公交客流統計中的目標檢測研究

摘要：針對國內公交環境下的客流統計進行研究，提出了一種乘客上下車運動目標的檢測方法，先把整個運動對象提取出來，再用改進的分水嶺算法，結合特征分析將運動對象中的各個目標分割開來。實驗結果表明該方法就一般情況下對多人靠在一起也能有效檢測目標，但是對于多人完全同色貼在一起的情況，光靠該算法就不太適用了，需要結合隨后的跟蹤算法進行處理。

關鍵詞：圖像處理；目標檢測；中值濾波器；形態學；分水嶺

中圖分類號:TP13文獻標識碼:A文章編號:1009-3044(2008)20-30337-03

Target Detection Research on Bus Passenger Flow Counting

XUE Liang，WU Yang

（Collage of Information Eng.， Shanghai Maritime University， Shanghai 200135， China）

Abstract: This paper is the research on the passenger flow counting under China’s bad traffic environment. A method for detecting passengers getting on and off the bus was proposed. It first extracted the whole motive objects from the original image and then segmented each targets within the motive objects region using improved watershed integrated with feature analysis. Experimental results show that the method can effectively detect the targets even the people lean on each other. However， it is not that effective if the people are totally in the same color. It entails the combination of subsequent tracing method.

Key words: Image processing;Target detection; Median filter; Morphology;Watershed

1 引言

客流統計技術是當今世界智能視覺研究中一個十分活躍的新領域，行人檢測、流量分析在地鐵，路口，超市出入口中有著廣泛的應用需求。特別是應用在城市公交環境中，它直接服務于公交公司的路線調整及對車輛資源的合理配置，有利于改善城市擁擠的交通，有著明顯的社會和經濟效益。在這一領域，一些發達國家起步較早，諸如美國城市公共交通管理局(UMTA)把自動乘客計數納入了智能公共交通系統項目Advanced Public Transportation Systems(APTS)；日本則把乘客計數集成在了城市公共交通綜合運輸控制系統(CTCS)中。客流統計在國內發展較落后，這和我國惡劣的公交環境不無關系。國外一些成熟的算法在國內均得不到好的應用，所以公交客流統計的研究在我國面臨很多難點，國內外正對此做大量的研究工作。

當前客流統計主要采用三類技術:紅外檢測技術、壓力檢測技術及圖像處理的方法。

紅外檢測技術比較成熟[1]，被廣泛應用于車站、碼頭、商店、書店等人口流動頻繁，由人工輔助監控的地方。其特點是:能對有一定距離間隔的人流做出正確有效的判斷，對于前后擁擠、接踵而至的人流效果較差。

壓力檢測是通過檢測人體的重量，來測知人的存在。通常是采用踏板式壓力傳感器技術[2]，將踏板安裝于上下車門的各個臺階上，在乘客上下車時，通過對踏板的踩踏，引起傳感器內電流的變化，對電流變化進行采樣獲得上下車乘客的信息。該方法對于多只腳同時踩上的情況以及正有人在踏板上，緊接著又有人踩到踏板上的情況難以進行有效的判斷。

考慮國內公交環境特殊性，以上兩種方法均不能對乘客的上下車方向做出正確的判斷，因此很難正確把握車輛上的真實乘客人數， 誤差率較高。

伴隨DSP技術的日漸成熟[3-5]，將攝像探頭裝入公交車輛，走圖像處理之路，無疑將是客流檢測統計的最終出路。

基于圖像處理，對行人的有效檢測是客流統計技術中的核心技術。目前，國內外關于行人檢測的方法主要有以下幾種：基于運動特性的方法[6]，基于形狀信息的方法[7]，基于行人模型、結構元素的方法[8]，立體視覺的方法[9]，神經網絡方法[10]，小波和支持向量機的方法等。從長遠看，采用多種方法融合是行人檢測技術的發展趨勢。

本文將采用一種由粗至細的檢測方法，即先把一幀圖像中的運動對象全提取出來(可能包含多個目標和偽目標)，再通過濾波和形態學操作去除偽目標，最后用改進的分水嶺算法對提取出來的對象進行多目標分割。

2 運動對象分割

運動對象的分割算法一般都是基于運動識別的幀間分割算法，比較常用的有背景差值法，圖像差分法，光流場法和塊分割法等。

在實驗過程中，發現對于單個乘客而言，利用圖像差分法效果是很不錯的。但對于幀中出現多個人，由于每個人的運動狀態差異，主要是運動速度不同，這樣的圖像差分利用3幀的信息顯然不夠，要擴展到5幀，7幀甚至更多，這樣增加了運算量而且效果并不好。所以最終采用了背景差值法來提取運動對象。

圖1利用背景差值法提取運動目標

在做差值前可以先對圖像進行對比度擴展，把感興趣的灰度范圍拉開，使該范圍內的像素亮的越亮，暗的越暗，從而增強對比度以方便之后更有效的目標檢測。

背景差值后的閾值化采用的是Otsu法閾值選擇，該法是一種使類間方差最大的自動確定閾值的方法[11]。該方法具有簡單，處理速度快的特點。

為更好地反映出運動目標在當前圖像中的位置，且為了有利后期進一步處理，在閾值化過程中并沒有將圖像二值化，而是對于灰度大于等于閾值T的像素，其灰度保持不變，其他像素均置255，即白色。結果如圖1(d)。

3 偽目標去除

由于背景質量，光照因素，閾值選擇以及序列圖像中的其他各種因素的影響，閾值化后的圖像不可避免地留下大量噪聲點，且原圖像中對應于運動目標的區域會出現不同程度的碎化現象。噪聲點與運動目標區域的區別在于[11]：運動目標區域表現為若干像素點組成的具有一定形狀的空間，而噪聲點則表現為一些相對孤立的較小的像素點集合。

采用中值濾波，先初步濾掉噪聲。中值濾波是一種非線性的平滑法，對脈沖干擾及椒鹽噪聲的抑制效果好，在抑制隨機噪聲的同時能有效保護邊緣少受模糊，這也是采用中值濾波而不采用均值濾波等方法的最重要原因。

中值濾波器的使用方法十分靈活。可以一維濾波器和二維濾波器交替使用；也可以先使用小尺度窗口，后逐漸加大窗口尺寸進行處理。此外還可以進行迭代操作，即對輸入圖像反復進行同樣的中值濾波，直到輸出不再有變化為止。

這里折中濾噪和保持邊緣兩者，采用一次5*5方形窗口對之前閾值化后的圖像進行中值濾波，中值濾波后雖然去除了部分噪聲，但還有部分偽目標存在。通過增大窗口尺寸可以進一步濾除噪聲，但其邊緣即使是中值濾波也開始顯得有些模糊了。所以這里沒有進一步增大窗口尺寸，而是將其二值化后采用二值形態學操作濾除未被去除的噪聲。

數學形態學[12]最基本的兩種變換是膨脹和腐蝕。所謂膨脹就是把二值圖像各1像素連接成分的邊界擴大一層的處理。而腐蝕則是把二值圖像各1像素連接成分的邊界點去除從而縮小一層的處理。膨脹和腐蝕結合在一起用則產生新的形態學變換。使用同一結構元素對圖像先腐蝕后膨脹的運算叫開啟，先膨脹后腐蝕的運算則稱閉合。開啟能使目標輪廓光滑，并去掉毛刺和孤立點；閉合則能填平小溝，彌合孔洞和裂縫。并且開啟和閉合不受原點位置的影響，即無論原點是否包含在結構元素中，開啟和閉合的結構都是一定的。這里結合圖像特點，先用開啟運算，再用閉合運算，旨在進一步去除圖像中的噪聲點并且彌合一些很小的孔洞。此處開啟所用的結構元素尺寸比較大，而閉合所用的結構元素就相對小得多。形態學操作的結果如圖2所示。

4 多目標分割

整個運動區域往往包含若干個目標，因此在把一幀圖像中的整個運動區域提取出來后還必須分割多個目標。

通過將該幀的原始灰度圖像與經過形態學處理后的二值圖像進行相“與”運算，得到該幀圖像整個運動區域的灰度圖，如圖3所示（為突出顯示效果此處對運動區域進行了反色顯示）。

這里采用基于分水嶺的目標分割算法來實現不同特征區域的分割。

分水嶺算法(watershed)是一種借鑒了形態學理論的分割方法[11] ，其實也可看成一種特殊的自適應多閾值分割算法，首先用一個相當高，但得到的結構仍能把每個目標孤立開的閾值進行分割。然后閾值逐漸減小直至逼近最佳閾值，不再合并已分開的目標。這里初始閾值的選取非常重要，只要初始閾值選擇合適，那么就可保證最終分割結果的正確性。如果初始閾值選得太大，那么低反差的目標在開始時就會被漏掉，其后在減少閾值的過程中會被合并；反之，如果初始閾值選得太小，那么目標在開始時就會被合并。另外最終閾值的選取也很重要，它確定了最終邊界與目標吻合的情況。

通常，分水嶺算法是以梯度圖的局部極小點作為吸水盆地的標記點，其有個缺點就是：由于圖像質量、噪聲等種種原因，在梯度圖中很容易會造成許多虛假的局部極小點，由此產生過分割的現象。

為了克服這一缺點，對圖像的梯度圖根據內外部約束進行重構。

對原圖進行歐氏距離變換，在生成的變換圖上應用分水嶺算法，得到分水嶺，由此標記外部約束。通過對原圖進行擴展極大值變換從而獲得內部約束標記。把內部約束和外部約束標記兩者相“或”，生成約束標記。用該約束標記對原圖的梯度圖進行形態學重構，得到重構的梯度圖。對重構的梯度圖應用分水嶺算法。圖3便是運動區域有兩個人的檢測情況，可以看到圖像中的2個人被分割了開來。

對分割出來的目標需進行特征分析，以確認其是否是所需的目標。判斷目標的面積，看其是否在規定的范圍(依照正常人頭的大小取值)內，若太小，則判斷為偽目標。若太大，則有以下幾種可能，一個是該目標區域包含了一個人的頭和身體，這主要是由于頭發和衣服灰度極為相近導致，對于這種情況，因為同屬一個目標，只是面積大了點，而且后續幀圖像也采用相同的算法，同樣產生一個“大頭”，所以對于后續的跟蹤沒什么影響。另一種情況是該目標區域包含了1個以上的人。這主要是由于2人穿同色的衣服貼在一起造成算法的失效。對于這種情況，需要在后期對運動目標軌跡分析中加以考慮。

5 結束語

對于公交環境中的客流目標檢測，采用一種由粗至細的方法，先把整個運動對象提取出來，再用改進的分水嶺算法結合特征分析將運動對象中的各個目標分割開來。該方法在一般情況下能較好的實現檢測目的，但是當多個目標間的灰度級相差無幾的時候就加大了后期目標跟蹤的難度。

參考文獻：

[1] Ezaki.H， Nambu.T，Ninomiya.R， Morinaga， MEstimation of liquidus temperature of Sn-based alloys and its application to the design of Pb-free solder[J]. Journal of Materials Science; Materials in Electronics May 2002 Kluwer Academic Publishers.

[2] Toth C.，Grejner-Brzezinska D.， Lovas T. (2003a): Traffic Flow Estimates from LiDAR Data[DB/CB]， Rroc. ASPRS Annual Conference， May 5-9， pp. 203-212， CD ROM.

[3] J.Rasure， R.Jordbn and R.Lotufo. Teaching image Processing with Khoros[J]. Invited paper to the First IEEE International Conference on Image Processing， ICIP-94， pp. Vol. I， Nov.13-16， 1994.

[4] R.Jordon and R. Lotulo. Digital Image Processing with Khoros 2.0 [Z]. World Wide Web Courseware， version0.1， Dec. 1994， and version0.2， June 1995， and 0.3， Aug. 1995.

[5] Special section on Image Processing in Education [A]. First IEEE International Conference on Image Processing， ICPC-94， Austin， Texas， pp. Vol.1， Nov.13-16， 1994.

[6] Fanping Bu .Pedestrian Detection in Transit Bus Application: Sensing Technologies and Safety solutions[DB]. IEEE/IEE Digital Library(IEL).

[7] M-assimo Bertozzi， Alberto Broggi， Roland Chapuis， Frederic Chausse， Alessandra Fascioli， and Amos Tibaldi. Shape- based pedestrian detection and localization(J). In Procs， IEEE Intl.Conf. on Intelligent Transportation Systems 2003， pages 328- 333， Shanghai， China， October 2003.

[8] L Khoudour， J PDeparis.Linear image sequence analysis for passengers counting in public transport [J]. Public Transport Electronic Systems， 1996.

[9] Xiaoyu Huang， Liyuan Li. Stereo-based Human Head Detection From Croud Scenes[c]， International Conference on Image Processing 2004，4.

[10] D.huang，Tommy W.S. Neural network based system for counting people[J]. IEEE/IEE Digital Library(IEL).

[11] 姚敏.數字圖像處理[M].機械工業出版社，2006.

[12] 賈永紅.數字圖像處理[M].武漢大學出版社，2003.

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。”