[發(fā)明專利]基于深度學(xué)習(xí)的公交車客流量統(tǒng)計(jì)方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910347705.3
• 申請(qǐng)日: 2019-04-28
• 公開（公告）號(hào): CN110084197A
• 公開（公告）日: 2019-08-02
• 發(fā)明（設(shè)計(jì)）人: 尚廣利;劉星;張偉
• 申請(qǐng)（專利權(quán)）人: 蘇州清研微視電子科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 蘇州創(chuàng)元專利商標(biāo)事務(wù)所有限公司 32103
• 代理人: 范晴;丁浩秋

1.一種基于深度學(xué)習(xí)的公交車客流量統(tǒng)計(jì)方法，其特征在于，包括以下步驟：

S01：離線采集客流樣本數(shù)據(jù)，并將樣本數(shù)據(jù)分成訓(xùn)練和測(cè)試樣本兩部分，并轉(zhuǎn)化成用于caffe深度學(xué)習(xí)框架的格式；

S02：搭建客流人頭深度學(xué)習(xí)模型，利用樣本數(shù)據(jù)通過caffe深度學(xué)習(xí)框架進(jìn)行訓(xùn)練；

S03：對(duì)訓(xùn)練得到的模型利用測(cè)試樣本進(jìn)行測(cè)試，若模型測(cè)試的檢出率低于設(shè)定閾值，則繼續(xù)訓(xùn)練模型，反之，得到最終的模型參數(shù)；

S04：采用學(xué)習(xí)得到的模型對(duì)實(shí)時(shí)視頻流進(jìn)行檢測(cè)，得到目標(biāo)框圖像，并存儲(chǔ)檢測(cè)到的人頭信息；

S05：對(duì)連續(xù)多幀檢測(cè)到的人頭信息進(jìn)行跟蹤，確定多個(gè)運(yùn)動(dòng)目標(biāo)；

S06：將確定的人體目標(biāo)與預(yù)先設(shè)定的計(jì)數(shù)閾值進(jìn)行比較，當(dāng)運(yùn)動(dòng)目標(biāo)達(dá)到計(jì)數(shù)閾值時(shí)計(jì)數(shù)。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的公交車客流量統(tǒng)計(jì)方法，其特征在于，所述步驟S04還包括對(duì)得到的目標(biāo)框圖像進(jìn)行二次分類驗(yàn)證，包括：

S41：構(gòu)建輕量級(jí)的卷積神經(jīng)網(wǎng)絡(luò)，使用端到端的單階段訓(xùn)練方法；

S42：對(duì)預(yù)處理后的目標(biāo)框圖像進(jìn)行卷積池化神經(jīng)網(wǎng)絡(luò)處理，得到特征向量圖；

S43：在人頭目標(biāo)檢測(cè)的特征圖層上，分別在每一個(gè)點(diǎn)構(gòu)造多個(gè)不同尺度大小的目標(biāo)候選框；

S44：對(duì)目標(biāo)候選框進(jìn)行分類和邊界框回歸處理，得到目標(biāo)人頭位置；

S45：對(duì)得到的目標(biāo)人頭位置，進(jìn)行非極大值抑制處理，得到目標(biāo)位置；

S46：對(duì)檢測(cè)到的目標(biāo)框進(jìn)行二次驗(yàn)證，輸入到提前訓(xùn)練好的分類網(wǎng)絡(luò)中，對(duì)該目標(biāo)框進(jìn)行分類確認(rèn)，判斷是否為人頭。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的公交車客流量統(tǒng)計(jì)方法，其特征在于，所述步驟S01中還包括豐富樣本數(shù)據(jù)，包括在各種光照、帽子形態(tài)、復(fù)雜背景情況下采集原始訓(xùn)練樣本數(shù)據(jù)；在訓(xùn)練模型時(shí)對(duì)采集的原始樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)處理，對(duì)圖像進(jìn)行翻轉(zhuǎn)、旋轉(zhuǎn)、平移、裁剪、縮放調(diào)整，添加高斯噪聲處理，以及調(diào)整圖像的亮度、飽和度、對(duì)比度。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的公交車客流量統(tǒng)計(jì)方法，其特征在于，所述步驟S06中還包括若檢測(cè)到有關(guān)門信號(hào)觸發(fā)，則統(tǒng)計(jì)最終的上下車人數(shù)上傳到網(wǎng)絡(luò)后臺(tái)。

5.一種基于深度學(xué)習(xí)的公交車客流量統(tǒng)計(jì)系統(tǒng)，其特征在于，包括：

離線樣本數(shù)據(jù)采集處理模塊，離線采集客流樣本數(shù)據(jù)，并將樣本數(shù)據(jù)分成訓(xùn)練和測(cè)試樣本兩部分，并轉(zhuǎn)化成用于caffe深度學(xué)習(xí)框架的格式；

模型構(gòu)建模塊，搭建客流人頭深度學(xué)習(xí)模型，利用樣本數(shù)據(jù)通過caffe深度學(xué)習(xí)框架進(jìn)行訓(xùn)練；

訓(xùn)練模塊，對(duì)訓(xùn)練得到的模型利用測(cè)試樣本進(jìn)行測(cè)試，若模型測(cè)試的檢出率低于設(shè)定閾值，則繼續(xù)訓(xùn)練模型，反之，得到最終的模型參數(shù)；

在線檢測(cè)模塊，采用學(xué)習(xí)到的模型對(duì)實(shí)時(shí)視頻流進(jìn)行檢測(cè)，得到目標(biāo)框圖像，并存儲(chǔ)檢測(cè)到的人頭信息；

跟蹤模塊，對(duì)連續(xù)多幀檢測(cè)到的人頭信息進(jìn)行跟蹤，確定多個(gè)運(yùn)動(dòng)目標(biāo)；

計(jì)數(shù)模塊，將確定的運(yùn)動(dòng)目標(biāo)與預(yù)先設(shè)定的計(jì)數(shù)閾值進(jìn)行比較，當(dāng)運(yùn)動(dòng)目標(biāo)達(dá)到計(jì)數(shù)閾值時(shí)計(jì)數(shù)。

6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的公交車客流量統(tǒng)計(jì)系統(tǒng)，其特征在于，所述在線檢測(cè)模塊還包括分類確認(rèn)模塊，所述分類確認(rèn)模塊對(duì)檢測(cè)到的目標(biāo)框圖像進(jìn)行二次驗(yàn)證，包括：

S41：構(gòu)建輕量級(jí)的卷積神經(jīng)網(wǎng)絡(luò)，使用端到端的單階段訓(xùn)練方法；

S42：對(duì)預(yù)處理后的目標(biāo)框圖像進(jìn)行卷積池化神經(jīng)網(wǎng)絡(luò)處理，得到特征向量圖；

S43：在人頭目標(biāo)檢測(cè)的特征圖層上，分別在每一個(gè)點(diǎn)構(gòu)造多個(gè)不同尺度大小的目標(biāo)候選框；

S44：對(duì)目標(biāo)候選框進(jìn)行分類和邊界框回歸處理，得到目標(biāo)人頭位置；

S45：對(duì)得到的目標(biāo)人頭位置，進(jìn)行非極大值抑制處理，得到目標(biāo)位置；

S46：對(duì)檢測(cè)到的目標(biāo)框進(jìn)行二次驗(yàn)證，輸入到提前訓(xùn)練好的分類網(wǎng)絡(luò)中，對(duì)該目標(biāo)框進(jìn)行分類確認(rèn)，判斷是否為人頭。