CN114511821A - 一种上下车人数统计方法、***、计算机设备和存储介质 - Google Patents
一种上下车人数统计方法、***、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114511821A CN114511821A CN202210401166.9A CN202210401166A CN114511821A CN 114511821 A CN114511821 A CN 114511821A CN 202210401166 A CN202210401166 A CN 202210401166A CN 114511821 A CN114511821 A CN 114511821A
- Authority
- CN
- China
- Prior art keywords
- current
- passenger
- image
- rgb
- infrared image
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种上下车人数统计方法、***、计算机设备和存储介质。上下车人数统计方法包括:获取当前RGB图像和当前红外图像;判断拍摄当前RGB图像的拍摄光线强度是否大于预设强度阈值;若是,则将当前RGB图像和当前红外图像进行对比,获取当前乘客位置和当前乘客数量;若否,则获取当前红外图像相邻至少一帧的相邻红外图像,根据当前红外图像和相邻红外图像获取当前乘客位置和当前乘客数量;获取每个乘客的移动趋势和乘客数量变化值,根据每个乘客的移动趋势和乘客数量变化值获取上下车人数。本发明能够有效提升上下车人数统计的准确性和可靠性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种上下车人数统计方法、***、计算机设备和存储介质。
背景技术
城市管理中,需要统计公交车不同时间段的上下乘客人数,地铁各站的繁忙程度,用于宏观调控和规划管理。目前能够通过摄像装置在车顶头部拍照获取照片,通过视觉AI对照片进行识别来统计人数。
因为公交车或地铁安装环境的限制,只能从头顶往下拍摄来获取照片,这使得照片中包括乘客头顶的图像,而头顶因为只有一个圆形,特征信息较少,导致算法在获取乘客的位置和数量时判断失误。例如,在乘客手持球类或者携带背包等物体时容易误报。在晚上或者阴雨天气等光照不好的情况下,照片质量不佳,也会导致计数不准确。
发明内容
基于此,有必要针对上述问题,提出了公交车上下车人数统计方法、***、计算机设备和介质。
一种上下车人数统计方法,应用于拍摄***,所述拍摄***包括RGB摄像装置和红外摄像装置;
所述上下车人数统计方法包括如下步骤:
当车辆处于停靠站位置时,检测到车门有乘客经过时按照预设拍摄时间节点进行拍摄,获取当前RGB图像和当前红外图像;
判断拍摄所述当前RGB图像的拍摄光线强度是否大于预设强度阈值;
若所述拍摄光线强度大于所述预设强度阈值,则将所述当前RGB图像和所述当前红外图像进行对比,获取当前乘客位置和当前乘客数量;
若所述拍摄光线强度小于或等于所述预设强度阈值,则获取所述当前红外图像相邻至少一帧的相邻红外图像,根据所述当前红外图像和所述相邻红外图像获取所述当前乘客位置和所述当前乘客数量;
根据所述车辆处于停靠站位置时获取的多张所述当前RGB图像和所述当前红外图像获取每个乘客的移动趋势和乘客数量变化值,根据每个乘客的所述移动趋势和所述乘客数量变化值获取上下车人数。
一种上下车人数统计***,包括如下模块:
获取模块,用于当车辆处于停靠站位置时,检测到车门有乘客经过时按照预设拍摄时间节点进行拍摄,获取当前RGB图像和当前红外图像;
判断模块,用于判断拍摄所述当前RGB图像的拍摄光线强度是否大于预设强度阈值;
对比模块,用于若所述拍摄光线强度大于所述预设强度阈值,则将所述当前RGB图像和所述当前红外图像进行对比,获取当前乘客位置和当前乘客数量;
检测模块,用于若所述拍摄光线强度小于或等于所述预设强度阈值,则获取所述当前红外图像相邻至少一帧的相邻红外图像,根据所述当前红外图像和所述相邻红外图像获取所述当前乘客位置和所述当前乘客数量;
人数模块,用于根据所述车辆处于停靠站位置时获取的多张所述当前RGB图像和所述当前红外图像获取每个乘客的移动趋势和乘客数量变化值,根据每个乘客的所述移动趋势和所述乘客数量变化值获取上下车人数。
一种存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上所述方法的步骤。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上所述方法的步骤。
实施本发明具有如下有益效果:
当拍摄当前RGB图像的拍摄光线强度若拍摄光线强度小于或等于预设强度阈值大于预设强度阈值时,当前RGB图像质量较高,将当前RGB图像和当前红外图像进行对比,能够准确获取当前乘客位置和当前乘客数量,从而获取到准确的上下车人数,若拍摄光线强度小于或等于预设强度阈值,则当前RGB图像质量较低,参考价值也较低,获取当前红外图像的下一帧的相邻红外图像,获取当前红外图像和相邻红外图像的差异图像区域,由于差异图像区域是由于乘客的移动而造成的,因此根据差异图像区域能够获取到准确的上下车人数。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1是本发明提供的上下车人数统计方法的一实施例的流程示意图;
图2是本发明提供的上下车人数统计***的一实施例的结构示意图;
图3是本发明提供的控制终端的一实施例的结构示意图;
图4是本发明提供的存储介质的一实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1是本发明提供的上下车人数统计方法的一实施例的流程示意图。本发明提供的上下车人数统计方法包括如下步骤:
S101:当车辆处于停靠站位置时,检测到车门有乘客经过时按照预设拍摄时间节点进行拍摄,获取当前RGB图像和当前红外图像。
在一个具体的实施场景中,在公交车和地铁等公共交通工具的车门框的上方设置拍摄***,以获取乘客上下车的情况。从上而下拍摄乘客时,只能获取到乘客的头顶的图像,也就是一个近似圆形的头顶图像,可以根据采集的图像中的头顶图像的数量和位置获取当前乘客的数量和位置。在本实施场景中,拍摄***包括RGB摄像装置和红外摄像装置。RGB摄像装置能够采集到彩色的RGB图像,红外摄像装置能够采集到红外图像。当车辆处于停靠站位置时,在车门有乘客经过时,驱动拍摄***工作,通过RGB摄像装置获取当前RGB图像,通过红外摄像装置获取当前红外图像。
在其他实施场景中,还可以是车辆到站时,或者车门打开时驱动拍摄***工作。以有效减少拍摄***的工作时长,节约资源。
S102:判断拍摄当前RGB图像的拍摄光线强度是否大于预设强度阈值,若是,执行步骤S103。若否,执行步骤S104。
在一个具体的实施场景中,RGB摄像装置进行拍摄时,可以获取到当前的拍摄光线强度,RGB摄像装置能够根据拍摄光线强度智能调整拍摄参数,从而使得拍摄的当前RGB图像质量较高,但是当拍摄光线强度过低时,将会低于RGB摄像装置的可调整范围,此时获取的当前RGB图像质量较低,可能存在画面不清晰、颜色灰暗、分辨率低等问题,质量较低的当前RGB图像将会影响获取到的乘客位置和乘客数量的准确度和可靠度。
在本实施场景中,设置有预设强度阈值,预设强度阈值根据RGB摄像装置的拍摄性能参数、对人数的准确度的要求以及该公共交通工具的行车路线的采光情况进行设置。
S103:将当前RGB图像和当前红外图像进行对比,获取当前乘客位置和当前乘客数量。
在一个具体的实施场景中,拍摄当前RGB图像时的拍摄光线强度大于预设强度阈值,则拍摄到的当前RGB图像的质量较高,能够满足使用需求。将当前RGB图像和当前红外图像进行对比,获取当前乘客位置和当前乘客数量。
在一个实施场景中,对当前RGB图像进行图像处理,识别出当前RGB图像中是乘客的头顶图像的RGB乘客图像区域。例如,可以根据乘客头顶图像的特征(例如圆形、预设尺寸大小等等)识别出RGB乘客图像区域。还可以通过训练好的神经网络识别出当前RGB图像中RGB乘客图像区域。对当前红外图像进行图像处理,识别出当前红外图像中的红外乘客图像区域。乘客的头顶图像在当前红外图像中表现为红色的原点,根据预设尺寸大小进行筛选,获取红外乘客图像区域。还可以通过训练好的神经网络识别出当前红外图像中红外乘客图像区域。
根据RGB乘客图像区域,获取每个乘客的RGB图像位置,根据红外乘客图像区域获取每个乘客的红外图像位置。若RGB图像位置和红外图像位置相对应,则判定该RGB图像位置对应一个乘客的头顶,若RGB图像位置和红外图像位置不对应,则判定该RGB图像位置不存在乘客。根据具有相对应的红外图像位置的RGB图像位置和数量获取乘客位置和乘客数量。
在一个实施场景中,由于RGB摄像装置和红外摄像装置的安装位置不可能重合,因此RGB摄像装置和红外摄像装置拍摄的当前RGB图像和当前红外图像存在视角差距,获取RGB摄像装置和红外摄像装置安装的位置(包括水平位置和垂直高度),根据安装的位置对当前RGB图像位置和当前红外图像位置进行图像位置校正,基于校正后的当前RGB图像位置和当前红外图像位置判断当前RGB图像位置是否存在乘客,能够进一步提升判断的准确度和可靠度。
在另一个实施场景中,基于RGB摄像装置和红外摄像装置的安装位置进行双目测距,由于车顶高度是已知且不变的,根据RGB摄像装置和红外摄像装置对当前RGB图像中经过上述步骤获取到的当前乘客位置进行双目测距,可以计算出该乘客的身高,若该身高满足预设身高范围,则可以确定该当前RGB图像位置对应一个乘客,保留该当前乘客位置。进一步的,还可以根据获取当前RGB图像位置的圆形的直径和RGB摄像装置和红外摄像装置的安装位置推算出头部直径,获取头部直径与身高的比值,判断该比值是否满足预设的人类头身比,如果满足,则可以确定该当前当乘客位置确实对应一个乘客。例如,乘客可能携带了一个加热的圆形物体,但是该圆形物体可以是拎在手上的,这样其高度或者比值都不会与真实人类的数值相近,通过本方法能够有效避免误判。
在一个实施场景中,根据RGB摄像装置和红外摄像装置安装的位置对当前RGB图像和当前红外图像进行图像位置校正,获取校正位置之后的当前RGB图像中的RGB乘客图像区域,获取RGB乘客图像区域在当前RGB图像中的位置参数,根据位置参数将RGB乘客图像区域映射至校正位置后的当前红外图像,获取当前红外图像中对应于RGB乘客图像区域的图像位置的当前映射区域,若当前映射区域包括圆形热点,则表示当前映射区域对应一个乘客。根据包括圆形热点的当前映射区域的位置和数量获取当前乘客位置和当前乘客数量。
在另一个实施场景中,预先准备训练图像集,训练图像集包括多个训练图像组和每个训练图像组对应的乘客位置和/或乘客数量,每个训练图像组包括训练RGB图像和训练RGB图像对应的训练红外图像,通过训练图像集对神经网络进行训练,获取预训练的神经网络。将当前RGB图像和当前红外图像输入预训练的神经网络,获取当前乘客位置和当前乘客数量。
在另一个实施场景中,训练图像集包括多个训练图像组,每个训练图像组包括训练RGB图像和训练RGB图像对应的训练红外图像,在每个训练RGB图像及其对应的训练红外图像上均标注有乘客图像位置,通过训练图像集对神经网络进行训练,获取预训练的神经网络。将当前RGB图像和当前红外图像输入预训练的神经网络,获取当前RGB图像中的乘客位置,并根据乘客位置进行计数,获取乘客数量。
通过神经网络获取乘客位置和乘客数量能够有效提升检测的准确率和效率。基于当前RGB图像进行图像检测,获取每个像素点属于当前乘客位置的RGB概率值,基于当前红外图像进行图像检测,获取每个像素点属于当前乘客位置的红外概率值。上述图像检测可以是通过神经网络进行运算获取。
根据以下公式获取每个像素点属于当前乘客位置的乘客概率值:
RGB概率值*RGB权重值+红外概率值*(1- RGB权重值)。
将乘客概率值大于预设概率阈值的像素点作为目标像素点,获取目标像素点组成的目标图像,对目标图像进行圆形检测,获取对应于对应于乘客头顶的头顶图像,根据头顶图像的位置和数量获取当前乘客位置和当前乘客数量。
在另一个实施场景中,根据拍摄光线强度获得RGB权重值,拍摄光线强度属于安全拍摄范围内时,拍摄光线强度越高,RGB权重值越大,用1-减去RGB权重值可以获取红外权重值,RGB权重值小于或等于0.5。
S104:获取当前红外图像相邻的至少一帧的相邻红外图像,根据当前红外图像和相邻红外图像获取当前乘客位置和当前乘客数量。
在一个具体的实施场景中,拍摄光线强度小于或等于预设强度阈值,则此时采集的当前RGB图像的图像质量不高,因此可以以红外摄像装置为主获取乘客位置和乘客数量。获取当前红外图像相邻至少一帧的相邻红外图像,相邻红外图像可以是当前红外图像之后的至少一帧图像,也可以是当前红外图像之前的至少一帧图像。将当前红外图像和相邻红外图像进行比对,获取其中的差异图像,若该差异图像是由乘客移动导致的,则根据差异图像获取当前乘客位置和当前乘客数量。
在一个实施场景中,获取当前红外图像的下一帧的相邻红外图像,在其他实施场景中还可以是间隔预设时长,获取相邻红外图像,预设时长的长度需要较短,避免乘客移动过远,例如小于0.1s。乘客在下车时是处于移动中的,因此在两张图像中的位置会不同,从而造成了两张图像的差异,获取两张图像之间的获取差异图像区域,可以通过差异图像区域中由于乘客移动造成的部分来获取乘客的位置和数量。对当前红外图像和相邻红外图像进行二值化处理,获取当前二值化图像和相邻二值化图像。将当前二值化图像和相邻二值化图像通过帧差法进行比对获取差异图像区域。
将当前二值化图像和相邻二值化图像中每个像素点进行对比,若一个像素点在两个图像中的像素值不同,则将该像素点标记为差异像素点,将差异像素点所在区域作为差异图像区域。进一步地,获取每个差异像素点附近(例如以当前差异像素点为圆心,以若干数量个像素点为圆心的)的相邻像素点,若该差异像素点的相邻像素点中有超过预设数量个(例如,5个)为差异像素点,则保留该差异像素点,若没有,则忽略该差异像素点。
获取差异图像区域在相邻二值化图像或相邻红外图像中对应位置的待检测图像,由于乘客在较短的时间内移动的距离较远,因此,差异图像区域可能不包括一个完整的乘客头顶区域。因此,可以以差异图像区域为基础,适当扩大范围获取待检测图像,对待检测图像进行霍夫曼圆形检测,获取待检测图像中包括的圆形图像,对圆形图像进行筛选,将直径处于预设范围内的圆形图像作为乘客的头顶区域,从而获取当前的乘客数量和乘客位置。预设范围可以进行大数据统计,或者根据人类的头部直径范围按照比例进行计算获取。
在其他的实施场景中,进行霍夫曼圆形检测时预选设置筛选条件为直径处于目标检测直径范围内,这样可以确保选出的圆形即为乘客的头顶区域。获取红外摄像装置的焦距范围,根据焦距范围和人类身高范围获取目标检测直径范围,将通过霍夫曼圆形检测获取到的圆形中属于目标检测直径范围内的圆形作为乘客的头顶图像,根据头顶图像的位置和数量获取乘客位置和乘客数量。
在另一个实施场景中,对相邻二值化图像进行霍夫曼圆形检测,选出可能对应于乘客头顶区域的圆形区域,将圆形区域与差异图像区域进行对比,若存在超过预设面积的差异图像区域包括于圆形区域,则将该圆形区域作为乘客的头顶区域。
在另一个实施场景中,相邻红外图像为当前红外图像之前至少一帧的图像。通过卡尔曼滤波处理相邻红外图像,获取多个相邻红外图像中每个乘客对应的位置,并获取位置变化的趋势,根据位置变化趋势进行预测,获取乘客预测位置。获取当前红外图像中的乘客检测位置,可以采用与上述步骤中类似的霍夫曼圆形检测方法获取乘客检测位置。对乘客预测位置和乘客检测位置做交并比运算,判断两者是否能对应于同一个乘客,当交并比运算结果大于预设阈值,且乘客预测位置和/或乘客检测位置的框的大小小于预设大小时,认为乘客检测位置和乘客预测位置对应于同一个乘客,即可根据乘客预测位置和/或乘客检测位置获取当前乘客位置,例如将乘客预设位置或乘客检测位置中的任一个作为当前乘客位置,进一步地,根据当前乘客位置计算出当前红外图像中的当前乘客数量。
S105:根据车辆处于停靠站位置时获取的多张当前RGB图像和当前红外图像获取每个乘客的移动趋势和乘客数量变化值,根据每个乘客的移动趋势和乘客数量变化值获取上下车人数。
在一个具体的实施场景中,在车门有乘客经过时进行多次拍摄,或者间隔预设时长周期性拍摄,获取多个时刻的当前RGB图像和当前红外图像,从而获取多个时刻的乘客数量和乘客位置。将每两个相邻时刻的乘客位置和乘客数量进行对比,获取每个乘客的移动趋势(向车门外移动或者向车门内移动),从而获取每个乘客是上车还是下车,对上下车情况进行统计能够获取在当前停车时的上下车人数。
具体地说,针对本次停靠站的时长内,若车门有乘客经过,则驱动拍摄***进行拍摄,可以是获取每一帧的当前RGB图像和当前红外图像,也可以是间隔预设时间获取多个时间点的当前RGB图像和当前红外图像。获取每组当前RGB图像和当前红外图像对应的当前乘客位置和当前乘客数量,对当前乘客位置进行标记。获取相邻两个时间点的当前乘客位置,将距离小于预设阈值的前一时刻的当前乘客位置和后一时刻的当前乘客位置认为是同一个乘客在两个时刻的位置。对所有时间的当前乘客位置进行上述操作,并结合每个时刻的当前乘客数量,获取每个乘客的移动路径和移动方向,从而能够获取每个停靠站在本次停靠时的上下车人数。
通过上述描述可知,在本实施例中当拍摄当前RGB图像的拍摄光线强度若拍摄光线强度小于或等于预设强度阈值大于预设强度阈值时,当前RGB图像质量较高,将当前RGB图像和当前红外图像进行对比,能够准确获取当前乘客位置和当前乘客数量,从而获取到准确的上下车人数,若拍摄光线强度小于或等于预设强度阈值,则当前RGB图像质量较低,参考价值也较低,获取当前红外图像的下一帧的相邻红外图像,获取当前红外图像和相邻红外图像的差异图像区域,由于差异图像区域是由于乘客的移动而造成的,因此根据差异图像区域能够获取到准确的上下车人数。
请参阅图2,图2是本发明提供的上下车人数统计***的一实施例的结构示意图。上下车人数统计***10应用于拍摄***,拍摄***包括RGB摄像装置和红外摄像装置,包括获取模块11、判断模块12、对比模块13、检测模块14和人数模块15。
获取模块11用于当车辆处于停靠站位置时,检测到车门有乘客经过时按照预设拍摄时间节点进行拍摄,获取当前RGB图像和当前红外图像;判断模块12用于判断拍摄当前RGB图像的拍摄光线强度是否大于预设强度阈值;对比模块13用于若拍摄光线强度大于预设强度阈值,则将当前RGB图像和当前红外图像进行对比,获取当前乘客位置和当前乘客数量;检测模块14用于若拍摄光线强度小于或等于预设强度阈值,则获取当前红外图像相邻的至少一帧的相邻红外图像,根据当前红外图像和相邻红外图像获取当前乘客位置和当前乘客数量;人数模块15用于根据车辆处于停靠站位置时获取的多张当前RGB图像和当前红外图像获取每个乘客的移动趋势和乘客数量变化值,根据每个乘客的移动趋势和乘客数量变化值获取上下车人数。
对比模块13用于获取RGB摄像装置和红外摄像装置的安装参数,安装参数包括RGB摄像装置和红外摄像装置之间的水平距离和RGB摄像装置和红外摄像装置的垂直高度;根据安装参数对当前RGB图像和当前红外图像进行图像校正,使得当前RGB图像和当前红外图像中的每个像素点均一一对应。
对比模块13用于对基于安装参数对当前乘客位置进行双目测距,获取当前乘客位置的乘客身高,若乘客身高满足预设身高范围,则保留当前乘客位置。
相邻红外图像为当前红外图像之后的一帧图像;检测模块14用于对当前红外图像和相邻红外图像进行二值化处理,获取当前二值化图像和相邻二值化图像;将当前二值化图像和相邻二值化图像通过帧差法进行比对获取差异图像区域,获取差异图像区域在相邻红外图像中对应位置的待检测图像;对待检测图像进行霍夫曼圆形检测,根据检测到的圆形区域获取当前乘客位置和当前乘客数量。
相邻红外图像为当前红外图像之前至少一帧的图像;检测模块14还用于通过卡尔曼滤波处理相邻二值化图像,获取乘客预测位置,获取当前二值化图像中的乘客检测位置,对乘客预测位置和乘客检测位置做交并比运算,当交并比运算的结果满足预设要求时,根据乘客预测位置和乘客检测位置获取当前乘客位置和当前乘客数量。
对比模块13用于获取当前RGB图像中的RGB乘客图像区域,获取当前红外图像中对应于RGB乘客图像区域的图像位置的当前映射区域,若当前映射区域包括圆形热点,则表示当前映射区域对应一个乘客;根据包括圆形热点的当前映射区域的位置和数量获取当前乘客位置和当前乘客数量。
对比模块13用于获取训练图像集,训练图像集包括多个训练图像组和每个训练图像组对应的乘客位置和/或乘客数量,每个训练图像组包括训练RGB图像和训练RGB图像对应的训练红外图像;通过训练图像集对神经网络进行训练,获取预训练的神经网络;将当前RGB图像和当前红外图像输入预训练的神经网络,获取当前乘客位置和当前乘客数量。
通过上述描述可知,在本实施例中当拍摄当前RGB图像的拍摄光线强度若拍摄光线强度小于或等于预设强度阈值大于预设强度阈值时,当前RGB图像质量较高,将当前RGB图像和当前红外图像进行对比,能够准确获取当前乘客位置和当前乘客数量,从而获取到准确的上下车人数,若拍摄光线强度小于或等于预设强度阈值,则当前RGB图像质量较低,参考价值也较低,获取当前红外图像的下一帧的相邻红外图像,获取当前红外图像和相邻红外图像的差异图像区域,由于差异图像区域是由于乘客的移动而造成的,因此根据差异图像区域能够获取到准确的上下车人数。
请参阅图3,图3是本发明提供的控制终端的一实施例的结构示意图。控制终端20包括处理器21、存储器22。处理器21耦接存储器22。存储器22中存储有计算机程序,处理器21在工作时执行该计算机程序以实现如图1所示的方法。详细的方法可参见上述,在此不再赘述。
请参阅图4,图4是本发明提供的存储介质的一实施例的结构示意图。存储介质30中存储有至少一个计算机程序31,计算机程序31用于被处理器执行以实现如图1所示的方法,详细的方法可参见上述,在此不再赘述。在一个实施例中,存储介质30可以是终端中的存储芯片、硬盘或者是移动硬盘或者优盘、光盘等其他可读写存储的工具,还可以是服务器等等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。
Claims (10)
1.一种上下车人数统计方法,其特征在于,应用于拍摄***,所述拍摄***包括RGB摄像装置和红外摄像装置;
所述上下车人数统计方法包括如下步骤:
当车辆处于停靠站位置时,检测到车门有乘客经过时按照预设拍摄时间节点进行拍摄,获取当前RGB图像和当前红外图像;
判断拍摄所述当前RGB图像的拍摄光线强度是否大于预设强度阈值;
若所述拍摄光线强度大于所述预设强度阈值,则将所述当前RGB图像和所述当前红外图像进行对比,获取当前乘客位置和当前乘客数量;
若所述拍摄光线强度小于或等于所述预设强度阈值,则获取所述当前红外图像相邻至少一帧的相邻红外图像,根据所述当前红外图像和所述相邻红外图像获取所述当前乘客位置和所述当前乘客数量;
根据所述车辆处于停靠站位置时获取的多张所述当前RGB图像和所述当前红外图像获取每个乘客的移动趋势和乘客数量变化值,根据每个乘客的所述移动趋势和所述乘客数量变化值获取上下车人数。
2.根据权利要求1所述的上下车人数统计方法,其特征在于,所述将所述当前RGB图像和所述当前红外图像进行对比的步骤之前,包括:
获取所述RGB摄像装置和所述红外摄像装置的安装参数,所述安装参数包括所述RGB摄像装置和所述红外摄像装置之间的水平距离和所述RGB摄像装置和所述红外摄像装置的垂直高度;
根据所述安装参数对所述当前RGB图像和所述当前红外图像进行图像校正,使得所述当前RGB图像和所述当前红外图像中的每个像素点均一一对应。
3.根据权利要求2所述的上下车人数统计方法,其特征在于,所述将所述当前RGB图像和所述当前红外图像进行对比,获取当前乘客位置和当前乘客数量的步骤之后,包括:
对基于所述安装参数对所述当前乘客位置进行双目测距,获取所述当前乘客位置的乘客身高,若所述乘客身高满足预设身高范围,则保留所述当前乘客位置。
4.根据权利要求1所述的上下车人数统计方法,其特征在于,所述相邻红外图像为所述当前红外图像之后的一帧图像;
所述根据所述当前红外图像和所述相邻红外图像获取所述当前乘客位置和所述当前乘客数量的步骤,包括:
对当前红外图像和相邻红外图像进行二值化处理,获取当前二值化图像和相邻二值化图像;
将所述当前二值化图像和所述相邻二值化图像通过帧差法进行比对获取差异图像区域,获取所述差异图像区域在所述相邻红外图像中对应位置的待检测图像;
对所述待检测图像进行霍夫曼圆形检测,根据检测到的圆形区域获取所述当前乘客位置和所述当前乘客数量。
5.根据权利要求1所述的上下车人数统计方法,其特征在于,所述相邻红外图像为所述当前红外图像之前至少一帧的图像;
所述根据所述当前红外图像和所述相邻红外图像获取所述当前乘客位置和所述当前乘客数量的步骤,包括:
通过卡尔曼滤波处理所述相邻二值化图像,获取乘客预测位置,获取所述当前二值化图像中的乘客检测位置,对所述乘客预测位置和所述乘客检测位置做交并比运算,当交并比运算的结果满足预设要求时,根据所述乘客预测位置和所述乘客检测位置获取所述当前乘客位置和所述当前乘客数量。
6.根据权利要求1所述的上下车人数统计方法,其特征在于,所述将所述当前RGB图像和所述当前红外图像进行对比,获取当前乘客位置和当前乘客数量的步骤,包括:
获取所述当前RGB图像中的RGB乘客图像区域,获取所述当前红外图像中对应于所述RGB乘客图像区域的图像位置的当前映射区域,若当前映射区域包括圆形热点,则表示所述当前映射区域对应一个乘客;
根据包括圆形热点的所述当前映射区域的位置和数量获取所述当前乘客位置和所述当前乘客数量。
7.根据权利要求1所述的上下车人数统计方法,其特征在于,所述将所述当前RGB图像和所述当前红外图像进行对比,获取当前乘客位置和当前乘客数量的步骤,包括:
获取训练图像集,所述训练图像集包括多个训练图像组和每个所述训练图像组对应的乘客位置和/或乘客数量,每个所述训练图像组包括训练RGB图像和所述训练RGB图像对应的训练红外图像;
通过所述训练图像集对神经网络进行训练,获取预训练的神经网络;
将所述当前RGB图像和所述当前红外图像输入所述预训练的神经网络,获取所述当前乘客位置和所述当前乘客数量。
8.一种上下车人数统计***,其特征在于,包括如下模块:
获取模块,用于当车辆处于停靠站位置时,检测到车门有乘客经过时按照预设拍摄时间节点进行拍摄,获取当前RGB图像和当前红外图像;
判断模块,用于判断拍摄所述当前RGB图像的拍摄光线强度是否大于预设强度阈值;
对比模块,用于若所述拍摄光线强度大于所述预设强度阈值,则将所述当前RGB图像和所述当前红外图像进行对比,获取当前乘客位置和当前乘客数量;
检测模块,用于若所述拍摄光线强度小于或等于所述预设强度阈值,则获取所述当前红外图像相邻至少一帧的相邻红外图像,根据所述当前红外图像和所述相邻红外图像获取所述当前乘客位置和所述当前乘客数量;
人数模块,用于根据所述车辆处于停靠站位置时获取的多张所述当前RGB图像和所述当前红外图像获取每个乘客的移动趋势和乘客数量变化值,根据每个乘客的所述移动趋势和所述乘客数量变化值获取上下车人数。
9.一种存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210401166.9A CN114511821B (zh) | 2022-04-18 | 2022-04-18 | 一种上下车人数统计方法、***、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210401166.9A CN114511821B (zh) | 2022-04-18 | 2022-04-18 | 一种上下车人数统计方法、***、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114511821A true CN114511821A (zh) | 2022-05-17 |
CN114511821B CN114511821B (zh) | 2022-07-26 |
Family
ID=81554618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210401166.9A Active CN114511821B (zh) | 2022-04-18 | 2022-04-18 | 一种上下车人数统计方法、***、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511821B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230377192A1 (en) * | 2022-05-23 | 2023-11-23 | Dell Products, L.P. | System and method for detecting postures of a user of an information handling system (ihs) during extreme lighting conditions |
CN117593341A (zh) * | 2024-01-19 | 2024-02-23 | 深圳市超诺科技有限公司 | 一种基于打猎相机目标物监控数据的处理***及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763669A (zh) * | 2009-10-26 | 2010-06-30 | 杭州六易科技有限公司 | 公交车人流量计数装置 |
CN106709444A (zh) * | 2016-12-19 | 2017-05-24 | 集美大学 | 基于双目红外摄像的公交客流计数设备及其方法 |
WO2018148896A1 (zh) * | 2017-02-16 | 2018-08-23 | 深圳市锐明技术股份有限公司 | 一种车辆内乘客人数统计方法及装置 |
CN108875562A (zh) * | 2018-04-28 | 2018-11-23 | 华南师范大学 | 一种公交人流量统计方法及*** |
CN110147713A (zh) * | 2019-03-28 | 2019-08-20 | 石化盈科信息技术有限责任公司 | 一种疲劳驾驶检测方法及*** |
CN110675447A (zh) * | 2019-08-21 | 2020-01-10 | 电子科技大学 | 一种基于可见光相机与热像仪结合的人数统计方法 |
CN112183287A (zh) * | 2020-09-22 | 2021-01-05 | 四川阿泰因机器人智能装备有限公司 | 一种移动机器人在复杂背景下的人数统计方法 |
WO2021241587A1 (ja) * | 2020-05-28 | 2021-12-02 | 株式会社日立国際電気 | 乗降者数計数システム及び乗降者数計数装置 |
-
2022
- 2022-04-18 CN CN202210401166.9A patent/CN114511821B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763669A (zh) * | 2009-10-26 | 2010-06-30 | 杭州六易科技有限公司 | 公交车人流量计数装置 |
CN106709444A (zh) * | 2016-12-19 | 2017-05-24 | 集美大学 | 基于双目红外摄像的公交客流计数设备及其方法 |
WO2018148896A1 (zh) * | 2017-02-16 | 2018-08-23 | 深圳市锐明技术股份有限公司 | 一种车辆内乘客人数统计方法及装置 |
CN108875562A (zh) * | 2018-04-28 | 2018-11-23 | 华南师范大学 | 一种公交人流量统计方法及*** |
CN110147713A (zh) * | 2019-03-28 | 2019-08-20 | 石化盈科信息技术有限责任公司 | 一种疲劳驾驶检测方法及*** |
CN110675447A (zh) * | 2019-08-21 | 2020-01-10 | 电子科技大学 | 一种基于可见光相机与热像仪结合的人数统计方法 |
WO2021241587A1 (ja) * | 2020-05-28 | 2021-12-02 | 株式会社日立国際電気 | 乗降者数計数システム及び乗降者数計数装置 |
CN112183287A (zh) * | 2020-09-22 | 2021-01-05 | 四川阿泰因机器人智能装备有限公司 | 一种移动机器人在复杂背景下的人数统计方法 |
Non-Patent Citations (2)
Title |
---|
SADDAM HUSSAIN KHAN ET AL.: "passenger detection and counting for public transport system", 《NED UNIVERSITY JOURNAL OF RESEARCH》 * |
马志远: "基于移动边缘计算的公交客流统计***设计与实现", 《中国优秀硕博士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230377192A1 (en) * | 2022-05-23 | 2023-11-23 | Dell Products, L.P. | System and method for detecting postures of a user of an information handling system (ihs) during extreme lighting conditions |
US11836825B1 (en) * | 2022-05-23 | 2023-12-05 | Dell Products L.P. | System and method for detecting postures of a user of an information handling system (IHS) during extreme lighting conditions |
CN117593341A (zh) * | 2024-01-19 | 2024-02-23 | 深圳市超诺科技有限公司 | 一种基于打猎相机目标物监控数据的处理***及方法 |
CN117593341B (zh) * | 2024-01-19 | 2024-05-07 | 深圳市超诺科技有限公司 | 一种基于打猎相机目标物监控数据的处理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114511821B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114511821B (zh) | 一种上下车人数统计方法、***、计算机设备和存储介质 | |
CN108037770B (zh) | 基于人工智能的无人机输电线路巡检***和方法 | |
CN110430401B (zh) | 车辆盲区预警方法、预警装置、mec平台和存储介质 | |
Bas et al. | Automatic vehicle counting from video for traffic flow analysis | |
KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
CN105913685A (zh) | 一种基于视频监控的车位识别及智能引导方法 | |
JP6786279B2 (ja) | 画像処理装置 | |
JP2004537790A (ja) | 移動対象物評価システムおよび方法 | |
CN110895662A (zh) | 车辆超载报警方法、装置、电子设备及存储介质 | |
Bell et al. | A novel system for nighttime vehicle detection based on foveal classifiers with real-time performance | |
CN114677617A (zh) | 一种基于智能照明的路灯智能控制方法及装置 | |
CN113470374B (zh) | 车辆超速监测方法、装置、计算机设备及存储介质 | |
CN109671090B (zh) | 基于远红外线的图像处理方法、装置、设备和存储介质 | |
KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
CN108200566B (zh) | 一种人流拥塞预警方法及装置 | |
CN107145819A (zh) | 一种公交车拥挤度确定方法和装置 | |
Yamada et al. | A vehicle parking detection method using image segmentation | |
CN112613336A (zh) | 用于生成对象的对象分类的方法和设备 | |
CN115546738A (zh) | 一种铁轨异物检测方法 | |
CN113723273A (zh) | 一种车辆轨迹信息确定方法、装置及计算机设备 | |
CN112347906B (zh) | 公交车内异常聚集行为的检测方法 | |
CN112585655A (zh) | 基于5g的无人驾驶电子交警执勤*** | |
CN111325708B (zh) | 一种输电线路检测方法和服务器 | |
CN115205827A (zh) | 一种道路检测用图像识别方法、装置、电子设备及介质 | |
CN114926815A (zh) | 基于信号灯识别的驾驶行为预警方法及*** |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230620 Address after: 13C-18, Caihong Building, Caihong Xindu, No. 3002, Caitian South Road, Gangsha Community, Futian Street, Futian District, Shenzhen, Guangdong 518033 Patentee after: Core Computing Integrated (Shenzhen) Technology Co.,Ltd. Address before: 518000 1001, building G3, TCL International e city, Shuguang community, Xili street, Nanshan District, Shenzhen City, Guangdong Province Patentee before: Shenzhen Aishen Yingtong Information Technology Co.,Ltd. |