一种实时公交车客流量统计的方法技术

本发明专利技术提供了一种实时公交车客流量统计的方法，该方法采用了机器学习，多目标检测与跟踪以及目标行为分析等方法，属于模式识别技术领域。具体为：通过分析视频图像中乘客人头的形状、纹理信息实现乘客目标的检测（采用梯度方向直方图表征其形状信息、局部二值模式直方图表征纹理信息），然后采用灰度互相关关联匹配跟踪和均值平移算法搜索跟踪相结合的目标跟踪策略实现对乘客的精确定位，最后通过分析客的运动轨迹，判断乘客的行为特征实现公交车客流量的精确统计。实践表明，本发明专利技术提供的方法可以为公交公司实现公交车智能调度、公交车移动传媒广告受众分析等提供细粒度的可靠依据，具有很高的实用价值。

【技术实现步骤摘要】

本专利技术属于模式识别
，具体涉及。
技术介绍
随着我国经济的快速发展，对交通运输的各种需求明显增长，交通运输与社会经 济生活的联系越来越紧密，因此，研究如何对公共交通设施实施有效监测、如何为公共交通 调度提供有效数据，从而减少公交车的使用，提高道路交通的安全性，因此开发能够改善当 前行车环境的车载移动增值业务成为我国经济社会和谐发展的迫切需求，公交车客流量统 计就是其中之一。公交公司通过实时的获得该路段在此段时间内的客流量的多少可以更加 合理的进行公交车的合理调度，另一方面公交广告投资商也可以据此对投放的公交广告的 受众进行详细分析，进而调整广告投资策略以期将其广告收益最大化。 人体目标的检测识别、跟踪以及流量统计等问题是计算机视觉领域的一个研究热点，它具体涉及到了运动目标检测和运动目标跟踪。 在计算机视觉领域中，经典的运动目标检测方法包括 (1)帧间差分法该方法是一种对连续的相邻两帧图像采用基于像素的时间 差分并且阈值化来提取图像中的运动区域的方法(参考J.B.Kim， H. J. Kim. Efficient region-based motion segmentation for video monitoringsystem.Pattern Recognition Letters, 2003， 24 :113 128)。该方法对动态环境有一定的适应性，但一般 不能提取出所有相关的特征像素点，运动时目标体内部容易产生空洞，并且对于光线强烈 变化的场景该方法容易产生很多噪声； (2)背景建模该方法能够自适应的建立输入场景背景图像的模型，利用当前 输入图像与背景模型做差分和阈值化运算即可检测出输入图像中的前景目标(参考 Stauffer C， Grimson W. E丄Adaptive background mixturemodels for real—time tracking, in Proceedings. 1999 IEEE Computer SocietyConference on Computer Vision and Pattern Recognition(Cat. No PR00149) IEEE Comput. Soc. Part Vol. 2，1999.)。该 方法可以获得较完整的目标特征数据，对于无光照变化或光线变化缓慢的场景有较好的适 用性。但是对于动态场景或者存在剧烈的光照变化的场景，该方法则比较敏感，同时该算法 运算量较大，难以保证检测的实时性； (3)光流法该方法利用运动估计进行分割和跟踪运动目标，采用运动目标 随时间变化的光流特性，从而有效地提取和跟踪运动目标。光流场的计算一直以来都 是计算机视觉领域的 一 个研究重点，其中最为经典的算法是L-K (Lucas&Kanade)法和 H_S (Horm&Schunck)法。(参考B. K. P. Hornand B. G. Schunck. Determining optical flow. AI Memo 572. Massachusettslnstitue of Technology,1980.禾口Lucas B and Kanade T. An Iterative ImageRegistration Technique with an Application to Stereo Vision. Proc. Of 7thlnternational Joint Conference on Artificial Intelligence(IJCAI)， pp. 674-679.)。光流法的优点是能检测出独立运动的对象，而且不需要预先知道场景的任5何信息。但是由于噪声、多光源、阴影、透明性和遮挡性等原因，使得计算出的光流场分布不 是十分可靠和精确。同时光流场的计算也十分耗时。 近年来，又有学者提出了基于某些高级图像特征的人体目标检测方法，其中 以Navneet Dalai和Bill Triggs提出的采用图像的梯度方向直方图(Histograms of Oriented Gradient :H0G)特征进行人体检测最引人注目(参考N. Dalai and B. Triggs. Histograms of oriented gradients for h咖andetection. Coference on Computer Vision and Pattern Recognition (CVPR) ， 2005.)，利用HOG特征进行人体检测具有极强 的鲁棒性。很快就有学者对此方法进行了改进，他们采用梯度方向直方图和局部二值模式 (Local BinaryPatterns丄BP，参考T. 0jala， M. Pietik .. ainen， and T. M .. ae即..a .. a， "Multiresolution Gray-Scale and Rotation Invariant Texture Classification withLocal Binary Patterns， ，， IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24， no. 7， pp. 971-987,2002.)有效的解决了人体部分被遮挡时的检 测问题(参考X. Wang， T. X. Han， and S. Yan. An H0G-LBP human detector withpartial occlusion handling. In IEEE International Conference on ComputerVision，2009.)。 另一方面，计算机视觉领域中经典的运动目标跟踪算法包括卡尔曼滤波 (参 考Kalman， R. E. 1960. "A New Approach to Linear Filtering andPrediction Problems, ，，Transaction of the ASME-Journal of BasicEngineering, pp. 35_45(March 1960).)、粒子滤波跟踪(参考Vo B. ， Singh S. ， and Doucet A. ， Sequential Monte Carlo Implementation of the PHD Filter forMulti—target Tracking,In Proceedings of International Conference onlnformation Fusion, 2003， 792-799.) 以及均值平 移算t去足艮踪(参考Comaniciu， D. ， Ramesh， V. ， and Meer， P. ， Real—Time Tracking of Non_Rigid Objects usingMean Shift. In IEEE Conference on Computer Vision and PatternRecognition， 2000， Vol. 2，142—14本文档来自技高网...

【技术保护点】
一种实时公交车客流量统计方法，包括目标检测、目标跟踪和目标行为分析及客流统计计数三个步骤，其特征在于。在所述的目标检测步骤中，包括以下过程：（１）训练二类目标线性分类器：预先从捕获的公交车客流视频图像数据中人工采集多种不同尺度的只包括乘客人头信息的图像作为正样本集合，采集对应尺度的不包括人头信息的图像作为负样本集合，正样本集合和负样本集合构成训练样本集，分别提取训练样本集中任一个训练样本的梯度方向直方图（ＨＯＧ）和局部二值模式（ＬＢＰ）直方图，二者组成该训练样本的特征向量ｆ，任一目标ｌ之间的相似度，用ｄ↓［ｋｌ］表示ｐｅｏｐｌｅ＿ｌｉｓｔ中的该任一目标ｋ和ｈｅａｄ＿ｌｉｓｔ中的该任一目标ｌ的中心点之间的欧式距离，将该任一目标ｋ或任一目标ｌ所属图像区域即目标区域的二维点集Ｒ＝｛Ｉ↓［ｔ］（ａ，ｂ）：ａ↓［１］≤ａ≤ａ↓［２］，ｂ↓［１］≤ｂ≤ｂ↓［２］｝转换为按行顺序存储的一维向量Ｘ，其中ａ，ｂ为Ｉ↓［ｔ］中任一像素点Ｉ↓［ｔ］（ａ，ｂ）的位置，ａ代表列的位置，ｂ代表行的位置，ａ↓［１］，ａ↓［２］分别为Ｉ↓［ｔ］中的目标区域的最左边列和最右边列的位置坐标，ｂ↓［１］，ｂ↓［２］分别为Ｉ↓［ｔ］中的目标区域的最下边行和最上边行的位置坐标，记向量Ｘ的均值为Ｅ［Ｘ］＝１／Ｎ＊ｘ↓［ｃ］，ｘ↓［ｃ］为向量Ｘ中任一元素，Ｎ为向量Ｘ的长度，也就是目标区域的总像素数，Ｎ＝（ａ↓［２］－ａ↓［１］＋１）×（ｂ↓［２］－ｂ↓［１］＋１）；定义相似度函数如下：＊＊＊其中Ｍ为向量Ｘ↓［ｋ］和Ｘ↓［ｌ］的有效长度，Ｍ＝ｍｉｎ（Ｎ↓［ｋ］，Ｎ↓［ｌ］），表示取Ｎ↓［ｋ］，Ｎ↓［ｌ］中的较小者，Ｎ↓［ｋ］，Ｎ↓［ｌ］分别为ｐｅｏｐｌｅ＿ｌｉｓｔ中的目标ｋ和ｈｅａｄ＿ｌｉｓｔ中的目标ｌ所属目标区域转换后得到的向量Ｘ↓［ｋ］和Ｘ↓［ｌ］的长度，ｔｈ↓［３］是预设的目标邻域范围，Ｘ↓［ｋｒ］和Ｘ↓［ｌｒ］分别为向量Ｘ↓［ｋ］和Ｘ↓［ｌ］中任一元素，据此得到ｐｅｏｐｌｅ＿ｌｉｓｔ和ｈｅａｄ＿ｌｉｓｔ队列间的相似度关联矩阵：＊＊＊当ｐｅｏｐｌｅ＿ｌｉｓｔ中的目标ｋ和ｈｅａｄ＿ｌｉｓｔ中的目标ｌ之间的相似度ａ↓［ｋｌ］同时满足如下两个预设条件：ａ↓［ｋｌ］＝ｍｉｎ｛ａ↓［ｋ１］ａ↓［ｋ２］Ｌａ↓［ｋ（ｎ－１）］ａ↓［ｋｎ］｝，ａ↓［ｋｌ］＝ｍｉｎ｛ａ↓［１ｌ］ａ↓［２ｌ］Ｌａ↓［（ｍ－１）ｌ］ａ↓［ｍｌ］｝，则认为ｈｅａｄ＿ｌｉｓｔ中的目标ｌ与ｐｅｏ...

【技术特征摘要】

【专利技术属性】
技术研发人员：桑农，黄朝露，陈景东，刘乐元，罗大鹏，唐奇玲，高常鑫，王海，王强，李驰，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：83[中国|武汉]