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

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

一种分水岭、多区域局域融合和特征跟踪的客流统计方法

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|O_n-O_n-1|>5，则欧式距离大于5不为同一人；

若|H_n-H_n-1|>10，则高度落差大于10不为同一人；

若|L_n-L_n-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|O_n-O_n-1|>5，则欧式距离大于5不为同一人。

若|H_n-H_n-1|>10，则高度落差大于10不为同一人。

若|L_n-L_n-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|O_n-O_n-1|>5，则欧式距离大于5不为同一人；

若|H_n-H_n-1|>10，则高度落差大于10不为同一人；

若|L_n-L_n-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。