[發明專利]景區內游客分布分析系統及方法

有效

• 申請號: 201910985165.1
• 申請日: 2019-10-16
• 公開（公告）號: CN112668375B
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 萬紅珍
• 申請（專利權）人: 廣東輕工職業技術學院
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/764;G06Q50/14
• 代理公司: 北京康思博達知識產權代理事務所(普通合伙) 11426
• 代理人: 孫建玲;劉冬梅

1.景區內游客分布分析系統，其特征在于，所述系統包括：

云平臺：與景區調度系統連接，實現與景區內部信息的交互，接受移動終端的訪問，基于移動終端請求的相關指令，將請求結果反饋給移動終端；

景區調度系統：包括信息獲取子系統、信息處理子系統和信息存儲子系統；信息獲取子系統包括分布于景區內的圖像獲取模塊，圖像獲取模塊將獲取到的景區內游客的圖像信息傳輸至信息處理子系統；信息處理子系統通過對原始信息的處理，獲得游客密度數據；信息存儲子系統存儲圖像獲取模塊獲得的圖像信息，以及信息處理子系統運算的結果，并記錄景區內各設施的地理空間數據，為云平臺提供包括景區地圖、游客密度在內的信息，是移動終端查詢的基礎；

移動終端：通過訪問云平臺，獲得景區發布的信息，通過向云平臺發送對應的坐標信息，獲取其在景區地圖中的位置；

所述信息處理子系統獲得游客密度的方法包括以下步驟：

步驟1)，在卷積神經網絡上增加LBP特征提取模塊分支，將卷積神經網絡最后一層卷積層后的池化層和所有的全連接層刪除，在最后一層卷積層后增加一個通道數為游客類別總數的卷積層，其后連接全局平均池化層和一個softmax回歸層，得到改進后的卷積神經網絡；

步驟2)，將訓練樣本集中圖片輸入到改進后的卷積神經網絡，LBP特征提取模塊計算得到基于原圖紋理的目標響應關系；通過基于紋理的目標響應關系強化特征圖，訓練得到用于定位的卷積神經網絡；

所述LBP特征提取模塊通過下式(1)和式(2)計算得到基于紋理的目標響應關系：

其中，P_n為中心像素值，P_c為中心鄰域上的像素值，n為0，1，2，……7；

步驟3)，向訓練好的卷積神經網絡中輸入視頻圖像，在最后一個卷積層的特征圖上使用激活的方法進行特征提取，得到類別響應圖；

步驟4)，將類別響應圖上采樣至原圖像大小后進行二值化，再對二值化的圖進行連通域檢測，連通域對應的實際物理量大于設定值的連通域即為一個定位結果，通過定位結果的個數確定游客密度。

2.根據權利要求1所述的系統，其特征在于，云平臺包括景區調度系統鏈接模塊、移動終端鏈接模塊、景區導航模塊、景點介紹模塊、第三方服務模塊，其中，

景區調度系統鏈接模塊，用于建立與景區調度系統的連接，實現與景區調度系統的信息互動；

移動終端鏈接模塊，用于建立與移動終端的連接，實現與移動終端的互動；

景區導航模塊，基于景區地圖，提供旅游線路的搜索，并基于游客需求為旅游線路排序；

景點介紹模塊，提供線路沿途景點的介紹，包括文字、圖片、語音、或視頻信息；

第三方服務模塊，其為旅行社、酒店、交通運輸服務部門、支付應用服務部門提供信息發布和交易的接口。

3.根據權利要求1所述的系統，其特征在于，移動終端為一種可與游客通過鍵盤、觸摸屏或聲控設備進行人機交互的電子產品；

圖像獲取模塊為照相設備或錄像設備。

4.根據權利要求1所述的系統，其特征在于，步驟1)中，卷積神經網絡選自VGG16或GoogLeNet。

5.根據權利要求1所述的系統，其特征在于，步驟2)包括以下子步驟：

步驟2.1)，獲取游客圖像數據，確定圖像類別，形成訓練樣本集，將訓練樣本集中圖像輸入到改進后的卷積神經網絡；

步驟2.2)，LBP特征提取模塊計算得到基于原圖紋理的目標響應關系；

步驟2.3)，將基于紋理的目標響應關系與特征圖融合，繼續前向傳播，訓練得到目標卷積神經網絡。

6.根據權利要求5所述的系統，其特征在于，所述步驟2)還包括對目標卷積神經網絡的優化過程，該過程包括以下步驟：

步驟2.4)設計多類交叉熵的損失函數，根據損失函數計算分類結果相對于標注的誤差，誤差以梯度形式反傳，更新卷積層網絡參數；

步驟2.5)根據損失函數計算得到的分類誤差判定網絡是否收斂，或者判定是否已經達到最大迭代次數，如果網絡收斂或已經達到最大迭代次數，停止模型訓練，否則跳轉至步驟2.1)。