[发明专利]基于视频识别与极大熵模型的公交客流站点分布情况获取方法

说明书

本发明公开了一种基于视频识别与极大熵模型的公交客流站点分布情况获取方法，包括：1、获取公交车各站点上车区域监控视频与下车区域监控视频，2、目标数据的获取和处理，3、公交车站点间客流量分布矩阵反推模型的构建，4、基于Frank‑Wolfe算法求解公交车站点间客流量分布矩阵反推模型。本发明能反映公交客流在站点之间的分布情况，有助于公交线路的设计与优化调整。

技术领域

本发明属于公交线路优化领域，具体的说是一种基于视频识别与极大熵模型的公交客流站点分布情况获取方法。

背景技术

城市公共交通系统能否正常和高效地运营，不仅取决于道路和车辆等设施条件，更有赖于运营管理手段和技术手段的先进性。必须能够深入了解城市居民的公交出行特征，及时并准确、全面地掌握公交出行数据，才能做出科学的公交规划和运营决策。现状我国主要采用人工调查方法获取公交客流信息。人工调查是最原始的公交客流数据采集方式，通过人工对主要站点客流上下车进行手工统计，其弊端在于效率低下、调查周期长、组织难度大等，并且后期数据整理复杂，无法提供实时数据，因此数据价值较差。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于视频识别与极大熵模型的公交客流站点分布情况获取方法，以期通过YOLOv5技术识别公交车载监控视频，得到部分已知数据，从而对反推模型自变量加以约束，并基于Frank-Wolfe算法进行求解，从而得到精确度较高的公交出行OD矩阵，能反映公交客流在站点之间的分布，有助于公交线路的设计与优化调整。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于视频识别与极大熵模型的公交客流站点分布情况获取方法的特点在于，是应用于包含n个站点的单条公交线路中，并按照如下步骤进行：

步骤1、获取所述单条公交线路上任意一辆公交车在站点i的上车区域监控视频和在站点j的下车区域监控视频；i＝1，2，3...n-1；j＝2，3，4...n；

步骤2、获取站点i的上车人数和站点j的下车人数

步骤2.1、在站点i的上车区域视频中设置包含前、后过线框的检测区域；定义站点i的上车计数器；

步骤2.2、利用YOLOv5目标检测器对站点i的上车区域视频进行头部目标识别，得到站点i的各个上车目标头像；利用Deep Sort算法对所识别到的上车目标头像依次进行编号，从而得到带有编号的站点i的上车头部检测框；

步骤2.3、若带有编号的上车头部检测框按照前、后过线框的顺序经过所述检测区域，则站点i的上车计数器自加“1”，否则，站点i的上车计数器保持不变；从而得到站点i的上车人数

步骤2.4、按照步骤2.1-步骤2.3的过程得到带有编号的站点j的下车头部检测框以及站点j的下车人数进而得到带有编号的所有站点的上车头部检测框和下车头部检测框；

步骤2.5、根据编号将所有站点的上车头部检测框与所有站点的下车头部检测框进行匹配，得到同一编号的上车头部检测框与下车头部检测框，从而获得同一编号所代表的乘客的上车站点和下车站点；

步骤2.6、统计与所述乘客的上车站点和下车站点均相同的乘客人数；令在站点i上车并在站点j下车的乘客人数为并作为公交车站点间客流量分布矩阵中第i行第j列的元素，从而得到公交车在单条公交线路的n个站点间客流量分布矩阵

步骤3、利用式(1)构建公交车站点间客流量分布矩阵反推模型的目标函数F：

式(1)中，T_ij表示从站点i上车到站点j下车的实际乘客人数，T表示实际公交车站点间客流量分布矩阵，并由式(2)得到：