一種公交車輛客流統計方法和系統的制作方法
【技術領域】
[0001] 本發明涉及一種客流統計方法，特別涉及一種公交車輛客流統計方法和系統。
【背景技術】
[0002] 經濟迅猛發展，城市規模不斷擴大，城市機動車數量增加，道路交通流量增加，隨 著"互聯網+"時代的到來，人們更愿意選擇便捷的出行方式，其中公交車便是常用方式之 一，但車內出現滿員、空車，站點乘客出現滯留等狀況日益突出，因此如何合理調度公交是 當前公共公交服務的首要問題。公交客流數據的實時統計分析，可以為公交運營調度提供 很好的數據支撐，有利于公共交通發展。
[0003] 目前公交車客流統計的方法有以下幾種方式:人工統計、壓力檢測技術統計、紅外 檢測技術統計、激光檢測技術統計和視頻圖像識別技術統計。傳統的人工統計主要是監控 人員的肉眼統計，適用于監控時間段、客流量稀疏的情況，客流量多、監控時間長的情況下， 統計準確率大大降低，而且人工需要消耗大量的人工成本。壓力檢測技術是在公交踏板上 放置壓力檢測儀，檢測人體重量，但對于多腳踏入的話則無法檢測，并且系統容易損壞、維 修、安裝費用高。紅外檢測技術和激光檢測技術準確率高、成本低，但只適用于人少且有一 定距離的行人，無法對擁擠情況下的客流進行統計，且易受環境影響。
[0004] 近年來，已有很多視頻圖像識別技術的客流統計系統，如基于特征點跟蹤的方法、 人體分割和跟蹤的方法、人頭或頭肩檢測的跟蹤方法。特征點跟蹤計算一般對特征點的軌 跡進行聚類分析，從而得到客流信息，但特征點本身是很難穩定跟蹤的，計算精度較差;人 體分割和跟蹤是先提取運動目標塊，然后分割得到單人目標，跟蹤各個目標運動軌跡，從而 實現客流統計，但無法處理遮擋時的情況，影響精度;人頭或頭肩檢測的跟蹤一般會選用合 適的角度，減少遮擋情況，選擇分類器對人頭進行檢測，但對于虛假目標不易識別，導致人 頭統計不準確。目前已有的系統處于起步階段，其配置環境繁瑣，給工程安裝人員帶來了困 難，加之算法本身對于實際的應用效果并不理想，沒有達到智能化。

【發明內容】

[0005] 本發明的目的在于克服現有技術的缺點與不足，提供一種統計準確度高的公交車 輛客流統計方法。
[0006] 本發明的第二目的在于提供一種實現上述方法的公交車輛客流統計系統。
[0007] 本發明的第一目的通過下述技術方案實現:一種公交車輛客流統計方法，步驟如 下：
[0008] S1、通過第一攝像頭和第二攝像頭分別獲取對應公交車前車門和后車門位置的圖 像；
[0009] S2、對車門出入線進行確定:包括對第一攝像頭獲取的圖像中公交車的前車門出 入線進行確定和對第二攝像頭獲取的圖像中公交車的后車門出入線進行確定；
[0010] S3、獲取攝像頭安裝高度和人頭大小的擬合函數:包括獲取到第一攝像頭安裝高 度和人頭大小的擬合函數以及第二攝像頭安裝高度和人頭大小的擬合函數；
[0011] S4、分別檢測公交車前車門和后車門的開關信號，若檢測到公交車前車門開信號， 則對第一攝像頭當前獲取到的圖像進行步驟S5~S9的圖像處理，若檢測到公交車后車門開 信號，則對第二攝像頭當前獲取到的圖像進行步驟S5~S9的圖像處理;若檢測到公交車前 車門關信號，則停止對第一攝像頭獲取到的圖像進行步驟S5~S9的處理，若檢測到公交車 后車門關信號，則停止對第二攝像頭獲取到的圖像進行步驟S5~S9的處理；
[0012] S5、對圖像進行預處理，然后根據步驟S3中獲取到的攝像頭安裝高度和人頭大小 的擬合函數，使用圓檢測方法對圖像進行人頭檢測，獲取到圖像中的頭部特征向量；
[0013] S6、獲取到圖像中的頭部特征向量后，對人頭進行跟蹤；
[0014] S7、根據步驟S6中對人頭的跟蹤確定人頭運動軌跡；
[0015] S8、結合車門出入線對人頭運動軌跡矢量進行分析，判斷出乘客行為；
[0016] S9、根據乘客行為，統計出雙向客流數量；
[0017] S10、第一攝像頭獲取到的圖像經過步驟S5~S9處理后，統計出前車門雙向客流數 量，第二攝像頭獲取到的圖像經過步驟S5~S9處理后，統計出后車門雙向客流數量，對前車 門雙向客流數量和后車門雙向客流數量進行合計，得出整車雙向客流數量。
[0018] 優選的，所述步驟S2中對公交車車門出入線確定過程如下：
[0019] S21、視頻圖像:采集公交車在停止且對應車門關閉狀態下的視頻圖像；
[0020] S22、幀差法第一幀:對獲取的公交車車門視頻圖像進行幀差法處理，取幀差法第 一幀圖像并二值化；
[0021] S23、梯度Hough直線檢測:對二值化圖像進行梯度Hough直線檢測；
[0022] S24、篩選直線:根據攝像頭安裝高度以及車門特性找出倒梯形，并且確定靠近底 部的橫線為下底，將該下底作為自動識別出的車門出入線；
[0023] S25、確定出入線:對自動識別出的車門出入線進行校準后確定為車門出入線；
[0024] 所述步驟S2中當對公交車前車門出入線進行自動識別時，則步驟S21中通過第一 攝像頭采集公交車在停止且公交車前車門關閉狀態下的視頻圖像，步驟S24中根據第一攝 像頭安裝高度以及公交車前車門特性找出倒梯形；
[0025] 所述步驟S2中當對公交車后車門出入線進行自動識別時，則步驟S21中通過第二 攝像頭采集公交車在停止且公交車后車門關閉狀態下的視頻圖像，步驟S24中根據第二攝 像頭安裝高度以及公交車后車門特性找出倒梯形。
[0026]更進一步的，所述步驟S23中梯度Hough直線檢測過程如下，在二值化圖像中找到 所有符合以下極坐標公式的所有像素點：
[0027] p = x cosB+y sinB；
[0028] 其中（x，y)為二值化圖像空間坐標，（ρ，θ)為參數空間坐標，Θ是X軸到直線的發現 的逆時針轉角，Ρ是坐標原點到直線的代數距離；
[0029] 若當前車門出入線被確定的同類型車輛的數目未超過XI臺，則所述步驟S25中，針 對公交車的車門出入線進行確定時采用人工通過網絡進行校準，即將步驟S24獲取的公交 車自動識別出的車門出入線通過人工網絡校準后作為公交車的車門出入線；
[0030] 若當前車門出入線被確定的同類型車輛的數目超過XI臺，則根據車門出入線被確 定的同類型公交車車輛人工網絡校準后的車門出入線和對應其自動識別出的車門出入線 確定出后續校準函數，在步驟S25中通過后續校準函數對公交車自動識別出的公交車車門 出入線進行校準，確定出公交車的車門出入線。
[0031] 更進一步的，根據車門出入線被確定的同類型公交車車輛人工網絡校準后的車門 出入線和對應其自動識別出的車門出入線確定出的后續校準函數為直線校準函數，其誤差 校正公式為：
[0032]
[0033] 其中e是統計的差值，y(k)是第k輛公交車人工通過網絡校準時標定的車門出入線 直線函數，ylk)是第k輛公交車自動識別的車門出入線函數，η是車門出入線被確定的同類 型公交車車輛數目；
[0034]經過誤差校準后，第n+i輛公交車車門出入線函數為：
[0035] y(n+i)=y/ (n+i)+e, i e (1,2,3,..)；
[0036] / (n+i)是第n+i輛公交車自動識別的車門出入線函數。
[0037] 優選的，所述步驟S3攝像頭安裝高度和人頭大小的擬合函數獲取過程如下：
[0038] S31、獲取攝像頭的安裝高度:統計好各類車型中攝像頭的安裝高度；
[0039] S32、獲取人頭樣例:通過攝像頭分別對各類車型中各種身高人頭進行采集；
[0040] S33、人頭標定參數:統計出通過各類車型中攝像頭分別采集到的人頭大小；
[0041] S34、對各類車型中攝像頭安裝高度、攝像頭采集到的各種人頭對應身高、攝像頭 采集到的人頭大小進行最小二乘法運算獲取到攝像頭安裝高度和人頭大小的擬合函數；
[0042] 其中上述步驟中當攝像頭為第一攝像頭時，則通過上述步驟獲取到的是攝像頭安 裝高度和人頭大小的擬合函數，當上述步驟中當攝像頭為第二攝像頭時，則通過上述步驟 獲取到的是第二攝像頭安裝高度和人頭大小的擬合函數。
[0043] 優選的，所述步驟S5中用圓檢測方法對圖像進行人頭檢測的過程如下：
[0044] S51、對獲取的圖像進行幀差法處理；
[0045] S52、從幀差法處理后的圖像中提取前景圖像并進行二值化處理；
[0046] S53、從二值化處理后的前景圖像中提取到運動目標區域；
[0047] S54、對運動目標區域的灰度圖像進行Canny邊緣檢測，得到運動目標區域灰度圖 像的邊緣特征；
[0048] S55、將運動目標區域灰度圖像的邊緣特征與二值化處理后的前景圖像進行合并， 將處于二值圖像外輪廓內的邊緣全部保留，其余全部舍棄；
[0049] S56、通過梯度Hough圓檢測算法從步驟S55處理后的圖像中檢測出圓；
[0050] S57、根據步驟S3中獲取到的攝像頭安裝高度和人頭大小的擬合函數，設定人頭半 徑閾值范圍，然后進行閾值范圍判斷，將步驟S56中檢測出的圓中半徑處于閾值范圍內的圓 保留，其他的圓去掉；同時對所有人頭輪廓進行分組，選擇距離相似測量度的最大最小距離 法分組，并將人頭輪廓的共圓置信度作為評價擬合優劣的標準，即從多個候選匹配人頭輪 廓中選出最佳人頭輪廓，作為圖像中的人頭；
[0051 ] S58、提取頭部特征向量:包括提取圓邊緣點序列、圓心、半徑、輪廓內部灰度值和 輪廓內部YUV彩色空間的ALPHA通道值。
[0052]優選的，所述步驟S6中對人頭進行跟蹤的過程如下：
[0053] S61、提取前一幀圖像的人頭跟蹤序列，并將該人頭跟蹤序列輸入到卡爾曼預測器 中，得出當前幀圖像中人頭預測向量矩陣，并與當前幀圖像中獲取的頭部特征向量進行特 征匹配;若匹配成功，則將當前幀中人頭加入到前一幀圖像的人頭跟蹤序列中，然后進入步 驟S63，否則進入步驟S62;
[0054] S62、對當前幀圖像中相對于預測人頭輪廓的聯合置信度進行模糊置信度判斷，若 相對于預測人頭輪廓的聯合置信度大于模糊置信度的閾值，則將當前幀圖像中的人頭判定 為新的跟蹤序列，否則進行矢量距離判斷，矢量距離為當前幀檢測的人頭輪廓中心與預測 人頭輪廓中心點之間的距離，若矢量距離小于當前幀檢測的人頭輪廓半徑，則將當前幀人 頭加入前一幀圖像的人頭跟蹤序列，否則將當前幀人頭判定為新的跟蹤序列；
[0055] S63、判定人頭跟蹤是否結束，即判定人頭是否離開視野或停住;若否，則回到步驟 S61;若是，則根據對人頭的跟蹤確定人頭運動軌跡；
[0056] 其中步驟S62中在每一組圓中以模糊置信度為標準提取該組對應的真實人頭輪廓 的最優擬合輪廓，結合候選匹配人頭輪廓的共圓置信度和頭部區域輪廓幾何相似度 HCGS(l，j)的線性組合構成相對于預測人頭輪廓的聯合置信度以_。"(1，」）