CN104751189A - 顶装式双路视频分析的客车上下客实时计数装置以及计数方法 - Google Patents

Abstract

本发明公开了一种顶装式双路视频分析的客车上下客实时计数装置，包括：DSP控制单元、双路视频捕获单元、人员上下车行为分析计数单元、存储单元、传输器。本发明还公开了一种顶装式双路视频分析的客车上下客实时计数方法，步骤包括：(1)实时上下客运动目标检测；(2)实时人员头部检测；(3)实时上下车客流跟踪、计数；本发明的有益效果在于采用帧间差分、背景模型估计优化、运动物体检测、识别模型和算法，效率高、准确性和有效性高。

Description

顶装式双路视频分析的客车上下客实时计数装置以及计数方法

技术领域

本发明涉及一种顶装式双路视频分析的客车上下客实时计数装置以及计数方法，属于图像处理与分析的技术领域。

背景技术

目前国内长途客运企业无法实时识别车辆在长途旅程中的上下客情况，客运管理部门或企业无法准确清点旅客人数造成大量经济损失，无法监管司机是否违法上下客造成许多安全隐患。常用的监管手段收效甚微。

智能分析技术的原理是让计算机通过特定的数学模型和核心算法程序提取视频信号中所包含的内容信息或是个体运动信息，以实现计算机对于视频的“理解”，让计算机能“明白”视频中所展现的是什么内容或者发生的是什么样的“事件”，再通过规则的比对和判断，识别出这些事件的特性，继续令计算机对个体进行行为分析，判断这些行为是否符合规则，不符合规则的事件就可以进行即时的发现和报警，摆脱了人工的干预和判断，实现令计算机“代替”人进行监控，也即实现了“智能监控”。

发明内容

本发明要解决的技术问题是提供一种顶装式双路视频分析的客车上下客实时计数装置以及计数方法。

本发明是通过以下技术方案来实现的。

一种顶装式双路视频分析的客车上下客实时计数装置，包括：

DSP控制单元、双路视频捕获单元、人员上下车行为分析计数单元、存储单元、传输器，上述存储单元为客运管理平台提供数据，上述DSP控制单元包括DSP控制主机、模数变换器、增益放大器、电平转换电路、故障保护器，上述双路视频捕获单元包括摄像机以及供电的电源，上述人员上下车行为分析计数单元包括数据采集器、特征分类器、行为识别器，上述增益放大器接收上述双路视频捕获单元并连接上述模数变换器，上述模数变换器与上述DSP控制主机连接，上述DSP控制主机连接上述增益放大器，上述电平转换电路给上述DSP控制主机转换电平，上述DSP控制主机连接上述采集器、上述特征分类器、上述行为识别器，上述DSP控制主机连接上述存储单元，上述DSP控制主机连接上述传输器，上述DSP控制主机连接上述故障保护器。

进一步地，上述存储单元包括SD卡和外接USB存储设备。

一种顶装式双路视频分析的客车上下客实时计数方法，步骤包括：

(1)实时上下客运动目标检测：

在连续的图像序列中，提取两个或三个相邻帧，采用基于像素的时间差分来获取图像中的动态信息，采用基于高斯统计模型店方法分割运动目标：

$u_n(x,y)=\frac{1-n}{n}{u}_{n-1}(x,y)+\frac{1}{n}f(x,y)$

${\mathrm{\σ}}^2=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(f_i(x,y)-u_n(x,y))}^2}{n-1};$

背景模型： $B_0(x,y)=\frac{1}{m}\underset{k-1}{\overset{m}{\mathrm{\Σ}}}{f}_{\mathrm{ik}}(x,y);$

f_ik(x，y)满足|f_ik(x，y)-u_n(x，y)|≤βσ(x，y)，u_n(x，y)和分别表示前n帧图像在(x，y)点的均值和方差，β设置为常量，先用当前帧与前一帧进行帧间差分，当两帧相差后某像素点灰度值大于设定阈值时，就判断为前景点，否则为后景点；

(2)实时人员头部检测：

提取人头顶部特征点，依次在特征点左右两边的轮廓线上进行数据采样，特征点数据采样完成后，对特征数据点做椭圆拟合，设定椭圆长、短轴以及长短轴的范围去除不合条件的椭圆；

(3)实时上下车客流跟踪、计数：

1)匹配：在每一次循环操作中，目标列表中的元素和当前测量列表中的元素进行匹配，找到最相似的区域，用于计算相似性度量的五个区域特征为：区域中心坐标(m_x,m_y)，区域灰度均值m_g，速度(v_x,v_y)，为每一个区域定义一个特征向量V＝(m_x,m_y,m_g,v_x,v_y)^T，定义加权的平方Euclidean距离测度：

D^mn＝(V^m-Vⁿ)^TW(V^m-Vⁿ)

V^m是目标列表中的区域R_m的特征向量，Vⁿ是测量列表中的区域R_n的特征向量，W是5×5的对角矩阵，代表特征向量中每个元素的权重找最相似的匹配就是求使D^mn达到最小的匹配；

使得D^mn的和达到最小值，即

$D_T=\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{D}^{\mathrm{mn}}$

D^mn是目标列表中区域R_m和测量列表中区域R_n之间的平方Euclidean距离，k^m是目标列表中区域的个数，对D_T的最小值求解就能够找到目标列表中每一个区域在测量列表中的最优匹配，定义对权值进行归一化处理，引入Lagrange乘子，改D_T为

$D_T=\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{D}^{\mathrm{mn}}+\mathrm{\λ}(w_x{w}_y{w}_g{w}_{v_x}{w}_{v_y}-1)$

根据Lagrange乘子法，D_T的最小值通过下列方程求解：

$\begin{array}{ccc}\frac{{\∂D}_T}{{\∂w}_k}=0& \mathrm{where}& k=\{x,y,g,v_x,v_y\}\end{array}$

$w_x{w}_y{w}_g{w}_{v_x}{w}_{v_y}-1=0$

计算可得方程的根为：

$w_x=\sqrt[5]{\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_y^m-m_y^n)}^2}\sqrt[5]{\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_g^m-m_g^n)}^2}\sqrt[5]{\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_{v_x}^m-m_{v_x}^n)}^2}\sqrt[5]{\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_{v_y}^m-m_{v_y}^n)}^2}{\left(\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_x^m-m_x^n)}^2\right)}^{-4/5}$

$w_k=\frac{w_x{\mathrm{\Σ}}_{m=1}^{k^m}{(m_k^m-m_k^n)}^2}{{\mathrm{\Σ}}_{m=1}^{k^m}{(m_x^m-m_x^n)}^2},k=\{y,g,v_x,v_y\}$

在进行区域匹配时，计算w_k,k＝{x,y,g,v_x,v_y}，然后计算D^mn,m＝1,...k^m，k^m是目标列表中区域的个数，取值最小的D^mn所对应的区域R_m就是R_n的最佳匹配；

2)更新：当目标列表中的区域找到新的匹配以后，就用新区域的特征值替换目标列表中对应区域的特征值，该过程中会出现两种情况，一种情况是，测量列表中的区域在目标列表中找不到匹配，这种情况对应于目标刚进入画面，或者画面中产生了一个噪声；另一种情况是，目标列表中的区域在测量列表中找不到匹配，这种情况对应于目标离开了画面，或者目标暂时被其它物体遮挡住了；

如果目标刚进入画面，那么就将这个新的目标插入目标列表中，如果目标离开了画面，就将这个目标从目标列表中删除，从目标被插入目标列表中，到目标从列表中被删除，全程记录目标在列表中持续的帧数，只有当目标持续的帧数大于一定的阈值T时，才认为这是个有效的目标，否则当作噪声处理；对于因物体相互遮挡而造成的目标丢失，首先考察目标丢失前所处的位置，如果目标中心坐标靠近进出画面的边界位置，如画面的上下两条边界，那么就可以认为目标离开画面，否则认为目标只是暂时被遮挡，并且以离该目标最近的区域作为该目标的匹配对象。

进一步地，(1)背景模型采用下面公式进行更新：B_k(x，y)＝αB_k-1(x，y)+(1-α)f_k(x，y)

B_k(x，y)为第k时刻背景模型，α为更新频率，采用更新的背景模型对当前帧进行背景差分，大于设定阈值T的图像即为运动目标的点。

进一步地，(2)提取人头顶部特征点的步骤为：

1)提取图像中运动目标的轮廓；

2)从图像左上角开始扫描图像，检测轮廓点则像素值；

3)若像素均为背景阈值，则检查该点前一个点和它左右像素，否则，该点不可能为特征点，舍弃，检测下一点；

4)若再次检测的点为0，则该点可能为头顶部点，存入动态数组。

进一步地，(2)设定椭圆长、短轴以及长短轴的范围去除不合条件的椭圆，平面二次曲线的方程为：

F(a,X)＝α^T X＝ax²+bxy+cy²+dx+ey+f＝0

其中α＝[a b c d e f]^T,X＝[x2 sy y x y 1]^T，曲线方程系数满足b2-4ac＝-1，二次曲线方程为椭圆。

进一步地，设定 $C=\left[\begin{array}{cccccc}0& 0& 2& 0& 0& 0\\ 0& -1& 0& 0& 0& 0\\ 2& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0\end{array}\right]$

则最小二乘椭圆拟合可以转化成：

$\left\{\begin{array}{c}\mathrm{\α}=\arg \min \left|\right|\mathrm{D\α}\left|\right|\\ {\mathrm{\α}}^T\mathrm{C\α}=1\end{array}\right.$

其中：

$X_i={\left[\begin{array}{cccccc}{x}_i^2& x_i{y}_i& y_i^2& x_i& y_i& 1\end{array}\right]}^T;$ α＝[a b c d e f]^T；D＝[X₁ X₂ … X_N]^T，N为参加拟合的数据点的个数。

进一步地，(3)实时上下车客流跟踪、计数的1)匹配：定义阈值α₁，如果区域R_m和区域R_n的中心距离大于α₁，就认为区域R_m和区域R_n不可能是匹配的，从而不用计算D^mn，减少计算开销，同时定义阈值α₂，如果D^mn的最小值大于α₂，就认为在目标列表中没有找到和R_n匹配的区域，说明R_n是一个新产生的区域，这种情况对应于有新的运动目标进入画面中。

本发明的有益效果：

通过乘客头顶的垂直上方的视频分析仪实时检测客车上下客人流，捕获乘客人头特征、身体特征数据，经图像预处理后提取人员上下客特征数据，启动DSP模式识别程序，结算检测数据，输出客车实时上下客人流数据。本方案具体采用帧间差分、背景模型估计优化、运动物体检测、识别模型和算法，效率高、准确性和有效性高。

附图说明

图1为本发明顶装式双路视频分析的客车上下客实时计数装置的结构示意图；

图2为本发明DSP控制单元的连接示意图；

图3为本发明顶装式双路视频分析的客车上下客实时计数方法的流程示意图；

图4为本发明提取人头顶部特征点的例图。

具体实施方式

下面根据附图和实施例对本发明作进一步详细说明。

图1为本发明顶装式双路视频分析的客车上下客实时计数装置的结构示意图，图2为本发明DSP控制单元的连接示意图，参照图1、图2，本发明，顶装式双路视频分析的客车上下客实时计数装置，包括：

DSP控制单元1、双路视频捕获单元2、人员上下车行为分析计数单元3、存储单元4、传输器5，上述存储单元为客运管理平台提供数据，上述DSP控制单元1包括DSP控制主机11、模数变换器12、增益放大器13、电平转换电路14、故障保护器15，上述双路视频捕获单元2包括摄像机以及供电的电源(图中未显示)，上述人员上下车行为分析计数单元3包括数据采集器31、特征分类器32、行为识别器33，上述增益放大器13接收上述双路视频捕获单元2并连接上述模数变换器12，上述模数变换器12与上述DSP控制主机11连接，上述DSP控制主机11连接上述增益放大器13，上述电平转换电路14给上述DSP控制主机11转换电平，上述DSP控制主机11连接上述采集器31、上述特征分类器32、上述行为识别器33，上述DSP控制主机11连接上述存储单元4，上述DSP控制主机11连接上述传输器5，上述DSP控制主机11连接上述故障保护器15。

存储单元4通过移动介质向客运管理平台提供数据，通常使用U盘。

具体的，上述存储单元包括SD卡41和外接USB存储设备42。

工作过程：数据采集模块启动时，通过电平转换电路，唤醒DSP控制主机，整个装置进入工作模式；DSP控制主机控制模数转换器采样模块，将视频信号转换为数字信号，并存入缓存；当采集的数据量达到分帧条件后，DSP控制主机控制上下车行为分析技术单元处理该帧信号；当检测结果为有人员上下车行为时，则向发送计数信息给存储单元，并且设置了故障保护器对DSP控制主机进行保护。

图3为本发明顶装式双路视频分析的客车上下客实时计数方法的流程示意图，本发明，顶装式双路视频分析的客车上下客实时计数方法，步骤包括：

(1)实时上下客运动目标检测：目标检测是通过视频图像分割出视频图像中的运动区域。常见的方法有高斯背景建模，帧差法，三帧差法。

本方案采用帧间差分算法开展动态视频图像预处理，帧间差分法是在连续的图像序列中，提取两个或三个相邻帧，采用基于像素的时间差分来获取图像中的动态信息。

采用基于高斯统计模型店方法分割运动目标。在视频序列中，每个像素点的灰度值是符合高斯分布的，故可以计算：

$u_n(x,y)=\frac{1-n}{n}{u}_{n-1}(x,y)+\frac{1}{n}f(x,y)$

${\mathrm{\σ}}^2=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(f_i(x,y)-u_n(x,y))}^2}{n-1}$

背景模型： $B_0(x,y)=\frac{1}{m}\underset{k-1}{\overset{m}{\mathrm{\Σ}}}{f}_{\mathrm{ik}}(x,y)$

f_ik(x，y)满足|f_ik(x，y)-u_n(x，y)|≤βσ(x，y)。u_n(x，y)和分别表示前n帧图像在(x，y)点的均值和方差。

β设置为常量，先用当前帧与前一帧进行帧间差分，当两帧相差后某像素点灰度值大于设定阈值时，就判断为前景点，否则为后景点。对前景区域点保留，背景区域采用下面公式进行更新：B_k(x，y)＝αB_k-1(x，y)+(1-α)f_k(x，y)

B_k(x，y)为第k时刻背景模型，α为更新频率。采用更新的背景模型对当前帧进行背景差分，大于设定阈值T的图像即为运动目标的点。

帧间差分法对于动态环境具有较强的自适应性，处理速度快，具有实时性，而且这个方法对同色的物体不敏感,所以它能很好的解决阴影问题。

(2)实时人员头部检测：

在人员头部检测中，特征点选取很重要。本方案人头顶部点在垂直方向局部最高处，即该点左边的像素为背景像素，该点上面一个点左右的像素也为背景像素。接下来就是要提取人头顶部特征点，流程如下：

1)提取图像中运动目标的轮廓。

2)从图像左上角开始扫描图像，检测轮廓点则像素值。

3)若像素均为背景阈值，则检查该点前一个点和它左右像素。否则，该点不可能为特征点，舍弃，检测下一点。如图4中，A、B为求得的两个特征点，若检测的点的y坐标比上一点的y坐标小，则认为取值越过了C点，去除该点。

4)若再次检测的点为0(背景像素)，则该点可能为头顶部点，存入动态数组。

特征点选取完成之后，就开始依次在特征点左右两边的轮廓线上进行数据采样。结束采样。采集完毕后，从A点开始采集的数据点为轮廓线C、D之间的点；从B点开始采集的数据点为轮廓线C、E之间的像素点。

特征点数据采样完成后，对特征数据点做椭圆拟合，采用的是直接最小二乘法。最小二乘椭圆拟合，采用的是广义特征根方法进行求解，算法简单高效，且鲁棒性好。

设定椭圆长、短轴以及长短轴的范围去除不合条件的椭圆。本方法平面二次曲线的方程为：

F(a,X)＝α^T X＝ax²+bxy+cy²+dx+ey+f＝0

其中α＝[a b c d e f]^T,X＝[x2 sy y x y 1]^T,根据几何公式，当曲线方程系数满足b2-4ac＝-1时，(4)式中表示的二次曲线方程为椭圆。

设定： $C=\left[\begin{array}{cccccc}0& 0& 2& 0& 0& 0\\ 0& -1& 0& 0& 0& 0\\ 2& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0\end{array}\right]$

则最小二乘椭圆拟合可以转化成下面的问题：

$\left\{\begin{array}{c}\mathrm{\α}=\arg \min \left|\right|\mathrm{D\α}\left|\right|\\ {\mathrm{\α}}^T\mathrm{C\α}=1\end{array}\right.$

其中：

$X_i={\left[\begin{array}{cccccc}{x}_i^2& x_i{y}_i& y_i^2& x_i& y_i& 1\end{array}\right]}^T;$ α＝[a b c d e f]^T；D＝[X₁ X₂ … X_N]^T，N为参加拟合的数据点的个数。根据广义特征矩阵求解方法可以证明 $\left\{\begin{array}{c}\mathrm{\α}=\arg \min \left|\right|\mathrm{D\α}\left|\right|\\ {\mathrm{\α}}^T\mathrm{C\α}=1\end{array}\right.$ 为唯一解。当人头发生小部分遮挡时，该方法也能检测出人的头部。

(3)实时上下车客流跟踪、计数：

目标的跟踪实质就是进行数据关联，对于视频图像序列，就是要在相邻帧间进行目标匹配。本方案的运动目标由区域来表示，对目标的跟踪就归结为对运动区域的匹配。

匹配跟踪计数方法，是运用匹配和目标链，对视频中的行人进行跟踪和计数。快速目标匹配方法利用快速匹配形成的聚类进行最佳匹配，通过目标运动速度和方向的光滑性度量来建立每个运动目标的“目标链”即运动轨迹，保证了运动跟踪的连续性和人计数的有效性。

如果将已知的目标区域表示为一个目标列表，将当前图像帧中的所有区域(背景区域除外)表示为一个测量列表，那么区域匹配的过程就是，针对测量列表中的每一个元素，在目标列表中找到与之最相似的元素。相似性度量定义为距离度量，那么匹配过程就是找到最小距离值。当找到最相似的匹配后，就要用新的区域去更新目标列表中的目标区域，所有的测量元素和目标元素都处理完毕后，就获得一个新的目标列表，当前图像帧也就处理完毕，接着处理下一帧图像，如此循环进行操作。

1)匹配：在每一次循环操作中，目标列表中的元素和当前测量列表中的元素进行匹配，找到最相似的区域，用于计算相似性度量的五个区域特征为：区域中心坐标(m_x,m_y)，区域灰度均值m_g，速度(v_x,v_y)。为每一个区域定义一个特征向量V＝(m_x,m_y,m_g,v_x,v_y)^T。定义加权的平方Euclidean距离测度：

D^mn＝(V^m-Vⁿ)^TW(V^m-Vⁿ)   (7)

V^m是目标列表中的区域R_m的特征向量，Vⁿ是测量列表中的区域R_n的特征向量，W是5×5的对角矩阵，代表特征向量中每个元素的权重找最相似的匹配就是求使D^mn达到最小的匹配。

特征的权重并不是固定不变的，将多个区域的匹配看作是一个全局问题，那么达到全局最优解，就应该使得D^mn的和达到最小值，即

$D_T=\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{D}^{\mathrm{mn}}---\left(8\right)$

D^mn是目标列表中区域R_m和测量列表中区域R_n之间的平方Euclidean距离，k^m是目标列表中区域的个数，对D_T的最小值求解就能够找到目标列表中每一个区域在测量列表中的最优匹配。为了避免权值更新时的发散，定义对权值进行归一化处理。引入Lagrange乘子，改D_T为

$D_T=\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{D}^{\mathrm{mn}}+\mathrm{\λ}(w_x{w}_y{w}_g{w}_{v_x}{w}_{v_y}-1)---\left(9\right)$

根据Lagrange乘子法，D_T的最小值可通过下列方程求解：

$\begin{array}{ccc}\frac{{\∂D}_T}{{\∂w}_k}=0& \mathrm{where}& k=\{x,y,g,v_x,v_y\}\end{array}---\left(10\right)$

$w_x{w}_y{w}_g{w}_{v_x}{w}_{v_y}-1=0---\left(11\right)$

计算可得方程的根为：

$w_x=\sqrt[5]{\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_y^m-m_y^n)}^2}\sqrt[5]{\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_g^m-m_g^n)}^2}\sqrt[5]{\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_{v_x}^m-m_{v_x}^n)}^2}\sqrt[5]{\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_{v_y}^m-m_{v_y}^n)}^2}{\left(\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_x^m-m_x^n)}^2\right)}^{-4/5}---(12$

$w_k=\frac{w_x{\mathrm{\Σ}}_{m=1}^{k^m}{(m_k^m-m_k^n)}^2}{{\mathrm{\Σ}}_{m=1}^{k^m}{(m_x^m-m_x^n)}^2},k=\{y,g,v_x,v_y\}$

$\left(13\right)$

在进行区域匹配时，如果要找测量列表中区域R_n在目标列表中最佳匹配，首先根据式(12)、(13)计算w_k,k＝{x,y,g,v_x,v_y}，然后计算D^mn,m＝1,...k^m，k^m是目标列表中区域的个数，取值最小的D^mn所对应的区域R_m就是R_n的最佳匹配。为了提高处理速度，定义阈值α₁，如果区域R_m和区域R_n的中心距离大于α₁，就认为区域R_m和区域R_n不可能是匹配的，从而不用计算D^mn，减少计算开销。同时定义阈值α²，如果D^mn的最小值大于α₂，就认为在目标列表中没有找到和R_n匹配的区域，说明R_n是一个新产生的区域，这种情况对应于有新的运动目标进入画面中。

2)更新：当目标列表中的区域找到新的匹配以后，就用新区域的特征值替换目标列表中对应区域的特征值。当然这个过程中有可能出现两种情况，一种情况是，测量列表中的区域在目标列表中找不到匹配，这种情况对应于目标刚进入画面，或者画面中产生了一个噪声。另一种情况是，目标列表中的区域在测量列表中找不到匹配，这种情况对应于目标离开了画面，或者目标暂时被其它物体遮挡住了。

如果目标刚进入画面，那么就将这个新的目标插入目标列表中，如果目标离开了画面，就将这个目标从目标列表中删除。从目标被插入目标列表中，到目标从列表中被删除，全程记录目标在列表中持续的帧数，只有当目标持续的帧数大于一定的阈值T时，才认为这是个有效的目标，否则当作噪声处理。对于因物体相互遮挡而造成的目标丢失，首先要考察目标丢失前所处的位置，如果目标中心坐标靠近进出画面的边界位置，如画面的上下两条边界，那么就可以认为目标离开画面，否则认为目标只是暂时被遮挡，并且以离该目标最近的区域作为该目标的匹配对象。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此领域技术的人士能够了解本发明内容并加以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。

Claims (8)

1.一种顶装式双路视频分析的客车上下客实时计数装置，其特征在于，包括：

DSP控制单元、双路视频捕获单元、人员上下车行为分析计数单元、存储单元、传输器，所述存储单元为客运管理平台提供数据，所述DSP控制单元包括DSP控制主机、模数变换器、增益放大器、电平转换电路、故障保护器，所述双路视频捕获单元包括摄像机以及供电的电源，所述人员上下车行为分析计数单元包括数据采集器、特征分类器、行为识别器，所述增益放大器接收所述双路视频捕获单元并连接所述模数变换器，所述模数变换器与所述DSP控制主机连接，所述DSP控制主机连接所述增益放大器，所述电平转换电路给所述DSP控制主机转换电平，所述DSP控制主机连接所述采集器、所述特征分类器、所述行为识别器，所述DSP控制主机连接所述存储单元，所述DSP控制主机连接所述传输器，所述DSP控制主机连接所述故障保护器。

2.根据权利要求1所述的顶装式双路视频分析的客车上下客实时计数装置，其特征在于，所述存储单元包括SD卡和外接USB存储设备。

3.一种顶装式双路视频分析的客车上下客实时计数方法，其特征在于，步骤包括：

(1)实时上下客运动目标检测：

在连续的图像序列中，提取两个或三个相邻帧，采用基于像素的时间差分来获取图像中的动态信息，采用基于高斯统计模型店方法分割运动目标：

$\begin{array}{c}{u}_n(x,y)=\frac{1-n}{n}{u}_{n-1}(x,y)+\frac{1}{n}f(x,y)\\ {\mathrm{\σ}}^2=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(f_i(x,y)-u_n(x,y))}^2}{n-1}\end{array};$

背景模型： $B_0(x,y)=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{f}_{\mathrm{ik}}(x,y);$

f_ik(x，y)满足|f_ik(x，y)-u_n(x，y)|≤βσ(x，y)，u_n(x，y)和分别表示前n帧图像在(x，y)点的均值和方差，β设置为常量，先用当前帧与前一帧进行帧间差分，当两帧相差后某像素点灰度值大于设定阈值时，就判断为前景点，否则为后景点；

(2)实时人员头部检测：

提取人头顶部特征点，依次在特征点左右两边的轮廓线上进行数据采样，特征点数据采样完成后，对特征数据点做椭圆拟合，设定椭圆长、短轴以及长短轴的范围去除不合条件的椭圆；

(3)实时上下车客流跟踪、计数：

1)匹配：在每一次循环操作中，目标列表中的元素和当前测量列表中的元素进行匹配，找到最相似的区域，用于计算相似性度量的五个区域特征为：区域中心坐标(m_x,m_y)，区域灰度均值m_g，速度(v_x,v_y)，为每一个区域定义一个特征向量V＝(m_x,m_y,m_g,v_x,v_y)^T，定义加权的平方Euclidean距离测度：

D^mn＝(V^m-Vⁿ)^TW(V^m-Vⁿ)

V^m是目标列表中的区域R_m的特征向量，Vⁿ是测量列表中的区域R_n的特征向量，W是5×5的对角矩阵，代表特征向量中每个元素的权重找最相似的匹配就是求使D^mn达到最小的匹配；

使得D^mn的和达到最小值，即

$D_T=\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{D}^{\mathrm{mn}}$

D^mn是目标列表中区域R_m和测量列表中区域R_n之间的平方Euclidean距离，k^m是目标列表中区域的个数，对D_T的最小值求解就能够找到目标列表中每一个区域在测量列表中的最优匹配，定义对权值进行归一化处理，引入Lagrange乘子，改D_T为

$D_T=\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{D}^{\mathrm{mn}}+\mathrm{\λ}(w_x{w}_y{w}_g{w}_{v_x}{w}_{v_y}-1)$

根据Lagrange乘子法，D_T的最小值通过下列方程求解：

$\frac{\∂D_T}{\∂w_k}=0,\mathrm{where},k=\{x,y,g,v_x,v_y\}$

$w_x{w}_y{w}_g{w}_{v_x}{w}_{v_y}-1=0$

计算可得方程的根为：

$w_x=\sqrt[5]{\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_y^m-m_y^n)}^2}\sqrt[5]{\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_g^m-m_g^n)}^2}\sqrt[5]{\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_{v_x}^m-m_{v_x}^n)}^2}\sqrt[5]{\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_{v_y}^m-m_{v_y}^n)}^2}{\left(\underset{m=1}{\overset{k^m}{\mathrm{\Σ}}}{(m_x^m-m_x^n)}^2\right)}^{-4/5}$

$w_k=\frac{w_x{\mathrm{\Σ}}_{m=1}^{k^m}{(m_k^m-m_k^n)}^2}{{\mathrm{\Σ}}_{m=1}^{k^m}{(m_x^m-m_x^n)}^2},k=\{y,g,v_x,v_y\}$

在进行区域匹配时，计算w_k,k＝{x,y,g,v_x,v_y}，然后计算D^mn,m＝1,...k^m，k^m是目标列表中区域的个数，取值最小的D^mn所对应的区域R_m就是R_n的最佳匹配；

2)更新：当目标列表中的区域找到新的匹配以后，就用新区域的特征值替换目标列表中对应区域的特征值，该过程中会出现两种情况，一种情况是，测量列表中的区域在目标列表中找不到匹配，这种情况对应于目标刚进入画面，或者画面中产生了一个噪声；另一种情况是，目标列表中的区域在测量列表中找不到匹配，这种情况对应于目标离开了画面，或者目标暂时被其它物体遮挡住了；

如果目标刚进入画面，那么就将这个新的目标插入目标列表中，如果目标离开了画面，就将这个目标从目标列表中删除，从目标被插入目标列表中，到目标从列表中被删除，全程记录目标在列表中持续的帧数，只有当目标持续的帧数大于一定的阈值T时，才认为这是个有效的目标，否则当作噪声处理；对于因物体相互遮挡而造成的目标丢失，首先考察目标丢失前所处的位置，如果目标中心坐标靠近进出画面的边界位置，如画面的上下两条边界，那么就可以认为目标离开画面，否则认为目标只是暂时被遮挡，并且以离该目标最近的区域作为该目标的匹配对象。

4.根据权利要求3所述的顶装式双路视频分析的客车上下客实时计数方法，其特征在于，(1)背景模型采用下面公式进行更新：B_k(x，y)＝αB_k-1(x，y)+(1-α)f_k(x，y)

B_k(x，y)为第k时刻背景模型，α为更新频率，采用更新的背景模型对当前帧进行背景差分，大于设定阈值T的图像即为运动目标的点。

5.根据权利要求3所述的顶装式双路视频分析的客车上下客实时计数方法，其特征在于，(2)提取人头顶部特征点的步骤为：

1)提取图像中运动目标的轮廓；

2)从图像左上角开始扫描图像，检测轮廓点则像素值；

3)若像素均为背景阈值，则检查该点前一个点和它左右像素，否则，该点不可能为特征点，舍弃，检测下一点；

4)若再次检测的点为0，则该点可能为头顶部点，存入动态数组。

6.根据权利要求5所述的顶装式双路视频分析的客车上下客实时计数方法，其特征在于，(2)设定椭圆长、短轴以及长短轴的范围去除不合条件的椭圆，平面二次曲线的方程为：

F(a,X)＝α^TX＝ax²+bxy+cy²+dx+ey+f＝0

其中α＝[a b c d e f]^T,X＝[x2 sy y x y 1]^T，曲线方程系数满足b2-4ac＝-1，二次曲线方程为椭圆。

7.根据权利要求6所述的顶装式双路视频分析的客车上下客实时计数装置，其特征在于，设定 $C=\left[\begin{array}{cccccc}0& 0& 2& 0& 0& 0\\ 0& -1& 0& 0& 0& 0\\ 2& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0\end{array}\right]$

则最小二乘椭圆拟合可以转化成：

$\left\{\begin{array}{c}\mathrm{\α}=\arg \min \left|\right|\mathrm{D\α}\left|\right|\\ {\mathrm{\α}}^T\mathrm{C\α}=1\end{array}\right.$

其中：

$X_i={\left[\begin{array}{cccccc}{x}_i^2& x_i{y}_i& y_i^2& x_i& y_i& 1\end{array}\right]}^T;$ α＝[a b c d e f]^T；D＝[x₁ x₂ … X_N]^T，N为参加拟合的数据点的个数。

8.根据权利要求3所述的顶装式双路视频分析的客车上下客实时计数方法，其特征在于，(3)实时上下车客流跟踪、计数的1)匹配：定义阈值α₁，如果区域R_m和区域R_n的中心距离大于α₁，就认为区域R_m和区域R_n不可能是匹配的，从而不用计算D^mn，减少计算开销，同时定义阈值α₂，如果D^mn的最小值大于α₂，就认为在目标列表中没有找到和R_n匹配的区域，说明R_n是一个新产生的区域，这种情况对应于有新的运动目标进入画面中。