基于圖像特征提取的地鐵客流量自動統計系統

孫 佩，胡小敏

(西安交通工程學院交通運輸學院，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展，隨著城市地鐵網絡的逐步擴大與完善，未來地鐵運行與停靠站管理將向著智能化、人性化方向發展[1-2]。常規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行方案可以快速輸送往返于中心城區與郊區之間的客流，能夠通過減少停站數目提高列車旅行速度，達到縮短長距離出行乘客旅行時間的目的[3]。而非站站停車運行方案需要基于對地鐵客流的準確統計及客流擁擠程度的評估，合理布局停車策略，對客流量的統計是地鐵站點管理的前提準備條件。

地鐵走廊、候車區、車廂等部位的客流量統計數據及擁擠程度評估，對地鐵規劃及站點停靠布局具有重要指導意義，也是進行地鐵站點科學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地鐵系統中的狀態。由于監控系統的普及，視頻圖像能夠全面且實時地反映地鐵在不同空間及時間段的運行狀態[4-5]。基于圖像特征提取的客流統計方法能夠實現對地鐵客流的精準估計，準確反映地鐵客流的時空分布情況，為地鐵車輛運行管理及停靠站點布局提供數據支撐。

本文在傳統圖像特征提取方法的基礎上，利用小波變換及灰度閾值預處理方法，濾除圖像中的灰度突變像素點，降低乘客流動對統計準確度的影響，從而提升乘客客流自動統計精度。

1 客流識別與統計原理

客流統計流程如圖1所示[6]。首先，通過地鐵走廊、候車區、車廂等位置安置的監控攝像頭獲取視頻原始數據，然后對圖像數據進行分割處理，獲得適應于圖像處理與分析算法的子域圖像。通過圖像數據的多層分解，提取圖像細節特征值，將圖像特征與人體特征參考模型比對，以實現對客流人數的判斷與統計。最終對獲取的客流估計量進行分析，對當前的地鐵客流擁擠情況及客流分布情況進行評估。

圖1 客流統計流程

客流識別與估計的關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，圖像分割函數可表示為

(2)

(3)

對式(3)進行逆變換，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節特征，將提取的特征值與人體參考特征值進行比對。如果比對結果達到匹配閾值，則客流計數器進行累加，通過逐次比對實現對客流量的估計。

由于選取的分割函數為正交變換函數，其公式簡單、運算速度高，可對圖像進行多層次分解與準確特征提取[8]。

但是，因為地鐵中的客流是動態移動的，監控設備所獲得的圖像中，圖像幀之間的灰度值易發生突變，干擾了特征提取的準確性，從而降低了客流統計精度。

2 特征提取優化算法

為了降低客流移動過程中，像素灰度突變對統計精度的影響，在進行特征提取之前，對圖像數據進行小波分解與像素灰度特征閾值判別，對像素進行篩選，剔除灰度突變的干擾像素點，從而提升特征提取精度。

首先對圖像進行劃分，獲得大量的圖像子區域，圖像劃分公式為[9]：

(5)

Ru(b)=R(bk)-R(al)k≤l,u=1,2,…,P

(6)

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

然后對劃分的子區域進行小波變換，選取的小波變換函數為

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為[10]

(8)

k=1,2,…,P；h為灰度變換的參數；hk為第k個子區域的梯度系數值。圖像各個子區域的灰度閾值公式為

(9)

vk為第k個子區域的閾值影響系數。在進行圖像特征值提取前，設定灰度閾值，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是否為圖像的特征點，從而實現對圖像像素的預處理，抑制像素灰度值突變對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，可對圖像像素進行篩選，對于大于閾值的像素點，認定為特征點，否則認定為非特征點。通過圖像像素點的預處理篩選，實現對灰度值突變像素點的抑制，從而提升圖像特征提取精度，以提升客流統計的準確性。

3 客流統計系統組成

為實現對地鐵過道、候車區、車廂等位置的客流量統計與客流擁堵情況評估，需要構建完整的視頻采集及處理系統。系統硬件組成框架如圖2所示，主要包括前端視頻監控終端、圖像采集卡、圖像處理器、無線通信和遠程PC端等部分，可實現對圖像的獲取、處理、客流分析與統計、客流評估，以及數據傳輸等功能。這里重點介紹關鍵圖像處理芯片及軟件平臺的選取，其他部分可根據實際需求進行選擇[11-13]。

圖2 客流統計系統結構

3.1 圖像處理芯片選取

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

圖3 圖像處理芯片構架

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處理器、DSP內核和ARM內核，DSP內核工作頻率達594 MHz，ARM內核工作頻率為297 MHz。同時，該芯片具備視頻處理系統，配備視頻輸入輸出接口，內置較大的存儲空間，DDR存儲空間為512 MB，同時可外擴存儲空間，為圖像處理與運算提供了充足的運算速度與存儲空間。

3.2 軟件開發平臺

系統選用的主要軟件平臺為Microsoft Visual Studio，主要涉及的程序函數包括OpenCV接口函數和特征提取運算接口函數。其中，OpenCV是一個開源計算機視覺庫[15]，提供了大量的API接口函數，大幅度提升了軟件開發效率。OpenCV結構如圖4所示。

圖4 OpenCV結構

由圖4可知，OpenCV結構主要由5個模塊構成，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，通過適當的改進和移植，可很好地運用于DSP和ARM嵌入式系統中。其中，HighGUI函數庫提供了攝像頭交換模塊，可實現對圖像的載入與保存，同時可添加鼠標、滑動條等人機交換組件；CvCore函數庫提供了基本數據類型，實現對不同圖像數據類型的定義及相關關系解釋；CvAux提供了大量的算法函數接口，可完成圖像的預處理工作，提升圖像處理的開發效率。

4 實驗對比結果

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

為對比改進型算法與傳統算法在地鐵客流量統計方面的效果，取某地鐵站候車區域的人流量作為實驗對象，如圖6所示。

2種算法對該區域的客流統計結果如表1所示。由表1可以看出，通過統計算法改進，利用像素閾值預處理算法，實現對圖像灰度值突變像素的抑制，從而降低乘客動態移動對識別與統計準確率的干擾，與傳統統計算法相比，客流統計準確率得到明顯提升，統計誤差僅為傳統方案的39.8%，驗證了該改進算法的有效性。

圖5 圖像特征提取對比

圖6 地鐵候車區客流量

表1 客流統計對比結果

5 結束語

地鐵客流統計對未來地鐵運行管理及列車站點停靠策略制定具有重要指導意義，是疏導地鐵客流與緩解交通擁堵的重要參考數據。本文在傳統特征提取的基礎上，對圖像數據進行預處理，抑制了乘客流動造成的灰度突變像素的影響，提升了客流統計的準確度。實驗測試結果表明了改進方案的有效性，此方案具有一定的工程應用價值。