CN107145819A - 一种公交车拥挤度确定方法和装置 - Google Patents

Abstract

本发明公开了一种公交车拥挤度确定方法，所述公交车的上下门处分别垂直悬挂设置摄像采集装置，所述方法包括：通过所述摄像采集装置获取在拍摄时间内上下车的乘客的人数；通过人数识别确定所述公交车当前的车内人数，以及通过对运动斑块识别确定所述公交车当前的运动斑块占地面积；根据所述车内人数与预设的所述公交车的承载人数确定人数拥挤度，以及根据所述运动斑块占地面积与预设的所述公交车的承载面积确定运动斑块拥挤度；根据所述人数拥挤度以及所述运动斑块拥挤度确定所述公交车的拥挤级别。本申请解决了现有技术中采用单一的图像识别算法采集用户特征时，需要利用大量的采集样本，效率低下，且容易受到环境影响出现误判的问题。

Description

一种公交车拥挤度确定方法和装置

技术领域

本发明涉及通信领域，尤其涉及一种公交车拥挤度确定方法和装置。

背景技术

目前，人数统计是人群行为分析的一个重要内容，其广泛的应用于视频监 控中，有着重要的应用价值。例如，高峰期的交通拥堵已对城市的可持续发展 构成了严重阻碍。部分公交线路在高峰期运力不足限制了居民乘坐公交的热 情。但是单纯地增加热门线路的公交车数量，则会导致非高峰期的运力过剩， 既不经济也不环保，为了解决该问题，需要对各个线路的每一辆公交车上车人 数、下车人数以及车上乘客总数进行统计，以此实现对现行各个公交线路在各 个时间段的乘客负载情况进行监控。因此，作为智能公交调度系统的最重要的 部分，对公交乘客数进行精确的统计是公交智能调度系统实现的关键。

传统的客流统计方法是利用红外线检测系统实现对上下车人数的统计。但 是，红外装置很容易受到外界因素的干扰，如人员连续通过或人员长时间驻留 都可能造成误统计，无法满足公交智能调度系统对人数统计的精确性要求，后 来随着技术发展，出现了通过图像识别算法实现乘客的人数计算，如已有技术 中出现的“一种人脸识别系统”，其接受视频、录像、照片等多种图像来源， 并对图像进行快速处理，识别人脸信息并开始计数。

但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述 技术至少存在如下技术问题：由于人体本身固有的特征复杂，从视频中分析出 人数是一个非常复杂和有挑战性的计算机视觉与人工智能问题。已有的技术方 案主要是在图像中采集一些反应人体特点的特征元素。但这种算法也容易受到 环境影响，需要训练大量的特征样本，效率非常低，且识别系统如果没有采集 足够的样本，容易出现误判，进一步造成对当前乘车环境的拥挤度判别出错， 例如把本来较为拥挤的乘车环境判定为不拥挤，使得公交调度系统出现错误， 影响用户体验。

由此可见，对于已有技术中单一的做特征识别的方案，仅通过人体识别因 训练样本不足识别不到非人的运动斑块会造成误判的问题，确定拥挤度不够精 细。

发明内容

本申请实施例通过提供一种公交车拥挤度确定方法和装置，解决了现有技 术中采用单一的图像识别算法采集用户特征时，需要利用大量的采集样本，效 率低下，且容易受到环境影响出现误判的问题。

一方面，本申请实施例提供了一种公交车拥挤度确定方法，所述公交车的 上下门处分别垂直悬挂设置摄像采集装置，所述方法包括：

通过所述摄像采集装置获取在拍摄时间内上下车的乘客的人数；

通过人数识别确定所述公交车当前的车内人数，以及通过对运动斑块识别 确定所述公交车当前的运动斑块占地面积；

根据所述车内人数与预设的所述公交车的承载人数确定人数拥挤度，以及 根据所述运动斑块占地面积与预设的所述公交车的承载面积确定运动斑块拥 挤度；

根据所述人数拥挤度以及所述运动斑块拥挤度确定所述公交车的拥挤级 别。

优选的，通过人数识别确定所述公交车当前的车内人数，具体包括：

将所述摄像采集装置的采集结果输入预先创建的级联分类器，所述级联分 类器包括预先收集到的包含人头部的样本图片；

根据卷积神经网络算法在所述级联分类器中确定检测窗口，并根据所述检 测窗口对所述级联分类器中输入的图像进行人头部识别；

将检测窗口确定出的人头部作为目标对象确定上下车人数以及车内人数。

优选的，所述将检测窗口确定出的人头部作为目标对象确定上下车人数以 及车内人数，具体包括：

在拍摄区域中设置至少一条检测线；

若所述目标运动斑块与所述检测之间的相对运动符合预设的规则，确定所 述目标运动斑块下车或者上车；

识别上车和下车的人数，并根据识别出的乘客的上车人数和下车人数确定 当前车内的乘客总数。

优选的，通过对所述图片进行运动斑块识别确定所述公交车当前的运动斑 块占地面积具体包括：

利用光流算法确定所述摄像采集装置采集的运动矢量；

提取所述运动矢量的轮廓信息，并将所述轮廓内的运动矢量确定为目标运 动斑块；

根据所述轮廓信息确定每个所述目标运动斑块的占地面积，并根据每个目 标运动斑块的占地面积确定当前车内运动斑块的占地面积。

优选的，所述根据所述轮廓信息确定每个所述目标运动斑块的占地面积， 并根据每个目标运动斑块的占地面积确定当前车内运动斑块的占地面积，具体 包括：

在拍摄区域中设置至少一条检测线；

若所述目标运动斑块与所述检测之间的相对运动符合预设的规则，确定所 述目标运动斑块下车或者上车；

获取上车的运动斑块以及下车的运动斑块的占地面积，并根据所述上车的运动斑块占地面积和下车的运动斑块占地面积确定当前车内运动斑块的占地面积。

优选的，所述根据所述人数拥挤度和运动斑块拥挤度确定所述公交车的拥 挤级别，具体包括：

为所述人数拥挤度和所述运动斑块拥挤度分别分配预设的第一加权值和 第二加权值；

将加权后的所述人数拥挤度和运动斑块拥挤度相加，确定所述计算结果的 数值范围；

按照预设的数值范围与拥挤级别的对应关系，确定所述公交车的拥挤级 别。

相应的，本申请还提出了一种公交车拥挤度确定装置，所述公交车的上下 门处分别垂直悬挂设置摄像采集装置，所述装置包括：

乘客采集模块，用于通过所述摄像采集装置获取在拍摄时间内上下车的乘 客的人数；

识别模块，用于通过对人数识别确定所述公交车当前的车内人数，以及通 过对运动斑块识别确定所述公交车当前的运动斑块占地面积；

拥挤度确定模块，用于根据所述车内人数与预设的所述公交车的承载人数 确定人数拥挤度，以及根据所述运动斑块占地面积与预设的所述公交车的承载 面积确定运动斑块拥挤度；

拥挤级别确定模块，用于根据所述人数拥挤度和运动斑块拥挤度确定所述 公交车的拥挤级别。

优选的，所述识别模块具体包括：

卷积算法分类器模块，用于将所述摄像采集装置的采集结果输入预先创建 的级联分类器，所述级联分类器包括预先收集到的包含人头部的样本图片；

卷积算法识别模块，用于根据卷积神经网络算法在所述级联分类器中确定 检测窗口，并根据所述检测窗口对所述级联分类器中输入的图像进行人头部识 别；

人数确定模块，用于将检测窗口确定出的人头部作为目标对象确定上下车 人数以及车内人数。

优选的，所述识别模块具体包括：

光流算法矢量确定模块，用于利用光流算法确定所述摄像采集装置采集的 运动矢量；

轮廓提取模块，用于提取所述运动矢量的轮廓信息，并将所述轮廓内的运 动矢量确定为目标运动斑块；

面积确定模块，用于根据所述轮廓信息确定每个所述目标运动斑块的占地 面积，并根据每个目标运动斑块的占地面积确定当前车内运动斑块的占地面 积。

由此可见，通过应用本申请的技术方案，通过在公交车的上下门处分别垂 直悬挂设置摄像采集装置获取在拍摄时间内上下车的乘客的人数；并分别进行 人数识别以及运动斑块识别最终确定当前车内人数以及当前车内运动斑块占 地面积；并进一步的将所述车内人数以及车内运动斑块占地面积分别与预设的 承载人数和承载面积相除，得到人数拥挤度以及运动斑块拥挤度；根据所述人 数拥挤度和运动斑块拥挤度确定所述公交车的拥挤级别，与现有技术相比，比 单一的做人数识别方案，避免了由于乘客携带的物品也会影响车内拥挤度，但 是仅通过人体识别因训练样本不足识别不到非人的运动斑块而造成误判的问 题，同时结合人数识别，避免单一运用运动斑块识别乘客时将所有移动斑块都认为是乘客，导致确定拥挤度不够精细，无法判断当前公交车的人数需求的问 题，通过结合人数识别结果以及运动斑块占地面积的识别结果，得到人数拥挤 度和运动斑块拥挤度，并最终确定公交车的拥挤级别，识别准确快速，不容易 受到环境影响，进而提高了用户体验。

附图说明

图1为本申请实施例中一种公交车拥挤度确定方法的流程图；

图2(a)为本申请实施例中通过卷积神经网络算法确定人数的示意图；

图2(b)为本申请实施例中公交车设置检测线的示意图；

图3为本申请实施例中通过光流算法确定运动斑块作为追踪目标的示意 图；

图4为本申请实施例中通过CNN卷积神经网络算法和光流算法等计算拥 堵度级别的流程图；

图5为本申请实施例中一种公交车拥挤度确定装置的模块图。

具体实施方式

本申请实施例通过提供一种公交车拥挤度确定方法和装置，解决了现有技 术中采用单一图像识别算法采集用户特征时，需要利用大量的采集样本，效率 低下，且容易受到环境影响出现误判的问题，本申请通过结合人数识别结果以 及运动斑块占地面积识别结果，得到人数拥挤度和运动斑块拥挤度，最终确定 公交车的拥挤级别，识别准确快速，不容易受到环境干扰，提高了用户体验。

如图1所示，为本申请所提出的一种公交车拥挤度确定方法的流程示意图， 由于本申请旨在通过图像识别确定公交车的拥挤度，因此所述公交车的上下门 处分别垂直悬挂摄像采集装置，以在拍摄时间内获取上下车的乘客的人数。

在公交车上下门处分别悬挂的摄像采集装置可以包括一个或者多个摄像 头，如果每个车门处设置有多个摄像头，可以将每个摄像头的识别结果汇总叠 加。在本发明实施例中，以上下车门处各一个摄像头为例说明。

在具体的应用场景中，为了能清晰进行图像识别，需要构建视频或者图像 数据的采集环境，将两个摄像头分别置于前后车门顶部，其摄像头的拍摄方向 与地面呈90度，其拍摄范围覆盖可选的为上下车的台阶、车门外的一部分马 路和车门内的一部分车体空间。在本实施方式中，在需要拍摄图片信息时(视 频文件可以认为是多帧图片组成)，通过控制安装在公交车前后门顶部的摄像 头采集乘客上下车的数据，并将两个摄像头采集的数据暂存至存储模块，以供 后续执行程序进行识别处理。

所述方法具体包括如下实现步骤：

步骤S101，通过所述摄像采集装置获取在拍摄时间内上下车的乘客的人 数；

本发明实施例中，该摄像头感应用户是否在移动，可以获取预设时间内用 户进行上下车动作的至少一张图像。其中，预设的拍摄时间是指所有乘客完成 上下车动作大概所需要的时间，预设时间可以提前设定，如可将所述预设时间 设置为10s-30s；具体可通过设置在所述处理器中的定时器以实现。在该时间 段内，将获取到的包含用户的图像按获取的先后顺序缓存在公交车内的存储器 中，在需要识别的时候，通过处理器从存储器中获取，由于第一摄像头和第二 摄像头在1s内可以拍摄10～60个图像帧，优选的，是25～30个图像帧，由于 第一摄像头和第二摄像头拍摄的用户上下车过程是一个动态过程，故每一帧图像帧是有差异的，为了提高识别效率，可以选择预设时间内不连续的多张图片 作为识别基础，对每一张图片都执行如下的识别过程。

步骤S102，通过人数识别确定所述公交车当前的车内人数，以及通过对运 动斑块识别确定所述公交车当前的运动斑块占地面积；

在进行人数识别时，现有技术中已提供了多种实现的算法，例如可以采用 肤色分割的算法，将符合预设肤色样本的元素，识别为人的头部特征，在本申 请的优选实施例中，将所述图片进行人数识别的预处理，即通过对图片进行人 数识别确定所述公交车当前的车内人数的具体流程如下：

步骤S1021，将所述摄像采集装置的采集结果输入预先创建的级联分类器， 所述级联分类器包括预先收集到的包含人头部的样本图片；

步骤S1022，根据卷积神经网络算法在所述级联分类器中确定检测窗口， 并根据所述检测窗口对所述级联分类器中输入的图像进行人头部识别；

步骤S1023，将检测窗口确定出的人头部作为目标对象确定上下车人数以 及车内人数。

卷积神经网络(Convolutional Neural Networks-简称CNN)的基本结构包 括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连， 并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系 也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成， 每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用 影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位 移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由 参数的个数。

当对摄像头输入图片数据进行卷积的时候，为了节省识别占用的系统性 能，还可以对图片进行很多操作，比如说图片整体模糊，或者是边缘的提取， 卷积操作对于图片来说可以很好的提取到特征。

如图2(a)所示，使用卷积神经网络训练多分类的树型级联结构分类器来 进行人头检测，检测出人头矩形框进行统计出上下车人数(得出车内人数)。 例如在一个完整的行车线路内，从初始站点开始，依次获取得到上下车的人数， 在此过程中，卷积神经网络不需要记住每个人的头部特征，区分出某个具体的 乘客何时上车，何时下车，仅在每个站点，识别具体的上下车人数即可，因而 其训练样本可以比较小，例如，可以将多种类型的乘客头部进行储存记忆识别。

进一步的，对于步骤S1023，所述将检测窗口确定出的人头部作为目标对 象确定上下车人数以及车内人数，具体包括：

步骤S10231，在拍摄区域中设置至少一条检测线；

步骤S10232，若所述检测窗口确定出目标对象与所述检测线之间的相对运 动符合预设规则，确定所述乘客为下车或者上车；

步骤S10233，分别对上车和下车的乘客人数进行识别，并根据识别结果确 定当前车内的乘客总数。

请参阅图2(b)所示，为了确定乘客上车和下车的动作，可以在摄像头所拍 摄区域中设置至少一条检测线，如果所述要跟踪的目标对象穿越了以上检测 线，则判定乘客为下车或者上车。当然检测线可以设置多条，以提高动作判定 的准确性。

除了对公交车内人数进行识别外，还需要对物品类等非人特征进行识别， 在现有技术里，由于在公交车内，人数和物品都对乘车环境造成影响，即使乘 客较少，如果物品较多，依然会造成一定的拥挤度影响，因此，在对摄像头输 入的图片进行人数的识别之外，还需要将所述图片进行运动斑块识别的预处 理，即需要确定所述公交车当前的运动斑块占地面积，本申请优选的，该处理 过程具体包括：

步骤S1024，利用光流算法确定所述摄像采集装置采集的运动矢量；

步骤S1025，提取所述运动矢量的轮廓信息，并将所述轮廓内的运动矢量 确定为目标运动斑块；

步骤S1026，根据所述轮廓信息确定每个所述目标运动斑块的占地面积， 并根据每个目标运动斑块的占地面积确定当前车内运动斑块的占地面积。

光流算法是空间运动物体在观察成像平面上的像素运动的瞬时速度，是利 用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧 跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种 方法。一般而言，光流是由于场景中前景目标本身的移动、相机的运动，或者 两者的共同运动所产生的。

光流法用于目标检测的原理：给图像中的每个像素点赋予一个速度矢量， 这样就形成了一个运动矢量场。根据各个像素点的速度矢量特征，可以对图像 进行动态分析。如果图像中没有运动目标，则光流矢量在整个图像区域是连续 变化的。当图像中有运动物体时，目标和背景存在着相对运动。运动物体所形 成的速度矢量必然和背景的速度矢量有所不同，如此便可以计算出运动物体的 位置。

因此，如图3所示，在本方案实施例中，利用摄像头拍摄的图片作为输 入源，由于摄像头拍摄的是一个连续的图片帧序列，针对每一个图片帧序列， 通过光流算法可以检测运动的前景目标；进而找到其具有代表性的关键特征 点；对之后的任意两个相邻视频帧而言，寻找上一帧中出现的关键特征点在当 前帧中的最佳位置，从而得到前景目标在当前帧中的位置坐标；如此迭代进行， 便可实现目标也就是运动矢量的跟踪；

相应的，在确定出运动矢量后，需要提取所述运动矢量的轮廓信息，并将 所述轮廓内的运动矢量确定为目标运动斑块，对于识别确定运动斑块的轮廓的 方式有多种，本发明实施例在此不再赘述，示例性的，该方法可以通过采用八 邻域搜索法来实现。

在确定运动斑块的轮廓信息后，可以进一步构建近似俯视运动面积对上下 车的运动斑块的面积进行统计，与人数统计的方法相似，根据从初始站点到最 终站点不断累计计算，可以最终得出车内运动斑块的占地面积。

具体的，对应步骤S1026，根据所述轮廓信息确定每个所述目标运动斑块 的占地面积，并根据每个目标运动斑块的占地面积确定当前车内运动斑块的占 地面积，具体包括：

步骤S10261，在拍摄区域中设置至少一条检测线；

步骤S10262，若所述目标运动斑块与所述检测之间的相对运动符合预设的 规则，确定所述目标运动斑块下车或者上车；

步骤S10263，获取上车的运动斑块以及下车的运动斑块的占地面积，并根 据上车的运动斑块占地面积和下车的运动斑块占地面积确定当前车内运动斑 块的占地面积。

该实现过程与确定车内人数的方式接近，都是通过设置检测线的方式，使 得对运动斑块上车和下车的动作得到确定，进而触发后续的识别过程。

步骤S103，根据所述车内人数与预设的所述公交车的承载人数确定人数拥 挤度，以及根据所述运动斑块占地面积与预设的所述公交车的承载面积确定运 动斑块拥挤度；

示例的，如将所述车内人数以及车内运动斑块占地面积分别与预设的承载 人数和承载面积相除，得到人数拥挤度以及运动斑块拥挤度；

步骤S104，根据所述人数拥挤度和运动斑块拥挤度确定所述公交车的拥 挤级别。

本申请在公交车的上下门处分别垂直悬挂摄像采集装置获取在拍摄时间 内上下车的乘客的人数；并分别进行人数识别以及运动斑块识别最终确定当前 车内人数以及当前车内运动斑块占地面积；并进一步的将所述车内人数以及车 内运动斑块占地面积分别与预设的承载人数和承载面积相除，得到人数拥挤度 以及运动斑块拥挤度；根据所述人数拥挤度和运动斑块拥挤度确定所述公交车 的拥挤级别，与现有技术相比，比单一的做人数识别方案，避免了由于乘客携 带的物品也会影响车内拥挤度，但是仅通过人体识别因训练样本不足识别不到 非人的运动斑块而造成误判的问题，同时结合人数识别，避免单一运用运动斑 块识别乘客时将所有移动斑块都认为是乘客，导致确定拥挤度不够精细，无法 判断当前公交车的人数需求的问题，通过结合人数识别结果以及运动斑块占地 面积的识别结果，得到人数拥挤度和运动斑块拥挤度，并最终确定公交车的拥 挤级别，识别准确快速，不容易受到环境影响，进而提高了用户体验。

对于步骤S104来说，所述根据所述人数拥挤度和运动斑块拥挤度确定所 述公交车的拥挤级别，具体包括：

步骤S1041，为所述人数拥挤度和所述运动斑块拥挤度分别分配预设的第 一加权值和第二加权值；

步骤S1042，将加权后的所述人数拥挤度和运动斑块拥挤度相加，确定所 述计算结果的数值范围；

步骤S1043，按照预设的数值范围与拥挤级别的对应关系，确定所述公交 车的拥挤级别。

示例的，例如当前车内的人数拥挤度为0.2，运动斑块的拥挤度为0.9；相 应的，实际考虑第一加权值和第二加权值都是0.5，那么按照本申请的方法计 算出来的结果为0.2*0.5+0.9*0.5＝0.55。

如表1所示：

根据上表的识别结果，可以判断当前公交车的拥挤级别为“轻微拥挤”。

如图4所示的本申请一个具体的说明实施例，对于摄像头输入的图片，其 一方面通过卷积神经网络算法计算车内人数，包括通过算法确认人头区域，该 区域为卷积神经网络算法感兴趣的区域，再基于分类器实现人头矩形框检测， 在该矩形框内，即为目标识别对象，进一步的，在预设时间内，通过对摄像头 采集到的数据识别的结果，最终得到上下车人数，进而计算出车内人数；另一 方面，摄像头输入的图像还需要通过光流量算法对图像进行预处理，识别出图 像内的运动矢量，并基于运动矢量的轮廓，得到运动斑块的面积，与人数识别 相似，最终可以统计得到上下车的运动斑块(包括人和物)的占地面积，并进 一步得到车内运动斑块的面积。通过上述两种图像识别算法，得到的车内人数 和运动斑块的面积分别与车内可承载人数以及车内可承载面积进行对比，得到 人数拥挤度以及车内可承载面积的拥挤度，同时结合预设的人数拥挤度加权值 以及承载面积拥挤度加权值，得到公交车的拥挤级别。

进一步的，在步骤S043即所述根据所述人数拥挤度和运动斑块拥挤度确 定所述公交车的拥挤级别的步骤之后还包括：

向服务器发送当前公交车的提示消息，所述提示消息中携带有当前的时间 信息以及所述公交车的拥挤级别信息。

基于卷积神经网络、光流法的人数统计和运动斑块的统计可用于公交车厢 拥挤级别检测，将拥挤级别以及当前的时间等信息发送给服务器，由服务器再 推送给公交平台或者实时公交软件，可以方便公交公司调度车辆，也方便乘客 选择交通工具。

当然，本申请实施例的方法并不仅仅局限在公交车的领域，此种人数统计 方式还可用于车站、商场、出入口等客流量统计，只要对于本领域技术人员来 说，其他应用场景的实现方法与本方案的保护方法实质相同，都应该属于本申 请的保护范围。

为达到以上技术目的，如图4所示的本申请的装置结构模块示意图，本申 请还提供了一种公交车拥挤度确定装置，所述公交车的上下门处分别垂直悬挂 设置摄像采集装置，所述装置200包括：

乘客采集模块210，用于通过所述摄像采集装置获取在拍摄时间内上下车 的乘客的人数；

识别模块220，用于通过对人数识别确定所述公交车当前的车内人数，以 及通过对运动斑块识别确定所述公交车当前的运动斑块占地面积；

拥挤度确定模块230，用于根据所述车内人数与预设的所述公交车的承载 人数确定人数拥挤度，以及根据所述运动斑块占地面积与预设的所述公交车的 承载面积确定运动斑块拥挤度；

拥挤级别确定模块240，用于根据所述人数拥挤度和运动斑块拥挤度确定 所述公交车的拥挤级别。

进一步的，所述识别模块220具体包括：

卷积算法分类器模块，用于将所述摄像采集装置的采集结果输入预先创建 的级联分类器，所述级联分类器包括预先收集到的包含人头部的样本图片；

卷积算法识别模块，用于根据卷积神经网络算法在所述级联分类器中确定 检测窗口，并根据所述检测窗口对所述级联分类器中输入的图像进行人头部识 别；

人数确定模块，用于将检测窗口确定出的人头部作为目标对象确定上下车 人数以及车内人数。

进一步的，所述识别模块220具体包括：

光流算法矢量确定模块，用于利用光流算法确定所述摄像采集装置采集的 运动矢量；

轮廓提取模块，用于提取所述运动矢量的轮廓信息，并将所述轮廓内的运 动矢量确定为目标运动斑块；

面积确定模块，用于根据所述轮廓信息确定计算每个所述目标运动斑块的 占地面积，并根据每个目标运动斑块的占地面积确定当前车内运动斑块的占地 面积。

本申请在公交车的上下门处分别垂直悬挂摄像采集装置获取在拍摄时间 内上下车的乘客的人数；并分别进行人数识别以及运动斑块识别最终确定当前 车内人数以及当前车内运动斑块占地面积；并进一步的将所述车内人数以及车 内运动斑块占地面积分别与预设的承载人数和承载面积相除，得到人数拥挤度 以及运动斑块拥挤度；根据所述人数拥挤度和运动斑块拥挤度确定所述公交车 的拥挤级别，与现有技术相比，比单一的做人数识别方案，避免了由于乘客携 带的物品也会影响车内拥挤度，但是仅通过人体识别因训练样本不足识别不到 非人的运动斑块而造成误判的问题，同时结合人数识别，避免单一运用运动斑 块识别乘客时将所有移动斑块都认为是乘客，导致确定拥挤度不够精细，无法 判断当前公交车的人数需求的问题，通过结合人数识别结果以及运动斑块占地 面积的识别结果，得到人数拥挤度和运动斑块拥挤度，并最终确定公交车的拥 挤级别，识别准确快速，不容易受到环境影响，进而提高了用户体验。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计 算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基 本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要 求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发 明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及 其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种公交车拥挤度确定方法，所述公交车的上下门处分别垂直悬挂设置摄像采集装置，其特征在于，所述方法包括：

通过所述摄像采集装置获取在拍摄时间内上下车的乘客的人数；

通过人数识别确定所述公交车当前的车内人数，以及通过对运动斑块识别确定所述公交车当前的运动斑块占地面积；

根据所述车内人数与预设的所述公交车的承载人数确定人数拥挤度，以及根据所述运动斑块占地面积与预设的所述公交车的承载面积确定运动斑块拥挤度；

根据所述人数拥挤度以及所述运动斑块拥挤度确定所述公交车的拥挤级别。

2.如权利要求1所述的方法，其特征在于，通过人数识别确定所述公交车当前的车内人数，具体包括：

将所述摄像采集装置的采集结果输入预先创建的级联分类器，所述级联分类器包括预先收集到的包含人头部的样本图片；

根据卷积神经网络算法在所述级联分类器中确定检测窗口，并根据所述检测窗口对所述级联分类器中输入的图像进行人头部识别；

将检测窗口确定出的人头部作为目标对象确定上下车人数以及车内人数。

3.如权利要求2所述的方法，其特征在于，所述将检测窗口确定出的人头部作为目标对象确定上下车人数以及车内人数，具体包括：

在拍摄区域中设置至少一条检测线；

若所述检测窗口确定出目标对象与所述检测线之间的相对运动符合预设规则，确定所述乘客为下车或者上车；

分别对上车和下车的乘客人数进行识别，并根据识别结果确定当前车内的乘客总数。

4.如权利要求1所述的方法，其特征在于，通过对所述图片进行运动斑块识别确定所述公交车当前的运动斑块占地面积，具体包括：

利用光流算法确定所述摄像采集装置采集的运动矢量；

提取所述运动矢量的轮廓信息，并将所述轮廓内的运动矢量确定为目标运动斑块；

根据所述轮廓信息确定每个所述目标运动斑块的占地面积，并根据每个目标运动斑块的占地面积确定当前车内运动斑块的占地面积。

5.如权利要求4所述的方法，其特征在于，所述根据所述轮廓信息确定每个所述目标运动斑块的占地面积，并根据每个目标运动斑块的占地面积确定当前车内运动斑块的占地面积，具体包括：

在拍摄区域中设置至少一条检测线；

若所述目标运动斑块与所述检测之间的相对运动符合预设的规则，确定所述目标运动斑块下车或者上车；

获取上车的运动斑块以及下车的运动斑块的占地面积，并根据所述上车的运动斑块占地面积和下车的运动斑块占地面积确定当前车内运动斑块的占地面积。

6.根据权利要求1～5任一所述的方法，其特征在于，所述根据所述人数拥挤度和运动斑块拥挤度确定所述公交车的拥挤级别，具体包括：

为所述人数拥挤度和所述运动斑块拥挤度分别分配预设的第一加权值和第二加权值；

将加权后的所述人数拥挤度和运动斑块拥挤度相加，确定所述计算结果的数值范围；

按照预设的数值范围与拥挤级别的对应关系，确定所述公交车的拥挤级别。

7.一种公交车拥挤度确定装置，所述公交车的上下门处分别垂直悬挂设置摄像采集装置，其特征在于，所述装置包括：

乘客采集模块，用于通过所述摄像采集装置获取在拍摄时间内上下车的乘客的人数；

识别模块，用于通过对人数识别确定所述公交车当前的车内人数，以及通过对运动斑块识别确定所述公交车当前的运动斑块占地面积；

拥挤度确定模块，用于根据所述车内人数与预设的所述公交车的承载人数确定人数拥挤度，以及根据所述运动斑块占地面积与预设的所述公交车的承载面积确定运动斑块拥挤度；

拥挤级别确定模块，用于根据所述人数拥挤度和运动斑块拥挤度确定所述公交车的拥挤级别。

8.根据权利要求7所述的拥挤度确定装置，其特征在于，所述识别模块具体包括：

卷积算法分类器模块，用于将所述摄像采集装置的采集结果输入预先创建的级联分类器，所述级联分类器包括预先收集到的包含人头部的样本图片；

卷积算法识别模块，用于根据卷积神经网络算法在所述级联分类器中确定检测窗口，并根据所述检测窗口对所述级联分类器中输入的图像进行人头部识别；

人数确定模块，用于将检测窗口确定出的人头部作为目标对象确定上下车人数以及车内人数。

9.根据权利要求7所述的拥挤度确定装置，其特征在于，所述识别模块具体包括：

光流算法矢量确定模块，用于利用光流算法确定所述摄像采集装置采集的运动矢量；

轮廓提取模块，用于提取所述运动矢量的轮廓信息，并将所述轮廓内的运动矢量确定为目标运动斑块；

面积确定模块，用于根据所述轮廓信息确定每个所述目标运动斑块的占地面积，并根据每个目标运动斑块的占地面积确定当前车内运动斑块的占地面积。