一种客流的跟踪方法与流程

本发明涉及图像处理技术领域，特别涉及一种客流的跟踪方法。

背景技术：

公交车是人们出行的重要公共交通工具。通过对其客流量的统计，我们可以了解到每个时间段、每路公交车、每个车站等的人流量，利用这些数据智能调度，让公共资源得到更充分的利用，客流统计的精确度直接影响到智能交通系统的运作和公交运营效益。通过显示当前乘客人数状态及变化情况，公交站场可以对人数较多的情况采取预防突发事件的措施等等。

现有的客流统计技术主要手段有称重统计、单目图像统计和双目图像统计，其中双目图像技术由于其在单目二维图像的基础上增加了立体高度(距离)信息而最为准确，但双目客流在公交应用中仍存在一些问题，致使其客流统计准确率仍有一些误差。

具体的，由于车内乘客在识别区域晃动，现有的跟踪算法容易引起误计，比如有的人用卡尔曼滤波跟踪，卡尔曼滤波跟踪只适合直线跟踪，人的晃动是的随机运动，因些，这个时候用卡尔曼滤波跟踪去跟踪识别区域的晃动，经常断断续续，很容易引起多计，准确率不高。

另外，在非常拥挤的情况下，乘客之间的相互干扰，用粒子滤波，tld之类的跟踪，对深度图或者黑白二值图效果不仅不理想，而且这类算法功耗也比较高，一般的嵌入式板子上还不能达到实时的效果，因此，本发明正是为了解决这些问题而产生。

技术实现要素：

为了解决上述问题，本发明提供一种精准的跟踪统计乘客上下车的跟踪方法。

为了实现上述目的，本发明提供的技术方案是：一种客流的跟踪方法，包括以下步骤：

获取摄像头拍摄的多帧连续的图像，通过立体匹配求取深度图；

消除背景干扰，分割每一个人头为一个独立的连通区域；

构建多个人数统计的结构体，所述结构体包括x轴、y轴的中心坐标、人头区域的面积、轨迹点坐标集合、轨迹点的总欧氏距离、轨迹点的y轴向量距离；

求遍历当前帧连通区域的中心坐标与所述结构体的第一个轨迹点坐标的欧氏距离，将遍历当前帧的所有的连通区域与轨迹点的欧氏距离，保存在一个二维数组中；

用km算法计算所述多个二维数组的二分图的最佳匹配不同行不同列的总和的最小值，将最优解保存到一个长度为n的一维数组中；

求遍历前帧连通区域的中心坐标与所述结构体轨迹点第一个点的欧氏距离，并将求得的欧氏距离与所述一维数组]循环作差运算，如果两者的差小于第一阈值，则认为这个人头是所述结构体轨迹上的人，则这个连通区域加入到所述结构体的轨迹中，否则继续求，直到所述一维数组遍历完，如果差仍然不满足小于所述第一阈值，则把这个连通区域看作刚刚进入视频下面的人，则把这个连通区域的人的坐标加入到已经重新清零的所述结构体中；

在每一帧的匹配上，设置原来的轨迹，在至多有1帧无法匹配的时候，即原来的轨迹在当前帧找不到可匹配的连通区域，则暂时不进入计数清零。

可选的，所述第一阈值为0.001-0.002。

可选的，当原来的轨迹在第2帧的仍然找不到匹配，则这个点进入统计清扫，若这个点满足起点到终点的欧氏距离大于25，起点到终点的矢量欧氏距离大于15，且轨迹的点数大于4个，则进入统计进出人数队列，否则，对这个结构体清空处理。

可选的，在进入统计人数进出的队列中，在像素的xoy坐标每系中，方向从上到下，记为进入人数加1，方向从下到上，记为出去人数加1。

可选的，所述摄像头为双目摄像头。

本发明相对于现有技术的有益效果是：通过该方法对客流跟踪，即使上车乘客在可视区域内晃动，跟踪算法仍然能够一直跟踪，不会跟丢，该方法不仅仅能适合直线运动，也能跟踪的曲线运行和随机运动，即使在上下班非常拥挤的情况下，算法能够实现多人实时精准的跟踪，极大的减少漏计多计。

另外，在乘客刚上车还没有触线就关门的情况，跟踪算法能够在其检测到关门就可视区域内计数，避免漏计。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1是一实施例中客流的跟踪方法的流程图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，图1是本实施例中客流的跟踪方法的流程图，本实施例提供一种客流的跟踪方法，具体包括以下步骤：

s10：获取摄像头拍摄的多帧连续的图像，导入标定参数，通过立体匹配算法求取深度图。

需要说明的是，在本实施例中所采用的摄像头为双目摄像头，带有红外补光，这样在夜晚的时候，双目摄像头有红外光进行补光，人的通过在视频上仍然清晰可见，这样得到的视差图在夜晚的时候也能够正常使用，从而能够全天侯的适合公交汽车上的跟踪，保证全天侯的准确率。

s20：消除背景干扰，把深度图上的每一个人分割为每一个独立的连通区域，互不粘连；

具体的在本实施例中，标定好前后门双目摄像头，导入标定参数到算法板上，通过立体匹配算法得到深度图img0，消除掉背景，我们得到一个没有背景的黑白二值图img1，将这个黑白二值图img1和深度图img0综合在一起，把每一个人分割成每一个独立的连通区域，每个连通区域互不粘连，这样得到的黑白二值图，它既没有背景干扰，每个人的连通区域又是相互独立分开的。

s30：构建多个人数统计的结构体，所述结构体包括x轴、y轴的中心坐标、人头区域的面积、轨迹点坐标集合、轨迹点的总欧氏距离、轨迹点的y轴向量距离。

在本实施例中，这样的结构体定义10个数组，并对结构体进行初始化。

s40：求遍历当前帧黑白二值图每个连通区域的中心坐标与每个结构体的当前迹点坐标的欧氏距离，将遍历当前帧的所有的连通区域与轨迹点的中心坐标的欧氏距离，保存在一个二维数组h1中。

具体的在本实施例中，求遍历当前帧的连通区域的中心坐标与10个结构体的轨迹点第一个点的欧氏距离，保存到一个二维数组中，假设当前帧有n个连通区域，则这样需要一个n*10的二维数组来保存计算的结果。

s50：用km算法计算所述多个二维数组的二分图的最佳匹配不同行不同列的总和的最小值，将最优解保存到一个长度为n的一维数组minval[n]中

具体的，用km算法求出上述步骤s50中二维数组的二分图的最佳匹配不同行不同列的总和的最小值，与总和最小值对应的不同行不同列上的数值，即为这个总和最小值的最优解。

s60：求遍历前帧连通区域的中心坐标与所述结构体轨迹点第一个点的欧氏距离，并将求得的欧氏距离与所述一维数组minval[n]循环作差运算，如果两者的差小于某一个阈值，比如0.00001，则认为这个连通区域是所述结构体轨迹上的人，则这个连通区域加入到所述结构体的轨迹中，否则继续求，直到minval[n]遍历完，如果差仍然不满足小于阈值，则把这个连通区域看作刚刚进入视频下面的人，则把这个连通区域的人的坐标加入到已经重新清零的结构体中，同时m＝m+1且m＝m％10，m是数组中底标，凡是当前帧的连通区域与结构体无法匹配的，则将这个连通区域的中心坐标，加入到结构体trackblock【m】中，同时m自加1，同时，更新m,令m等于m模10。

s70：在每一帧的匹配上，我们设置原来的轨迹，在至多有1帧无法匹配的时候，即原来的轨迹在当前帧找不到可匹配的连通区域，则暂时不进入计数清零，这样我们的系统在跟踪跟丢1帧的情况下，仍然可以继续跟踪。

s80：当原来的轨迹在第2帧的仍然找不到匹配，则这个轨迹点集合进入统计清零，若这个点满足起点到终点的欧氏距离大于25，起点到终点的矢量欧氏距离大于15，且轨迹的点数大于4个，则进入统计进出人数队列，否则，直接对这个结构体进行清空处理。

在进入统计人数进出的队列中，在像素的xoy坐标每系中，方向从上到下，记为进入人数+1，方向从下到上，记为出去人数+1，然后，清空这个结构体，这样，我们统计了每一帧人数在公交车上的进出。

重复循环步骤s40-s80即可完整的对可就进行跟踪，由此可以看出该方法环境适应性明显增强，能够准确的跟踪统计拥挤人群状况提高识别的准确率；同时还保证了公交移动客流的识别准确性，大大的提高客流统计的准确率，具有较高的实用价值，适合广泛推广。

以上参照附图描述了根据本发明的实施例的用于实现服务链的方法的示例性流程图。应指出的是，以上描述中包括的大量细节仅是对本发明的示例性说明，而不是对本发明的限制。在本发明的其他实施例中，该方法可具有更多、更少或不同的步骤，且各步骤之间的顺序、包含、功能等关系可以与所描述和图示的不同。