一种基于机器视觉技术的城市轨道交通客流量检测方法

2021-12-23谢国坤王娟娟

河北工业科技 2021年1期

郑凯，谢国坤，王娟娟

(西安交通工程学院电气工程学院，陕西西安 710300)

随着经济与轨道交通技术的发展，轨道交通作为一种日常出行的重要交通方式，在缓解城市交通压力，促进区域经济发展等方面发挥着重要作用。据不完全统计，轨道交通客流量占城市客流量的近50%，随着轨道交通运行环境的不断完善，这一比例还在上涨[1-2]。城市轨道交通客流量作为影响城市轨道交通运行与布局的重要因素，客流量的有效检测对城市轨道交通的整体布局与客运调度起着十分重要的作用[3-6]。传统的红外检测、大数据分析[7]、卡尔曼滤波[8-9]等方法，易受外部环境或个别样本误差的干扰而造成较大的检测误差。随着对计算机技术与图像处理技术研究的逐步深入，机器视觉技术得到了快速发展。作为人工智能技术的主要研究方向，机器视觉技术利用计算机仿真人眼视觉，在客观图像内提取有用信息，通过处理实现高精度的控制与检测，为提升城市轨道交通客流预测精度进行有效的运营调度与客流导向，提出基于机器视觉技术的城市轨道交通客流量检测方法，为加强城市轨道交通客流的管理提供建议。

1 机器视觉技术的交通客流量检测方法

1.1 交通客流量检测流程

机器视觉技术的城市轨道交通客流量检测流程如下：1)采集城市轨道交通客流的视频，并进行预处理；2)采用Canny边缘检测算法提取目标轮廓，并根据视频图像提取乘客头部的Haar特征；3)利用AdaBoost检测算法构建强分类器，实现对乘客头部的检测；4)根据乘客头部检测结果统计客流量。

1.2 视频图像预处理

1.2.1 滤波与图像增强处理

为提高城市轨道交通客流量检测精度，利用城市轨道交通客流视频图像进行客流量检测前需对视频图像进行预处理，利用中值滤波法对视频图像实施滤波与图像增强处理，滤波处理在最大程度上保留图像细节特征的基础上消除图像中的噪声，图像增强改善成像过程中光照缺失或过量导致目标模糊的问题。通过滤波与图像增强改善城市轨道交通客流视频图像质量，利于后续处理。

1.2.2 基于Canny边缘帧差法的运动目标轮廓提取

对滤波与图像进行增强处理后，利用Canny边缘帧差法提取图像内运动目标轮廓，Canny算子与其他算子相比可更好存留图像内边缘信息。

1) 图像平滑处理

利用二维高斯函数对图像进行平滑处理，

(1)

式中：A(x,y)和δ分别为图像和高斯滤波器参数。

2) 确定图像梯度大小与方向

图像梯度大小与方向可通过一阶偏导的有限差分来确定。梯度矢量和X，Y方向的偏导数表达式如下：

(2)

Ix(p,q)=(P(p,q+1)-P(p,q)+

P(p+1,q+1)-P(p+1,q))/2,

(3)

Iy(p,q)=(P(p,q)-P(p+1,q)+

P(p,q+1)-P(p+1,q+1))/2,

(4)

式中：(p,q)为像素点坐标。

由此得到图像内各像素点梯度的大小和方向：

(5)

(6)

式中：Z(p,q)和S(p,q)分别表示图像内各像素点梯度的大小和方向，可描述图像上任一像素点处的边缘强度和对应点的法向矢量。

3)梯度图像的非极大值抑制

为提取高质量的运动目标轮廓，需存留局部梯度最高的点，进行非极大值抑制处理。

4)边缘检测与连接

利用双阈值和Tl(Tl=0.4Th)实现梯度图像边缘检测与连接。

5)基于边缘信息的帧间差分

通过以上过程可尽量降低图像处理过程中由图像背景带来的干扰，在提取图像边缘信息后再进行帧差法，将相邻2帧图像相减，可使提取的运动目标轮廓更加完整，同时提升运算效率。

1.3 乘客检测

由于视频拍摄角度问题，图像中乘客的身体易被遮挡，且变形较为严重，而头部清晰、变形不显著，因此在检测过程中只检测乘客头部轮廓。

1.3.1 基于Haar特征的AdaBoost乘客检测算法

基于Haar特征的AdaBoost检测算法分为训练阶段、检测阶段[10]，具体流程如图1所示。

图1 Haar特征的AdaBoost乘客检测算法流程Fig.1 Flow chart of AdaBoost passenger detection algorithm based on Haar features

由图1可知，训练阶段包含样本采集与标准化、确定样本图像的Haar特征、迭代运算检测3个过程，由此构建具有辨别乘客头部和非乘客头部功能的强分类器。

1)通过设计具有样本学习功能的检测软件采集头部样本，利用硬件截取2 000幅头部样本作为正样本，在互联网上下载风景、动画、植物等3 000幅不同类别图像作为负样本。对正、负样本实施标准化处理，统一正样本尺寸大小，确保负样本尺寸大于正样本。

2)确定处理后样本图像的Haar特征。图像的Haar特征也叫作灰度特征，通常包含两三块黑白矩块，能够以+45°和—45°转动，将黑色矩块中全部像素值相加得到的值与白色矩块中全部像素值相加得到的值相减即可得到Haar特征值[11]。采用图像Haar特征相较于初始灰度特征具有运算过程简单，提升检测精度的优势。

3)AdaBoost算法通过迭代运算进行检测，对相同训练集获取具有差异的弱分类器，统一全部弱分类器构建可辨别乘客头部的强分类器。在检测阶段将视频图像导入分类器，将图像内需实施处理的区域设定为兴趣区，利用强分类器辨别乘客头部，实现乘客头部检测。

1.3.2 消除误检框

通过强分类器检测乘客头部已经具有较高的辨别精度，但在特殊条件下仍存在误检的可能性。为将误检的可能性降至最低，选取双线插值法消除头部识别过程中的误检框[12]。由于单帧视频图像中的漏检现象在剩余帧视频图像中可弥补，因此误检框的消除以即便漏检也需消除不合适的误检框为原则。利用双线插值法消除误检框就是通过双线插值法推导头部检测框大小，将强分类器检测出的头部检测框与同一位置推导的头部检测框进行对比，若强分类器检测出的头部检测框过大或过小，则说明该检测框为误检框[13]。用M表示强分类器检测出的头部检测框中心位置，该位置采用双线插值法推导头部检测框时，根据W11，W12，W21，W22这4个预设点确定检测框大小。

X方向和Y方向的线性差值表达式如式(7)—式(9)所示：

(7)

(8)

(9)

消除误检框过程中，预设点值是根据检测软件识别功能提前设置的，也就是工作人员手工输入强分类器检测出的检测框内精度最高的检测框中心位置和尺寸，将其设置成预设点值。

1.4 客流量统计

统计城市轨道交通客流时，将特征跟踪法和预测有机结合，确定跟踪目标后，分析其在当前帧中所在位置，选取卡尔曼滤波器预测现有目标，若在当前帧中无法有效分析目标所在位置，可使用预测位置进行替代[14]。依照分析结果的目标中心位置，针对视频图像不同帧内的目标构建目标链，记载目标跟踪数据，确保跟踪过程的可靠性。分析海量样本图像后，以正常状态下乘客宽度小于跟踪区域宽度为标准，将目标跟踪区域上下限像素设为50～220，目标存在于跟踪区域内表示目标此刻正处于上车状态，目标不存在于跟踪区域内表示目标此刻已经位于车上。

开始目标跟踪前需设定2个计数器和1个状态标志，计数器的主要功能是分别统计上下车的目标数量[15]，状态标志的功能是记录此刻跟踪区域的目标数量。利用上述乘客检测算法，跟踪目标进入跟踪区域后，上车计数器数值加1，对跟踪区域中的各目标构建跟踪链，并实时识别目标数量，出现新目标时新建跟踪链，并修改目标数量。跟踪目标离开跟踪区域后，下车计数器数值加1。

2 仿真实验结果与分析

为测试本文提出的基于机器视觉技术的城市轨道交通客流检测方法的检测性能，研究开发了城市轨道交通客流检测软件。以西安市某轨道交通公司的一条有效运行的轨道交通线路为研究对象，进行现场软件性能测试。测试过程中部分客流高峰时段运动目标轮廓提取的效果如图2所示。由图2可知，本文方法对于目标轮廓提取的效果最好。这是由于本文方法采用了Canny算子提取目标轮廓，该算子以确定最优边缘为目标，进行多级边缘检测，与其他方法相比可更好存留图像内边缘信息，提升图像帧间差分效果，有利于强分类器的头部识别。