CN103985182B - 一种公交客流自动计数方法及自动计数系统 - Google Patents

Abstract

本发明公开了一种公交客流自动计数方法：步骤一，采集视频；步骤二，得到当前的背景边缘图像；步骤三，得到当前的视频帧边缘图像及每个像素点的梯度方向角；步骤四，得到目标边缘图像；步骤五，得到候选圆心链表；步骤六，得到乘客的头部轮廓；步骤七，候选圆的分组与合并，得到单个乘客头部对应的圆形轮廓；步骤八，对每个乘客头部轮廓跟踪得到当前乘客人数。本发明的方法计数精度高、实用性强，解决了公交客流计数这一亟待解决的难题。为实现合理配运、有效利用有限的公交资源和提高公交营运效率提供技术支持。

Description

一种公交客流自动计数方法及自动计数系统

技术领域

本发明属于图像处理领域，具体涉及一种公交客流自动计数方法及自动计数系统。

背景技术

近年来，随着我国机动车数量的不断增加，以及我国城市行车基础设施的建设滞后和城市管理中存在的诸多问题，导致我国城市交通状况不容乐观。公交车作为一种载客量大、承载率高、污染低的公共交通设施，是解决城市交通拥挤的一条有效直接的重要途径。但我国公交系统中，乘客流量的统计基本凭借人工完成，在智能化、服务水平以及乘客满意度上存在较大问题，这就导致管理者无法得知当前的乘客流量，而车辆的实时调度则完全成为空谈。因此，提高公交系统的智能化管理水平是解决问题的关键所在。

视频图像自动客流统计技术在城市公交、火车和地铁中都得到了广泛应用，然而该技术在公交系统中的应用并不像火车地铁那样理想，尤其是在中国、印度等大人口发展中国家，较大的人口密度使得乘客上下车的秩序较为混乱，这就大大加大了自动乘客计数算法的实现难度，因此通过何种技术实现自动乘客计数并保证其结果的准确性已成为国内外学者的研究重点。

在国外已经使用的公交客流计数技术有踏板系统、自动售票和采集装置以及热红外计数装置，这些技术虽然得到了很大程度的运用，但是这些装置一般来说成本较高，并且计数精确度在特定情况下会受到一定的影响。

发明内容

针对上述现有技术中存在的缺陷或不足，本发明的目的在于，提供一种公交客流自动计数算法及自动计数系统。该算法以及系统有效克服了我国公交车客流大及客流拥挤增加客流自动计数的困难，其计数结果准确，实时性好，且成本较低。

为了实现上述目的，本发明采用如下技术方案予以解决：

一种公交客流自动计数方法，具体包括如下步骤：

步骤一，设置前门摄像机和后门摄像机，并采集视频；对前门摄像机和后门摄像机采集的视频分别同时进行步骤二到步骤九的处理；前门摄像机和后门摄像机的处理完全相同；

步骤二，采用基于直方图统计与多帧平均混合的背景提取算法对视频进行处理，得到当前的背景边缘图像；

步骤三，对当前帧图像进行边缘检测得到当前的视频帧边缘图像，同时得到该视频帧边缘图像中每个像素点的梯度方向角；

步骤四，利用下式，对步骤二得到的背景边缘图像和步骤三得到的视频帧边缘图像进行边缘背景去除，得到目标边缘图像；

$ObjectEdge(x,y)=\left\{\begin{array}{cc}I(x,y)& Backgroud(x,y)=0\\ 0& Backgroud(x,y)\≠0\end{array}\right.$

其中，Backgroud(x,y)表示当前的背景边缘图像中的像素点的像素值；I(x,y)表示当前的视频帧边缘检测图像中像素点(x,y)的像素值；ObjectEdge(x,y)表示当前的目标边缘图像中像素点(x,y)的像素值；

步骤五，对步骤四得到的目标边缘图像进行处理得到候选圆心链表，候选圆心链表中记录的所有更新后的候选圆构成可能含有虚假圆形的圆形轮廓；

步骤六，对步骤五得到的可能含有虚假圆形的圆形轮廓中的每个更新后的候选圆，进行基于置信度的头部轮廓判决，得到乘客的头部轮廓；

步骤七，候选圆的分组与合并，得到单个乘客头部对应的圆形轮廓；具体操作如下：

当任意两个候选圆圆心之间的距离满足下式时，将该两个圆分到同一组：

$d_{ij}=\sqrt{{(a_i-a_j)}^2+{(b_i-b_j)}^2}<r_{min}$

式中，i、j分别表示候选圆中的任意两个候选圆的序号；

圆形轮廓分组结束之后，对已分组的轮廓进行合并，即将同一组的候选圆的圆心坐标算术平均得到新的圆心坐标，将同一组的候选圆的半径的算术平均值作为新的圆半径，得到的该新的圆作为单个乘客头部对应的圆形轮廓；

步骤八，对步骤七得到的每个乘客头部轮廓进行标号，并对每个乘客头部轮廓跟踪得到当前乘客人数；

步骤九，返回步骤一，前门摄像机和后门摄像机继续采集视频。

进一步的，所述步骤二的具体操作如下：

(1)根据视频的当前帧图像中像素点(x,y)的灰度值，确定像素点(x,y)所属的灰度区间ω_i；

${\mathrm{\&omega;}}_i=\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;,i=1,2...N$ 式1

其中，N为划分的灰度区间的个数，本发明中，N为12；i为灰度区间的序号；

(2)假设当前前门摄像机或者后门摄像机采集的视频中共有M帧图像(F₁,F₂…F_M)，对于第n帧图像中的像素点(x,y)，利用式2和式3分别计算μ_n,i(x,y)和c_n,i(x,y)，n＝1,......,M；

${\mathrm{\&mu;}}_{n,i}(x,y)=\left\{\begin{array}{cc}\frac{{\mathrm{\&mu;}}_{n-1,i}(x,y)\&times;\underset{k=1}{\overset{n-1}{\&Sigma;}}{\mathrm{\&alpha;}}^k+I_n(x,y)}{\underset{k=0}{\overset{n-1}{\&Sigma;}}{\mathrm{\&alpha;}}^k}& I_n(x,y)\&Element;\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;\\ {\mathrm{\&mu;}}_{n-1,i}(x,y)& I_n(x,y)\&NotElement;\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;\end{array}\right.$ 式2

$c_{n,i}(x,y)=\left\{\begin{array}{cc}{\mathrm{\&beta;c}}_{n-1,i}(x,y)+1& I_n(x,y)\&Element;\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;\\ {\mathrm{\&beta;c}}_{n-1,i}(x,y)& I_n(x,y)\&NotElement;\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;\end{array}\right.$ 式3

其中，μ_n,i(x,y)为区间灰度均值；c_n,i(x,y)为次数均值；I_n(x,y)代表像素点(x,y)在视频的第n帧图像中的灰度值；μ_n-1,i(x,y)、c_n-1,i(x,y)初始值为0；

i表示灰度区间的序号，i＝1,2…N；n为视频中的图像的序号，n＝1,......,M。

N为划分的灰度区间的个数，N取12，α和β均为衰减系数，α取0.6；β取0.9；

(3)取像素点(x,y)对应的c_n,i(x,y)中的最大值，并将其对应的区间灰度均值μ_n,i(x,y)作为像素点(x,y)的背景值；

(4)重复执行以上三步，直到每个像素点都计算完毕，即得到背景图像；

(5)利用式4得到更新后的背景图像；

$B_n(x,y)=\left\{\begin{array}{cc}(1-\mathrm{\&lambda;})B_{n-1}(x,y)+{\mathrm{\&lambda;I}}_n(x,y)& |I_n(x,y)-B_{n-1}(x,y)|<T\\ B_{n-1}(x,y)& |I_n(x,y)-B_{n-1}(x,y)|\&GreaterEqual;T\end{array}\right.$ (式4)

其中，I_n(x,y)为当前图像帧的灰度值；B_n(x,y)是在第n帧图像更新背景后得到的背景图像灰度值，B_n-1(x,y)初始值为0；λ为更新系数，取为0.65；T为更新阈值，T∈(0,43)；n＝1,......,M；

(6)将更新后的背景图像进行边缘检测，得到当前的背景边缘图像。

进一步的，所述步骤五的具体操作如下：

(1)将步骤四得到的目标边缘图像中的所有像素点映射到参数空间(a,b,r)；

(2)设置参数累加器数组A，A中的任意一个数组元素A(a,b,r)表示落在以(a,b)为圆心、以r为半径的圆上的像素点的个数；A(a,b,r)的初始值为0；A(a,b,r)值越大，表示以(a,b)为圆心、以r为半径的圆存在的可能性越大，所以需要寻找最大的A(a,b,r)；

(3)对于目标边缘图像中的每个像素点(x,y)，在r以一定步长连续取值时，用下式计算a、b的值：

a＝x-rcosθb＝y-rsinθ

其中，θ表示目标边缘图像中每个像素点的梯度方向角，由于视频帧边缘图像中每个像素点的梯度方向角已知，因此θ已知；r∈(r_min,r_max)，r以一定步长连续取值；

每个(a,b)作为候选圆心点，每个(a,b,r)的组合作为一个候选圆；从而得到每个像素点对应的多个候选圆；

(4)对于每一个待选圆心点(a,b)，都建立一个半径直方图，其横坐标为半径r，取值为(r_min,r_max)，其中，r_min取为8，r_max取为23；纵坐标为当以待选圆心点(a,b)为圆心、以r为半径画圆时，落在该圆上的像素点的个数；

(5)对每个半径直方图采用Laplacian形式的一维滤波器进行滤波，得到每个半径直方图对应的一个或多个峰值，即的极值；

(6)如果某个A(a,b,r)的极值满足下式，则认为该A(a,b,r)的极值对应的所有像素点构成一个圆，该圆作为更新后的候选圆；

A(a,b,r)＞ε

其中，ε为更新阈值，经试验，取值为160；

(7)创建候选圆心链表，该链表中的每个节点对应记录步骤(6)得到的每一个更新后的候选圆；候选圆心链表中记录的所有更新后的候选圆构成可能含有虚假圆形的圆形轮廓。

进一步的，所述步骤六的具体操作如下：

对步骤五得到的可能含有虚假圆形的圆形轮廓中的每个更新后的候选圆，分别计算弧长置信度μ_arc、分布置信度μ_dis和匹配误差置信度μ_merr，并利用下式得到置信度μ_c：

${\mathrm{\&mu;}}_c=\frac{{\mathrm{\&omega;}}_1{\mathrm{\&mu;}}_{arc}+{\mathrm{\&omega;}}_2{\mathrm{\&mu;}}_{dis}+{\mathrm{\&omega;}}_3{\mathrm{\&mu;}}_{merr}}{\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&omega;}}_i}---\left(1.5\right)$

其中，μ_c为置信度；ω₁、ω₂和ω₃为权重系数，本发明中，它们的取值均为1.0，即认为弧长置信度μ_arc、分布置信度μ_dis和匹配误差置信度μ_merr的重要程度相同。置信度μ_c越大，表示落在该更新后的候选圆上的所有像素点组成乘客头部轮廓的可能性越大。

当μ_c的值满足下式时，将置信度μ_c对应的圆形轮廓作为对应乘客的头部轮廓：

μ_c≥TH_c

式中，TH_c取值为0.74。

进一步的，所述步骤八的具体操作如下：

对步骤七得到的每个乘客头部轮廓进行标号，并对每个乘客头部轮廓分别采用基于Kalman滤波的Camshift跟踪算法进行跟踪；

根据每个乘客头部轮廓的移动方向，判断该乘客是否跨过虚拟计数线a、b，并判断乘客是上车还是下车：

(1)如果前门乘客上车跨过虚拟计数线a，则乘客总人数加1，并记录该乘客的上车时间、地点；

(2)如果后门乘客下车跨过虚拟计数线b，则乘客总人数减1，并记录该乘客的下车时间、地点；

(3)如果前门乘客下车跨过虚拟计数线a，则发出报警信号，且乘客总人数减1，并记录该乘客的下车时间、地点；

(4)如果后门乘客上车跨过虚拟计数线b，则发出报警信号，且乘客总人数加1，并记录该乘客的上车时间、地点。

本发明的另外一个目的在于，提供一种公交客流自动计数系统，该系统包括如下单元：

第一单元：用于采集视频；

第二单元：用于采用基于直方图统计与多帧平均混合的背景提取算法对视频进行处理，得到当前的背景边缘图像；

第三单元：用于对当前帧图像进行边缘检测得到当前的视频帧边缘图像，同时得到该视频帧边缘图像中每个像素点的梯度方向角；

第四单元：用于利用下式，对第二单元得到的背景边缘图像和第三单元得到的视频帧边缘图像进行边缘背景去除，得到目标边缘图像；

$ObjectEdge(x,y)=\left\{\begin{array}{cc}I(x,y)& Backgroud(x,y)=0\\ 0& Backgroud(x,y)\&NotEqual;0\end{array}\right.$

其中，Backgroud(x,y)表示当前的背景边缘图像中的像素点的像素值；I(x,y)表示当前的视频帧边缘检测图像中像素点(x,y)的像素值；ObjectEdge(x,y)表示当前的目标边缘图像中像素点(x,y)的像素值。

第五单元：用于对第四单元得到的目标边缘图像进行处理得到候选圆心链表，候选圆心链表中记录的所有更新后的候选圆构成可能含有虚假圆形的圆形轮廓；

第六单元：用于对可能含有虚假圆形的圆形轮廓中的每个更新后的候选圆，进行基于置信度的头部轮廓判决，得到乘客的头部轮廓；

第七单元：用于将候选圆分组与合并，得到单个乘客头部对应的圆形轮廓；具体内容如下：

当任意两个候选圆圆心之间的距离满足下式时，将该两个圆分到同一组：

$d_{ij}=\sqrt{{(a_i-a_j)}^2+{(b_i-b_j)}^2}<r_{min}$

式中，i、j分别表示候选圆中的任意两个候选圆的序号；

圆形轮廓分组结束之后，对已分组的轮廓进行合并，即将同一组的候选圆的圆心坐标算术平均得到新的圆心坐标，将同一组的候选圆的半径的算术平均值作为新的圆半径，得到的该新的圆作为单个乘客头部对应的圆形轮廓；

第八单元，用于对每个乘客头部轮廓进行标号，并对每个乘客头部轮廓跟踪得到当前乘客人数；

所述第一单元至第八单元依次首尾相连接。

进一步的，所述第二单元包括如下子单元：

(1)根据视频的当前帧图像中像素点(x,y)的灰度值，确定像素点(x,y)所属的灰度区间ω_i；

${\mathrm{\&omega;}}_i=\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;,i=1,2...N$ 式1

其中，N为划分的灰度区间的个数，本发明中，N为12；i为灰度区间的序号；

(2)假设当前前门摄像机或者后门摄像机采集的视频中共有M帧图像(F₁,F₂…F_M)，对于第n帧图像中的像素点(x,y)，利用式2和式3分别计算μ_n,i(x,y)和c_n,i(x,y)，n＝1,......,M；

${\mathrm{\&mu;}}_{n,i}(x,y)=\left\{\begin{array}{cc}\frac{{\mathrm{\&mu;}}_{n-1,i}(x,y)\&times;\underset{k=1}{\overset{n-1}{\&Sigma;}}{\mathrm{\&alpha;}}^k+I_n(x,y)}{\underset{k=0}{\overset{n-1}{\&Sigma;}}{\mathrm{\&alpha;}}^k}& I_n(x,y)\&Element;\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;\\ {\mathrm{\&mu;}}_{n-1,i}(x,y)& I_n(x,y)\&NotElement;\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;\end{array}\right.$ 式2

$c_{n,i}(x,y)=\left\{\begin{array}{cc}{\mathrm{\&beta;c}}_{n-1,i}(x,y)+1& I_n(x,y)\&Element;\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;\\ {\mathrm{\&beta;c}}_{n-1,i}(x,y)& I_n(x,y)\&NotElement;\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;\end{array}\right.$ 式3

其中，μ_n,i(x,y)为区间灰度均值；c_n,i(x,y)为次数均值；I_n(x,y)代表像素点(x,y)在视频的第n帧图像中的灰度值；μ_n-1,i(x,y)、c_n-1,i(x,y)初始值为0；

i表示灰度区间的序号，i＝1,2…N；n为视频中的图像的序号，n＝1,......,M。

N为划分的灰度区间的个数，N取12，α和β均为衰减系数，α取0.6；β取0.9；

(3)取像素点(x,y)对应的c_n,i(x,y)中的最大值，并将其对应的区间灰度均值μ_n,i(x,y)作为像素点(x,y)的背景值；

(4)重复执行以上三个子单元，直到每个像素点都计算完毕，即得到背景图像；

(5)利用式4得到更新后的背景图像；

$B_n(x,y)=\left\{\begin{array}{cc}(1-\mathrm{\&lambda;})B_{n-1}(x,y)+{\mathrm{\&lambda;I}}_n(x,y)& |I_n(x,y)-B_{n-1}(x,y)|<T\\ B_{n-1}(x,y)& |I_n(x,y)-B_{n-1}(x,y)|\&GreaterEqual;T\end{array}\right.$ (式4)

其中，I_n(x,y)为当前图像帧的灰度值；B_n(x,y)是在第n帧图像更新背景后得到的背景图像灰度值，B_n-1(x,y)初始值为0；λ为更新系数，取为0.65；T为更新阈值，T∈(0,43)；n＝1,......,M；

(6)将更新后的背景图像进行边缘检测，得到当前的背景边缘图像；

进一步的，所述第五单元包括如下内容：

(1)将第四单元得到的目标边缘图像中的所有像素点映射到参数空间(a,b,r)；

(2)设置参数累加器数组A，A中的任意一个数组元素A(a,b,r)表示落在以(a,b)为圆心、以r为半径的圆上的像素点的个数；A(a,b,r)的初始值为0；A(a,b,r)值越大，表示以(a,b)为圆心、以r为半径的圆存在的可能性越大，所以需要寻找最大的A(a,b,r)；

(3)对于目标边缘图像中的每个像素点(x,y)，在r以一定步长连续取值时，用下式计算a、b的值：

a＝x-rcosθb＝y-rsinθ

其中，θ表示目标边缘图像中每个像素点的梯度方向角，由于视频帧边缘图像中每个像素点的梯度方向角已知，因此θ已知；r∈(r_min,r_max)，r以一定步长连续取值；

每个(a,b)作为候选圆心点，每个(a,b,r)的组合作为一个候选圆；从而得到每个像素点对应的多个候选圆；

(4)对于每一个待选圆心点(a,b)，都建立一个半径直方图，其横坐标为半径r，取值为(r_min,r_max)，其中，r_min取为8，r_max取为23；纵坐标为当以待选圆心点(a,b)为圆心、以r为半径画圆时，落在该圆上的像素点的个数；

(5)对每个半径直方图采用Laplacian形式的一维滤波器进行滤波，得到每个半径直方图对应的一个或多个峰值，即的极值；

(6)如果某个A(a,b,r)的极值满足下式，则认为该A(a,b,r)的极值对应的所有像素点构成一个圆，该圆作为更新后的候选圆；

A(a,b,r)＞ε

其中，ε为更新阈值，经试验，取值为160；

(7)创建候选圆心链表，该链表中的每个节点对应记录步骤(6)得到的每一个更新后的候选圆；候选圆心链表中记录的所有更新后的候选圆构成可能含有虚假圆形的圆形轮廓。

进一步的，所述第六单元包括如下内容：

对第五单元得到的可能含有虚假圆形的圆形轮廓中的每个更新后的候选圆，分别计算弧长置信度μ_arc、分布置信度μ_dis和匹配误差置信度μ_merr，并利用下式得到置信度μ_c：

${\mathrm{\&mu;}}_c=\frac{{\mathrm{\&omega;}}_1{\mathrm{\&mu;}}_{arc}+{\mathrm{\&omega;}}_2{\mathrm{\&mu;}}_{dis}+{\mathrm{\&omega;}}_3{\mathrm{\&mu;}}_{merr}}{\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&omega;}}_i}---\left(1.5\right)$

其中，μ_c为置信度；ω₁、ω₂和ω₃为权重系数，本发明中，它们的取值均为1.0，即认为弧长置信度μ_arc、分布置信度μ_dis和匹配误差置信度μ_merr的重要程度相同。置信度μ_c越大，表示落在该更新后的候选圆上的所有像素点组成乘客头部轮廓的可能性越大。

当μ_c的值满足下式时，将置信度μ_c对应的圆形轮廓作为对应乘客的头部轮廓：

μ_c≥TH_c

式中，TH_c取值为0.74。

进一步的，所述第八单元包括如下内容：

对第七单元得到的每个乘客头部轮廓进行标号，并对每个乘客头部轮廓分别采用基于Kalman滤波的Camshift跟踪算法进行跟踪；

根据每个乘客头部轮廓的移动方向，判断该乘客是否跨过虚拟计数线a、b，并判断乘客是上车还是下车：

(1)如果前门乘客上车跨过虚拟计数线a，则乘客总人数加1，并记录该乘客的上车时间、地点；

(2)如果后门乘客下车跨过虚拟计数线b，则乘客总人数减1，并记录该乘客的下车时间、地点；

(3)如果前门乘客下车跨过虚拟计数线a，则发出报警信号，且乘客总人数减1，并记录该乘客的下车时间、地点；

(4)如果后门乘客上车跨过虚拟计数线b，则发出报警信号，且乘客总人数加1，并记录该乘客的上车时间、地点。

本发明利用乘客头部轮廓的类圆特性，采用基于梯度信息的Hough变换圆检测技术以及基于Kalman滤波的Camshift乘客跟踪与计数算法，实现乘客目标的检测与计数，完成了公交客流的自动计数，为公交客流系统决策提供准确实时的客流信息。较现有技术来说，其结果准确、实时性好，且成本较低。

与已有技术相比，本发明具有以下优点：

(1)本发明安装操作简单，与已有公交车车载监控摄像头安装方法相同。

(2)根据本发明对实时性和精度的要求，使用了定时更新背景的背景提取算法，Canny边缘检测算法以及考虑光照和摄像机抖动的获取前景的算法。

(3)本发明采用改进的基于梯度方向的Hough变换圆检测算法，使算法更适合自动乘客计数系统。

(4)结合灰度置信度、弧长置信度、分布置信度和匹配误差置信度和共圆判决器，为提取、检测乘客头部轮廓提供了标准，对乘客头部轮廓信息进行了筛选和优化，确保提取到高精度的乘客头部轮廓信息。

(5)基于Kalman滤波的CamShift乘客跟踪与计数算法，解决了跟踪目标丢失的问题，对多目标也能保持很好的跟踪效果。

附图说明

图1是本发明的公交客流自动计数方法及自动计数方法中对的流程图。

图2为执行本发明的步骤二的基于直方图统计与多帧平均混合背景提取算法得到的背景图像。

图3边缘检测算法实验结果图。

图4背景边缘去除实验结果图。

图5改进Hough变换圆检测算法实验结果图。

图6为步骤五中得到的半径直方图。

图7为半径直方图滤波器图。

图8基于置信度的头部轮廓判决结果图。

图9乘客头部轮廓分组与合并结果图。

图10乘客目标跟踪算法实验结果图。

以下结合附图和具体实施方式对本发明进一步解释说明。

具体实施方式

本发明的主要思路是：提取背景获得背景边缘图像，边缘检测得到视频帧边缘图像，通过边缘背景去除获取目标边缘信息，然后对乘客头部轮廓检测，实现乘客目标跟踪并计数。

如图1所示，本发明的公交客流自动计数方法，具体包括如下步骤：

步骤一，设置摄像机并采集图像：

在公交车前门车口上方安装前门摄像机，在公交车后门车口上方安装后门摄像机，前门摄像机和后门摄像机设置的采集视频的频率相同，本实施例中设为35Hz，调整摄像机视野范围，保证其能覆盖前后门的全部区域；在前门摄像机覆盖的视野范围内设置前门图像的虚拟计数线，记为a，在后门摄像机覆盖的视野范围内设置后门图像的虚拟计数线，记为b；前门摄像机和后门摄像机分别采集初始背景图像，然后实时采集视频；

对前门摄像机和后门摄像机采集的视频分别同时进行步骤二到步骤九的处理；前门摄像机和后门摄像机的处理完全相同。

步骤二，采用基于直方图统计与多帧平均混合的背景提取算法对视频进行处理，得到当前的背景边缘图像；具体操作如下：

(1)根据视频的当前帧图像中像素点(x,y)的灰度值，确定像素点(x,y)所属的灰度区间ω_i；

${\mathrm{\&omega;}}_i=\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;,i=1,2...N$ (式1)

其中，N为划分的灰度区间的个数，本发明中，N为12；i为灰度区间的序号；

(2)假设当前前门摄像机或者后门摄像机采集的视频中共有M帧图像(F₁,F₂…F_M)，对于第n帧图像中的像素点(x,y)，利用式2和式3分别计算μ_n,i(x,y)和c_n,i(x,y)，n＝1,......,M；

${\mathrm{\&mu;}}_{n,i}(x,y)=\left\{\begin{array}{cc}\frac{{\mathrm{\&mu;}}_{n-1,i}(x,y)\&times;\underset{k=1}{\overset{n-1}{\&Sigma;}}{\mathrm{\&alpha;}}^k+I_n(x,y)}{\underset{k=0}{\overset{n-1}{\&Sigma;}}{\mathrm{\&alpha;}}^k}& I_n(x,y)\&Element;\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;\\ {\mathrm{\&mu;}}_{n-1,i}(x,y)& I_n(x,y)\&NotElement;\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;\end{array}\right.$ 式2

$c_{n,i}(x,y)=\left\{\begin{array}{cc}{\mathrm{\&beta;c}}_{n-1,i}(x,y)+1& I_n(x,y)\&Element;\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;\\ {\mathrm{\&beta;c}}_{n-1,i}(x,y)& I_n(x,y)\&NotElement;\&lsqb;(i-1)\&times;\frac{255}{N},i\&times;\frac{255}{N}\&rsqb;\end{array}\right.$ 式3

其中，μ_n,i(x,y)为区间灰度均值；c_n,i(x,y)为次数均值；I_n(x,y)代表像素点(x,y)在视频的第n帧图像中的灰度值；μ_n-1,i(x,y)、c_n-1,i(x,y)初始值为0；

i表示灰度区间的序号，i＝1,2…N；n为视频中的图像的序号，n＝1,......,M。

实验表明，N,α,β三个参数值的选取会影响整个算法的运行速度以及运行效果。N为划分的灰度区间的个数，它决定了灰度区间的长度，同时也决定了背景模型的计算量和计算精度，N越大，灰度区间长度越小，背景模型越精准，但同时计算量也大幅上升，反之N越小，计算量减少，但背景模型效果越差。经过试验之后，N取12时能够较好的兼顾速度和精度两方面的要求。α和β均为衰减系数，其作用相同，都是加大当前图像帧在背景模型计算中所占比重，使得背景模型可根据时间变化且更加准确，从而更加接近当前背景，达到实时性的要求。经试验，本发明中α取0.6；β取0.9。

(3)取像素点(x,y)对应的c_n,i(x,y)中的最大值，并将其对应的区间灰度均值μ_n,i(x,y)作为像素点(x,y)的背景值；

(4)重复执行以上三步，直到每个像素点都计算完毕，即得到背景图像；

(5)利用式4得到更新后的背景图像；

$B_n(x,y)=\left\{\begin{array}{cc}(1-\mathrm{\&lambda;})B_{n-1}(x,y)+{\mathrm{\&lambda;I}}_n(x,y)& |I_n(x,y)-B_{n-1}(x,y)|<T\\ B_{n-1}(x,y)& |I_n(x,y)-B_{n-1}(x,y)|\&GreaterEqual;T\end{array}\right.$ (式4)

其中，I_n(x,y)为当前图像帧的灰度值；B_n(x,y)是在第n帧图像更新背景后得到的背景图像灰度值，B_n-1(x,y)初始值为0；λ为更新系数，取为0.65；T为更新阈值，T∈(0,43)；n＝1,......,M；

(6)将更新后的背景图像进行Canny边缘检测，得到当前的背景边缘图像；

通过实验可知，步骤二的算法不仅具有复杂度较低的优点，更能够较为准确的得到视频的背景边缘图像。

步骤三，对当前帧图像利用Canny边缘检测算法处理，得到当前的视频帧边缘图像，同时得到该视频帧边缘图像中每个像素点的梯度方向角；

步骤四，边缘背景去除，得到目标边缘图像：

利用式5，对步骤二得到的背景边缘图像和步骤三得到的视频帧边缘图像计算，得到当前的目标边缘图像；

$ObjectEdge(x,y)=\left\{\begin{array}{cc}I(x,y)& Backgroud(x,y)=0\\ 0& Backgroud(x,y)\&NotEqual;0\end{array}\right.$ 式5

其中，Backgroud(x,y)表示当前的背景边缘图像中的像素点的像素值；I(x,y)表示当前的视频帧边缘检测图像中像素点(x,y)的像素值；ObjectEdge(x,y)表示当前的目标边缘图像中像素点(x,y)的像素值；

步骤五，采用改进的基于梯度方向的Hough变换圆检测算法对步骤四得到的目标边缘图像进行处理，得到乘客头部圆形轮廓信息，具体步骤如下：

(1)将步骤四得到的目标边缘图像中的所有像素点映射到参数空间(a,b,r)；

(2)设置参数累加器数组A，A中的任意一个数组元素A(a,b,r)表示落在以(a,b)为圆心、以r为半径的圆上的像素点的个数；A(a,b,r)的初始值为0；A(a,b,r)值越大，表示以(a,b)为圆心、以r为半径的圆存在的可能性越大，所以需要寻找最大的A(a,b,r)；

(3)对于目标边缘图像中的每个像素点(x,y)，在r以一定步长连续取值时，用下式计算a、b的值：

a＝x-rcosθb＝y-rsinθ

其中，θ表示目标边缘图像中每个像素点的梯度方向角，由于视频帧边缘图像中每个像素点的梯度方向角已知，因此θ已知；r∈(r_min,r_max)；实施例中，r_min取为8，r_max取为23，r以步长为0.5cm连续取值；

每个(a,b)作为候选圆心点，每个(a,b,r)的组合作为一个候选圆；从而得到每个像素点对应的多个候选圆；

(4)对于每一个待选圆心点(a,b)，都建立一个半径直方图，其横坐标为半径r，取值为(r_min,r_max)，其中，r_min取为8，r_max取为23；纵坐标为当以待选圆心点(a,b)为圆心、以r为半径画圆时，落在该圆上的像素点的个数；

(5)对每个半径直方图采用Laplacian形式的一维滤波器进行滤波，得到每个半径直方图对应的一个或多个峰值，即的极值。

采用Laplacian形式的一维滤波器，需要针对不同波形的半径直方图波形，分别采用图7(c)中从左到右所示的小圆滤波器、同心圆滤波器和大圆滤波器。对于图7(a)中最左端图中所示的半径较小的圆(r∈(8,9))，由于其半径较小，因此落在其边缘上的点不会很多，整个半径直方图(图7(b)的最左端图)都较为平缓，对此，我们使用图7(c)的最左端图所示的滤波器对其滤波，可放大此半径，并去除干扰。对于图7(a)中间图所示的两个同心圆，其半径直方图(图7(b)中间图所示)中含有两个较为明显的峰值，此时选用图7(c)中间图所示的滤波器对其进行滤波后，可得到两个峰值。对于图7(a)最右端图所示的半径较大的圆(r∈(22,23))，若仍然用同心圆滤波器会在峰值附近检测出多个伪峰值，因此选用图7(c)最右端图所示的大圆滤波器。

(6)如果某个A(a,b,r)的极值满足下式，则认为该A(a,b,r)的极值对应的所有像素点构成一个圆，该圆作为更新后的候选圆；

A(a,b,r)＞ε

其中，ε为更新阈值，经试验，取值为160；

(7)创建候选圆心链表，该链表中的每个节点对应记录步骤(6)得到的每一个更新后的候选圆；候选圆心链表中记录的所有更新后的候选圆构成可能含有虚假圆形的圆形轮廓；

与经典Hough变换相比较，由于在上述改进的基于梯度方向的Hough变换圆检测算法中，像素点的梯度方向角已知，因此，本发明的算法在时间复杂度以及空间复杂度大幅度降低。从时间复杂度和空间复杂度上看，本发明的算法完全能够满足乘客自动计数系统的实时性要求。

通过对候选圆心链表中的候选圆心和半径在图像空间中的位置进行分析，我们可以得知，这些候选圆心和半径对应的圆形轮廓主要分为三类：第一类代表乘客头部轮廓；第二类是步骤四的算法在边缘纹理信息较为密集的区域形成的误识别轮廓；第三类则是乘客背部或者肩部等在边缘形状上较为接近圆形的乘客身体轮廓。

步骤六，基于置信度的头部轮廓判决：

本步骤的目的是：对步骤五得到的可能含有虚假圆形的圆形轮廓进行去伪操作，即去除第二类所述的误识别轮廓和第三类所述的乘客身体轮廓，而保留第一类所述的乘客头部轮廓；

具体是对步骤五得到的可能含有虚假圆形的圆形轮廓中的每个更新后的候选圆，分别计算弧长置信度μ_arc、分布置信度μ_dis和匹配误差置信度μ_merr，并利用下式得到置信度μ_c：

${\mathrm{\&mu;}}_c=\frac{{\mathrm{\&omega;}}_1{\mathrm{\&mu;}}_{arc}+{\mathrm{\&omega;}}_2{\mathrm{\&mu;}}_{dis}+{\mathrm{\&omega;}}_3{\mathrm{\&mu;}}_{merr}}{\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&omega;}}_i}---\left(1.5\right)$

其中，μ_c为置信度；ω₁、ω₂和ω₃为权重系数，本发明中，它们的取值均为1.0，即认为弧长置信度μ_arc、分布置信度μ_dis和匹配误差置信度μ_merr的重要程度相同。置信度μ_c越大，表示落在该更新后的候选圆上的所有像素点组成乘客头部轮廓的可能性越大。

当μ_c的值满足下式时，将置信度μ_c对应的圆形轮廓作为对应乘客的头部轮廓：

μ_c≥TH_c

式中，TH_c取值为0.74；

步骤七，乘客头部轮廓的分组与合并。

经过步骤六，候选圆心链表中的后两类基本被完全清除掉，但是对于每一个真实的头部轮廓，大多对应多个候选圆心和半径，这些候选圆的圆心和半径均能在一定程度上代表该头部轮廓，但为了后续跟踪和计数算法的执行，必须将所有候选圆分组；

当任意两个候选圆圆心之间的距离满足下式时，将该两个圆分到同一组：

$d_{ij}=\sqrt{{(a_i-a_j)}^2+{(b_i-b_j)}^2}<r_{min}$

式中，i、j分别表示候选圆中的任意两个候选圆的序号；

圆形轮廓分组结束之后，对已分组的轮廓进行合并，即将同一组的候选圆的圆心坐标算术平均得到新的圆心坐标，将同一组的候选圆的半径的算术平均值作为新的圆半径，得到的该新的圆作为单个乘客头部对应的圆形轮廓。

步骤八，乘客目标跟踪：

对步骤七得到的每个乘客头部轮廓进行标号，并对每个乘客头部轮廓分别采用基于Kalman滤波的Camshift跟踪算法进行跟踪；

根据每个乘客头部轮廓的移动方向，判断该乘客是否跨过虚拟计数线a、b，并判断乘客是上车还是下车：

(1)如果前门乘客上车跨过虚拟计数线a，则乘客总人数加1，并记录该乘客的上车时间、地点；

(2)如果后门乘客下车跨过虚拟计数线b，则乘客总人数减1，并记录该乘客的下车时间、地点；

(3)如果前门乘客下车跨过虚拟计数线a，则发出报警信号，且乘客总人数减1，并记录该乘客的下车时间、地点；

(4)如果后门乘客上车跨过虚拟计数线b，则发出报警信号，且乘客总人数加1，并记录该乘客的上车时间、地点；

步骤九，返回步骤一，前门摄像机和后门摄像机继续采集视频。

图2为执行本发明的步骤二的基于直方图统计与多帧平均混合背景提取算法得到的背景图像，从左到右的依次对应三段视频(a)、(b)、(c)，每段视频中从上到下依次为其第十帧图像、第二十帧图像、第三十帧图像的背景图像。

图3为步骤三的边缘检测算法实验结果对比图。其中，图3(a)是视频总的原图像，图3(b)是Roberts算子边缘检测结果，图3(c)Sobel算子边缘检测结果，图3(d)Prewitt算子边缘检测结果，图3(e)Laplace算子边缘检测结果，图3(f)Canny边缘检测的结果。可以看出，在一阶微分算子(Roberts算子、Sobel算子、Prewitt算子)的检测结果中，路面纹理信息较少，车门和楼梯边缘能较好的保存。但是在其检测结果中，乘客头部检测并不完整，出现了较大范围的丢失，甚至有些检测结果无法辨认出该乘客头部。在Laplace算子的检测结果中，车门和楼梯边缘检测十分精确，但对于乘客头部轮廓，同样有一定程度上的丢失。而在Canny边缘检测的结果中，不管是乘客头部轮廓还是车门和楼梯边缘都能完整的检测到。且从算法时间复杂度方面分析，一阶微分算子虽然耗时较少，但是其检测结果不佳，而Laplace算子算法的时间复杂度较高，且计算过程中该算子采用二阶微分方式，不能得到图像边缘的梯度信息，无形中会增加后续检测的工作量。因此，本发明选用时间复杂度较低、边缘检测结果最好，且能够计算梯度方向的Canny边缘检测算法作为视频图像以及视频背景图像的边缘检测算法。

图4为步骤四的背景边缘去除实验结果图。在此给出了(a)～(f)6组具有代表性的图像，每组图像包括从上到下4个图像，第1个为背景边缘图像，第2个为视频帧图像，第3个为视频帧边缘图像，第4个为背景边缘去除后的目标边缘图像。从图中可以看出，该步骤能够十分有效的去除视频帧边缘图像中的背景边缘信息，从而大大减少后续计算中运算量。

图5为步骤五的改进Hough变换圆检测算法实验结果图。其中，(a)～(f)分别为6组图像，每组图像包括从上到下3个图像：第1个为背景边缘去除后的目标边缘图像，第2个为映射后的参数空间图像(步骤五(2))，第3个为参数空间中极值点对应到图像空间中的候选圆心和半径示意图，即可能含有虚假圆形的圆形轮廓。其中，(a)、(b)和(c)中出现了单个乘客，(d)中出现多乘客，(e)和(f)中无乘客出现。

图6为半径直方图。

图7为半径直方图滤波器图。其中，(a)为图像空间，(b)为半径直方图，(c)为滤波器图，其中从左到右依次为小圆滤波器、同心圆滤波器和大圆滤波器，(d)为滤波后的半径直方图。

图8为步骤六基于置信度的头部轮廓判决效果图。其中，8(a)中是步骤四的算法在边缘纹理信息较为密集的区域形成的误识别轮廓以及乘客背部或者肩部等在边缘形状上较为接近圆形的乘客身体轮廓；8(b)是经过步骤六基于置信度的头部轮廓判决去除掉虚假圆心和半径后的轮廓。本发明使用的共圆置信度综合了弧长置信度、分布置信度以及匹配误差置信度，这三种置信度都是衡量候选圆形轮廓与乘客头部轮廓相似度的重要参数。经过置信度计算并基于置信度进行去伪操作后，虚假圆心和半径基本被完全清除掉，但从图中可看到对于每一个真实的头部轮廓，大多对应着多个候选圆心和半径。

图9为步骤七的乘客头部轮廓分组与合并结果图。其中，9(a)是经过步骤六处理后的结果；9(b)是经过步骤七的头部轮廓分组与合并之后的结果。从图中可以清楚得看到每个乘客的头部轮廓。

图10为步骤八的基于Kalman滤波的CamShift乘客跟踪算法的实验结果图。该图从左至右对应任意三段视频的跟踪结果，(a)～(e)分别指对应视频的第五帧、第十帧、第十五帧、第二十帧、第二十五帧图像，从上到下五帧图像属于同一个视频序列。从图中可以看出，该算法无论对单目标还是多目标都有较好的跟踪效果，且由于Kalman预测的引入，很大程度上避免了乘客运动过快CamShift算法跟丢情况的发生。

Claims (8)

1.一种公交客流自动计数方法，其特征在于，具体包括如下步骤：

步骤一，设置前门摄像机和后门摄像机，并采集视频；对前门摄像机和后门摄像机采集的视频分别同时进行步骤二到步骤九的处理；前门摄像机和后门摄像机的处理完全相同；

步骤二，采用基于直方图统计与多帧平均混合的背景提取算法对视频进行处理，得到当前的背景边缘图像；

步骤三，对当前帧图像进行边缘检测得到当前的视频帧边缘图像，同时得到该视频帧边缘图像中每个像素点的梯度方向角；

步骤四，利用下式，对步骤二得到的背景边缘图像和步骤三得到的视频帧边缘图像进行边缘背景去除，得到目标边缘图像；

其中，Backgroud(x,y)表示当前的背景边缘图像中的像素点(x,y)的像素值；I(x,y)表示当前的视频帧边缘图像中像素点(x,y)的像素值；ObjectEdge(x,y)表示当前的目标边缘图像中像素点(x,y)的像素值；

步骤五，对步骤四得到的目标边缘图像进行处理得到候选圆心链表，候选圆心链表中记录的所有更新后的候选圆构成可能含有虚假圆形的圆形轮廓；

步骤六，对步骤五得到的可能含有虚假圆形的圆形轮廓中的每个更新后的候选圆，进行基于置信度的头部轮廓判决，得到乘客的头部轮廓；

步骤七，候选圆的分组与合并，得到单个乘客头部对应的圆形轮廓；具体操作如下：

当任意两个候选圆圆心之间的距离d_ij满足下式时，将该两个候选圆分到同一组：

式中，i、j分别表示候选圆中的任意两个候选圆的序号；(a_i,b_i)和(a_j,b_j)分别表示序号为i和j的两个候选圆的圆心坐标的坐标值；r_min表示候选圆的半径最小值；

圆形轮廓分组结束之后，对已分组的轮廓进行合并，即将同一组的候选圆的圆心坐标算术平均得到新的圆心坐标，将同一组的候选圆的半径的算术平均值作为新的圆半径，得到的新的圆作为单个乘客头部对应的圆形轮廓；

步骤八，对步骤七得到的每个乘客头部对应的圆形轮廓进行标号，并对每个乘客头部对应的圆形轮廓跟踪得到当前乘客人数；

步骤九，返回步骤一，前门摄像机和后门摄像机继续采集视频；

所述步骤二的具体操作如下：

(1)根据视频的当前帧图像中像素点(x,y)的灰度值，利用式1确定像素点(x,y)所属的灰度区间ω_i；

(式1)

其中，N为划分的灰度区间的个数，N为12；i为灰度区间的序号；

(2)假设当前前门摄像机或者后门摄像机采集的视频中共有M帧图像(F₁,F₂…F_M)，对于第n帧图像中的像素点(x,y)，利用式2和式3分别计算μ_n,i(x,y)和c_n,i(x,y)，n＝1,......,M；

(式2)

(式3)

其中，μ_n,i(x,y)为区间灰度均值；c_n,i(x,y)为次数均值；I_n(x,y)代表像素点(x,y)在视频的第n帧图像中的灰度值；μ_n-1,i(x,y)、c_n-1,i(x,y)初始值为0；

i表示灰度区间的序号，i＝1,2…N；n为视频中的图像的序号，n＝1,......,M；

N为划分的灰度区间的个数，N取12，α和β均为衰减系数，α取0.6；β取0.9；

(3)取像素点(x,y)对应的c_n,i(x,y)中的最大值，并将其对应的区间灰度均值μ_n,i(x,y)作为像素点(x,y)的背景值；

(4)重复执行以上三步，直到每个像素点都计算完毕，即得到背景图像；

(5)利用式4得到更新后的背景图像；

(式4)

其中，I_n(x,y)为当前图像帧的灰度值；B_n(x,y)是在第n帧图像更新背景后得到的背景图像灰度值，B_n-1(x,y)初始值为0；λ为更新系数，取为0.65；T为更新阈值，T∈(0,43)；n＝1,......,M；

(6)将更新后的背景图像进行边缘检测，得到当前的背景边缘图像。

2.如权利要求1所述的公交客流自动计数方法，其特征在于，所述步骤五的具体操作如下：

(1)将步骤四得到的目标边缘图像中的所有像素点映射到参数空间(a,b,r)；

(2)设置参数累加器数组A，A中的任意一个数组元素A(a,b,r)表示落在以(a,b)为圆心、以r为半径的圆上的像素点的个数；A(a,b,r)的初始值为0；A(a,b,r)值越大，表示以(a,b)为圆心、以r为半径的圆存在的可能性越大，所以需要寻找最大的A(a,b,r)；

(3)对于目标边缘图像中的每个像素点(x,y)，在r以一定步长连续取值时，用下式计算a、b的值：

a＝x-rcosθb＝y-rsinθ

其中，θ表示目标边缘图像中每个像素点(x,y)的梯度方向角，由于视频帧边缘图像中每个像素点(x,y)的梯度方向角已知，因此θ已知；r∈(r_min,r_max)，r以一定步长连续取值；

每个(a,b)作为候选圆心点，每个(a,b,r)的组合作为一个候选圆；从而得到每个像素点(x,y)对应的多个候选圆；

(4)对于每一个候选圆心点(a,b)，都建立一个半径直方图，其横坐标为半径r，取值为(r_min,r_max)，其中，r_min取为8，r_max取为23；纵坐标为当以候选圆心点(a,b)为圆心、以r为半径画圆时，落在该圆上的像素点的个数；

(5)对每个半径直方图采用Laplacian形式的一维滤波器进行滤波，得到每个半径直方图对应的一个或多个峰值，即的极值；

(6)如果某个A(a,b,r)的极值满足下式，则认为该A(a,b,r)的极值对应的所有像素点构成一个圆，该圆作为更新后的候选圆；

A(a,b,r)＞ε

其中，ε为更新阈值，取值为160；

(7)创建候选圆心链表，该链表中的每个节点对应记录步骤(6)得到的每一个更新后的候选圆；候选圆心链表中记录的所有更新后的候选圆构成可能含有虚假圆形的圆形轮廓。

3.如权利要求1所述的公交客流自动计数方法，其特征在于，所述步骤六的具体操作如下：

对步骤五得到的可能含有虚假圆形的圆形轮廓中的每个更新后的候选圆，分别计算弧长置信度μ_arc、分布置信度μ_dis和匹配误差置信度μ_merr，并利用下式得到置信度μ_c：

其中，μ_c为置信度；ω₁、ω₂和ω₃为权重系数，它们的取值均为1.0，即认为弧长置信度μ_arc、分布置信度μ_dis和匹配误差置信度μ_merr的重要程度相同；置信度μ_c越大，表示落在该更新后的候选圆上的所有像素点组成乘客头部轮廓的可能性越大；

当μ_c的值满足下式时，将置信度μ_c对应的圆形轮廓作为对应乘客的头部轮廓：

μ_c≥TH_c

式中，TH_c取值为0.74。

4.如权利要求1所述的公交客流自动计数方法，其特征在于，所述步骤八的具体操作如下：

对步骤七得到的每个乘客头部对应的圆形轮廓进行标号，并对每个乘客头部对应的圆形轮廓分别采用基于Kalman滤波的Camshift跟踪算法进行跟踪；

根据每个乘客头部对应的圆形轮廓的移动方向，判断该乘客是否跨过虚拟计数线a、b，并判断乘客是上车还是下车：

(1)如果前门乘客上车跨过虚拟计数线a，则乘客总人数加1，并记录该乘客的上车时间、地点；

(2)如果后门乘客下车跨过虚拟计数线b，则乘客总人数减1，并记录该乘客的下车时间、地点；

(3)如果前门乘客下车跨过虚拟计数线a，则发出报警信号，且乘客总人数减1，并记录该乘客的下车时间、地点；

(4)如果后门乘客上车跨过虚拟计数线b，则发出报警信号，且乘客总人数加1，并记录该乘客的上车时间、地点。

5.一种公交客流自动计数系统，其特征在于，包括如下单元：

第一单元：用于采集视频；

第二单元：用于采用基于直方图统计与多帧平均混合的背景提取算法对视频进行处理，得到当前的背景边缘图像；

第三单元：用于对当前帧图像进行边缘检测得到当前的视频帧边缘图像，同时得到该视频帧边缘图像中每个像素点的梯度方向角；

第四单元：用于利用下式，对第二单元得到的背景边缘图像和第三单元得到的视频帧边缘图像进行边缘背景去除，得到目标边缘图像；

其中，Backgroud(x,y)表示当前的背景边缘图像中的像素点(x,y)的像素值；I(x,y)表示当前的视频帧边缘图像中像素点(x,y)的像素值；ObjectEdge(x,y)表示当前的目标边缘图像中像素点(x,y)的像素值；

第五单元：用于对第四单元得到的目标边缘图像进行处理得到候选圆心链表，候选圆心链表中记录的所有更新后的候选圆构成可能含有虚假圆形的圆形轮廓；

第六单元：用于对可能含有虚假圆形的圆形轮廓中的每个更新后的候选圆，进行基于置信度的头部轮廓判决，得到乘客的头部轮廓；

第七单元：用于将候选圆分组与合并，得到单个乘客头部对应的圆形轮廓；具体内容如下：

当任意两个候选圆圆心之间的距离d_ij满足下式时，将该两个候选圆分到同一组：

式中，i、j分别表示候选圆中的任意两个候选圆的序号；(a_i,b_i)和(a_j,b_j)分别表示序号为i和j的两个候选圆的圆心坐标的坐标值；r_min表示候选圆的半径最小值；

圆形轮廓分组结束之后，对已分组的轮廓进行合并，即将同一组的候选圆的圆心坐标算术平均得到新的圆心坐标，将同一组的候选圆的半径的算术平均值作为新的圆半径，得到的新的圆作为单个乘客头部对应的圆形轮廓；

第八单元，用于对第七单元得到的每个乘客头部对应的圆形轮廓进行标号，并对每个乘客头部对应的圆形轮廓跟踪得到当前乘客人数；

所述第一单元至第八单元依次首尾相连接；

所述第二单元包括如下子单元：

(1)根据视频的当前帧图像中像素点(x,y)的灰度值，利用式1确定像素点(x,y)所属的灰度区间ω_i；

(式1)

其中，N为划分的灰度区间的个数，N为12；i为灰度区间的序号；

(2)假设当前前门摄像机或者后门摄像机采集的视频中共有M帧图像(F₁,F₂…F_M)，对于第n帧图像中的像素点(x,y)，利用式2和式3分别计算μ_n,i(x,y)和c_n,i(x,y)，n＝1,......,M；

(式2)

(式3)

其中，μ_n,i(x,y)为区间灰度均值；c_n,i(x,y)为次数均值；I_n(x,y)代表像素点(x,y)在视频的第n帧图像中的灰度值；μ_n-1,i(x,y)、c_n-1,i(x,y)初始值为0；

i表示灰度区间的序号，i＝1,2…N；n为视频中的图像的序号，n＝1,......,M；

N为划分的灰度区间的个数，N取12，α和β均为衰减系数，α取0.6；β取0.9；

(3)取像素点(x,y)对应的c_n,i(x,y)中的最大值，并将其对应的区间灰度均值μ_n,i(x,y)作为像素点(x,y)的背景值；

(4)重复执行以上三个子单元，直到每个像素点都计算完毕，即得到背景图像；

(5)利用式4得到更新后的背景图像；

(式4)

其中，I_n(x,y)为当前图像帧的灰度值；B_n(x,y)是在第n帧图像更新背景后得到的背景图像灰度值，B_n-1(x,y)初始值为0；λ为更新系数，取为0.65；T为更新阈值，T∈(0,43)；n＝1,......,M；

(6)将更新后的背景图像进行边缘检测，得到当前的背景边缘图像。

6.如权利要求5所述的公交客流自动计数系统，其特征在于，所述第五单元包括如下子单元：

(1)将第四单元得到的目标边缘图像中的所有像素点映射到参数空间(a,b,r)；

(2)设置参数累加器数组A，A中的任意一个数组元素A(a,b,r)表示落在以(a,b)为圆心、以r为半径的圆上的像素点的个数；A(a,b,r)的初始值为0；A(a,b,r)值越大，表示以(a,b)为圆心、以r为半径的圆存在的可能性越大，所以需要寻找最大的A(a,b,r)；

(3)对于目标边缘图像中的每个像素点(x,y)，在r以一定步长连续取值时，用下式计算a、b的值：

a＝x-rcosθb＝y-rsinθ

其中，θ表示目标边缘图像中每个像素点(x,y)的梯度方向角，由于视频帧边缘图像中每个像素点(x,y)的梯度方向角已知，因此θ已知；r∈(r_min,r_max)，r以一定步长连续取值；

每个(a,b)作为候选圆心点，每个(a,b,r)的组合作为一个候选圆；从而得到每个像素点(x,y)对应的多个候选圆；

(4)对于每一个候选圆心点(a,b)，都建立一个半径直方图，其横坐标为半径r，取值为(r_min,r_max)，其中，r_min取为8，r_max取为23；纵坐标为当以候选圆心点(a,b)为圆心、以r为半径画圆时，落在该圆上的像素点的个数；

(5)对每个半径直方图采用Laplacian形式的一维滤波器进行滤波，得到每个半径直方图对应的一个或多个峰值，即的极值；

(6)如果某个A(a,b,r)的极值满足下式，则认为该A(a,b,r)的极值对应的所有像素点构成一个圆，该圆作为更新后的候选圆；

A(a,b,r)＞ε

其中，ε为更新阈值，取值为160；

(7)创建候选圆心链表，该链表中的每个节点对应记录子单元(6)得到的每一个更新后的候选圆；候选圆心链表中记录的所有更新后的候选圆构成可能含有虚假圆形的圆形轮廓。

7.如权利要求5所述的公交客流自动计数系统，其特征在于，所述第六单元包括如下内容：

对第五单元得到的可能含有虚假圆形的圆形轮廓中的每个更新后的候选圆，分别计算弧长置信度μ_arc、分布置信度μ_dis和匹配误差置信度μ_merr，并利用下式得到置信度μ_c：

其中，μ_c为置信度；ω₁、ω₂和ω₃为权重系数，它们的取值均为1.0，即认为弧长置信度μ_arc、分布置信度μ_dis和匹配误差置信度μ_merr的重要程度相同；置信度μ_c越大，表示落在该更新后的候选圆上的所有像素点组成乘客头部轮廓的可能性越大；

当μ_c的值满足下式时，将置信度μ_c对应的圆形轮廓作为对应乘客的头部轮廓：

μ_c≥TH_c

式中，TH_c取值为0.74。

8.如权利要求5所述的公交客流自动计数系统，其特征在于，所述第八单元包括如下内容：

对第七单元得到的每个乘客头部对应的圆形轮廓进行标号，并对每个乘客头部对应的圆形轮廓分别采用基于Kalman滤波的Camshift跟踪算法进行跟踪；

根据每个乘客头部对应的圆形轮廓的移动方向，判断该乘客是否跨过虚拟计数线a、b，并判断乘客是上车还是下车：

(1)如果前门乘客上车跨过虚拟计数线a，则乘客总人数加1，并记录该乘客的上车时间、地点；

(2)如果后门乘客下车跨过虚拟计数线b，则乘客总人数减1，并记录该乘客的下车时间、地点；

(3)如果前门乘客下车跨过虚拟计数线a，则发出报警信号，且乘客总人数减1，并记录该乘客的下车时间、地点；

(4)如果后门乘客上车跨过虚拟计数线b，则发出报警信号，且乘客总人数加1，并记录该乘客的上车时间、地点。