景区智能标志牌的研究设计

蒋鹏程 魏龙琦 陈鑫鑫 杨卫华 王辛岩

（西藏大学 西藏自治区拉萨市 850000）

交通标志牌作为交通运行不可分割的一部分，能够为交通参与者提供基本信息，极大地提高了交通运行效率。同样，景区中的标志牌也具有类似作用，它能够在我们旅游出行时提供基本信息，相当于我们了解景区的第二双眼睛。而且随着我国经济水平的不断提高，旅游出行人次也随之增加。据统计，2019年我国旅游人数超60亿人次，2020年人数有所下降，但在2021年仍呈上升趋势。所以，为了使游客出行更加便捷，加快建设智慧城市的脚步，提升游客旅游满意度，本文以此为目标设计了适用于景区的智能标志牌。

1 背景

随着我国发展步伐的加快，我国俨然成为世界第二大经济体，在世界舞台上发挥着举足轻重的作用。经济水平的增长带动了旅游业的发展，旅游业的发展也间接促进了经济水平的提升。如今，大多数景区之中使用的标志牌仍为静态标志牌，所能显示的信息较为单一。同时，尽管一些城市安装了能够显示道路信息的标志牌，但人流识别远比车辆识别复杂。在传统的标志牌不能满足经济发展和游客出行的需求时，适用于景区的智能标志牌随之产生。

2 设备原理

设备在现有标志牌的基础上，将其换成电子显示屏，并将之放在景区内，除了能够根据定位显示自身位置之外，还能够通过摄像头提取图像，将三维视图转化为二维图像，在多维视角多元信息融合的方法进行人群密度的计算后，辅以空间注意力透视模型改善，从而在标志牌上显示各个地区的游客实时变化情况，并且后台能够通过实时变化地图所展示的信息智能计算后，推荐出相对最优的路线。同时，能够在显示屏下方相应位置显示附近停车位数量，天气状况等信息。并且，当发生紧急情况时，能够人为控制标志牌做出相关提醒（见图1）。

图1：标志牌工作展示

3 功能设计

3.1 实时路况功能

随着智慧城市建设脚步的加快，以及智能监控系统和神经网络、深度学习等技术的普及，人群数量识别和密度计算等技术的迅猛发展，许多研究人员对人群数量识别和密度计算进行了相关研究。最早是使用基于滑动检测器来检测人群是的计数方法，但是由于拍摄场景、摄像头角度、拥挤场景中的复杂背景波、人员之间的相互遮挡和玩偶干扰等因素，都让混动检测器查阅图像进行计数的效果不尽如人意；同时，通过摄像头采集图像中的纹理特征信息从而与人群数量之间形成映射关系建立混合高斯模型，这虽然能够在一定程度上克服人员之间的遮挡问题，但是未能把握住人群图像中的空间信息，在三维到二维的转化上存在特征信息丢失、图像畸变、过程较为复杂等问题，所以尽管其能满足大多情况下的人群密度计算，但是在精度要求方面仍然不够；并且，在近年来，卷积神经网络（Convolutional Neural Network）凭借其对图像深层次特征出色的提取及学习能力，被广泛应用于人群计数领域中，但是由于该方法在新场景中应用时，经常受到模型结构的限制，计算结果和精度都有所下降，鲁棒性较差。随着多列网络和单列网络的相继提出，这种问题在一定程度上得到了解决，但仍然存在较大的局限性。

3.1.1 基于MDPMIF的人群密度估计方法

人群计数的首要任务是获得真值图像，在三维空间中提取图像使其转化为二维图像。由于图像提取过程中存在图像畸变情况，所以需要对其进行透视矫正之后，让其能够在真值图中显示人的位置。在多维视角下，将多元信息进行融合，生成相关密度图，同时由于密度图上显示的颜色显示在标志牌上会增加游客的观看负担，因此当人群密度超过某一特定值时，能在标志牌上显示不同颜色。

在多维视角多元信息融合网络的基础上，引入一种高低密度多维视角多元信息融合人群计数网络（High and Low Density and Multi-Dimension Perspective Multivariate Information Fusion Crowd Counting Network, HLMMNet）。在此基础上，设计高低密度区分策略（Density Domain Grade, DDG），在高密区域保持MDPMIF网络估计结果，低密度区域采用检测方法实现人群计数修正，提升人群计数精度。

其中，HLMMNet的基本结构如图2所示，并且涉及高低密度区分策略以及人群计数模块。

图2：HLMMNet结构示意图

在收集到实拍图之后，需要获得能够识别的人群密度图。密度图是由特殊光亮来显示人员分布以及人群密度的图像。在图二所显示的结构中，从空间上反映了人群密度，颜色就代表了人群密度。

在图中，标注位置即为人的位置，记为x，那么该位置的冲击函数可以表示为 δ（x-x），代表标注点的密度平滑区域。则在此区域内具有的人群数量可以表示为：

N表示所采集图中人头标记总数，则密度图就能由如下公式生成：

图3：HLMMNet测试结果图

3.1.2 基于空间注意力透视的方法完善模型

Zhang等通过实际研究发现，在使用该方法进行人群统计时，目标场景往往和训练场景存在差异，这也导致了统计性能的显著下降。同时存在图像视角变化较大以及少量特征空间信息丢失的问题。

为了改善这种情况，Meng等补充了空间注意力透视模型，使用空间注意力透视模型时，主要目的是减小一些极端视角所带来的影响，并且，能够在一定程度上提升密度图质量的同时，更好的聚合特征信息。在输入特征图之后，该模型能够从左到右、右到左、下到上、上到下四个维度构成四个卷积模型，作为一种可插入的模块，成功解决了极端视角、场景连续变化等问题。在将特征图的信息综合后，输出特征图，在坐标变化器上根据透视因子对特征图进行处理，从而减小尺度变化。

显示密度图时，由于通过HLMMNet测试时，颜色越亮，所代表的人群密度越大，所以，最终在标志牌上显示时需要对颜色进一步转化（以红、橙、黄、绿分别代表人群密度高、较高、中等、较低等）。在标志牌上显示不同颜色以区分人群密度之后，将在5到10秒内进行切屏，从而达到实时变化的目的。

3.2 智能推荐功能

在通过对人群密度的识别和统计之后，一方面，游客能够根据标志牌上所显示颜色判断人群密度低的地区，从而选择相关路线。另一方面，标志牌能够根据所识别的人群数量信息，附近位置信息，通过计算为游客推荐较优路线。

将标志牌的附近人群识别区域做出密度排行，分别将附近区域的人群密度（crowd density, CD）、附近地域距当前位置的距离（distance, D）、其他服务地点的距离（餐厅、洗手间等）（else, E）以及该地点的人群密度（D2）作为变量，通过对不同变量进行加权，在此基础上计算出最优解，从而推荐出“最优解”路线（path, P）。

P=0.3CD+0.4D+0.2E+0.1D2

通过计算，当P越小，说明此条路线所花费时间越短，即为“最优解”路线。但是，在得出计算结果后，可能导致多人奔向“最优解”路线而使该路线变得拥挤，所以，通过持续计算而使人群分布较为平均也是后续研究的目标。

3.3 多种信息显示功能

3.3.1 停车位显示

通过和智能停车场相连，实时显示停车场停车位数量，并且在空停车位数量降到一定程度时，做出相关提示，方便游客游玩的同时，让出行更加便捷。

3.3.2 天气信息显示

标志牌终端能够通过电脑控制，从而显示各时间段的天气状况，并且在天气发生变化时，能够进行语音提醒。

3.3.3 其他信息

（1）安全是我们时刻都应该紧绷的一根弦，我们只有在心中牢固树立安全意识，才能做好时刻保护自己。但是安全事故仍时常发生，当在景区发生人员走失时，能够显示走失人员的相关信息，以便能够及时找回走失人员；同时发生火灾等紧急情况时，标志牌也能充当信息传递的工具，在一定程度上减少损失。

（2）并且，当景区内设备维修、建筑物施工时，也能在标志牌上具体显示。

（3）标志牌除了能显示地图信息外，还能够在特定时间作为广告牌使用，在为游客提供娱乐信息的同时为自身做好宣传提供保障。

4 结论

本文在智能标志牌的研究设计上，从智能设计和多功能结合两方面作为出发点对智能标志牌进行了研究，通过分析，能够得到以下结论：

（1）与CNN结合进行人群计数为当前发展方向，本文在此基础上引入了基于高低多维视角多元信息融合的方法进行人群计数和密度估计，并结合空间注意力透视模型进行优化，让其能在场景变换复杂、干扰因素众多的环境中保持较高性能的运行。多元信息融合进行人群计数虽然具备较好性能，但在实际运用中考虑参数仍然较多，实用性能有待进一步提升，所以后续工作主要聚焦在加入实际更多参数量的同时保证准确率。

（2）通过人群计数为智能推荐路线提供前提，结合计算公式和模型分析得到最佳路线，同时，由于人群密度时刻变化，导致最优路线也在变化，所以该计算过程也应持续。

（3）标志牌最直接的功能就是为使用它的人提供信息，在传统的标志牌上，将更多的功能融合在智能标志牌上，在有限的位置尽可能多的为游客提供信息，实现“一牌多用”。

但以上关于智能标志牌的研究设计均属于理论的研究，并未进行电路分析实验，分析实际因素对标志牌的图像处理等。后期将从这些方面进行完善，并设计模型进行实验分析，是科技发展与人民日益增长的需要相协调，让旅游业发展更上一层楼。