据权利要求6所述的***，其特征在于，所述获取模块，包括

人群图像获取单元，用于获取所述当前时间点之前N个时间点的人群图像；

计算单元，用于根据所述人群图像获取单元获取到的所述当前时间点之前N个时间点的人群图像，运用基于YOLOv2算法的人流量计算方法计算所述当前时间点之前N个时间点的人流量。

8.根据权利要求7所述的***，其特征在于，所述计算单元，包括：

函数确定子单元，用于确定所述人群图像画面内行人最大尺寸函数；

划分子单元，用于根据所述函数确定子单元确定的行人最大尺寸函数将所述人群图像划分为多个行人目标；

计算子单元，用于根据所述划分子单元划分的行人目标计算所述当前时间点之前N个时间点的人流量。

9.根据权利要求8所述的***，其特征在于，所述计算单元，还包括：

均分子单元，用于将所述人群图像横向均分为四个区域；

划定子单元，用于在所述均分子单元均分后的四个区域内分别划定三条分界线；

获取子单元，用于获取所述行人目标的位置相对于所述四个区域内分别划定的三条分界线的坐标变化信息；

人流量确定子单元，用于根据所述获取子单元获取到的坐标变化信息确定所述当前时间点之前N个时间点的人流量。

10.根据权利要求6所述的***，其特征在于，所述调节模块，包括：

属性获取单元，用于获取所述未来若干时间点的属性，所述属性包括日期类型和/或天气类型；所述日期类型包括工作日、周末和节假日，所述天气类型包括晴天、阴天和雨天；

推荐值计算单元，用于根据所述属性获取单元获取到的所述未来若干时间点的属性和所述预测出的未来若干时间点的人流量计算未来若干时间点的使用推荐值；

推荐单元，用于选择所述推荐值计算单元计算出的使用推荐值最高的时间点推荐给用户，以便用户选择。