Вы находитесь на странице: 1из 4

УДК 656.

072:004

Головкин М. В., Горбун Ю. В., Боровской А. Е.

Система автоматического подсчета пассажиропотока в общест-


венном транспорте

Белгородский государственный технологический университет,


г. Белгород

Аннотация: В данной статье рассматривается проблема нерационального ис-


пользования видеопотока с камер наблюдения. Для решения этой проблемы предлага-
ется система автоматического подсчета интенсивности пассажиропотока на основе ме-
тода распознавания лиц. Также рассмотрены основные требования к камерам и их ус-
тановке для правильной работы нейронной сети.
Abstract: This article discusses the problem of irrational use of the video stream from
surveillance cameras installed in public transport. The analysis of the effectiveness of the face
recognition system in comparison with other automated passenger flow counting systems is
carried out. The basic requirements for cameras and their installation for the proper operation
of a neural network are also considered.
Ключевые слова: система анализа, смарт-карты, распознавание лиц, нейронная
сеть, уникальный номер, биометрические системы.
Keywords: analysis system, smart cards, face recognition, neural network, unique
number, biometric systems.

Точный подсчет количества пассажиров, заходящих в автобус, явля-


ется важной частью по оптимизации городского общественного транспор-
та. Из результатов этого подсчета можно извлечь информацию об эффек-
тивности этого маршрута и о том, что в нем необходимо изменить.
Основная задача автотранспортных компаний, занимающихся перевозкой
пассажиров — оптимизация маршрутов и временных интервалов движения
автобусов. То есть, нужна детальная статистика пассажирского трафика по
каждому маршруту в течение продолжительного времени. Для получения
этой информации можно оборудовать общественный транспорт системой
автоматического подсчета пассажиропотока [2].
Существуют различные виды систем подсчета пассажиров. К авто-
матизированным системам можно отнести: «ШТРИХ-М: Транспорт», «Ав-
тоГРАФ-ПП», «Автокондуктор», «АТЛАС» [1]. Это российские системы
анализа пассажиропотока в общественном транспорте, основная задача ко-
торых заключается в учете и анализе пассажиропотока, оптимизации рас-
писания движения, маршрутной сети, тарифной политики, типов исполь-
зуемого подвижного состава, контроле выручки, сдаваемой персоналом,
обеспечении контроля оплаты проезда.
Предлагаемые на рынке инфракрасные датчики и электронные сту-
пеньки, предназначенные для подсчета пассажиропотока, не способны оп-
ределить направление движение пассажиров, так же могут некорректно
работать в сложных погодных условиях.
Система «АТЛАС» позволяет организовать систему оплаты проезда
с помощью бесконтактных смарт-карт, отслеживает количество пассажи-
ров оплативших проезд и информирует диспетчера и водителя о несоот-
ветствии количества пассажиров количеству оплаченных проездов [7]. Од-
нако система имеет уязвимые места. Для точного определения количества
пассажиров и их дальнейшего передвижения необходимо наличие данных
карт у каждого человека, но в связи с человеческим фактором данная сис-
тема будет работать некорректно, так как карту необходимо использовать
для входа и выхода из автобуса, а при ее отсутствии по различным причи-
нам человек не сможет воспользоваться общественным транспортом, что
нарушает его права и свободу.
В настоящее время в общественных местах, в том числе в общест-
венном транспорте, устанавливаются обзорные камеры, предназначенные
для контроля общественного порядка. Для более рационального использо-
вания видеопотока, данные камеры можно использовать в составе предла-
гаемой системы. Подобная система уже используется в китайской системе
оплаты общественного транспорта [4]. Но у нее есть свои недостатки. Для
процесса оплаты необходимо вносить свои личные данные, создавать
учётную запись и привязывать ее к банковской карте. Автоматизированное
совершение платежей предъявляет высокие требования к системе безопас-
ности, что ведет к ее усложнению.
Для решения задачи подсчета пассажиропотока система должна ра-
ботать следующим образом: в каждом автобусе должны быть установлены
камеры на входе и на выходе вместе с модулем управления, использую-
щим нейронную сеть для распознавания лиц. После обнаружения лица,
система присваивает ему определенный уникальный номер(id) и записыва-
ет его в базу данных. Система фиксирует на какой остановке человек за-
шел в автобус и где вышел без привязки к его личным данным. Это позво-
ляет получить информацию о востребованности маршрута и о интенсивно-
сти пассажиропотока на отдельных его участках .
Аппаратная часть. Связь камеры с модулем управления может быть
как проводной, так и беспроводной. В первом случае будет обеспечена вы-
сокая скорость передачи данных без потерь. Для обработки и распознава-
ния лиц необходим модуль управления с микрокомпьютером, например
«Jetson Nano», так как данная плата по сравнению с другими имеет очень
хорошие характеристики и предназначена для таких целей. Характеристи-
ки представлены на официальном сайте NVIDIA [6]. В рамках конкретной
задачи передача данных на сервер в режиме реального времени нецелесо-
образна, поэтому можно использовать SD карты и обрабатывать данные на
стационарной машине.
Требования к установке камер. Для системы распознавания лиц
нужно внести качественные изображения в базу данных. Для этого необ-
ходимо определить параметры установки камеры. Важными параметрами
являются равномерное освещение лица, фон и положение лица на снимке.
Камера должна быть установлена с отклонением центральной оси наблю-
дения не более 15 градусов к вертикальной и горизонтальной плоскости
(рис. 1). Условия по отклонению должны выполняться в каждой точке об-
ласти распознавания [5].

Рис. 1. Требования к установке камер

Программная часть. Для обнаружения лиц в кадре используется


метод Виолы-Джонса [8]. Данный метод заключается в использовании
технологии скользящего окна. Прямоугольные рамки перемещается по
картинке с определенным шагом. Они имеют меньший размер, по сравне-
нию с изображением. С помощью каскада классификаторов определяется,
есть ли в данных окнах черты лица. Данный метод сейчас активно исполь-
зуется в задачах распознавания объектов. Преимущества данного метода
заключаются в обнаружении нескольких лиц на одной фотографии, из-за
хорошей скорости работы данный метод можно использовать для анализа
видеопотока. Так же метод Виолы-Джонса имеет несколько недостатков,
таких как долгое обучение алгоритма, так как необходимо производить
обучение по очень большему количеству фотографий. Рассматриваемый
метод состоит из двух частей: обучение и распознавание. В состав нейрон-
ной сети по распознаванию лиц должен входить каскад Хаара, необходи-
мый для определения лица в кадре.
Нейронная сеть служит для распознавания лиц и их сравнения с ба-
зой данных. Рассмотрим нейронную сеть «FaceNet» [3]. Это сеть, которая
учится преобразовывать изображения лица в компактное евклидово про-
странство, где дистанция соответствует мере схожести лиц. Проще говоря,
чем более похожи лица, тем они ближе. Проанализировав алгоритм ее ра-
боты можно сказать, что «FaceNet» является достаточно мощной нейросе-
тью и способна распознавать лица даже при недостаточном освещении.
В данной статье были определены основные требования к системе
автоматического подсчета пассажиропотока. Установлены требования к
камерам видеофиксации. Выбран микрокомпьютер «Jetson Nano» для ра-
боты системы распознавания лиц и нейронная сеть «FaceNet».

Список литературы

1. Полтавская, Ю. О. Обзор существующих автоматизированных


систем подсчета пассажиров общественного транспорта / Ю. О. Полтав-
ская, О. А. Лебедева. – Текст : непосредственный // Сборник научных тру-
дов Ангарского Государственного Технического Университета. – Ан-
гарск,2014. – С. 220-225.
2. Васильев, А. Н. Подсчёт пассажиров поможет оптимизировать ра-
боту городского транспорта / А. Н. Васильев. – Текст : электронный // Ин-
формационно-аналитическое издание по техническим средствам и систе-
мам безопасности.– 2014.- URL: https://secnews.ru/events/21283.htm#
axzz631VAJO8d (дата обращения:10.10.2019).
3. Как работает нейронная сеть: алгоритмы, обучение, функции акти-
вации и потери: сайт. – URL:https://neurohive.io/ru/osnovy-data-
science/osnovy-nejronnyh-setej-algoritmy-obuchenie-funkcii-aktivacii-i-poteri/
(дата обращения: 11.10.2019). – Текст : электронный.
4. Китай вводит экспериментальную систему распознавания лиц при
оплате проезда в метро: сайт. - URL:
https://habr.com/ru/company/madrobots/blog/443776/ (дата обраще-
ния:10.10.2019). – Текст : электронный.
5. Распознавание лиц в системах видеонаблюдения: сайт.-
URL:https://www.videomax-server.ru/support/articles/raspoznavanie-lits-v-
sistemakh-videonablyudeniya/ (дата обращения:11.10.2019). – Текст : элек-
тронный.
6. Jetson Nano: сайт.-URL:https://www.nvidia.com/ru-ru/autonomous-
machines/ embedded-systems/jetson-nano/ (дата обращения:12.10.2019). –
Текст : электронный.
7. Rigas, K. Atlas public transport ticketing system in Riga / K. Rigas, E.
Vladimirs.-
URL:http://www.politeproject.eu/images/good_practices/payment_systems/atlas
_public_transport_ticketing_system_in_riga.pdf/ (date of the application:
05.10.2019).- Text : electronic.
8.Viola, P. Rapid Object Detection using a Boosted Cascade of Simple
Features / P. Viola, M.J. Jones.- URL: https://www.cs.cmu.edu/~srini/15-
829/readings/ViJo01.pdf (date of the application: 04.10.2019).-Text : electronic.