具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。

目前一些典型的公交客流统计方法主要分为：基于IC卡记录的方式；基于红外传感器的方式；基于视频图像处理的方式。其中，基于IC记录的方式无法统计全量的客流数据，因为目前有很多市民使用现金和支付类APP乘坐公交；基于红外传感器的方式成本较低，但是受气候影响大，在人员拥挤时统计误差大；基于视频图像处理的方式统计精度高，被认为是最适合公交客流统计的方法之一，但是之前的方法使用的卷积神经网络模型较大，无法很好的满足检测实时性的要求。同时，以上方法都无法做到每个乘客OD的准确匹配。

本说明书所提供的方案可以部署于公交车的计算平台，用于公交客流统计和乘客OD统计。本说明书中，OD即Origin、Destination的首字母缩写，代表起点与终点信息；ReID即reidentification的缩写，是一种行人重新识别技术。

首先参照图1，图1是本说明书实施例的一种公交车乘客OD匹配方法的主要流程示意图。如图1所示，本说明书提供的公交车乘客OD匹配方法主要包括：

S110：获取每个上车乘客在上车前的连续n帧第一截图，以及每个下车乘客在下车前的连续m帧第二截图。

在该步骤中，对于任一乘客，当该乘客上车时则作为上车乘客，当该乘客下车时则作为下车乘客。也就是说，同一乘客在同一时间段，或者为上车乘客，或者为下车乘客；同一乘客在不同时间段，既可以是上车乘客也可以是下车乘客。针对任一乘客，当该乘客为上车乘客时，则获取该乘客上车前的连续n帧第一截图；当该乘客为下车乘客时，则获取该乘客下车前的连续m帧第二截图。其中，n、m为大于1的整数。在此需要说明的是，n与m可以相等，也可以不相等。例如，针对任一乘客的第一截图获取5帧，针对任一乘客的第二截图获取7帧等，也可以针对任一乘客的第一截图和针对任一乘客的第二截图均获取5帧、7帧…n帧等，这样同样可以便于后续计算。为了便于说明，本说明书中以n与m相等为例进行说明，即获取每个上车乘客在上车前的连续n帧第一截图，以及每个下车乘客在下车前的连续n帧第二截图。

作为一种具体的示例，在执行步骤S110之前，可以通过以下步骤判断乘客为上车乘客还是下车乘客，该步骤包括：

S1101：获取各时间段的乘客上下车的视频数据。

该步骤中，公交车的前门和后门区域通常都设置有摄像头，通过设置在前后门区域的摄像头即可获取各时间段的乘客上下车的视频数据。

S1103：针对任一乘客，根据所述视频数据判断该乘客在对应时间段为上车乘客还是下车乘客。

在该步骤中，作为示例，针对任一乘客，可以利用预先训练好的乘客检测与跟踪模型对该乘客进行检测与跟踪，并利用跟踪框提取该乘客的轨迹，进而根据该乘客的轨迹判断该乘客为上车乘客还是下车乘客。其中，乘客检测与跟踪模型可以通过预先收集的数据集进行训练，例如可以收集COCO、PASCAL VOC等数据集中行人标注图片和标注信息，并手动标注大量公交前后门摄像头的视频帧中的乘客类别和位置信息，作为乘客检测与跟踪模型的训练数据集，然后通过训练数据集对乘客检测与跟踪模型进行训练以调整乘客检测与跟踪模型的参数，直至乘客检测与跟踪模型满足要求。关于乘客检测与跟踪模型的具体训练方式在此不再进行详细说明，本领域技术人员可以采用任意合理的方式训练乘客检测与跟踪模型，或者直接采用已有的且训练好的乘客检测与跟踪模型，这些都不脱离本说明书的保护范围。

需要说明的是，关于本说明书的乘客检测与跟踪模型，可以理解为包括两个独立的模型，即乘客检测模块和乘客跟踪模块，通过这两个模块分别来实现乘客的检测与跟踪目的；乘客检测与跟踪模型也可以理解为是一个整体的模块，即该模型具有乘客检测与跟踪的功能，这样可以通过一个模型实现对乘客的检测与跟踪的目的；乘客检测与跟踪模型还可以理解为两个模型的整合，即由乘客检测模型和乘客跟踪模型整合为一个乘客检测与跟踪模型，从而实现对乘客的检测与跟踪的目的。此外，本领域技术人员还可以使用其他合适的模型实现对乘客的检测与跟踪，本说明书不对此进行限定。

进一步地，在根据该乘客的轨迹判断该乘客为上车乘客还是下车乘客时，可以通过记录该乘客跟踪框的初始位置和终点位置。作为示例，若该乘客的初始位置位于公交车的车门区域外，且终点位置位于公交车的车门区域内，此时可以认为该乘客是从车内走向车门，即准备下车，则判断该乘客为下车乘客；若该乘客的初始位置位于公交车的车门区域内，且终点位置位于公交车的车门区域外，此时可以判断该乘客从车门区域向车内运动，则判断该乘客为上车乘客。根据判断结果，可得到各时间段的上车乘客视频数据和下车乘客视频数据。

回到步骤S110，可以针对任一乘客，每隔预设时间(例如该预设时间可以为0.5秒，也可以由本领域技术人员根据实际需要灵活设置时间间隔)连续截取乘客检测与跟踪模型对该乘客的跟踪框，然后基于该乘客跟踪框的初始位置和终点位置，判断乘客为上车乘客还是下车乘客。具体而言，当判断该乘客为上车乘客时，则获取该乘客在上车前的连续n帧第一截图；当判断该乘客为下车乘客时，则获取该乘客在下车前的连续n帧第二截图。

在执行步骤S110之后，即获取每个上车乘客在上车前的连续n帧第一截图，以及每个下车乘客在下车前的连续n帧第二截图之后，本说明书提供的公交车乘客OD匹配方法，还包括：

S120：将所述n帧第一截图和所述n帧第二截图分别输入预先训练好的ReID模型，以得到对应每个上车乘客的n个第一向量和对应每个下车乘客的n个第二向量。

在该步骤中，参照图2，图2是本说明书实施例的ReID模型生成向量的示意图。如图2所示，例如对于上车乘客A，将上车乘客A在上车前的连续n帧第一截图(第一截图1、第一截图2、第一截图3…第一截图n)分别输入ReID模型，对应地生成上车乘客A的n个第一向量(即，第一向量1、第一向量2、第一向量3…第一向量n)。同样地，对于下车乘客B(该下车乘客B与上车乘客A可以是同一乘客，也可以不是同一乘客)，将下车乘客B在下车前的连续n帧第二截图(第二截图1、第二截图2、第二截图3…第二截图n)分别输入ReID模型，对应地生成下车乘客B的n个第二向量(即，第二向量1、第二向量2、第二向量3…第二向量n)。这样一来，利用预先训练好的ReID模型，即可将n帧第一截图和n帧第二截图分别映射为对应的向量。

其中，作为示例，ReID模型的训练方法可以包括：获取ReID模型的训练数据集；其中，所述训练数据集至少包括利用预先训练好的乘客检测与跟踪模型从上车乘客与下车乘客的视频数据中所截取的针对每个乘客的连续多帧截图，且上车乘客与下车乘客的视频数据中，相同乘客被标注为相同的ID。也即，利用预先训练好的乘客检测与跟踪模型的跟踪框从公交车前后门摄像头的视频中截取大量乘客的连续多帧截图，可以手动将前后门视频中相同的乘客标注为相同的ID。这样一来，利用获取到的训练数据集对ReID模型进行训练，以调整ReID模型的参数，使得ReID模型针对同一乘客所输出的、该乘客作为上车乘客的第一向量与该乘客作为下车乘客的第二向量之间的余弦相似度接近。也即，利用获取到的训练数据集对ReID模型进行训练后，ReID模型将同一乘客(例如乘客D)的上车截图所映射得到的第一向量，和将同一乘客D的下车截图所映射得到的第二向量是相近的，这样根据第一向量和第二向量的相近度即可判断上车乘客与下车乘客是否为同一乘客。具体地，在执行步骤S120之后，执行步骤S130。

S130：根据每个上车乘客的n个第一向量和每个下车乘客的n个第二向量，对上车乘客和下车乘客进行匹配。

在该步骤中，得到每个上车乘客的n个第一向量和每个下车乘客的n个第二向量之后，针对任一上车乘客和任一下车乘客(其中，上车乘客和下车乘客可以是同一乘客，也可以是不同的乘客)，分别计算该上车乘客的每个第一向量和该下车乘客的每个第二向量的余弦相似度。按照上例，对于上车乘客A和下车乘客B，将上车乘客A的n个第一向量和下车乘客B的n个第二向量进行交叉计算以得到上车乘客A与下车乘客B的n²个余弦相似度，再计算n²个余弦相似度的平均值，以得到上车乘客A与下车乘客B的余弦相似度平均值，进而根据该余弦相似度平均值对上车乘客A与下车乘客B进行匹配，以判断上车乘客A和下车乘客B是否为同一乘客。

作为示例，对上车乘客A与下车乘客B进行匹配的算法可以采用匈牙利算法进行最优匹配。除匈牙利算法之外，本领域技术人员也可以采用其他可行的匹配算法，本说明书不对此进行限定。

作为一种更具体的实施方式，在步骤S130中，在根据每个上车乘客的n个第一向量和每个下车乘客的n个第二向量，对上车乘客和下车乘客进行匹配时，可以先判断上车乘客的上车时间与下车乘客的下车时间。举例而言，参照图3，图3是本说明书实施例的一种公交车乘客OD的匹配过程示意图。如图3所示，在计算上车乘客A的n个第一向量和下车乘客B的n个第二向量的余弦相似度之前，先获取上车乘客A的上车时间t₁和下车乘客B的下车时间t₂，若下车乘客B的下车时间t₂早于上车乘客A的上车时间t₁，则说明该下车乘客B与上车乘客A不是同一人，此时可以将上车乘客A与下车乘客B之间的余弦相似度设为-1，即判断下车乘客B与上车乘客A不匹配，也即不需要再计算上车乘客A的n个第一向量和下车乘客B的n个第二向量的余弦相似度。若下车乘客B的下车时间t₂晚于上车乘客A的上车时间t₁，则说明下车乘客B与上车乘客A有可能是同一人，此时需要进一步再对下车乘客B与上车乘客A进行匹配，即再计算上车乘客A的n个第一向量和下车乘客B的n个第二向量的余弦相似度，进而再计算这些余弦相似度的平均值，基于平均值，利用匈牙利算法对下车乘客B与上车乘客A进行匹配，当该平均值达到预设值时，则判断下车乘客B与上车乘客A是同一人，否则判断下车乘客B与上车乘客A不是同一人。

为了更直观地说明本说明书所提供的方法，下面结合图4从整体上对本说明书的方法的一种具体应用方式进行概述说明。参照图4，图4是本说明书实施例的一种公交车乘客OD匹配方法的整体流程示意图。如图4所示，公交车的前门摄像头和后门摄像头用户采集乘客上下车的视频数据；基于采集到的视频数据，利用乘客检测与跟踪模型对乘客的上下车行为进行判断，即判断乘客为上车还是下车，进而进入上下车乘客OD匹配阶段；在该阶段，根据乘客检测与跟踪模型的判断结果，截取上车乘客在上车前的连续n帧第一截图和下车乘客在下车前的连续n帧第二截图，然后将n帧第一截图和n帧第二截图分别输入训练好的ReID模型，得到上车乘客的n个第一向量和下车乘客的n个第二向量，再利用预设的乘客OD匹配算法(例如匈牙利算法)对上车乘客和下车乘客进行OD匹配。

如上所述，本说明书中，通过采集乘客检测与跟踪模型的训练数据集和ReID模型训练数据集，预先训练乘客检测与跟踪模型、ReID模型。然后利用训练好的乘客检测与跟踪模型对上下车乘客进行检测与跟踪，进而判断乘客的轨迹是否为上下车，然后利用乘客检测与跟踪模型跟踪框截取上车乘客在上车前的连续n帧截图和下车乘客在下车前的连续n帧截图，再利用训练好的ReID模型将上下车乘客的连续多帧截图分别转换为向量，用上下车乘客的向量作为输入，使用智能匹配算法得到最优乘客OD。具体为，通过交叉计算上车乘客的多个向量和下车乘客的多个向量之间的多个余弦相似度，并得到多个余弦相似度的平均值，进而根据平均值对上下车乘客进行匹配。本说明书采用了乘客检测与跟踪模型，用ReID模型计算连续多帧的上下车乘客的向量，使用乘客OD智能匹配算法得到最优结果，大幅度提升了上下车乘客OD匹配的准确性。

相对于现有技术，本说明书的方案还统计全量的客流数据，且受气候环境影响小，统计的准确率高，同时可以准确统计每个乘客的OD信息。这样一来，在获得准确率高的全量客流数据后，基于每个乘客OD信息，可以在城市公交规划、公交线路优化和公交运营调度等方面提供可靠的数据依据，例如还可以为实现每个乘客的出行预测、到站提醒等功能提供数据基础，从而为不同乘客制定个性化服务等等。

基于同样的发明构思，本说明还提供了一种公交车乘客OD匹配装置。参照图4，图4是本说明书实施例的一种公交车乘客OD匹配装置的结构示意图。

如图4所示，该装置包括：

获取模块501，所述获取模块501用于获取每个上车乘客在上车前的连续n帧第一截图，以及每个下车乘客在下车前的连续n帧第二截图；

映射模块502，所述映射模块502配置有预先训练好的ReID模型，所述n帧第一截图和所述n帧第二截图能够分别输入预先训练好的ReID模型，以得到对应每个上车乘客的n个第一向量和对应每个下车乘客的n个第二向量；

匹配模块503，所述匹配模块503用于根据每个上车乘客的n个第一向量和每个下车乘客的n个第二向量，对上车乘客和下车乘客进行匹配。

进一步，该装置还包括第一判断模块504，所述第一判断模块504用于：针对任一乘客，根据各时间段的乘客上下车的视频数据判断该乘客在对应时间段为上车乘客还是下车乘客，并根据判断结果，得到各时间段的上车乘客视频数据和下车乘客视频数据；所述获取模块501用于根据所述第一判断模块504所得到的上车乘客视频数据和下车乘客视频数据，以执行获取每个上车乘客在上车前的连续n帧第一截图，以及每个下车乘客在下车前的连续n帧第二截图。

进一步，所述第一判断模块504配置有预先训练好的乘客检测与跟踪模型，具体用于：针对任一乘客，利用预先训练好的乘客检测与跟踪模型对该乘客进行检测与跟踪，并利用跟踪框提取该乘客的轨迹，以及根据该乘客的轨迹判断该乘客为上车乘客还是下车乘客。

进一步，所述第一判断模块504还用于：基于该乘客的轨迹，记录该乘客跟踪框的初始位置和终点位置；若该乘客的初始位置位于公交车的车门区域外，且终点位置位于公交车的车门区域内，则判断该乘客为下车乘客；若该乘客的初始位置位于公交车的车门区域内，且终点位置位于公交车的车门区域外，则判断该乘客为上车乘客。

进一步，所述获取模块501具体用于：针对任一乘客，每隔预设时间连续截取乘客检测与跟踪模型对该乘客的跟踪框；基于该乘客跟踪框的初始位置和终点位置，当所述第一判断模块504判断该乘客为上车乘客或下车乘客时，获取该乘客在上车前的连续n帧第一截图或下车前的连续n帧第二截图。

进一步，所述匹配模块503具体用于：针对任一上车乘客和任一下车乘客，分别计算该上车乘客的每个第一向量和该下车乘客的每个第二向量的余弦相似度，以得到每个上车乘客与每个下车乘客的n²个余弦相似度；计算n²个余弦相似度的平均值，以得到每个上车乘客与每个下车乘客的余弦相似度平均值；基于该余弦相似度平均值对上车乘客和下车乘客进行匹配。

进一步，该装置还包括第二判断模块505，在所述匹配模块503计算该上车乘客的每个第一向量和该下车乘客的每个第二向量的余弦相似度之前，所述第二判断模块505用于根据该上车乘客的上车时间和该下车乘客的下车时间，判断该下车乘客的下车时间是否早于该上车乘客的上车时间；若是，则判断该下车乘客与该上车乘客不匹配；否则，再利用匹配模块计算该上车乘客的每个第一向量和该下车乘客的每个第二向量的余弦相似度。

关于该装置更详细的说明参见上文对方法的说明，此处不再赘述。

基于同样的发明构思，本说明还提供了一种电子设备，包括：至少一个处理器和存储器，所述存储器存储有程序，并且被配置成由所述至少一个处理器执行上述的公交车乘客OD匹配方法。

基于同样的发明构思，本说明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现上述的公交车乘客OD匹配方法。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。

本说明书是参照根据本说明书实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。