CN106934356B - 基于热成像的公交站台夜晚客流统计方法及系统 - Google Patents

Abstract

本发明提供一种基于热成像的公交站台夜晚客流统计方法及系统，其中，所述方法包括如下步骤：S1、通过热成像实时获取公交站台所在区域中目标的热成像图像；S2、提取所述热成像图像的边界图像，并对其进行预处理；S3、对预处理后的热成像图像的边界图像进行优化完善；S4、获取边界优化完善后的热成像图像的参数，根据获取的参数区分行人和非行人；S5、提取行人图像，并获取行人运动轨迹，依据所述运动轨迹判断行人进入公交站台还是离开公交站台，并生成客流数据；S6、根据所述客流数据生成交站台夜晚客流报表及热点图。本发明能够在夜晚场景光线较暗的环境中，利用热成像来获取热成像图像，可准确的得出公交站台夜晚客流数据。

Description

基于热成像的公交站台夜晚客流统计方法及系统

技术领域

本发明涉及客流统计技术领域，尤其涉及一种基于热成像的公交站台夜晚客流统计方法及系统。

背景技术

随着城市夜生活的丰富，对于夜间出行的市民，乘坐公交车仍是大多数市民的首选。公交站台是市民出行的一个临时聚集点，作为城市公共交通的管理运营者，准确掌握城市公交站台夜晚客流情况，可以对夜晚公交线路的做出合理规划与安排，从而显著提升公交部门的管理能力和服务水平。而且对城市安全管理部门，可以通过公交站台夜晚客流量分布图，有重点的在夜晚期间对客流量大的区域进行安全巡察，当危情发生时可以及时疏散人群，保障市民安全。

目前，现有的公交站台夜晚客流统计的方法：(1)采用人工统计的方法来获取公交站台夜晚客流数据，此种方法极其的消耗人力、财力，而且不具备系统性和全面性；(2)通过蓝牙检测器检测移动设备来统计出公交站台的夜晚客流。然而，此种方法缺陷在于并不是所有行人都会开启蓝牙设备，对于没有开启蓝牙的设备的行人，此种检测方法就无法计数。从而，检测到的客流数据就没有了实际的参考意义；(3)另一类方法是通过摄像头等视频图像检测计数。然而，此种客流计数方式受光线影响较大，在夜晚场景下准确率很低，而且也不是特定为公交来站台来设计的。

因此，针对上述问题，有必要提出进一步的解决方案。

发明内容

本发明的目的在于提供一种基于热成像的公交站台夜晚客流统计方法及系统，以克服现有技术中存在的不足。

为实现上述发明目的，本发明提供一种基于热成像的公交站台夜晚客流统计方法，其包括如下步骤：

S1、通过热成像实时获取公交站台所在区域中目标的热成像图像；

S2、提取所述热成像图像的边界图像，并对其进行预处理；

S3、对预处理后的热成像图像的边界图像进行优化完善；

S4、获取边界优化完善后的热成像图像的参数，根据获取的参数区分行人和非行人；

S5、提取行人图像，并获取行人运动轨迹，依据所述运动轨迹判断行人进入公交站台还是离开公交站台，并生成客流数据；

S6、根据所述客流数据生成交站台夜晚客流报表及热点图。

作为本发明的基于热成像的公交站台夜晚客流统计方法的改进，所述步骤S1之前还包括：对公交站台内边线和外边线进行标定，确定公交站台所在区域。

作为本发明的基于热成像的公交站台夜晚客流统计方法的改进，对公交站台内边线和外边线进行标定具体包括：

S01、以所述公交站台的外边框轮廓线作为公交站台所在区域的内边线；

S02、以距离所述内边线Lm处作为公交站台所在区域的外边线。

作为本发明的基于热成像的公交站台夜晚客流统计方法的改进，所述步骤S1中还包括确定热成像图像采集点的步骤，该步骤包括：

以所述公交站台所在区域为参考，所述公交站台所在区域的正中靠上所对应的空间位置作为热成像图像采集点，所述热成像图像采集点与所述公交站台所在区域之间的垂直距离为H；

其中，

A是公交站台的长度，B为公交站台的宽度，θ为热成像图像采集点与地平面的夹角，θ_min、θ_max为设定的最小及最大允许角度。

作为本发明的基于热成像的公交站台夜晚客流统计方法的改进，所述步骤S2具体包括：

建立所述热成像图像的Snake模型，依据所述Snake模型提取所述热成像图像的边界图像，并对其进行预处理。

作为本发明的基于热成像的公交站台夜晚客流统计方法的改进，依据所述Snake模型提取所述热成像图像的边界图像包括：

S21、以I：[O，m]×[O，n]表示待分割的热成像图像，以参数曲线C(s，t)＝[x(s，t)，y(s，t)]表示边界图像的模型曲线，其中s∈[0，1]，t表示时间，[x(s，t)，y(s，t)]表示模型曲线；

S22、依据所述模型曲线，得到其能量泛函： 通过所述能量泛函，随着曲线C(s，t)将在图像I上不断移动，最终收敛到目标边界上。

作为本发明的基于热成像的公交站台夜晚客流统计方法的改进，所述步骤S3包括：利用梯度向量GVF模型对边界图像进行优化完善。

作为本发明的基于热成像的公交站台夜晚客流统计方法的改进，利用梯度向量GVF模型对边界图像进行优化完善包括：

S31、获取边界图像f(x，y)的最小化能量泛函ε：

其中，参数μ为调节因子，τ为梯度向量；

S32、采用变分法，得到使ε最小化的梯度向量τ，在所述梯度向量τ满足欧拉方程的条件下，通过欧拉方程得到待处理目标的热成像图像的GVF矢量场，所述GVF矢量场τ(x，y)＝[u(x，y)，v(x，y)]；

S33、通过得到的所述GVF矢量场，提取目标轮廓，并检测目标轮廓是否存在角点，若存在角点，按角点去除边界图噪声，然后再进入GVF矢量场继续检测，直至没有轮廓角点。

作为本发明的基于热成像的公交站台夜晚客流统计方法的改进，所述步骤S4具体包括：

S41、获取优化完善后边界图像的参数轮廓高宽比r_hw和面积比r_s，其中，所述所述/>

S42、当轮廓高宽比r_hw和面积比r_s均处于预设区域范围时，则判断所述热成像图像为行人，否则判断所述热成像图像为非行人。

作为本发明的基于热成像的公交站台夜晚客流统计方法的改进，所述步骤S5具体包括；

S51、以公交站台所在区域为参考，设定出站方向和进站方向，提取行人图像，并获取行人运动轨迹，当若检测到行人的运动轨迹沿出站方向的值呈增大趋势，则行人离开公交站台，当若检测到行人的运动轨迹沿出站方向的值呈减小趋势，则行人进入站台；

S52、设定所述行人运动轨迹矢量的阈值，若运动轨迹矢量大于或者等于所述阈值，则进行人数统计，若运动轨迹矢量无变化或者小于所述阈值，则不予统计。

为实现上述发明目的，本发明还提供一种基于热成像的公交站台夜晚客流统计系统，其包括：图像采集装置、图像处理装置、数据传输装置以及智能管理平台；

所述图像采集装置包括热成像设备，所述热成像设备与所述图像处理装置进行数据传输；所述图像处理装置包括图像预处理模块、图像检测处理模块、图像对比分析模块、行人轨迹分析模块，所述数据传输装置包括有线传输模块和/或无线传输模块，所述智能管理平台包括数据接收模块和数据分析模块。

与现有技术相比，本发明的有益效果是：本发明的基于热成像的公交站台夜晚客流统计方法能够在夜晚场景光线较暗的环境中，利用热成像来获取热成像图像，可准确的得出公交站台夜晚客流数据。从而，为公共交通管理者提供有效且准确的参考数据，有利于对夜晚公交线路的做出合理规划与安排，显著提升公交部门的管理能力和服务水平。此外，通过公交站台夜晚客流量热点图，有利于在夜晚期间对客流量大的区域进行有重点的安全巡察，当危情发生时可以及时疏散人群，保障市民安全。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的基于热成像的公交站台夜晚客流统计方法的方法流程示意图；

图2为对公交站台所在区域进行标定时的示意图；

图3为本发明的基于热成像的公交站台夜晚客流统计方法中步骤S2、S3的流程示意图；

图4为本发明的基于热成像的公交站台夜晚客流统计方法中步骤S4的流程示意图；

图5为行人和非行人的轮廓示意图，其中，(1)为状杆物轮廓示意图，(2)为行人直立时的轮廓示意图，(3)为行人迈步时的轮廓示意图，(4)为背包、箱子等块状物的轮廓示意图；

图6为本发明的基于热成像的公交站台夜晚客流统计方法中步骤S5的流程示意图；

图7为本发明的基于热成像的公交站台夜晚客流统计系统的模块示意图。

具体实施方式

下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

如图1所示，本发明的基于热成像的公交站台夜晚客流统计系统包括如下步骤：

S1、通过热成像实时获取公交站台所在区域中目标的热成像图像。

具体地，为了更好地获取公交站台所在区域中目标的热成像图像，所述步骤S1之前还包括：对公交站台内边线和外边线进行标定，确定公交站台所在区域。如图2所示，其中，对公交站台内边线L1和外边线L2进行标定具体包括：

S01、以所述公交站台的外边框轮廓线作为公交站台所在区域的内边线L1；

S02、以距离所述内边线L1Lm处作为公交站台所在区域的外边线L2。

从而，如公交站台的外边框为矩形，则确定的公交站台所在区域为回字形。

进一步地，所述步骤S1中还包括确定热成像图像采集点P的步骤，该步骤包括：

以所述公交站台所在区域为参考，所述公交站台所在区域的正中靠上所对应的空间位置作为热成像图像采集点，所述热成像图像采集点与所述公交站台所在区域之间的垂直距离为H；

其中，

A是公交站台的长度，B为公交站台的宽度，θ为热成像图像采集点与地平面的夹角，θ_min、θ_max为设定的最小及最大允许角度。优选地，θ∈(10°，30°)。此外，高度H不小于2m。

S2、提取所述热成像图像的边界图像，并对其进行预处理。

如图3所示，具体地，所述步骤S2具体包括：建立所述热成像图像的Snake模型，依据所述Snake模型提取所述热成像图像的边界图像，并对其进行预处理。

其中，依据所述Snake模型提取所述热成像图像的边界图像包括：

S21、以I：[O，m]×[O，n]表示待分割的热成像图像，以参数曲线C(s，t)＝[x(s，t)，y(s，t)]表示边界图像的模型曲线，其中s∈[0，1]，t表示时间，[x(s，t)，y(s，t)]表示模型曲线；

S22、依据所述模型曲线，得到其能量泛函： 通过所述能量泛函，随着曲线C(s，t)将在图像I上不断移动，最终收敛到目标边界上。

如此，可实现所述热成像图像的初始边界图像的提取，并为后续边界图像优化做准备。

S3、对预处理后的热成像图像的边界图像进行优化完善。

继续参照图3所示，具体地，利用梯度向量GVF模型对边界图像进行优化完善，如此以便于计算判定目标热成像图像是否为行人。

其中，利用梯度向量GVF模型对边界图像进行优化完善包括：

S31、获取边界图像f(x，y)的最小化能量泛函ε：

其中，参数μ为调节因子，τ为梯度向量；

其中，所述μ_x、μ_y、v_x、v_y为GVF外力场的向量参数，表示图像的边缘图，其可以通过Laplacian算子计算得到。

S32、采用变分法，得到使ε最小化的梯度向量τ，在所述梯度向量τ满足欧拉方程的条件下，通过欧拉方程得到待处理目标的热成像图像的GVF矢量场，所述GVF矢量场τ(x，y)＝[u(x，y)，v(x，y)]；

S33、通过得到的所述GVF矢量场，提取目标轮廓，并检测目标轮廓是否存在角点，若存在角点，按角点去除边界图噪声，然后再进入GVF矢量场继续检测，直至没有轮廓角点。

S4、获取边界优化完善后的热成像图像的参数，根据获取的参数区分行人和非行人。

如图4、5所示，基于边界优化后的热成像图像，为了实现行人和非行人的区分。引入参数轮廓高宽比r_hw和面积比r_s，并结合目标图像的高度进行区分。其中，

其中，H为轮廓高度，W为轮廓的宽度。从而，所述步骤S4具体包括：

S41、获取优化完善后边界图像的参数轮廓高宽比r_hw和面积比r_s，其中，所述所述/>

S42、当轮廓高宽比r_hw和面积比r_s均处于预设区域范围时，则判断所述热成像图像为行人，否则判断所述热成像图像为非行人。

具体地，由于公交站台中人员及环境较为复杂。针对轮廓高宽比r_hw而言，状杆物最大，r_hw一般大于5。背包、箱子等块状物最小，r_hw一般小于2。行人则介于两者之间。但是由于行人姿态的多变性，如测立、直立、迈步摆臂、携带包裹、热水壶等，r_hw变化范围较大，其中测立时最大，运动摆臂且且携带包裹时最小。经实验测试，行人对应_rhw可在1.7-5之间变化。因此可运用r_hw排除桶状物目标及r_hw值较小的块状目标。

针对面积比r_s而言，由于行人和块状目标在分布上存在一定程度的重叠行人因摆臂或携带包裹而引起r_hw明显减小，容易误判为包裹等块状物体。因此，可引入轮廓面积比r_s。显然，运动行人的r_s较小，而包括等块状目标对应r_s则较大。经实验测试，位于r_hw重叠区附近(即r_hw∈[1.5，2.2])的运动行人对应r_s在0.5～0.7间变化，而块状目标的r_s因子则大于0.7。为此，可运用r_s及r_hw共同识别重叠区域行人目标。

针对目标图像的高度H，提取高程H∈[1.1m，2m]的分割目标，并提取其轮廓曲线。提取r_hw∈[2，2.5]的目标，将其判别为行人；提取r_hw∈[1.5，2.2]的潜在行人，并用r_s对其进一步识别，若r_s∈[0.5，0.7]则判为行人。

S5、提取行人图像，并获取行人运动轨迹，依据所述运动轨迹判断行人进入公交站台还是离开公交站台，并生成客流数据。

如图6所示，具体地，所述步骤S5具体包括：

S51、以公交站台所在区域为参考，设定出站方向和进站方向，提取行人图像，并获取行人运动轨迹，当若检测到行人的运动轨迹沿出站方向的值呈增大趋势，则行人离开公交站台，当若检测到行人的运动轨迹沿出站方向的值呈减小趋势，则行人进入站台；

S52、设定所述行人运动轨迹矢量的阈值，若运动轨迹矢量大于或者等于所述阈值，则进行人数统计，若运动轨迹矢量无变化或者小于所述阈值，则不予统计。

以图1所示公交站台为例，以公交站台所在区域为参考，沿其内边线和外边线建立x-y坐标系。并将y轴的正方向定义为出站方向，反方向定义为进站方向。从而，若检测到行人的运动轨迹沿Y轴方向的值呈增大趋势，即行人运动轨迹有内向外，则判断行人为出站台的行为。若检测到行人的运动轨迹沿Y轴方向的值呈减小趋势，即行人运动轨迹有外至内，则判断行人为进入公交站台。若运动轨迹大于或者等于所设定的阈值，则做人数统计；若行人运动轨迹矢量基本无变化或者小于设定的阈值则判断为行人不是新进入者，不予统计。

S6、根据所述客流数据生成交站台夜晚客流报表及热点图。

具体地，根据所述客流数据，可以生成公交站台夜晚客流的日、周、月报表，也可以实时查看或者导出整个城市的公交站台夜晚客流热点图。如此，可根据不同需求得到不同数据报表，为公共交通管理者提供准确的客流数据支撑。

如图7所示，基于如上所述的公交站台夜晚客流统计方法，本发明还提供一种基于热成像的公交站台夜晚客流统计系统，其特征在于，所述基于热成像的公交站台夜晚客流统计系统包括：图像采集装置10、图像处理装置20、数据传输装置30以及智能管理平台40。

所述图像采集装置10包括热成像设备，所述热成像设备与所述图像处理装置20进行数据传输；所述图像处理装置20包括图像预处理模块21、图像检测处理模块22、图像对比分析模块23、行人轨迹分析模块24，所述数据传输装置30包括有线传输模块和/或无线传输模块，所述智能管理平台40包括数据接收模块和数据分析模块。

具体地，所述热成像设备可以为热成像仪，其安装位置参考如上所述方法中热成像图像采集点的确定步骤。即，安装热成像仪前首先要对公交站台做内边线和外边线进行标定，然后根据标定的边线确定热成像仪安装的位置与角度。优选地，热成像仪与地面角度θ∈(10°，30°)。热成像仪安装在公交站台最内侧中部靠上部位，高度H不小于2米，两个热成像仪背靠背镜像安装。所述图像处理装置20和数据传输装置30安装在公交站台隐蔽处，同时设置防雨防盗措施。所述智能管理平台40远程安装在公共交通管理部门信息中心处。

所述图像处理装置20经过一系列运算将有效的客流数据传输至所述数据传输装置30，所述数据传输装置30实时传输给智能管理平40台。其中，所述数据传输装置30若可以接入有线传输模块，可以通过有线网络传输给智能管理平台。若无法接入有线传输模块，可以通过数据传输装置30中集成的无线传输模块，将公交站台客流数据传输给智能管理平台40。所述有线传输模块可以为有线宽带网络传输模块，所述无线传输模块可以为无线4G网络传输模块。

所述智能管理平台40可以生成公交站台夜晚客流的日、周、月报表，也可以实时查看或者导出整个城市的公交站台夜晚客流热点图，并根据不同需求得到不同数据报表，为公共交通管理者提供准确的客流数据支撑。

综上所述，本发明的基于热成像的公交站台夜晚客流统计方法能够在夜晚场景光线较暗的环境中，利用热成像来获取热成像图像，可准确的得出公交站台夜晚客流数据。从而，为公共交通管理者提供有效且准确的参考数据，有利于对夜晚公交线路的做出合理规划与安排，显著提升公交部门的管理能力和服务水平。此外，通过公交站台夜晚客流量热点图，有利于在夜晚期间对客流量大的区域进行有重点的安全巡察，当危情发生时可以及时疏散人群，保障市民安全。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种基于热成像的公交站台夜晚客流统计方法，其特征在于，所述方法包括如下步骤：

S1、通过热成像实时获取公交站台所在区域中目标的热成像图像；

S2、提取所述热成像图像的边界图像，并对其进行预处理；

S3、对预处理后的热成像图像的边界图像进行优化完善；

S4、获取边界优化完善后的热成像图像的参数，根据获取的参数区分行人和非行人；

S5、提取行人图像，并获取行人运动轨迹，依据所述运动轨迹判断行人进入公交站台还是离开公交站台，并生成客流数据；

S6、根据所述客流数据生成交站台夜晚客流报表及热点图；

所述步骤S3包括：利用梯度向量GVF模型对边界图像进行优化完善；

利用梯度向量GVF模型对边界图像进行优化完善包括：

S31、获取边界图像f(x，y)的最小化能量泛函ε：

其中，参数μ为调节因子，τ为梯度向量；

S32、采用变分法，得到使ε最小化的梯度向量τ，在所述梯度向量τ满足欧拉方程的条件下，通过欧拉方程得到待处理目标的热成像图像的GVF矢量场，所述GVF矢量场τ(x，y)＝[u(x，y)，v(x，y)]；

S33、通过得到的所述GVF矢量场，提取目标轮廓，并检测目标轮廓是否存在角点，若存在角点，按角点去除边界图噪声，然后再进入GVF矢量场继续检测，直至没有轮廓角点；

所述步骤S4具体包括：

S41、获取优化完善后边界图像的参数轮廓高宽比r_hw和面积比r_s，其中，所述所述/>

S42、当轮廓高宽比r_hw和面积比r_s均处于预设区域范围时，则判断所述热成像图像为行人，否则判断所述热成像图像为非行人；

所述步骤S5具体包括：

S51、以公交站台所在区域为参考，设定出站方向和进站方向，提取行人图像，并获取行人运动轨迹，当若检测到行人的运动轨迹沿出站方向的值呈增大趋势，则行人离开公交站台，当若检测到行人的运动轨迹沿出站方向的值呈减小趋势，则行人进入站台；

S52、设定所述行人运动轨迹矢量的阈值，若运动轨迹矢量大于或者等于所述阈值，则进行人数统计，若运动轨迹矢量无变化或者小于所述阈值，则不予统计。

2.根据权利要求1所述的基于热成像的公交站台夜晚客流统计方法，其特征在于，所述步骤S1之前还包括：对公交站台内边线和外边线进行标定，确定公交站台所在区域。

3.根据权利要求2所述的基于热成像的公交站台夜晚客流统计方法，其特征在于，对公交站台内边线和外边线进行标定具体包括：

S01、以所述公交站台的外边框轮廓线作为公交站台所在区域的内边线；

S02、以距离所述内边线Lm处作为公交站台所在区域的外边线。

4.根据权利要求3所述的基于热成像的公交站台夜晚客流统计方法，其特征在于，所述步骤S1中还包括确定热成像图像采集点的步骤，该步骤包括：

以所述公交站台所在区域为参考，所述公交站台所在区域的正中靠上所对应的空间位置作为热成像图像采集点，所述热成像图像采集点与所述公交站台所在区域之间的垂直距离为H；

其中，[θ∈(θ_min，θ_max)]；

A是公交站台的长度，B为公交站台的宽度，θ为热成像图像采集点与地平面的夹角，θ_min、θ_max为设定的最小及最大允许角度。

5.根据权利要求1所述的基于热成像的公交站台夜晚客流统计方法，其特征在于，所述步骤S2具体包括：

建立所述热成像图像的Snake模型，依据所述Snake模型提取所述热成像图像的边界图像，并对其进行预处理。

6.根据权利要求5所述的基于热成像的公交站台夜晚客流统计方法，其特征在于，依据所述Snake模型提取所述热成像图像的边界图像包括：

S21、以I：[O，m]×[O，n]表示待分割的热成像图像，以参数曲线C(s，t)＝[x(s，t)，y(s，t)]表示边界图像的模型曲线，其中s∈[0，1]，t表示时间，[x(s，t)，y(s，t)]表示模型曲线；

S22、依据所述模型曲线，得到其能量泛函： 通过所述能量泛函，随着曲线C(s，t)将在图像I上不断移动，最终收敛到目标边界上。

7.一种采用如权利要求1～6任一所述的基于热成像的公交站台夜晚客流统计方法的系统，其特征在于，所述基于热成像的公交站台夜晚客流统计系统包括：图像采集装置、图像处理装置、数据传输装置以及智能管理平台；

所述图像采集装置包括热成像设备，所述热成像设备与所述图像处理装置进行数据传输；所述图像处理装置包括图像预处理模块、图像检测处理模块、图像对比分析模块、行人轨迹分析模块，所述数据传输装置包括有线传输模块和/或无线传输模块，所述智能管理平台包括数据接收模块和数据分析模块。