CN104835323A - 一种结合电子围栏的多目标公交客流检测方法 - Google Patents

Abstract

本发明涉及一种结合电子围栏的多目标公交客流检测方法，通过公交客流视频检测装置以视频检测技术为主要手段，通过引入开关门信号和电子围栏作为视频检测的驱动，解决了实际视频检测问题漏计数和重复计数等问题，极大地提高公交客流检测精度。公交客流分析系统主要通过对各条线路、各个站点、各个时间段以及道路区间内的客流分布和均衡性分布，为智能调度提供最直观的决策数据信息，提高公交企业运营管理水平，提升公交出行服务。

Description

一种结合电子围栏的多目标公交客流检测方法

技术领域

本发明涉及公交车辆的客流检测分析和处理技术领域，尤其涉及一种结合电子围栏的多目标公交客流检测方法。

背景技术

随着城市化进程的加快，城市交通拥堵问题成为制约社会经济发展的要素之一，“公交优先”被公认为能够有效缓解交通拥堵问题的根本手段。但是，随着常规公交出行比例的增加，公交客流激增，对公交的运营调度管理提出了更高的要求，同时严重影响了乘客的出行服务体验。为了及时了解运营线路上实时的客流分布情况以及车厢内的拥挤程度，客流检测技术在公交车上或公交站台上得到了广泛的应用，通过对实时客流的采集检测，为企业的智能调度提供基础数据依据，合理调配各条线路上的公交资源，提高乘客的出行服务水平。同时，通过对客流数据信息的深入挖掘分析，为公交企业的线路规划提供数据支撑。因此，建立公交客流统计分析系统是必然的发展趋势。

公交客流的检测主要有红外检测技术、压力传感器检测技术、视频检测技术以及闸道机计数统计等手段。红外检测技术和压力传感技术往往由于客流拥挤导致检测的精确度大大降低，且容易出现故障，维护成本较高；闸道机计数统计的检测精度较高，但成本太大，且无法获取各条线路的客流分布情况和车厢内的拥挤程度，视频检测技术相比较而言，兼具精度高和成本低等特点。但在实际的视频客流检测的过程中，存在以下一些问题：

(1)视频检测容易受视频场景的干扰，特别是车厢内光照度的影响，导致视频识别的准确率降低；

(2)检测区域存在时空上的盲点，导致客流数据缺失；实际的应用中，摄像头安装通常为高2.5米至3.5米的位置，因而通常安装在车门的正上方靠前的位置，垂直检测区域距离车门线有20-40厘米的空间，但在早晚高峰时或车辆到站时，客流提前进入该区域，无法进行检测导致数据缺失，影响精度；

(3)检测模式仍然为单目标追踪，在客流拥挤时精度大大降低；传统的视频检测为单目标的识别检测，通过检测车门区域附近较窄的通道，避免客流同时通过检测区域引起的计数遗漏，但目前的公交环境，无法真正满足单一客流在检测区域的独立通行；

(4)视频检测的开始和结束往往依托于其他信号量的触发；专利CN 102622798A通过引入车门开关信号量辅助视频检测，避免了数据重复计数的情形，但由于国内早晚高峰时，站台经常形成公交队伍，导致频繁的开关门上下客，从而导致数据计数混乱，同时还对传输带来较大的压力；

传统的视频检测只负责客流检测，未考虑车辆、客流和站台之间的有机联系，因而获得的数据缺少重要的站点标示，对后期的数据分析应用带来一定的困难。

发明内容

本发明为克服上述的不足之处，目的在于提供一种结合电子围栏的多目标公交客流检测方法，包含基于相似度的多目标视频客流检测和结合电子围栏的客流检测，解决实际工程应用过程中由于单目标检测和检测区域时空盲点等引起的计数遗漏、频繁开关门引起的传输重复以及站点标示缺失等问题，同时能够针对当前的客流检测环境，提高检测精度，具有可靠、实用、易实现等特点。

本发明是通过以下技术方案达到上述目的：一种结合电子围栏的多目标公交客流检测方法，包括如下步骤：

(1)采集车辆实时位置信息；

(2)根据位置信息判断车辆的电子围栏区域状态是否发生变化；若是，状态分进入和离开两种状态，若为进入电子围栏区域则执行下一步，若为离开电子围栏则执行步骤(6)；若否，重新执行步骤(1)；

(3)判断视频检测单元是否已启动，若已启动，执行下一步；若没有启动，启动视频检测单元后执行下一步；

(4)对检测区域进行视频检测，监控开关门检测信号量，若检测到开信号则执行下一步；

(5)视频检测单元进行上下客的检测及计数，结束检测计数后返回执行步骤(2)；

(6)关闭视频检测单元，并对客流数据汇总统计后上传数据。

作为优选，所述步骤(2)判断车辆的电子围栏区域状态是否发生变化是通过实时位置信息与运动轨迹判断车辆是否为运营载客车辆，具体方法如下：

i)加载车辆在运营路线上行进的各个站点基础空间位置信息，并根据实际的道路位置情况编辑电子围栏区域A_i，以及车辆经过围栏的默认连续路径l_i(k,β)；其中k代表拟合直线的斜率，β代表直线的方向；

ii)通过车辆运营路线的配置切换，系统自动对运营路线的电子围栏进行匹配；通过实时采集车辆位置信息，判断车辆是否进入电子围栏区域；

iii)当t时刻，实时位置表明车辆在第i个电子围栏内，获取当前时刻之前Δt的车辆实时位置的连续数据，构成Δt内车辆的连续轨迹路线；

iv)拟合Δt内车辆的连续轨迹为直线，获取直线的斜率k和轨迹的运动方向β；

v)将获取的斜率k和方向β与配置的l_i(k,β)进行对比，当对比结果在设置的偏差范围内时，默认车辆对电子围栏进行了有效的切割，状态变化；否则状态不发生变化。

作为优选，所述步骤(5)的视频检测为基于相似度的多目标视频客流检测方法，具体步骤如下：

1)加载初始化配置参数，检测区域横向大小W和纵向大小H，检测目标大小下限S_min；

2)通过对连续的若干帧的视频图像进行灰度分析，与内置的场景进行灰度比较，选择最接近的场景；根据场景，设置背景图像中各区域的平均灰度值；

3)通过图像差分法进行运动目标的检测；

4)对通过差分法获取的运动变化区域进行扫描，记录运动变化区域的平均灰度值，根据灰度值的存在上下浮动值进行计算，在差分图像中恢复和提取运动物体；

5)提取运动物体的面积和运动物体的边缘轮廓特征，并将提取的特征与相邻两帧图像进行相与运算获得运动检测目标的质心；

6)提取运动检测目标，建立多目标识别模型，对每个运动目标进行标示；并计算判断目标相似度；

7)对检测区域内的检测目标进行运动轨迹的检测，将连贯的运动轨迹进行检测区域的切割计算，判断是否为有效的客流数据，若是，进行计数；若不是，跳转执行步骤3)。

作为优选，所述步骤3)通过图像差分法进行运动目标的检测的方法如下：

A)对相邻两帧的视频图像相减，获得差分图像；

B)相邻两帧图像分别与背景进行差分，并按照下式对差分结果进行相或运算：

其中，g₁(x,y)为前一帧图像与背景图像在点(x,y)处的差分值；g₂(x,y)代表后一帧图像与背景图像在点(x,y)处的差分值；p(x,y)代表两帧图像进行或运算后的差分图像；

C)通过对差分图像进行帧差绝对值的判定，获得检测区域内的运动变化区域集合，具体的判定条件如下式所示：

B＝{Y||S_c(X,t)-S_c(X,t-Δt)|＞S_min}

其中，B代表满足条件的运动变化区域集合；Y代表满足运动变化区域大于检测目标下限的个体；S_c(X,t)代表t时刻，点X区域的灰度值；S_c(X,t-Δt)代表t-Δt时刻，点X区域的灰度值；S_min为初始化设置的检测目标下限值。

作为优选，所述步骤5)获得运动检测目标质心的方法为根据如下公式获取检测目标，以检测目标的边缘点为集合，通过欧式距离的计算，求解检测目标的质心；

作为优选，所述步骤6)提取的运动检测目标的集合为

s_i＝{θ,α,l,p(x,y)}

其中，θ代表运动目标的平均纹理度；α代表平均灰度；l代表运动目标的与质心平均欧式距离；p(x,y)代表质心坐标。

作为优选，所述步骤6)计算判断目标相似度的方法如下：

a)通过对前后两帧图像中的运动目标进行上述集合的聚类分析，获取对应关系；

b)根据对应关系提取相应的质心坐标，按照如下式子获取运动目标的速度；

$s=\left\{\begin{array}{c}\frac{{\mathrm{\&theta;}}_1}{\mathrm{\&theta;}}<{\mathrm{\&theta;}}_s\\ \frac{{\mathrm{\&alpha;}}_1}{\mathrm{\&alpha;}}<{\mathrm{\&alpha;}}_s\\ \frac{l_1}{l}<l_s\\ \frac{\sqrt{{(x_1-x)}^2+{(y_1-y)}^2}}{\mathrm{\&Delta;T}}<v_s\end{array}\right\}$

其中，θ₁代表当前图像中某运动目标获取的平均纹理，θ_s代表平均纹理相似度阈值；α₁代表某当前图像中获取的平均灰度，α_s代表平均灰度相似度；l₁代表当前图像中某运动目标的平均欧式距离；l_s代表平均欧式距离相似度；代表质心的运动速度，v_s代表运动速度的阈值；

c)当且仅当 $\frac{{\mathrm{\&theta;}}_1}{\mathrm{\&theta;}}<{\mathrm{\&theta;}}_s,\frac{{\mathrm{\&alpha;}}_1}{\mathrm{\&alpha;}}<{\mathrm{\&alpha;}}_s,\frac{l_1}{l}<l_s,\frac{\sqrt{{(x_1-x)}^2+{(y_1-y)}^2}}{\mathrm{\&Delta;T}}<v_s$ 成立时，目标判断为同一目标；否则为不同目标。

本发明的有益效果在于：(1)公交客流视频检测装置以视频检测技术为主要手段，通过引入开关门信号和电子围栏作为视频检测的驱动，解决了实际视频检测问题漏计数和重复计数等问题，极大地提高公交客流检测精度；(2)公交客流分析系统主要通过对各条线路、各个站点、各个时间段以及道路区间内的客流分布和均衡性分布，为智能调度提供最直观的决策数据信息，提高公交企业运营管理水平，提升公交出行服务。

附图说明

图1是本发明方法的流程框图；

图2是本发明结合电子围栏的车辆位置检测方法示意图；

图3是本发明基于相似度的多目标视频检测方法示意图；

图4是本发明视频检测客流技术的工作原理图。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例：如图1所示，本实施例一种结合电子围栏的客流检测方法包含多目标的视频检测方法以及结合电子围栏的客流统计计数；针对客流统计的基本处理流程如图1所示，其操作步骤如下：

(1)采集车辆实时位置信息；

(2)根据位置信息判断车辆电子围栏区域状态是否发生变化，进入电子围栏区域则转到步骤(3)；驶离电子围栏区域则转到步骤(7)；

本步骤描述的结合电子围栏的客流检测方法需要判断车辆是否在有效的位置区域，并以此判断视频客流检测是否开始。如图2所示，具体的车辆位置是否在电子围栏区域的检测方法步骤如下：

I)加载车辆在运营路线上行进的各个站点基础空间位置信息，并根据实际的道路位置情况编辑电子围栏区域A_i，以及车辆经过围栏的默认连续路径l_i(k,β)，其中k代表拟合直线的斜率，β代表直线的方向；

II)通过车辆运营路线的配置切换，系统自动对运营路线的电子围栏进行匹配；通过实时采集车辆位置信息，判断车辆是否进入电子围栏区域；

III)当t时刻，实时位置表明车辆在第i个电子围栏内，获取当前时刻之前Δt的车辆实时位置的连续数据，构成Δt内车辆的连续轨迹路线；

IV)拟合Δt内车辆的连续轨迹为直线，获取直线的斜率k和轨迹的运动方向β；

V)将获取的斜率k和方向β与配置的l_i(k,β)进行对比，当对比结果在设置的偏差范围内时，默认车辆对该电子围栏进行了有效的切割；否则，默认进入区域内的位置信息为无效点位。

(3)判断视频检测是否已经启动，是则转到步骤(5)，否则转到步骤(4)；

(4)启动视频检测单元，开始对检测区域进行视频检测；

(5)监控开关门检测信号量，当开关量出现开信号时转到步骤(6)；

(6)视频检测单元开始进行上下客的检测、计数；

上述所述的视频检测为基于相似度的多目标视频检测方法，对视频检测区域的图像进行逐帧扫描，对连续的帧图像进行灰度处理，并通过比对背景图像，检测图像中的运动变化区域。以运动变化区域为分析对象，进行图像差分计算，根据差分值提取运动物体及运动物体的位置变化；通过对检测区域内的多目标进行相似度计算，计算各个运动目标的运行轨迹，计算各个目标的运动速度；将连贯的运动轨迹进行检测区域的切割计算，判断是否为有效的客流数据检测，并进行计数，如图3所示，具体的操作步骤如下所示：

1)加载初始化配置参数，检测区域横向大小W和纵向大小H，检测目标大小下限S_min；

2)通过对连续的若干帧的视频图像进行灰度分析，与内置的场景进行灰度比较，选择最接近的场景；根据场景，设置背景图像中各区域的平均灰度值，以为后续的运动变化区域检测；

3)通过图像差分法进行运动目标的检测；对相邻两帧的视频图像相减，获得差分图像；同时，相邻两帧图像分别与背景进行差分，并对差分结果进行相或运算(像素255的为1，其他像素为0)；

   (公式1)

其中，g₁(x,y)前一帧图像与背景图像在点(x,y)处的差分值；g₂(x,y)代表后一帧图像与背景图像在点(x,y)处的差分值；p(x,y)代表两帧图像进行或运算后的差分图像；通过对差分图像进行帧差绝对值的计算，获得检测区域内的运动变化区域集合，具体的判定条件如下式所示：

B＝{Y||S_c(X,t)-S_c(X,t-Δt)|＞S_min}   (公式2)

其中：B代表满足条件的运动变化区域集合；Y代表满足运动变化区域大于检测目标下限的个体；S_c(X,t)代表t时刻，点X区域的灰度值；S_c(X,t-Δt)代表t-Δt时刻，点X区域的灰度值；S_min为初始化设置的检测目标下限值；

4)对通过差分法获取运动变化区域进行扫描，记录运动变化区域的平均灰度值，根据灰度值的存在上下浮动值进行计算，在差分图像中恢复和提取运动的物体；

5)提取运动物体的特征，主要提取运动物体的面积和运动物体的边缘轮廓，并将提取的运动物体与上述相邻两帧图像再进行相与运算；

   (公式3)

根据公式(3)获取检测目标；以检测目标的边缘点为集合，通过欧式距离的计算，求解检测目标的质心；以检测目标的若干边缘点为对象，初始选择任意点(x,y)为假定质心，进行欧式距离的计算，如公式(4)，为了减少搜索计算空间，通过对边缘点获取切线垂直线的，获取质心的区间值，再进行搜索；

$d=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\sqrt{{(x_i-x)}^2+{(y_i-y)}^2}}{n}$    (公式4)

其中：(x_i,y_i)为边缘点集合中点i的坐标，(x,y)为假定质心的坐标；

6)提取运动检测目标，建立多目标识别模型，对每个运动目标进行标示；目标为集合s_i＝{θ,α,l,p(x,y)}，其中：θ代表运动目标的平均纹理度；α代表平均灰度；l代表运动目标的与质心平均欧式距离；p(x,y)代表质心坐标；通过对前后两帧图像中的运动目标进行上述集合的聚类分析，获取对应关系；根据对应关系提取相应的质心坐标，获取运动目标的速度；

$s=\left\{\begin{array}{c}\frac{{\mathrm{\&theta;}}_1}{\mathrm{\&theta;}}<{\mathrm{\&theta;}}_s\\ \frac{{\mathrm{\&alpha;}}_1}{\mathrm{\&alpha;}}<{\mathrm{\&alpha;}}_s\\ \frac{l_1}{l}<l_s\\ \frac{\sqrt{{(x_1-x)}^2+{(y_1-y)}^2}}{\mathrm{\&Delta;T}}<v_s\end{array}\right\}$    (公式5)

其中：θ₁代表当前图像中某运动目标获取的平均纹理，θ_s代表平均纹理相似度阈值；α₁代表某当前图像中获取的平均灰度，α_s代表平均灰度相似度；l₁代表当前图像中某运动目标的平均欧式距离；l_s代表平均欧式距离相似度；代表质心的运动速度，v_s代表运动速度的阈值；当且仅当成立时为1，否则为0；同理， 成立时，目标方能判断为同一目标；

7)对检测区域内的检测目标进行运动轨迹的检测，并以运动轨迹对检测区域边框进行有效切割为计数依据，切割的不同方向分别代表上下车的客流；

基于相似度的多目标视频检测方法的工作原理如图4所示。图中节点2为视频图像检测区域，从车门位置延续到车厢内的位置；节点3为视频图像检测计数区域，当目标物体在该区域内时，检测模块自动进行目标的跟踪和提取；当乘客从车门一侧上车，在图中为1-1的位置；视频检测模块对目标物体进行跟踪和识别；当进入图1-2位置时，检测模块识别目标物体对计数区域进行了进入切割，当检测目标到图1-3位置，检测模块识别目标物体对技术区域进行了离开切割，当且仅当目标物体对技术区域进行了进入和离开切割，计数模块才能进行计数。

(7)停止视频检测单元，对客流数据进行汇总、统计，并按照固定的数据格式进行组包，并进行网络传输。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (7)

1.一种结合电子围栏的多目标公交客流检测方法，其特征在于包括如下步骤：(1)采集车辆实时位置信息；

(2)根据位置信息判断车辆的电子围栏区域状态是否发生变化；若是，状态分进入和离开两种状态，若为进入电子围栏区域则执行步骤(3)，若为离开电子围栏则执行步骤(6)；若否，重新执行步骤(1)；

(3)判断视频检测单元是否已启动，若已启动，执行步骤(4)；若没有启动，启动视频检测单元后执行步骤(4)；

(4)对检测区域进行视频检测，监控开关门检测信号量，若检测到开信号则执行步骤(5)；

(5)视频检测单元进行上下客的检测及计数，结束检测计数后返回执行步骤(2)；

(6)关闭视频检测单元，并对客流数据汇总统计后上传数据至系统。

2.根据权利要求1所述的一种结合电子围栏的多目标公交客流检测方法，其特征在于：所述步骤(2)判断车辆的电子围栏区域状态是否发生变化是通过实时位置信息与运动轨迹判断车辆是否为运营载客车辆，具体方法如下：

i)加载车辆在运营路线上行进的各个站点基础空间位置信息，并根据实际的道路位置情况编辑电子围栏区域A_i，以及车辆经过围栏的默认连续路径l_i(k,β)；其中k代表拟合直线的斜率，β代表直线的方向；

ii)通过车辆运营路线的配置切换，系统自动对运营路线的电子围栏进行匹配；通过实时采集车辆位置信息，判断车辆是否进入电子围栏区域；

iii)当t时刻，实时位置表明车辆在第i个电子围栏内，获取当前时刻之前Δt的车辆实时位置的连续数据，构成Δt内车辆的连续轨迹路线；

iv)拟合Δt内车辆的连续轨迹为直线，获取直线的斜率k和轨迹的运动方向β；

v)将获取的斜率k和方向β与配置的l_i(k,β)进行对比，当对比结果在设置的偏差范围内时，默认车辆对电子围栏进行了有效的切割，状态变化；否则状态不发生变化。

3.根据权利要求1所述的一种结合电子围栏的多目标公交客流检测方法，其特征在于：所述步骤(5)的视频检测为基于相似度的多目标视频客流检测方法，具体步骤如下：

1)加载初始化配置参数，检测区域横向大小W和纵向大小H，检测目标大小下限S_min；

2)通过对连续的若干帧的视频图像进行灰度分析，与内置的场景进行灰度比较，选择最接近的场景；根据场景，设置背景图像中各区域的平均灰度值；

3)通过图像差分法进行运动目标的检测；

4)对通过差分法获取的运动变化区域进行扫描，记录运动变化区域的平均灰度值，根据灰度值的存在上下浮动值进行计算，在差分图像中恢复和提取运动物体；

5)提取运动物体的面积和运动物体的边缘轮廓特征，并将提取的特征与相邻两帧图像进行相与运算获得运动检测目标的质心；

6)提取运动检测目标，建立多目标识别模型，对每个运动目标进行标示；并计算判断目标相似度；

7)对检测区域内的检测目标进行运动轨迹的检测，将连贯的运动轨迹进行检测区域的切割计算，判断是否为有效的客流数据，若是，进行计数；若不是，跳转执行步骤3)。

4.根据权利要求3所述的一种结合电子围栏的多目标公交客流检测方法，其特征在于：所述步骤3)通过图像差分法进行运动目标的检测的方法如下：

A)对相邻两帧的视频图像相减，获得差分图像；

B)相邻两帧图像分别与背景进行差分，并按照下式对差分结果进行相或运算：

其中，g₁(x,y)为前一帧图像与背景图像在点(x,y)处的差分值；g₂(x,y)代表后一帧图像与背景图像在点(x,y)处的差分值；p(x,y)代表两帧图像进行或运算后的差分图像；

C)通过对差分图像进行帧差绝对值的判定，获得检测区域内的运动变化区域集合，具体的判定条件如下式所示：

B＝{Y||S_c(X,t)-S_c(X,t-Δt)|＞S_min}

其中，B代表满足条件的运动变化区域集合；Y代表满足运动变化区域大于检测目标下限的个体；S_c(X,t)代表t时刻，点X区域的灰度值；S_c(X,t-Δt)代表t-Δt时刻，点X区域的灰度值；S_min为初始化设置的检测目标下限值。

5.根据权利要求3所述的一种结合电子围栏的多目标公交客流检测方法，其特征在于：所述步骤5)获得运动检测目标质心的方法为根据如下公式获取检测目标，以检测目标的边缘点为集合，通过欧式距离的计算，求解检测目标的质心；

6.根据权利要求3所述的一种结合电子围栏的多目标公交客流检测方法，其特征在于：所述步骤6)提取的运动检测目标的集合为

s_i＝{θ,α,l,p(x,y)}

其中，θ代表运动目标的平均纹理度；α代表平均灰度；l代表运动目标的与质心平均欧式距离；p(x,y)代表质心坐标。

7.根据权利要求3所述的一种结合电子围栏的多目标公交客流检测方法，其特征在于：所述步骤6)计算判断目标相似度的方法如下：

a)通过对前后两帧图像中的运动目标进行上述集合的聚类分析，获取对应关系；

b)根据对应关系提取相应的质心坐标，按照如下式子获取运动目标的速度；

$s=\left\{\begin{array}{c}\frac{{\mathrm{\&theta;}}_1}{\mathrm{\&theta;}}<{\mathrm{\&theta;}}_s\\ \frac{{\mathrm{\&alpha;}}_1}{\mathrm{\&alpha;}}<{\mathrm{\&alpha;}}_s\\ \frac{l_1}{l}<l_s\\ \frac{\sqrt{{(x_1-x)}^2+{(y_1-y)}^2}}{\mathrm{\&Delta;T}}<v_s\end{array}\right\}$

其中，θ₁代表当前图像中某运动目标获取的平均纹理，θ_s代表平均纹理相似度阈值；α₁代表某当前图像中获取的平均灰度，α_s代表平均灰度相似度；l₁代表当前图像中某运动目标的平均欧式距离；l_s代表平均欧式距离相似度；代表质心的运动速度，v_s代表运动速度的阈值；

c)当且仅当 $\frac{{\mathrm{\&theta;}}_1}{\mathrm{\&theta;}}<{\mathrm{\&theta;}}_s,\frac{{\mathrm{\&alpha;}}_1}{\mathrm{\&alpha;}}<{\mathrm{\&alpha;}}_s,\frac{l_1}{l}<l_s,\frac{\sqrt{{(x_1-x)}^2+{(y_1-y)}^2}}{\mathrm{\&Delta;T}}<v_s$ 成立时，目标判断为同一目标；否则为不同目标。