CN103646253A - 基于乘客多运动行为分析的公交车客流统计方法 - Google Patents

Abstract

本发明涉及视频图像处理及识别技术领域，提供一种基于乘客多运动行为分析的公交车客流统计方法，可在公交车乘客人数统计时，克服现有客流统计方法出现误判和漏判的不足，有效提高公交车内乘客人数统计的准确度，包括如下步骤：获取乘客上下公交车的视频图像；对获取的视频图像进行处理，提取乘客头部目标，生成矩形框框定提取出的乘客头部目标；结合乘客头部目标形心点距离对相邻帧中形心点进行匹配，更新形心点位置信息并保存，连接各形心点获得运动轨迹；对获得的运动轨迹进行轨迹聚类，分析乘客运动行为；计数判定，得到人数统计结果。

Description

基于乘客多运动行为分析的公交车客流统计方法

技术领域

本发明涉及视频图像处理及识别技术领域，具体涉及一种公交车客流量统计的方法。

背景技术

公交车乘客人数是重要的公交车客流信息，准确的公交车乘客人数信息能够辅助制定更加科学的调度规划，是管理者决策的依据，是评价运营质量的标准。随着视频图像处理及识别技术的快速发展，视频图像处理及识别技术也逐步被应用于人数统计领域。

申请号为201210263414.4的中国发明专利申请公开了一种基于视频图像处理的人数统计方法。通过目标检测、运动区域分割、计算子区域的中心点在监控区域内的轨迹是否超过设定阈值得到人数统计结果，但其应用场景多为超市、商场等大型公共场所。针对公交车这一特殊环境，多数乘客上车后进入车厢，而某些乘客通过车门后则停留在车门阶梯处，故上车乘客对应的轨迹长度并未都超过设定阈值，此时会出现漏判，故其提出的通过判定轨迹是否超过设定阈值来进行人数统计并不完全适合。申请号为201110101637.6的中国专利申请公开了一种基于机器视觉的客流统计方法及系统。通过建立模型、提取特征进行检测、获得固定区域内目标的轨迹，对获得轨迹的条数进行统计得到通过该区域的人数。当乘客在拍摄视场内移动而非上下公交车时，同样会形成轨迹，但此时获得轨迹应为干扰轨迹，如此则会出现误判。申请号为2010100122682.5的中国专利申请公开了一种实时公交车客流量统计方法。采用目标检测、目标跟踪、目标行为分析等方法实现公交车乘客流量统计。但其在目标行为分析部分，仅分析了部分乘客的运动行为。公交车内乘客运动行为复杂多样，某些乘客运动行为可能会造成计数干扰，出现误判和漏判，故有必要开发一种基于乘客多运动行为分析的公交车客流统计方法，在进行乘客人数统计时，充分考虑乘客的运动行为，进行有效的计数判定，降低漏判和误判率。

发明内容

有鉴于此，本发明提供一种基于乘客多运动行为分析的公交车客流统计方法，可在公交车乘客人数统计时，克服现有客流统计方法出现误判和漏判的不足，有效提高公交车内乘客人数统计的准确度。

本发明通过以下技术手段解决上述技术问题：

基于乘客多运动行为分析的公交车客流统计方法，包括如下步骤：

1）获取乘客上下公交车的视频图像；

2）对步骤1）获取的视频图像进行处理，提取乘客头部目标，并生成矩形框框定提取出的乘客头部目标；

3）结合乘客头部目标形心点距离对相邻帧中形心点进行匹配，更新形心点位置信息并保存，连接各形心点获得运动轨迹；

4）对步骤3）获得的运动轨迹进行轨迹聚类，分析乘客运动行为；

5）计数判定，得到人数统计结果。在目标行为分析的基础上，排除干扰轨迹和水平运动类，计算垂直运动类和斜线运动类y方向的距离：y方向的距离超过设定阈值，若运动方向为+y，最终坐标y_n＞Y_out产生下车计数；若运动方向为-y，最终坐标y_n＜Y_in则产生上车计数。y方向的距离小于设定阈值，若运动方向为+y，目标起始坐标y₁＜Y_out，且最终坐标y_n＞Y_out产生下车计数；若运动方向为-y，目标起始坐标y₁＞Y_out且最终坐标y_n＜Y_out产生上车计数。其中，Y_out为设定的下车基准线。

进一步，所述步骤1）中，将摄像头垂直安装于公交车车门附近的车厢正上方，以获取乘客上下公交车的视频图像。

进一步，所述步骤2）中，通过帧差法获取乘客目标，得到目标运动区域，然后结合人头形状及灰度特征提取乘客头部目标。

进一步，所述步骤2）具体包括如下步骤：

21）对步骤1）获取的视频图像进行中值滤波；

22）对中值滤波后的视频图像进行帧间差分，得到差分图像；

23）采用霍夫圆检测对差分图像进行检测，提取出图像中类似圆形的目标；

24）结合平均灰度和灰度方差对步骤23）提取出的目标进行二次判定，提取出乘客目标头部，生成矩形框框定提取出的乘客头部，矩形框作为跟踪框，检测的圆心作为目标形心点。

进一步，所述步骤3）具体包括如下步骤：

31）设C_n(x_n,y_n)和C_n+1(x_n+1,y_n+1)分别为第n、n+1帧图像中目标形心点,计算形心点C_n与C_n+1的距离 $\mathrm{Dist}=(C_n,C_{n+1})=\sqrt{{(x_{n+1}-x_n)}^2+{(y_{n+1}-y_n)}^2};$

32）设定阈值μ为目标形心点对应的跟踪框的对角线长度和的二分之一；

33）判断相邻帧中形心点的距离Dist(C_n,C_n+1)与阈值μ的大小，若Dist(C_n,C_n+1)<μ，则认为是相邻帧中的同一目标，完成形心点的匹配，将形心点位置信息进行及时更新并保存至存储装置；

34）连接各形心点获得乘客运动轨迹，以空间坐标序列T={(x₁,y₁),(x₂,y₂),L(x_n,y_n)}形式表示获得的运动轨迹，其中，T表示运动轨迹，n表示运动对象持续帧长。

进一步，所述步骤4）具体包括如下步骤：

41）将获得的n条轨迹T_i都作为一个类中心，计算轨迹相似度D(T_i,T_j),合并相似度最近的两个类，选取长轨迹作为新类的中心轨迹，通过

计算轨迹的长度；其中，T_i表示第i条轨迹，n表示轨迹T_i中形心点的总数；

42）重复步骤41），直到连续两次的结果不再变化为止，得到聚类结果；

43）根据轨迹的起点和终点判定轨迹的运动方向。

进一步，所述步骤43）中，将轨迹分为水平运动类、垂直运动类、斜线运动类三大类；然后，根据轨迹的起点和终点判定轨迹的运动方向，将上述每一大类运动轨迹分为运动方向相反的两小类：轨迹的起点为(x₁,y₁)、终点为(x_n,y_n)则：若y_n-y₁>0,为+y方向，否则为-y方向；若x_n-x₁>0，为+x方向，否则为-x方向。

进一步，步骤5）中：

y方向的距离超过设定阈值时，若运动方向为+y，且最终坐标y_n＞Y_out则产生下车计数；若运动方向为-y，最终坐标y_n＜Y_in则产生上车计数；

y方向的距离小于设定阈值时，若运动方向为+y，目标起始坐标y₁＜Y_out且最终坐标y_n＞Y_out产生下车计数；若运动方向为-y，目标起始坐标y₁＞Y_out且最终坐标y_n＜Y_out产生上车计数。

本发明的有益效果：本发明的基于乘客多运动行为分析的公交车客流统计方法，提供一种对乘客运动行为进行分析的方法来完成乘客计数与否的判定，避免了车厢内乘客的干扰，降低了漏判和误判率，从而获得较高的人数统计精度。

附图说明

下面结合附图和实施例对本发明作进一步描述。

图1示出了本发明的整体流程图；

图2示出了本发明中摄像头安装方式图；

图3示出了本发明中形心点匹配过程示意图；

图4示出了本发明中公交车下车门附近乘客运动轨迹示意图。

具体实施方式

以下将结合附图对本发明进行详细说明。

参见图1，基于乘客多运动行为分析的公交车客流统计方法，包括如下步骤：

1）参见图2，将摄像头1垂直安装于公交车车门附近的车厢正上方，获取乘客上下公交车的视频图像；

2）对步骤1）获取的视频图像进行处理，通过帧差法获取乘客目标，得到目标运动区域，然后结合人头形状及灰度特征提取乘客头部目标；具体包括如下步骤：

21）对步骤1）获取的视频图像进行中值滤波，降低噪声对图像的影响；

22）对中值滤波后的视频图像进行帧间差分，即将时间上相邻的图像帧做差，取各像素点灰度差值的绝对值，得到差分图像；

23）因为垂直视角拍摄时人体头部是一类圆形，因此采用霍夫圆检测对差分图像进行检测，提取出图像中类似圆形的目标；本实施例采用图像帧大小为320*240像素，则检测时将圆的半径限定在30至100像素之间；

24）结合平均灰度和灰度方差对步骤23）提取出的目标进行二次判定，提取出乘客目标头部，生成矩形框框定提取出的乘客头部，矩形框作为跟踪框，检测的圆心作为目标形心点。

3）参见图3，其中C_n为图像中目标形心点，矩形框为步骤24）中生成的跟踪框；结合乘客头部目标形心点距离对相邻帧中形心点进行匹配，更新形心点位置信息并保存，连接各形心点获得运动轨迹；具体包括如下步骤：

31）设C_n(x_n,y_n)和C_n+1(x_n+1,_yn+1)分别为第n、n+1帧图像中目标形心点,计算形心点C_n与C_n+1的距离 $\mathrm{Dist}=(C_n,C_{n+1})=\sqrt{{(x_{n+1}-x_n)}^2+{(y_{n+1}-y_n)}^2};$

32）设定阈值μ为目标形心点对应的跟踪框的对角线长度和的二分之一；

33）判断相邻帧中形心点的距离Dist(C_n,C_n+1)与阈值μ的大小，若Dist(C_n,C_n+1)<μ，则认为是相邻帧中的同一目标，完成形心点的匹配，将形心点位置信息进行及时更新并保存至存储装置；

34）连接各形心点获得乘客运动轨迹，以空间坐标序列T={(x₁,y₁),(x₂,y₂),L(x_n,y_n)}形式表示获得的运动轨迹，其中，T表示运动轨迹，n表示运动对象持续帧长。

4）对步骤3）获得的运动轨迹进行轨迹聚类，分析乘客运动行为；具体包括如下步骤：

41）先根据轨迹的空间距离对获得的运动轨迹进行相似性度量。设轨迹A上一点为

a_i与轨迹B的欧式距离最小点b_j的空间距离为

因此，轨迹A与B的空间距离 $d(A,B)=\frac{1}{N_A}\underset{a\&Element;A}{\mathrm{\&Sigma;}}\left|\right|(x_i^a-x_{\mathrm{\&psi;}\left(i\right)}^b,y_i^a-y_{\mathrm{\&psi;}\left(i\right)}^b)\left|\right|.$ 其中，N_A为轨迹A中形心点的个数。为保证短轨迹能被聚类到具有相似运动轨迹类中，将轨迹A与B之间的空间距离最终定义为D(A,B)=min(d(A,B),d(B,A))；

42）将获得的n条轨迹T_i都作为一个类中心，计算轨迹相似度D(T_i,T_j),合并相似度最近的两个类，选取长轨迹作为新类的中心轨迹，通过

计算轨迹的长度；其中，T_i表示第i条轨迹，n表示轨迹T_i中形心点的总数；

43）重复步骤42），直到连续两次的结果不再变化为止，得到聚类结果；

44）将轨迹分为水平运动类、垂直运动类、斜线运动类三大类；然后，根据轨迹的起点和终点判定轨迹的运动方向，将上述每一大类运动轨迹分为运动方向相反的两小类。参见图4，图中给出了实际公交车环境中下车门附近可能出现的乘客运动轨迹示意，其中，Ta～Tg表示运动轨迹，位于62像素和170像素处的水平线分别为设定的Y_in和Y_out基准线。根据运动轨迹的空间距离将轨迹分为水平（x方向）运动类、垂直（y方向）运动类、斜线运动类三大类，分别对这三大类乘客的运动行为进行分析。水平运动类对应为车厢内移动的乘客，其从前门往后门移动，移动过程中，进入拍摄视场。垂直运动类对应为具有上/下车倾向类和上/下车动作类乘客，所谓上/下车倾向，即该类乘客最终并未完成整个上/下车动作。如附图4中轨迹Te对应的乘客类型，在公交车站点，该类乘客随同其他乘客一起下阶梯，往车外移动，但最终并未出车门，而是一直站在车门阶梯处，故其并未完成整个下车动作。在完成上/下车整个动作的轨迹类中，区分为Ta类和Td类。其中Ta为标准上/下车动作类乘客，即先后跨过Y_in和Y_out基准线，而Td类乘客仅仅跨过Y_out基准线，同时，Ta类和Td类运动轨迹垂直方向上轨迹长度也不同。斜线运动类中，根据乘客运动倾斜角度的不同，分为Tf和Tg类。Tf类乘客若为上车，则由车门左角斜线运动至车厢右侧处，进入车厢；若对应为下车，则由车厢右侧处斜线运动至车门左角，出车门。

根据轨迹的起点为(x₁,y₁)、终点为(x_n,y_n)则：若y_n-y₁>0,为+y方向，否则为-y方向；若x_n-x₁>0，为+x方向，否则为-x方向。由于水平运动类乘客不会产生上下车行为，不再进行运动方向及后续判定，将上述剩余的每一大类分为运动方向相反的两小类。

5）计数判定，得到人数统计结果。由乘客运动行为分析可知，水平运动类和干扰轨迹不纳入计数范围，垂直运动类中分为具有上/下车运动倾向类及上/下车动作类，而上/下车动作类中轨迹垂直长度又有所不同，故不能采用单一的计数判定准则。此时首先排除水平运动类和干扰轨迹，其次计算垂直运动类和斜线运动类垂直方向的距离：y方向的距离超过设定阈值（具体根据图像大小设定，本发明采用图像帧大小均为320*240像素，阈值设定为108像素），若运动方向为+y，且最终坐标y_n＞Y_out则产生下车计数；若运动方向为-y，最终坐标y_n＜Y_in则产生上车计数。y方向的距离小于设定阈值，若运动方向为+y，目标起始坐标y₁＜Y_out且最终坐标y_n＞Y_out产生下车计数；若运动方向为-y，目标起始坐标y₁＞Y_out且最终坐标y_n＜Y_out产生上车计数。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.基于乘客多运动行为分析的公交车客流统计方法，其特征在于：包括如下步骤：

1）获取乘客上下公交车的视频图像；

2）对步骤1）获取的视频图像进行处理，提取乘客头部目标，并生成矩形框框定提取出的乘客头部目标；

3）结合乘客头部目标形心点距离对相邻帧中形心点进行匹配，更新形心点位置信息并保存，连接各形心点获得运动轨迹；

4）对步骤3）获得的运动轨迹进行轨迹聚类，分析乘客运动行为；

5）计数判定，得到人数统计结果。在目标行为分析的基础上，排除干扰轨迹和水平运动类，计算垂直运动类和斜线运动类y方向的距离：y方向的距离超过设定阈值，若运动方向为+y，最终坐标y_n＞Y_out产生下车计数；若运动方向为-y，最终坐标y_n＜Y_in则产生上车计数。y方向的距离小于设定阈值，若运动方向为+y，目标起始坐标y₁＜Y_out，且最终坐标y_n＞Y_out产生下车计数；若运动方向为-y，目标起始坐标y₁＞Y_out且最终坐标y_n＜Y_out产生上车计数。其中，Y_out为设定的下车基准线。

2.如权利要求1所述的基于乘客多运动行为分析的公交车客流统计方法，其特征在于：所述步骤1）中，将摄像头垂直安装于公交车车门附近的车厢正上方，以获取乘客上下公交车的视频图像。

3.如权利要求1所述的基于乘客多运动行为分析的公交车客流统计方法，其特征在于：所述步骤2）中，通过帧差法获取乘客目标，得到目标运动区域，然后结合人头形状及灰度特征提取乘客头部目标。

4.如权利要求3所述的基于乘客多运动行为分析的公交车客流统计方法，其特征在于：所述步骤2）具体包括如下步骤：

21）对步骤1）获取的视频图像进行中值滤波；

22）对中值滤波后的视频图像进行帧间差分，得到差分图像；

23）采用霍夫圆检测对差分图像进行检测，提取出图像中类似圆形的目标；

24）结合平均灰度和灰度方差对步骤23）提取出的目标进行二次判定，提取出乘客目标头部，生成矩形框框定提取出的乘客头部，矩形框作为跟踪框，检测的圆心作为目标形心点。

5.如权利要求1至4中任一项所述的基于乘客多运动行为分析的公交车客流统计方法，其特征在于：所述步骤3）具体包括如下步骤：

31）设C_n(x_n,y_n)和C_n+1(x_n+1,y_n+1)分别为第n、n+1帧图像中目标形心点,计算形心点C_n与C_n+1的距离 $\mathrm{Dist}=(C_n,C_{n+1})=\sqrt{{(x_{n+1}-x_n)}^2+{(y_{n+1}-y_n)}^2};$

32）设定阈值μ为目标形心点对应的跟踪框的对角线长度和的二分之一；

33）判断相邻帧中形心点的距离Dist(C_n,C_n+1)与阈值μ的大小，若Dist(C_n,C_n+1)<μ，则认为是相邻帧中的同一目标，完成形心点的匹配，将形心点位置信息进行及时更新并保存至存储装置；

34）连接各形心点获得乘客运动轨迹，以空间坐标序列T={(x₁,y₁),(x₂,y₂),L(x_n,y_n)}形式表示获得的运动轨迹，其中，T表示运动轨迹，n表示运动对象持续帧长。

6.如权利要求5所述的基于乘客多运动行为分析的公交车客流统计方法，其特征在于：所述步骤4）具体包括如下步骤：

41）将获得的n条轨迹T_i都作为一个类中心，计算轨迹相似度D(T_i,T_j),合并相似度最近的两个类，选取长轨迹作为新类的中心轨迹，通过

计算轨迹的长度；其中，T_i表示第i条轨迹，n表示轨迹T_i中形心点的总数；

42）重复步骤41），直到连续两次的结果不再变化为止，得到聚类结果；

43）根据轨迹的起点和终点判定轨迹的运动方向。

7.如权利要求6所述的基于乘客多运动行为分析的公交车客流统计方法，其特征在于：所述步骤43）中，将轨迹分为水平运动类、垂直运动类、斜线运动类三大类；然后，根据轨迹的起点和终点判定轨迹的运动方向，将上述每一大类运动轨迹分为运动方向相反的两小类：轨迹的起点为(x₁,y₁)、终点为(x_n,y_n)则：若y_n-y₁>0,为+y方向，否则为-y方向；若x_n-x₁>0，为+x方向，否则为-x方向。

8.如权利要求7所述的基于乘客多运动行为分析的公交车客流统计方法，其特征在于：步骤5）中：

y方向的距离超过设定阈值时，若运动方向为+y，且最终坐标y_n＞Y_out则产生下车计数；若运动方向为-y，最终坐标y_n＜Y_in则产生上车计数；

y方向的距离小于设定阈值时，若运动方向为+y，目标起始坐标y₁＜Y_out且最终坐标y_n＞Y_out产生下车计数；若运动方向为-y，目标起始坐标y₁＞Y_out且最终坐标y_n＜Y_out产生上车计数。

Images