基于視頻分析的公交客流統(tǒng)計(jì)系統(tǒng)的研究

閆江南，楊　帥，崔育帥

（天津工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與軟件學(xué)院，天津　300387）

0　引言

（1）研究背景及意義

日益突出的交通問題，使得我們越來越意識到優(yōu)化調(diào)度的方法存在滯后的毛病，除卻提高公交出行比例外，思考如何提高實(shí)時(shí)數(shù)據(jù)處理是極為重要的。因此一款智能交通系統(tǒng)的設(shè)計(jì)變得十分有意義，我們通過采集各個(gè)路段不同公交線路，車站站牌的人流量，加以不同時(shí)間段，季節(jié)分析，可以得到多維度的測量數(shù)據(jù)，利用系統(tǒng)去進(jìn)行統(tǒng)計(jì)分析，從而對客流調(diào)度、乘客行為預(yù)測、商圈規(guī)劃都邁出了戰(zhàn)略性的一步。

通過建立正確的模型來分析客流特征，并用所嵌入的高清攝像頭進(jìn)行人群信息采集，實(shí)時(shí)地進(jìn)行數(shù)據(jù)回傳，利用改進(jìn)的算法可以大幅提高人數(shù)統(tǒng)計(jì)的精確度，從而滿足城市公交的智能化發(fā)展。

（2）國內(nèi)外研究情況

1. 國內(nèi)情況

國內(nèi)的統(tǒng)計(jì)情況可能略顯單?。阂皇侨斯じ嚪?，二是駐點(diǎn)式目測客流調(diào)查法[1]。這兩者無疑都消耗了巨大的人力、財(cái)力，而且還有可能造成統(tǒng)計(jì)上的不準(zhǔn)確，數(shù)據(jù)上的偏差等等，具有強(qiáng)烈干擾性。

2. 國外情況

關(guān)于西方國家常用的測重技術(shù)、紅外技術(shù)、圖像技術(shù)，以下是一些闡述：

①車輛測重計(jì)數(shù)器：空氣彈簧的氣路上安裝有壓力傳感器[2]，通過檢測氣囊的壓縮程度，對比支撐截面與溫度補(bǔ)償，傾斜補(bǔ)償?shù)鹊葦?shù)據(jù)換算成重量，再進(jìn)行計(jì)數(shù)。

②紅外線客流計(jì)數(shù)器：利用紅外光幕通過發(fā)射頭向區(qū)域外發(fā)散定波波長的紅外線，之后用傳感器收集反射回來的光線，從而可以識別上下車的方向，達(dá)到統(tǒng)計(jì)人數(shù)目的。

③3D傳感客流計(jì)數(shù)器：圖像識別與前兩種相比要顯得較為高端一些，同樣是通過傳感器檢測，不同的是掃描人體輪廓進(jìn)而得出立體的人體數(shù)據(jù)，再參照立體反射面的駝峰形狀，進(jìn)而用單片機(jī)計(jì)算，從而判斷出人數(shù)。

（3）總結(jié)比較

傳統(tǒng)的采集方法及弊端：

調(diào)查周期，后期維護(hù)，實(shí)時(shí)程度這每一項(xiàng)都是人工調(diào)查的硬傷，如果再加上天氣等不可控因素，就會(huì)導(dǎo)致調(diào)度人員無法做出準(zhǔn)確的反饋。而對于壓力側(cè)重計(jì)數(shù)這種方式，有著不能判斷上下車方向、多人情況偏差、可維護(hù)性差的缺陷。另外由于紅外設(shè)備的造價(jià)高昂，并且軍民一體可能引發(fā)技術(shù)敏感問題，所以導(dǎo)致其在具體應(yīng)用上受到很大限制。

由此可知，傳統(tǒng)的采集方法很可能無法滿足當(dāng)下的管理需求，如果使客流信息化，可統(tǒng)計(jì)性是亟待解決的問題。因而在本系統(tǒng)中運(yùn)用了車載設(shè)備來解決這個(gè)難點(diǎn)。

本系統(tǒng)將通過在公交車前后門的上部嵌入攝像頭，利用傳感器檢測從乘客身上反射回來的光線以及對乘客進(jìn)行一系列操作，包括形體捕捉和特征提取[3]，從而識別并統(tǒng)計(jì)乘客上下車方向及人數(shù)。這種方法可以有效地規(guī)避環(huán)境光線，溫度等影響，對于識別多人，同反向，滯留等狀態(tài)具有較強(qiáng)的干擾性與極高的識別度。

1　系統(tǒng)設(shè)計(jì)

1.1　系統(tǒng)概述

本系統(tǒng)的主要功能是基于移動(dòng)端出行記錄數(shù)據(jù)與攝像頭定點(diǎn)數(shù)據(jù)的反饋采集，數(shù)據(jù)庫的存儲(chǔ)策略主要分兩條信息網(wǎng)，一是以個(gè)人發(fā)散的軌跡網(wǎng)，二是以站臺(tái)反饋的數(shù)據(jù)網(wǎng)，人群與站臺(tái)屬于交界點(diǎn)的兩個(gè)直觀審查元素，又相互耦合，所以選擇一條出行記錄作為記錄分子：

圖1　記錄分子所記錄的內(nèi)容Fig.1　Recorded contents of molecule

1.2　系統(tǒng)功能

記錄分子的數(shù)據(jù)來源于移動(dòng)端出行的記錄，系統(tǒng)通過對用戶的上車點(diǎn)與下車點(diǎn)進(jìn)行監(jiān)控[4]，每當(dāng)用戶發(fā)出一條導(dǎo)航信息或者查看到站信息的時(shí)候，會(huì)對當(dāng)前用戶基礎(chǔ)信息、地理信息、站臺(tái)及線路等字段進(jìn)行時(shí)間戳標(biāo)記，方便對區(qū)域斷面數(shù)據(jù)做出整理統(tǒng)計(jì)。其主體功能由三部分組成：

（1）到站提醒

所謂移動(dòng)導(dǎo)航，目前只有兩種：GPS定位和基站定位[5]。GPS定位是通過 GPS衛(wèi)星鎖定手機(jī)的GPS芯片，這是最準(zhǔn)確的定位方法，誤差理論上可以達(dá)到一米的距離。同時(shí)基本上所有的軟件都是可以用GPS導(dǎo)航的。而基站定位則是通過手機(jī)的移動(dòng)數(shù)據(jù)獲取周圍的基站從而鎖定乘客的位置。這個(gè)誤差就很大，所以不能用這個(gè)導(dǎo)航。本系統(tǒng)中，把每一條公交線路抽象成一條線，線上的每個(gè)節(jié)點(diǎn)當(dāng)作公交站臺(tái)。當(dāng)乘客所在位置快到公交站臺(tái)的時(shí)候，當(dāng)作一個(gè)閾值范圍，并以手機(jī)廣播（broadcast）的方式進(jìn)行消息推送。

當(dāng)本系統(tǒng)在開發(fā)需要和服務(wù)器交互的應(yīng)用程序時(shí)，基本上都需要獲取服務(wù)器端的數(shù)據(jù)，一般來說有兩種方法：第一種是客戶端使用 Pull（拉）的方式，也就是隔一段時(shí)間就去服務(wù)器上獲取一下信息，看是否有更新的信息出現(xiàn)。第二種就是服務(wù)器使用Push（推送）的方式，如果服務(wù)器端收到新信息，則把最新的信息Push到客戶端上。這樣，客戶端就能自動(dòng)的接收到消息。

（2）地圖導(dǎo)航與POI檢索

對用戶而言，POI的存在，能快速找到目的地從而便捷出行。實(shí)現(xiàn)區(qū)域檢索大致分為以下幾個(gè)步驟：

①根據(jù)點(diǎn)的坐標(biāo)信息，分配到全國的區(qū)縣行政區(qū)劃中去；

②對于每個(gè)行政區(qū)劃中的點(diǎn)數(shù)據(jù)，以行政區(qū)劃多邊形和點(diǎn)集為對象，建立Voronoi圖；

③記錄 Voronoi圖面積最小對應(yīng)的點(diǎn)，并認(rèn)定其重要性最低；

④最后刪除重要性最低的點(diǎn)，再次建立 Voronoi圖[6]。

這樣就可以理解為將所有的點(diǎn)要素?cái)?shù)據(jù)做一個(gè)重要性框選與排序。與此相比，導(dǎo)航只需要獲取到起點(diǎn)和終點(diǎn)的經(jīng)緯度信息，然后分別把起點(diǎn)和終點(diǎn)當(dāng)做這條導(dǎo)航路線的兩個(gè)節(jié)點(diǎn)，并把這兩個(gè)節(jié)點(diǎn)加入到一個(gè)節(jié)點(diǎn)集合中去，然后再把該集合傳入到一個(gè)路線規(guī)劃監(jiān)聽接口類中，該接口類會(huì)根據(jù)內(nèi)部封裝的路徑算法，然后再把各個(gè)途徑各個(gè)節(jié)點(diǎn)加入到該集合中。如是再三，就可以確定每一個(gè)點(diǎn)的重要性信息。其構(gòu)造過程分為三個(gè)步驟：

①發(fā)起算路：算路設(shè)置起、終點(diǎn)，算路偏好，是否模擬導(dǎo)航等參數(shù)，然后在回調(diào)函數(shù)中設(shè)置跳轉(zhuǎn)至誘導(dǎo)。

②開始導(dǎo)航：創(chuàng)建誘導(dǎo)View，并接收回調(diào)事件。在activity生命周期內(nèi)調(diào)用誘導(dǎo)BNRouteGuiderManager對應(yīng)的生命周期函數(shù)。核心代碼為：

@Override

protected void onCreate(Bundle savedInstanceState) {super.onCreate(savedInstanceState);createHandler();

if (Build.VERSION.SDK_INT ＞= Build.VERSION_CODES.HONEYCOMB) {}

View view = BNRouteGuideManager.getInstance().onCreate(this, new OnNavigationListener() {

@Override

public void onNaviGuideEnd() {

finish();

}

@Override

public void notifyOtherAction(int action-

Type, int arg1, int arg2, Object obj) {

}

});

③直至最后設(shè)置播報(bào)模式即可成功規(guī)劃線路。（3）擁擠度呈現(xiàn)

該功能基于乘客起始點(diǎn)的地理位置，對周圍不同范圍內(nèi)的公交線路進(jìn)行信息回傳，隨信號點(diǎn)位置大小排列，擁擠度利用傳統(tǒng)的紅綠黃三色對用戶進(jìn)行必要提示。

客流統(tǒng)計(jì)是系統(tǒng)實(shí)時(shí)采集數(shù)據(jù)的根本，其來源于車載攝像頭的實(shí)時(shí)分析，通過計(jì)算每個(gè)站臺(tái)視頻畫面中人數(shù)的流量從而對車上擁擠度進(jìn)行準(zhǔn)確判斷。而精確度的關(guān)鍵在于攝像頭所識別出的人數(shù)是否與實(shí)際匹配，其度量需要經(jīng)過三個(gè)步驟：目標(biāo)檢測、目標(biāo)跟蹤、乘客行為分析。

目標(biāo)檢測是計(jì)算機(jī)視覺處理極其重要的一環(huán)，其焦點(diǎn)置于所選目標(biāo)的位置及劃定范圍，其基本過程與模式識別極為相似，包括了圖像數(shù)據(jù)、預(yù)處理、特征提取、分類器訓(xùn)練、目標(biāo)檢測五部分[7]，其中的特征提取與分類器訓(xùn)練都是影響最后準(zhǔn)確度的主要因素，因此如何讓算法得到提升變得極為重要。

以公交車為例，在前后車門各安裝一組攝像頭，針對人體的頭部和肩部進(jìn)行特征提取，因?yàn)檐|干部分往往容易在人流密集時(shí)期被遮擋，所以將乘客明顯特征作為目標(biāo)正樣本，這樣會(huì)降低膚色、光照、噪聲以及陰影的影響。

為了獲得真正意義上的邊緣前景，增強(qiáng)其干擾性，對當(dāng)前幀的邊緣圖像與背景的邊緣圖像進(jìn)行了做差計(jì)算。之后利用圓檢測進(jìn)行輪廓識別，有效的進(jìn)行了目標(biāo)檢測，相比其他方法更易于操作，識別率高，為客流統(tǒng)計(jì)系統(tǒng)提供了強(qiáng)有力的依據(jù)。

1.3　數(shù)據(jù)分析

一旦記錄分子有了數(shù)據(jù)基礎(chǔ)，我們就可以對結(jié)果進(jìn)行統(tǒng)計(jì)分析。PC端的主體功能為：實(shí)現(xiàn)對用戶數(shù)據(jù)、站臺(tái)數(shù)據(jù)、遷徙路線的可視化分析，可以為決策者提供管理結(jié)局方案。

但是我們從什么角度進(jìn)行數(shù)據(jù)分析呢？眾所周知，公交客流受到諸多因素的影響，預(yù)測時(shí)段越短，客流特征變化的隨機(jī)性和不可預(yù)測性就會(huì)越強(qiáng)[8]，只有找出短時(shí)客流變化中最具相關(guān)的影響元素，才能去做行為預(yù)測。

為了對數(shù)據(jù)進(jìn)行合理評估，本系統(tǒng)根據(jù)車載攝像頭采集的客流數(shù)據(jù)，將上車人數(shù)記為點(diǎn) E，將下車人數(shù)記為點(diǎn) O，預(yù)計(jì)到站記為點(diǎn) S，到站時(shí)間記為點(diǎn) T，標(biāo)記站臺(tái)的斷面客流量，分析周圍商圈記錄人群的趨向，從而利用車載攝像頭采集的數(shù)據(jù)和GPS結(jié)合來對日時(shí)段、周時(shí)段、月時(shí)段的變化規(guī)律做出有效歸納，為公交調(diào)度提供良好的解決方案。

圖2　記錄客流數(shù)據(jù)的模擬圖Fig.2　Simulation graph of recording passenger flow data

2　實(shí)驗(yàn)

（1）數(shù)據(jù)推送部分

系統(tǒng)中使用移動(dòng)通訊的云巴服務(wù)進(jìn)行開發(fā)。Android SDK會(huì)啟動(dòng)一個(gè)后臺(tái)的Service，創(chuàng)建并保持到服務(wù)器的長連接，從而保證了消息推送的實(shí)時(shí)性。云巴采用MQTT協(xié)議，其特點(diǎn)有：二進(jìn)制，非常精簡，適合做大量節(jié)點(diǎn)弱網(wǎng)絡(luò)差的場景，適用于現(xiàn)有移動(dòng)互聯(lián)網(wǎng)的基礎(chǔ)設(shè)施；MQTT是天然的訂閱發(fā)布系統(tǒng)，有權(quán)限的人都可以發(fā)消息；開源的協(xié)議和實(shí)現(xiàn)；擴(kuò)展方便且輕量級。因?yàn)閰f(xié)議精簡，相比XMPP本身標(biāo)簽和編解碼不耗費(fèi)流量，使用云巴做實(shí)時(shí)通訊在節(jié)省流量的同時(shí)也減少了耗電。

圖3　數(shù)據(jù)推送流程圖Fig.3　Data push flow chart

（2）線路規(guī)劃部分

百度Andriod 導(dǎo)航SDK為Android移動(dòng)端應(yīng)用提供了一套簡單易用的導(dǎo)航服務(wù)接口，本系統(tǒng)引入地圖與POI功能對用戶的使用習(xí)慣進(jìn)行記錄，用戶可以將隨行地點(diǎn)收藏至常用地，利用歷史檢索進(jìn)行sug建議。針對個(gè)性化出行模式引入線路方案推薦，從而節(jié)省了用戶的時(shí)間成本。

（3）實(shí)時(shí)公交部分

圖4　線路規(guī)劃部分成果圖Fig.4　Partial results graph of line planning

本系統(tǒng)用到站距離與估測時(shí)間提示乘客合理安排自己的時(shí)間，以便能夠及時(shí)乘坐相應(yīng)的公車線路。對于擁擠程度本系統(tǒng)加入了信號燈標(biāo)識車上的人數(shù)，用戶可通過處于[紅色，黃色，綠色]區(qū)間的顏色做出判斷是否乘車，一方面便利了民眾出行，另一方面有效地降低了交通擁堵發(fā)生的概率。期間設(shè)置了一個(gè)時(shí)間閾值，利用站臺(tái)與站臺(tái)所用時(shí)間做方差，限制請求頻率，及時(shí)地為乘客推送更新的線路信息。

圖5　實(shí)時(shí)公交部分成果圖Fig.5　Partial results graph of real time bus

（4）數(shù)據(jù)分析部分

按理來說只有單調(diào)的數(shù)據(jù)是無法為公交調(diào)度呈現(xiàn)出直觀參考的，為此本系統(tǒng)推行的方向是數(shù)據(jù)可視化，其主要旨在借助于圖形化手段，清晰有效地傳達(dá)與溝通信息。ECharts作為國內(nèi)應(yīng)用最廣泛的前端可視化生成工具，提供了豐富的圖表展現(xiàn)方式和便捷的圖表操作。

本系統(tǒng)通過對時(shí)節(jié)分段、線路分流的統(tǒng)計(jì)方法對所手機(jī)的信息進(jìn)行了圖表處理，有針對性地選擇合適的方案。公交客流的分布特性分析從時(shí)間分布特性，人群分布特性及影響因素[9]分析入手。由于線路類型、運(yùn)營時(shí)間、站點(diǎn)數(shù)目等的不同，各條公交線路的客流分布必然存在差異，因此有必要根據(jù)線路號，對其各個(gè)時(shí)段的客流量進(jìn)行進(jìn)行統(tǒng)計(jì)分析，以觀察各條線路客流的特征并做對比。

圖6　某線路各個(gè)時(shí)段客流量數(shù)據(jù)分析樣圖Fig.6　Analysis sample graph of passenger flow data of each different time section of a line

由于人群早出與晚歸流向基本處于相反的一致性，所以在工作日公交客流呈現(xiàn)比較明顯的特征，具有時(shí)空周期的規(guī)律性，給分析帶來了極大方便?？紤]到用地環(huán)境這一因素，根據(jù)已有研究，乘客的下車概率會(huì)根據(jù)途經(jīng)站點(diǎn)的數(shù)量服從泊松分布[10]，如公式（1）所示：

其中等式左邊的 i站點(diǎn)在上車 j站點(diǎn)下車的概率，λ表示出行途經(jīng)站點(diǎn)數(shù)量，當(dāng)i站點(diǎn)以后的數(shù)量小于平均站點(diǎn)數(shù)時(shí)，λ = m - i 。

（5）商圈規(guī)劃

本系統(tǒng)在移動(dòng)端出行中加入了常用地點(diǎn)及收藏等功能，不僅僅是便利用戶體驗(yàn)，更重要的方面在于記錄出行因子，用戶收藏的常用地點(diǎn)標(biāo)志著每日的出行軌跡，是用作考量公交調(diào)度的重要影響因素之一，由此建立起來的數(shù)據(jù)報(bào)表可以為商圈規(guī)劃提供參考依據(jù)，用戶建立的每一條地址條目會(huì)被用來做行為預(yù)測的自變量，為智慧出行做出隱形的貢獻(xiàn)。

3　結(jié)論

本文利用了車載攝像頭采集的人數(shù)流量與GPS數(shù)據(jù)，加以時(shí)間上的同步性，匹配站臺(tái)、線路，對不同日時(shí)段、周時(shí)段、月時(shí)段進(jìn)行客流分析，找出了其時(shí)空分布的不均衡特性和周期變化規(guī)律。在目標(biāo)檢測領(lǐng)域應(yīng)用了改進(jìn)的Hough圓變換檢測[11]從而提升了算法精確度，利用收集的客流數(shù)據(jù)為系統(tǒng)的可視化統(tǒng)計(jì)提供了強(qiáng)力支持，為視頻客流分析領(lǐng)域提供了結(jié)合互聯(lián)網(wǎng)的新思路。