一种乘客拥挤度的计算方法及其系统的制作方法
【专利摘要】本发明提供了一种乘客拥挤度的计算方法，包括：建立视频数据采集环境，并开始采集乘客上下车的视频数据；读取采集到的乘客上下车的视频数据，并对所述视频数据进行连续多帧图像的预处理；根据预处理的结果进行人头部识别，并将检测出的人头部作为均值漂移所要跟踪的目标对象；在所述目标对象所在的区域内判定乘客的下车行为和上车行为，并根据乘客的上下车人数确定车内乘客拥挤度。本发明还提供一种乘客拥挤度的计算系统。本发明提供的技术方案采用除去静态背景的预处理能有效克服光照强弱变化等对帧图像中人头顶部识别的干扰，通过检测窗口的尺寸限制能有效减小对人头顶部的误检、漏检和错检。
【专利说明】
一种乘客拥挤度的计算方法及其系统
技术领域
[0001] 本发明涉及公共交通领域，尤其涉及一种乘客拥挤度的计算方法及其系统。
【背景技术】
[0002] 随着城市化的进行，城市人口持续膨胀，中国大中型城市交通面临的交通压力日 趋严重。在一些大型城市，高峰期的交通拥堵已对城市的可持续发展构成了严重阻碍。解决 高峰期的交通拥堵的一个行之有效的手段是鼓励城市居民乘坐公交车出行，但是部分公交 线路在高峰期运力不足限制了居民乘坐公交成的热情。解决高峰期运力不足最好的手段是 增加运力，但是单纯地增加热门线路的公交车数量，则会导致非高峰期的运力过剩，既不经 济也不环保，因此公交智能调度的概念应运而生。公交智能调度是通过安装在每辆公交车 上的终端，对各个线路的每一辆公交车上车人数、下车人数以及车上乘客总数进行统计，以 此实现对现行各个公交线路在各个时间段的乘客负载情况进行监控。此外公交智能调度还 可以利用各个车站各个时段上下车的人流的历史数据进行深层次的数据挖掘，为制定合理 高效的公交线路提供依据。因此，作为智能公交调度系统的最重要的部分，对公交乘客数进 行精确的统计是公交智能调度系统实现的关键。
[0003] 传统的客流统计方法是利用人工检测，或利用投币机，刷卡器等接触式设备进行 统计。其中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，但是需要消耗 大量人力、财力，费用高昂并且实时性较差。其次是红外线检测系统，虽然可以同时实现对 上下车人数的统计。但是，红外装置很容易受到外界因素的干扰，如人员连续通过或人员长 时间驻留都可能造成误统计，无法满足公交智能调度系统对人数统计的精确性要求。同时， 由于红外系统仅仅能够实现对通过车门的人数进行统计，并不能判断乘客运动的方向，即 不能实现单车门的人流双向计数，因此无法应用于不分上下车门的快速公交系统。在快速 公交系统覆面越来越广的今天，利用红外线进行公交人数统计的检测手段的适用性越来越 低。
【发明内容】
[0004] 有鉴于此，本发明的目的在于提供一种乘客拥挤度的计算方法及其系统，旨在解 决现有技术中统计客流量的精度不高的问题。
[0005] 本发明提出一种乘客拥挤度的计算方法，所述方法包括：
[0006] 建立视频数据采集环境，并开始采集乘客上下车的视频数据；
[0007] 读取采集到的乘客上下车的视频数据，并对所述视频数据进行连续多帧图像的预 处理；
[0008] 根据预处理的结果进行人头部识别，并将检测出的人头部作为均值漂移所要跟踪 的目标对象；
[0009] 在所述目标对象所在的区域内判定乘客的下车行为和上车行为，并根据乘客的上 下车人数确定车内乘客拥挤度。
[0010] 优选的，所述读取采集到的乘客上下车的视频数据，并对所述视频数据进行连续 多帧图像的预处理的步骤具体包括：
[0011] 读取采集到的乘客上下车的视频数据的帧格式并确定帧数；
[0012] 对初始帧中的每个像素点建立单高斯模型；
[0013] 通过对连续数帧图象像素点的变化进行分析并判定帧图像中每个像素点为静态 背景或者为动态前景；
[0014] 对判定为静态背景的像素点的像素值进行修改，对判定为动态前景的像素点的像 素值不修改；
[0015] 记录帧图像中每个像素点被连续判断为静态背景的次数，当该次数如果大于或者 等于预设阈值，则立即更新该像素点RGB值为背景，若非被连续判断为静态背景，则重新记 录。
[0016] 优选的，所述根据预处理的结果进行人头部识别，并将检测出的人头部作为均值 漂移所要跟踪的目标对象的步骤具体包括：
[0017] 利用收集到的多张包含人头部的正样本和不包含人头部的负样本制作用于判定 是否人头顶部的级联分类器；
[0018] 限定所述级联分类器中检测人头顶部的检测窗口的尺寸范围；
[0019] 根据被限定检测窗口尺寸的级联分类器进行人头部识别；
[0020] 将检测出的人头部作为均值漂移所要跟踪的目标对象。
[0021 ]优选的，所述在所述目标对象所在的区域内判定乘客的下车行为和上车行为，并 根据乘客的上下车人数确定车内乘客拥挤度的步骤具体包括：
[0022] 在摄像头所拍摄区域中设置两条检测线，如果所述均值漂移所要跟踪的目标对象 的质心穿越了以上两条检测线，则判定乘客为下车或者上车；
[0023] 通过计算乘客的下车人数和上车人数来确定实际运营时的乘客总数，并利用所述 乘客总数与车内最大载客量之间的比值来衡量车内乘客拥挤度。
[0024] 另一方面，本发明还提供一种乘客拥挤度的计算系统，所述系统包括：
[0025]数据采集模块，用于建立视频数据采集环境，并开始采集乘客上下车的视频数据； [0026]预处理模块，用于读取采集到的乘客上下车的视频数据，并对所述视频数据进行 连续多帧图像的预处理；
[0027] 对象确定模块，用于根据预处理的结果进行人头部识别，并将检测出的人头部作 为均值漂移所要跟踪的目标对象；
[0028] 拥挤判定模块，用于在所述目标对象所在的区域内判定乘客的下车行为和上车行 为，并根据乘客的上下车人数确定车内乘客拥挤度。
[0029]优选的，所述预处理模块包括：
[0030] 读帧子模块，用于读取采集到的乘客上下车的视频数据的帧格式并确定帧数；
[0031] 建模子模块，用于对初始帧中的每个像素点建立单高斯模型；
[0032] 状态子模块，用于通过对连续数帧图象像素点的变化进行分析并判定帧图像中每 个像素点为静态背景或者为动态前景；
[0033]修改子模块，用于对判定为静态背景的像素点的像素值进行修改，对判定为动态 前景的像素点的像素值不修改；
[0034]更新子模块，用于记录帧图像中每个像素点被连续判断为静态背景的次数，当该 次数如果大于或者等于预设阈值，则立即更新该像素点RGB值为背景，若非被连续判断为静 态背景，则重新记录。
[0035]优选的，所述对象确定模块包括：
[0036] 制作子模块，用于利用收集到的多张包含人头部的正样本和不包含人头部的负样 本制作用于判定是否人头顶部的级联分类器；
[0037] 限定子模块，用于限定所述级联分类器中检测人头顶部的检测窗口的尺寸范围；
[0038] 识别子模块，用于根据被限定检测窗口尺寸的级联分类器进行人头部识别；
[0039] 目标子模块，用于将检测出的人头部作为均值漂移所要跟踪的目标对象。
[0040] 优选的，所述拥挤判定模块包括：
[0041] 第一判定子模块，用于在摄像头所拍摄区域中设置两条检测线，如果所述均值漂 移所要跟踪的目标对象的质心穿越了以上两条检测线，则判定乘客为下车或者上车；
[0042] 第二判定子模块，用于通过计算乘客的下车人数和上车人数来确定实际运营时的 乘客总数，并利用所述乘客总数与车内最大载客量之间的比值来衡量车内乘客拥挤度。 [0043]本发明提供的技术方案采用除去静态背景的预处理能有效克服光照强弱变化等 对帧图像中人头顶部识别的干扰，通过检测窗口的尺寸限制能有效减小对人头顶部的误 检、漏检和错检。
【附图说明】
[0044] 图1为本发明一实施方式中乘客拥挤度的计算方法流程图；
[0045] 图2为本发明一实施方式中图1所示的步骤S12的详细流程图；
[0046] 图3为本发明一实施方式中图1所示的步骤S13的详细流程图；
[0047] 图4为本发明一实施方式中图1所示的步骤S14的详细流程图；
[0048] 图5为本发明一实施方式中乘客拥挤度的计算系统10的内部结构示意图；
[0049] 图6为本发明一实施方式中图5所示的预处理模块12的内部结构示意图；
[0050] 图7为本发明一实施方式中图5所示的对象确定模块13的内部结构示意图；
[0051] 图8为本发明一实施方式中图5所示的拥挤判定模块14的内部结构示意图。
【具体实施方式】
[0052]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。
[0053]本发明【具体实施方式】提供了一种乘客拥挤度的计算方法，所述方法主要包括如下 步骤：
[0054] S11、建立视频数据采集环境，并开始采集乘客上下车的视频数据；
[0055] S12、读取采集到的乘客上下车的视频数据，并对所述视频数据进行连续多帧图像 的预处理；
[0056] S13、根据预处理的结果进行人头部识别，并将检测出的人头部作为均值漂移所要 跟踪的目标对象；
[0057] S14、在所述目标对象所在的区域内判定乘客的下车行为和上车行为，并根据乘客 的上下车人数确定车内乘客拥挤度。
[0058]本发明提供的一种乘客拥挤度的计算方法采用除去静态背景的预处理能有效克 服光照强弱变化等对帧图像中人头顶部识别的干扰，通过检测窗口的尺寸限制能有效减小 对人头顶部的误检、漏检和错检。
[0059] 以下将对本发明所提供的一种乘客拥挤度的计算方法进行详细说明。
[0060] 请参阅图1，为本发明一实施方式中乘客拥挤度的计算方法流程图。
[0061] 在步骤Sll中，建立视频数据采集环境，并开始采集乘客上下车的视频数据。
[0062] 在本实施方式中，通过构建嵌入式车载系统来建立视频数据采集环境，所构建的 嵌入式车载系统包括硬件模块有:两部摄像机、嵌入式设备主控模块、视频存储模块、车载 硬件供电模块，将两部摄像机分别置于前后车门顶部，其摄像头与地面呈90度，其拍摄范围 覆盖:上下车的台阶、车门外的一部分马路和车门内的一部分车体空间。在本实施方式中， 车载嵌入式设备通过控制安装在公交车前后门顶部的摄像头采集乘客上下车的视频数据， 并将两部摄像头录制的视频数据暂存至视频存储模块，以供调用做视频处理。在本实施方 式中，视频数据暂存方式能有效的减少对嵌入式硬件的要求，从而降低设备的成本。
[0063] 在步骤S12中，读取采集到的乘客上下车的视频数据，并对所述视频数据进行连续 多帧图像的预处理。
[0064] 在本实施方式中，所述读取采集到的乘客上下车的视频数据，并对所述视频数据 进行连续多帧图像的预处理的步骤S12具体包括S121 - S125,如图2所示。
[0065] 请参阅图2,为本发明一实施方式中图1所示的步骤S12的详细流程图。
[0066] 在步骤S121中，读取采集到的乘客上下车的视频数据的帧格式并确定帧数。
[0067] 在本实施方式中，嵌入式设备主控模块读取视频数据的帧格式并确定帧数，确定 帧图像的大小m X η，其中m表示帧图像的行数，η表示帧图像的列数。
[0068] 在步骤S122中，对初始帧中的每个像素点建立单高斯模型。
[0069] 在本实施方式中，对初始帧中每个像素点建立单高斯模型，初始其单高斯模型的 均值为像素点的RGB倌，方差初始常数V，其后再根据像素点的变化逐渐构造混合高斯密度 函·
车中巧/，11&此3,'^,〇为1:时亥1]第1个高斯分布，1为 三维单位矩阵，K为高斯分布模式总数，μi,t、Wi,t、 τi,t、σi,t分别代表每个高斯函数均值、权 值、协方差矩阵、方差。
[0070] 在步骤S123中，通过对连续数帧图象像素点的变化进行分析并判定帧图像中每个 像素点为静态背景或者为动态前景。
[0071] 在本实施方式中，通过连续的数帧图象像素点的变化，由初始帧的单高斯模型渐 变到混合高斯模型，每个像素点至少拥有Κ(Κ 2 1)个高斯函数，由帧与帧之间的变化判断帧 图像中每个像素点为静态背景或者为动态前景。
[0072] 在本实施方式中，根据视频流的顺序，后一帧图像共mXη个像素点的RGB值依次与 前一帧帧图像相对应的像素点的K(K 2 1)个高斯函数进行匹配：
[0073] 如果与K个中某一个或几个函数匹配成功，表示K个高斯函数中至少有一个能描述 当前像素点RGB值的变化，则增加匹配成功的高斯函数的权值1 1,*，对未匹配成功的余下(Κ-?) 个高斯函数 ，更新其均值和方差 ，并判定当前像素点的 RGB 值属于静态背景；
[0074]如果匹配不成功，表示K个高斯函数中没有能描述当前像素点RGB值的变化，则删 除权值最低的高斯函数，新建高斯函数并由当前像素点的RGB值作为其均值，V作为其方差， 并判定当前像素点的RGB值属于动态前景。
[0075]在步骤S124中，对判定为静态背景的像素点的像素值进行修改，对判定为动态前 景的像素点的像素值不修改。
[0076]在本实施方式中，将判定为静态背景的像素点的像素值修改为RGBs，其中，RGBs代 表日常生活中出现率最低的颜色，将判定为动态前景的像素点不修改其像素值，在本实施 方式中，此步骤所做的颜色修改为后续步骤中的人头部检测和轨迹追踪减除了静态背景的 干扰，极大地提高了后续步骤的成功率。
[0077] 在步骤S125中，记录帧图像中每个像素点被连续判断为静态背景的次数，当该次 数如果大于或者等于预设阈值，则立即更新该像素点RGB值为背景，若非被连续判断为静态 背景，则重新记录。
[0078] 在本实施方式中，考虑到混合高斯背景建模需要时间，而且在现实场景中，乘客上 下车的时间可能小于混合高斯建模的时间，增加一种针对原混合高斯建模算法中的高斯函 数权值增长机制，即：记录帧图像中每个像素点被连续判断为静态背景的次数，当该次数如 果大于或等于预设阈值K时，则立即更新该像素点RGB值为背景，不必等该高斯函数达到原 始算法中的阈值后再更新该像素点RGB值，若非被连续判断为静态背景，则重新记录。
[0079] 在本实施方式中，每一帧图像一共mXn个像素点，隶属于每个像素点的高斯密度 函数个数K不应超过4个，如果超过4个，则删除权值最低的高斯函数;通过图像的开闭运算 消除图像预处理所产生的小的且孤立的点。
[0080] 请继续参阅图1，在步骤S13中，根据预处理的结果进行人头部识别，并将检测出的 人头部作为均值漂移所要跟踪的目标对象。
[0081] 在本实施方式中，所述根据预处理的结果进行人头部识别，并将检测出的人头部 作为均值漂移所要跟踪的目标对象的步骤S13具体包括S131 - S134,如图3所示。
[0082]请参阅图3,为本发明一实施方式中图1所示的步骤S13的详细流程图。
[0083] 在步骤S131中，利用收集到的多张包含人头部的正样本和不包含人头部的负样本 制作用于判定是否人头顶部的级联分类器。
[0084] 在本实施方式中，对以收集的数张包含人头部的正样本和不包含人头部的负样本 (大小20*20)做基于LBP特征的Adaboost训练迭代训练，制作判定是否属于人头顶部的级联 分类器。
[0085] 在步骤S132中，限定所述级联分类器中检测人头顶部的检测窗口的尺寸范围。
[0086] 在本实施方式中，设定级联分类器的检测图像窗口大小w，其尺寸大小要保证在 Wmir^PWmax之间，W mir^PWmax根据公交车的大小而定，通过窗口 w在帧图像上的移动检测出人头 部位置，其移动检测规则采用积分图法，如果未检测到人头部，则将检测窗口放大1.5倍，且 不能超过^"和W max的范围。
[0087]在步骤S133中，根据被限定检测窗口尺寸的级联分类器进行人头部识别。
[0088]在本实施方式中，将不满足步骤S132的尺寸范围条件且已被步骤S131判定为人头 顶部的人头部样本删除，不能仅仅认定单步骤S131级联分类器的检测结果，必须同时满足 步骤S131和S132的人头顶部样本才被后续步骤所认可。
[0089] 在步骤S134中，将检测出的人头部作为均值漂移(Meanshift)所要跟踪的目标对 象。
[0090] 请继续参阅图1，在步骤S14中，在所述目标对象所在的区域内判定乘客的下车行 为和上车行为，并根据乘客的上下车人数确定车内乘客拥挤度。
[0091] 在本实施方式中，所述在所述目标对象所在的区域内判定乘客的下车行为和上车 行为，并根据乘客的上下车人数确定车内乘客拥挤度的步骤S14具体包括S141 - S142,如图 4所示。
[0092]请参阅图4,为本发明一实施方式中图1所示的步骤S14的详细流程图。
[0093]在步骤S141中，在摄像头所拍摄区域中设置两条检测线，如果所述均值漂移所要 跟踪的目标对象的质心穿越了以上两条检测线，则判定乘客为下车或者上车。
[0094] 在本实施方式中，在摄像头所拍摄区域中设置两条检测线，分别置于距车门外一 定距离的路面上和距车门内一定距离的车地板上，将检测出的人头部作为均值漂移 (Meanshift)要跟踪的目标对象，并计算该区域的概率密度估计其中，u为直方 图的颜色索引）、目标被估计中心位置yo和核窗宽h。
[0095] 在本实施方式中，以（n-1)帧目标对象被估计的中心位置yo为搜索窗口中心坐标 计算当前帧的区域直方图；将目标模板和候选区域模板对应的直方图用BH系数计算其相似 性，其BH系数越大代表其相似性高，最大BH系数的位置为目标新位置;通过计算每一帧中目 标对象的质心坐标，质心穿越了上下检测线，则判定乘客下车行为和上车行为。
[0096]在步骤S142中，通过计算乘客的下车人数和上车人数来确定实际运营时的乘客总 数，并利用所述乘客总数与车内最大载客量之间的比值来衡量车内乘客拥挤度。
[0097] 在本实施方式中，通过上车人数减去下车人数则为车内乘客总数，通过计算实际 运营时的乘客总数/公交车的最大载客量，则可得到描述车内拥挤度的拥挤因子，此因子越 高则越拥挤，反之稀疏。
[0098] 本发明提供的一种乘客拥挤度的计算方法采用除去静态背景的预处理能有效克 服光照强弱变化等对帧图像中人头顶部识别的干扰，通过检测窗口的尺寸限制能有效减小 对人头顶部的误检、漏检和错检。
[0099] 本发明【具体实施方式】还提供一种乘客拥挤度的计算系统10,主要包括：
[0100] 数据采集模块11，用于建立视频数据采集环境，并开始采集乘客上下车的视频数 据；
[0101]预处理模块12,用于读取采集到的乘客上下车的视频数据，并对所述视频数据进 行连续多帧图像的预处理；
[0102] 对象确定模块13,用于根据预处理的结果进行人头部识别，并将检测出的人头部 作为均值漂移所要跟踪的目标对象；
[0103] 拥挤判定模块14,用于在所述目标对象所在的区域内判定乘客的下车行为和上车 行为，并根据乘客的上下车人数确定车内乘客拥挤度。
[0104] 本发明提供的一种乘客拥挤度的计算系统10,采用除去静态背景的预处理能有效 克服光照强弱变化等对帧图像中人头顶部识别的干扰，通过检测窗口的尺寸限制能有效减 小对人头顶部的误检、漏检和错检。
[0105] 请参阅图5,所示为本发明一实施方式中乘客拥挤度的计算系统10的结构示意图。 在本实施方式中，乘客拥挤度的计算系统10主要包括数据采集模块11、预处理模块12、对象 确定模块13以及拥挤判定模块14。
[0106] 数据采集模块11，用于建立视频数据采集环境，并开始采集乘客上下车的视频数 据。在本实施例中，视频数据的具体采集方法详见前述步骤Sl 1中的相关记载，在此不做重 复描述。
[0107] 预处理模块12,用于读取采集到的乘客上下车的视频数据，并对所述视频数据进 行连续多帧图像的预处理。
[0108] 在本实施方式中，预处理模块12具体包括读帧子模块121、建模子模块122、状态子 模块123、修改子模块124以及更新子模块125,如图6所示。
[0109] 请参阅图6,所示为本发明一实施方式中图5所示的预处理模块12的内部结构示意 图。
[0110] 读帧子模块121，用于读取采集到的乘客上下车的视频数据的帧格式并确定帧数。
[0111] 建模子模块122，用于对初始帧中的每个像素点建立单高斯模型。在本实施例中， 高斯模型的具体建立方法详见前述步骤S122中的相关记载，在此不做重复描述。
[0112]状态子模块123,用于通过对连续数帧图象像素点的变化进行分析并判定帧图像 中每个像素点为静态背景或者为动态前景。在本实施例中，判定的具体方法详见前述步骤 S123中的相关记载，在此不做重复描述。
[0113]修改子模块124,用于对判定为静态背景的像素点的像素值进行修改，对判定为动 态前景的像素点的像素值不修改。
[0114]更新子模块125,用于记录帧图像中每个像素点被连续判断为静态背景的次数，当 该次数如果大于或者等于预设阈值，则立即更新该像素点RGB值为背景，若非被连续判断为 静态背景，则重新记录。在本实施例中，更新的具体方法详见前述步骤S125中的相关记载， 在此不做重复描述。
[0115] 请继续参阅图5,对象确定模块13,用于根据预处理的结果进行人头部识别，并将 检测出的人头部作为均值漂移所要跟踪的目标对象。
[0116] 在本实施方式中，对象确定模块13具体包括制作子模块131、限定子模块132、识别 子模块133以及目标子模块134，如图7所示。
[0117] 请参阅图7,所示为本发明一实施方式中图5所示的对象确定模块13的内部结构示 意图。
[0118] 制作子模块131，用于利用收集到的多张包含人头部的正样本和不包含人头部的 负样本制作用于判定是否人头顶部的级联分类器。
[0119] 在本实施方式中，对以收集的数张包含人头部的正样本和不包含人头部的负样本 (大小20*20)做基于LBP特征的Adaboost训练迭代训练，制作判定是否人头顶部的级联分类 器。
[0120] 限定子模块132,用于限定所述级联分类器中检测人头顶部的检测窗口的尺寸范 围。
[0121] 在本实施方式中，设定级联分类器的检测图像窗口大小w，其尺寸大小要保证在 Wmir^PWmax之间，W mir^PWmax根据公交车的大小而定，通过窗口 w在帧图像上的移动检测出人头 部位置，其移动检测规则采用积分图法，如果未检测到人头部，则将检测窗口放大1.5倍，且 不能超过^"和Wmax的范围。
[0122] 识别子模块133,用于根据被限定检测窗口尺寸的级联分类器进行人头部识别。
[0123] 目标子模块134，用于将检测出的人头部作为均值漂移所要跟踪的目标对象。
[0124] 请继续参阅图5,拥挤判定模块14,用于在所述目标对象所在的区域内判定乘客的 下车行为和上车行为，并根据乘客的上下车人数确定车内乘客拥挤度。
[0125] 在本实施方式中，拥挤判定模块14具体包括第一判定子模块141以及第二判定子 丰旲块142，如图8所不。
[0126] 请参阅图8,所示为本发明一实施方式中图5所示的拥挤判定模块14的内部结构示 意图。
[0127] 第一判定子模块141，用于在摄像头所拍摄区域中设置两条检测线，如果所述均值 漂移所要跟踪的目标对象的质心穿越了以上两条检测线，则判定乘客为下车或者上车。
[0128] 在本实施方式中，在摄像头所拍摄区域中设置两条检测线，分别置于距车门外一 定距离的路面上和距车门内一定距离的车地板上，将检测出的人头部作为均值漂移 (Meanshift)要跟踪的目标对象，并计算该区域的概率密度估计其中，u为直方 图的颜色索引）、目标被估计中心位置yo和核窗宽h。
[0129] 在本实施方式中，以（n-1)帧目标对象被估计的中心位置yo为搜索窗口中心坐标 计算当前帧的区域直方图；将目标模板和候选区域模板对应的直方图用BH系数计算其相似 性，其BH系数越大代表其相似性高，最大BH系数的位置为目标新位置;通过计算每一帧中目 标对象的质心坐标，质心穿越了上下检测线，则判定乘客下车行为和上车行为。
[0130] 第二判定子模块142,用于通过计算乘客的下车人数和上车人数来确定实际运营 时的乘客总数，并利用所述乘客总数与车内最大载客量之间的比值来衡量车内乘客拥挤 度。
[0131] 在本实施方式中，通过上车人数减去下车人数则为车内乘客总数，通过计算实际 运营时的乘客总数/公交车的最大载客量，则可得到描述车内拥挤度的拥挤因子，此因子越 高则越拥挤，反之稀疏。
[0132] 本发明提供的一种乘客拥挤度的计算系统10,采用除去静态背景的预处理能有效 克服光照强弱变化等对帧图像中人头顶部识别的干扰，通过检测窗口的尺寸限制能有效减 小对人头顶部的误检、漏检和错检。
[0133] 值得注意的是，上述实施例中，所包括的各个单元只是按照功能逻辑进行划分的， 但并不局限于上述的划分，只要能够实现相应的功能即可;另外，各功能单元的具体名称也 只是为了便于相互区分，并不用于限制本发明的保护范围。
[0134] 另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤 是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介 质中，所述的存储介质，如R0M/RAM、磁盘或光盘等。
[0135] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精 神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种乘客拥挤度的计算方法，其特征在于，所述方法包括： 建立视频数据采集环境，并开始采集乘客上下车的视频数据； 读取采集到的乘客上下车的视频数据，并对所述视频数据进行连续多帧图像的预处 理； 根据预处理的结果进行人头部识别，并将检测出的人头部作为均值漂移所要跟踪的目 标对象； 在所述目标对象所在的区域内判定乘客的下车行为和上车行为，并根据乘客的上下车 人数确定车内乘客拥挤度。2. 如权利要求1所述的乘客拥挤度的计算方法，其特征在于，所述读取采集到的乘客上 下车的视频数据，并对所述视频数据进行连续多帧图像的预处理的步骤具体包括： 读取采集到的乘客上下车的视频数据的帧格式并确定帧数； 对初始帧中的每个像素点建立单高斯模型； 通过对连续数帧图象像素点的变化进行分析并判定帧图像中每个像素点为静态背景 或者为动态前景； 对判定为静态背景的像素点的像素值进行修改，对判定为动态前景的像素点的像素值 不修改； 记录帧图像中每个像素点被连续判断为静态背景的次数，当该次数如果大于或者等于 预设阈值，则立即更新该像素点RGB值为背景，若非被连续判断为静态背景，则重新记录。3. 如权利要求2所述的乘客拥挤度的计算方法，其特征在于，所述根据预处理的结果进 行人头部识别，并将检测出的人头部作为均值漂移所要跟踪的目标对象的步骤具体包括： 利用收集到的多张包含人头部的正样本和不包含人头部的负样本制作用于判定是否 人头顶部的级联分类器； 限定所述级联分类器中检测人头顶部的检测窗口的尺寸范围； 根据被限定检测窗口尺寸的级联分类器进行人头部识别； 将检测出的人头部作为均值漂移所要跟踪的目标对象。4. 如权利要求3所述的乘客拥挤度的计算方法，其特征在于，所述在所述目标对象所在 的区域内判定乘客的下车行为和上车行为，并根据乘客的上下车人数确定车内乘客拥挤度 的步骤具体包括： 在摄像头所拍摄区域中设置两条检测线，如果所述均值漂移所要跟踪的目标对象的质 心穿越了以上两条检测线，则判定乘客为下车或者上车； 通过计算乘客的下车人数和上车人数来确定实际运营时的乘客总数，并利用所述乘客 总数与车内最大载客量之间的比值来衡量车内乘客拥挤度。5. -种乘客拥挤度的计算系统，其特征在于，所述系统包括： 数据采集模块，用于建立视频数据采集环境，并开始采集乘客上下车的视频数据； 预处理模块，用于读取采集到的乘客上下车的视频数据，并对所述视频数据进行连续 多帧图像的预处理； 对象确定模块，用于根据预处理的结果进行人头部识别，并将检测出的人头部作为均 值漂移所要跟踪的目标对象； 拥挤判定模块，用于在所述目标对象所在的区域内判定乘客的下车行为和上车行为， 并根据乘客的上下车人数确定车内乘客拥挤度。6. 如权利要求5所述的乘客拥挤度的计算系统，其特征在于，所述预处理模块包括： 读帧子模块，用于读取采集到的乘客上下车的视频数据的帧格式并确定帧数； 建模子模块，用于对初始帧中的每个像素点建立单高斯模型； 状态子模块，用于通过对连续数帧图象像素点的变化进行分析并判定帧图像中每个像 素点为静态背景或者为动态前景； 修改子模块，用于对判定为静态背景的像素点的像素值进行修改，对判定为动态前景 的像素点的像素值不修改； 更新子模块，用于记录帧图像中每个像素点被连续判断为静态背景的次数，当该次数 如果大于或者等于预设阈值，则立即更新该像素点RGB值为背景，若非被连续判断为静态背 景，贝重新记录。7. 如权利要求6所述的乘客拥挤度的计算系统，其特征在于，所述对象确定模块包括： 制作子模块，用于利用收集到的多张包含人头部的正样本和不包含人头部的负样本制 作用于判定是否人头顶部的级联分类器； 限定子模块，用于限定所述级联分类器中检测人头顶部的检测窗口的尺寸范围； 识别子模块，用于根据被限定检测窗口尺寸的级联分类器进行人头部识别； 目标子模块，用于将检测出的人头部作为均值漂移所要跟踪的目标对象。8. 如权利要求7所述的乘客拥挤度的计算系统，其特征在于，所述拥挤判定模块包括： 第一判定子模块，用于在摄像头所拍摄区域中设置两条检测线，如果所述均值漂移所 要跟踪的目标对象的质心穿越了以上两条检测线，则判定乘客为下车或者上车； 第二判定子模块，用于通过计算乘客的下车人数和上车人数来确定实际运营时的乘客 总数，并利用所述乘客总数与车内最大载客量之间的比值来衡量车内乘客拥挤度。
【文档编号】G06K9/00GK105844229SQ201610161123
【公开日】2016年8月10日
【申请日】2016年3月18日
【发明人】张勇, 刘磊, 赵东宁, 李岩山, 陈剑勇
【申请人】深圳大学