[發明專利]一種實時公交車客流量統計的方法

有效

• 申請號: 201010122671.7
• 申請日: 2010-03-12
• 公開（公告）號: CN101794382A
• 公開（公告）日: 2010-08-04
• 發明（設計）人: 桑農;黃朝露;陳景東;劉樂元;羅大鵬;唐奇玲;高常鑫;王海;王強;李馳
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T7/20;G07C9/00
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 朱仁玲

1.一種實時公交車客流量統計方法，包括目標檢測、目標跟蹤和目標 行為分析及客流統計計數三個步驟，其特征在于，

在所述的目標檢測步驟中，包括以下過程：

(1)訓練二類目標線性分類器：預先從捕獲的公交車客流視頻圖像數 據中人工采集多種不同尺度的只包括乘客人頭信息的圖像作為正樣本集 合，采集對應尺度的不包括人頭信息的圖像作為負樣本集合，正樣本集合 和負樣本集合構成訓練樣本集，分別提取訓練樣本集中任一個訓練樣本的 梯度方向直方圖(HOG)和局部二值模式(LBP)直方圖，二者組成該訓 練樣本的特征向量f，訓練樣本集中所有訓練樣本的特征向量組成樣本特 征集，采用線性支撐向量機(SVM)對樣本特征集進行訓練學習，得到二 類目標線性分類函數即二類目標線性分類器；

(2)目標檢測：采用具有所述多個不同尺度的搜索窗口在輸入視頻圖 像任一幀I_t中進行遍歷搜索，即提取當前搜索位置在每種尺度下對應的搜索 窗口所覆蓋圖像區域的由梯度方向直方圖和局部二值模式直方圖組成的特 征向量，將所述特征向量分別輸入上述二類目標線性分類器得到分類分值， 不同尺度的搜索窗口對應的分類分值中最大的分類分值如果大于目標分類 閾值，則判定當前搜索位置為目標區域，其尺度為最大分類分值對應的搜 索窗口的尺度，將該目標區域信息存入檢測目標隊列head_list中，遍歷所有 搜索位置即得到I_t中所有新檢測到的目標；

在所述目標跟蹤步驟中，包括以下過程：

(3)記跟蹤目標隊列為people_list，判斷其是否為空，如果為空，則 將上述檢測目標隊列head_list中的所有目標作為新進入場景中的目標壓入 跟蹤目標隊列people_list中，并直接跳轉到步驟(8)，如果不為空，則轉入 步驟(4)；

(4)虛警刪除：根據虛警刪除機制，刪除跟蹤目標隊列people_list中 的虛警目標，其中，所述虛警刪除機制包括：(A)目標的位置位于圖像的 邊緣，(B)目標的滯留時間達到預設值的上限，(C)目標允許的消失時間 達到預設值的上限，(D)目標已用于了客流統計計數，

若跟蹤目標隊列people_list中的目標滿足所述虛警刪除機制中任何之 一，則該目標為虛警目標，刪除該虛警目標，更新跟蹤目標隊列people_list；

(5)灰度互相關關聯匹配跟蹤：將檢測目標隊列head_list與虛警刪除 后的跟蹤目標隊列people_list按照一定的關聯規則進行灰度互相關關聯匹 配跟蹤，

其中，所述的關聯規則為兩級級聯準則，即在只有滿足第一級準則的 條件下才可進入第二級處理，第一級準則為只有當兩個目標分別位于彼此 的鄰域內才認為它們可能有關聯；第二級準則為第一級中可能相互關聯的 目標間的相似度滿足預設條件則認為它們已經正確的匹配上了，具體關聯 匹配過程為：

假設people_list中存在m個目標，head_list中存在n個目標，用a_kl表示 people_list中的任一目標k和head_list中的任一目標l之間的相似度，用d_kl表 示people_list中的該任一目標k和head_list中的該任一目標l的中心點之間 的歐式距離，將該任一目標k或任一目標l所屬圖像區域即目標區域的二維 點集R＝{I_t(a，b)：a₁≤a≤a₂，b₁≤b≤b₂}轉換為按行順序存儲的一維向量X，其 中a，b為I_t中任一像素點I_t(a，b)的位置，a代表列的位置，b代表行的位置， a₁，a₂分別為I_t中的目標區域的最左邊列和最右邊列的位置坐標，b₁，b₂分別為 I_t中的目標區域的最下邊行和最上邊行的位置坐標，記向量X的均值為 x_c為向量X中任一元素，N為向量X的長度，也就是目標 區域的總像素數，N＝(a₂-a₁+1)×(b₂-b₁+1)；

定義相似度函數如下：

akl=Σr=1M|(Xkr-E[Xk])-(Xlr-E[Xl])|,if(dkl≤th3)+∞,else]]>

其中M為向量X_k和X_l的有效長度，M＝min(N_k，N_l)，表示取N_k，N_l中的較 小者，N_k，N_l分別為people_list中的目標k和head_list中的目標l所屬目標區 域轉換后得到的向量X_k和X_l的長度，th₃是預設的目標鄰域范圍，X_kr和X_lr分 別為向量X_k和X_l中任一元素，據此得到people_list和head_list隊列間的相似 度關聯矩陣：

A=a11a12...a1(n-1)a1na21a22...a2(n-1)a2n......akl......a(m-1)1a(m-1)2...a(m-1)(n-1)a(m-1)nam1am2...am(n-1)amn]]>

當people_list中的目標k和head_list中的目標l之間的相似度a_kl同時滿 足如下兩個預設條件：

a_kl＝min{a_k1?a_k2?…?a_k(n-1)?a_kn}，a_kl＝min{a_1l?a_2l?…?a_(m-1)l?a_ml}， 則認為head_list中的目標l與people_list中的目標k相匹配，更新people_list 中目標k的相應信息；若a_kl不滿足上述兩個預設條件，則分如下兩種情況分 別處理：(A)head_list中的目標l與people_list中的目標k不匹配，則 people_list中的目標k進一步轉入步驟(6)進行搜索跟蹤；(B)在people_list 中的目標k與head_list中的目標l不匹配，則head_list中的目標l作為新進入 場景中的目標壓入跟蹤隊列people_list中；

(6)對people_list中不是新進入場景中的目標采用均值平移算法進行 搜索跟蹤，將people_list中的目標在I_t-1幀中的位置作為在I_t中進行均值平移 搜索的初始位置，通過迭代搜索確定該目標在I_t中的可能位置，I_t-1為I_t的前 一幀圖像；

(7)經過步驟(6)之后，針對people_list中不是新進入場景中的目標， 分如下兩種情況分別確定該目標的最終跟蹤結果：

(A)該目標在head_list中沒有檢測目標與之相匹配，那么均值平移算 法搜索跟蹤的位置信息即作為該目標在輸入視頻圖像I_t中的最終跟蹤結果；

(B)該目標在head_list中有檢測目標與之相匹配，那么現在它就存在 兩個可能的位置：一個是灰度互相關關聯匹配跟蹤的得到的位置，一個是 均值平移算法搜索跟蹤的位置，通過如下的準則從二者中確定最佳的跟蹤 結果：

(B1)該目標在head_list中與之相匹配的檢測目標的分類分值大于預 設值，則直接將這個檢測目標的相關信息作為該目標在I_t中的最終跟蹤結 果，而拋棄均值平移算法搜索跟蹤的結果；

(B2)該目標在head_list中與之相匹配的檢測目標的分類分值小于上 述預設值，則需要按照步驟(5)所述的相似度計算方法，分別計算該目標 與灰度互相關關聯匹配跟蹤結果和均值平移算法搜索跟蹤結果的相似度， 把對應相似度較小者的跟蹤結果作為該目標在I_t中的最終搜索跟蹤結果；

這樣people_list中所有目標都實現了跟蹤定位，并清空head_list；

在目標行為分析和客流量統計計數步驟中，包括以下過程：

(8)目標行為分析和客流量統計計數：判斷跟蹤目標隊列people_list中 是否有滿足計數規則的目標，若有則更新客流量統計數據；

其中，所述的計數規則為：目標在進入場景時的圖像中的初始位置和 其在I_t中的位置之間的距離大于預設值，則為下車；目標在I_t中的位置與其 在進入場景時的圖像中的初始位置之間的距離大于預設值，則為上車。