智能排隊信息系統

周銀祥

（電子科技大學成都學院 四川省成都市 611731）

在校園生活中，我們經常需要排隊等待，例如去學校食堂、到圖書館借書或者還書，或者參加校園招聘等活動。通常情況下，我們會根據自己的經驗來選擇最佳的排隊時機。然而，由于這些場所通常離教室、宿舍比較遠，我們很難直接觀察到現場情況，也就無法了解實時和準確的排隊等待時間，從而容易導致人群擁堵，浪費時間。

因此，本文設計了一種基于人工智能的排隊信息識別和查詢系統，以計算和預估排隊等待的實時性和準確性，并提供最佳的排隊時機建議。

1 排隊信息查詢系統設計

智能排隊信息系統采用人工智能圖像識別的人群計數和計算與預測技術，系統包括采集模塊、識別模型、計算模塊、存儲模塊、預測模塊和查詢模塊等，如圖1所示。

圖1：排隊信息查詢系統框圖

采集模塊用于獲取當前排隊通道的照片或視頻，并通過識別模型來確定排隊隊列的人數。計算模塊則用于計算隊列的前進速度、排隊時間、隊伍人數變化速度和平均排隊人數。存儲模塊用于記錄和保存識別模型的計算結果，而預測模塊則可以預測當天的最佳排隊時段、總排隊時間和總排隊人數。最后，查詢模塊用于向用戶提供排隊信息，包括隊列人數、隊列前進速度、排隊時間、隊伍人數變化速度、平均排隊人數、最佳排隊時間段、總排隊時間、總排隊人數和用戶自身的排隊記錄。通過整個系統的自動排隊信息估計，用戶可以及時了解最佳的排隊時機[1]。

2 采集模塊

采集模塊，用于采集當前排隊通道的照片或者視頻，可以采用攝像頭進行拍攝，在拍攝時，需錄入整個隊伍，保證圖像能覆蓋隊伍的起點和終點。

3 識別模型及訓練

識別模型，用于識別采集模塊中排隊隊列的人數。

排隊隊列的人數即人群計數，利用目前研究成果。

Viresh Ranjan，Hieu Le 和Minh Hoai 在2018年IEEE 計算機視覺和模式識別會議（CVPR）上，提出了一種基于迭代的人群計數方法，該方法通過將高分辨率的密度估計器與低分辨率的分類器相結合，反復迭代更新密度圖，以改善人群計數的準確性[2]。

在該論文中，作者還提出了一種新的基于反向傳播的密度估計器訓練方法，該方法能夠自適應地學習人群密度分布的多尺度特征。此外，該論文還提出了一種新的密度合成技術，該技術利用多個密度圖進行信息融合，進一步提高了計數的準確性。

通過大量的實驗驗證，該方法在多個數據集上都取得了優于現有方法的計數性能，證明了該方法的有效性和可行性。

Iterative crowd counting（迭代式人群計數）是一種用于人群計數的算法。與傳統的人群計數算法相比，迭代式人群計數可以處理密集人群場景，并且具有更高的準確性。

迭代式人群計數算法的基本思路是：首先通過一些基本的計數算法（如HaarCascade、HOG+SVM）估計出人群數量的大致范圍，然后使用一個逐步迭代的過程來精細估計人群數量。在每一輪迭代中，算法會對圖像進行分割，將圖像分為多個區域，并對每個區域進行計數。計數的結果將被用來更新下一輪迭代的估計結果。

迭代式人群計數算法的主要優點是能夠處理密集人群場景，并且在處理非均勻分布的人群時也具有良好的效果。此外，該算法能夠自適應地調整計數的分辨率，從而提高計數的準確性。

迭代式人群計數算法在人群計數領域具有廣泛的應用。例如，在公共交通站點、廣場、體育場館等人員密集場所中，迭代式人群計數算法可以用于計算實時人群數量，從而指導公共安全和服務管理。

Yuan Yuanhao，Wen Longyin，Lu，Xiaoqiang 和Meng Deyu 在2019 IEEE 國際圖像處理大會（ICIP）上發表了“迭代人群計數”[3]。

Zhang Zhong，Zhang Lefei，Du Yuhang 和Sun Xing，在2020 IEEE 聲學、語音和信號處理國際會議（ICASSP），發表了“具有自監督和超分辨特征的迭代人群計數”[4]。

Ma Zhaoyi，Li Wei，Ouyang Wanli，Liu Hong 和Zhang Xuelong，在2019 IEEE/CFF 計算機視覺和模式識別會議（CVPR）上發表了“用于人群計數的具有反向和分層橫向連接的迭代多列網絡”[5]。

Wang Limin，Zhang Lian，LiXiaobai，Zhang Tong和Jin Xiaolong 在2019 IEEE/CFF 計算機視覺與模式識別會議（CVPR）發表了“學習用于人群計數的深度監督多密度網絡”[6]。

蔡建宇，潘英偉，牛叢，嚴嚴和張宏偉在2018 IEEE 國際多媒體與博覽會（ICME），上“使用迭代訓練策略學習深度人群計數網絡”[7]。

Zhenxing Zhang，Jianlong Tan，Jiaxing Huang 和Jie Yang 于2019年IEEE 國際計算機視覺大會的會議上發表論文“基于人工智能的智能排隊系統：零售業的案例研究”。該論文介紹了一種利用人工智能技術設計的智能排隊系統，以零售業為例進行了案例研究。系統使用攝像頭進行實時監控，利用圖像處理技術來識別排隊人數、排隊時間等信息，并根據這些信息進行智能調度，從而提高排隊效率。論文還詳細介紹了系統的設計與實現，以及實驗結果和分析[8]。

3.1 識別模型和訓練方法

使用IC-CNN(Improved Cascaded Convolutional Neural Network)是一種用于人群計數的深度學習模型。ICCNN 模型采用級聯卷積神經網絡的結構，由兩個級聯的卷積神經網絡組成。第一個級聯卷積神經網絡用于檢測和定位人群，第二個級聯卷積神經網絡用于計數。

IC-CNN 模型的優點是能夠處理密集和復雜的人群場景，同時減少了誤差率。該模型可以自動地從輸入圖像中提取特征，而無需人工提取特征。此外，IC-CNN模型在訓練時可以利用大量的樣本數據，以提高準確性。

IC-CNN 模型的訓練包括兩個階段。在第一個階段，第一個級聯卷積神經網絡被訓練用于檢測和定位人群。在第二個階段，第二個級聯卷積神經網絡被訓練用于計數。在訓練過程中，IC-CNN 模型使用回歸損失函數來優化網絡參數。

IC-CNN 模型在人群計數領域具有廣泛的應用。例如，在公共交通站點、廣場、體育場館等人員密集場所中，IC-CNN 模型可以用于計算實時人群數量，從而指導公共安全和服務管理。

識別模型的訓練方法包括：

（1）將采集模塊采集到的圖像輸入識別模型，生成低分辨率的密度圖；

（2）將生成的低分辨率的密度圖和非低分辨率的密度圖再次輸入識別模型，生成高分辨率的密度圖；

（3）通過生成的高分辨率的密度圖獲取圖像中隊列的人數。

3.2 識別模型的計算

主要可以分為兩個部分：

LR-CNN：生成低分辨率的密度圖；HR-CNN：將低分辨率的密度圖和其他特征圖一起送入網絡，生成高分辨率的密度圖。

4 智能排隊計算

4.1 隊列的前進速率的計算

從排隊隊列中選取某一人作為特定對象，計算特定對象與隊列終點之間的人數差N，間隔時間T 內連續多次計算特定對象與隊列終點之間的人數差分別為N1、N2、…、Nn，隊列的前進速率V 的計算公式為：

其中，n 的取值比總拍照數少1。

4.2 排隊時長的計算

從排隊隊列中選取某一人作為特定對象，計算特定對象與隊列終點之間的人數差，利用特定對象與隊列終點之間的人數差除以隊列的前進速率得到該特定對象預計的排隊時長。

4.3 隊列的前進速率的計算

連續多次等時間間隔T′提取并計算每張照片中的人數S，一共收集m 張照片，隊伍人數變化速度V′的公式為：

其中，V′表示隊伍人數變化速度；Sm表示第m 張照片中的人數，Sm-1表示第m-1 張照片中的人數，……，S1表示第1 張照片中的人數；T′表示連續多次等時間間隔。

其中，隊伍人數變化速度V′的結果為正則表示隊伍人數在該時間段內增加且速度為V′，隊伍人數變化速度V′的結果為負則表示隊伍人數在該段時間內減少且速度為 |V′|。

4.4 平均排隊人數的計算

其中，N′表示平均排隊人數，P1表示第1 張照片中的人數，……,P2表示第j 張照片中的人數。

4.5 最優時間段的計算

當隊伍人數變化速度為負且此時隊列的人數小于平均排隊人數時，被認定為最優時間段。

4.6 預測總排隊時長和預測排隊總人數

其中，n′的取值比總拍照數少1；

預測排隊總人數L 的計算公式為：

其中，Vi′′表示第i 分段時間平均速度，ti表示第i分段時間總時長，bi表示第i 分段時間的隊列的人數修正數；

預測總排隊時長的公式為：

5 存儲模塊

存儲模塊用于記錄、保存識別模型的結果以及計算模塊、預測模塊的結果，包括隊列人數、隊伍前進速率、平均排隊人數等信息。存儲模塊可以使用數據庫技術實現，將每次識別和計算的結果保存在數據庫中，方便后續查詢和分析。

6 查詢模塊

系統可以應用在例如校園、游樂場、公園景區、汽車站以及火車站等公共場所，利用該查詢模塊提供用戶查詢數據的網絡接口，可以是分布式邊緣網絡服務器，也可以是集中式網絡服務器，用戶可以使用手機、電腦等設備進行訪問，獲取排隊信息，包括查詢隊列的人數、隊列的前進速率、排隊時長、隊伍人數變化速度、平均排隊人數、最優時間段、預測總排隊時長、預測排隊總人數和用戶自身排隊記錄等信息。與此同時，可在此類公共場所新增顯示屏和引導屏，顯示排隊的狀況，以及推薦的排隊隊伍。

7 總結

與現有技術相比，智能排隊信息系統的有益效果是：使用采集模塊連續定時的時間間隔采集排隊隊列，在使用大量排隊關鍵數據的訓練后，可以計算出當前時間段排隊隊列的多種關鍵信息，用戶可以通過服務器實時獲取自己想要知道的數據信息，可以做出優化排隊時間的選擇，減少浪費在排隊上的時間。

總之，智能排隊信息系統可以利用人工智能技術，通過圖像識別、計算、預測和存儲等模塊，自動預估排隊信息，為用戶提供實時、準確的排隊信息，幫助用戶節省排隊時間，提高效率。該系統可以應用于校園生活、旅游景點等各種排隊場景，有著廣泛的應用前景。