CN117935169B - 基于图像识别的客运枢纽排队时长预测*** - Google Patents
基于图像识别的客运枢纽排队时长预测*** Download PDFInfo
- Publication number
- CN117935169B CN117935169B CN202410188480.2A CN202410188480A CN117935169B CN 117935169 B CN117935169 B CN 117935169B CN 202410188480 A CN202410188480 A CN 202410188480A CN 117935169 B CN117935169 B CN 117935169B
- Authority
- CN
- China
- Prior art keywords
- time length
- personnel
- target
- queuing
- unit
- 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
- 239000003550 marker Substances 0.000 claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 32
- 230000033001 locomotion Effects 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 25
- 238000010191 image analysis Methods 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能交通技术领域，尤其涉及一种基于图像识别的客运枢纽排队时长预测***，该***包括：数据获取模块通过历史数据库获取任一排队通道的历史通过时长；数据分析模块通过对任一排队通道的人员分布信息和客运枢纽外部的天气信息进行采集并对历史通过时长进行校正，获取第一通过时长；校准模块，用以采集任意排队通道中任意标识人员的实际移动速度，对第一通过时长进行校准，获取第二通过时长；确定模块，根据目标乘客的发车时刻和第二通过时长确定推荐通道；更新模块，用以对推荐通道中目标乘客的目标移动速度进行实时采集，以根据目标移动速度对第二通过时长进行更新，获取最终预测时长。本发明提高客运枢纽排队时长预测的实时性。
Description
技术领域
本发明涉及智能交通技术领域，尤其涉及一种基于图像识别的客运枢纽排队时长预测***。
背景技术
随着交通运输行业的快速发展，客运枢纽的客流量日益增长，乘客排队等待的问题也愈发突出。其中，对客运枢纽排队时长的预测成为提升服务质量的关键环节。通过预测排队时长，客运枢纽可以更好地进行资源调度，优化服务流程，提高乘客的出行体验。
中国专利公开号为CN114565128A的专利文献公开了一种基于图像识别的客运枢纽出租车乘客排队时间预测方法，该方法包括以下步骤：步骤1，将预测的时间划分成T个时间小区间[T1，T2...Ti-1，Ti]；步骤2，获取第i个时间区间内出租车候车区乘客的平均到达率λi；步骤3，获取第i个时间区间内出租车的平均服务率μi及单位时间内能够提供服务的服务台数量Gi；步骤4，判别蓄车场出租车车辆数信息T，计算出租车总运力TT；步骤5，判断出租车运力是否充足；步骤6，依据排队论模型，估计出租车候车区乘客排队时间。
现有技术中对于客运枢纽排队时长预测以大量历史数据为基础，通过分析历史数据，预测模型找出排队时长的变化规律，对未来的排队时长进行预测，仅依赖历史数据无法准确预测未来的时长趋势变化，使得时长预测结果滞后。
发明内容
为此，本发明提供一种基于图像识别的客运枢纽排队时长预测***，通过采集当前排队通道的人员分布和天气信息、实时采集标识人员的移动速度和实时采集目标乘客的移动速度，对历史通过时长进行逐步校准更新可以解决客运枢纽排队时长预测的滞后性的问题。
为实现上述目的，本发明提供一种基于图像识别的客运枢纽排队时长预测***，包括：
数据获取模块，用以通过历史数据库获取任一排队通道的历史通过时长；
数据分析模块，与所述数据获取模块连接，用以通过对任一所述排队通道的人员分布信息和客运枢纽外部的天气信息进行采集，通过所述人员分布信息和天气信息对所述历史通过时长进行校正，获取第一通过时长；
校准模块，与所述数据分析模块连接，用以采集任意排队通道中任意标识人员的实际移动速度，对所述第一通过时长进行校准，获取第二通过时长；
确定模块，与所述校准模块连接，根据目标乘客的发车时刻和所述第二通过时长确定推荐通道；
更新模块，与所述确定模块连接，用以对所述推荐通道中所述目标乘客的目标移动速度进行实时采集，以根据所述目标移动速度对所述第二通过时长进行更新，获取最终预测时长。
进一步地，所述数据分析模块包括人员采集单元、天气采集单元和第一获取单元，其中，
所述人员采集单元用以通过图像采集设备获取任意排队通道的人员图像，对若干所述人员图像进行分析，判断人员分布情况，根据所述人员分布情况获取人员校准参数；
所述天气采集单元用以确定客运枢纽外部的实际天气恶劣等级，根据所述实际天气恶劣等级获取天气校准参数；
所述第一获取单元，与所述人员采集单元和所述天气采集单元连接，用以根据所述人员校准参数和天气校准参数对所述历史通过时长进行校准，获取第一通过时长。
进一步地，所述校准模块包括图像采集单元、图像分析单元和速度校准单元，其中，
所述图像采集单元用以通过图像采集设备对所述标识人员的移动过程进行采集，获取移动视频，将所述移动视频中连续的帧图像进行提取，获取若干移动图像；
所述图像分析单元，与所述图像采集单元连接，用以提取若干所述移动图像中所述标识人员的边缘轮廓特征，确定所述标识人员的边缘轮廓特征上的目标点，根据若干所述目标点对所述标识人员进行运动轨迹拟合；
所述速度校准单元，与所述图像分析单元连接，用以根据所述运动轨迹获取所述标识人员的实际移动速度，根据所述实际移动速度计算速度修正系数，根据所述速度修正系数对所述第一通过时长进行校准。
进一步地，所述人员采集单元包括人员采集子单元、人员分析子单元和人员计算子单元，其中，
所述人员采集子单元用以通过图像采集设备获取任意所述排队通道中的若干形态图像；
所述人员分析子单元，与所述人员采集子单元连接，用以对若干所述形态图像进行分析，提取若干所述形态图像中边缘轮廓特征，通过若干所述边缘轮廓特征识别所述排队通道中老人数量、孩童数量和携带大件物品的乘客的数量；
所述人员计算子单元，与所述人员分析子单元连接，用以根据所述排队通道中所述老人数量、所述孩童数量和所述携带大件物品的乘客的数量进行计算获取人员校准参数。
进一步地，所述人员分析子单元通过判断所述边缘轮廓的弯曲度和高度对老人和孩童进行识别，通过识别所述边缘轮廓中物体边缘轮廓的区域面积对携带大件物品的乘客进行识别。
进一步地，所述图像分析单元包括目标确定子单元和拟合子单元，其中，
所述目标确定子单元用以通过边缘检测算法获取所述移动图像中所述标识人员的边缘轮廓特征，确定所述标识人员的边缘轮廓特征的中心点作为所述目标点；
所述拟合子单元，与所述目标确定子单元连接，用以将相邻的帧图像之间的目标点进行相连，获取所述标识人员的运动轨迹。
进一步地，所述速度校准单元包括速度计算子单元和时长校准子单元，其中，
所述速度计算子单元用以通过计算所述运动轨迹相邻的帧图像两点间的距离值除以所述相邻的帧图像间的时间间隔，获取所述标识人员的实际运动速度；
所述时长校准子单元，与所述速度计算子单元连接，根据所述实际移动速度与预设移动速度进行比较，根据比较结果计算速度修正系数，根据所述速度修正系数对所述第一通过时长进行校准。
进一步地，所述确定模块包括时长计算单元和选择单元，其中，
所述时长计算单元用以根据所述目标乘客的发车时刻计算预设等待时长；
所述选择单元，与所述时长计算单元连接，用以将若干排队通道对应的第二通过时长进行由小到大排序，获取时长序列，将所述时长序列中小于所述预设等待时长的第二通过时长对应的排队通道进行标记，选取排序第一的作为推荐通道。
进一步地，所述更新模块包括速度采集单元和更新单元，其中，
所述速度采集单元用以通过图像采集设备采集包含目标乘客和目标物体的若干图像，对若干所述图像进行分析，获取若干所述图像中的若干目标乘客轮廓和若干目标物体轮廓，根据若干所述目标乘客轮廓和若干所述目标物体轮廓间的距离变化值计算所述目标乘客的目标移动速度；
所述更新单元，与所述速度采集单元连接，用以将所述目标乘客的目标移动速度与所述预设移动速度进行比较，根据比较结果计算更新参数，根据更新参数对所述第二通过时长进行更新，获取最终预测时长。
进一步地，所述数据获取模块包括建立单元和历史时长获取单元，其中，
所述建立单元用以建立所述历史数据库，所述历史数据库包括排队通道编号和对应的各个时段乘客的平均通过时长；
所述历史时长获取单元，与所述建立单元连接，用以将任意所述排队通道对应的各个时段乘客的平均通过时长进行求均值，将均值结果作为所述排队通道的历史通过时长。
与现有技术相比，本发明的有益效果在于，通过设置所述数据获取模块建立历史数据库提供了准确可追溯的历史通过时长数据，为后续的通过时长预测提供可靠的数据支持，通过设置所述数据分析模块结合人员分布信息和天气信息对历史通过时长进行校正，全面考虑了人员分布和天气对排队时长的影响，使得对于历史通过时长校正结果准确，从而提高了时长预测的准确性，通过设置所述校准模块采集实际通道的移动速度对历史通过时长进行校准，提高了时长预测的准确度，使时长的预测结果更接近实际情况，通过设置所述确定模块根据目标乘客的发车时刻和预测的通过时长，为乘客推荐最佳的排队通道，帮助乘客选择更快速、更有效的出行路线，提高了乘客的出行效率，通过设置所述更新模块及时更新预测的通过时长，提高了预测的实时性，提高了预测***的准确性和可靠性，通过实时监测和预测排队情况，及时发现和应对异常情况，增强了客运枢纽的安全性和提升了乘客的排队效率。
尤其，通过设置图像采集单元实时采集标识人员的移动过程，提供实时的视频数据，确保图像数据的实时性和准确性，同时完整地提取连续帧图像，避免了图像数据的遗漏或缺失，提高了图像数据的完整性，通过设置所述图像分析单元准确地提取标识人员的边缘轮廓特征，确保后续分析的精度和准确性，通过目标点进行运动轨迹拟合，提高了运动轨迹描述的准确性和可靠性，通过设置所述速度校准单元根据实时的运动轨迹和实际移动速度计算速度修正系数，增强了速度计算的实时性，根据不同标识人员和不同排队通道的实际移动速度计算速度修正系数，增强了校准的实时性，对第一通过时长进行校准，提高后续时长预测的精度，使时长预测结果更加准确可靠。
尤其，通过设置目标确定子单元通过边缘检测算法准确获取标识人员的边缘轮廓特征，提高了边缘检测的准确性和可靠性，降低了误检测的可能性，在获取边缘轮廓特征的基础上，进一步确定标识人员边缘轮廓特征的中心点作为目标点，提高了目标点确定的精准度和一致性，通过设置拟合子单元将相邻帧图像之间的目标点进行连接，准确地获取标识人员的运动轨迹，增强了轨迹拟合的准确性和可靠性，通过将相邻帧图像的目标点相连，确保数据的连续性和一致性，为后续的分析和计算提供了更加可靠的基础。
尤其，通过设置速度计算子单元计算运动轨迹相邻帧图像两点间的距离值除以相邻帧图像间的时间间隔，获取标识人员的实际运动速度，确保了速度计算的准确性和可靠性，通过设置时长校准子单元根据实际移动速度与预设移动速度的比较结果，计算速度修正系数，并据此对第一通过时长进行校准，提高了数据的精度和可靠性，为后续的排队通道长度计算和乘客流量统计提供了更加准确的基础数据，提高了***的可靠性。
附图说明
图1为本发明实施例提供的基于图像识别的客运枢纽排队时长预测***的结构框图；
图2为本发明实施例提供的基于图像识别的客运枢纽排队时长预测***的第二种结构框图；
图3为本发明实施例提供的基于图像识别的客运枢纽排队时长预测***的第三种结构框图；
图4为本发明实施例提供的基于图像识别的客运枢纽排队时长预测***的第四种结构框图。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“上”“下”“左”“右”“内”“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”“相连”“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示，本发明实施例提供一种基于图像识别的客运枢纽排队时长预测***，该***包括：
数据获取模块10，用以通过历史数据库获取任一排队通道的历史通过时长；
数据分析模块20，与所述数据获取模块连接，用以通过对任一所述排队通道的人员分布信息和客运枢纽外部的天气信息进行采集，通过所述人员分布信息和天气信息对所述历史通过时长进行校正，获取第一通过时长；
校准模块30，与所述数据分析模块连接，用以采集任意排队通道中任意标识人员的实际移动速度，对所述第一通过时长进行校准，获取第二通过时长；
确定模块40，与所述校准模块30连接，根据目标乘客的发车时刻和所述第二通过时长确定推荐通道；
更新模块50，与所述确定模块40连接，用以对所述推荐通道中所述目标乘客的目标移动速度进行实时采集，以根据所述目标移动速度对所述第二通过时长进行更新，获取最终预测时长。
具体而言，本发明实施例对于所述排队通道进行编号，分别记为第一排队通道P1，第二排队通道P2……第N排队通道Pn，
对于任一排队通道Pi，i=1、2……n，对其最终预测时长进行计算，设定t终=Ji×t2，式中，Ji为第二通过时长对最终预测时长的更新参数，t2为第二通过时长，t终为最终预测时长；
设定t2=Ki×t1，式中，t1为第一通过时长，Ki为速度修正系数。
具体而言，本发明实施例通过设置所述数据获取模块建立历史数据库提供了准确可追溯的历史通过时长数据，为后续的通过时长预测提供可靠的数据支持，通过设置所述数据分析模块结合人员分布信息和天气信息对历史通过时长进行校正，全面考虑了人员分布和天气对排队时长的影响，使得对于历史通过时长校正结果准确，从而提高了时长预测的准确性，通过设置所述校准模块采集实际通道的移动速度对历史通过时长进行校准，提高了时长预测的准确度，使时长的预测结果更接近实际情况，通过设置所述确定模块根据目标乘客的发车时刻和预测的通过时长，为乘客推荐最佳的排队通道，帮助乘客选择更快速、更有效的出行路线，提高了乘客的出行效率，通过设置所述更新模块及时更新预测的通过时长，提高了预测的实时性，提高了预测***的准确性和可靠性，通过实时监测和预测排队情况，及时发现和应对异常情况，增强了客运枢纽的安全性和提升了乘客的排队效率。
参阅图2所示，所述数据分析模块20包括人员采集单元21、天气采集单元22和第一获取单元23，其中，
所述人员采集单元21用以通过图像采集设备获取任意排队通道的人员图像，对若干所述人员图像进行分析，判断人员分布情况，根据所述人员分布情况获取人员校准参数；
所述天气采集单元22用以确定客运枢纽外部的实际天气恶劣等级，根据所述实际天气恶劣等级获取天气校准参数；
所述第一获取单元23，与所述人员采集单元21和所述天气采集单元22连接，用以根据所述人员校准参数和天气校准参数对所述历史通过时长进行校准，获取第一通过时长。
具体而言，对于第一通过时长t1，设定t1=Fi×Pi×t历，式中，Fi为人员校准参数，Pi为天气校准参数，t历为历史通过时长。
具体而言，本发明实施例所述天气采集单元通过获取天气预报中若干实时温度值、若干实时湿度值和若干实时风速值，根据若干所述实时温度值、若干所述实时湿度值和若干所述实时风速值计算实际天气恶劣等级；
设若干所述实时温度值为T1、T2、……Tn，若干所述实时湿度值为h1、h2、……hn，若干所述实时风速值为v1、v2、……vn，则所述实时温度差值T为T=|Ti-T预｜，i=1、2、……n，T预为预设温度值，T预可设置为20℃，将所述实时温度差值T与预设温度差值T预进行比较，预设温度差值T预为10℃，当T/T预＞1，则温度的天气等级为三级，当0.5＜T/T预≤1，则温度的天气等级为二级，当T/T预＜0.5，则温度的天气等级为一级，所述实时湿度差值h为h=|hi-h预｜，i=1、2、……n，h预为预设湿度值，h预可设置为45%RH，将所述实时湿度差值h与预设湿度差值h预进行比较，预设湿度差值h预可设置为15%RH，当h/h预＞1.5，则湿度的天气等级为三级，当0.8＜∆T/∆T预≤1.5，则湿度的天气等级为二级，当∆h/∆h预＜0.8，则湿度的天气等级为一级，所述实时风速差值∆v为∆v=|vi-v预｜，i=1、2、……n，v预为预设风速值，v预可设置为17m/s，将所述实时风速差值∆v与预设风速差值∆v预进行比较，预设风速差值v预为7m/s，当v/v预＞1，则风速的天气等级为三级，当0.5＜v/v预≤1，则风速的天气等级为二级，当v/v预＜0.5，则风速的天气等级为一级，当温度的天气等级或湿度的天气等级或风速的天气等级对应为一级时，所述实际天气恶劣等级为一级，当温度的天气等级、湿度的天气等级和风速的天气等级对应均为三级时，所述实际天气恶劣等级为三级，其余情况所述实际天气恶劣等级为二级；
所述预设恶劣天气等级为二级，当所述实际天气恶劣等级大于所述预设天气恶劣等级时，所述天气校准参数Pi为实际天气恶劣等级除以所述预设天气恶劣等级的商，当所述实际天气恶劣等级小于等于所述预设天气恶劣等级时，所述天气校准参数Pi为1。
具体而言，本发明实施例通过设置人员采集单元和天气采集单元，实时监控排队通道的人员分布情况和天气状况，能够提高预测的准确性，增强了时长预测的实时性，通过设置第一获取单元通过人员校准参数和天气校准参数校准历史通过时长，提高了时长预测结果的准确性和可靠性。
具体而言，所述校准模块包括图像采集单元、图像分析单元和速度校准单元，其中，
所述图像采集单元用以通过图像采集设备对所述标识人员的移动过程进行采集，获取移动视频，将所述移动视频中连续的帧图像进行提取，获取若干移动图像；
所述图像分析单元，与所述图像采集单元连接，用以提取若干所述移动图像中所述标识人员的边缘轮廓特征，确定所述标识人员的边缘轮廓特征上的目标点，根据若干所述目标点对所述标识人员进行运动轨迹拟合；
所述速度校准单元，与所述图像分析单元连接，用以根据所述运动轨迹获取所述标识人员的实际移动速度，根据所述实际移动速度计算速度修正系数，根据所述速度修正系数对所述第一通过时长进行校准。
具体而言，本发明实施例通过设置图像采集单元实时采集标识人员的移动过程，提供实时的视频数据，确保图像数据的实时性和准确性，同时完整地提取连续帧图像，避免了图像数据的遗漏或缺失，提高了图像数据的完整性，通过设置所述图像分析单元准确地提取标识人员的边缘轮廓特征，确保后续分析的精度和准确性，通过目标点进行运动轨迹拟合，提高了运动轨迹描述的准确性和可靠性，通过设置所述速度校准单元根据实时的运动轨迹和实际移动速度计算速度修正系数，增强了速度计算的实时性，根据不同标识人员和不同排队通道的实际移动速度计算速度修正系数，增强了校准的实时性，对第一通过时长进行校准，提高后续时长预测的精度，使时长预测结果更加准确可靠。
参阅图3所示，所述人员采集单元21包括人员采集子单元211、人员分析子单元212和人员计算子单元213，其中，
所述人员采集子单元211用以通过图像采集设备获取任意所述排队通道中的若干形态图像；
所述人员分析子单元212，与所述人员采集子单元连接，用以对若干所述形态图像进行分析，提取若干所述形态图像中边缘轮廓特征，通过若干所述边缘轮廓特征识别所述排队通道中老人数量、孩童数量和携带大件物品的乘客的数量；
所述人员计算子单元213，与所述人员分析子单元连接，用以根据所述排队通道中所述老人数量、所述孩童数量和所述携带大件物品的乘客的数量进行计算获取人员校准参数。
具体而言，本发明实施例对于所述人员校准参数Fi，设定Fi=α×（m1+m2）/m总+β×m3/m总，式中，m1为当前排队通道中老人的数量，m2为当前排队通道中孩童的数量，m总为当前通道中所有人员的数量，α为老人和孩童在当前排队通道中所占比例对于人员校准参数的权重，α可设为0.7，m3为当前排队通道中携带大件物品的乘客的数量，β为携带大件物品的乘客在当前排队通道中所占比例对于人员校准参数的权重，β可设为0.2；
具体而言，所述人员分析子单元通过判断所述边缘轮廓的弯曲度和高度对老人和孩童进行识别，通过识别所述边缘轮廓中物体边缘轮廓的区域面积对携带大件物品的乘客进行识别。
具体而言，本发明实施例通过判断所述边缘轮廓的弯曲度和高度对老人和孩童进行识别包括：
对所述边缘轮廓最大弯曲进行检测；
对所述边缘轮廓纵向最大高度进行检测；
若所述最大弯曲度大于预设弯曲度且所述最大高度大于第一预设高度，则所述边缘轮廓为老人，若所述最大弯曲度小于等于所述预设弯曲度且所述最大高度小于第二预设高度，则所述边缘轮廓为孩童；
其中，所述预设弯曲度为30-40岁成年人的弯曲度均值，所述第一预设高度为65岁以上老年人高度值中占比最大的高度值，所述第二预设高度值为10岁以下孩童高度值中最大高度值；
通过识别所述边缘轮廓中物体边缘轮廓的区域面积对携带大件物品的乘客进行识别包括：
提取若干所述形态图像中边缘轮廓特征；
将若干所述形态图像中边缘轮廓特征与预设人的边缘轮廓特征进行对比，识别所述形态图像中人的边缘轮廓特征；
将与所述形态图像人的边缘轮廓特征相邻物体边缘轮廓特征的区域面积进行判断；
当所述区域面积大于预设面积时，将所述区域面积对应的相邻所述形态图像人的边缘轮廓特征表示作为所述排队通道中携带大件物品的乘客，统计标识数量作为所述排队通道中携带大件物品的乘客的数量；
所述预设面积为1㎡。
具体而言，本发明实施例同时考虑边缘轮廓的弯曲度和高度因素，使得对老人和孩童的识别更加准确，能够更好地描述不同年龄段人群的行走姿势和体态特点，使得后续判断老人数量和孩童数量结果准确，通过识别边缘轮廓特征确定携带大件物品的乘客的数量，提高了数据的准确性和可靠性，通过设置人员计算子单元计算人员校准参数，根据不同的排队通道的人员分布特点，校准并优化参数，提高后续时长预测和计算的准确性。
具体而言，所述图像分析单元包括目标确定子单元和拟合子单元，其中，
所述目标确定子单元用以通过边缘检测算法获取所述移动图像中所述标识人员的边缘轮廓特征，确定所述标识人员的边缘轮廓特征的中心点作为所述目标点；
所述拟合子单元，与所述目标确定子单元连接，用以将相邻的帧图像之间的目标点进行相连，获取所述标识人员的运动轨迹。
具体而言，确定所述标识人员的边缘轮廓特征的中心点包括：
提取所述标识人员的边缘轮廓特征中的拐点关键点；
对若干所述拐点关键点进行均值计算，将计算结果作为标识人员的边缘轮廓特征的中心点。
具体而言，本发明实施例通过设置目标确定子单元通过边缘检测算法准确获取标识人员的边缘轮廓特征，提高了边缘检测的准确性和可靠性，降低了误检测的可能性，在获取边缘轮廓特征的基础上，进一步确定标识人员边缘轮廓特征的中心点作为目标点，提高了目标点确定的精准度和一致性，通过设置拟合子单元将相邻帧图像之间的目标点进行连接，准确地获取标识人员的运动轨迹，增强了轨迹拟合的准确性和可靠性，通过将相邻帧图像的目标点相连，确保数据的连续性和一致性，为后续的分析和计算提供了更加可靠的基础。
具体而言，所述速度校准单元包括速度计算子单元和时长校准子单元，其中，
所述速度计算子单元用以通过计算所述运动轨迹相邻的帧图像两点间的距离值除以所述相邻的帧图像间的时间间隔，获取所述标识人员的实际运动速度；
所述时长校准子单元，与所述速度计算子单元连接，根据所述实际移动速度与预设移动速度进行比较，根据比较结果计算速度修正系数，根据所述速度修正系数对所述第一通过时长进行校准。
具体而言，设实际移动速度为V实，预设移动速度V预，当V实≥V预时，所述速度修正系数Ki为Ki=（1-（V实-V预）/V预），当V实＜V预时，所述速度修正系数Ki为Ki=（1+（V预-V实）/V预）。
具体而言，本发明实施例通过设置速度计算子单元计算运动轨迹相邻帧图像两点间的距离值除以相邻帧图像间的时间间隔，获取标识人员的实际运动速度，确保了速度计算的准确性和可靠性，通过设置时长校准子单元根据实际移动速度与预设移动速度的比较结果，计算速度修正系数，并据此对第一通过时长进行校准，提高了数据的精度和可靠性，为后续的排队通道长度计算和乘客流量统计提供了更加准确的基础数据，提高了***的可靠性。
具体而言，所述确定模块包括时长计算单元和选择单元，其中，
所述时长计算单元用以根据所述目标乘客的发车时刻计算预设等待时长；
所述选择单元，与所述时长计算单元连接，用以将若干排队通道对应的第二通过时长进行由小到大排序，获取时长序列，将所述时长序列中小于所述预设等待时长的第二通过时长对应的排队通道进行标记，选取排序第一的作为推荐通道。
具体而言，本发明实施例通过设置时长计算单元根据目标乘客的发车时刻，能够准确计算出预设等待时长，确保了等待时长的计算精度，使得为目标乘客选取通道更加准确，通过设置选择单元选取排序第一的作为推荐通道，提高通道选择的准确性和可靠性，通过合理的通道选择，提高通道的使用效率，降低乘客的等待时间和排队时间。
具体而言，所述更新模块包括速度采集单元和更新单元，其中，
所述速度采集单元用以通过图像采集设备采集包含目标乘客和目标物体的若干图像，对若干所述图像进行分析，获取若干所述图像中的若干目标乘客轮廓和若干目标物体轮廓，根据若干所述目标乘客轮廓和若干所述目标物体轮廓间的距离变化值计算所述目标乘客的目标移动速度；
所述更新单元，与所述速度采集单元连接，用以将所述目标乘客的目标移动速度与所述预设移动速度进行比较，根据比较结果计算更新参数，根据更新参数对所述第二通过时长进行更新，获取最终预测时长。
具体而言，设目标移动速度为V目，预设移动速度V预，当V目≥V预时，所述更新参数Ji为Ji=（1-（V目-V预）/V预），当V目＜V预时，所述更新参数Ji为Ki=（1+（V目-V实）/V预）。
具体而言，本发明实施例通过设置速度采集单元通过图像采集设备准确采集包含目标乘客和目标物体的图像，获取目标乘客和目标物体的轮廓，进而计算目标乘客的移动速度，确保速度的准确性和可靠性，通过设置更新单元根据目标乘客的移动速度与预设移动速度的比较结果，计算更新参数，使得更新参数的计算准确，提高了数据的精度和可靠性，为后续的预测时长计算提供了更加准确的基础数据。
参阅图4所示，所述数据获取模块10包括建立单元11和历史时长获取单元12，其中，
所述建立单元11用以建立所述历史数据库，所述历史数据库包括排队通道编号和对应的各个时段乘客的平均通过时长；
所述历史时长获取单元12，与所述建立单元连接，用以将任意所述排队通道对应的各个时段乘客的平均通过时长进行求均值，将均值结果作为所述排队通道的历史通过时长。
具体而言，本发明实施例通过设置建立单元负责建立历史数据库，将各个排队通道的乘客通过时长数据进行存储和整合，确保了数据的完整性和可追溯性，为后续的数据分析提供了可靠的基础，通过设置历史时长获取单元通过对任意排队通道各个时段乘客的平均通过时长进行求均值，能够准确计算出该通道的历史通过时长，确保历史时长的准确性，为后续的预测提供了更加准确的基础数据。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。 凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于图像识别的客运枢纽排队时长预测***，其特征在于，包括：
数据获取模块，用以通过历史数据库获取任一排队通道的历史通过时长；
数据分析模块，与所述数据获取模块连接，用以通过对任一所述排队通道的人员分布信息和客运枢纽外部的天气信息进行采集，通过所述人员分布信息和所述天气信息对所述历史通过时长进行校正，获取第一通过时长；
所述数据分析模块包括人员采集单元、天气采集单元和第一获取单元，其中，
所述人员采集单元用以通过图像采集设备获取任意排队通道的人员图像，对若干所述人员图像进行分析，判断人员分布情况，根据所述人员分布情况获取人员校准参数；
所述天气采集单元用以确定客运枢纽外部的实际天气恶劣等级，根据所述实际天气恶劣等级获取天气校准参数；
所述第一获取单元，与所述人员采集单元和所述天气采集单元连接，用以根据所述人员校准参数和天气校准参数对所述历史通过时长进行校准，获取第一通过时长；
校准模块包括图像采集单元、图像分析单元和速度校准单元，其中，
所述图像采集单元用以通过图像采集设备对标识人员的移动过程进行采集，获取移动视频，将所述移动视频中连续的帧图像进行提取，获取若干移动图像；
所述图像分析单元，与所述图像采集单元连接，用以提取若干所述移动图像中所述标识人员的边缘轮廓特征，确定所述标识人员的边缘轮廓特征上的目标点，根据若干所述目标点对所述标识人员进行运动轨迹拟合；
所述速度校准单元，与所述图像分析单元连接，用以根据所述运动轨迹获取所述标识人员的实际移动速度，根据所述实际移动速度计算速度修正系数，根据所述速度修正系数对所述第一通过时长进行校准；
所述人员采集单元包括人员采集子单元、人员分析子单元和人员计算子单元，其中，
所述人员采集子单元用以通过图像采集设备获取任意所述排队通道中的若干形态图像；
所述人员分析子单元，与所述人员采集子单元连接，用以对若干所述形态图像进行分析，提取若干所述形态图像中边缘轮廓特征，通过若干所述边缘轮廓特征识别所述排队通道中老人数量、孩童数量和携带大件物品的乘客的数量；
所述人员计算子单元，与所述人员分析子单元连接，用以根据所述排队通道中所述老人数量、所述孩童数量和所述携带大件物品的乘客的数量进行计算获取人员校准参数；
校准模块，与所述数据分析模块连接，用以采集任意排队通道中任意标识人员的实际移动速度，对所述第一通过时长进行校准，获取第二通过时长；
确定模块，与所述校准模块连接，根据目标乘客的发车时刻和所述第二通过时长确定推荐通道；
更新模块，与所述确定模块连接，用以对所述推荐通道中所述目标乘客的目标移动速度进行实时采集，以根据所述目标移动速度对所述第二通过时长进行更新，获取最终预测时长。
2.根据权利要求1所述的基于图像识别的客运枢纽排队时长预测***，其特征在于，所述人员分析子单元通过判断所述边缘轮廓的弯曲度和高度对老人和孩童进行识别，通过识别所述边缘轮廓中物体边缘轮廓的区域面积对携带大件物品的乘客进行识别。
3.根据权利要求2所述的基于图像识别的客运枢纽排队时长预测***，其特征在于，所述图像分析单元包括目标确定子单元和拟合子单元，其中，
所述目标确定子单元用以通过边缘检测算法获取所述移动图像中所述标识人员的边缘轮廓特征，确定所述标识人员的边缘轮廓特征的中心点作为所述目标点；
所述拟合子单元，与所述目标确定子单元连接，用以将相邻的帧图像之间的目标点进行相连，获取所述标识人员的运动轨迹。
4.根据权利要求3所述的基于图像识别的客运枢纽排队时长预测***，其特征在于，所述速度校准单元包括速度计算子单元和时长校准子单元，其中，
所述速度计算子单元用以通过计算所述运动轨迹相邻的帧图像两点间的距离值除以所述相邻的帧图像间的时间间隔，获取所述标识人员的实际运动速度；
所述时长校准子单元，与所述速度计算子单元连接，根据所述实际移动速度与预设移动速度进行比较，根据比较结果计算速度修正系数，根据所述速度修正系数对所述第一通过时长进行校准。
5.根据权利要求4所述的基于图像识别的客运枢纽排队时长预测***，其特征在于，所述确定模块包括时长计算单元和选择单元，其中，
所述时长计算单元用以根据所述目标乘客的发车时刻计算预设等待时长；
所述选择单元，与所述时长计算单元连接，用以将若干排队通道对应的第二通过时长进行由小到大排序，获取时长序列，将所述时长序列中小于所述预设等待时长的第二通过时长对应的排队通道进行标记，选取排序第一的作为推荐通道。
6.根据权利要求5所述的基于图像识别的客运枢纽排队时长预测***，其特征在于，所述更新模块包括速度采集单元和更新单元，其中，
所述速度采集单元用以通过图像采集设备采集包含目标乘客和目标物体的若干图像，对若干所述图像进行分析，获取若干所述图像中的若干目标乘客轮廓和若干目标物体轮廓，根据若干所述目标乘客轮廓和若干所述目标物体轮廓间的距离变化值计算所述目标乘客的目标移动速度；
所述更新单元，与所述速度采集单元连接，用以将所述目标乘客的目标移动速度与所述预设移动速度进行比较，根据比较结果计算更新参数，根据更新参数对所述第二通过时长进行更新，获取最终预测时长。
7.根据权利要求6所述的基于图像识别的客运枢纽排队时长预测***，其特征在于，所述数据获取模块包括建立单元和历史时长获取单元，其中，
所述建立单元用以建立所述历史数据库，所述历史数据库包括排队通道编号和对应的各个时段乘客的平均通过时长；
所述历史时长获取单元，与所述建立单元连接，用以将任意所述排队通道对应的各个时段乘客的平均通过时长进行求均值，将均值结果作为所述排队通道的历史通过时长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410188480.2A CN117935169B (zh) | 2024-02-20 | 2024-02-20 | 基于图像识别的客运枢纽排队时长预测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410188480.2A CN117935169B (zh) | 2024-02-20 | 2024-02-20 | 基于图像识别的客运枢纽排队时长预测*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117935169A CN117935169A (zh) | 2024-04-26 |
| CN117935169B true CN117935169B (zh) | 2024-07-09 |
Family
ID=90766484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410188480.2A Active CN117935169B (zh) | 2024-02-20 | 2024-02-20 | 基于图像识别的客运枢纽排队时长预测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117935169B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899650A (zh) * | 2015-05-26 | 2015-09-09 | 成都中科大旗软件有限公司 | 基于多源数据分析对旅游景区客流量进行预测的方法 |
| CN113888857A (zh) * | 2021-10-11 | 2022-01-04 | 南京微道科技有限公司 | 基于车联网的公共交通管理***、装置及方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10664707B2 (en) * | 2014-10-06 | 2020-05-26 | Marc R. Hannah | Managed access system for traffic flow optimization |
| EP4384974A1 (en) * | 2021-08-13 | 2024-06-19 | University of Cincinnati | Systems and methods for predicting airport passenger flow |
| CN114707709A (zh) * | 2022-03-21 | 2022-07-05 | 重庆城市综合交通枢纽（集团）有限公司 | 铁路综合客运枢纽安全预警方法及*** |
-
2024
- 2024-02-20 CN CN202410188480.2A patent/CN117935169B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899650A (zh) * | 2015-05-26 | 2015-09-09 | 成都中科大旗软件有限公司 | 基于多源数据分析对旅游景区客流量进行预测的方法 |
| CN113888857A (zh) * | 2021-10-11 | 2022-01-04 | 南京微道科技有限公司 | 基于车联网的公共交通管理***、装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117935169A (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110493816B (zh) | 一种用于轨交地铁车站客流量的实时预测方法 | |
| CN103593974B (zh) | 一种基于定位信息的公交载客量采集方法 | |
| CN111724589B (zh) | 一种基于多源数据的高速公路断面流量估计方法 | |
| CN111260822B (zh) | 一种基于大数据的轨道交通车辆健康状态分析方法及终端 | |
| CN104185275A (zh) | 一种基于wlan的室内定位方法 | |
| CN110245377B (zh) | 一种出行方案推荐方法及推荐*** | |
| CN109598947B (zh) | 一种车辆识别方法及*** | |
| CN109446881B (zh) | 一种基于异构数据的高速公路路段交通状态检测方法 | |
| CN113628432B (zh) | 地铁人流限流的智能预警*** | |
| CN108665178A (zh) | 一种基于afc的地铁站内楼扶梯客流量预测方法 | |
| CN116308958A (zh) | 基于移动终端的碳排放在线检测预警***及方法 | |
| CN103793761B (zh) | 一种枢纽异常客流量产生因素的识别方法 | |
| CN104598543B (zh) | 一种社交匹配数据挖掘*** | |
| CN117935169B (zh) | 基于图像识别的客运枢纽排队时长预测*** | |
| CN110321982A (zh) | 一种轨道交通断面客流量实时计算方法 | |
| Zheng et al. | Improved iterative prediction for multiple stop arrival time using a support vector machine | |
| CN112700473B (zh) | 一种基于图像识别进行车厢拥挤度判断*** | |
| Nie et al. | Use of multisensor data in reliable short-term travel time forecasting for urban roads: Dempster–Shafer approach | |
| CN110441830A (zh) | 基于自动气象站的小区域天气预测***、方法及存储介质 | |
| CN113256014B (zh) | 一种5g通信工程智能检测*** | |
| CN108665705B (zh) | 交通诱导统计模型校对方法及装置 | |
| CN111275482B (zh) | 基于机器学习的轨道交通实时动态清分方法 | |
| CN111931968B (zh) | 一种应用手机gps数据来优化公共自行车站点布局的方法 | |
| CN110263993B (zh) | 一种用于城市轨交乘客走行时间的实时预测方法 | |
| CN113780682A (zh) | 基于故障标志物的轨道交通***业务故障预测方法 |
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 |