出租车载客人数检测方法及系统

摘要

本发明提出了一种出租车载客人数检测方法，该方法包括：根据出租车内计价器的状态获取出租车的运营状态，其中，营运状态包括空载状态和载客状态；在获取到的运营状态由空载状态切换为载客状态时，获取出租车内的目标图像；对目标图像进行人体区域标记，以生成训练数据集；构建目标识别模型，并将训练数据集输入到目标识别模型进行训练，以生成人数识别模型；获取待检测目标图像，并将待检测目标图像输入到训练好的人数识别模型，以便通过人数识别模型进行人数识别，以得到车载人数；无需改造出租车车内硬件条件，且通过检测整个人体区域，从而降低了乘客人脸被遮挡导致漏识别的可能性，大大提高了检测准确性。

说明书

技术领域

本发明涉及人数检测技术领域，特别涉及一种出租车载客人数检测方法、一种出租车载客人数检测系统、以及一种计算机可读存储介质和计算机设备。

背景技术

相关技术中，现有的出租车载客人数检测通过人脸检测方式检测车内人数，但是人脸检测算法难以解决由于图片过曝、模糊看不清人脸以及后排乘客不露出人脸的情况，导致识别效果差；并且在现有车载硬件设备条件下，出租车业务数据无法反映每个订单的乘客数量，无法准确、有效反映客流情况。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种出租车载客人数检测方法，无需改造出租车车内硬件条件，且通过检测整个人体区域，从而降低了后排乘客人脸被遮挡导致漏识别的可能性，大大提高了检测准确性。

本发明的第二个目的在于提出一种计算机可读存储介质。

本发明的第三个目的在于提出一种计算机设备。

本发明的第四个目的在于提出一种出租车载客人数检测系统。

为达到上述目的，本发明第一方面实施例提出了一种出租车载客人数检测方法，该方法包括以下步骤：根据所述出租车内计价器的状态获取所述出租车的运营状态，其中，所述营运状态包括空载状态和载客状态；在获取到的所述运营状态由空载状态切换为载客状态时，获取所述出租车内的目标图像；对所述目标图像进行人体区域标记，以生成训练数据集；构建目标识别模型，并将所述训练数据集输入到所述目标识别模型进行训练，以生成人数识别模型；获取待检测目标图像，并将所述待检测目标图像输入到所述训练好的人数识别模型，以便通过所述人数识别模型进行人数识别，以得到车载人数。

根据本发明实施例的出租车载客人数检测方法，首先根据出租车内计价器的状态获取出租车的运营状态，其中，营运状态包括空载状态和载客状态，然后在获取到的运营状态由空载状态切换为载客状态时，获取出租车内的目标图像，接着对目标图像进行人体区域标记，以生成训练数据集，再接着构建目标识别模型，并将训练数据集输入到所述目标识别模型进行训练，以生成人数识别模型，最后获取待检测目标图像，并将待检测目标图像输入到训练好的人数识别模型，以便通过人数识别模型进行人数识别，以得到车载人数。由此，本发明无需改造出租车车内硬件条件，且通过检测整个人体区域，从而降低了乘客人脸被遮挡导致漏识别的可能性，大大提高了检测准确性。

另外，根据本发明上述实施例提出的出租车载客人数检测方法还可以具有如下附加的技术特征：

可选地，所述目标图像还包括从网络公开资源获取的VOC数据集，并从中筛选出包含人且识别困难的图片。

可选地，基于YoloV3算法构建目标识别模型，采用CIoU-loss作为目标识别模型的损失函数，使用DIoU-NMS代替原生NMS。

可选地，所述人数识别模型通过返回目标框的数量，以便将目标框数量作为车载人数。

为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有出租车载客人数检测程序，该出租车载客人数检测程序被处理器执行时实现如上述的出租车载客人数检测方法。

根据本发明实施例的计算机可读存储介质，通过存储出租车载客人数检测程序，这样出租车载客人数检测程序被处理器执行时实现如上述的出租车载客人数检测方法，无需改造出租车车内硬件条件，且通过检测整个人体区域，从而降低了乘客人脸被遮挡导致漏识别的可能性，大大提高了检测准确性。

为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的出租车载客人数检测方法。

根据本发明实施例的计算机设备，通过存储器存储出租车载客人数检测程序，这样出租车载客人数检测程序被处理器执行时实现如上述的出租车载客人数检测方法，无需改造出租车车内硬件条件，且通过检测整个人体区域，从而降低了乘客人脸被遮挡导致漏识别的可能性，大大提高了检测准确性。

为达到上述目的，本发明第四方面实施例提出了一种出租车载客人数检测系统，包括：获取模块，所述获取模块用于根据所述出租车内计价器的状态获取所述出租车的运营状态，其中，所述营运状态包括空载状态和载客状态；以及在获取到的所述运营状态由空载状态切换为载客状态时，获取所述出租车内的目标图像；训练数据集生成模块，所述训练数据集生成模块用于对所述目标图像进行人体区域标记，以生成训练数据集；训练模块，所述训练模块用于构建目标识别模型，并将所述训练数据集输入到所述目标识别模型进行训练，以生成人数识别模型；检测识别模块，所述检测识别模块用于获取待检测目标图像，并将所述待检测目标图像输入到所述训练好的人数识别模型，以便通过所述人数识别模型进行人数识别，以得到车载人数。

根据本发明实施例提供的出租车载客人数检测系统，通过获取模块根据出租车内计价器的状态获取出租车的运营状态，其中，营运状态包括空载状态和载客状态；以及在获取到的运营状态由空载状态切换为载客状态时，获取出租车内的目标图像；在通过训练数据集生成模块对目标图像进行人体区域标记，以生成训练数据集；接着通过训练模块构建目标识别模型，并将训练数据集输入到目标识别模型进行训练，以生成人数识别模型；最后通过检测识别模块获取待检测目标图像，并将待检测目标图像输入到训练好的人数识别模型，以便通过人数识别模型进行人数识别，以得到车载人数。由此，无需改造出租车车内硬件条件，且通过检测整个人体区域，从而降低了乘客人脸被遮挡导致漏识别的可能性，大大提高了检测准确性。

另外，根据本发明上述实施例提出的出租车载客人数检测系统还可以具有如下附加的技术特征：

可选地，所述目标图像还包括从网络公开资源获取的VOC数据集，并从中筛选出包含人且识别困难的图片。

可选地，基于YoloV3算法构建目标识别模型，采用CIoU-loss作为目标识别模型的损失函数，使用DIoU-NMS代替原生NMS。

可选地，所述人数识别模型通过返回目标框的数量，以便将目标框数量作为车载人数。

附图说明

图1为根据本发明实施例的出租车载客人数检测方法的流程图；

图2为根据本发明一个实施例的标记效果图；

图3为根据本发明一个实施例的出租车载客人数检测系统的方框示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

图1为根据本发明实施例的出租车载客人数检测方法的流程图。如图1所示，本发明实施例的出租车载客人数检测方法包括以下步骤：

步骤101，根据出租车内计价器的状态获取出租车的运营状态，其中，营运状态包括空载状态和载客状态。

需要说明的是，可通过出租车内的车载录像设备获取出租车的运营状态。

也就是说，当出租车内计价器的状态改变时，计价器将改变的运营状态发送给车载录像设备。

步骤102，在获取到的运营状态由空载状态切换为载客状态时，获取出租车内的目标图像。

也就是说，车载录像设备在获取到的运营状态由空载状态切换为载客状态时，抓拍运营状态下各角度各时段的车内图片，从而得到一定数量的历史数据。

作为一个实施例，每个目标图像可对应存储拍摄时间和地点等数据信息。

需要说明的是，在获取到目标图像后，还对目标图像进行数据筛选，例如，从目标图像中过滤出未拍摄到人员、图片模糊、花屏、蓝屏等无效数据，从而提高数据质量。

作为一个实施例，目标图像还包括从网络公开资源获取的VOC数据集，并从中筛选出包含人且识别困难的图片。

也就是说，为了丰富数据集，提升模型识别能力，增加部分网络公开数据集，从voc数据集中，根据标注xml文件，筛选出识别难度为difficult的图片(仅露出部分身体部位或光线不足)；从而保证不同人数、角度、光线条件下数据量相对平衡，避免数据倾斜。

步骤103，对目标图像进行人体区域标记，以生成训练数据集。

需要说明的是，如图2所示，为了解决后排乘客只露出部分身体部位导致漏识别的情况，对收集的出租车车内图片进行标注，标注范围包括所有身体露出部位。

步骤104，构建目标识别模型，并将训练数据集输入到目标识别模型进行训练，以生成人数识别模型。

作为一个实施例，基于YoloV3算法构建目标识别模型，采用CIoU-loss作为目标识别模型的损失函数，使用DIoU-NMS代替原生NMS。

需要说明的是，构建基于YoloV3算法的目标识别模型，将以上训练数据集划分为训练集、测试集和验证集，输入目标识别模型进行训练，由于使用人体所有露出部位而非头部作为标注，所述目标识别模型对此做了针对性改进：由于总体上身体部位占画面的比例明显大于头部，为了优化YOLOV3对大目标检测能力不足的缺点，使用CIoU-loss作为模型损失，CIoU-loss在DIoU-loss的基础上加入对长宽比的考量，有利于快速收敛和提升性能，同时使用DIoU-NMS代替原生NMS以更好地引导bbox的消除，减少误识别的情况。

步骤105，获取待检测目标图像，并将待检测目标图像输入到训练好的人数识别模型，以便通过人数识别模型进行人数识别，以得到车载人数。

作为一个实施例，人数识别模型通过返回目标框的数量，以便将目标框数量作为车载人数。

需要说明的是，在获得待检测目标图像对应的车载人数后，根据上传的图片设备信息记录结果。

综上所述，根据本发明实施例的出租车载客人数检测方法，首先根据出租车内计价器的状态获取出租车的运营状态，其中，营运状态包括空载状态和载客状态，然后在获取到的运营状态由空载状态切换为载客状态时，获取出租车内的目标图像，接着对目标图像进行人体区域标记，以生成训练数据集，再接着构建目标识别模型，并将训练数据集输入到所述目标识别模型进行训练，以生成人数识别模型，最后获取待检测目标图像，并将待检测目标图像输入到训练好的人数识别模型，以便通过人数识别模型进行人数识别，以得到车载人数。由此，本发明无需改造出租车车内硬件条件，且通过检测整个人体区域，从而降低了乘客人脸被遮挡导致漏识别的可能性，大大提高了检测准确性。

另外，本发明实施例还提出了一种计算机可读存储介质，其上存储有出租车载客人数检测程序，该出租车载客人数检测程序被处理器执行时实现如上述的出租车载客人数检测方法。

根据本发明实施例的计算机可读存储介质，通过存储出租车载客人数检测程序，这样出租车载客人数检测程序被处理器执行时实现如上述的出租车载客人数检测方法，无需改造出租车车内硬件条件，且通过检测整个人体区域，从而降低了乘客人脸被遮挡导致漏识别的可能性，大大提高了检测准确性。

另外，本发明实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的出租车载客人数检测方法。

根据本发明实施例的计算机设备，通过存储器存储出租车载客人数检测程序，这样出租车载客人数检测程序被处理器执行时实现如上述的出租车载客人数检测方法，无需改造出租车车内硬件条件，且通过检测整个人体区域，从而降低了乘客人脸被遮挡导致漏识别的可能性，大大提高了检测准确性。

图3为根据本发明一个实施例的出租车载客人数检测系统的方框示意图。

如图3所示，该出租车载客人数检测系统包括获取模块10，获取模块10用于根据出租车内计价器的状态获取出租车的运营状态，其中，营运状态包括空载状态和载客状态；以及在获取到的运营状态由空载状态切换为载客状态时，获取出租车内的目标图像；训练数据集生成模块20，训练数据集生成模块20用于对目标图像进行人体区域标记，以生成训练数据集；训练模块30，训练模块30用于构建目标识别模型，并将训练数据集输入到目标识别模型进行训练，以生成人数识别模型；检测识别模块40，检测识别模块40用于获取待检测目标图像，并将待检测目标图像输入到训练好的人数识别模型，以便通过人数识别模型进行人数识别，以得到车载人数。

作为一个实施例，目标图像还包括从网络公开资源获取的VOC数据集，并从中筛选出包含人且识别困难的图片。

作为一个实施例，基于YoloV3算法构建目标识别模型，采用CIoU-loss作为目标识别模型的损失函数，使用DIoU-NMS代替原生NMS。

作为一个实施例，人数识别模型通过返回目标框的数量，以便将目标框数量作为车载人数。

需要说明的是，前述对于出租车载客人数检测方法的实施例的解释说明同样适用于本实施例的出租车载客人数检测系统，此处不再赘述。

根据本发明实施例提供的出租车载客人数检测系统，通过获取模块根据出租车内计价器的状态获取出租车的运营状态，其中，营运状态包括空载状态和载客状态；以及在获取到的运营状态由空载状态切换为载客状态时，获取出租车内的目标图像；在通过训练数据集生成模块对目标图像进行人体区域标记，以生成训练数据集；接着通过训练模块构建目标识别模型，并将训练数据集输入到目标识别模型进行训练，以生成人数识别模型；最后通过检测识别模块获取待检测目标图像，并将待检测目标图像输入到训练好的人数识别模型，以便通过人数识别模型进行人数识别，以得到车载人数。由此，无需改造出租车车内硬件条件，且通过检测整个人体区域，从而降低了乘客人脸被遮挡导致漏识别的可能性，大大提高了检测准确性。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。