基于機器視覺的地鐵站點客流檢測系統設計

鄭凱，王娟娟，謝國坤，王冠軍

(西安交通工程學院，陜西 西安 710300)

0 引言

當前，隨著城市軌道交通技術的發展，地鐵作為人們日常出行的重要交通工具，在緩解城市交通壓力、促進區域經濟發展等方面發揮著重要作用。而地鐵客流作為影響城市軌道交通運行與布局的重要因素，客流的有效檢測對城市軌道交通的整體布局與客運調度起著十分重要的作用。傳統的紅外檢測、大數據分析等[1-3]方法，易受外部環境或個別樣本誤差的干擾而造成較大的檢測誤差。本文基于機器視覺技術，從客觀事物的圖像中獲取有用信息，并對采集的圖像進行背景提取、閾值分割、降噪處理，通過對人物像素點的提取與統計，完成對地鐵站點客流的檢測。機器視覺不僅排除了人為主觀因素的干擾，同時降低了外部環境及個別樣本誤差對整個檢測結果的影響，提高了檢測精度與效率，因此具有一定的應用價值。

1 客流檢測的方案設計

本客流檢測系統將攝像裝置安裝于客流較為集中、客流速度較為緩慢的地鐵站點進站檢票口正上方，其分布與結構如圖1所示。

圖1 檢測系統的布局

攝像機的選擇和安裝決定了所獲取圖像的質量，故選擇了穩定性高的工業攝像機。設攝像機安裝高度為h，攝像機視角為α，安裝時攝像機的水平俯視角度為β。

為了能夠有效覆蓋整個檢票通道，獲取足夠的目標信息，攝像機安裝的水平俯視角度β與攝像機視角α的關系應基本滿足[4-5]下式：

(1)

由式(1)可知，攝像機視角α的取值約為50°，攝像機的水平俯視角度β取值約為40°。同時，由于地鐵站點內部的空間高度一般在4～5m，因此攝像機安裝高度h與地鐵站點內部的空間高度基本相同，即可滿足檢測需求。

2 檢測系統的圖像處理

1)背景的提取與更新

對客流目標進行檢測的過程中，良好的圖像背景是進行目標識別的重要基礎。通過背景提取有效地區分了檢測目標與圖像背景間的范圍。本文采用了算術平均法[6-7]提取背景圖像，即在特定的時間區間內取像素點亮度與色彩信息的平均值，并以這個均值作為背景圖像對應像素點的值，進而達到濾除背景圖像中突變噪聲點的目的，其數學模型如下[8-9]：

(2)

式中：B(x,y)表示背景圖像；Ii(x,y)表示第i幀序列圖像；N表示平均幀數。

選取N=60，并進行MATLAB仿真，從序列圖像的第1、20、40、60幀可以看出，在第1幀至第60幀存在少量的檢測目標，如圖2所示。文中利用算術平均法對連續60幀的值進行計算，得到了背景圖像，如圖3所示。

圖2 相應各幀的圖像

圖3 算術平均法提取的背景圖像

由圖2、圖3可知，采用算術平均法獲得了較高質量的背景圖像。同時，由背景提取獲取的圖像可以作為新的信息量，參與到新一輪的統計平均或加權平均之中，進而實現了背景的自適應更新。因此采用算術平均法提取背景圖像滿足本文的需求。

2)圖像的二值化處理

在實際應用中，攝像機多處于固定狀態。因此，假設攝像機固定且只對視場內的目標進行檢測，離開視場后再次進入的物體則視為新目標。本文采用了背景幀差法[10-11]進行目標圖像的檢測。若設二維數字圖像的平面坐標為(x,y)，則基于背景幀差法的二值化數學模型為：

Di(x,y)=|Ii(x,y)-Bi(x,y)|

(3)

(4)

式中：Ii(x,y)為圖像序列中當前幀的灰度圖像；Bi(x,y)為當前幀背景的灰度圖像；Mi(x,y)為相減后的二值化結果；T為相減后灰度圖像的閾值。

由于地鐵站點的內部環境較為穩定，基本不受外部環境等因素的打擾。因此選取了固定閾值T=20，并進行了MATLAB仿真，其圖像處理的結果如圖4所示。

圖4 背景幀差后的圖像

由圖4可知，背景幀差法有效地檢測出了運動目標，并在一定程度上對噪聲起到了抑制作用。同時由圖4可知，背景幀差法雖然較為清晰地獲取了人物的輪廓，但在復雜背景中依然存在一定數量的噪聲點。因此，還需要對背景幀差后得到的二值化圖像進行降噪處理。

3)圖像的形態學濾波

由圖4可知，背景中存在物體小幅度晃動、光線變化以及戴有口罩等不確定性的因素，這些因素使檢測圖像產生了較多的噪聲點。本文對背景差分后的二值化圖像進行了形態學濾波[12]，采用了腐蝕法，通常X被B腐蝕的定義為

XΘB={z|(B)z?A}

(5)

式中：X為圖像矩陣；B為結構元素矩陣。

在進行數學形態學運算時，用B對X進行操作。其圖像的形態學濾波結果如圖5所示。

圖5 形態學濾波后的圖像

由圖5可知，通過對背景幀差法得到的二值化圖像進行形態學濾波進一步降低了噪聲的干擾，并獲得了更加清晰的人物整體輪廓，并為后續檢測軟件的設計提供了有效的人物像素點信息。

3 檢測系統的設計與結果分析

1)檢測軟件的設計流程

本文基于背景幀差的客流檢測算法進行了客流檢測的軟件設計?？土鳈z測的軟件設計流程如圖6所示。

圖6 客流檢測的軟件設計流程

2)檢測系統的軟件設計

本文利用Python環境[13]開發了相應的客流檢測軟件，通過對人物像素點的分析與統計完成客流檢測。客流檢測軟件界面如圖7所示。

圖7 客流檢測軟件界面

4 檢測實驗與結果分析

1)客流檢測實驗

以圖7客流檢測軟件為基礎導入實驗視頻，部分檢測結果分別如圖8、圖9所示。

圖8 客流較分散時的檢測畫面

圖9 客流較集中時的檢測畫面

由圖8、圖9可知，通過客流檢測軟件，實現了對實驗樣本中人物信息的檢測。

2)實驗結果分析

基于客流檢測系統，在進行多次實驗的基礎上，對檢測數據進行了統計。客流檢測的實驗結果如表1所示。

表1 客流檢測的實驗結果

由表1的實驗結果可知，在面對少量實驗樣本(人數)時檢測率較高，而隨著檢測樣本(人數)的增加，在檢測過程中雖出現了一定的漏檢現象，但通過實驗表明本系統能夠有效獲取目標信息，檢測率高于90.00%，達到了設計目標。

5 結語

本文以城市軌道交通客流檢測為背景，以準確識別與檢測客流為目標；以機器視覺技術為手段：以客觀圖像為研究對象。通過背景提取與更新、二值化、降噪、濾波與增強，獲取了客觀人物整體像素點信息。利用Python環境開發了相應的客流檢測軟件，并將其用于客流檢測。最終通過對檢測軟件結果的分析，證明所設計的客流檢測系統能夠在復雜背景中有效獲得人物信息。實驗結果表明檢測準確率高于90.00%，達到了本次設計的目標，具有一定的應用價值。