CN112668375B - 景区内游客分布分析***及方法 - Google Patents
景区内游客分布分析***及方法 Download PDFInfo
- Publication number
- CN112668375B CN112668375B CN201910985165.1A CN201910985165A CN112668375B CN 112668375 B CN112668375 B CN 112668375B CN 201910985165 A CN201910985165 A CN 201910985165A CN 112668375 B CN112668375 B CN 112668375B
- Authority
- CN
- China
- Prior art keywords
- scenic spot
- information
- image
- tourist
- tourists
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种景区内游客分布分析***及方法,通过分布于景区内的录像设备获取监视范围内的图像;利用LBP的纹理分析与卷积神经网络的高效分类机制相结合的方法对图像信息的处理,获得游客密度数据;将该游客密度传输至云平台显示的景区地图上,景区内游客通过移动终端通过访问云平台,即可获悉景区中人流分布,进而自行选择或者通过景区导航选择适合游玩的路线,降低拥堵、踩踏等影响游客旅游质量和安全的事件的发生。通过本发明中景区内游客分布分析方法及***,基于景区内视频监控设备采集的信息,即能够实时准确的获得视频监控区域游客的密度,利于景区管理。
Description
技术领域
本发明涉及智慧旅游研究领域,特别涉及一种景区内游客分布分析***及方法。
背景技术
截止2018年底,根据国内旅游抽样调查结果,国内旅游人数55.39亿人次,比上年同期增长10.8%。其中,城镇居民41.19亿人次,增长12.0%;农村居民14.20亿人次,增长7.3%。国内旅游收入5.13万亿元,上年同期增长12.3%。其中,城镇居民花费4.26万亿元,增长13.1%;农村居民花费0.87万亿元,增长8.8%。外国人入境旅游人数和入境过夜旅游人数分别增长4.7%和5.2%。旅游市场的繁荣在推动旅游产业发展的同时,对景区和旅游城市提出了更高的要求,如何利用数据有效获得游客流量数据预测,有预见性的进行游客的疏导调控,从而提高景区的服务质量,提升游客的旅游体验是发展智慧旅游重点关注的问题。
目前在旅游旺季时,经常发生游客爆满,超出了景区的容客量的现象,导致游客的旅游体验较差,而且游客在景区内游玩时也并不清楚景区内各区域的游客分布,常常扎堆行进,进而容易导致发生安全事故。目前有的景区也布设了一些扩音设备,在突发事件来临时用来播放通知引导景区内的游客远离危险,也有工作人员进入景区进行现场指挥,但由于游客对景区的熟悉度不高,这两种方式的应急效果都欠佳,有时甚至在游客疏导途中因为高密度的恐慌客流而再次发生游客互相踩踏等事故。
为了解决上述问题,国家旅游局已发出通知要求各地建立健全景区游客流量控制机制,但从目前全国各地的旅游业发展情况来看,景区尚缺乏完善的客流量预测和峰值调控机制。虽然游客流量预测能够从门票销售入手,对即将前往景区的游客提供游客流量预测预警数据支持,但对于已经进入景区的游客来说无太大指导意义,因而在景区内部,有必要实施景区各区域人流分布信息的动态监测,对客流进行提前预警和疏导,提升游客的体验,减少不利于景区的舆情。
发明内容
为了克服上述问题,本发明人进行了锐意研究,通过分布于景区内的录像设备获取监视范围内的图像;利用LBP的纹理分析与卷积神经网络的高效分类机制相结合的方法对图像信息的处理,获得游客密度数据;将该游客密度传输至云平台显示的景区地图上,景区内游客通过移动终端通过访问云平台,即可获悉景区中人流分布,进而自行选择或者通过景区导航选择适合游玩的路线,降低拥堵、踩踏等影响游客旅游质量和安全的事件的发生,利于景区管理,从而完成本发明。
本发明提供了一种景区内游客分布分析***及方法,技术方案主要包括以下方面:
第一方面,一种景区内游客分布分析***,所述***包括:云平台:与景区调度***连接,实现与景区内部信息的交互,接受移动终端的访问,基于移动终端请求的相关指令,将请求结果反馈给移动终端;
景区调度***:包括信息获取子***、信息处理子***和信息存储子***;信息获取子***包括分布于景区内的图像获取模块,图像获取模块将获取到的景区内游客的图像信息传输至信息处理子***;信息处理子***通过对原始信息的处理,获得游客密度数据;信息存储子***存储图像获取模块获得的图像信息,以及信息处理子***运算的结果,并记录景区内各设施的地理空间数据,为云平台提供包括景区地图在内的信息,是移动终端查询的基础;
移动终端:通过访问云平台,获得景区发布的信息,通过向云平台发送对应的坐标信息,获取其在景区地图中的位置。
第二方面,一种景区内游客分布分析方法,该方法包括以下步骤:
通过分布于景区内的图像获取模块获取监视范围内的图像;
图像获取模块将获取到的景区内游客的图像信息传输至信息处理子***;
信息处理子***通过对图像信息的处理,获得游客密度数据;
信息存储子***存储图像获取模块获得的图像信息,以及信息处理子***运算的结果,并记录景区内各设施的地理空间数据,为云平台提供包括景区地图、游客密度在内的信息。
根据本发明提供的一种景区内游客分布分析方法及***,具有以下有益效果:
本发明中景区内游客分布分析方法及***,利用LBP的纹理分析与卷积神经网络的高效分类机制相结合的方法对图像信息的处理,获得游客密度数据;将该游客密度传输至云平台显示的景区地图上,景区内游客通过移动终端通过访问云平台,即可获悉景区中人流分布,进而自行选择或者通过景区导航选择适合游玩的路线。本发明中方法及***,能够实时准确的获得视频监控区域游客的密度,契合我国智慧旅游的发展理念,提高了旅游期间游客的体验,且利于景区管理。
附图说明
图1示出本发明一种优选实施方式中景区内游客流量分布分析***结构示意图;
图2示出本发明一种优选实施方式中改进后的卷积神经网络结构图。
具体实施方式
下面通过附图对本发明进一步详细说明。通过这些说明,本发明的特点和优点将变得更为清楚明确。
如图1所示,根据本发明的第一方面,提供了一种景区内游客流量分布分析***,所述分析***包括:
云平台:与景区调度***连接,实现与景区内部信息的交互,接受移动终端的访问,基于移动终端请求的相关指令,将请求结果反馈给移动终端;
景区调度***:包括信息获取子***、信息处理子***和信息存储子***;信息获取子***包括分布于景区内的图像获取模块,图像获取模块将获取到的景区内游客的图像信息传输至信息处理子***;信息处理子***通过对原始信息的处理,获得游客密度数据;信息存储子***存储图像获取模块获得的图像信息,以及信息处理子***运算的结果,并记录景区内各设施的地理空间数据,为云平台提供包括景区地图、游客密度在内的信息,是移动终端查询的基础;其中,景区地图通过GIS技术实现。
移动终端:通过访问云平台,获得景区发布的信息,通过向云平台发送对应的坐标信息,获取其在景区地图中的位置。
在本发明中,云平台包括景区调度***链接模块、移动终端链接模块、景区导航模块、景点介绍模块、第三方服务模块,其中,景区调度***链接模块,用于建立与景区调度***的连接,实现与景区调度***的信息互动;该景区调度***链接模块可以为满足景区调度***信息传输的通信协议转换接口;
移动终端链接模块,用于建立与移动终端的连接,实现与移动终端的互动;该移动终端链接模块可以为满足移动终端访问的通信协议转换接口;
景区导航模块,基于景区地图,提供旅游线路的搜索,并基于游客需求为旅游线路排序;例如,以游客所在位置作为辐射中心,与游客相邻的景点为线路起始点进行线路排序,排序方式可以为与游客最相邻的景点的热门指数作为参数进行降序排列,或者以与游客最相邻的景点的人群密集度作为参数进行升序排列等;
景点介绍模块,提供线路沿途景点的介绍,包括文字、图片、语音、或视频信息;
第三方服务模块,其为旅行社、酒店、交通运输服务部门、支付应用服务部门等提供信息发布和交易的接口。
在本发明中,移动终端为可以是任何一种可与游客通过键盘、触摸屏或声控设备等进行人机交互的电子产品,例如:手机、平板电脑、掌上电脑、人机交互旅游信息终端等,移动终端的多样性增强了可交互性和体验性。
在本发明中,通过景区调度***实施景区内旅游客流量的分析。其中,图像获取模块可以为照相设备或录像设备等获得图像的硬件设备,鉴于长期监测的便利性,优选为录像设备。
在本发明中,信息处理子***通过分类算法对游客进行识别,进而获得图像获取模块拍摄范围内的游客量,即游客密度。我们知道,游客的形容穿着各异,通过人体整体识别计量游客密度相较于识别人体局部特征对模型的训练难度更大。考虑到摄像头一般设置在高于游客头部之处,较为直观的计量游客密度的方式是测定图像中人的头部数量,然而,游客头部可能无遮挡,也可能通过各式帽子、或伞而被遮挡,头部遮挡对于图像中游客识别的准确性也存在不利影响。本发明经过研究发现,采用卷积神经网络进行游客的识别,通过其分类机制,识别各色游客,通过其传播机制能够发现同一目标的相似性,使得网络能够学习到更精细的目标信息,提高游客检测的准确性。
在本发明中,信息处理子***获得游客密度的方法包括以下步骤:
步骤1),在卷积神经网络上增加LBP(Local Binary Patterns,局部二值模式)特征提取模块分支,将卷积神经网络最后一层卷积层后的池化层和所有的全连接层删除,在最后一层卷积层后增加一个通道数为游客类别总数的卷积层,其后连接全局平均池化层和一个softmax回归层,得到改进后的卷积神经网络;
步骤2),将训练样本集中图片输入到改进后的卷积神经网络,LBP特征提取模块计算得到基于原图纹理的目标响应关系;通过基于纹理的目标响应关系强化特征图,训练得到用于定位的卷积神经网络;
步骤3),向训练好的卷积神经网络中输入视频图像,在最后一个卷积层的特征图上使用激活的方法进行特征提取,得到类别响应图;
步骤4),将类别响应图上采样至原图像大小后进行二值化,再对二值化的图进行连通域检测,连通域对应的实际物理量大于设定值的连通域即为一个定位结果,通过定位结果的个数确定游客密度。
在步骤1)中,卷积神经网络包括多层卷积层、位于卷积层后与卷积层相间排列的池化层、以及位于模型最深层的全连接层,通过全连接层分析得到图片分类预测结果,即图片中是否存在游客以及各类型游客的概率。游客的类型包括游客头部头像是无遮挡的头部头像、带有各式帽子的或伞形遮挡的头部头像等该至少三种类型。
人的头部和背景环境的一个重要区别特征是纹理信息,然而,卷积神经网络在提取图像特征的时候忽略了图像的局部结构特征,特别是在较大的背景条件下的时候,游客的影像较小,卷积神经网络可能会因光照等因素将人的头部特征与背景中物体有所混淆,需要更多的卷积层提取特征以提高识别能力。如图2所示,将LBP特征提取模块计算得到基于纹理的目标响应关系与卷积神经网络的特征相融合,形成游客头部图像的最终特征表示,有利于提高卷积神经网络对局部特征的敏感性。
在本发明中,LBP特征提取模块可结合到多种卷积神经网络中并对其进行升级,该卷积神经网络包括VGG16、GoogLeNet和ResNet,由于LBP特征提取模块的***提高了分类能力,卷积神经网络采用较少卷积层数的VGG16或GoogLeNet即可。
在本发明中,LBP特征提取模块基于原始图片中邻域内的像素值,计算得到每个位置可能出现目标的概率。在卷积神经网络训练过程中,该模块通过引导卷积神经网络聚焦学习目标出现概率更高的预选位置,可以抑制背景对卷积神经网络学习的干扰。
全连接层把卷积神经网络中每一层卷积层输出的特征值通过权值矩阵计算加权平均数中的每个数的频数形成一个完整的特征图,实现分类功能。但是,全连接层是将卷积层产生的特征图中所有位置信息组合后输出,这并非与游客数量相关的直接信息。卷积层具有出色的定位能力,但是定位能力会在加入用于分类的全连接层之后丧失,因而,我们舍去全连接层。
本发明中,在最后一层卷积层后增加一个通道数为游客类别总数的卷积层,在正向传播的过程中产生对应特定类别的特征图,而无需在正向传播后额外增加通过反向传播进行特征图加权和的步骤来获取类别响应图的步骤,极大减轻了计算成本。
在本发明中,步骤2)包括以下子步骤:
步骤2.1),获取游客图像数据,确定图像类别,形成训练样本集,将训练样本集中图像输入到改进后的卷积神经网络。
图像类别即为图像中行人的类别,头部头像包括无遮挡的头部头像,带有各式帽子的或伞形遮挡的头部头像。考虑到模型训练中需要用到大量的图像,在大量的图像中精确标注每一个目标的位置,虽然能够依靠大量的标注信息学习目标识别和定位信息,但是这对数据的标注提出了非常高的要求。对图像数据集中的每一个目标精确标注的这一过程耗时耗力,这很大程度上影响了算法在海量数据上的扩展,限制了深度学习算法对大数据集的利用。为此,本发明中训练样本集中图像,给定图像中是否有游客及游客类别的标识,而不注明游客位置。
训练样本集中图像包括正例样本和反例样本,反例样本是不含有游客的图像,正例样本为含有游客的图像,其中,正例样本中包括图像上仅含有单独任意一种类型游客的图像样本。例如,正例样本中包括图像上仅含有无遮挡的头部头像、仅含有带有各式帽子的头部头像、仅含有伞形遮挡的头部头像。
在一种优选的实施方式中,训练样本集输入卷积神经网络之前,对图片进行预处理,先对图像进行高斯平滑以减少图像噪声,利用限制对比度自适应直方图均衡化算法使图像亮度均衡化。先进行去噪再进行亮度均衡化的好处在于可有效防止亮度均衡化过程中对图像中存在的噪声的增强,加大去噪难度,进而对图像质量造成影响。
步骤2.2),LBP特征提取模块计算得到基于原图纹理的目标响应关系。
LBP特征提取模块在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3领域内的8个点可产生8bit的无符号数,即得到该窗口的LBP值,并用这个值来反映该区域的纹理信息。
LBP特征提取模块得到基于纹理的目标响应关系通过下式(1)和式(2)得到:
其中,Pn为中心像素值,Pc为中心邻域上的像素值,n为0,1,2,……7。
步骤2.3),将基于纹理的目标响应关系与特征图融合,继续前向传播,训练得到目标卷积神经网络。
为了将基于纹理的目标响应关系与特征图融合,卷积神经网络第一层卷积层的核为1*1。
在卷积神经网络的前向传播过程中,基于纹理的目标响应关系将作用于特征图上(与特征图上对应的像素相乘),抑制背景噪声从而使得神经网络专注于对目标区域的学习。
在本发明中,所述步骤2)还包括对目标卷积神经网络的优化过程,该过程包括以下步骤:
步骤2.4)设计多类交叉熵的损失函数,根据损失函数计算分类结果相对于标注的误差,误差以梯度形式反传,更新卷积层网络参数(卷积核权重参数和可加性偏置);
步骤2.5)根据损失函数计算得到的分类误差判定网络是否收敛,或者判定是否已经达到最大迭代次数,如果网络收敛或已经达到最大迭代次数,停止模型训练,否则跳转至步骤2.1)。
本方法通过梯度反传更新卷积神经网络模型参数,其中,网络的学习率为0.005。深度框架能够根据损失函数的梯度,计算出整个网络不同层的相应的梯度值,并根据学习率更新网络的参数。
步骤3),向训练好的卷积神经网络中输入视频图像,在最后一个卷积层的特征图上使用激活的方法进行特征提取,得到类别响应图。
对于类别b(类别b代表游客的任意一个类别),其类别响应图定义为Mk表示第k个通道对应的特征图;最后一个卷积层对应的权重矩阵用符号/>表示。激活类别响应图简单地来说就是将不同通道特征图的线性加权求和。将类别响应图上采样到原图大小,就能得到对头像识别有意义的图像区域。
由于游客相对于摄像中的背景是运动的,为了更进一步消除背景对于目标识别的影响,在输入目标卷积神经网络前,采用背景差分法获得待检测图像下人头部区域的候选位置。
具体地,采用背景差分法获得人头部头像区域的候选位置包括以下子步骤:
子步骤3.1),首先从视频前端中提取n幅图像,运用时间中值滤波的方法提取图像的背景图像。
在本发明中,所述n的取值介于30至50之间。
在本发明中,所述时间中值滤波方法是指,以录制时间为轴,按顺序对提取的n幅图像中相同坐标处像素点的灰度值取中值,获得的图像即为背景图像。
在一种优选的实施方式中,提取图像的背景图像的操作隔设定时间重新进行一次,以降低天气、光线的影响。
子步骤3.2),将当前提取的图像与背景图像做差分来找到图像中变化(或运动)的区域,得到差分图像。后续相当于以差分图像为基础,进行游客识别。
首先从视频中抽取n幅图像f(x,y,ti),i=1,2,…,n,采用时间中值滤波得到背景图像B(x,y,ti)。将当前图像与背景图像做差分,得到差分图像D(x,y,ti),即
D(x,y,ti)=|f(x,y,ti)-D(x,y,ti)|,i=1,2,…,n. 式(3)
值得注意的是,对视频中的图像进行差分处理时,按录制时间由前至后依次进行图像的抽取。由于单个视频帧所占用的时间极短,从视频中提取n幅图像仅占用几秒钟时间,对游人密度的实时计算几乎没有影响。
步骤4),将类别响应图上采样至原图像大小后进行二值化,再对二值化的图进行连通域检测,连通域对应的实际物理量大于设定值的连通域即为一个定位结果,通过定位结果的个数确定游客密度。
在一种优选的实施方式中,激活后的类别响应图中存在局部极大值点和得分较高的区域,局部极大值点表示该类别在该位置的响应值强于邻域,极大可能是潜在的目标位置;得分较高的区域是最具辨别力的区域,即目标所在区域。类别响应图中大于某一阈值的点可以形成连通域,用于目标游客计数。
使用连通域搜索算法计算连通域,连通域搜索算法为现有技术中公布的技术,在此不再赘述。
我们知道,人的头部头像在图像上是具有一定区域面积的,通过像素和物理距离的对应关系,即可得到该区域面积对应的物理量,即人的头部大小。相应地,对设定摄像设备下的人的头部大小给予适当的阈值,基于该阈值确定其在图像中对应的区域面积的大小,小于该阈值对应的区域面积的连通域视为非头部区域。
在本发明中,游客密度可以以单位面积下游客的数量表示。
在本发明中,游客密度可以以数值化数据呈现在云平台上,或者将游客密度分为密度稀疏、密度适中、密度饱和、密度超额四个等级,以等级标识呈现在云平台上。密度稀疏是指连续多帧下或规定间隔帧下游客密度小于设定的游客最低值;密度适中是指连续多帧下或规定间隔帧下游客密度介于设定的最低值和最高允许值之间;密度饱和是指连续多帧下或规定间隔帧下游客密度介于最高允许值和警戒值之间;密度超额是指连续多帧下或规定间隔帧下游客密度大于警戒值。其中,最低值、最高允许值、警戒值根据特定景区的情况设定。
景区中的游客通过移动终端通过访问云平台,即可获悉景区中人流分布,进而自行选择或者通过景区导航模块选择适合游玩的路线。景区中的工作人员能够通过景区调度***获悉景区各处游客密度,向云平台发布信息,并及时在游客集中之处实施人流调度,降低拥堵、踩踏等影响游客旅游质量和安全的事件的发生。
根据本发明的第二方面,提供了一种景区内旅游客分布分析方法,该方法包括以下步骤:
通过分布于景区内的图像获取模块获取监视范围内的图像;
图像获取模块将获取到的景区内游客的图像信息传输至信息处理子***;
信息处理子***通过对图像信息的处理,获得游客密度数据;
信息存储子***存储图像获取模块获得的图像信息,以及信息处理子***运算的结果,并记录景区内各设施的地理空间数据,为云平台提供包括景区地图、游客密度在内的信息;
景区中的工作人员能够通过信息处理子***得到的数据获悉景区各处游客密度,向云平台发布信息,并及时在游客集中之处实施人流调度;
游客通过访问云平台,获得景区发布的包括游客密度信息,并可以通过向云平台发送对应的坐标信息,获取其在景区地图中的位置。
其中,云平台行使以下功能:建立与景区调度***的连接,实现与景区调度***的信息互动;
建立与移动终端的连接,实现与移动终端的互动;
基于景区地图,提供旅游线路的搜索,并基于游客需求为旅游线路排序;例如,以游客所在位置作为辐射中心,与游客相邻的景点为线路起始点进行线路排序,排序方式可以为与游客最相邻的景点的热门指数作为参数进行降序排列,或者以与游客最相邻的景点的人群密集度作为参数进行升序排列等;
提供线路沿途景点的介绍,包括文字、图片、语音、或视频信息;
为旅行社、酒店、交通运输服务部门、支付应用服务部门等实施信息发布和交易的接口。
在本发明中,信息处理子***通过对分类算法对人进行识别,进而获得图像获取模块拍摄范围内的游客量,即游客密度。具体地,获得游客密度的方法包括以下步骤:
步骤1),在卷积神经网络上增加LBP(Local Binary Patterns,局部二值模式)特征提取模块分支,将卷积神经网络最后一层卷积层后的池化层和所有的全连接层删除,在最后一层卷积层后增加一个通道数为游客类别总数的卷积层,其后连接全局平均池化层和一个softmax回归层,得到改进后的卷积神经网络;
步骤2),将训练样本集中图片输入到改进后的卷积神经网络,LBP特征提取模块计算得到基于原图纹理的目标响应关系;通过基于纹理的目标响应关系强化特征图,训练得到用于定位的卷积神经网络;
步骤3),向训练好的卷积神经网络中输入视频图像,在最后一个卷积层的特征图上使用激活的方法进行特征提取,得到类别响应图;
步骤4),将类别响应图上采样至原图像大小后进行二值化,再对二值化的图进行连通域检测,连通域对应的实际物理量大于设定值的连通域即为一个定位结果,通过定位结果的个数确定游客密度。
实施例
由于目前没有可用的游客密集度数据集,因此,在本实施例中,制作了两个游客光学图像数据集。其中,数据来源于颐和园2017年摄像视频,利用截图工具得到游客光学图像。两个数据集为训练样本集和测试集,训练样本集中含游客的正例样本5639幅(游客类型涵盖了无遮挡的头部头像、带有各式帽子的头部头像、伞形遮挡的头部头像),不含游客的反例样本6766幅;测试集中图片1276幅,含游客的样本953幅,不含游客的样本323幅。训练样本集中图像,给定图像中是否有游客及游客类别的标识,而不注明游客位置。
目标卷积神经网络的构建:在卷积神经网络VGG16和GoogleNet上增加LBP特征提取模块分支,将卷积神经网络最后一层卷积层后的池化层和所有的全连接层删除,在最后一层卷积层后增加一个通道数为游客类别总数(3个)的卷积层,其后连接全局平均池化层和一个softmax回归层,得到改进后的卷积神经网络;
将训练样本集中图片输入到改进后的卷积神经网络,LBP特征提取模块计算得到基于原图纹理的目标响应关系;通过基于纹理的目标响应关系强化特征图,继续前向传播得到图像分类预测结果,计算预测结果与图像类别标注之间的误差,将误差以梯度形式反向传播,直至收敛,即可获得目标卷积神经网络。
向目标卷积神经网络中输入视频图像,在最后一个卷积层的特征图上使用激活的方法进行特征提取,,得到类别响应图;将类别响应图上采样至原图像大小后进行二值化(阈值为背景图像灰度平均值),再对二值化的图进行连通域检测,连通域对应的实际物理量大于设定值的连通域即为一个定位结果,通过定位结果的个数确定游客密度。
在检测测试样本时,游客数量为准确值数量的95%~105%时即认为识别准确,采用GoogleNet卷积神经网络的检测准确率达到98.3%,采用VGG16卷积神经网络的检测准确率达到97.1%,其中,对于不含游客的样本的检测准确率分别为100%、99.4%。
以上结合了优选的实施方式对本发明进行了说明,不过这些实施方式仅是范例性的,仅起到说明性的作用。在此基础上,可以对本发明进行多种替换和改进,这些均落入本发明的保护范围内。
Claims (9)
1.景区内游客分布分析***,其特征在于,所述***包括:
云平台:与景区调度***连接,实现与景区内部信息的交互,接受移动终端的访问,基于移动终端请求的相关指令,将请求结果反馈给移动终端;
景区调度***:包括信息获取子***、信息处理子***和信息存储子***;信息获取子***包括分布于景区内的图像获取模块,图像获取模块将获取到的景区内游客的图像信息传输至信息处理子***;信息处理子***通过对原始信息的处理,获得游客密度数据;信息存储子***存储图像获取模块获得的图像信息,以及信息处理子***运算的结果,并记录景区内各设施的地理空间数据,为云平台提供包括景区地图、游客密度在内的信息,是移动终端查询的基础;
移动终端:通过访问云平台,获得景区发布的信息,通过向云平台发送对应的坐标信息,获取其在景区地图中的位置;
所述信息处理子***获得游客密度的方法包括以下步骤:
步骤1),在卷积神经网络上增加LBP特征提取模块分支,将卷积神经网络最后一层卷积层后的池化层和所有的全连接层删除,在最后一层卷积层后增加一个通道数为游客类别总数的卷积层,其后连接全局平均池化层和一个softmax回归层,得到改进后的卷积神经网络;
步骤2),将训练样本集中图片输入到改进后的卷积神经网络,LBP特征提取模块计算得到基于原图纹理的目标响应关系;通过基于纹理的目标响应关系强化特征图,训练得到用于定位的卷积神经网络;
所述LBP特征提取模块通过下式(1)和式(2)计算得到基于纹理的目标响应关系:
其中,Pn为中心像素值,Pc为中心邻域上的像素值,n为0,1,2,……7;
步骤3),向训练好的卷积神经网络中输入视频图像,在最后一个卷积层的特征图上使用激活的方法进行特征提取,得到类别响应图;
步骤4),将类别响应图上采样至原图像大小后进行二值化,再对二值化的图进行连通域检测,连通域对应的实际物理量大于设定值的连通域即为一个定位结果,通过定位结果的个数确定游客密度。
2.根据权利要求1所述的***,其特征在于,云平台包括景区调度***链接模块、移动终端链接模块、景区导航模块、景点介绍模块、第三方服务模块,其中,
景区调度***链接模块,用于建立与景区调度***的连接,实现与景区调度***的信息互动;
移动终端链接模块,用于建立与移动终端的连接,实现与移动终端的互动;
景区导航模块,基于景区地图,提供旅游线路的搜索,并基于游客需求为旅游线路排序;
景点介绍模块,提供线路沿途景点的介绍,包括文字、图片、语音、或视频信息;
第三方服务模块,其为旅行社、酒店、交通运输服务部门、支付应用服务部门提供信息发布和交易的接口。
3.根据权利要求1所述的***,其特征在于,移动终端为一种可与游客通过键盘、触摸屏或声控设备进行人机交互的电子产品;
图像获取模块为照相设备或录像设备。
4.根据权利要求1所述的***,其特征在于,步骤1)中,卷积神经网络选自VGG16或GoogLeNet。
5.根据权利要求1所述的***,其特征在于,步骤2)包括以下子步骤:
步骤2.1),获取游客图像数据,确定图像类别,形成训练样本集,将训练样本集中图像输入到改进后的卷积神经网络;
步骤2.2),LBP特征提取模块计算得到基于原图纹理的目标响应关系;
步骤2.3),将基于纹理的目标响应关系与特征图融合,继续前向传播,训练得到目标卷积神经网络。
6.根据权利要求5所述的***,其特征在于,所述步骤2)还包括对目标卷积神经网络的优化过程,该过程包括以下步骤:
步骤2.4)设计多类交叉熵的损失函数,根据损失函数计算分类结果相对于标注的误差,误差以梯度形式反传,更新卷积层网络参数;
步骤2.5)根据损失函数计算得到的分类误差判定网络是否收敛,或者判定是否已经达到最大迭代次数,如果网络收敛或已经达到最大迭代次数,停止模型训练,否则跳转至步骤2.1)。
7.根据权利要求1所述的***,其特征在于,步骤3)中,视频图像输入目标卷积神经网络中前,进行预处理,以差分图像进行后续卷积处理,具体包括以下步骤:
从视频前端中提取n幅图像,运用时间中值滤波的方法提取图像的背景图像,所述n的取值介于30至50之间;
将当前提取的图像与背景图像做差分来找到图像中变化或运动的区域,得到差分图像。
8.根据权利要求1所述的***,其特征在于,步骤4)中,使用连通域搜索算法计算连通域。
9.景区内游客分布分析方法,通过权利要求1至8之一所述的***实施,包括以下步骤:
通过分布于景区内的图像获取模块获取监视范围内的图像;
图像获取模块将获取到的景区内游客的图像信息传输至信息处理子***;
信息处理子***通过对图像信息的处理,获得游客密度数据;
信息存储子***存储图像获取模块获得的图像信息,以及信息处理子***运算的结果,并记录景区内各设施的地理空间数据,为云平台提供包括景区地图、游客密度在内的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910985165.1A CN112668375B (zh) | 2019-10-16 | 2019-10-16 | 景区内游客分布分析***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910985165.1A CN112668375B (zh) | 2019-10-16 | 2019-10-16 | 景区内游客分布分析***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668375A CN112668375A (zh) | 2021-04-16 |
CN112668375B true CN112668375B (zh) | 2023-07-07 |
Family
ID=75400406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910985165.1A Active CN112668375B (zh) | 2019-10-16 | 2019-10-16 | 景区内游客分布分析***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668375B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114125722B (zh) * | 2021-11-21 | 2022-07-19 | 特斯联科技集团有限公司 | 森林草原游客智能管理方法及*** |
CN116029864A (zh) * | 2022-12-29 | 2023-04-28 | 广州松麓圣方电子科技有限公司 | 5g+云融合的全域旅游数据管理*** |
CN116542509A (zh) * | 2023-06-21 | 2023-08-04 | 广东致盛技术有限公司 | 一种校园后勤任务管理方法及装置 |
CN117156203B (zh) * | 2023-09-19 | 2024-05-07 | 广西艺术学院 | 一种自动视频展示方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718947A (zh) * | 2016-01-21 | 2016-06-29 | 吉林大学 | 基于lbp和小波矩融合特征的肺癌图像精细分类方法 |
CN108629323A (zh) * | 2018-05-11 | 2018-10-09 | 哈尔滨工业大学 | 一种景区游客链式出行一体化提供方法 |
CN109858388A (zh) * | 2019-01-09 | 2019-06-07 | 武汉中联智诚科技有限公司 | 一种智慧旅游管理*** |
CN109859170A (zh) * | 2019-01-04 | 2019-06-07 | 中国矿业大学 | 一种基于lbp特征的钢丝绳表面损伤智能监测方法及*** |
-
2019
- 2019-10-16 CN CN201910985165.1A patent/CN112668375B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718947A (zh) * | 2016-01-21 | 2016-06-29 | 吉林大学 | 基于lbp和小波矩融合特征的肺癌图像精细分类方法 |
CN108629323A (zh) * | 2018-05-11 | 2018-10-09 | 哈尔滨工业大学 | 一种景区游客链式出行一体化提供方法 |
CN109859170A (zh) * | 2019-01-04 | 2019-06-07 | 中国矿业大学 | 一种基于lbp特征的钢丝绳表面损伤智能监测方法及*** |
CN109858388A (zh) * | 2019-01-09 | 2019-06-07 | 武汉中联智诚科技有限公司 | 一种智慧旅游管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN112668375A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668375B (zh) | 景区内游客分布分析***及方法 | |
CN112561146B (zh) | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 | |
CN109858388A (zh) | 一种智慧旅游管理*** | |
CN109559302A (zh) | 基于卷积神经网络的管道视频缺陷检测方法 | |
CN108334847A (zh) | 一种真实场景下的基于深度学习的人脸识别方法 | |
CN109766769A (zh) | 一种基于单目视觉与深度学习的道路目标检测识别方法 | |
CN109214280A (zh) | 基于街景的店铺识别方法、装置、电子设备及存储介质 | |
CN114241511B (zh) | 一种弱监督行人检测方法、***、介质、设备及处理终端 | |
CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测***及方法 | |
CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测***及方法 | |
CN110473428A (zh) | 一种智能停车方法、设备和*** | |
CN112464893A (zh) | 一种复杂环境下的拥挤度分类方法 | |
CN115775085A (zh) | 一种基于数字孪生的智慧城市管理方法及*** | |
Zhang et al. | Knowledge and topology: A two layer spatially dependent graph neural networks to identify urban functions with time-series street view image | |
CN111897993A (zh) | 一种基于行人再识别的高效目标人物轨迹生成方法 | |
Xu et al. | Building height calculation for an urban area based on street view images and deep learning | |
CN112738725B (zh) | 半封闭区域目标人群的实时识别方法、装置、设备和介质 | |
CN113256978A (zh) | 一种城市拥堵地区的诊断方法、***及储存介质 | |
CN117456342A (zh) | 一种基于街景影像的交通事故风险评估方法及*** | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及*** | |
Hu et al. | Urban landscape information atlas and model system based on remote sensing images | |
CN111726535A (zh) | 基于车辆感知的智慧城市cim视频大数据画质控制方法 | |
Sun et al. | Automatic building age prediction from street view images | |
CN110163081A (zh) | 基于ssd的实时区域入侵检测方法、***及存储介质 | |
CN115439933A (zh) | 一种基于多重模型识别策略的垃圾分类投放站点检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |