虹软公交车客流统计方案

: 发布时间:2022-06-28 11:35 来源:网络

　　公交车是城市出行中重要的交通运输工具,普通老百姓的日常出行更是离不开公交车;而且随着城市化的持续发展,公交车的数量和载客量也在不断上升。

　　根据交通部公布的数据,2022年1-2月,仅36个中心城市的公共汽电车就完成了31.4亿人的客运量,这还只是疫情期间、处于下行阶段的客运数据。

　　尤其在人口密集的一二线城市,公交车承载了太多打工人的出行使命,更容易出现诸如拥挤、运力不足、规划不合理等问题。这种情况下,公交公司可以通过客流统计方案来提升运输效率。

　　虹软公共交通客流统计方案,是基于深度学习算法,专门针对公共交通开发的智能客流统计解决方案,可以统计各时间段内公交(或其他公共交通)上下车的客流量,协助公交公司合理调度车辆。

　　虹软方案主要由车载智能终端AI Box、车载摄像头组成,配备车内显示屏就可以为驾驶员展示前后车门的情况;同时可以接入公交业务中心平台,让公交公司检测客流情况,并能够根据客流数据对车辆进行调度和管理。

　　虹软公交客流统计方案构成

　　方案逻辑是这样的:通过安装在前后车门上方的摄像头监测上下客的区域,以车门开启、关闭作为开始和结束信号,跟踪乘客的动向,实现了对乘客进入和离开的双向精准识别分析,完成上车和下车乘客的计数、分析。

　　虹软算法检测流程示意

　　公交车客流统计示例图

　　工作原理其实很简单,但涉及到具体场景和用例时,就能感受到虹软算法的强大了,客流场景覆盖很全。

　　常规场景覆盖情况示例

　　测试方案时尝试了很多种情况,其中还包含了一些特别容易出错的情况:比如同时上下车、前门下车、后门上车、乘客拥挤、快走、戴帽子场景等等,整体测试表现都很不错,基本没有出现漏检、误检。

　　乘客在上下车时如果走得很快,会容易出现漏检的情况,针对这个特殊场景,虹软增加了对乘客轨迹的预判,通过前几帧捕捉到的画面来预测乘客的行动方向,从而维持对目标的追踪,避免漏检。

　　虹软方案中对乘客头部特征学习较为重要,前期对不同发型、不同年龄段以及不同类型帽子的样例作了充分学习。比如在测试戴帽子场景时,我们尝试了很多种帽子,比如鸭舌帽、渔夫帽、贝雷帽、安全帽、卫衣连帽等等,基本上都可以检测出来而且不误报,说明虹软在前期进行用例测试时,覆盖的帽子场景很多,覆盖了大部分常见的帽子类型。

　　乘客特征样本示例

　　在光线较暗的夜晚场景时,摄像头会自动启用IR模式,保证计数准确;而且连夜晚戴帽子的场景也有考虑到(夜晚戴帽子经常会出现大面积曝光,如果算法上没有特别注意的话很容易发生误报)。

　　此外,我们还必须考量到方案成本,这对后期量产和推广影响较大,虹软方案的巧妙之处在此又一次体现:在摄像头选型上,虹软也发挥了算法优势——可以用低成本摄像头实现预期的统计分析效果。区别于其他的双目摄像头方案,虹软采用了成本较低的单目摄像头(RGB+IR双模,可以在不同光线条件下自动切换),与此对应的算力要求也比较低,然而检测准确率不受影响,可以达到双目摄像头的效果,相当于通过算法补足了摄像头和算力的局限性。这样一来,整体成本就能降低几百块,对用户来说性价比更高。

微信

微博 QQ空间

点赞收藏评论

文章标签：