CN105243420A - 公交客流精确统计方法 - Google Patents

Abstract

一种公交客流精确统计方法，在公交车门上方设置单目摄像头，从摄像头拍摄的视频中采集上下车乘客的头部头像，利用开源的opencv_traincascade并结合LBP的纹理特征算法将搜集到的正、负样本进行训练，将经过级联分类器训练的图像以xml的形式进行存储；将单目摄像头所拍摄到的视频进行取帧，结合LBP纹理特征进行检测计数；级联分类器检测程序直接调用opencv的检测函数，得到乘客的头部中心点坐标值；同时在车门的位置划出梯形检测线，以乘客头部中心点运行轨迹的起始点在摄像头的范围内的位置来判断乘客的上下车客流人数。用乘客头部中心点所形成的坐标点所形成运行轨迹的起始点通过梯形检测线并最终运行出摄像头范围的数量来轻松记录上下车的乘客数量，化繁为简。

Description

公交客流精确统计方法

技术领域

本发明涉及模式识别技术领域，具体涉及一种公交客流精确统计方法。

背景技术

随着社会的不断进步，在人机交互技术，访问控制，公安警察部门的刑事侦破、个人的身份识别等领域迫切需要有效的身份检测，而现有的检测方式都有各自无法弥补的缺点，视网膜检测无法确保对人体的安全性、指纹和掌纹检测既不隐蔽有需要被检测者的主动配合，不能满足实际应用的的需要，急需一种新的检测方法。而对于公交来说，一般公交客流统计采用红外检测、刷卡计数，投币数量统计来达到客流的技术目的，但是相对来说还是存在统计不精确、统计繁杂等不足点，对于公交客流来说，同样也急需一种更加快捷的方式方法来达到更精确的客流统计。

发明内容

为解决上述技术问题，本发明公开了一种公交客流精确统计方法。

本发明的技术方案是：

一种公交客流精确统计方法，包括样本的创建、目标的分析及目标检测计数，

（1）图像采集：在公交车门上方设置单目摄像头，从摄像头拍摄的视频中采集上下车乘客的头部头像，对获得的头像进行灰度化处理，然后进行大批量存储；

（2）图像处理：采用开源程序opencv_createsamples为级联分类器准备训练用的正样本、负样本和测试数据，测试数据作为参考然后再结合正样本提取有价值的图像，正样本是从一系列事先标记好的图像中创建的含有目标的图片，正样本图片裁剪成同一尺寸；正样本存储于一个与背景描述文件类似的文本文件，文本文件中的每行对应一个图像文件，每行的第一个元素为图像文件名，后面是物体的数目，最后是物体位置和大小的描述，通过opencv_createsamples程序创建包含正样本的vec文件；使用opencv_createsamples生成能被opencv_traincascade程序支持的正样本，将物体实例从图像中抠取出，然后将之调整尺寸到目标尺寸，然后保存到输出为以*.vec为扩展名的文件，以二进制方式存储图像，将opencv_createsamples.exe和opencv_traincascade.exe放到图片文件夹的上层目录，生成的正样本的数目以及随机的程度通过opencv_createsamples的命令行参数控制；

负样本是图像中不包含待检测的物体的其他的由单目摄像头拍摄的图像，负样本的图像尺寸大于训练窗口的尺寸。用于抠取负样本的图像文件名被列在一个纯文本文件中，纯文本文件的每行是一个文件名；

（3）级联分类器训练：利用开源的opencv_traincascade并结合LBP的纹理特征算法将搜集到的正、负样本进行训练，利用充足的数据，将多个弱分类器通过集成的方式生成高精度的强分类器，多个强分类器组成级联分类器，级联分类器加入阈值算法，小于图片特征值的为有价值的头像,将经过级联分类器训练的图像以xml的形式进行存储，同时使用筛选级把强分类器联到一起；

（4）将单目摄像头所拍摄到的视频进行取帧，将级联分类器训练出的XML文件导入，结合LBP纹理特征进行检测计数；然后级联分类器检测程序直接调用opencv的检测函数，得到头部的矩形坐标和长宽，然后直接得到乘客的头部中心点坐标值；

（5）将第一帧所生成的的头像中心点的坐标点利用欧氏距离算法与第二帧的头像中心点坐标点之间距离进行对比，小于NC值的话为同一个人，大于NC值则不为同一个人，在为同一个人的情况下继续与第三帧进行比较，如果采用欧氏距离后还小于NC阈值，则继续往下进行比较，由此来判断是否为同一个人以及其头部图像运行轨迹；

（6）上述步骤为一个人头像及运动轨迹的判断过程，与此同时在车门的位置利用立体学原理，结合单目摄像头的位置、广角、焦距、深度等因素划出梯形检测线，以乘客头部中心点运行轨迹的起始点在摄像头的范围内的位置来判断乘客的上下车客流人数，同时利用乘客头部运行轨迹通过检测线并最终运行出摄像头范围的数量来统计客流人数。

本发明的有益效果是：

用乘客头部中心点所形成的坐标点所形成运行轨迹的起始点通过梯形检测线并最终运行出摄像头范围的数量来轻松记录上下车的乘客数量，化繁为简。简单实用、以此来统计客流数量将极大地提高客流统计的准确性，具有普及的极大可能性。有效克服了传统的客流计数方法在乘客拥挤和光线变化时计数准确度差的缺点，很好的解决了客流量拥挤时客流计数的问题，达到了精确客流计数的目的，为智能公共交通系统提供了实时、清楚、准确的乘客交通统计数据。

附图说明

图1为本发明公交客流精确统计方法的总体流程图；

图2为本发明公交客流精确统计方法的检测计数部分程序流程图；

图3为梯形检测线检测图一；

图4为梯形检测线检测图二；

图中：1.梯形检测线。

具体实施方式

本发明的具体实施例如图1-4所示：

1、在公交车门上方设置单目摄像头，从摄像头拍摄的视频中采集上下车乘客的头部头像，对获得的头像进行灰度化处理，然后进行大批量存储。

2.OpenCV的全称是：OpenSourceComputerVisionLibrary。OpenCV是一个基于（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows和MacOS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法；

采用开源程序opencv_createsamples为级联分类器准备训练用的正样本、负样本和测试数据，测试数据作为参考然后再结合正样本提取有价值的图像，正样本也可从一系列事先标记好的图像中创建。标记信息可以存储于一个文本文件，与背景描述文件类似。文件中的每行对应一个图像文件。每行的第一个元素为图像文件名，后面是物体的数目，最后是物体位置和大小的描述(x,y,width,height)，因为在训练中，训练程序并不关心包含正样本的vec文件如何生成的，也可以自己写程序来生成vec文件。但是OpenCV提供的工具中，只有opencv_createsamples程序能够创建包含正样本的vec文件；

正样本就是含有目标的图片，正样本图片裁剪成同一尺寸，便于后期的说明文件的建立。opencv_createsamples能够生成能被opencv_traincascade程序支持的正样本数据，将物体实例从图像中抠取出，然后将之调整尺寸到目标尺寸，然后保存到输出为以*.vec为扩展名的文件，以二进制方式存储图像，将opencv_createsamples.exe和opencv_traincascade.exe放到图片文件夹的上层目录，这样生成的正样本的数目以及随机的程度都可以通过opencv_createsamples的命令行参数控制。

3、负样本可以是任意图像，是图像中不包含待检测的物体的其他的由单目摄像头拍摄的图像。用于抠取负样本的图像文件名被列在一个文件中。这个文件是纯文本文件，每行是一个文件名。负样本也叫做背景样本。这些图像可以是不同的尺寸，但是图像尺寸应该比训练窗口的尺寸大，因为这些图像将被用于抠取负样本，并将负样本缩小到训练窗口大小。

4、级联分类器训练：将搜集到的正负样本结合LBP的纹理特征算法利用开源的opencv_traincascade进行训练，将无数个弱分类器进行集合得到一个个强分类器，利用充足的数据，将弱分类器通过集成的方式生成高精度的强分类器，无数的强分类器就组成了级联分类器，然后加上阈值算法，小于图片特征值的，才为有价值的头像,然后将经过级联分类器训练的图像以xml的形式进行存储，同时可以使用筛选级把强分类器联到一起，提高准确率。

5、将单目摄像头所拍摄到的视频进行取帧，然后将级联分类器训练出的XML文件导入，结合LBP纹理特征准备进行检测计数；然后级联分类器检测程序直接调用opencv的检测函数，得到头部的矩形坐标和长宽，然后直接得到乘客的头部中心点坐标值。

6、将第一帧所生成的的头像中心点的坐标点利用欧氏距离算法与第二帧的头像中心点坐标点之间距离进行对比，小于NC值的话为同一个人，大于NC值则不为同一个人，在为同一个人的情况下继续与第三帧进行比较，如果采用欧氏距离后还小于NC阈值，则继续往下进行比较，由此来判断是否为同一个人以及其头部图像运行轨迹。

7、以上步骤为一个人头像及运动轨迹的判断过程，与此同时在车门的位置利用立体学原理，结合单目摄像头的位置、广角、焦距、深度等因素划出梯形检测线，以乘客头部中心点运行轨迹的起始点在摄像头的范围内的位置来判断乘客的上下车客流人数，同时利用乘客头部运行轨迹通过检测线并最终运行出摄像头范围的数量来统计客流人数。

Claims (1)

1.一种公交客流精确统计方法，包括样本的创建、目标的分析及目标检测计数，其特征是：

（1）图像采集：在公交车门上方设置单目摄像头，从摄像头拍摄的视频中采集上下车乘客的头部头像，对获得的头像进行灰度化处理，然后进行大批量存储；

（2）图像处理：采用开源程序opencv_createsamples为级联分类器准备训练用的正样本、负样本和测试数据，测试数据作为参考然后再结合正样本提取有价值的图像，正样本是从一系列事先标记好的图像中创建的含有目标的图片，正样本图片裁剪成同一尺寸；正样本存储于一个与背景描述文件类似的文本文件，文本文件中的每行对应一个图像文件，每行的第一个元素为图像文件名，后面是物体的数目，最后是物体位置和大小的描述，通过opencv_createsamples程序创建包含正样本的vec文件；使用opencv_createsamples生成能被opencv_traincascade程序支持的正样本，将物体实例从图像中抠取出，然后将之调整尺寸到目标尺寸，然后保存到输出为以*.vec为扩展名的文件，以二进制方式存储图像，将opencv_createsamples.exe和opencv_traincascade.exe放到图片文件夹的上层目录，生成的正样本的数目以及随机的程度通过opencv_createsamples的命令行参数控制；

负样本是图像中不包含待检测的物体的其他的由单目摄像头拍摄的图像，负样本的图像尺寸大于训练窗口的尺寸，用于抠取负样本的图像文件名被列在一个纯文本文件中，纯文本文件的每行是一个文件名；

（3）级联分类器训练：利用开源的opencv_traincascade并结合LBP的纹理特征算法将搜集到的正、负样本进行训练，利用充足的数据，将多个弱分类器通过集成的方式生成高精度的强分类器，多个强分类器组成级联分类器，级联分类器加入阈值算法，小于图片特征值的为有价值的头像,将经过级联分类器训练的图像以xml的形式进行存储，同时使用筛选级把强分类器联到一起；

（4）将单目摄像头所拍摄到的视频进行取帧，将级联分类器训练出的XML文件导入，结合LBP纹理特征进行检测计数；然后级联分类器检测程序直接调用opencv的检测函数，得到头部的矩形坐标和长宽，然后直接得到乘客的头部中心点坐标值；

（5）将第一帧所生成的的头像中心点的坐标点利用欧氏距离算法与第二帧的头像中心点坐标点之间距离进行对比，小于NC值的话为同一个人，大于NC值则不为同一个人，在为同一个人的情况下继续与第三帧进行比较，如果采用欧氏距离后还小于NC阈值，则继续往下进行比较，由此来判断是否为同一个人以及其头部图像运行轨迹；

（6）上述步骤为一个人头像及运动轨迹的判断过程，与此同时在车门的位置利用立体学原理，结合单目摄像头的位置、广角、焦距、深度等因素划出梯形检测线，以乘客头部中心点运行轨迹的起始点在摄像头的范围内的位置来判断乘客的上下车客流人数，同时利用乘客头部运行轨迹通过检测线并最终运行出摄像头范围的数量来统计客流人数。