基于圖像特征提取的地鐵客流量自動(dòng)統(tǒng)計(jì)系統(tǒng)

孫 佩，胡小敏

(西安交通工程學(xué)院交通運(yùn)輸學(xué)院，陜西 西安 710300)

0 引言

近年來，我國大中型城市地鐵交通得到快速發(fā)展，隨著城市地鐵網(wǎng)絡(luò)的逐步擴(kuò)大與完善，未來地鐵運(yùn)行與?？空竟芾韺⑾蛑悄芑⑷诵曰较虬l(fā)展[1-2]。常規(guī)站站停車的行車組織模式將滿足不了未來地鐵客流的需求，基于非站站停車的快慢車運(yùn)行方案可以快速輸送往返于中心城區(qū)與郊區(qū)之間的客流，能夠通過減少停站數(shù)目提高列車旅行速度，達(dá)到縮短長距離出行乘客旅行時(shí)間的目的[3]。而非站站停車運(yùn)行方案需要基于對(duì)地鐵客流的準(zhǔn)確統(tǒng)計(jì)及客流擁擠程度的評(píng)估，合理布局停車策略，對(duì)客流量的統(tǒng)計(jì)是地鐵站點(diǎn)管理的前提準(zhǔn)備條件。

地鐵走廊、候車區(qū)、車廂等部位的客流量統(tǒng)計(jì)數(shù)據(jù)及擁擠程度評(píng)估，對(duì)地鐵規(guī)劃及站點(diǎn)?？坎季志哂兄匾笇?dǎo)意義，也是進(jìn)行地鐵站點(diǎn)科學(xué)合理管理的重要前提。乘客刷卡記錄僅能反映客流的輸入與輸出信息，無法完整反映客流在整個(gè)地鐵系統(tǒng)中的狀態(tài)。由于監(jiān)控系統(tǒng)的普及，視頻圖像能夠全面且實(shí)時(shí)地反映地鐵在不同空間及時(shí)間段的運(yùn)行狀態(tài)[4-5]?；趫D像特征提取的客流統(tǒng)計(jì)方法能夠?qū)崿F(xiàn)對(duì)地鐵客流的精準(zhǔn)估計(jì)，準(zhǔn)確反映地鐵客流的時(shí)空分布情況，為地鐵車輛運(yùn)行管理及?？空军c(diǎn)布局提供數(shù)據(jù)支撐。

本文在傳統(tǒng)圖像特征提取方法的基礎(chǔ)上，利用小波變換及灰度閾值預(yù)處理方法，濾除圖像中的灰度突變像素點(diǎn)，降低乘客流動(dòng)對(duì)統(tǒng)計(jì)準(zhǔn)確度的影響，從而提升乘客客流自動(dòng)統(tǒng)計(jì)精度。

1 客流識(shí)別與統(tǒng)計(jì)原理

客流統(tǒng)計(jì)流程如圖1所示[6]。首先，通過地鐵走廊、候車區(qū)、車廂等位置安置的監(jiān)控?cái)z像頭獲取視頻原始數(shù)據(jù)，然后對(duì)圖像數(shù)據(jù)進(jìn)行分割處理，獲得適應(yīng)于圖像處理與分析算法的子域圖像。通過圖像數(shù)據(jù)的多層分解，提取圖像細(xì)節(jié)特征值，將圖像特征與人體特征參考模型比對(duì)，以實(shí)現(xiàn)對(duì)客流人數(shù)的判斷與統(tǒng)計(jì)。最終對(duì)獲取的客流估計(jì)量進(jìn)行分析，對(duì)當(dāng)前的地鐵客流擁擠情況及客流分布情況進(jìn)行評(píng)估。

圖1 客流統(tǒng)計(jì)流程

客流識(shí)別與估計(jì)的關(guān)鍵在于特征值的提取，圖像像素特征提取公式可表示為[7]

(1)

c為圖像縮放比例；d為像素特征提取的偏差量。其中，圖像分割函數(shù)可表示為

(2)

(3)

對(duì)式(3)進(jìn)行逆變換，得到圖像在(l,m)層的特征公式為

(4)

利用上述圖像特征提取公式，可以獲取圖像在不同分層上的細(xì)節(jié)特征，將提取的特征值與人體參考特征值進(jìn)行比對(duì)。如果比對(duì)結(jié)果達(dá)到匹配閾值，則客流計(jì)數(shù)器進(jìn)行累加，通過逐次比對(duì)實(shí)現(xiàn)對(duì)客流量的估計(jì)。

由于選取的分割函數(shù)為正交變換函數(shù)，其公式簡單、運(yùn)算速度高，可對(duì)圖像進(jìn)行多層次分解與準(zhǔn)確特征提取[8]。

但是，因?yàn)榈罔F中的客流是動(dòng)態(tài)移動(dòng)的，監(jiān)控設(shè)備所獲得的圖像中，圖像幀之間的灰度值易發(fā)生突變，干擾了特征提取的準(zhǔn)確性，從而降低了客流統(tǒng)計(jì)精度。

2 特征提取優(yōu)化算法

為了降低客流移動(dòng)過程中，像素灰度突變對(duì)統(tǒng)計(jì)精度的影響，在進(jìn)行特征提取之前，對(duì)圖像數(shù)據(jù)進(jìn)行小波分解與像素灰度特征閾值判別，對(duì)像素進(jìn)行篩選，剔除灰度突變的干擾像素點(diǎn)，從而提升特征提取精度。

首先對(duì)圖像進(jìn)行劃分，獲得大量的圖像子區(qū)域，圖像劃分公式為[9]：

(5)

Ru(b)=R(bk)-R(al)k≤l,u=1,2,…,P

(6)

P為圖像劃分的子區(qū)域總數(shù)量；h(z,a)為灰度變換的參數(shù)值；R(b)為圖像的像素灰度分布概率函數(shù)；Ru(b)為第u個(gè)子區(qū)域的灰度分布概率。

然后對(duì)劃分的子區(qū)域進(jìn)行小波變換，選取的小波變換函數(shù)為

I(z,a)=[exp(-h(z,a)/2z2)]/2πz-[exp(-h(z,a)/2a2)]/2πa

(7)

小波變換得到圖像分解的梯度函數(shù)為[10]

(8)

k=1,2,…,P；h為灰度變換的參數(shù)；hk為第k個(gè)子區(qū)域的梯度系數(shù)值。圖像各個(gè)子區(qū)域的灰度閾值公式為

(9)

vk為第k個(gè)子區(qū)域的閾值影響系數(shù)。在進(jìn)行圖像特征值提取前，設(shè)定灰度閾值，將圖像中的像素灰度值定義為ξk，通過閾值比較判斷像素點(diǎn)是否為圖像的特征點(diǎn)，從而實(shí)現(xiàn)對(duì)圖像像素的預(yù)處理，抑制像素灰度值突變對(duì)特征提取精度的影響。圖像灰度閾值判斷公式為

(10)

利用式(10)判斷公式，可對(duì)圖像像素進(jìn)行篩選，對(duì)于大于閾值的像素點(diǎn)，認(rèn)定為特征點(diǎn)，否則認(rèn)定為非特征點(diǎn)。通過圖像像素點(diǎn)的預(yù)處理篩選，實(shí)現(xiàn)對(duì)灰度值突變像素點(diǎn)的抑制，從而提升圖像特征提取精度，以提升客流統(tǒng)計(jì)的準(zhǔn)確性。

3 客流統(tǒng)計(jì)系統(tǒng)組成

為實(shí)現(xiàn)對(duì)地鐵過道、候車區(qū)、車廂等位置的客流量統(tǒng)計(jì)與客流擁堵情況評(píng)估，需要構(gòu)建完整的視頻采集及處理系統(tǒng)。系統(tǒng)硬件組成框架如圖2所示，主要包括前端視頻監(jiān)控終端、圖像采集卡、圖像處理器、無線通信和遠(yuǎn)程PC端等部分，可實(shí)現(xiàn)對(duì)圖像的獲取、處理、客流分析與統(tǒng)計(jì)、客流評(píng)估，以及數(shù)據(jù)傳輸?shù)裙δ?。這里重點(diǎn)介紹關(guān)鍵圖像處理芯片及軟件平臺(tái)的選取，其他部分可根據(jù)實(shí)際需求進(jìn)行選擇[11-13]。

圖2 客流統(tǒng)計(jì)系統(tǒng)結(jié)構(gòu)

3.1 圖像處理芯片選取

圖像處理芯片承擔(dān)了圖像分解、特征提取算法的運(yùn)算，需要重點(diǎn)考慮芯片的處理能力和運(yùn)算效率。為滿足圖像處理速度要求，本文選取TMS320DM6446芯片[14]，圖像處理芯片構(gòu)架如圖3所示。

圖3 圖像處理芯片構(gòu)架

該芯片是一款高性能的圖像處理芯片，其集成了視頻圖像協(xié)處理器、DSP內(nèi)核和ARM內(nèi)核，DSP內(nèi)核工作頻率達(dá)594 MHz，ARM內(nèi)核工作頻率為297 MHz。同時(shí)，該芯片具備視頻處理系統(tǒng)，配備視頻輸入輸出接口，內(nèi)置較大的存儲(chǔ)空間，DDR存儲(chǔ)空間為512 MB，同時(shí)可外擴(kuò)存儲(chǔ)空間，為圖像處理與運(yùn)算提供了充足的運(yùn)算速度與存儲(chǔ)空間。

3.2 軟件開發(fā)平臺(tái)

系統(tǒng)選用的主要軟件平臺(tái)為Microsoft Visual Studio，主要涉及的程序函數(shù)包括OpenCV接口函數(shù)和特征提取運(yùn)算接口函數(shù)。其中，OpenCV是一個(gè)開源計(jì)算機(jī)視覺庫[15]，提供了大量的API接口函數(shù)，大幅度提升了軟件開發(fā)效率。OpenCV結(jié)構(gòu)如圖4所示。

圖4 OpenCV結(jié)構(gòu)

由圖4可知，OpenCV結(jié)構(gòu)主要由5個(gè)模塊構(gòu)成，其提供了豐富的視覺處理算法，且部分由C語音編寫并具備開源特性，通過適當(dāng)?shù)母倪M(jìn)和移植，可很好地運(yùn)用于DSP和ARM嵌入式系統(tǒng)中。其中，HighGUI函數(shù)庫提供了攝像頭交換模塊，可實(shí)現(xiàn)對(duì)圖像的載入與保存，同時(shí)可添加鼠標(biāo)、滑動(dòng)條等人機(jī)交換組件；CvCore函數(shù)庫提供了基本數(shù)據(jù)類型，實(shí)現(xiàn)對(duì)不同圖像數(shù)據(jù)類型的定義及相關(guān)關(guān)系解釋；CvAux提供了大量的算法函數(shù)接口，可完成圖像的預(yù)處理工作，提升圖像處理的開發(fā)效率。

4 實(shí)驗(yàn)對(duì)比結(jié)果

對(duì)比傳統(tǒng)算法與改進(jìn)算法的圖像特征提取效果，如圖5所示。通過圖像對(duì)比可明顯看出，利用灰度閾值判別，可有效濾除灰度值發(fā)生突變的像素點(diǎn)，乘客的輪廓外形更加平滑清晰，通過增加圖像預(yù)處理算法，對(duì)圖像特征提取進(jìn)行改進(jìn)，可有效提升特征提取精度。

為對(duì)比改進(jìn)型算法與傳統(tǒng)算法在地鐵客流量統(tǒng)計(jì)方面的效果，取某地鐵站候車區(qū)域的人流量作為實(shí)驗(yàn)對(duì)象，如圖6所示。

2種算法對(duì)該區(qū)域的客流統(tǒng)計(jì)結(jié)果如表1所示。由表1可以看出，通過統(tǒng)計(jì)算法改進(jìn)，利用像素閾值預(yù)處理算法，實(shí)現(xiàn)對(duì)圖像灰度值突變像素的抑制，從而降低乘客動(dòng)態(tài)移動(dòng)對(duì)識(shí)別與統(tǒng)計(jì)準(zhǔn)確率的干擾，與傳統(tǒng)統(tǒng)計(jì)算法相比，客流統(tǒng)計(jì)準(zhǔn)確率得到明顯提升，統(tǒng)計(jì)誤差僅為傳統(tǒng)方案的39.8%，驗(yàn)證了該改進(jìn)算法的有效性。

圖5 圖像特征提取對(duì)比

圖6 地鐵候車區(qū)客流量

表1 客流統(tǒng)計(jì)對(duì)比結(jié)果

5 結(jié)束語

地鐵客流統(tǒng)計(jì)對(duì)未來地鐵運(yùn)行管理及列車站點(diǎn)?？坎呗灾贫ň哂兄匾笇?dǎo)意義，是疏導(dǎo)地鐵客流與緩解交通擁堵的重要參考數(shù)據(jù)。本文在傳統(tǒng)特征提取的基礎(chǔ)上，對(duì)圖像數(shù)據(jù)進(jìn)行預(yù)處理，抑制了乘客流動(dòng)造成的灰度突變像素的影響，提升了客流統(tǒng)計(jì)的準(zhǔn)確度。實(shí)驗(yàn)測試結(jié)果表明了改進(jìn)方案的有效性，此方案具有一定的工程應(yīng)用價(jià)值。