CN109472219A - 一种站点客流量的统计方法、装置及计算机存储介质 - Google Patents
一种站点客流量的统计方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN109472219A CN109472219A CN201811232162.2A CN201811232162A CN109472219A CN 109472219 A CN109472219 A CN 109472219A CN 201811232162 A CN201811232162 A CN 201811232162A CN 109472219 A CN109472219 A CN 109472219A
- Authority
- CN
- China
- Prior art keywords
- station
- public transportation
- image
- target image
- passenger
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007619 statistical method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 91
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000015654 memory Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 17
- 230000003287 optical effect Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 abstract 2
- 238000012544 monitoring process Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009432 framing Methods 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种站点客流量的统计方法、装置及计算机存储介质，包括：获取包含乘客上下公共交通工具过程的视频图像数据以及公共交通工具的行驶信息；视频图像数据包括图像对应的采集时间信息；基于设置的公共交通工具到达站点的参考图像，从视频图像数据中提取用于表征公共交通工具到达站点且有乘客上下公共交通工具的目标图像；根据目标图像对应的采集时间信息、公共交通工具的行驶信息以及设置的位置信息与站点之间的对应关系，确定目标图像对应表征的公共交通工具所到达的站点；对目标图像进行分类，根据获得的分类结果确定目标图像对应表征的公共交通工具所到达的站点的客流量。
Description
技术领域
本发明涉及公共交通管理领域，尤其涉及一种站点客流量的统计方法、装置及计算机存储介质。
背景技术
公共交通工具作为交通运输体系中的重要组成部分，在支撑人们出行需求方面具有举足轻重的地位。由于对公共交通工具的调度比如公交车的调度长期以来通常沿用“定点发车、两头卡点”的传统调度方式，导致运营技术含量低且服务水平低。因此，需要对公交站点及运行线路进行合理规划和设计，从而建设快速高效的公交系统。而在公交系统规划设计过程中，公交站点客流量即站点上车乘客数量和站点下车乘客数量是公交客流统计的关键内容。站点客流量的准确性直接影响到公交线路、站点的规划设计和指挥调度的效果。
现有技术中对公交站点客流量的统计方法仍以人工计数和集成电路卡数据分析为主。然而，通过人工计数方法虽然能够获得完整的公交站点客流量数据，但是由于受到人力和物力的限制，有限的采集时间会导致获得的数据量少，同时人工采集数据容易出现错误。通过分析集成电路卡刷卡数据进行公交站点客流量的统计虽然数据采集过程容易，但是易受到乘客刷卡率的影响，并且大部分公交系统仅能记录刷卡乘客的上车时间与站点，而不能记录乘客的下车时间与站点等，数据的不完整亦会降低站点客流量的统计准确性。因此，现有的公交站点客流量的统计方法存在准确度不高的问题。
发明内容
有鉴于此，本发明实施例提供了一种能够提高站点客流量的统计准确度的站点客流量的统计方法、装置及计算机存储介质。
为达到上述目的，本发明的技术方案是这样实现的：
第一方面，本发明实施例提供了一种站点客流量的统计方法，所述方法包括：
获取包含乘客上下公共交通工具过程的视频图像数据以及所述公共交通工具的行驶信息；所述视频图像数据包括图像对应的采集时间信息，所述公共交通工具的行驶信息包括所述公共交通工具的行驶轨迹位置信息和对应的行驶时间信息；
基于设置的公共交通工具到达站点的参考图像，从所述视频图像数据中提取用于表征所述公共交通工具到达站点且表征有乘客上下所述公共交通工具的目标图像；
根据所述目标图像对应的采集时间信息、所述公共交通工具的行驶信息以及设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点；
对所述目标图像进行分类，根据获得的分类结果确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量；所述站点的客流量包括在站点上公共交通工具的乘客数量和下公共交通工具的乘客数量。
第二方面，本发明实施例提供了一种站点客流量的统计装置，所述装置包括：
获取模块，用于获取包含乘客上下公共交通工具过程的视频图像数据以及所述公共交通工具的行驶信息；所述视频图像数据包括图像对应的采集时间信息，所述公共交通工具的行驶信息包括所述公共交通工具的行驶轨迹位置信息和对应的行驶时间信息；
提取模块，用于基于设置的公共交通工具到达站点的参考图像，从所述视频图像数据中提取用于表征所述公共交通工具到达站点且表征有乘客上下所述公共交通工具的目标图像；
处理模块，用于根据所述目标图像对应的采集时间信息、所述公共交通工具的行驶信息以及设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点；
分类模块，用于对所述目标图像进行分类，根据获得的分类结果确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量；所述站点的客流量包括在站点上公共交通工具的乘客数量和下公共交通工具的乘客数量。
第三方面，本发明实施例提供了一种站点客流量的统计装置，所述装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，实现第一方面所述站点客流量的统计方法。
第四方面，本发明实施例提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面所述站点客流量的统计方法。
本发明实施例提供的站点客流量的统计方法、装置及计算机存储介质，基于设置的公共交通工具到达站点的参考图像，从获取的包含乘客上下公共交通工具过程的视频图像数据中提取用于表征所述公共交通工具到达站点且表征有乘客上下所述公共交通工具的目标图像，通过对所述目标图像进行分类，根据获得的分类结果确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量。如此，通过对包含乘客上下公共交通工具过程的视频图像进行识别分类，而获取所述公共交通工具所到达的站点的客流量，能够有效避免人工计数方法存在的易出现错误以及集成电路卡数据分析方法存在的数据不完整等问题，提高了站点客流量的统计准确度。
附图说明
图1为本发明一实施例中站点客流量的统计方法的流程示意图；
图2为本发明一实施例中站点客流量的统计装置的结构示意图；
图3为本发明另一实施例中站点客流量的统计装置的结构示意图；
图4为本发明一实施例中站点客流量的统计系统的结构示意图；
图5为本发明一实施例中图像预处理后的对比示意图；
图6为本发明一实施例中根据帧间差分法提取图像的原理示意图；
图7为本发明一实施例中站点客流量的统计方法的具体流程示意图。
具体实施方式
下面结合说明书附图及具体实施例对本发明技术方案做进一步的详细阐述。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
参见图1，为本发明实施例提供的一种站点客流量的统计方法，包括以下步骤：
步骤S101：获取包含乘客上下公共交通工具过程的视频图像数据以及所述公共交通工具的行驶信息；所述视频图像数据包括图像对应的采集时间信息，所述公共交通工具的行驶信息包括所述公共交通工具的行驶轨迹位置信息和对应的行驶时间信息；
这里，所述公共交通工具包括但不限于公交车、地铁等。所述视频图像数据可以是安装于公共交通工具车厢内部或外部的摄像头等视频监控装置采集的，也可以是安装于公共交通工具行驶路线上的各站点的摄像头等视频监控装置采集的。相应的，所述获取包含乘客上下公共交通工具过程的视频图像数据可以是接收视频监控装置发送的包含乘客上下公共交通工具过程的视频图像数据，也可以是接收第三方设备发送的包含乘客上下公共交通工具过程的视频图像数据，所述第三方设备可从视频监控装置直接或间接获得包含乘客上下公共交通工具过程的视频图像数据。需要说明的是，视频监控装置在采集图像的过程中会同时记录对应的采集时间。所述公共交通工具的行驶信息可以是安装于公共交通工具内的全球定位系统或北斗导航定位系统等定位装置采集的。相应的，所述获取公共交通工具的行驶信息可以是接收定位装置发送的所述公共交通工具的行驶信息，也可以是接收第三方设备发送的所述公共交通工具的行驶信息，所述第三方设备可从定位装置直接或间接获得所述公共交通工具的行驶信息。需要说明的是，定位装置在采集公共交通工具的行驶轨迹位置信息时，会同时记录对应的行驶时间信息，即定位装置会记录时间与位置信息之间的对应关系。根据所述公共交通工具的行驶轨迹位置信息可获知所述公共交通工具的行驶路线所对应经过的位置，结合所述公共交通工具的行驶时间信息可获知所述公共交通工具在行驶过程中到达每个位置的时间。所述视频图像数据和所述公共交通工具的行驶信息可以是历史视频图像数据和对应的历史行驶信息，也可以是实时视频图像数据和对应的实时行驶信息。根据站点客流量的统计需要，所述视频图像数据可以是在设置时间范围内所述公共交通工具按照设定的行驶路线行驶过程所采集的，所述设置时间范围可以根据实际需要进行设置，比如可以设置为一天或七天等。
本实施例中，所述乘客上下公共交通工具既可以表示乘客上公共交通工具，也可以表示乘客下公共交通工具，乘客上公共交通工具可以理解为是乘客从公共交通工具外面进入公共交通工具里面，乘客下公共交通工具可以理解为是乘客从公共交通工具里面出来至公共交通工具外面。相应的，所述视频图像数据包含乘客上公共交通工具的过程，也包含乘客下公共交通工具的过程。本实施例中，以所述公共交通工具具有两个通道，其中一个通道用于乘客上公共交通工具，另一个通道用于乘客下公共交通工具，且对于每个通道而言，同一时间只有一个乘客从该通道上公共交通工具或下公共交通工具，此外从每个通道上下公共交通工具过程的视频图像数据是分别获取的为例。
步骤S102：基于设置的公共交通工具到达站点的参考图像，从所述视频图像数据中提取用于表征所述公共交通工具到达站点且表征有乘客上下所述公共交通工具的目标图像；
需要说明的是，由于公共交通工具到达站点后会打开乘客上下公共交通工具的通道，比如公交车到达站点后会打开车门，因此，可用所述公共交通工具打开通道的参考图像来表征所述公共交通工具到达站点的参考图像。所述视频图像数据中既包含表征所述公共交通工具到达站点的图像，也包含表征所述公共交通工具未到达站点的图像。同时，所述表征所述公共交通工具到达站点的图像中既包含表征有乘客上下所述公共交通工具的图像，也包含表征没有乘客上下所述公共交通工具的图像。从统计站点客流量的角度来说，只需要针对表征所述公共交通工具到达站点且表征有乘客上下所述公共交通工具的图像进行分析即可。
在一可选的实施方式中，所述基于设置的公共交通工具到达站点的参考图像，从所述视频图像数据中提取用于表征所述公共交通工具到达站点且表征有乘客上下所述公共交通工具的目标图像，包括：
根据稀疏光流法将设置的公共交通工具到达站点的参考图像与所述视频图像数据进行匹配，从所述视频图像数据中提取用于表征所述公共交通工具到达站点的待处理图像；
根据帧间差分法对所述待处理图像进行乘客上下所述公共交通工具的检测，将表征有乘客上下所述公共交通工具的所述待处理图像作为目标图像。
具体地，对所述视频图像数据进行帧化处理，从而将所述视频图像数据可表示为连续帧图像；根据稀疏光流法将设置的公共交通工具到达站点的参考图像与所述视频图像数据中的每帧图像进行匹配，提取出用于表征所述公共交通工具到达站点的待处理图像；根据帧间差分法对所述待处理图像进行乘客上下所述公共交通工具的检测，将表征有乘客上下所述公共交通工具的所述待处理图像作为目标图像。
本实施例中，以所述公共交通工具为公交车为例，相应的，所述公共交通工具到达站点的参考图像为所述公交车的车门处于打开状态的图像，根据稀疏光流法比对参考图像中公交车的车门附近多个固定的角点的坐标与所述视频图像数据中当前分析的图像中对应角点的坐标之间的偏移量，进而根据偏移量与设定偏移量阈值之间的关系确定当前分析的图像是否可用于表征所述公交车的车门处于打开状态即所述公交车到达站点。由于在打开公共交通工具上下乘客的通道之后，可能不会有连续不断的乘客上下公共交通工具，即所述待处理图像中可能包含表征没有乘客上下所述公共交通工具的图像。因此，根据帧间差分法对所述待处理图像进行乘客上下所述公共交通工具的检测，从而提取出表征所述公共交通工具到达站点且有乘客上下所述公共交通工具的目标图像。基于乘客上下所述公共交通工具过程中会发生位置的移动，所述根据帧间差分法对所述待处理图像进行乘客上下所述公共交通工具的检测，可以是将当前待处理图像与在时间上连续的上一帧待处理图像进行差分运算，获得对应像素点相减后灰度差的绝对值，若该绝对值大于设置的绝对值阈值，说明当前待处理图像中表征有乘客上下所述公共交通工具，从而将所述当前待处理图像作为目标图像。所述绝对值阈值可以根据实际情况需要进行设置，比如可以设置为1500等。
需要说明的是，对于每个站点而言，可用于表征所述公共交通工具到达该站点的待处理图像可能有一帧或多帧，并且表征所述公共交通工具到达该站点且有乘客在该站点上下所述公共交通工具的目标图像也可能有一帧或多帧。此外，对于同一乘客而言，受到乘客的移动速度以及图像采集时间间隔等因素的影响，表征该乘客在站点上下所述公共交通工具的目标图像也可能有一帧或多帧。本实施例中以表征同一乘客在站点上下所述公共交通工具的目标图像只有一帧为例。
如此，根据稀疏光流法准确从获取的视频图像数据中提取出用于表征所述公共交通工具到达站点的待处理图像，进而根据帧间差分法从待处理图像中提取出表征有乘客上下所述公共交通工具的目标图像，从而进一步提高站点客流量的统计的准确度。
步骤S103：根据所述目标图像对应的采集时间信息、所述公共交通工具的行驶信息以及设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点；
这里，根据所述目标图像对应的采集时间信息以及所述公共交通工具的行驶信息，可以获知所述目标图像被采集时所述公共交通工具所在的位置，而根据设置的位置信息与站点之间的对应关系，可以获知与所述位置对应的站点，即可确定所述目标图像对应表征的所述公共交通工具所到达的站点。
在一个可选的实施例中，所述根据所述目标图像对应的采集时间信息、所述公共交通工具的行驶信息以及设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点，包括：
根据所述目标图像对应的采集时间信息以及所述公共交通工具的行驶轨迹位置信息和对应的行驶时间信息，确定与所述目标图像对应的采集时间信息匹配的所述公共交通工具的行驶位置信息；
根据所述公共交通工具的行驶位置信息查询设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点。
这里，由于所述公共交通工具的行驶轨迹位置信息与行驶时间信息是一一对应的，因此，根据所述目标图像对应的采集时间信息可获取与所述目标图像对应的采集时间信息匹配的所述公共交通工具的行驶位置信息。然后，根据设置的位置信息与站点之间的对应关系，可获取与所述目标图像对应的采集时间信息匹配的所述公共交通工具的行驶位置信息对应的站点，即所述目标图像对应表征的所述公共交通工具所到达的站点。
如此，通过准确确定目标图像对应表征的所述公共交通工具所到达的站点，以方便统计站点客流量。
步骤S104：对所述目标图像进行分类，根据获得的分类结果确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量；所述站点的客流量包括在站点上公共交通工具的乘客数量和下公共交通工具的乘客数量。
在一可选的实施方式中，所述对所述目标图像进行分类，根据获得的分类结果确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量，包括：
将所述目标图像输入基于历史乘客状态与所述历史乘客状态对应的图像进行训练所获得的卷积神经网络模型，获取所述卷积神经网络模型输出的所述目标图像对应表征的乘客状态；所述乘客状态包括上公共交通工具和下公共交通工具；
根据所述目标图像对应表征的乘客状态，确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量。
这里，当所述目标图像对应表征的乘客状态为上公共交通工具时，则将在所述目标图像对应表征的所述公共交通工具所到达的站点上公共交通工具的乘客数量增加一位；当所述目标图像对应表征的乘客状态为下公共交通工具时，则将在所述目标图像对应表征的所述公共交通工具所到达的站点下公共交通工具的乘客数量增加一位。可以理解地，对于每个站点而言，对应的所述目标图像可能有多帧，根据所述目标图像对应表征的乘客状态可获取该站点的客流量。
这里，所述将所述目标图像输入基于历史乘客状态与所述历史乘客状态对应的图像进行训练所获得的卷积神经网络模型之前，还可包括：
获取训练样本，所述训练样本包括历史乘客状态和所述历史乘客状态对应的图像；
将所述历史乘客状态对应的图像作为模型输入变量，所述历史乘客状态作为模型输出变量；
基于所述训练样本训练卷积神经网络模型。
这里，所述训练样本可以是一段历史时间内的数据，比如一个星期或一个月等。所述基于所述训练样本训练卷积神经网络模型，可以理解为采用卷积神经网络算法建立卷积神经网络模型，并通过所述训练样本对该卷积神经网络模型进行优化。所述历史乘客上下公共交通工具的状态是指上公共交通工具或者下公共交通工具。所述神经网络算法的层数可根据实际需要进行设置，比如可以设置四个卷积层、四个池化层和三个全连接层。
综上，上述实施例提供的站点客流量的统计方法中，基于设置的公共交通工具到达站点的参考图像，从获取的包含乘客上下公共交通工具过程的视频图像数据中提取用于表征所述公共交通工具到达站点且表征有乘客上下所述公共交通工具的目标图像，通过对所述目标图像进行分类，根据获得的分类结果确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量。如此，通过对包含乘客上下公共交通工具过程的视频图像进行识别分类，而获取所述公共交通工具所到达的站点的客流量，能够有效避免人工计数方法存在的易出现错误以及集成电路卡数据分析方法存在的数据不完整等问题，提高了站点客流量的统计准确度。此外，根据获取的站点客流量可进一步准确的对公交工具的行驶路线等进行合理规划。
在一个可选的实施例中，所述对所述目标图像进行分类之前，还包括：
根据感知哈希算法对所述目标图像进行相似度计算；
根据获得的所述目标图像之间的相似度值，删除重复表征同一乘客上下所述公共交通工具的目标图像。
这里，对于同一乘客而言，由于受到乘客的移动速度以及图像采集时间间隔等因素的影响，表征该乘客在站点上下所述公共交通工具的目标图像可能有多帧。此外，当表征该乘客在站点上下所述公共交通工具的目标图像有多帧时，由于表征同一乘客在站点上下所述公共交通工具的目标图像在时间上是连续的，因此，根据感知哈希算法对所述目标图像进行相似度计算，从而获得在时间上连续的相邻两帧所述目标图像之间的相似度值，然后根据所述相似度值与设置的相似度阈值之间的关系，删除重复表征同一乘客上下所述公共交通工具的目标图像。例如，假设表征乘客甲在站点上下所述公共交通工具的目标图像有4帧，则根据感知哈希算法依次计算第1帧目标图像与第2帧目标图像之间的相似度、第2帧目标图像与第3帧目标图像之间的相似度以及第3帧目标图像与第4帧目标图像之间的相似度，若获得的相似度值都大于设置的相似度阈值，则可删除上述4帧目标图像中的任意3帧，而只保留1帧。
如此，通过删除重复表征同一乘客上下所述公共交通工具的目标图像，进一步提高了站点客流量的统计准确度。
在一可选的实施例中，所述对所述目标图像进行分类之前，还包括：
对所述目标图像进行预处理，所述预处理包括以下至少之一：灰度变换和中值滤波。
这里，由于公共交通工具在不同时间和不同行驶位置受到光照变化等天气因素的影响，导致图像背景亮度也随之发生变化。并且，公共交通工具在行驶过程中因路况条件、乘客上下公共交通工具等因素的影响，会导致公共交通工具处于轻微抖动状态，使得图像背景也会发生一些变化。此外，图像在生成和传输过程中因受到拍摄环境干扰等因素的影响而引入图像噪声。因此，通过对所述目标图像进行灰度变换而消除图像背景的影响，通过对所述目标图像进行中值滤波而消除图像噪声，从而提高了分类的准确度，进一步提高了站点客流量的统计准确度。
基于前述实施例相同的发明构思，参见图2，其示出了本发明实施例提供的一种站点客流量的统计装置组成，可以包括：获取模块10、提取模块11、处理模块12和分类模块13；其中，
所述获取模块10，用于获取包含乘客上下公共交通工具过程的视频图像数据以及所述公共交通工具的行驶信息；所述视频图像数据包括图像对应的采集时间信息，所述公共交通工具的行驶信息包括所述公共交通工具的行驶轨迹位置信息和对应的行驶时间信息；
所述提取模块11，用于基于设置的公共交通工具到达站点的参考图像，从所述视频图像数据中提取用于表征所述公共交通工具到达站点且表征有乘客上下所述公共交通工具的目标图像；
所述处理模块12，用于根据所述目标图像对应的采集时间信息、所述公共交通工具的行驶信息以及设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点；
所述分类模块13，用于对所述目标图像进行分类，根据获得的分类结果确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量；所述站点的客流量包括在站点上公共交通工具的乘客数量和下公共交通工具的乘客数量。
综上，上述实施例提供的站点客流量的统计装置中，基于设置的公共交通工具到达站点的参考图像，从获取的包含乘客上下公共交通工具过程的视频图像数据中提取用于表征所述公共交通工具到达站点且表征有乘客上下所述公共交通工具的目标图像，通过对所述目标图像进行分类，根据获得的分类结果确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量。如此，通过对包含乘客上下公共交通工具过程的视频图像进行识别分类，而获取所述公共交通工具所到达的站点的客流量，能够有效避免人工计数方法存在的易出现错误以及集成电路卡数据分析方法存在的数据不完整等问题，提高了站点客流量的统计准确度。
对于图2所示的技术方案，在一种可能的实现方式中，所述提取模块11，具体配置为：
根据稀疏光流法将设置的公共交通工具到达站点的参考图像与所述视频图像数据进行匹配，从所述视频图像数据中提取用于表征所述公共交通工具到达站点的待处理图像；
根据帧间差分法对所述待处理图像进行乘客上下所述公共交通工具的检测，将表征有乘客上下所述公共交通工具的所述待处理图像作为目标图像。
如此，根据稀疏光流法准确从获取的视频图像数据中提取出用于表征所述公共交通工具到达站点的待处理图像，进而根据帧间差分法从待处理图像中提取出表征有乘客上下所述公共交通工具的目标图像，从而进一步提高站点客流量的统计的准确度。
对于图2所示的技术方案，在一种可能的实现方式中，所述处理模块12，具体配置为：
根据所述目标图像对应的采集时间信息以及所述公共交通工具的行驶轨迹位置信息和对应的行驶时间信息，确定与所述目标图像对应的采集时间信息匹配的所述公共交通工具的行驶位置信息；
根据所述公共交通工具的行驶位置信息查询设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点。
如此，通过准确确定目标图像对应表征的所述公共交通工具所到达的站点，以方便统计站点客流量。
对于图2所示的技术方案，在一种可能的实现方式中，所述装置还包括预处理模块14，用于：对所述目标图像进行预处理，所述预处理包括以下至少之一：灰度变换和中值滤波。
如此，通过对所述目标图像进行灰度变换和/或中值滤波等预处理，从而提高了分类的准确度，进一步提高了站点客流量的统计准确度。
对于图2所示的技术方案，在一种可能的实现方式中，所述分类模块13，具体配置为：
将所述目标图像输入基于历史乘客状态与所述历史乘客状态对应的图像进行训练所获得的卷积神经网络模型，获取所述卷积神经网络模型输出的所述目标图像对应表征的乘客状态；所述乘客状态包括上公共交通工具和下公共交通工具；
根据所述目标图像对应表征的乘客状态，确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量。
对于图2所示的技术方案，在一种可能的实现方式中，所述分类模块13，还用于：
获取训练样本，所述训练样本包括历史乘客状态和所述历史乘客状态对应的图像；
将所述历史乘客状态对应的图像作为模型输入变量，所述历史乘客状态作为模型输出变量；
基于所述训练样本训练卷积神经网络模型。
对于图2所示的技术方案，在一种可能的实现方式中，所述处理模块12，还用于：
根据感知哈希算法对所述目标图像进行相似度计算；
根据获得的所述目标图像之间的相似度值，删除重复表征同一乘客上下所述公共交通工具的目标图像。
如此，通过删除重复表征同一乘客上下所述公共交通工具的目标图像，进一步提高了站点客流量的统计准确度。
需要说明的是：上述实施例提供的站点客流量的统计装置在实现站点客流量的统计方法时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将站点客流量的统计装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的站点客流量的统计装置与对应的站点客流量的统计方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本发明实施例提供了一种站点客流量的统计装置，如图3所示，该装置包括：处理器310和用于存储能够在处理器310上运行的计算机程序的存储器311；其中，图3中示意的处理器310并非用于指代处理器310的个数为一个，而是仅用于指代处理器310相对其他器件的位置关系，在实际应用中，处理器310的个数可以为一个或多个；同样，图3中示意的存储器311也是同样的含义，即仅用于指代存储器311相对其他器件的位置关系，在实际应用中，存储器311的个数可以为一个或多个。
所述处理器310用于运行所述计算机程序时，执行如下步骤：
获取包含乘客上下公共交通工具过程的视频图像数据以及所述公共交通工具的行驶信息；所述视频图像数据包括图像对应的采集时间信息，所述公共交通工具的行驶信息包括所述公共交通工具的行驶轨迹位置信息和对应的行驶时间信息；
基于设置的公共交通工具到达站点的参考图像，从所述视频图像数据中提取用于表征所述公共交通工具到达站点且表征有乘客上下所述公共交通工具的目标图像；
根据所述目标图像对应的采集时间信息、所述公共交通工具的行驶信息以及设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点；
对所述目标图像进行分类，根据获得的分类结果确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量；所述站点的客流量包括在站点上公共交通工具的乘客数量和下公共交通工具的乘客数量。
在一可选的实施例中，所述处理器310还用于运行所述计算机程序时，执行如下步骤：
根据稀疏光流法将设置的公共交通工具到达站点的参考图像与所述视频图像数据进行匹配，从所述视频图像数据中提取用于表征所述公共交通工具到达站点的待处理图像；
根据帧间差分法对所述待处理图像进行乘客上下所述公共交通工具的检测，将表征有乘客上下所述公共交通工具的所述待处理图像作为目标图像。
在一可选的实施例中，所述处理器310还用于运行所述计算机程序时，执行如下步骤：
根据所述目标图像对应的采集时间信息以及所述公共交通工具的行驶轨迹位置信息和对应的行驶时间信息，确定与所述目标图像对应的采集时间信息匹配的所述公共交通工具的行驶位置信息；
根据所述公共交通工具的行驶位置信息查询设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点。
在一可选的实施例中，所述处理器310还用于运行所述计算机程序时，执行如下步骤：
对所述目标图像进行预处理，所述预处理包括以下至少之一：灰度变换和中值滤波。
在一可选的实施例中，所述处理器310还用于运行所述计算机程序时，执行如下步骤：
将所述目标图像输入基于历史乘客状态与所述历史乘客状态对应的图像进行训练所获得的卷积神经网络模型，获取所述卷积神经网络模型输出的所述目标图像对应表征的乘客状态；所述乘客状态包括上公共交通工具和下公共交通工具；
根据所述目标图像对应表征的乘客状态，确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量。
在一可选的实施例中，所述处理器310还用于运行所述计算机程序时，执行如下步骤：
获取训练样本，所述训练样本包括历史乘客状态和所述历史乘客状态对应的图像；
将所述历史乘客状态对应的图像作为模型输入变量，所述历史乘客状态作为模型输出变量；
基于所述训练样本训练卷积神经网络模型。
在一可选的实施例中，所述处理器310还用于运行所述计算机程序时，执行如下步骤：
根据感知哈希算法对所述目标图像进行相似度计算；
根据获得的所述目标图像之间的相似度值，删除重复表征同一乘客上下所述公共交通工具的目标图像。
该装置还包括：至少一个网络接口312。该装置中的各个组件通过总线系统313耦合在一起。可理解，总线系统313用于实现这些组件之间的连接通信。总线系统313除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统313。
其中，存储器311可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器311旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器311用于存储各种类型的数据以支持该装置的操作。这些数据的示例包括：用于在该装置上操作的任何计算机程序，如操作系统和应用程序；联系人数据；电话簿数据；消息；图片；视频等。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。这里，实现本发明实施例方法的程序可以包含在应用程序中。
本实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，计算机存储介质可以是磁性随机存取存储器(FRAM，ferromagnetic random accessmemory)、只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，ProgrammableRead-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically ErasableProgrammable Read-Only Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。
一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程被处理器运行时，执行如下步骤：
获取包含乘客上下公共交通工具过程的视频图像数据以及所述公共交通工具的行驶信息；所述视频图像数据包括图像对应的采集时间信息，所述公共交通工具的行驶信息包括所述公共交通工具的行驶轨迹位置信息和对应的行驶时间信息；
基于设置的公共交通工具到达站点的参考图像，从所述视频图像数据中提取用于表征所述公共交通工具到达站点且表征有乘客上下所述公共交通工具的目标图像；
根据所述目标图像对应的采集时间信息、所述公共交通工具的行驶信息以及设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点；
对所述目标图像进行分类，根据获得的分类结果确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量；所述站点的客流量包括在站点上公共交通工具的乘客数量和下公共交通工具的乘客数量。
在一可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
根据稀疏光流法将设置的公共交通工具到达站点的参考图像与所述视频图像数据进行匹配，从所述视频图像数据中提取用于表征所述公共交通工具到达站点的待处理图像；
根据帧间差分法对所述待处理图像进行乘客上下所述公共交通工具的检测，将表征有乘客上下所述公共交通工具的所述待处理图像作为目标图像。
在一可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
根据所述目标图像对应的采集时间信息以及所述公共交通工具的行驶轨迹位置信息和对应的行驶时间信息，确定与所述目标图像对应的采集时间信息匹配的所述公共交通工具的行驶位置信息；
根据所述公共交通工具的行驶位置信息查询设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点。
在一可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
对所述目标图像进行预处理，所述预处理包括以下至少之一：灰度变换和中值滤波。
在一可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
将所述目标图像输入基于历史乘客状态与所述历史乘客状态对应的图像进行训练所获得的卷积神经网络模型，获取所述卷积神经网络模型输出的所述目标图像对应表征的乘客状态；所述乘客状态包括上公共交通工具和下公共交通工具；
根据所述目标图像对应表征的乘客状态，确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量。
在一可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
获取训练样本，所述训练样本包括历史乘客状态和所述历史乘客状态对应的图像；
将所述历史乘客状态对应的图像作为模型输入变量，所述历史乘客状态作为模型输出变量；
基于所述训练样本训练卷积神经网络模型。
在一可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
根据感知哈希算法对所述目标图像进行相似度计算；
根据获得的所述目标图像之间的相似度值，删除重复表征同一乘客上下所述公共交通工具的目标图像。
基于前述实施例相同的发明构思，本实施例通过一具体示例对前述实施例的技术方案进行详细说明。以所述公共交通工具为公交车为例，参见如4，其示出了本实施例提供的一种站点客流量的统计系统的结构，该系统包括：计算机视觉系统20、公交管理系统30和站点客流量的统计装置40，其中，计算机视觉系统20主要用于公交车乘客上下车图像数据的采集和处理，获得乘客上下车的站点和对应的时间，并将获得的图像数据信息一并传输到公交管理系统30，是整个站点客流量的统计系统的核心部分。请再次参阅图4，所述计算机视觉系统20可以包括摄像头201和GPS模块202，其中，摄像头201用于采集公交车乘客上下车图像，GPS模块202用于记录公交车行驶轨迹位置信息。此外，计算机视觉系统20也可将携带有GPS位置信息的历史监控视频传输到公交管理系统30。公交管理系统30用于存储计算机视觉系统20发送的图像数据信息。站点客流量的统计装置40完成对图像数据的分析，获得公交车在每个站点对应的客流量，展现基于站点与客流量数据的公交线路和站点规划方法，包括公交线路走向、站点布局、调度时刻表等公交运营信息。
本发明实施例中图像处理过程是基于openCV+python3环境，图像获取可直接接入公交车实时监控摄像头，也可调用公交管理系统30中的历史监控视频。首先，通过cv2.videoCapture()方法获取本地监控视频对象。然后，进行乘客状态识别和计数，分为三个大阶段：第一阶段，搭建CNN模型，训练该深度神经网络模型对乘客状态进行识别，通过对数据集的学习达到判别乘客状态的作用；第二阶段，导入视频数据，通过稀疏光流法判断角点位置的偏移量，由此判断车门的开启或关闭状态。当车门开启时，根据在车门附近设置的监控区域，对运动目标进行检测，当目标移动超过设定的阈值时，截取图像保存至特定文件夹并使用感知哈希算法剔除相似度过高的图像；第三阶段，调用训练好的CNN模型读取图像，判别乘客上下车状态并进行计数，得到各个站点的客流量数据。至此，城市居民公共交通出行特征信息、公交客流量时空分布规律及其动态演变规律均可以获得，能有效地为公交车辆调度运营管理进行决策支持。
其中，采集的公交视频数据由于受到以下干扰因素，会影响乘客状态的检测结果：
一是公交车在不同时段和不同的停靠位置的影响；由于天气和光照条件的变化，背景亮度的变化很大；而在一次公交车停靠进行乘客上下车过程中，外部光照条件的变化很小，背景亮度基本不变。
二是由于车辆在停靠过程中仍处于发动状态，再加上乘客上下车活动，导致车辆整体处于轻微抖动状态。因此，每两帧图像之间，公交车内背景并不是完全不变，而是会存在一定范围内的位置变化。
图像预处理作为公交乘客检测算法的基础，其处理效果直接影响到后期的图像分析结果。在公交车视监控频环境下，由于不可避免的受到噪声干扰，从而影响到后续的目标检测，故本发明实施例中在调用训练好的CNN模型读取图像之前，可以先对图像进行帧化、灰度图像转化即灰度变换、中值滤波降噪等预处理。
(一)灰度变换
在本发明实施例所研究的公交乘客检测算法中，选取乘客作为检测目标，需要首先对采集到的彩色图像序列进行灰度图像转化。
本发明实施例利用cv2.cvtColor(frame,cv2.COLOR_BGR2GARY)将数据图像中的每一帧转化为灰度图像，并通过cv2.GaussianBlur()对灰度图像进行高斯模糊。
(二)图像去噪
在本发明实施例的计算机视觉系统中，由于拍摄环境不佳，噪声主要来自图像的成像和传输过程，故重点考虑对椒盐噪声的抑制。通过总结相关的研究成果，发现中值滤波对椒盐噪声的效果最佳。中值滤波是一种非线性滤波技术，在一定的条件下可以克服线性滤波器所带来的图像细节模糊的问题，在过滤噪声的同时，它能够很好地保护边缘和轮廓信息。此外，由于中值滤波法不需要做数字运算，因此处理速度相对较快。综合考虑，本发明实施例选取中值滤波法对采集的图像进行图像平滑的预处理。
参见图5，为图像预处理后的对比示意图。图5(a)表示原始图像，图5(b)表示经灰度变换处理后的原始图像，图5(c)表示经中值滤波处理后的原始图像，图5(d)表示经灰度变换和中值滤波处理后的原始图像。对比可知，经过灰度变换或中值滤波处理后的原始图像比未处理的原始图像更清晰，经过灰度变换和中值滤波处理后的原始图像比只经过灰度变换或中值滤波处理后的原始图像也更清晰。
本发明实施例中以公交视频数据来源于美国某条公交线路的摄像头视频为例，该视频记录了公交线路各站点乘客上下车的完整信息。基于该视频数据，本发明实施例设计了公交站点乘客上下车状态识别算法，主要包括以下五个阶段：
第一阶段，识别公交车状态。主要通过Optical Flow稀疏光流法对视频图像上每一帧中车门位置附近几个固定的角点进行图像配准。以图5为例，对比参考图像中的每一个角点在当前图像中对应的点，计算角点的偏移量，以此判断车门的开启或关闭状态。即当角点的偏移量大于设定的偏移量阈值时，判断车门开启；当角点的偏移量小于设定的偏移量阈值时，判断车门关闭。
此外，为公交车的每一次停靠设置公交站点名称(分别命名为站点A、站点B、站点C…)，当检测结果为车门开启时，自动匹配相应的停靠站点。
第二阶段，构建CNN模型对乘客状态进行识别。该神经网络由四个卷积层，四个池化层，三个全连接层组成，用于挖掘图像深层特征。首先，对公交视频进行处理，提取乘客上下车两种状态图像作为样本集，学习率设置为0.01，使该深度神经网络通过反复学习人体动作状态向量进而调整网络参数，并将提取到的特征映射到二维的零一向量上，为后续计数工作做好准备。
第三阶段，检测公交视频运动乘客目标。避免乘客在车厢内的活动影响识别精度，针对公交车监控视频，在车门附近设置识别区域。
本发明实施例中使用帧间差分法对此区域中的运动目标进行检测，由于场景中的目标在运动，目标在不同图像帧中的位置不同，利用相邻两帧的相关性，对时间上连续的两帧图像进行差分运算，不同帧对应的像素点相减，判断灰度差的绝对值，当绝对值超过设定的阈值比如1500时，即可判断为运动目标，提取此帧图像保存到指定文件夹中。参见图6，为根据帧间差分法提取图像的原理示意图。其中，若当前图像为第n帧图像，则对第n帧图像与第n-1帧图像之间进行差分运算，获得差分图像，然后根据差分图像进行阈值处理，获得灰度差的绝对值，进而进行连通性分析，即判断获得的灰度差的绝对值与设定阈值之间的大小关系，最后根据灰度差的绝对值与设定阈值之间的大小关系判别是否存在运动目标，若存在，则保存第n帧图像为目标图像。
第四阶段，对重复目标图像的剔除。为避免漏计上下车乘客，将第三阶段中的阈值调低，可能会对同一个目标进行多次截取，为避免此问题，利用感知哈希算法(PerceptualHash Algorithm)比较图像的相似度，剔除重复图像。具体原理是对每张图像生成一个“指纹”(Fingerprint)字符串，比较不同图像的指纹。比较结果越接近，说明图像越相似。此算法具有速度快，准确率高的优点。图像对比实现步骤具体如下：
a)缩小尺寸：将图像缩小到8*8的尺寸，总共64个像素。这一步的作用是去除图像的细节，只保留结构/明暗等基本信息，摒弃不同尺寸/比例带来的图像差异；
b)简化色彩：将缩小后的图像，转为64级灰度，即所有像素点总共只有64种颜色；
c)计算平均值：计算所有64个像素的灰度平均值；
d)比较像素的灰度：将每个像素的灰度，与平均值进行比较，大于或等于平均值记为1，小于平均值记为0；
e)计算哈希值：将上一步的比较结果，组合在一起，就构成了一个64位的整数，即为图像的指纹。得到指纹以后，对比不同的图像，64位中有小于10位不一样，说明这两张图像相似，剔除其中一张。
第五阶段，调入之前训练好的CNN模型，遍历处理后的图像，对图像进行分类，识别每一张图像的乘客上下车状态信息，对上下车乘客数量进行分别计数，得到该站点上车与下车人数，最终得到所有站点的客流量数据。
参见图7，为本实施例提供的站点客流量的统计方法的具体流程示意图，包括以下步骤：
步骤S201：图像获取；
具体地，获取摄像头实时拍摄的公交车视频，或者获取历史监控视频。
步骤S202：图像预处理；
具体地，对视频图像依次执行帧化处理、灰度变换和中值滤波去噪等预处理操作。
步骤S203：图像识别；
这里，预先基于设置的数据集搭建卷积神经网络(Convolutional NeuralNetwork,CNN)模型对图像进行深层特征的提取。首先，读取公交车视频，通过稀疏光流法判断车门状态，车门开启时匹配当前站点，并在车门附近设置监控区域，根据帧间差分法进行运动乘客目标检测，实现取帧保存，即当目标移动超过阈值时提取并保存相应图像，利用感知哈希算法(Perceptual Hash Algorithm)对保存的图像进行相似度计算，剔除重复图像。最后，调入之前训练好的CNN模型对图像进行分类，识别乘客姿态，判断上下车状态并进行分类计数，从而获得车门开启至车门关闭之间对应的公交站点客流量数据。
步骤S204：导出站点客流量数据。
具体地，获取每个公交站点的客流量数据。
这里，本发明实施例利用采集到的公交车监控视频数据进行了测试，结果表明本发明实施例提供的站点客流量的统计方法能够有效获取站点客流量。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。
Claims (10)
1.一种站点客流量的统计方法，其特征在于，所述方法包括：
获取包含乘客上下公共交通工具过程的视频图像数据以及所述公共交通工具的行驶信息；所述视频图像数据包括图像对应的采集时间信息，所述公共交通工具的行驶信息包括所述公共交通工具的行驶轨迹位置信息和对应的行驶时间信息；
基于设置的公共交通工具到达站点的参考图像，从所述视频图像数据中提取用于表征所述公共交通工具到达站点且表征有乘客上下所述公共交通工具的目标图像；
根据所述目标图像对应的采集时间信息、所述公共交通工具的行驶信息以及设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点；
对所述目标图像进行分类，根据获得的分类结果确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量；所述站点的客流量包括在站点上公共交通工具的乘客数量和下公共交通工具的乘客数量。
2.根据权利要求1所述的方法，其特征在于，所述基于设置的公共交通工具到达站点的参考图像，从所述视频图像数据中提取用于表征所述公共交通工具到达站点且有乘客上下所述公共交通工具的目标图像，包括：
根据稀疏光流法将设置的公共交通工具到达站点的参考图像与所述视频图像数据进行匹配，从所述视频图像数据中提取用于表征所述公共交通工具到达站点的待处理图像；
根据帧间差分法对所述待处理图像进行乘客上下所述公共交通工具的检测，将表征有乘客上下所述公共交通工具的所述待处理图像作为目标图像。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像对应的采集时间信息、所述公共交通工具的行驶信息以及设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点，包括：
根据所述目标图像对应的采集时间信息以及所述公共交通工具的行驶轨迹位置信息和对应的行驶时间信息，确定与所述目标图像对应的采集时间信息匹配的所述公共交通工具的行驶位置信息；
根据所述公共交通工具的行驶位置信息查询设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点。
4.根据权利要求1或2所述的方法，其特征在于，所述对所述目标图像进行分类之前，还包括：
对所述目标图像进行预处理，所述预处理包括以下至少之一：灰度变换和中值滤波。
5.根据权利要求1所述的方法，其特征在于，所述对所述目标图像进行分类，根据获得的分类结果确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量，包括：
将所述目标图像输入基于历史乘客状态与所述历史乘客状态对应的图像进行训练所获得的卷积神经网络模型，获取所述卷积神经网络模型输出的所述目标图像对应表征的乘客状态；所述乘客状态包括上公共交通工具和下公共交通工具；
根据所述目标图像对应表征的乘客状态，确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量。
6.根据权利要求5所述的方法，其特征在于，所述将所述目标图像输入基于历史乘客状态与所述历史乘客状态对应的图像进行训练所获得的卷积神经网络模型之前，还包括：
获取训练样本，所述训练样本包括历史乘客状态和所述历史乘客状态对应的图像；
将所述历史乘客状态对应的图像作为模型输入变量，所述历史乘客状态作为模型输出变量；
基于所述训练样本训练卷积神经网络模型。
7.根据权利要求5所述的方法，其特征在于，所述对所述目标图像进行分类之前，还包括：
根据感知哈希算法对所述目标图像进行相似度计算；
根据获得的所述目标图像之间的相似度值，删除重复表征同一乘客上下所述公共交通工具的目标图像。
8.一种站点客流量的统计装置，其特征在于，包括：
获取模块，用于获取包含乘客上下公共交通工具过程的视频图像数据以及所述公共交通工具的行驶信息；所述视频图像数据包括图像对应的采集时间信息，所述公共交通工具的行驶信息包括所述公共交通工具的行驶轨迹位置信息和对应的行驶时间信息；
提取模块，用于基于设置的公共交通工具到达站点的参考图像，从所述视频图像数据中提取用于表征所述公共交通工具到达站点且表征有乘客上下所述公共交通工具的目标图像；
处理模块，用于根据所述目标图像对应的采集时间信息、所述公共交通工具的行驶信息以及设置的位置信息与站点之间的对应关系，确定所述目标图像对应表征的所述公共交通工具所到达的站点；
分类模块，用于对所述目标图像进行分类，根据获得的分类结果确定所述目标图像对应表征的所述公共交通工具所到达的站点的客流量；所述站点的客流量包括在站点上公共交通工具的乘客数量和下公共交通工具的乘客数量。
9.一种站点客流量的统计装置，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，实现权利要求1至7任一项所述站点客流量的统计方法。
10.一种计算机存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7任一项所述站点客流量的统计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811232162.2A CN109472219B (zh) | 2018-10-22 | 2018-10-22 | 一种站点客流量的统计方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811232162.2A CN109472219B (zh) | 2018-10-22 | 2018-10-22 | 一种站点客流量的统计方法、装置及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109472219A true CN109472219A (zh) | 2019-03-15 |
| CN109472219B CN109472219B (zh) | 2020-08-21 |
Family
ID=65663958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811232162.2A Active CN109472219B (zh) | 2018-10-22 | 2018-10-22 | 一种站点客流量的统计方法、装置及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109472219B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503150A (zh) * | 2019-08-26 | 2019-11-26 | 苏州科达科技股份有限公司 | 样本数据采集方法、装置及存储介质 |
| CN111785017A (zh) * | 2020-05-28 | 2020-10-16 | 上海博泰悦臻电子设备制造有限公司 | 一种公交车调度方法、装置及计算机存储介质 |
| CN112507757A (zh) * | 2019-08-26 | 2021-03-16 | 西门子（中国）有限公司 | 车辆行为检测方法、装置和计算机可读介质 |
| CN116701495A (zh) * | 2023-08-07 | 2023-09-05 | 南京邮电大学 | 一种地铁-公交复合网络关键站点识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103021059A (zh) * | 2012-12-12 | 2013-04-03 | 天津大学 | 一种基于视频监控的公交客流计数方法 |
| CN105243420A (zh) * | 2015-10-16 | 2016-01-13 | 郑州天迈科技股份有限公司 | 公交客流精确统计方法 |
| CN107180403A (zh) * | 2016-03-10 | 2017-09-19 | 上海骏聿数码科技有限公司 | 一种公共交通客流量统计管理方法及系统 |
| US20180130215A1 (en) * | 2016-11-07 | 2018-05-10 | Nec Laboratories America, Inc. | Deep network flow for multi-object tracking |
| CN108345878A (zh) * | 2018-04-16 | 2018-07-31 | 泰华智慧产业集团股份有限公司 | 基于视频的公共交通工具客流量监测方法及系统 |
-
2018
- 2018-10-22 CN CN201811232162.2A patent/CN109472219B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103021059A (zh) * | 2012-12-12 | 2013-04-03 | 天津大学 | 一种基于视频监控的公交客流计数方法 |
| CN105243420A (zh) * | 2015-10-16 | 2016-01-13 | 郑州天迈科技股份有限公司 | 公交客流精确统计方法 |
| CN107180403A (zh) * | 2016-03-10 | 2017-09-19 | 上海骏聿数码科技有限公司 | 一种公共交通客流量统计管理方法及系统 |
| US20180130215A1 (en) * | 2016-11-07 | 2018-05-10 | Nec Laboratories America, Inc. | Deep network flow for multi-object tracking |
| CN108345878A (zh) * | 2018-04-16 | 2018-07-31 | 泰华智慧产业集团股份有限公司 | 基于视频的公共交通工具客流量监测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 唐进君 等: "基于云模型的交通流数据挖掘", 《内蒙古农业大学学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503150A (zh) * | 2019-08-26 | 2019-11-26 | 苏州科达科技股份有限公司 | 样本数据采集方法、装置及存储介质 |
| CN112507757A (zh) * | 2019-08-26 | 2021-03-16 | 西门子（中国）有限公司 | 车辆行为检测方法、装置和计算机可读介质 |
| CN111785017A (zh) * | 2020-05-28 | 2020-10-16 | 上海博泰悦臻电子设备制造有限公司 | 一种公交车调度方法、装置及计算机存储介质 |
| CN116701495A (zh) * | 2023-08-07 | 2023-09-05 | 南京邮电大学 | 一种地铁-公交复合网络关键站点识别方法 |
| CN116701495B (zh) * | 2023-08-07 | 2023-11-14 | 南京邮电大学 | 一种地铁-公交复合网络关键站点识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109472219B (zh) | 2020-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109472219B (zh) | 一种站点客流量的统计方法、装置及计算机存储介质 | |
| CN109101888B (zh) | 一种游客人流量监控预警方法 | |
| CN109670429B (zh) | 一种基于实例分割的监控视频多目标人脸检测方法及系统 | |
| CN107133969B (zh) | 一种基于背景反投影的移动平台运动目标检测方法 | |
| US20160019698A1 (en) | Systems and methods for people counting in sequential images | |
| CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
| CN112183203B (zh) | 一种基于多尺度像素特征融合的实时交通标志检测方法 | |
| CN110232330B (zh) | 一种基于视频检测的行人重识别方法 | |
| CN105844229A (zh) | 一种乘客拥挤度的计算方法及其系统 | |
| CN113723377A (zh) | 一种基于ld-ssd网络的交通标志检测方法 | |
| CN111738114A (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
| CN112836683A (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
| CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
| CN117745709A (zh) | 一种铁路异物侵限检测方法、系统、设备及介质 | |
| CN117710843A (zh) | 一种基于无人机视频的交叉口动态信号配时方案检测方法 | |
| CN112991399A (zh) | 一种基于rfs的公交车人数检测系统 | |
| CN110796003B (zh) | 车道线检测方法、装置及电子设备 | |
| CN111178370B (zh) | 车辆检索方法及相关装置 | |
| CN112200007A (zh) | 一种社区监控场景下车牌检测及识别方法 | |
| CN115984378A (zh) | 一种轨道异物检测方法、装置、设备及介质 | |
| Huda et al. | Effects of pre-processing on the performance of transfer learning based person detection in thermal images | |
| CN115690704A (zh) | 基于LG-CenterNet模型的复杂道路场景目标检测方法及装置 | |
| CN112766174B (zh) | 一种铁路列车车厢组底板丢失故障检测方法 | |
| CN112270232A (zh) | 对车辆周围的弱势交通参与者进行分类的方法和装置 | |
| CN116030507A (zh) | 一种电子设备、识别图像中人脸是否佩戴口罩的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |