CN108648495A - 一种智能实时显示公交车拥挤程度的方法及*** - Google Patents
一种智能实时显示公交车拥挤程度的方法及*** Download PDFInfo
- Publication number
- CN108648495A CN108648495A CN201810583796.6A CN201810583796A CN108648495A CN 108648495 A CN108648495 A CN 108648495A CN 201810583796 A CN201810583796 A CN 201810583796A CN 108648495 A CN108648495 A CN 108648495A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- bus
- crowding
- degree
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种智能实时显示公交车拥挤程度的方法及***,所述方法主要通过车载摄像头捕捉车厢内实时画面,上传至云端服务器,经过基于深度学习图像识别训练好的模型智能识别出车厢内人数,从而生成当前公交车实时拥挤程度,由数据分发模块同步发送到信息显示终端上。该方法所涉及的智能实时显示公交车拥挤程度***主要由车辆GPS定位模块、数据存储模块、车载摄像头、数据传输模块、云端服务器和信息显示终端构成,该方法采用深度学习图像识别算法,所需装置设备较少,智能程度高,识别速度快,能极大地方便公交车调度中心调度和乘客出行。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种智能实时显示公交车拥挤程度的方法及***。
背景技术
在城镇化快速发展的今天,交通拥堵问题困扰着大多数城市,各地都把大力发展公共交通作为缓解拥堵的重要举措。然而当前公交车在运营和服务等方面存在着诸多不足,由于缺乏实时的公交客流信息采集技术,大部分公交公司采取基于历史客流信息的经验调度法,由此确定公交车的发车频率,具有很大盲目性,对于运营过程中的客流分布不匹配,公交车内乘客拥挤,尤其是上下班高峰期间,车内人挨人的情况经常发生,传统的公交调度方式远远不能满足市民舒适出行的需求。同时,由于乘客无法实时了解公交车载客运行的情况,导致经常出现前一辆车异常拥挤的情况下,乘客依然往上挤,而紧接着下一辆车却是乘客很少甚至出现空车的情况。因此,通过智能实时显示公交车拥挤程度,一可以提供拥挤度信息供公交车调度中心进行参考,二可以在站台电子显示屏及手持智能终端实时显示该公交线路车辆拥挤情况,供乘客合理选择车辆乘坐,提高乘坐舒适度。
发明内容
本发明的目的是针对现有技术的不足,提供了一种智能实时显示公交车拥挤程度的方法,所述方法通过较少的设备,采用深度学习图像识别算法来判定公交车的拥挤程度,以供公交车调度中心和乘客参考。
本发明的另一目的在于提供一种智能实时显示公交车拥挤程度的***。
本发明的目的可以通过如下技术方案实现:
一种智能实时显示公交车拥挤程度的方法,所述方法包括以下步骤:
S1、车载摄像头获取车厢实时画面:当公交车关闭车门,从一个站点出发前往下一个站点的时候,车辆GPS定位模块发出信号传送到车载摄像头,位于车厢前后部的摄像头开始拍摄,拍摄时长为20s,之后摄像头自动停止工作,并通过数据传输模块将拍摄的视频、车辆位置信息及车辆特征信息上传至云端服务器;
S2、云端服务器智能识别车厢拥挤程度:云端服务器接收到视频数据后,进行视频帧分割,之后读取视频图像帧,进行图像预处理,将处理好的图像传入基于深度学习图像识别算法训练好的模型中,模型智能识别出车厢拥挤程度,并将拥挤度信息与车辆特征信息、位置信息传输至数据分发模块;
S3、分发公交车拥挤度信息:数据分发模块将公交车位置信息、车辆特征信息及该公交车的拥挤程度分发至信息显示终端。
本发明的另一目的可以通过如下技术方案实现:
一种智能实时显示公交车拥挤程度的***,所述***包括车辆GPS定位模块、数据存储模块、车载摄像头、数据传输模块、云端服务器、数据分发模块和信息显示终端,车辆GPS定位模块确定公交车位置信息,并在车辆离开站点后传达车载摄像头启动信号,使车载摄像头工作,同时将公交车位置信息传输到数据存储模块;车载摄像头位于车厢前后部,每次工作20s后自动停止工作,并将拍摄的视频传输到数据存储模块;数据存储模块中存储有车辆线路信息和车辆特征信息,并接收车辆GPS定位模块和车载摄像头传来的数据后,通过数据传输模块将所有数据传输到云端服务器,云端服务器能够对接收到的数据进行自动处理从而判断出车厢内的拥挤程度,并通过数据分发模块将公交车位置信息、车辆特征信息及该公交车的拥挤程度分发至信息显示终端。
进一步地,所述信息显示终端包括公交车调度中心、该公交车行驶线路剩余站点的电子显示屏及手持智能终端(包括但不限于智能手机、平板电脑等)。
进一步地,所述云端服务器包括拥挤程度智能识别***,所述拥挤程度智能识别***接收到视频数据后,读取拍摄的视频中的视频图像帧,经图像预处理后将图像输入到训练好的深度学习图像识别模型中,深度学习图像识别模型自动识别出该图像中车厢内的拥挤程度,并将公交车位置信息、车辆特征信息及该公交车的拥挤程度传输至数据分发模块。
进一步地,所述深度学习图像识别模型基于深度学习图像识别算法,采用卷积神经网络,数据集为标注好的公交车车厢内部图像,标签为不拥挤、中度拥挤和重度拥挤三种情况,分为训练集、验证集和测试集,用大数据对卷积神经网络进行训练,调整参数,最终训练好识别率达到99.7%的深度学习图像识别模型。
进一步地,所述信息显示终端的显示信息为各条线路公交车最快达到的距离或站台数,分别采用不同颜色的字体表示不拥挤、中度拥挤和重度拥挤三种情况。
本发明与现有技术相比,具有如下优点和有益效果:
本发明所述智能实时显示公交车拥挤程度的***,占用公交车内部空间较少,所需设备较少,可以集成在一个装置内,安装在车厢中部,并且采用深度学习图像识别算法,运用卷积神经网络训练模型,识别速度快,识别率高,能够为公交车调度中心及乘客出行提供有效参考。
附图说明
图1为本发明实施例智能实时显示公交车拥挤程度***的结构框图。
图2为本发明实施例中bottleneck残差学习模块的结构图。
图3为本发明实施例深度学习图像识别模型的残差神经网络完整结构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本实施例提供了一种智能实时显示公交车拥挤程度的***,所述***的结构框图如图1所示,包括车辆GPS定位模块、数据存储模块、车载摄像头、数据传输模块、云端服务器、数据分发模块和信息显示终端,车辆GPS定位模块确定公交车位置信息,并在车辆离开站点后传达车载摄像头启动信号,使车载摄像头工作,同时将公交车位置信息传输到数据存储模块;车载摄像头位于车厢前后部,每次工作20s后自动停止工作,并将拍摄的视频传输到数据存储模块;数据存储模块中存储有车辆线路信息和车辆特征信息,并接收车辆GPS定位模块和车载摄像头传来的数据后,通过数据传输模块将所有数据传输到云端服务器,云端服务器能够对接收到的数据进行自动处理从而判断出车厢内的拥挤程度,并通过数据分发模块将公交车位置信息、车辆特征信息及该公交车的拥挤程度分发至信息显示终端。
其中,数据分发模块接收云端服务器传输来的数据,根据车辆特征信息、公交车位置信息确定公交车所处线路及剩余线路站点信息,将该车辆的拥挤程度分发至公交车调度中心、线路剩余站点电子显示屏及手持智能终端上,公交车调度中心根据车辆拥挤度信息来采取是否加派公交车及改变发车频率,而乘客可以根据公交车站点电子显示屏及手持智能终端上的车辆拥挤度信息来决定自己的出行选择。
所述信息显示终端(即公交车调度中心终端、站台电子显示屏及手持智能终端)的站台电子显示屏显示方案采用LED屏,显示信息为各条线路车辆最快到达距离或站台数,字体采用红、黄、绿三种颜色分别表示重度拥挤、中度拥挤及不拥挤三种情况,既能够显示线路信息又能够直观地反映出公交车的拥挤度。
本实施例还提供了一种智能实时显示公交车拥挤程度的方法,所述方法包括以下步骤:
S1、车载摄像头获取车厢实时画面:当公交车关闭车门,从一个站点出发前往下一个站点的时候,车辆GPS定位模块发出信号传送到车载摄像头,位于车厢前后部的摄像头开始拍摄,拍摄时长为20s,之后摄像头自动停止工作,并通过数据传输模块将拍摄的视频、车辆位置信息及车辆特征信息上传至云端服务器;
S2、云端服务器智能识别车厢拥挤程度:云端服务器接收到视频数据后,进行视频帧分割,之后读取视频图像帧,进行图像预处理,将处理好的图像传入基于深度学习图像识别算法训练好的模型中,模型智能识别出车厢拥挤程度,并将拥挤度信息与车辆特征信息、位置信息传输至数据分发模块;
具体地,云端服务器接收到视频数据后,按4s/帧的频率进行视频帧分割,以确保能够清晰反映车厢内部情况,之后读取视频图像帧,进行图像预处理,将处理好的图像传入基于深度学习图像识别算法训练好的模型中,智能识别出车厢拥挤程度,其中图像预处理具体如下:
图像帧记为pk,k表示图像帧编号,在一个视频序列里,k依次被赋值为:1、2、3、……采样图像大小用M×N表示,对采集到的视频图像帧采取加权平均法进行灰度处理得到灰度图像帧pk,如公式(1)所示:
pk(x,y)=0.2989Rk(x,y)+0.5870Gk(x,y)+0.1140Bk(x,y) (1)
其中pk(x,y)表示灰度图像pk在坐标(x,y)处的灰度值,Rk(x,y)、Gk(x,y)、Bk(x,y)分别表示视频图像帧pk在坐标(x,y)处的红色分量值、绿色分量值和蓝色分量值。
之后进行视频图像颜色空间转换,采集的视频图像帧的颜色显示在RGB模型空间中,HSV彩色模型比RGB颜色模型更接近我们对色彩的感知,因此将彩***图像转换到HSV颜色空间中得到HSV颜色空间图像。
其中所述基于深度学习图像识别算法训练好的模型,即深度学习图像识别模型,基于深度学习图像识别算法,采用卷积神经网络,数据集为标注好的公交车车厢内部图像,标签为不拥挤、中度拥挤和重度拥挤三种情况,分为训练集、验证集和测试集,用大数据对卷积神经网络进行训练,调整参数,最终训练好识别率达到99.7%的深度学习图像识别模型。
本实施例采用的深度学习图像识别模型为残差神经网络(ResNet),该神经网络可以轻易的达到上百层,甚至上千层,并且能在可接受的时间内完成训练,从而大大提升了图像识别的准确度。残差神经网络主要是由多个残差学习模块堆叠而成,该模块为bottleneck残差学习模块,该模块结构如下图2所示,并进行简化表示。
Bottleneck结构的非线性部分一共有3层,包括两个1×1的卷积和一个k×k的卷积,图中k=1。假设输入一个维度为256的数据,第一个1×1的卷积主要起到了降维的作用,同时还在一定程度上实现了跨通道的信息融合,它把输入维度降到64,而第二个1×1的卷积主要起到升维的作用,它把输出维度重新升回256。通过这两个1×1的卷积,使得中间k×k的卷积输入,输出维度都由原本的256降为了64,大大减少了参数数量,同时还增加了模块的深度,这种bottleneck模块是让残差网络能够达到上百层甚至是上千层的关键。
智能实时显示公交车拥挤程度***中深度学***均池化层,接着为dropout操作,最后是全连接层和softmax,m为缩放参数。
卷积层的数学表达式如公式(2)所示:
其中:K(l)={(u,v)∈N2|0<u<Kx,0<v<Ky};Kx和Ky分别是卷积核的宽度和高度;l表示当前层数;是卷积层第j张特征图上神经元的偏置;Mj(l-1)(u,v)是与卷积层第j张特征图建立关系的前一层特征图的集合。
池化层模拟复杂细胞是将初级的视觉特征筛选并结合成更高级和抽象的视觉特征的过程,在网络中通过采样实现,数学表达式如公式(3)所示:
其中down表示最大值采样的函数,该层运算不包含可学习的权值和阈值。
全连接层可以增强网络的非线性映射能力,同时限制网络规模的大小,加入一个全连接层,该层的每一个神经元与前一层的所有神经元互相连接,同层神经元之间不连接,数学表达式如公式(4)所示:
其中:n是前一层的神经元个数;l表示当前层数;是该层神经元j与前一层神经元i的连接强度;是该层神经元j的偏置;f(·)表示激活函数。
S3、分发公交车拥挤度信息:数据分发模块将公交车位置信息、车辆特征信息及该公交车的拥挤程度分发至信息显示终端。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (6)
1.一种智能实时显示公交车拥挤程度的方法,其特征在于,所述方法包括以下步骤:
S1、车载摄像头获取车厢实时画面:当公交车关闭车门,从一个站点出发前往下一个站点的时候,车辆GPS定位模块发出信号传送到车载摄像头,位于车厢前后部的摄像头开始拍摄,拍摄时长为20s,之后摄像头自动停止工作,并通过数据传输模块将拍摄的视频、车辆位置信息及车辆特征信息上传至云端服务器;
S2、云端服务器智能识别车厢拥挤程度:云端服务器接收到视频数据后,进行视频帧分割,之后读取视频图像帧,进行图像预处理,将处理好的图像传入基于深度学习图像识别算法训练好的模型中,模型智能识别出车厢拥挤程度,并将拥挤度信息与车辆特征信息、位置信息传输至数据分发模块;
S3、分发公交车拥挤度信息:数据分发模块将公交车位置信息、车辆特征信息及该公交车的拥挤程度分发至信息显示终端。
2.一种智能实时显示公交车拥挤程度的***,其特征在于:所述***包括车辆GPS定位模块、数据存储模块、车载摄像头、数据传输模块、云端服务器、数据分发模块和信息显示终端,车辆GPS定位模块确定公交车位置信息,并在车辆离开站点后传达车载摄像头启动信号,使车载摄像头工作,同时将公交车位置信息传输到数据存储模块;车载摄像头位于车厢前后部,每次工作20s后自动停止工作,并将拍摄的视频传输到数据存储模块;数据存储模块中存储有车辆线路信息和车辆特征信息,并接收车辆GPS定位模块和车载摄像头传来的数据后,通过数据传输模块将所有数据传输到云端服务器,云端服务器能够对接收到的数据进行自动处理从而判断出车厢内的拥挤程度,并通过数据分发模块将公交车位置信息、车辆特征信息及该公交车的拥挤程度分发至信息显示终端。
3.根据权利要求2所述的一种智能实时显示公交车拥挤程度的***,其特征在于:所述信息显示终端包括公交车调度中心、该公交车行驶线路剩余站点的电子显示屏及手持智能终端。
4.根据权利要求2所述的一种智能实时显示公交车拥挤程度的***,其特征在于:所述云端服务器包括拥挤程度智能识别***,所述拥挤程度智能识别***接收到视频数据后,读取拍摄的视频中的视频图像帧,经图像预处理后将图像输入到训练好的深度学习图像识别模型中,深度学习图像识别模型自动识别出该图像中车厢内的拥挤程度,并将公交车位置信息、车辆特征信息及该公交车的拥挤程度传输至数据分发模块。
5.根据权利要求2所述的一种智能实时显示公交车拥挤程度的***,其特征在于:所述深度学习图像识别模型基于深度学习图像识别算法,采用卷积神经网络,数据集为标注好的公交车车厢内部图像,标签为不拥挤、中度拥挤和重度拥挤三种情况,分为训练集、验证集和测试集,用大数据对卷积神经网络进行训练,调整参数,最终训练好识别率达到99.7%的深度学习图像识别模型。
6.根据权利要求2所述的一种智能实时显示公交车拥挤程度的***,其特征在于:所述信息显示终端的显示信息为各条线路公交车最快达到的距离或站台数,分别采用不同颜色的字体表示不拥挤、中度拥挤和重度拥挤三种情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810583796.6A CN108648495A (zh) | 2018-06-08 | 2018-06-08 | 一种智能实时显示公交车拥挤程度的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810583796.6A CN108648495A (zh) | 2018-06-08 | 2018-06-08 | 一种智能实时显示公交车拥挤程度的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108648495A true CN108648495A (zh) | 2018-10-12 |
Family
ID=63751808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810583796.6A Pending CN108648495A (zh) | 2018-06-08 | 2018-06-08 | 一种智能实时显示公交车拥挤程度的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108648495A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684952A (zh) * | 2018-12-13 | 2019-04-26 | 北京航空航天大学 | 一种适用于高铁列车智能空调的乘客分布检测***及方法 |
CN110335460A (zh) * | 2019-05-08 | 2019-10-15 | 上海电机学院 | 一种公共交通信息智能交互***及方法 |
CN110458080A (zh) * | 2019-08-05 | 2019-11-15 | 西藏宁算科技集团有限公司 | 一种汽车行驶中前方坑洞的预判方法及*** |
CN110458056A (zh) * | 2019-07-29 | 2019-11-15 | 交控科技股份有限公司 | 列车车厢拥挤度检测方法及装置 |
CN110782692A (zh) * | 2019-10-31 | 2020-02-11 | 青岛海信网络科技股份有限公司 | 一种信号灯故障检测方法及*** |
CN110852155A (zh) * | 2019-09-29 | 2020-02-28 | 深圳市深网视界科技有限公司 | 公交乘客拥挤度检测方法、***、装置及存储介质 |
CN111291766A (zh) * | 2018-12-06 | 2020-06-16 | 乐金信世股份有限公司 | 利用深度学习的图像识别方法及服务器 |
CN112241688A (zh) * | 2020-09-24 | 2021-01-19 | 厦门卫星定位应用股份有限公司 | 车厢拥挤度检测方法及*** |
CN112396587A (zh) * | 2020-11-20 | 2021-02-23 | 重庆大学 | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 |
CN112904775A (zh) * | 2021-01-20 | 2021-06-04 | 深圳市蓝泰源信息技术股份有限公司 | 一种公交车载智能终端 |
CN113291703A (zh) * | 2020-08-31 | 2021-08-24 | 湖南长天自控工程有限公司 | 一种卸料口堵料检测方法及装置 |
CN115071574A (zh) * | 2022-06-14 | 2022-09-20 | 广州国云信息技术有限公司 | 一种智能公交终端*** |
CN115273480A (zh) * | 2022-09-28 | 2022-11-01 | 南京智慧交通信息股份有限公司 | 一种基于大数据分析的交通预警***及其方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090112452A1 (en) * | 2007-10-25 | 2009-04-30 | Gm Global Technology Operations, Inc. | Vehicle navigation system with real time traffic image display |
CN102333234A (zh) * | 2011-10-28 | 2012-01-25 | 清华大学 | 一种双目立体视频状态信息的监测方法及装置 |
CN102724390A (zh) * | 2011-03-29 | 2012-10-10 | 赵山山 | 列车车厢拥挤程度检测的方法以及人流导引*** |
CN104091179A (zh) * | 2014-07-01 | 2014-10-08 | 北京工业大学 | 小麦白粉病菌孢子图片的智能识别方法 |
CN104751187A (zh) * | 2015-04-14 | 2015-07-01 | 山西科达自控股份有限公司 | 抄表图像自动识别方法 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
CN105740894A (zh) * | 2016-01-28 | 2016-07-06 | 北京航空航天大学 | 一种高光谱遥感图像的语义标注方法 |
CN106372402A (zh) * | 2016-08-30 | 2017-02-01 | 中国石油大学(华东) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 |
CN205983830U (zh) * | 2016-05-16 | 2017-02-22 | 李政达 | 应用于公交信息处理的智能交互*** |
CN106485923A (zh) * | 2016-12-20 | 2017-03-08 | 武汉理工大学 | 一种公交拥挤度实时状态采集方法与装置 |
CN107145819A (zh) * | 2017-03-14 | 2017-09-08 | 浙江宇视科技有限公司 | 一种公交车拥挤度确定方法和装置 |
CN107239576A (zh) * | 2017-06-30 | 2017-10-10 | 青岛海澄知识产权事务有限公司 | 一种公交车拥挤程度可视化方法 |
CN108073886A (zh) * | 2016-11-18 | 2018-05-25 | 南京行者易智能交通科技有限公司 | 一种基于机器学习的公交车乘客量估算方法 |
-
2018
- 2018-06-08 CN CN201810583796.6A patent/CN108648495A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090112452A1 (en) * | 2007-10-25 | 2009-04-30 | Gm Global Technology Operations, Inc. | Vehicle navigation system with real time traffic image display |
CN102724390A (zh) * | 2011-03-29 | 2012-10-10 | 赵山山 | 列车车厢拥挤程度检测的方法以及人流导引*** |
CN102333234A (zh) * | 2011-10-28 | 2012-01-25 | 清华大学 | 一种双目立体视频状态信息的监测方法及装置 |
CN104091179A (zh) * | 2014-07-01 | 2014-10-08 | 北京工业大学 | 小麦白粉病菌孢子图片的智能识别方法 |
CN104751187A (zh) * | 2015-04-14 | 2015-07-01 | 山西科达自控股份有限公司 | 抄表图像自动识别方法 |
CN105740894A (zh) * | 2016-01-28 | 2016-07-06 | 北京航空航天大学 | 一种高光谱遥感图像的语义标注方法 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
CN205983830U (zh) * | 2016-05-16 | 2017-02-22 | 李政达 | 应用于公交信息处理的智能交互*** |
CN106372402A (zh) * | 2016-08-30 | 2017-02-01 | 中国石油大学(华东) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 |
CN108073886A (zh) * | 2016-11-18 | 2018-05-25 | 南京行者易智能交通科技有限公司 | 一种基于机器学习的公交车乘客量估算方法 |
CN106485923A (zh) * | 2016-12-20 | 2017-03-08 | 武汉理工大学 | 一种公交拥挤度实时状态采集方法与装置 |
CN107145819A (zh) * | 2017-03-14 | 2017-09-08 | 浙江宇视科技有限公司 | 一种公交车拥挤度确定方法和装置 |
CN107239576A (zh) * | 2017-06-30 | 2017-10-10 | 青岛海澄知识产权事务有限公司 | 一种公交车拥挤程度可视化方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291766A (zh) * | 2018-12-06 | 2020-06-16 | 乐金信世股份有限公司 | 利用深度学习的图像识别方法及服务器 |
CN109684952A (zh) * | 2018-12-13 | 2019-04-26 | 北京航空航天大学 | 一种适用于高铁列车智能空调的乘客分布检测***及方法 |
CN110335460A (zh) * | 2019-05-08 | 2019-10-15 | 上海电机学院 | 一种公共交通信息智能交互***及方法 |
CN110458056A (zh) * | 2019-07-29 | 2019-11-15 | 交控科技股份有限公司 | 列车车厢拥挤度检测方法及装置 |
CN110458080A (zh) * | 2019-08-05 | 2019-11-15 | 西藏宁算科技集团有限公司 | 一种汽车行驶中前方坑洞的预判方法及*** |
CN110852155A (zh) * | 2019-09-29 | 2020-02-28 | 深圳市深网视界科技有限公司 | 公交乘客拥挤度检测方法、***、装置及存储介质 |
CN110782692A (zh) * | 2019-10-31 | 2020-02-11 | 青岛海信网络科技股份有限公司 | 一种信号灯故障检测方法及*** |
CN113291703A (zh) * | 2020-08-31 | 2021-08-24 | 湖南长天自控工程有限公司 | 一种卸料口堵料检测方法及装置 |
CN112241688A (zh) * | 2020-09-24 | 2021-01-19 | 厦门卫星定位应用股份有限公司 | 车厢拥挤度检测方法及*** |
CN112396587A (zh) * | 2020-11-20 | 2021-02-23 | 重庆大学 | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 |
CN112396587B (zh) * | 2020-11-20 | 2024-01-30 | 重庆大学 | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 |
CN112904775A (zh) * | 2021-01-20 | 2021-06-04 | 深圳市蓝泰源信息技术股份有限公司 | 一种公交车载智能终端 |
CN115071574A (zh) * | 2022-06-14 | 2022-09-20 | 广州国云信息技术有限公司 | 一种智能公交终端*** |
CN115273480A (zh) * | 2022-09-28 | 2022-11-01 | 南京智慧交通信息股份有限公司 | 一种基于大数据分析的交通预警***及其方法 |
CN115273480B (zh) * | 2022-09-28 | 2023-01-20 | 南京智慧交通信息股份有限公司 | 一种基于大数据分析的交通预警***及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648495A (zh) | 一种智能实时显示公交车拥挤程度的方法及*** | |
CN106446949B (zh) | 一种车辆型号识别方法及装置 | |
CN111079586B (zh) | 基于深度学习与双目摄像的自动驾驶目标检测***及方法 | |
CN109636397A (zh) | 公共交通出行控制方法、装置、计算机设备及存储介质 | |
CN109919140A (zh) | 车辆碰撞事故责任自动判定方法、***、设备及存储介质 | |
CN109886210A (zh) | 一种交通图像识别方法、装置、计算机设备和介质 | |
CN105512623A (zh) | 基于多传感器雾天行车视觉增强与能见度预警***及方法 | |
US10949687B2 (en) | Method and apparatus for outputting information | |
CN109685026B (zh) | 一种驾驶员手持手机通话的实时监测方法 | |
CN105844257A (zh) | 基于机器视觉雾天行车错失道路标志牌的预警***及方法 | |
CN105354530A (zh) | 一种车身颜色识别方法及装置 | |
CN109635825A (zh) | 车辆属性检测方法、装置及存储介质 | |
CN205665896U (zh) | 一种交叉路口信号灯状态识别装置 | |
CN106485923B (zh) | 一种公交拥挤度实时状态采集方法与装置 | |
CN106815574A (zh) | 建立检测模型、检测接打手机行为的方法和装置 | |
CN106682648B (zh) | 一种用户接打手机行为检测方法和装置 | |
CN111783589A (zh) | 基于场景分类和多尺度特征融合的复杂场景人群计数方法 | |
CN103106410B (zh) | 一种实现智能公交站牌的方法及*** | |
CN110532925A (zh) | 基于时空图卷积网络的驾驶员疲劳检测方法 | |
CN112084928A (zh) | 基于视觉注意力机制和ConvLSTM网络的道路交通事故检测方法 | |
CN108960133A (zh) | 乘客流量监控的方法、电子设备、***以及存储介质 | |
CN110069982A (zh) | 一种交通车辆与行人的自动识别方法 | |
CN115601717B (zh) | 基于深度学习的交通违法行为分类检测方法及SoC芯片 | |
CN112489072A (zh) | 一种车载视频感知信息传输负载优化方法及装置 | |
CN205983830U (zh) | 应用于公交信息处理的智能交互*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181012 |
|
RJ01 | Rejection of invention patent application after publication |