基于边缘计算的公共交通工具疫情监测系统

doi:10.11772/j.issn.1001-9081.2021050727

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (7): 2132-2138.DOI: 10.11772/j.issn.1001-9081.2021050727

• 先进计算 • 上一篇

基于边缘计算的公共交通工具疫情监测系统

夏慧雯¹, 赵中雨², 王卓尔²(), 张清勇¹, 彭峰³

^1.武汉理工大学自动化学院, 武汉 430070
^2.武汉理工大学信息工程学院, 武汉 430070
^3.武汉理工大学智能交通系统研究中心, 武汉 430063

收稿日期:2021-05-08 修回日期:2021-11-16 接受日期:2021-11-23 发布日期:2021-12-31 出版日期:2022-07-10
通讯作者: 王卓尔
作者简介:夏慧雯（1992—），女，湖北仙桃人，实验师，硕士研究生，主要研究方向：智能控制、机器学习
赵中雨（1999—），女，山东菏泽人，主要研究方向：机器学习、数据科学
张清勇（1984—），女，湖北仙桃人，高级实验师，博士，主要研究方向：智能优化与控制
彭峰（1990—），男，湖北黄冈人，工程师，博士研究生，主要研究方向：新能源汽车、智能控制。
基金资助:
湖北省自然科学基金资助项目(（2019CFB571）)

Public transportation epidemic monitoring system based on edge computing

Huiwen XIA¹, Zhongyu ZHAO², Zhuoer WANG²(), Qingyong ZHANG¹, Feng PENG³

^1.School of Automation，Wuhan University of Technology，Wuhan Hubei 430070，China
^2.School of Information Engineering，Wuhan University of Technology，Wuhan Hubei 430070，China
^3.Intelligent Transportation Systems Research Center，Wuhan University of Technology，Wuhan Hubei 430063，China

Received:2021-05-08 Revised:2021-11-16 Accepted:2021-11-23 Online:2021-12-31 Published:2022-07-10
Contact: Zhuoer WANG
About author:XIA Huiwen， born in 1992， M. S. candidate， experimentalist. Her research interests include intelligent control， machine learning.
ZHAO Zhongyu， born in 1999. Her research interests include machine learning， data science.
ZHANG Qingyong， born in 1984， Ph. D.， senior experimentalist. Her research interests include intelligent optimization and control.
PENG Feng， born in 1990， Ph. D. candidate， engineer. His research interests include new energy vehicle， intelligent control.
Supported by:
Hubei Natural Science Foundation(2019CFB571)

摘要/Abstract

摘要：

现有监测系统无法很好地应对疫情环境下存在的交叉传染以及追溯困难等问题，因此提出了一套基于边缘计算的公共交通检测系统的设计方案。首先，建立图数据库来储存乘车人员与乘车信息，同时使用双数据库模型防止建立索引带来的阻塞，从而完成插入效率与搜索效率的均衡；其次，在车辆人像信息提取中，采用HSV色彩空间对图片进行预处理，并建立人脸三维空间模型来提升神经网络的识别准确率，在目标佩戴口罩时，通过较明显的鼻尖特征点、下颌特征点与未遮挡的鼻梁部特征点回归出其口鼻等特征点信息；最后，通过k度搜索快速找出密切接触乘客。在特征对比测试中，该方案在BioID数据集和PubFig数据集上分别达到了99.44%和99.23%的正确率，且在两数据集上的假阴性率均小于0.01%；在图搜索效率测试中，在浅层次搜索的时候，图数据库与关系型数据库并无较大差异，当搜索层次变深时，图数据库效率更高；在验证理论可行性之后，模拟了公交车与公交站的实际环境，经测试所提系统在其中的识别准确率为99.98%，识别时间平均约为21 ms，符合疫情监测的要求。所提系统设计可以满足疫情时期公共安全的特殊需求，能够实现人员甄别、路径记录、潜在接触者搜索等功能，从而有效地保证公共交通安全。

关键词: 边缘计算, 公共交通, 面部特征, 图数据库, 神经网络, HSV色彩空间, 疫情监测

Abstract:

In view of the existing monitoring system’s inability to cope with the problems of cross-infection and traceability difficulties in the epidemic environment， a design scheme for a public transportation detection system based on edge computing was proposed. Firstly， a graph database was established to store passengers and ride information， and at the same time a dual database model was used to prevent the blockage caused by building index， thereby achieving the balance between insertion efficiency and search efficiency. Then， in the extraction of vehicle and human image information， the HSV （Hue Saturation Value） color space was used to preprocess the image， and a three-dimensional space model of face was established to improve the recognition accuracy of the neural network. When the object wore a mask， the feature point information was able to be regressed through the obvious nose tip feature points， lower jaw feature points， and unobstructed nose bridge feature points. Finally， k-hop search was used to find close contacts quickly. In the feature comparison test， the correct rates of this model are 99.44% and 99.23% on BioID dataset and PubFig dataset， respectively， and the false negative rates of the model on the two datasets are both less than 0.01%. In the graph search efficiency test， there is no big difference between the graph database and the relational database when searching at a shallow level. When the search level becomes deeper， the graph database is more efficient. After verifying the theoretical feasibility， the actual environment of buses and bus stops was simulated. In the test， the proposed system has the recognition accuracy of 99.98%， and the average recognition time of about 21 ms， which meets the requirements of epidemic monitoring. The proposed system design can meet the special needs of public safety during the epidemic period， and can realize the functions of person recognition， route recording， and potential contact search， which can effectively ensure public transportation safety.

Key words: edge computing, public transportation, facial feature, graph database, neural network, HSV (Hue Saturation Value) color space, epidemic monitoring

中图分类号:

TP274.5

夏慧雯, 赵中雨, 王卓尔, 张清勇, 彭峰. 基于边缘计算的公共交通工具疫情监测系统[J]. 计算机应用, 2022, 42(7): 2132-2138.

Huiwen XIA, Zhongyu ZHAO, Zhuoer WANG, Qingyong ZHANG, Feng PENG. Public transportation epidemic monitoring system based on edge computing[J]. Journal of Computer Applications, 2022, 42(7): 2132-2138.

图/表 7

图1 系统方案功能框图

Fig. 1 Functional block diagram of system scheme

图2 双数据库执行方法框图

Fig. 2 Block diagram of dual database execution method

图3 边缘节点特征提取流程

Fig. 3 Feature extraction flow of edge nodes

图4 节点k度关系示意图

Fig.4 Schematic diagram of node k-hop relation

图5 帧设计

Fig. 5 Frame design

表1 系统设计方案对比

Tab.1 Comparison of system design schemes

方案	通信与计算				存储与查询				智能决策
方案	数据量	计算准确率	算力需求	处理延迟	储存系统	插入速度	可搜索性	深度查询速度	决策系统	可扩展性	人力需求
本文系统方案	低	高	低	低	有	高	高	高	有	强	低
文献［1］方案	大	无	无	无	或有	高	低	极低	无	弱	中
文献［2］方案	高	高	高	高	有	低	低	低	有	中	中

表2 k度关系搜索效率对比 (s)

Tab.2 Comparison of search efficiency of k-hop relation

数据库	二层搜索时间	三层搜索时间	四层搜索时间	五层搜索时间
关系型数据库	0.02	8.42	59.48	306.91
图数据库	0.01	0.40	1.97	3.84

参考文献 15

1	赵晓朴. 上海城市轨道交通网络级视频监控系统的研制［J］. 城市轨道交通研究， 2020， 23（S2）：132-137.
	ZHAO X P. Research and development of Shanghai urban rail transit network video surveillance system［J］. Urban Mass Transit， 2020， 23（S2）：132-137.
2	林晓伟，王侠. 城市轨道交通智慧安防系统的建设［J］. 工业控制计算机， 2021， 34（3）：112-114. 10.3969/j.issn.1001-182X.2021.03.043
	LIN X W， WANG X. Construction of smart security system for urban rail transit［J］. Industrial Control Computer， 2021， 34（3）：112-114. 10.3969/j.issn.1001-182X.2021.03.043
3	HUANG H C， DONG Z Y. Research on architecture and query performance based on distributed graph database Neo4j［C］// Proceedings of the 3rd International Conference on Consumer Electronics， Communications and Networks. Piscataway： IEEE， 2013： 533-536. 10.1109/cecnet.2013.6703387
4	WU Y， JI Q. Facial landmark detection： a literature survey［J］. International Journal of Computer Vision， 2019， 172（2）： 115-142. 10.1007/s11263-018-1097-z
5	DONG X Y， YAN Y， OUYANG W L， et al. Style aggregated network for facial landmark detection［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018：379-388. 10.1109/cvpr.2018.00047
6	ROY S， BANDYOPADHYAY S K. Face detection using a hybrid approach that combines HSV and RGB［J］. International Journal of Computer Science and Mobile Computing， 2013， 2（3）： 127-136.
7	CHAVES-GONZÁLEZ J M， VEGA-RODRÍGUEZ M A， GÓMEZ-PULIDO J A， et al. Detecting skin in face recognition systems： a colour spaces study［J］. Digital Signal Processing， 2010， 20（3）： 806-823. 10.1016/j.dsp.2009.10.008
8	YANG J， LIU Q S， ZHANG K H. Stacked hourglass network for robust facial landmark localisation［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2017：2025-2033. 10.1109/cvprw.2017.253
9	DUAN K W， BAI S， XIE L X， et al. CenterNet： keypoint triplets for object detection［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019：6568-6577. 10.1109/iccv.2019.00667
10	ZHOU X Y， WANG D Q， KRÄHENBÜHL P. Objects as points［EB/OL］. （2019-04-25）［2021-04-21］..
11	WANG Q， CHEN J， DENG J Q， et al. 3D-CenterNet： 3D object detection network for point clouds with center estimation priority［J］. Pattern Recognition， 2021， 115： No.107884. 10.1016/j.patcog.2021.107884
12	EIGEN D， PUHRSCH C， FERGUS R. Depth map prediction from a single image using a multi-scale deep network［C］// Proceedings of the 27th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2014：2366-2374.
13	SU Y， LIU Z， BAN X J. Symmetric face normalization［J］ Symmetry， 2019， 11（1）： No.96. 10.3390/sym11010096
14	SHI X P， SHAN S G， KAN M N， et al. Real-time rotation-invariant face detection with progressive calibration networks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018：2295-2303. 10.1109/cvpr.2018.00244
15	MENG T， CAI L J， HE T Q， et al. K-hop community search based on local distance dynamics［J］. KSII Transactions on Internet and Information Systems， 2018， 12（7）： 3041-3063. 10.3837/tiis.2018.07.005

[1]	张杰, 许姗姗, 袁凌云. 基于区块链与边缘计算的物联网访问控制模型[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2104-2111.
[2]	董宁, 程晓荣, 张铭泉. 基于物联网平台的动态权重损失函数入侵检测系统[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2118-2124.
[3]	陈荣源, 姚剑敏, 严群, 林志贤. 基于深度神经网络的视频播放速度识别[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2043-2051.
[4]	王震宇, 张雷, 高文彬, 权威铭. 基于渐进式神经网络架构搜索的人体运动识别[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2058-2064.
[5]	刘万军, 王佳铭, 曲海成, 董利兵, 曹欣宇. 基于频谱空间域特征注意的音乐流派分类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2072-2077.
[6]	周嘉凡, 杜岳峰, 宋宝燕, 李晓光, 赵阿珠, 肖绪界. 基于元路径注意力机制的MOOC视频推荐方法[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1808-1813.
[7]	邓世权, 叶绪国. 基于深度Q网络的多目标任务卸载算法[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1668-1674.
[8]	苏珊, 张杨, 张冬雯. 基于深度学习的耦合度相关代码坏味检测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1702-1707.
[9]	袁景凌, 毛慧华, 王娜娜, 向尧. 移动边缘计算中资源受限的动态服务部署策略[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1662-1667.
[10]	韩滕跃, 牛少彰, 张文. 基于对比学习的多模态序列推荐算法[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1683-1688.
[11]	杨磊, 赵红东, 于快快. 基于多头注意力机制的端到端语音情感识别[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1869-1875.
[12]	廖光锴, 张正, 宋治国. 基于小波特征与注意力机制结合的卷积网络车辆重识别[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1876-1883.
[13]	于蒙, 何文涛, 周绪川, 崔梦天, 吴克奇, 周文杰. 推荐系统综述[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1898-1913.
[14]	屈震, 李堃婷, 冯志玺. 基于有效通道注意力的遥感图像场景分类[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1431-1439.
[15]	陈颖, 于炯, 陈嘉颖, 杜旭升. 基于交叉层级数据共享的多任务模型[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1447-1454.

基于边缘计算的公共交通工具疫情监测系统

Public transportation epidemic monitoring system based on edge computing

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 15

相关文章 15

编辑推荐

Metrics