CN109766865B - 一种分水岭、多区域局域融合和特征跟踪的客流统计方法 - Google Patents
一种分水岭、多区域局域融合和特征跟踪的客流统计方法 Download PDFInfo
- Publication number
- CN109766865B CN109766865B CN201910057673.3A CN201910057673A CN109766865B CN 109766865 B CN109766865 B CN 109766865B CN 201910057673 A CN201910057673 A CN 201910057673A CN 109766865 B CN109766865 B CN 109766865B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- value
- person
- watershed
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及公共交通工具客流统计管理技术领域,具体涉及一种分水岭、多区域局域融合和特征跟踪的客流统计方法,本客流统计方法使用深度摄像头,采用分水岭算法分割图像局部特征,并将得到的特征融合分割为人体特征来统计记录上下客人员数目,达到客流统计的目的,该方法简单实用,在公交车客流统计实践中,得到了较好的准确度,并且保持了实时性。
Description
技术领域
本发明涉及公共交通工具客流统计管理技术领域,具体涉及一种分水岭、多区域局域融合和特征跟踪的客流统计方法。
背景技术
目前,公交车多数仍沿用传统的客流统计方法,通常采用人工统计的方法来取得客流量数据,虽然精度可以满足要求,但是消耗人力、财力,且不具备系统性和全面性。刷卡机、投币机等接触式设备,虽然脱离了人工,但是一般只能一次通过一人,且无法满足较高的精度和同时统计上、下车人数的要求。而现在应用最广泛的红外线检测系统,此类系统为非接触式,相比接触式设备,有了很大的提高。但在实际运行中,当多个乘客连续或同时通过红外装置时,就会出现遮挡,单个乘客在检测目标区域暂时的停留,或者躯体和携带物品的干扰,也会对统计的精准度产生影响。
近几年,随着政府对智能公交事业投入力度的加大,我国智能公交系统已经初部发展,而客流计数系统是重要组成部分,如何能够为公交公司提供更加实时、清楚、准确的乘客交通统计数据已成为运营商的准求目标。
与智能公交系统相结合的客流计数系统中,有一种在车门门头位置安装客流统计终端单独进行统计分析,这些统计方式或者设备成本较高、安装难度大,或者只能针对单人次统计的简单情况,而在各种技术各自为战的情况下,这些缺点总会不可避免。对于运动目标检测,传统方法主要有背景差法、帧差法和光流法。背景法主要应用于背景变化不大或者变化较为缓慢的环境,在目标进入摄像机范围之前,提取背景图,目标进入之后,用当前图像减去背景图,得到运动目标。背景更新是背景法的重点,目前主要有单高斯和混合高斯背景模型法。公交车上由于每个站台环境不一样,而且受光线和遮挡影响非常大,所以不适于采用背景差法。帧差法虽然受光线影响不大,但是在拥挤的时候,多个乘客容易粘连在一起,如何将单独乘客分割出来是一个难题。考虑到即使拥挤的时候,乘客的头部也很少靠在一起,所以以头部作为计数目标易于实现。目前有许多学者采用边缘提取和Hough变化寻找人头,该方法计算量大,占用存储空间也较大。另外,目前的形态学客流统计方法对人员的头部特征要求比较高。出现马尾辫,戴帽子,弯腰形成的头部椭圆的形状都有较高的误差率。光流法在检测运动目标中具有其优势:可以在不知道任何场景信息的情况下,检测出运动目标。目前基于梯度的光流计算方法得到了广泛的应用。采用光流法进行运动物体检测的问题主要在于光流法计算耗时,实时性和实用性都较差,纯粹采用光流法检测运动目标不太实际,但是可以将光流计算方法和其他方法相结合来检测运动目标。
发明内容
针对现有技术中存在的缺陷和问题,本发明提供一种一种分水岭、多区域局域融合、特征跟踪的客流统计方法,该客流统计方法使用深度摄像头,采用分水岭算法分割图像局部特征,并将得到的特征融合分割为人体特征,记录人数,达到客流统计的目的。
本发明解决其技术问题所采用的方案是:一种分水岭、多区域局域融合和特征跟踪的客流统计方法,包括以下步骤:
步骤1:安装摄像头并调整使摄像头距离车门底部2-2.5m,截取摄像头中每个乘客从车底部向上1m高度范围的图像形成图像集;
步骤2:运用分水岭算法,以十字星为结构模型,十字星表示十字结构,计算出步骤1中所截取的整幅图像结构模型成像的最小值,最小值即人体在摄像头成像中最高的位置,形成分水岭图像,得到图像局部最小值特征图像集;
步骤3:将由步骤2处理过后的分水岭图像的局部最小值特征进行融合;根据图像成像比例以及人员之间成像规律性原则,将局部最小值特征进行融合提取,同一人员的多个最小值特征融合为一个特征,多人员的最小值特征融合为多人员特征,得到包含有人员特征的特征图序列;
步骤4:记录第n帧融合后的人员特征值,并记录特征数据;
步骤5:重复步骤1、步骤2、步骤3、步骤4进行第n+1帧图像的计算;
步骤6:比较第n帧特征和第n+1帧特征值,依据特征区域所呈现的面积、高度落差、距离来判断是否为同一个人;
步骤7:依据步骤6得出的结果记录人员个数:若为同一个人,记录该人的相关信息;若为新增加的人员,则新增加一人员特征;
步骤8:记录步骤6中被检测人员的坐标点M和帧序号N,依据欧式距离分析判别是否为同一人,并得出每个人的行走路径,判断每个人是否上下车。
进一步的,步骤1中的图像集为:
Sn=A1,A2,......,An;
A(x,y)=f(x,y)>150?255:f(x,y);
其中,A(x,y)为截取的由车底向上1m高度范围形成的图像灰度值,f(x,y)为图像像素灰度值,如果图像像素f(x,y)大于150,则坐标(x,y)像素值置为255;反之,则坐标(x,y)像素值不变。
进一步的,步骤2中的图像局部最小值特征图像集为:
Qn=q1,q2,.......,qn;
Q(x,y)=f(x,y).R;
其中,R为算法运算符;f(x,y)为图像坐标(x,y)点灰度值,并且局部最小特征Q(x,y)所对应的坐标灰度值分别小于其周围垂直方向和水平方向的4个坐标灰度值,依次计算整幅图像所有的最小特征值。
进一步的,步骤3对分水岭图像的局部最小值特征按照以下算法进行融合:
RQn=Mn.S;
其中,S为最小值融合特征算法;RQn为融合后包含有人员特征的特征图序列;Mn为图像中有n个最小值特征序列;循环对比每两个特征值之间的距离O、灰度值落差H、以及以最小值特征为中心的5*5区域平均灰度值L,将这些数据进行依次比较:
若|On-On-1|>5,则欧式距离大于5不为同一人;
若|Hn-Hn-1|>10,则高度落差大于10不为同一人;
若|Ln-Ln-1|>5,则平均灰度值落差大于5不为同一人。
本发明的有益效果:本发明的一种分水岭、多区域局域融合和特征跟踪的客流统计方法,利用深度摄像头采用分水岭、多区域局域融合、特征跟踪等方法来统计记录上下客人员数目,该方法简单实用,在公交车客流统计实践中,得到了较好的准确度。并且保持了实时性。相对于目前依据形态学的传统客流统计方法中,对于在出现马尾辫、戴帽子、弯腰形成的头部椭圆的形状都有较高的误差率来说,本发明采用分水岭、多区域局域融合、特征跟踪等方法来统计记录上下客人员数目,对人员的头部特征要求比较低,此方法完全规避了出现马尾辫、戴帽子、弯腰形成的头部椭圆的形状等问题所形成的误差,提高了客流统计的准确度。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
实施例1:本发明的一种分水岭、多区域局域融合和特征跟踪的客流统计方法,需要将深度摄像头放置在公交车进出门正上方,根据乘客上下车通过摄像头的过程,通过深度摄像头采集的图像进行分析后确定统计人数。利用深度摄像头采集图像后进行分析的具体步骤如下:
第1步骤:安装并调整使摄像头距离车门底部约2.3m,截取每个经过门口的乘客由车底部向上约1m高度范围形成的图像集
Sn=A1,A2,......,An;
A(x,y)=f(x,y)>150?255:f(x,y);
其中,A(x,y)为截取的由车底向上100cm高度范围形成的图像灰度值,f(x,y)为图像像素灰度值,如果图像像素f(x,y)大于150,则坐标(x,y)像素值置为255。反之,则不变。
第2步骤:依据分水岭算法,得到图像局部最小值特征图像集
Qn=q1,q2,.......,qn;
Q(x,y)=f(x,y).R;
其中,R为算法运算符;f(x,y)为图像坐标(x,y)点灰度值,将之分别与其周围垂直方向和水平方向的4个坐标灰度值,进行比较。如果其小于周围的所有值。则此坐标值为局部最小特征Q(x,y)。依次计算整幅图像所有的最小特征值。
第3步骤:由处理过后的分水岭图像Qn,将局部最小值特征,根据图像成像比例以及人员之间成像规律性原则,将局部最小值特征进行融合提取(同一人员的最小值特征融合为一个特征。多人员的最小值特征融合为多人员特征。)
RQn=Mn.S;
其中,S为最小值融合特征算法。RQn为融合后包含有人员特征的特征图序列。Mn为图像中有n个最小值特征序列。循环对比每两个特征值之间的距离O,灰度值落差H,以及以最小值特征为中心的5*5区域平均灰度值L。将这些数据进行依次比较。
若|On-On-1|>5,则欧式距离大于5不为同一人。
若|Hn-Hn-1|>10,则高度落差大于10不为同一人。
若|Ln-Ln-1|>5,则平均灰度值落差大于5不为同一人。
第4步骤:依据第3步骤得出的结果。记录人员个数,特征值坐标,帧序号。
第5步骤:依据第4步骤记录的信息。计算个连续帧之间人员特征信息。利用欧式距离,判断每个人是否上下车。
Claims (2)
1.一种分水岭、多区域局域融合和特征跟踪的客流统计方法,其特征在于:包括以下步骤:
步骤1:安装摄像头并调整使摄像头距离车门底部2-2.5m,截取摄像头中每个乘客从车底部向上1m高度范围的图像形成图像集;
步骤2:运用分水岭算法,以十字星为结构模型,计算出步骤1中所截取的整幅图像结构模型成像的最小值,最小值即人体在摄像头成像中最高的位置,形成分水岭图像,得到图像局部最小值特征图像集,图像局部最小值特征图像集为:
Qn=q1,q2,.......,qn;
Q(x,y)=f(x,y).R;
其中,R为算法运算符;f(x,y)为图像坐标(x,y)点灰度值,并且局部最小特征Q(x,y)所对应的坐标灰度值分别小于其周围垂直方向和水平方向的4个坐标灰度值,依次计算整幅图像所有的最小特征值,对分水岭图像的局部最小值特征按照以下算法进行融合:
RQn=Mn.S;
其中,S为最小值融合特征算法;RQn为融合后包含有人员特征的特征图序列;Mn为图像中有n个最小值特征序列;循环对比每两个特征值之间的距离O、灰度值落差H、以及以最小值特征为中心的5*5区域平均灰度值L,将这些数据进行依次比较:
若|On-On-1|>5,则欧式距离大于5不为同一人;
若|Hn-Hn-1|>10,则高度落差大于10不为同一人;
若|Ln-Ln-1|>5,则平均灰度值落差大于5不为同一人。
步骤3:将由步骤2处理过后的分水岭图像的局部最小值特征进行融合;根据图像成像比例以及人员之间成像规律性原则,将局部最小值特征进行融合提取,同一人员的多个最小值特征融合为一个特征,多人员的最小值特征融合为多人员特征,得到包含有人员特征的特征图序列;
步骤4:记录第n帧融合后的人员特征值,并记录特征数据;
步骤5:重复步骤1、步骤2、步骤3、步骤4进行第n+1帧图像的计算;
步骤6:比较第n帧特征和第n+1帧特征值,依据特征区域所呈现的面积、高度落差、距离来判断是否为同一个人;
步骤7:依据步骤6得出的结果记录人员个数:若为同一个人,记录该人的相关信息;若为新增加的人员,则新增加一人员特征;
步骤8:记录步骤6中被检测人员的坐标点M和帧序号N,依据欧式距离分析判别是否为同一人,并得出每个人的行走路径,判断每个人是否上下车。
2.根据权利要求1所述的一种分水岭、多区域局域融合和特征跟踪的客流统计方法,其特征在于:步骤1中的图像集为:
Sn=A1,A2,......,An;
A(x,y)=f(x,y)>150?255:f(x,y);
其中,A(x,y)为截取的由车底向上1m高度范围形成的图像灰度值,f(x,y)为图像像素灰度值,如果图像像素f(x,y)大于150,则坐标(x,y)像素值置为255;反之,则坐标(x,y)像素值不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910057673.3A CN109766865B (zh) | 2019-01-19 | 2019-01-19 | 一种分水岭、多区域局域融合和特征跟踪的客流统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910057673.3A CN109766865B (zh) | 2019-01-19 | 2019-01-19 | 一种分水岭、多区域局域融合和特征跟踪的客流统计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766865A CN109766865A (zh) | 2019-05-17 |
CN109766865B true CN109766865B (zh) | 2021-02-26 |
Family
ID=66455005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910057673.3A Active CN109766865B (zh) | 2019-01-19 | 2019-01-19 | 一种分水岭、多区域局域融合和特征跟踪的客流统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766865B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231755A (zh) * | 2007-01-25 | 2008-07-30 | 上海遥薇实业有限公司 | 运动目标跟踪及数量统计方法 |
CN102542531A (zh) * | 2010-12-08 | 2012-07-04 | 江南大学 | 一种用于纺织和医学图像的分割方法 |
CN103065129A (zh) * | 2012-12-30 | 2013-04-24 | 信帧电子技术(北京)有限公司 | 对大熊猫识别的方法 |
CN107240111A (zh) * | 2017-06-14 | 2017-10-10 | 郑州天迈科技股份有限公司 | 边沿连通分割客流统计方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2015203771B2 (en) * | 2014-07-08 | 2020-11-05 | Iomniscient Pty Ltd | A method and apparatus for surveillance |
CN104933418B (zh) * | 2015-06-25 | 2018-11-06 | 西安理工大学 | 一种双像机的人群人数统计方法 |
CN105630906A (zh) * | 2015-12-21 | 2016-06-01 | 苏州科达科技股份有限公司 | 一种人员搜索方法、装置及系统 |
-
2019
- 2019-01-19 CN CN201910057673.3A patent/CN109766865B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231755A (zh) * | 2007-01-25 | 2008-07-30 | 上海遥薇实业有限公司 | 运动目标跟踪及数量统计方法 |
CN102542531A (zh) * | 2010-12-08 | 2012-07-04 | 江南大学 | 一种用于纺织和医学图像的分割方法 |
CN103065129A (zh) * | 2012-12-30 | 2013-04-24 | 信帧电子技术(北京)有限公司 | 对大熊猫识别的方法 |
CN107240111A (zh) * | 2017-06-14 | 2017-10-10 | 郑州天迈科技股份有限公司 | 边沿连通分割客流统计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109766865A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784162B (zh) | 一种行人行为识别及轨迹跟踪方法 | |
CN106910203B (zh) | 一种视频监测中运动目标的快速检测方法 | |
CN105844234B (zh) | 一种基于头肩检测的人数统计的方法及设备 | |
US8538082B2 (en) | System and method for detecting and tracking an object of interest in spatio-temporal space | |
US10445567B2 (en) | Pedestrian head identification method and system | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN109145708B (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
US20100177963A1 (en) | Situation determining apparatus, situation determining method, situation determining program, abnormality determining apparatus, abnormality determining method, abnormality determining program, and congestion estimating apparatus | |
CN102521565A (zh) | 低分辨率视频的服装识别方法及系统 | |
CN111881749B (zh) | 基于rgb-d多模态数据的双向人流量统计方法 | |
CN106570490B (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
CN111753651A (zh) | 一种基于车站二维人群密度分析的地铁群体异常行为检测方法 | |
CN110717400A (zh) | 一种客流统计方法、装置及系统 | |
CN106778637B (zh) | 一种对男女客流的统计方法 | |
CN115303901B (zh) | 一种基于计算机视觉的电梯交通流量识别方法 | |
CN116153086B (zh) | 基于深度学习的多路段交通事故及拥堵检测方法及系统 | |
CN104809742A (zh) | 一种复杂场景下的物品安全检测方法 | |
CN113743260A (zh) | 一种地铁站台密集人流情况下的行人跟踪方法 | |
CN114463390A (zh) | 耦合车队跟驰强化的多孪生对抗网络跨相机车辆追踪方法 | |
CN106951820B (zh) | 基于环形模板和椭圆拟合的客流统计方法 | |
CN109919068B (zh) | 基于视频分析适应密集场景人流实时监测方法 | |
Xia et al. | Automatic multi-vehicle tracking using video cameras: An improved CAMShift approach | |
Chen et al. | Object tracking over a multiple-camera network | |
CN107240111B (zh) | 边沿连通分割客流统计方法 |
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 |