CN103871082A - 一种基于安防视频图像的人流量统计方法 - Google Patents

Abstract

本发明涉及一种基于视频流处理的公交乘客人数统计方法。一种基于安防视频图像的人流量统计方法，包括：1）对原始图像进行预处理；2）利用差分算法建立背景模型；3）根据背景图像差分出前景，并对前景进行形态学处理得到运动目标区域；4）判断运动目标区域的大小，如果运动目标区域过大，则认为处在高密度客流状态，通过对人头部特征进行匹配确定多个头部区域运动目标，通过对各个头部区域运动目标进行跟踪，实现对上、下车人数的统计；否则，执行步骤5）对从原始图像得到的运动目标区域求补，更新背景图像；6）对运动目标区域进行分割和并对分割后的运动目标进行跟踪，然后根据运动目标的上、下边界与计数线碰撞的先后顺序确定运动目标是上车或下车，完成客流量的统计。

Description

一种基于安防视频图像的人流量统计方法

技术领域

本发明涉及一种客流统计方法，尤其是涉及一种基于视频流处理的公交乘客人数统计系统。

背景技术

传统的客流统计通常采用人工统计的方法来取得客流量数据，虽然精度可以满足要求，但是消耗人力、财力，且不具备系统性和全面性。刷卡机、投币机等接触式设备，虽然脱离了人工，但是一般只能一次通过一人，且无法满足较高的精度和同时统计上、下车人数的要求。而现在应用最广泛的红外线检测系统，此类系统为非接触式，相比接触式设备，有了很大的提高。但在实际运行中，当多个乘客连续或同时通过红外装置时，就会出现遮挡，单个乘客在检测目标区域暂时的停留，或者躯体和携带物品的干扰，也会对统计的精准度产生影响。因此，红外系统只能作为低精度系统，提供粗略的人数统计数据。

当今，视频监控系统被越来越广泛地应用于人们生活的各个方面。利用数字图像处理技术，对特定视频序列中的运动对象自动检测、识别和跟踪，成为了智能监控、智能视觉领域的研究热点。目前，一些国际、国内的商业公司、大学和研究机构都陆续开始了视频人数统计技术的研究，并已经取得了初步的成果，部分企业已经推出了类似的产品。德国DILAX公司和加拿大INFODEV公司将人员电子计数作为其核心业务，他们都采用不同的传感器来进行客流的数据采集。韩国威尔迪公司（VIRDI）的人数统计系统，该产品支持四路视频输入，Wi-Fi无线通信，能记录最长180天的详细客流数据。在国内，深圳市飞瑞斯科技有限公司（FIRS）通过视频分析检测活体（人体头部及肩部）的形状，并计算通过设定区域和方向的数量达到精确统计活体的目的。北京纳蓝信新媒体科技有限公司（NLX）的产品NBX-26D是一种电池供电可达三年的单向客流量计数器，统计结果可以通过RS232或RS485传输。上海杰轩电子科技有限公司的“全客通”（AllCount Unit100---ACU100）视频客流分析决策系统是一种采用B/S构架设计支持远程登录访问的客流数据查询和分析系统。

视频序列中运动目标检测及相关技术研究是一个综合性的课题。视频人数统计的关键在于从视频序列中正确地识别出图像中感兴趣的目标，之后对该目标的运动状态进行持续的观察，藉此判断目标的数目和运动方向，最后通过计数规则的设置完成人数的统计。而如何正确地识别目标并对目标的运动状态进行持续的观察涉及到了图像处理中运动目标检测、运动目标分割和运动目标跟踪等三方面问题。因此，基于视频图像处理的客流统计分析的提出对改善统计系统的低准确性和低鲁棒性有重大的意义。

发明内容

本发明针对公交客流统计系统的现场环境，提出了一种基于安防视频图像的人流量统计方法。

为了实现上述目的，本发明所采用的技术方案是：

一种基于安防视频图像的人流量统计方法，包含以下步骤：

1）通过摄像头采集实时监控数据，得到原始图像，并对原始图像进行预处理，以滤除图像噪声；

2）利用高斯背景、codebook差分算法建立高级背景模型，以适应外界环境的不断变化；

3）根据背景图像差分出前景，并对前景进行形态学处理得到运动目标区域；

4）判断运动目标区域的大小，如果运动目标区域过大，则认为处于高密度客流状态，执行步骤8）；否则，执行步骤5）；

5）对从原始图像得到的运动目标区域求补，得到新的背景图像用以更新背景图像；

6）对运动目标区域进行分割，得到运动目标区域的矩形框，并设置矩形框的上、下边界，然后分别对各个矩形框的上、下边界进行追踪；然后根据运动目标的上、下边界与计数线碰撞的先后顺序确定运动目标是上车或下车，分别对上下车人数进行统计；

7）读入下一帧图像，跳至步骤4）重复执行；

8）在高密度客流状态下，对人头部特征进行匹配识别，确定多个头部区域运动目标；

9）对各个头部区域运动目标进行跟踪，计算目标中心，根据目标中心相对于设定的碰撞计数线的位置变化来确定是上车或者下车，对上车或者下车人数进行统计；

10）读入下一帧图像，跳至步骤4）重复执行。

所述的基于安防视频图像的人流量统计方法，人数统计程序在汽车启动后自动启动，系统首先根据监控设备录入当前的图像数据生成背景；在关闭车门时仅进行背景的更新，在开启车门时才进行目标的检测、跟踪以及计数。

所述的基于安防视频图像的人流量统计方法，车门开启时，通过摄像头采集实时监控数据，在视频中抽取彩色图像转换为灰度图像后，然后对图像进行连通性分析，利用形态学上的闭操作消除孤立的噪点，将相互分离的区块合并补全，并通过降低图像分辨率的方法降低由于乘客上下车带来摄像头抖动产生的干扰，使图像细节变得更加清晰；降低图像分辨率的方法采用的算法如下：

设第i行第j列的图像灰度为f(i,j)，图像降低分辨率的倍数为k，则新形成的图像第i行，第j列的图像灰度为：

$f(i,j)=\frac{\underset{m=0}{\overset{k-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{k-1}{\mathrm{\Σ}}}f(\mathrm{ik}+m,\mathrm{jk}+n)}{m\·n};$

其中，i、j为该像素所在的行和列，m、n是像素的总行数和总列数，m·n表示像素的总个数，k为正整数。

所述的基于安防视频图像的人流量统计方法，步骤2）中，通过codebook差分算法进行背景建模，建立背景图像；

为原始图像中每一个像素点建立一个码本，每个码本包括多个码元，每个码元有它的学习时最大最小阈值、检测时的最大最小阈值成员；

在背景建模期间，对每一幅新来的图片的每个像素点进行码本匹配，如果某个像素点的像素值在码本中某个码元的学习阈值内，则认为它与该对应点前一帧出现过的情况一致，通过两帧间该像素点的像素值比较，如果满足codebook差分算法背景建模中码元的更新条件，还要对应地更新对应点的学习阈值和检测阈值；如果新来的图片像素点的像素值与码本中每个码元都不匹配，则判断为背景是动态的，因此需要为其建立一个新的码元，并且设置相应的码元成员变量；在背景学习的过程中，每个像素点可以对应多个码元，方便得到复杂的动态背景。

所述的基于安防视频图像的人流量统计方法，步骤3）中，利用codebook差分算法进行背景建模时，根据背景图像差分出前景，对前景进行形态学处理，得到运动目标的方法如下：

a，根据背景图像差分出前景：如果某个像素出现在该像素对应的编码组的某个码元的范围之内，则认为该点是背景点标记为0，否则认为是前景点标记为1；

b，对前景进行形态学处理：用具有一定形态的结构元素去量度和提取图像中的对应形状，以达到对图像分析和识别的目的，从而得到运动目标区域。

所述的基于安防视频图像的人流量统计方法，步骤4）中，执行高密度客流状态人流统计的触发条件为：当前景区域超过屏幕总大小的一半，即搜索出的矩形框的(up-down)*(right-left)值大于屏幕的总像素点(width*hight)总数的一半时，系统进入高人流模式，算法自动切换到高人流计数状态，之前的其它搜索框都会被清除。

所述的基于安防视频图像的人流量统计方法，步骤6）中，采用目标分割算法为基于坐标映射的运动目标区域进行分割，首先计算图像在横轴的投影值，将投影值连续大于某一阈值的投影计为一横段；然后针对每一横段，计算其在纵轴的投影，将连续大于某一阈值的纵轴投影记为纵段；最后将横段与纵段组成矩形框，再次迭代上述算法，即可得到用于追踪的运动目标区域的矩形框。

所述的基于安防视频图像的人流量统计方法，使用基于区域重合的目标追踪算法对运动目标区域进行分割：如果A和B为同一个目标，则连续的两帧中第k-1帧的区域A和第k帧的区域B通常有60%以上的区域都是重合的区域C，因此在新的一帧追踪区域B内出现中最多的标号即是该目标区域的新编号，之后对对框体编号的持续更新，最终通过对拥有相同编号的窗体位置进行持续的观察记录完成运动目标的追踪，其中k为大于1的自然数。

所述的基于安防视频图像的人流量统计方法，采用基于移动矩形框的人数统计法，首先通过摄像区域大小设置检测线位置，然后设置矩形框的上、下边界，分别对各个矩形框的上、下边界进行追踪；根据上下边界与计数线碰撞的先后顺序确定目标是上车或下车，并分别对上下车人数进行统计。

所述的基于安防视频图像的人流量统计方法，步骤8）中，在高密度客流状态，采用基于乘客头部颜色特征的目标识别算法，对黑发的人头进行识别，并判断人流平均速度，然后，通过黑发人头的数量与前景总区域的投影像素点的总比值，来判断区域内的非黑发大致人数；采用基于乘客头部颜色特征的目标识别算法，先提取黑发区域，利用与普通模式相同的分割和追踪方法，并通过黑发人头的数量与前景总区域的投影像素点的总比值，来判断区域内的非黑发人数，完成人数统计。

本发明有益效果：

1、本发明基于安防视频图像的人流量统计方法，具有较高的检测识别率，且计算复杂度低，具有广阔的应用前景。与现有计数相比，通过对目标区域的检测，可以识别出高客流密度的状态，然后针对高客流密度状态提出了专门的统计方法，解决了传统的基于视频的公交人数统计无法完成客流高峰期无法实现统计的问题。与现有算法相比,理论依据充分,数学模型清晰,实现简单，正确率高。

2、本发明基于安防视频图像的人流量统计方法，实现了一种高效率，高鲁棒性的一种视频人数统计系统，在一定程度上解决了传统系统无法统计高人流密度乘客统计的弊病，同时解决了公交智能调度系统难以获得准确乘客实时统计数据的问题。系统目标检测算法使用了时下较为流行的codebook背景建模算法，俗称编码本，该方法具有类似于背景差分法的快速检测速度，该方法以HIV色彩模型对背景建模时能够通过参数的设定降低局部光线变化对目标识别的干扰。这种算法是对图像中每一个像素的灰度值建立一个编码本，编码本是针对素点的时间序列模型的压缩。该方法是将一个像素现在的观测值和以前的观测值作比较，若两个观测值很接近，则现在的观测值被认为是扰动；若干两个值不接近，则认为该点是一个前景点。

3、本发明基于安防视频图像的人流量统计方法，在人数统计算法方面，提出了一种基于目标区域的计数方法，该算法可以有效屏蔽乘客在计数线附近往复产生的计数扰动。同时在高人流密度计数算法方面，提出了一种基于乘客头部颜色特征的识别算法。在高人流模式下，直接从背景模型中识别前景，算法直接从传入的视频图像中搜索RGB三通道中介于[5，41]、[10，37]和[14，38]色彩空间中的点视为前景（即人头区域的颜色特征），之后利用与普通模式相同的分割、追踪和计数方法实现人数的统计。该算法在目标分割、追踪与计数方面使用了与普通状况相同的方法，算法会在乘客密度达到一定程度后会自动启动。

4、本发明基于安防视频图像的人流量统计方法，在目标分割与追踪算法方面，是在基于投影的目标分割的基础上，提出了一种基于目标重合区域的目标追踪方法，该方法利用了人乘客上下车时运动速度不高的特点，算法简单高效非常适用于慢速运动目标的追踪。通过测试，结果表明本文所采用的算法具有较高的准确率，识别率达到了91%以上，具有较高的应用价值。

附图说明

图1本发明基于安防视频图像的人流量统计方法的系统总体结构。

图2本发明基于安防视频图像的人流量统计方法流程方框图。

图3本发明基于安防视频图像的人流量统计方法运行效果图。

具体实施方式

下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。

实施例1

参见图2，本发明基于安防视频图像的人流量统计方法，包含以下步骤：

1）通过摄像头采集实时监控数据，得到原始图像，并对原始图像进行预处理，达到滤除噪声，增强图像，为视频序列图像中运动目标检测和跟踪提供必要的前提；

2）利用高斯背景、codebook等建立高级背景模型，以适应外界环境的不断变化；

3）根据背景图像差分出前景，并对前景进行形态学处理得到运动目标区域；

4）判断运动目标区域的大小，如果运动目标区域过大，则认为处于高密度客流状态，执行步骤8）；否则，执行步骤5）；

5）对从原始图像得到的运动目标区域求补，得到新的背景图像用以更新背景图像；

6）对运动目标区域进行分割，得到运动目标区域的矩形框，并设置矩形框的上、下边界，然后分别对各个矩形框的上、下边界进行追踪；然后根据运动目标的上、下边界与计数线碰撞的先后顺序确定运动目标是上车或下车，分别对上下车人数进行统计；

7）读入下一帧图像，跳至步骤4）重复执行；

8）在高密度客流状态下，对人头部特征进行匹配识别，确定多个头部区域运动目标；

9）对各个头部区域运动目标进行跟踪，计算目标中心，根据目标中心相对于设定的碰撞计数线的位置变化来确定是上车或者下车，对上车或者下车人数进行统计；

10）读入下一帧图像，跳至步骤4）重复执行。

在步骤3）中得到前景后，步骤5）一方面先优化前景目标，然后对其进行分割和跟踪；另一方面是更新背景，现在为前景的目标，在下一帧中要作为背景进行差分运算，是一个交替过程。

实施例2

参见图2，本实施例的基于安防视频图像的人流量统计方法，与实施例1的不同之处在于：人数统计程序在汽车启动后自动启动，系统首先根据监控设备录入当前的图像数据生成背景；在关闭车门时仅进行背景的更新，在开启车门时才进行目标的检测、跟踪以及计数。

车门开启时，通过摄像头采集实时监控数据，在视频中抽取彩色图像转换为灰度图像后，然后对图像进行连通性分析，利用形态学上的闭操作消除孤立的噪点，将相互分离的区块合并补全，并通过降低图像分辨率的方法降低由于乘客上下车带来摄像头抖动产生的干扰，使图像细节变得更加清晰；降低图像分辨率的算法如下：

设第i行第j列的图像灰度为f(i,j)，图像降低分辨率的倍数为k，则新形成的图像第i行，第j列的图像灰度为：

$f(i,j)=\frac{\underset{m=0}{\overset{k-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{k-1}{\mathrm{\Σ}}}f(\mathrm{ik}+m,\mathrm{jk}+n)}{m\·n};$

其中，i、j为该像素所在的行和列，m、n是总行数和总列数，m·n表示像素的总个数，k为正整数。

实施例3

参见图2，本实施例的基于安防视频图像的人流量统计方法，与实施例1、实施例2的不同之处在于：

步骤2）中，通过codebook算法进行背景建模，建立背景图像；

为原始图像中每一个像素点建立一个码本，每个码本包括多个码元，每个码元有它的学习时最大最小阈值、检测时的最大最小阈值成员；

在背景建模期间，每当来了一幅新图片，对每个像素点进行码本匹配，如果该像素点的像素值在码本中某个码元的学习阈值内，则认为它与该对应点前一帧出现过的情况一致，通过两帧间像素值比较，如果满足codebook背景建模中码元的更新条件，此时还可以更新对应点的学习阈值和检测阈值；如果新来的像素值对码本中每个码元都不匹配，则判断背景是动态的，因此需要为其建立一个新的码元，并且设置相应的码元成员变量；在背景学习的过程中，每个像素点可以对应多个码元，这样就可以学到复杂的动态背景。

实施例4

参见图2，本实施例的基于安防视频图像的人流量统计方法，与实施例3的不同之处在于：

步骤3）中，根据背景图像差分出前景，对前景进行形态学处理，得到运动目标的方法如下：

a，根据背景图像差分出前景：如果某个像素出现在该像素对应的编码组的某个码元的范围之内，则认为该点是背景点标记为0，否则认为是前景点标记为1；

b，对前景进行形态学处理：用具有一定形态的结构元素去量度和提取图像中的对应形状，以达到对图像分析和识别的目的，从而得到运动目标区域。

codebook的差分算法较学习算法要简单许多，其只需比较对应颜色是否出现在码元中，然后将比较的结果二值化输出。

实施例5

参见图2，本实施例的基于安防视频图像的人流量统计方法，与实施例4的不同之处在于：步骤4）中，执行高密度客流状态人流统计的触发条件为：当前景区域超过屏幕总大小的一半，即搜索出的矩形框的(up-down)*(right-left)值大于屏幕的总像素点(width*hight)总数的一半时，系统进入高人流模式，算法自动切换到高人流计数状态，之前的其它搜索框都会被清除。

切换到高人流计数的必要性在于当目标区域人数过多，距离过密，前景区域超过屏幕总大小的一半，则会导致分割框体非常巨大，甚至充满整个屏幕，即完全覆盖背景，此时，无论乘客如何运动，采用本文的分割方法分割出来的目标区域都不会发生改变，会始终充满整个屏幕，最终导致算法的失效。

实施例6

参见图2，本实施例的基于安防视频图像的人流量统计方法，与实施例4的不同之处在于：步骤6）中，采用目标分割算法为基于坐标映射的运动目标区域进行分割，首先计算图像在横轴的投影值，将投影值连续大于某一阈值的投影计为一横段；然后针对每一横段计算其在纵轴的投影，将连续大于某一阈值的纵轴投影记为纵段；最后将横段与纵段组成矩形框，再次迭代上述算法，即可得到用于追踪的运动目标区域的矩形框。

实施例7

参见图2，本实施例的基于安防视频图像的人流量统计方法，与实施例6的不同之处在于：

使用基于区域重合的目标追踪算法对运动目标区域进行分割：如果A和B为同一个目标，则连续的两帧中第k-1帧的区域A和第k帧的区域B通常有60%以上的区域都是重合的区域C，因此在新的一帧追踪区域B内出现中最多的标号即是该目标区域的新编号，之后对对框体编号的持续更新，最终通过对拥有相同编号的窗体位置进行持续的观察记录完成运动目标的追踪，其中k为大于1的自然数。

鉴于人的移动速度有限（通常人的步行速度为5km/h），人的胸背之间的距离往往在20cm以上，即在使用采集频率为30Hz摄像机所采集图像的前提下，两帧之间乘客形成的投影有60%左右的区域是重合的，利用上述原理，本系统提出了一种基于坐标映射的目标分割方法，专门针对高人流状态下的人数统计。避免了当人流量过大时，目标的前景区域将完全覆盖背景区域情况下，传统的人数统计算法失效的问题。

实施例8

参见图2，本实施例的基于安防视频图像的人流量统计方法，与前述各实施例的不同之处在于：采用基于移动矩形框的人数统计法，首先通过摄像区域大小设置检测线位置，然后设置矩形框的上、下边界，分别对各个矩形框的上、下边界进行追踪；根据上下边界与计数线碰撞的先后顺序确定目标是上车或下车，并分别对上下车人数进行统计。

步骤8）中，在高密度客流状态，采用基于乘客头部颜色特征的目标识别算法，对黑发的人头进行识别，并判断人流平均速度，然后，通过黑发人头的数量与前景总区域的投影像素点的总比值，来判断区域内的非黑发大致人数；采用基于乘客头部颜色特征的目标识别算法，先提取黑发区域，利用与普通模式相同的分割和追踪方法，并通过黑发人头的数量与前景总区域的投影像素点的总比值，来判断区域内的非黑发人数，完成人数统计。

本发明基于安防视频图像的人流量统计方法，视频人数统计的关键在于从视频序列中正确地识别出图像中感兴趣的目标，之后对该目标的运动状态进行持续的观察，藉此判断目标的数目和运动方向，最后通过计数规则的设置完成人数的统计。如何正确地识别目标并对目标的运动状态进行持续的观察涉及到了图像处理中运动目标检测、运动目标分割和运动目标跟踪等三方面问题。

在目标检测算法方面，系统使用了时下较为流行的codebook背景建模算法，俗称编码本，这种算法是对图像中每一个像素的灰度值建立一个编码本，编码本是针对素点的时间序列模型的压缩。该方法是将一个像素现在的观测值和以前的观测值作比较，若两个观测值很接近，则现在的观测值被认为是扰动；若干两个值不接近，则认为该点是一个前景点。

在目标分割与追踪算法方面，是在基于投影的目标分割的基础上，提出了一种基于目标重合区域的目标追踪方法，该方法利用了人乘客上下车时运动速度不高的特点，算法简单高效非常适用于慢速运动目标的追踪。

在人数统计算法方面，提出了一种基于目标区域的计数方法，该算法可以有效屏蔽乘客在计数线附近往复产生的计数扰动。同时在高人流密度计数算法方面，提出了一种基于乘客头部颜色特征的识别算法，该算法在目标分割、追踪与计数方面使用了与普通状况相同的方法，算法会在乘客密度达到一定程度后会自动启动。

实验与分析：

为了验证本发明提出的算法的有效性，我们进行了测试。本发明基于安防视频图像的人流量统计方法，系统的总体结构如图1所示。系统的组成包括上车门摄像头1，下车门摄像头2，嵌入式处理系统3，显示器4，无线发射器5，无线接收器6以及动态调动服务器7。上车门摄像头和下车门摄像头输出信号经处理后接入嵌入式处理系统；所述嵌入式处理系统输出连接显示器以及无线发射器，所述动态调动服务器通过无线接收器与无线发射器的耦合与所述嵌入式处理系统通讯连接。

系统测试的硬件平台采用SBC3730开发板，系统的软件程序在嵌入式Linux系统下运行，能从采集卡上读取垂直于车门正上方安装的两路摄像头。在车门关闭时学习背景，在车门打开时停止背景学习同时开始进行人数统计。开发语言选择效率较高的C++而软件的UI库选择了具有跨平台跨操作系统特性的Qt，开发借助了开源的图像算法库OpenCV（Open SourceComputer Vision Library）。开发板程序运行效果图如图3所示，通过界面上的按钮relean学习背景，通过显示屏显示跟踪人头的过程，以及下标down,up,total表明当前进出人数。

视频算法的测试素材是利用现有设备采集而来的乘客上下车视频片段组成，片段包含单人上下车，多人上下车，多人同时上下车，以及高人流状况等多段视频，基本涵盖常见处理情况，针对上述多段视频，程序的测试结果如表1所示。

表1 视频算法测试结果

状况	实际通过人数	检测数	准确率
				单人上下车	63	63	100%
多人连续上下车	97	89	91%
				多人同时上下车	45	33	73%
高人流密度	29	17	59%

由表1的数据可知，本发明基于安防视频图像的人流量统计方法，具有较高的准确率，具有一定的实用价值。

Claims (10)

1.一种基于安防视频图像的人流量统计方法，包含以下步骤：

1）通过摄像头采集实时监控数据，得到原始图像，并对原始图像进行预处理，以滤除图像噪声；

2）利用高斯背景、codebook差分算法建立高级背景模型，以适应外界环境的不断变化；

3）根据背景图像差分出前景，并对前景进行形态学处理得到运动目标区域；

4）判断运动目标区域的大小，如果运动目标区域过大，则认为处于高密度客流状态，执行步骤8）；否则，执行步骤5）；

5）对从原始图像得到的运动目标区域求补，得到新的背景图像用以更新背景图像；

6）对运动目标区域进行分割，得到运动目标区域的矩形框，并设置矩形框的上、下边界，然后分别对各个矩形框的上、下边界进行追踪；然后根据运动目标的上、下边界与计数线碰撞的先后顺序确定运动目标是上车或下车，分别对上下车人数进行统计；

7）读入下一帧图像，跳至步骤4）重复执行；

8）在高密度客流状态下，对人头部特征进行匹配识别，确定多个头部区域运动目标；

9）对各个头部区域运动目标进行跟踪，计算目标中心，根据目标中心相对于设定的碰撞计数线的位置变化来确定是上车或者下车，对上车或者下车人数进行统计；

10）读入下一帧图像，跳至步骤4）重复执行。

2.根据权利要求1所述的基于安防视频图像的人流量统计方法，其特征在于：人数统计程序在汽车启动后自动启动，系统首先根据监控设备录入当前的图像数据生成背景；在关闭车门时仅进行背景的更新，在开启车门时才进行目标的检测、跟踪以及计数。

3.根据权利要求2所述的基于安防视频图像的人流量统计方法，其特征在于：车门开启时，通过摄像头采集实时监控数据，在视频中抽取彩色图像转换为灰度图像后，然后对图像进行连通性分析，利用形态学上的闭操作消除孤立的噪点，将相互分离的区块合并补全，并通过降低图像分辨率的方法降低由于乘客上下车带来摄像头抖动产生的干扰，使图像细节变得更加清晰；降低图像分辨率的算法如下：

设第i行第j列的图像灰度为f(i,j)，图像降低分辨率的倍数为k，则新形成的图像第i行，第j列的图像灰度为：

$f(i,j)=\frac{\underset{m=0}{\overset{k-1}{\mathrm{\Σ}}}\underset{n=0}{\overset{k-1}{\mathrm{\Σ}}}f(\mathrm{ik}+m,\mathrm{jk}+n)}{m\·n};$

其中，i、j为该像素所在的行和列，m、n是像素的总行数和总列数，m·n表示像素的总个数，k为正整数。

4.根据权利要求1、2或3所述的基于安防视频图像的人流量统计方法，其特征在于：步骤2）中，通过codebook差分算法进行背景建模，建立背景图像；

为原始图像中每一个像素点建立一个码本，每个码本包括多个码元，每个码元有它的学习时最大最小阈值、检测时的最大最小阈值成员；

在背景建模期间，对每一幅新来的图片的每个像素点进行码本匹配，如果某个像素点的像素值在码本中某个码元的学习阈值内，则认为它与该对应点前一帧出现过的情况一致，通过两帧间该像素点的像素值比较，如果满足codebook差分算法背景建模中码元的更新条件，还要对应地更新对应点的学习阈值和检测阈值；如果新来的图片像素点的像素值与码本中每个码元都不匹配，则判断为背景是动态的，因此需要为其建立一个新的码元，并且设置相应的码元成员变量；在背景学习的过程中，每个像素点可以对应多个码元，方便得到复杂的动态背景。

5.根据权利要求4所述的基于安防视频图像的人流量统计方法，其特征在于：步骤3）中，利用codebook差分算法进行背景建模时，根据背景图像差分出前景，对前景进行形态学处理，得到运动目标的方法如下：

a，根据背景图像差分出前景：如果某个像素出现在该像素对应的编码组的某个码元的范围之内，则认为该点是背景点标记为0，否则认为是前景点标记为1；

b，对前景进行形态学处理：用具有一定形态的结构元素去量度和提取图像中的对应形状，以达到对图像分析和识别的目的，从而得到运动目标区域。

6.根据权利要求5所述的基于安防视频图像的人流量统计方法，其特征在于：步骤4）中，执行高密度客流状态人流统计的触发条件为：当前景区域超过屏幕总大小的一半，即搜索出的矩形框的(up-down)*(right-left)值大于屏幕的总像素点(width*hight)总数的一半时，系统进入高人流模式，算法自动切换到高人流计数状态，之前的其它搜索框都会被清除。

7.根据权利要求5所述的基于安防视频图像的人流量统计方法，其特征在于：步骤6）中，采用目标分割算法为基于坐标映射的运动目标区域进行分割，首先计算图像在横轴的投影值，将投影值连续大于某一阈值的投影计为一横段；然后针对每一横段，计算其在纵轴的投影，将连续大于某一阈值的纵轴投影记为纵段；最后将横段与纵段组成矩形框，再次迭代上述算法，即可得到用于追踪的运动目标区域的矩形框。

8.根据权利要求7所述的基于安防视频图像的人流量统计方法，其特征在于：使用基于区域重合的目标追踪算法对运动目标区域进行分割：如果A和B为同一个目标，则连续的两帧中第k-1帧的区域A和第k帧的区域B通常有60%以上的区域都是重合的区域C，因此在新的一帧追踪区域B内出现中最多的标号即是该目标区域的新编号，之后对对框体编号的持续更新，最终通过对拥有相同编号的窗体位置进行持续的观察记录完成运动目标的追踪，其中k为大于1的自然数。

9.根据权利要求5、6、7或8所述的基于安防视频图像的人流量统计方法，其特征在于：采用基于移动矩形框的人数统计法，首先通过摄像区域大小设置检测线位置，然后设置矩形框的上、下边界，分别对各个矩形框的上、下边界进行追踪；根据上下边界与计数线碰撞的先后顺序确定目标是上车或下车，并分别对上下车人数进行统计。

10.根据权利要求9所述的基于安防视频图像的人流量统计方法，其特征在于：步骤8）中，在高密度客流状态，采用基于乘客头部颜色特征的目标识别算法，对黑发的人头进行识别，并判断人流平均速度，然后，通过黑发人头的数量与前景总区域的投影像素点的总比值，来判断区域内的非黑发大致人数；采用基于乘客头部颜色特征的目标识别算法，先提取黑发区域，利用与普通模式相同的分割和追踪方法，并通过黑发人头的数量与前景总区域的投影像素点的总比值，来判断区域内的非黑发人数，完成人数统计。

Images