CN107784258A - 地铁人流密度实时监测方法 - Google Patents

Abstract

本发明是一种地铁车厢人流密度实时监测方法，按照如下步骤进行：车厢背景建模；图像采集；划分区域；图像处理；通过不同人群密度对摄像头采集图像光源的遮蔽程度不同，可以得到不同密度情况下的人群分布图像，对此进行图像分析处理并进行前后比对，也可以综合得出地铁车厢人流密度的情况。

Description

地铁人流密度实时监测方法

技术领域

本发明涉及一种监测方法，具体来讲是一种地铁车厢人流密度实时监测方法，属于公共监控技术领域。

背景技术

近几年随着社会的发展和进步，人们的社会活动越来越多,在很多场所出现群集性事件或者由于人群密度过大而造成人员伤亡的事件屡见不鲜。在日常生活中,对于人们经常出入的地铁、车站、超市等地点的人群密度估计是十分必要的。地铁作为一种方便快捷的公共交通工具受到越来越多人的使用，但是也随之带来了地铁人群密度过高的问题，而因此引发的事故也越来越多，所以车厢的人群密度监控已经成了地铁管理的一个重要环节，及时的车厢人群密度估计，不仅能提醒车站上的乘客，也能让地铁管理人做出及时准确的措施，减少人群的高度拥挤所引起的各种突发事件。传统的人群密度估计通过监控场景的闭路电视人工进行监控,费时费力,具有一定的主观性，也不易获得定量结果。随着计算机和图像处理技术的发展和广泛应用, 基于视频分析的智能化的人群密度的自动估计成为一个研究重点。因此,人群密度估计有着广泛的应用前景和研究价值。

发明内容

本发明针对现有技术中存在的缺陷，提出一种地铁车厢人流密度实时监控方法。

为实现以上的技术目的，本发明将采取以下的技术方案：

一种地铁车厢人流密度实时监测方法，按照如下步骤进行：

第一步，车厢背景建模，采集一段时间的空车厢视频图像序列,设定车厢环境图像为A(x,y)，构造车厢环境图像计算函数Mt(x,y)：

,

其中，CH1为突变阈值，为图像间的距离；

第二步，图像采集，通过摄像头采集车厢内图像；

第三步，划分区域，将图像划分为多个实际监控面积基本一致的子区域；

第四步，图像处理，根据时间轴加载同一时间点的背景图对实时采集图像做背景扣除，背景图参照第一步。

本发明进一步限定的技术方案为：

还包括二值化图像步骤，具体如下：

第一步，对视频监控器中的图像I做Canny边缘检测,得到处理后的边缘图像eI；

第二步，去除eI中的孤立小边缘,然后对eI中的每一点进行判断.如果为边缘点,则将它的四邻域中的非边缘点存入临时矩阵T中，如果T中点的数目大于1,则将其对应于I中灰度值最低的点存放在矩阵lE中,其余点存放在矩阵hE中；

第三步，求得低阈值LT=1m∑(i,j)∈lEI(i,j),m为lE中点的个数;高阈值HT=1n∑(i,j)∈hEI(i,j),n为hE中点的个数；

第四步，将lE中的点作为种子点存入矩阵S中；

第五步，用HT二值化I得到高阈值二值化图像hbI,然后将hbI(i,j){(i,j)∈hEor(i,j)∈eI中的边缘点}置为背景点,得到种子生长屏障图像hbI2；

第六步，用S中的点作为种子点在hbI2中进行种子填充,判断当前种子点填充区域的边缘点中种子点所占的比重,如果此比重大于某一阈值(如0.1),则将此填充区域内的点置为目标点,那些没有种子点的区域和种子点在区域边缘点中占的比重较小的区域都置为背景点,从而得到初步的二值化图像sbI；

第七步，用LT二值化I得到图像lbI,然后将sbI(i,j){(i,j)∈lbI中的目标点}置为目标点,得到高、低阈值的联合图像hlI；

第八步，去除hlI中的连通个数小于某一阈值的目标点,得到最终的二值化图像rI。

进一步的，还包括背景更新方法:在人群的检测中,对于被判断为属于人群的像素点,仍然保持原来的背景像素值,不予更新。判断为背景的点,依照下述规则更新背景模型:Bn+1(i,j)=αBn(i,j)+(1-α)G(i,j) 其中α∈(0,1)为更新率,B(i,j)表示背景图像像素点的像素值,G(i,j)表示当前帧中的像素点的像素值。

进一步的，将图像由远及近划分为四个实际监控面积相当的区域，四个监控区域对应拟合出四条对应于人群人数和像素数的关系直线,拟合直线的方程分别为(x为二值化人群图像的像素总数,y为人数):y₁=0.0031x-4.2248，y₂=0.0018x-0.7651，y₃=0.0011x-0.2661，y₄=0.0006x+0.1931。

本发明由于采取以上技术方案，具有如下优点：本文通过对监视器图像进行背景减、二值化最后经过像素统计的方法结合使用并改进了人群密度分析的两个典型算法来估计地铁车厢的人群密度,根据视觉比例将比较大的监控场景合理划分为一些子区域,分别估计出每个子区域的人数从而得到总的人流密度。另外,可以使用像素统计和纹理特征提取密度等级分类来对本文写出的方法进行进一步的发展估计人群密度并加以分析,使得密度估计更为有效，使数据更为精确。本方法在地铁站和车厢等大监控场景下总人数正常但是局部区域出现异常拥挤的时候,能够及时发现异常情况并快速定位出 异常情况发生的位置,应该可以为公共场所的安全预警和决策系统提供有效的帮助。利用图像传感器（摄像头）来采集地铁车厢人群分布图像，通过不同人群密度对摄像头采集图像光源的遮蔽程度不同，可以得到不同密度情况下的人群分布图像，对此进行图像分析处理并进行前后比对，也可以综合得出地铁车厢人流密度的情况。

附图说明

图1是本发明工艺实施方案的作业流程图。

具体实施方式

附图非限制性地公开了本发明所涉及优选实施例的流程示意图；以下将结合附图详细地说明本发明的技术方案。

设计原理：在地铁车厢中，车厢的人群和背景基本都是不动的，所以利用这个特点，可以先构造出车厢背景的模型以便后来获得分析数据，因为地铁会有过隧道、进站、乘客增加减少的过程，所以背景的光线会不断发生变化，这个时候通过设定值，让这个背景模型随着周围环境的变化而变化。在监视器中的图像进行背景减，再把处理后的图片进行二值化。使用的二值化方法是结合Canny算子的二值化计算方法，通过这种二值化方法处理后的图片边缘丢失少，虚假边缘少，边缘光滑完整，图像噪声也较小，方便进行处理，提高了估计的准确性。另外在实际应用中,对于一些比较大的场景来说,对整个场景的图像直接进行人群密度估计往往不具有现实指导意义。针对这些实际问题,本文将根据地铁车厢的场景大小自动将场景等分成 N 块子区域分别进行处理，利用基于像素统计方法估计每个子区域的人群人数和人群密度等级，再将每块区域的数据叠加，最后就能得到这个车厢的人群密度估计，这样应该能够得到较为准确的估计值。

一种地铁车厢人流密度实时监测方法，其特征在于：按照如下步骤进行：

第一步，车厢背景建模，采集一段时间的空车厢视频图像序列,设定车厢环境图像为A(x,y)，构造车厢环境图像计算函数Mt(x,y)：

,

其中，CH1为突变阈值，为图像间的距离；

第二步，图像采集，通过摄像头采集车厢内图像；

第三步，划分区域，将图像划分为多个实际监控面积基本一致的子区域；

第四步，图像处理，根据时间轴加载同一时间点的背景图对实时采集图像做背景扣除，背景图参照第一步。

本发明进一步限定的技术方案为：

还包括二值化图像步骤，图像的二值化处理就是将图像上的点的灰度置为0或255，也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，特别是在实用的图像处理中，以二值图像处理实现而构成的系统是很多的，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像，这样子有利于在对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。如果某特定物体在内部有均匀一致的灰度值，并且其处在一个具有其他等级灰度值的均匀背景下，使用阈值法就可以得到比较的分割效果。如果物体同背景的差别表现不在灰度值上（比如纹理不同），可以将这个差别特征转换为灰度的差别，然后利用阈值选取技术来分割该图像。动态调节阈值实现图像的二值化可动态观察其分割图像的具体结果。

具体如下：

第一步，对视频监控器中的图像I做Canny边缘检测,得到处理后的边缘图像eI；

第二步，去除eI中的孤立小边缘,然后对eI中的每一点进行判断.如果为边缘点,则将它的四邻域中的非边缘点存入临时矩阵T中，如果T中点的数目大于1,则将其对应于I中灰度值最低的点存放在矩阵lE中,其余点存放在矩阵hE中；

第三步，求得低阈值LT=1m∑(i,j)∈lEI(i,j),m为lE中点的个数;高阈值HT=1n∑(i,j)∈hEI(i,j),n为hE中点的个数；

第四步，将lE中的点作为种子点存入矩阵S中；

第五步，用HT二值化I得到高阈值二值化图像hbI,然后将hbI(i,j){(i,j)∈hEor(i,j)∈eI中的边缘点}置为背景点,得到种子生长屏障图像hbI2；

第六步，用S中的点作为种子点在hbI2中进行种子填充,判断当前种子点填充区域的边缘点中种子点所占的比重,如果此比重大于某一阈值(如0.1),则将此填充区域内的点置为目标点,那些没有种子点的区域和种子点在区域边缘点中占的比重较小的区域都置为背景点,从而得到初步的二值化图像sbI；

第七步，用LT二值化I得到图像lbI,然后将sbI(i,j){(i,j)∈lbI中的目标点}置为目标点,得到高、低阈值的联合图像hlI；

第八步，去除hlI中的连通个数小于某一阈值的目标点,得到最终的二值化图像rI。

还包括背景更新方法:在人群的检测中,对于被判断为属于人群的像素点,仍然保持原来的背景像素值,不予更新。判断为背景的点,依照下述规则更新背景模型:Bn+1(i,j)=αBn(i,j)+(1-α)G(i,j) 其中α∈(0,1)为更新率,B(i,j)表示背景图像像素点的像素值,G(i,j)表示当前帧中的像素点的像素值。因为摄像机固定,背景像素点的像素值变化比较缓慢,而运动目标对应的像素点像素值变化相对较快。因此采集一段时间的视频图像序列,可以根据时间轴上像素值变化缓慢的像素点重建出没有人群的背景图像。同时要使背景模型能够对外界光线变化具有自适应性,必须实时地对背景模型进行更新,可以采用以下的更新方法:在人群的检测中,对于被判断为属于人群的像素点,仍然保持原来的背景像素值,不予更新。判断为背景的点,依照下述规则更新背景模型:Bn+1(i,j)=αBn(i,j)+(1-α)G(i,j) (1)其中α∈(0,1)为更新率,B(i,j)表示背景图像像素点的像素值,G(i,j)表示当前帧中的像素点的像素值。为了充分利用彩色图像的彩色信息,本系统中对图像的R、G、B三个通道的值分别采用以上的方法,从而合成一幅没有人群的彩色背景图像。

背景建模，即通过一定的方法构建适用于背景减除的一个代表“平均”背景的图像模型的过程。通常的方法是对视频进行采样分析，统计其特性，基于这些特性重构背景。

多数的视频序列，像素沿时间轴的分布具有高斯特性，所以高斯建模是一类很常用的方法。然而，对于固定摄像机拍摄的视频序列，背景往往是最经常被看到的。基于这一假设进行背景建模更为简单。所以本文在针对静态背景的建模时，主要考虑统计各个像素的颜色或灰度数值的分布情况，以出现概率最大的数值作为背景模型中该像素的数值。

因为在地铁车厢中，背景没有动态部分的存在，也没有很强的光线的变化，几乎是静止的情况，只需考虑如何准确的建立背景模型和进行快速有效的背景减除，以及在运动物体停留到背景中或者背景中的物体开始运动变为前景目标的况下，对背景模型进行及时更新。 本文中背景建模的理论依据是：在某一固定车厢中，某一固定位置上，车厢背景的光线基本是变化不大的，而车厢中的乘客会挡住车厢中的光线，从而变的较暗。基于此，有了基于统计的背景建模方法。即对一段视频图像序列分别进行各个像素的统计分析，出现频率最大的像素值作为背景模型中该像素的值。

参考灰度统计归类方法对像素RGB值分别统计归类来建立背景模型。即把样本序列中的各个像素的RGB值分别进行统计归类，出现频率最高的RGB值分别取其平均值作为背景中该像素的RGB值。

地铁车厢属于一个长条形的相对大场景,所以人群的分布可能有很多种可能:有可能人群稀疏分布于整个监控区域, 有可能人群聚集在某一个小区域,这时计算整个场景中的人群人数没有太大意义。与此同时,在应用人群密度算法时,由于摄像机的光轴与平面的角度使得人群在图像上呈现近大远小的现象,这样对人群密度的估计存在一定的影响。基于以上两点,在输入一个监控场景图像时,首先将其由近至远分成多个不同的子区域,并且使得在每一个场景子区域的实际监控面积基本相等且同一个人在图像上所占的子区域的比例基本相等，这样便于分别计算后叠加人数。根据背景减后得到的二值化人群图像,计算出由远到近的四个大区域(即图像纵向上由上到下四个区域)的前景人群像素总数,并分别人工数出训练样本中每幅图像的四个区域的人数,采用最小二乘法,拟合出四条对应于人群人数和像素数的关系直线,拟合直线的方程分别为(x为二值化人群图像的像素总数,y为人数):y₁=0.0031x-4.2248，y₂=0.0018x-0.7651，y₃=0.0011x-0.2661，y₄=0.0006x+0.1931。

Claims (4)

1.一种地铁车厢人流密度实时监测方法，其特征在于：按照如下步骤进行：

第一步，车厢背景建模，采集一段时间的空车厢视频图像序列,设定车厢环境图像为A(x,y)，构造车厢环境图像计算函数M_t(x,y)：

,

其中，CH₁为突变阈值，为图像间的距离；

第二步，图像采集，通过摄像头采集车厢内图像；

第三步，划分区域，将图像划分为多个实际监控面积基本一致的子区域；

第四步，图像处理，根据时间轴加载同一时间点的背景图对实时采集图像做背景扣除，背景图参照第一步。

2.根据权利要求1所述的地铁车厢人流密度实时监测方法，其特征在于，还包括二值化图像步骤，具体如下：

第一步，对视频监控器中的图像I做Canny边缘检测,得到处理后的边缘图像eI；

第二步，去除eI中的孤立小边缘,然后对eI中的每一点进行判断.如果为边缘点,则将它的四邻域中的非边缘点存入临时矩阵T中，如果T中点的数目大于1,则将其对应于I中灰度值最低的点存放在矩阵lE中,其余点存放在矩阵hE中；

第三步，求得低阈值LT=1m∑(i,j)∈lEI(i,j),m为lE中点的个数;高阈值HT=1n∑(i,j)∈hEI(i,j),n为hE中点的个数；

第四步，将lE中的点作为种子点存入矩阵S中；

第五步，用HT二值化I得到高阈值二值化图像hbI,然后将hbI(i,j){(i,j)∈hEor(i,j)∈eI中的边缘点}置为背景点,得到种子生长屏障图像hbI2；

第六步，用S中的点作为种子点在hbI2中进行种子填充,判断当前种子点填充区域的边缘点中种子点所占的比重,如果此比重大于某一阈值(如0.1),则将此填充区域内的点置为目标点,那些没有种子点的区域和种子点在区域边缘点中占的比重较小的区域都置为背景点,从而得到初步的二值化图像sbI；

第七步，用LT二值化I得到图像lbI,然后将sbI(i,j){(i,j)∈lbI中的目标点}置为目标点,得到高、低阈值的联合图像hlI；

第八步，去除hlI中的连通个数小于某一阈值的目标点,得到最终的二值化图像rI。

3.根据权利要求1所述的地铁车厢人流密度实时监测方法，其特征在于，还包括背景更新方法:在人群的检测中,对于被判断为属于人群的像素点,仍然保持原来的背景像素值,不予更新；

判断为背景的点,依照下述规则更新背景模型:Bn+1(i,j)=αBn(i,j)+(1-α)G(i,j) 其中α∈(0,1)为更新率,B(i,j)表示背景图像像素点的像素值,G(i,j)表示当前帧中的像素点的像素值。

4.根据权利要求1所述的地铁车厢人流密度实时监测方法，其特征在于，将图像由远及近划分为四个实际监控面积相当的区域，四个监控区域对应拟合出四条对应于人群人数和像素数的关系直线,拟合直线的方程分别为(x为二值化人群图像的像素总数,y为人数):

y₁=0.0031x-4.2248，

y₂=0.0018x-0.7651，

y₃=0.0011x-0.2661，

y₄=0.0006x+0.1931。