基于拥堵模型的轻量级平台公交室内情况监控系统

论文标题：Bus Indoor Situation Monitoring System Based on Congestion Model Using Lightweight Platform

作者信息：Dong Hyun Kim, Yun Seob Kim, 和 Jong Deok Kim* 所属机构：Pusan National University, Department of Computer Science and Engineering, Busan, South Korea 电子邮箱：{dhkim1106, giet278, kimjd}@pusan.ac.kr

论文出处：IARIA Congress 2024: The 2024 IARIA Annual Congress on Frontiers in Science, Technology, Services, and Applications

主要内容概述：

摘要： 随着数据在公共服务、安全、交通、市场营销等领域的广泛应用，人们对于数据利用的兴趣日益增长。尤其是对于公共交通工具中的公共汽车，由于其与安全直接相关，拥堵问题的重要性日益凸显。本文旨在通过物联网(IoT)和人工智能技术，设计并实现一个公交室内情况监控系统，以预测公交车内部的拥堵情况并确保乘客安全。

关键词：人工智能；拥堵模型；室内情况监控；轻量级平台。

引言： 本文专注于收集与公共交通相关的数据，并设计系统来监控公交车内的情况。系统通过安装在公交车上的摄像头识别乘客的移动方向、旅行持续时间和高峰使用时段。基于这些数据，可以设计各种应用系统，包括旅游和安全领域。

相关工作：

• YOLO (You Only Look Once)：一种实时目标检测技术，通过单步处理来实现对象的定位和分类。
• DeepSORT：一种基于运动路径跟踪数据的对象跟踪技术，通过引入匹配级联来提高数据关联过程的准确性。
• RTSP (Real Time Streaming Protocol)：一种用于控制流媒体服务器的控制协议。
• HLS (HTTP Live Streaming)：苹果公司在2009年推出的一种用于通过互联网传输媒体内容的视频流协议。
• MQTT (Message Queuing Telemetry Transport)：一种基于发布/订阅模型的轻量级消息协议，适用于物联网设备和系统之间的消息交换。

设计与实现：

• 拥堵测量模型：提出了一个基于座位数、扶手数和乘客数的公交车拥堵测量模型。
• 人数统计：利用目标检测技术来确定公交车内的乘客数量。
• Jetson与云之间的通信：使用Jetson平台进行视频处理和与AWS IoT和S3的数据存储与传输。

本论文提出的系统最初是针对单辆公交车设计的，但随着研究的深入，考虑到多辆公交车的场景，以更接近现实世界的情况进行实施。系统的整体配置如图10所示。因此，使用Jetson和与Jetson的通信变得不可避免。每辆公交车内的视频处理是通过Jetson进行的，而数据存储和传输则是使用亚马逊网络服务（AWS）IoT和S3进行的。

拥堵测量模型

公交车拥堵测量模型由公式(1)给出，其中公交车拥堵由RC表示，座位数由NS表示，扶手数由NH表示，乘客数由PN表示。公交车拥堵是通过乘客数量与座位和扶手的总和的百分比来计算的。由于公交车内部的视频主要捕捉上下车活动以及公交车的中心区域，很难确定座位和扶手的数量，因此模型的分母被设置为座位容量的110%。例如，对于韩国的现代电子城市公交车，这将对应54名乘客。

公交车的拥堵水平被定义为四个类别：'宽敞'、'正常'、'拥挤'和'非常拥挤'，这些类别是基于实时乘客数量来定义的。这四个类别的指数如表I所示。虽然个人对拥堵的感知可能不同，但这些水平是基于一般情况来建立的。

人数统计

为了确定公交车内乘客的数量，研究者利用了对象的边界框（BBox）信息。如图11所示，对象本身具有左上角的坐标。研究者调整了这些坐标的位置到BBox的中心，并基于基线是否穿过头部中心来计算乘客数量。

基于被跟踪的信息，研究者确定了当前帧与前一帧相比乘客数量的变化，这取决于对象是否穿过了基线。如图12所示，可以观察到乘客在穿过基线前后数量的变化。

为了在乘客登上楼梯并进入公交车后明确识别他们，并排除那些在外部的人，研究者将基线定位在楼梯结束并与公交车结构相遇的地方。因此，完全登上公交车的乘客被计算在内，而外面的个人由于被结构遮挡并且不能通过基线，因此未被检测到。此外，为了避免重复计数，在跟踪过程中分配了唯一ID，确保之前处理过的对象如果再次穿过基线不会被再次计数。

Jetson与云端之间的通信

如图13所示，Jetson的操作过程被描述。Jetson是由NVIDIA开发的AI计算平台，专为图形处理单元（GPU）加速的并行处理而设计。在每辆公交车上安装Jetson，可以实时分析传入的视频，提取必要信息，并与AWS IoT和S3通信。如图14所示，AWS IoT的操作过程被描述。这允许减轻传输大量视频数据本身的负担，并允许客户端从AWS IoT和S3访问拥堵图表和事故视频。

在公共交通中使用的设备和用户与各自的代理进行通信。图15中的中央代理充当系统，协调公交车和用户客户端之间的消息，处理诸如消息接收和过滤、识别订阅每条消息的客户端以及消息传输等任务。此外，还可以看到每个设备都使用不同的证书访问代理。

性能分析： 展示了Jetson运行时的屏幕，允许实时监控公交车内乘客上下车的数量。同时，展示了在Jetson内部处理目标检测的视频，并分别统计上下车的人数。

结论与未来工作： 本文提出了一个基于轻量级平台和拥堵模型的公交室内环境监控系统，利用视觉人工智能技术预测公交车内部的拥堵水平。未来工作将集中在通过技术改进提高系统的准确性和效率。