[发明专利]一种实时公交车客流量统计的方法

摘要

本发明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。

主权项

1.一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，训练样本集中所有训练样本的特征向量组成样本特征集，采用线性支撑向量机(SVM)对样本特征集进行训练学习，得到二类目标线性分类函数即二类目标线性分类器；(2)目标检测：采用具有所述多个不同尺度的搜索窗口在输入视频图像任一帧I_t中进行遍历搜索，即提取当前搜索位置在每种尺度下对应的搜索窗口所覆盖图像区域的由梯度方向直方图和局部二值模式直方图组成的特征向量，将所述特征向量分别输入上述二类目标线性分类器得到分类分值，不同尺度的搜索窗口对应的分类分值中最大的分类分值如果大于目标分类阈值，则判定当前搜索位置为目标区域，其尺度为最大分类分值对应的搜索窗口的尺度，将该目标区域信息存入检测目标队列head_list中，遍历所有搜索位置即得到I_t中所有新检测到的目标；在所述目标跟踪步骤中，包括以下过程：(3)记跟踪目标队列为people_list，判断其是否为空，如果为空，则将上述检测目标队列head_list中的所有目标作为新进入场景中的目标压入跟踪目标队列people_list中，并直接跳转到步骤(8)，如果不为空，则转入步骤(4)；(4)虚警删除：根据虚警删除机制，删除跟踪目标队列people_list中的虚警目标，其中，所述虚警删除机制包括：(A)目标的位置位于图像的边缘，(B)目标的滞留时间达到预设值的上限，(C)目标允许的消失时间达到预设值的上限，(D)目标已用于了客流统计计数，若跟踪目标队列people_list中的目标满足所述虚警删除机制中任何之一，则该目标为虚警目标，删除该虚警目标，更新跟踪目标队列people_list；(5)灰度互相关关联匹配跟踪：将检测目标队列head_list与虚警删除后的跟踪目标队列people_list按照一定的关联规则进行灰度互相关关联匹配跟踪，其中，所述的关联规则为两级级联准则，即在只有满足第一级准则的条件下才可进入第二级处理，第一级准则为只有当两个目标分别位于彼此的邻域内才认为它们可能有关联；第二级准则为第一级中可能相互关联的目标间的相似度满足预设条件则认为它们已经正确的匹配上了，具体关联匹配过程为：假设people_list中存在m个目标，head_list中存在n个目标，用a_kl表示people_list中的任一目标k和head_list中的任一目标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)：a₁≤a≤a₂，b₁≤b≤b₂}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，a₁，a₂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，b₁，b₂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＝(a₂-a₁+1)×(b₂-b₁+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，th₃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 L a_k(n-1) a_kn}，a_kl＝min{a_1l a_2l L a_(m-1)l a_ml}，则认为head_list中的目标l与people_list中的目标k相匹配，更新people_list中目标k的相应信息；若a_kl不满足上述两个预设条件，则分如下两种情况分别处理：(A)head_list中的目标l与people_list中的目标k不匹配，则people_list中的目标k进一步转入步骤(6)进行搜索跟踪；(B)在people_list中的目标k与head_list中的目标l不匹配，则head_list中的目标l作为新进入场景中的目标压入跟踪队列people_list中；(6)对people_list中不是新进入场景中的目标采用均值平移算法进行搜索跟踪，将people_list中的目标在I_t-1帧中的位置作为在I_t中进行均值平移搜索的初始位置，通过迭代搜索确定该目标在I_t中的可能位置，I_t-1为I_t的前一帧图像；(7)经过步骤(6)之后，针对people_list中不是新进入场景中的目标，分如下两种情况分别确定该目标的最终跟踪结果：(A)该目标在head_list中没有检测目标与之相匹配，那么均值平移算法搜索跟踪的位置信息即作为该目标在输入视频图像I_t中的最终跟踪结果；(B)该目标在head_list中有检测目标与之相匹配，那么现在它就存在两个可能的位置：一个是灰度互相关关联匹配跟踪的得到的位置，一个是均值平移算法搜索跟踪的位置，通过如下的准则从二者中确定最佳的跟踪结果：(B1)该目标在head_list中与之相匹配的检测目标的分类分值大于预设值，则直接将这个检测目标的相关信息作为该目标在I_t中的最终跟踪结果，而抛弃均值平移算法搜索跟踪的结果；(B2)该目标在head_list中与之相匹配的检测目标的分类分值小于上述预设值，则需要按照步骤(5)所述的相似度计算方法，分别计算该目标与灰度互相关关联匹配跟踪结果和均值平移算法搜索跟踪结果的相似度，把对应相似度较小者的跟踪结果作为该目标在I_t中的最终搜索跟踪结果；这样people_list中所有目标都实现了跟踪定位，并清空head_list。在目标行为分析和客流量统计计数步骤中，包括以下过程：(8)目标行为分析和客流量统计计数：判断跟踪目标队列people_list中是否有满足计数规则的目标，若有则更新客流量统计数据。其中，所述的计数规则为：目标在进入场景时的图像中的初始位置和其在I_t中的位置之间的距离大于预设值，则为下车；目标在I_t中的位置与其在进入场景时的图像中的初始位置之间的距离大于预设值，则为上车。