本发明涉及客流管理的技术领域，特别是一种站外车流统计分析方法。
背景技术：
近年来，随着私人汽车的增多，加油站的客流量也随之增大。传统的加油站、车站等无法对每日客流量进行监控，由于加油站、车站的车辆进出时间短，车辆多，很多时间仅仅只能通过摄像头捕捉一个车辆车牌，无法准确对单位时间段内的车辆进行统计计数。由此造成加油站无法对车流量进行精准化管理。
现有的加油站、车站无法对站外进行监控，特别是站外车辆的停留和进入站内的比率等无法统计，因此，就造成很多客源的流失或站内外管理遗漏等情况发生。
专利申请号：201520379515.7公开了一种加油（气）站视频监控系统，包括前端监控装置、通信网络、视频综合平台和显示模块。该实用新型一种加油（气）站视频监控系统，实现了对加油（气）站进出车辆情况、车辆加油或加气情况、设备运行情况以及加油加气站工作情况进行实时监视和记录，保障了各加油加气站的安全运转。
上述专利仅仅提供车辆进出监控的作用，在现有的加油站进出通道均安装有该类设置，但该类装置无法对车辆数量进行统计，也无法捕捉获取盗牌、污牌或警方提供的可疑车辆。
技术实现要素：
基于此，针对上述问题，本发明提供一种站外车流统计分析方法，该方法能对视频区域内的车辆进行定位和追踪，有利于掌握站外车辆的情况，并能大数据分析，统计成报表，有利于进行可靠性和精准性的车流量管理。
本发明的技术方案是：一种站外车流统计分析方法，其包括以下步骤：
建立背景数据库和动态图像数据库，从采集的监控区域内的视频图像信息中提取背景图像信息和运动目标信息；
并将背景图像信息和运动目标信息以背景差分法和程序计算法分别得到一个时间段内的车辆数量；
将统计的车辆数量录入数据库，并制成便于查询的车辆统计表和车流量统计报表。
优选的，所述背景差分法包括以下步骤：
从采集的视频图像信息中预先抽取不含前景运动物体的一帧图像作为背景；
利用该帧图像与背景图像中的像素点进行差分分析，得到新的差分图像信息；
将新获得差分图像信息中相应像素点特征与背景图像进行比较，不符合背景图像的像素点即认定为处于在运动目标区，即判断该运动目标区为运动物体。
优选的，所述程序计算法包括以下步骤：
分别提取第N周、第N+1周、第N+2周、第N+3周、第N+4周每个时间段采集的视频图像信息，并提取视频图像信息中的运动目标数据；
将第N+3周采集的每个时间段的视频图像信息分别与第N周、第N+1周、第N+2周的每个时间段采集的视频图像信息进行对比；
将对比后得到的比例进行修正。
优选的，设定采集的视频图像信息中还包括时间信息、经纬度信息和摄像机型号信息。
优选的，还包括通过获取的站外车辆数量信息和站内车辆数量信息分析得到进店率信息。
优选的，设定查询车辆统计表和车流量统计报表通过时间节点选定。
本发明的有益效果是：
（1）能对站内外通道内的车辆进行实时监控，并能对动态图像中的车辆数量进行计数，捕捉动态图像中的车辆数量，并对视频区域内的车辆进行定位和跟踪，实现了车流量的精准化管理；
（2）能通过打印机定时打印出每日客流量信息的统计报表，以数据报表的形式进行分析，增加了加油站车流量管理的严谨性；
（3）采用背景差分法和程序算法进行相互验证，增加了车辆统计的精准性。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
实施例：
如图1所示，一种站外车流统计分析方法，其包括以下步骤：
S1、建立背景数据库和动态图像数据库，从采集的监控区域内的视频图像信息中提取背景图像信息和运动目标信息；
S2、并将背景图像信息和运动目标信息以背景差分法和程序计算法分别得到一个时间段内的车辆数量；
S3、将统计的车辆数量录入数据库，并制成便于查询的车辆统计表和车流量统计报表。
优选的，所述背景差分法包括以下步骤：
S21、从采集的视频图像信息中预先抽取不含前景运动物体的一帧图像作为背景；
S22、利用该帧图像与背景图像中的像素点进行差分分析，得到新的差分图像信息；
S23、将新获得差分图像信息中相应像素点特征与背景图像进行比较，不符合背景图像的像素点即认定为处于在运动目标区，即判断该运动目标区为运动物体。
运用了背景差分法适用于背景静止保持不变、运动目标与背景的灰度差异较大的情况下，从视频序列中预先抽取不含前景运动物体的一帧图像作为背景，然后利用当前帧与背景图像直接差分检测运动区域的方法。这种差分法对于复杂背景下的运动物体检测效果较好，实现简单、计算量小，并且能够完整的分割出运动目标。
但是在实际应用中，背景往往会由于拍摄时间的不同，容易受到光照变化、噪声和外物入侵等各种因素的影响，需要实时的更新背景。更先进的做法是在处理过程中不断更新背景图像，它的关键问题就是如何建立有效的背景模型并进行背景模型刷新，基于背景建模的方法是通过对图像中背景与运动目标区域像素点特性差异的分析，利用一定数量的训练图像获得背景区域的特征，将新获得的序列图像中相应像素点特征与背景特征进行比较，不符合背景特征的像素点即被认定为处在运动目标区。
背景图像差分法是运动目标检测方法最直接的一种。首先，它将选定的背景图像存储下来，然后将序列图像当前帧与背景图像做减法运算，由于运动物体和背景在灰度或色彩上存在差别，相减后所得结果中每一像素的值和一个预先设定的阈值相比较，如果这个像素的值大于设定的阈值，则判定被监控的场景中存在运动物体，从而得到运动的目标。
程序算法为提取数周内的数据与前几周的数据进行统计对比，再将得出的比例进行修正。例如，通过第4周摄像头抓取的每个时间段的数据与前3周人工统计的每个时间段进行对比，以早上七点到八点为例：第一周大车95辆，第一周小车1420俩，第二周大车110辆，第二周小车1489辆，第三周大车100辆，第三周小车1571辆，第四周大车82辆，第四周小车1267辆；
大型车：
第4周与第1周的比：82÷95=86.31%；
第4周与第2周的比：82÷110=72.72%；
第4周与第3周的比：82÷100=82.00%；
求所得的平均值：（86.31%+72.72%+82.00%）÷3=80.34%；
则第5周如果摄像头抓取数据为90，经过修正后的数据为：90÷80.34%=112。
小型车：
第4周与第1周的比：1267÷1420=89.22%；
第4周与第2周的比：1267÷1489=85.09%；
第4周与第3周的比：1267÷1571=80.64%；
求所得的平均值：（89.22%+85.09%+80.64%）÷3=84.98%；
则第5周如果摄像头抓取数据为1300，经过修正后的数据为：1300÷84.98%=1530。
进一步地，还能通过将两种算法相结合，从而使得车辆统计更加精确。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。