技术领域
[0001] 本发明涉及数据处理技术领域，具体涉及一种基于开发板的人流密度监测系统。
相关背景技术
[0002] 随着互联网和人工智能技术的不断发展，越来越多的领域开始涉及自动化计算与分析。其中，监控安防领域是最为重要的场景之一。对于一些人流密度大的区域，如高校、机场、车站、广场、公园等，常因为人群过于密集而存在发生踩踏事件的隐患。对这些区域进行实时人数的统计，可以有效避免此类事件的发生。
[0003] 现有的人流密度检测系统大多基于用户地点共享，例如借助用户手机的定位系统，搜集用户的信息。该方案需要征得用户同意且需要安装对应的app，涉及用户隐私权限等等问题。
[0004] 现有的采用基于用户地点共享的人流密度估计的系统可操作性低。
具体实施方式
[0036] 为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037] 本申请实施例通过提供一种基于开发板的人流密度监测系统，解决了现有系统可操作性低的技术问题，实现避免涉及用户权限隐私的情况下，监测人流密度。
[0038] 本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
[0039] 本发明实施例主要是在避免涉及用户权限隐私的情况下，使用开发板终端设备充分采集场景的数据，使得数据可信度更高的同时，解决了传统产品使用手机定位问题(尤其是室内等信号差的场景)上的不足，提高人流密度估计的准确度。
[0040] 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。
[0041] 本发明实施例提供一种基于开发板的人流密度监测系统，其构架如图1所示，该系统包括：嵌入式开发板、云服务器和小程序。嵌入式开发板和小程序通过云服务器进行数据交互。
[0042] 其中：
[0043] 嵌入式开发板通过开发板配套摄像头采集人流图片信息，基于人流图片信息统计人流密度数据，并通过云服务器将人流密度数据反馈给小程序。
[0044] 本发明实施例在避免涉及用户权限隐私的情况下，使用开发板终端设备充分采集场景的数据，使得数据可信度更高的同时，解决了传统产品使用手机定位问题上的不足，提高人流密度估计的准确度。
[0045] 下面结合具体实施例对该系统进行详细说明。
[0046] 在具体实施过程中，嵌入式开发板为树莓派3B开发板。
[0047] 树莓派3B开发板基于人流图片信息统计人流密度数据的具体过程为：
[0048] 通过预设的Yolov3模型识别人流图片信息人体目标，并统计人数。
[0049] 其中，预设的Yolov3模型的构建过程如下：
[0050] 使用COCO2017、MS COCO和PASCAL VOC等数据集对基于mobilenet的Yolov3进行训练，得到初始Yolov3模型，通过特定场景的图片(如学校食堂的人流场景)对模型进行进一步微调，得到Yolov3模型。
[0051] 在本发明实施例中，在摄像头部署方面，可以将目前食堂等场所已有的监控设备摄取的图片共享到的嵌入式开发板从而进行检测，结合部署与树莓派3B开发板配套的CSI接口广角500万摄像头，从而相比于传统的检测项目，更加节约成本，更加注重对现有资源的重复利用。
[0052] 与此同时，考虑到当前疫情形势严峻，一个口罩佩戴的情况统计会对防疫工作大有帮助，在本发明实施例中，采用预设的Pyramidbox口罩检测模型识别出口罩佩戴的情况，统计佩戴口罩的人数。
[0053] 在本发明实施例中，采用WIDER FACE人脸检测数据集和自采人脸数据集进行结合训练对PyramidBox进行训练和调整，得到Pyramidbox口罩检测模型。在本发明实施例中，PyramidBox模型基于主干网络FaceBoxes，对于光照、口罩遮挡、表情变化、尺度变化等常见问题具有很强的鲁棒性。由于使用了自采的人脸数据，使得训练出来的模型在特定的应用场景表现更佳，可用于高速准确地检测是否佩戴口罩。
[0054] 在具体实施过程中，部署在食堂或者校园内其他位置的开发板通过摄像头捕捉到的照片每隔一小段时间(10s)发送到以上两个模型进行检测，得到人流密度信息和口罩佩戴情况清晰并作为一条记录存入云服务器。
[0055] 云服务器中包含时间、当前位置的人数、佩戴口罩的人数和未佩戴口罩的人数的等数据的时间序列。
[0056] 在具体实施过程中，为了更好的避免人口密集和做好防疫工作，本发明实施例的系统还可以对预测未来人流量和口罩佩戴情况进行预测。可通过时间序列分析模型来预测分析未来时间段的数据，在本发明实施例中，选用ARIMA时间序列模型来分析未来的数据，其处理过程如图2所示，具体过程如下：
[0057] S1、数据获取过程：
[0058] 将过去3小时的人流量和口罩佩戴情况数据作为原始时间序列数据。
[0059] S2、数据预处理过程：
[0060] S201、对原始时间序列数据进行平稳性检验和白噪声检验，对于非平稳时间序列，采用一次或多次差分进行差分处理直至平稳性检验平稳为止；
[0061] S202、对原始时间序列数据进行重采样：从数据中相隔30s的数据做一次采样。由于设定的是每隔10秒采集一次数据，为了提高模型实时训练和预测的速度，需要下采样，减少处理数据量，提高模型速度。
[0062] S3、采用预处理后的数据，获取序列数据的ACF和PACF；
[0063] S4、模型识别过程：采用Box‑Jenkins模型识别方法从已知的模型中选择一个时间序列过程相吻合的模型；然后利用上述计算的ACF和PACF估计模型中未知参数的值，采用截尾和拖尾来确定模型阶数，然后使用预预处理后的原始时间序列数据拟合模型；
[0064] S5、获得模型后，为了保证效果，对模型进行检验以确保模型合格，主要手段是：观察残差是否基本满足了正态分布，若否，返回上述步骤S4的模型识别过程，然后重新估计模型未知参数；
[0065] S6、使用预处理数据对模型进行充分训练，多次迭代优化，得到优化后的ARIMA模型；
[0066] 在上述实现ARIMA优化过程中，由于采集的数据是实时更新的，模型优化过程可以返回到上述的模型识别过程，然后重新模型参数和利用当前最新数据训练模型，从而得到一个支持实时更新的高准确度预测模型。
[0067] S7、利用优化后的ARIMA模型预测未来人流量和口罩佩戴情况走势；
[0068] 有了ARIMA预测模型，本发明实施例的系统能够预测未来一段时间内(如三十分钟及以内)的人流和口罩佩戴情况走势，并为用户提供就餐建议时间等实用性功能，有效避免人流拥堵，减少扎堆。
[0069] 最后，这些数据和预测结果会通过小程序(如微信小程序)实时展示在用户面前。
[0070] 综上所述，与现有技术相比，具备以下有益效果：
[0071] 1、本发明实施例在避免涉及用户权限隐私的情况下，使用开发板终端设备充分采集场景的数据，使得数据可信度更高的同时，解决了传统产品使用手机定位问题上的不足，提高人流密度估计的准确度。
[0072] 2、针对高校等个人流密集的场所，通过本发明实施例的基于开发板的人流密度监测系统，用户可以十分方便地了解到各食堂和教室的人流密度情况，方便用户决策何时、何地用餐来，避免拥挤，减少扎堆程度，节约用户时间。
[0073] 3、本发明实施例的系统能够预测未来一段时间内的人流和口罩佩戴情况走势，并为用户提供就餐建议时间等实用性功能，有效避免人流拥堵，减少扎堆，有利于防疫工作。
[0074] 4、开发板运行linux系统，相比于window更加稳定，无需经常维护。
[0075] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0076] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
