CN104268898A - 基于图像分析的公交车内乘客密集程度检测方法 - Google Patents

基于图像分析的公交车内乘客密集程度检测方法 Download PDF

Info

Publication number
CN104268898A
CN104268898A CN201410467831.XA CN201410467831A CN104268898A CN 104268898 A CN104268898 A CN 104268898A CN 201410467831 A CN201410467831 A CN 201410467831A CN 104268898 A CN104268898 A CN 104268898A
Authority
CN
China
Prior art keywords
image
density
binocular camera
bus
passenger
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201410467831.XA
Other languages
English (en)
Inventor
郭建国
方志乾
韩宇
张尽晶
杨晓平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZHENGZHOU TIANMAI TECHNOLOGY Co Ltd
Original Assignee
ZHENGZHOU TIANMAI TECHNOLOGY Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ZHENGZHOU TIANMAI TECHNOLOGY Co Ltd filed Critical ZHENGZHOU TIANMAI TECHNOLOGY Co Ltd
Priority to CN201410467831.XA priority Critical patent/CN104268898A/zh
Publication of CN104268898A publication Critical patent/CN104268898A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像分析的公交车内乘客密集程度检测方法，步骤1，在公交车内前端设置双目摄像头，拍摄视频图像；当车内无人时，双目摄像头图像经处理获取车内背景的深度图像；步骤2，获得车内乘客站立区域的前景目标；步骤3，由于双目摄像头的透视效应，对此区域的前景目标的图像进行透视校正，根据前景面积，将密度初步分成低和中高两类，若密度为中高等级则继续步骤4；步骤4，截取同一时刻，双目摄像头其中一个摄像头的视频图像，灰度化并提取出图像的纹理特征；步骤5，将检测的乘客密度信息，以及地理位置信息进行存储。本发明有效解决了现有技术中出现的问题，利用双目摄像头拍摄的图像分析，检测到公交车内乘客的密集程度。

Description

基于图像分析的公交车内乘客密集程度检测方法
技术领域
本发明涉及一种公交车乘客密集程度的检测方法，尤其是涉及一种基于图像分析的公交车内乘客密集程度检测方法。
背景技术
公交车作为人们出行的重要交通工具，已经成为城市生活中不可或缺的部分。通过对车内乘客的密度(高、中、低)进行分析，可以掌握每时段、每路车的乘客密度信息，来完善智能调度系统，更好地发挥智能公交的优势，让公共资源得到更充分的利用，进而影响智能交通系统的运作和公交公司的运营效益。目前国内已有的针对公交车内的人群检测方法，公交公司如果想要掌握某时段某一路的车内乘客密度，要有专人或公交司机去估计并记录，费时费力，也不方便，同时这也不符合智能公交的理念。
发明内容
有鉴于此，本发明的目的是提供一种基于图像分析的公交车内乘客密集程度检测方法，该方法有效解决了现有技术中出现的问题，利用双目摄像头拍摄的图像分析，检测到公交车内乘客的密集程度。
为达到上述目的，本发明采用以下技术方案：
一种基于图像分析的公交车内乘客密集程度检测方法，包括如下步骤：
步骤1，在公交车内前端设置双目摄像头，拍摄视频图像；当车内无人时，双目摄像头图像经处理获取车内背景的深度图像；
对双目摄像头其中一个摄像头的视频进行抽帧，获取中、高密度下的多幅图像，灰度化处理并提取这些图像的纹理特征，包括灰度共生矩阵纹理和LBP纹理，送入支持向量机SVM进行训练，得到SVM分类器；
步骤2，获得车内乘客站立区域的前景目标，包括以下步骤：
步骤21，对双目摄像头得到的实时视频进行截图，经处理获得深度图像；
步骤22，利用此深度图像和背景的深度图像相比较，利用模板屏蔽窗外环境的干扰，获得车内乘客站立的大致区域的前景目标；
步骤3，由于双目摄像头的透视效应，对此区域的前景目标的图像进行透视校正，
校正权值为：计算校正后的前景面积，进行初步分类，将人群密度初步分为低和中高等级两类；若乘客密度为中高等级，则继续步骤4；若乘客密度为低等级，执行步骤5；
步骤4，截取同一时刻，双目摄像头其中一个摄像头的视频图像，灰度化处理并提取出图像的纹理特征，送入已经训练好的SVM分类器进行再分类，将乘客密度分成中或高等级；
步骤5，将检测的乘客密度信息，以及地理位置信息进行存储。
作为优选，深度公式为：其中f为焦距，B为两摄像头焦点之间的距离，D为双目视差。
作为优选，所述步骤21中，LBP纹理公式：其中 s ( i p - i c ) = 1 , if i p ≥ i c 0 , else , (xc,yc)是中心像素，其灰度值为ic，ip为相邻像素的灰度值。
作为优选，所述步骤4中，图像的纹理特征包括灰度共生矩阵纹理和LBP纹理。
作为优选，在公交车内前端的顶部中央位置安装平行的双目摄像头。
本发明的有益效果是：
本发明利用双目摄像头拍摄的图像分析，检测到公交车内乘客的密集程度，通过对车内乘客的密度(高、中、低)进行分析，将得到的乘客密度信息和地理位置信息进行存储，并可发送给调度系统，可以掌握每时段、每路车的乘客密度信息，从而来完善智能调度系统，更好地发挥智能公交的优势，让公共资源得到更充分的利用，进而影响智能交通系统的运作和公交公司的运营效益。本发明为为客流计数系统提供必要的补充和支持，为公交司机提供车内乘客密度信息，使乘客及时了解将要乘坐的公交车内的乘客密度，合理引导乘客乘车。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
如图1所示，本发明基于图像分析的公交车内乘客密集程度检测方法，包括如下步骤：
步骤1，采用平行、同步的双目摄像头，将其固定在公交车车厢前端顶部中央，主要拍摄车内中前部区域；
将无乘客时的双目摄像头图像进行处理，获得车内背景的深度图像；
深度公式为：其中f为焦距，B为两摄像头焦点之间的距离，D为双目视差；
对双目摄像头其中一个摄像头的视频进行抽帧，获取中、高密度下的多幅图像，灰度化并提取这些图像的纹理特征，包括灰度共生矩阵纹理和LBP纹理，送入支持向量机SVM进行训练，得到SVM分类器；
LBP纹理公式： LBP ( x c , y c ) = Σ p = 0 p - 1 2 p * s ( i p - i c ) ,
其中 s ( i p - i c ) = 1 , if i p ≥ i c 0 , else , (xc,yc)是中心像素，其灰度值为ic，ip为相邻像素的灰度值；
步骤2，获得车内乘客站立区域的前景目标，包括以下步骤：
步骤21，对双目摄像头得到的实时视频进行截图，经处理获得深度图像；
步骤22，利用此深度图像和背景的深度图像相比较，利用模板屏蔽窗外环境的干扰，获得车内乘客站立的大致区域的前景目标；
步骤3，由于双目摄像头的透视效应，对此区域的前景目标的图像进行透视校正，
校正权值为：计算校正后的前景面积，进行初步分类，将人群密度初步分为低和中高等级两类；若乘客密度为中高等级，则继续步骤4；若乘客密度为低等级，执行步骤5；
步骤4，截取同一时刻，双目摄像头其中一个摄像头的视频图像，灰度化并提取出图像的纹理特征，包括灰度共生矩阵纹理和LBP纹理，送入已经训练好的SVM分类器进行再分类，将乘客密度分成中或高等级；
LBP纹理公式： LBP ( x c , y c ) = Σ p = 0 p - 1 2 p * s ( i p - i c ) ,
其中 s ( i p - i c ) = 1 , if i p ≥ i c 0 , else , (xc,yc)是中心像素，其灰度值为ic，ip为相邻像素的灰度值；
步骤5，将检测的乘客密度信息，以及地理位置信息进行存储。
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，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于图像分析的公交车内乘客密集程度检测方法，其特征在于：包括如下步骤：
步骤1，在公交车内前端设置双目摄像头，拍摄视频图像；当车内无人时，双目摄像头图像经处理获取车内背景的深度图像；
对双目摄像头其中一个摄像头的视频进行抽帧，获取中、高密度下的多幅图像，灰度化处理并提取这些图像的纹理特征，包括灰度共生矩阵纹理和LBP纹理，送入支持向量机SVM进行训练，得到SVM分类器；
步骤2，获得车内乘客站立区域的前景目标，包括以下步骤：
步骤21，对双目摄像头得到的实时视频进行截图，经处理获得深度图像；
步骤22，利用此深度图像和背景的深度图像相比较，利用模板屏蔽窗外环境的干扰，获得车内乘客站立的大致区域的前景目标；
步骤3，由于双目摄像头的透视效应，对此区域的前景目标的图像进行透视校正，
校正权值为：计算校正后的前景面积，进行初步分类，将人群密度初步分为低和中高等级两类；若乘客密度为中高等级，则继续步骤4；若乘客密度为低等级，执行步骤5；
步骤4，截取同一时刻，双目摄像头其中一个摄像头的视频图像，灰度化处理并提取出图像的纹理特征，送入已经训练好的SVM分类器进行再分类，将乘客密度分成中或高等级；
步骤5，将检测的乘客密度信息，以及地理位置信息进行存储。
2.根据权利要求1所述的一种基于图像分析的公交车内乘客密集程度检测方法，其特征在于：深度公式为：其中f为焦距，B为两摄像头焦点之间的距离，D为双目视差。
3.根据权利要求1或2所述的一种基于图像分析的公交车内乘客密集程度检测方法，其特征在于：所述步骤21中，LBP纹理公式：其中 s ( i p - i c ) = 1 , if i p ≥ i c 0 , else , (xc,yc)是中心像素，其灰度值为ic，ip为相邻像素的灰度值。
4.根据权利要求3所述的一种基于图像分析的公交车内乘客密集程度检测方法，其特征在于：所述步骤4中，图像的纹理特征包括灰度共生矩阵纹理和LBP纹理。
5.根据权利要求1所述的一种基于图像分析的公交车内乘客密集程度检测方法，其特征在于：在公交车内前端的顶部中央位置安装平行的双目摄像头。
CN201410467831.XA 2014-09-15 2014-09-15 基于图像分析的公交车内乘客密集程度检测方法 Pending CN104268898A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410467831.XA CN104268898A (zh) 2014-09-15 2014-09-15 基于图像分析的公交车内乘客密集程度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410467831.XA CN104268898A (zh) 2014-09-15 2014-09-15 基于图像分析的公交车内乘客密集程度检测方法

Publications (1)

Publication Number Publication Date
CN104268898A true CN104268898A (zh) 2015-01-07

Family

ID=52160417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410467831.XA Pending CN104268898A (zh) 2014-09-15 2014-09-15 基于图像分析的公交车内乘客密集程度检测方法

Country Status (1)

Country Link
CN (1) CN104268898A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016696A (zh) * 2017-03-31 2017-08-04 广州地理研究所 一种客流密度检测方法及装置
CN107680060A (zh) * 2017-09-30 2018-02-09 努比亚技术有限公司 一种图像畸变校正方法、终端及计算机可读存储介质
CN108021949A (zh) * 2017-12-27 2018-05-11 重庆交通开投科技发展有限公司 人群拥挤度检测方法、装置、系统及电子设备
CN108806234A (zh) * 2017-04-28 2018-11-13 武汉多谱多勒科技有限公司 一种智能公交系统
CN110329032A (zh) * 2019-07-04 2019-10-15 高鸿新能源科技有限公司 基于乘客密度分布的公交车智能空调系统及其工作方法
CN110335460A (zh) * 2019-05-08 2019-10-15 上海电机学院 一种公共交通信息智能交互系统及方法
CN110490103A (zh) * 2019-08-05 2019-11-22 中国铁道科学研究院集团有限公司电子计算技术研究所 轨道交通客流密度检测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101431664A (zh) * 2007-11-06 2009-05-13 同济大学 基于视频图像的密集客流密度自动检测方法及系统
CN101727573A (zh) * 2008-10-13 2010-06-09 汉王科技股份有限公司 一种视频图像中人群密度估计的方法和装置
CN101739569A (zh) * 2009-12-17 2010-06-16 北京中星微电子有限公司 一种人群密度估计方法、装置及监控系统
CN102496058A (zh) * 2011-11-11 2012-06-13 北京声迅电子股份有限公司 客流密度检测方法
CN103164711A (zh) * 2013-02-25 2013-06-19 昆山南邮智能科技有限公司 基于像素和支持向量机的区域人流密度估计的方法
CN103839085A (zh) * 2014-03-14 2014-06-04 中国科学院自动化研究所 一种列车车厢异常人群密度的检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101431664A (zh) * 2007-11-06 2009-05-13 同济大学 基于视频图像的密集客流密度自动检测方法及系统
CN101727573A (zh) * 2008-10-13 2010-06-09 汉王科技股份有限公司 一种视频图像中人群密度估计的方法和装置
CN101739569A (zh) * 2009-12-17 2010-06-16 北京中星微电子有限公司 一种人群密度估计方法、装置及监控系统
CN102496058A (zh) * 2011-11-11 2012-06-13 北京声迅电子股份有限公司 客流密度检测方法
CN103164711A (zh) * 2013-02-25 2013-06-19 昆山南邮智能科技有限公司 基于像素和支持向量机的区域人流密度估计的方法
CN103839085A (zh) * 2014-03-14 2014-06-04 中国科学院自动化研究所 一种列车车厢异常人群密度的检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
关玉秋: "智能化视频监控系统的人群密度估计", 《中国安防》 *
宋宏权 等: "区域人群状态的实时感知监控", 《地球信息科学学报》 *
张文倩: "视频监控中人群密度估计研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王尔丹 等: "基于多尺度分析和分形的人群密度估计方法", 《计算机工程与应用》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016696A (zh) * 2017-03-31 2017-08-04 广州地理研究所 一种客流密度检测方法及装置
CN108806234A (zh) * 2017-04-28 2018-11-13 武汉多谱多勒科技有限公司 一种智能公交系统
CN107680060A (zh) * 2017-09-30 2018-02-09 努比亚技术有限公司 一种图像畸变校正方法、终端及计算机可读存储介质
CN108021949A (zh) * 2017-12-27 2018-05-11 重庆交通开投科技发展有限公司 人群拥挤度检测方法、装置、系统及电子设备
CN108021949B (zh) * 2017-12-27 2021-03-05 重庆交通开投科技发展有限公司 人群拥挤度检测方法、装置、系统及电子设备
CN110335460A (zh) * 2019-05-08 2019-10-15 上海电机学院 一种公共交通信息智能交互系统及方法
CN110329032A (zh) * 2019-07-04 2019-10-15 高鸿新能源科技有限公司 基于乘客密度分布的公交车智能空调系统及其工作方法
CN110490103A (zh) * 2019-08-05 2019-11-22 中国铁道科学研究院集团有限公司电子计算技术研究所 轨道交通客流密度检测方法及装置
CN110490103B (zh) * 2019-08-05 2022-06-14 中国铁道科学研究院集团有限公司电子计算技术研究所 轨道交通客流密度检测方法及装置

Similar Documents

Publication Publication Date Title
CN104268898A (zh) 基于图像分析的公交车内乘客密集程度检测方法
CN103971097B (zh) 一种基于多尺度笔画模型的车牌识别方法与系统
CN106127137A (zh) 一种基于3d轨迹分析的目标检测识别算法
CN103985182B (zh) 一种公交客流自动计数方法及自动计数系统
CN104268506A (zh) 基于深度图像的客流计数检测方法
CN105631414A (zh) 一种基于贝叶斯分类器的车载多障碍物分类装置及方法
CN103366154B (zh) 可重配置的畅通路径检测系统
CN104902261B (zh) 用于低清晰度视频流中的路面识别的装置和方法
CN105809184A (zh) 一种适用于加油站的车辆实时识别跟踪与车位占用判断的方法
CN104182756B (zh) 一种基于单目视觉的车辆前方障碍物检测方法
CN104881661B (zh) 基于结构相似度的车辆检测方法
CN102073852B (zh) 基于最优阈值和随机标号法的多车辆分割方法
CN104156983A (zh) 一种基于视频图像处理的公交客流统计方法
CN105488453A (zh) 一种基于图像处理的驾驶员未系安全带检测识别方法
CN103400113B (zh) 基于图像处理的高速公路隧道行人检测方法
CN102254224A (zh) 一种基于粗糙集神经网络的图像识别的物联网电动汽车充电桩系统
CN103839085A (zh) 一种列车车厢异常人群密度的检测方法
CN104091171A (zh) 基于局部特征的车载远红外行人检测系统及方法
CN110969131B (zh) 一种基于场景流的地铁人流计数方法
CN103942560A (zh) 一种智能交通监控系统中的高分辨率视频车辆检测方法
CN102855617A (zh) 自适应图像处理方法及系统
CN103345842A (zh) 一种道路车辆分型系统及方法
CN104657724A (zh) 一种交通视频行人检测方法
CN103971524A (zh) 一种基于机器视觉的交通流量检测方法
CN103914701A (zh) 一种基于图像的夜间车辆检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20150107