CN107240111B - 边沿连通分割客流统计方法 - Google Patents
边沿连通分割客流统计方法 Download PDFInfo
- Publication number
- CN107240111B CN107240111B CN201710445057.6A CN201710445057A CN107240111B CN 107240111 B CN107240111 B CN 107240111B CN 201710445057 A CN201710445057 A CN 201710445057A CN 107240111 B CN107240111 B CN 107240111B
- Authority
- CN
- China
- Prior art keywords
- image
- person
- edge
- judging whether
- bus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
- G06M11/00—Counting of objects distributed at random, e.g. on a surface
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种边沿连通分割客流统计方法,深度摄像头放置在公交车进出门正上方,截取重点区域的乘客图像,进行边缘检测得出边缘图像,再进行图像形态学处理和源深度图像进行融合求取融合后图像的连通域;依据每个连通域的形状,面积,落差比来判断是否是一个人;最终记录以上人员的坐标点和帧序号,依据欧式距离分析判别是否为同一人;根据每个人的行走路径来判断每个人是否上下车。本发明利深度摄像头,使用形态学,分层原理分割人体,记录人数,具有计算速度快和精度高的优点,克服了现有统计方法处理速度慢或容易误判的问题,使智能公交***对乘客的智能化统计更加易于实现。
Description
技术领域
本发明属于公共交通工具客流统计管理技术领域,具体设计一种边沿连通分割客流统计方法。
背景技术
目前,公交车多数仍沿用传统的客流统计方法,通常采用人工统计的方法来取得客流量数据,虽然精度可以满足要求,但是消耗人力、财力,且不具备***性和全面性。刷卡机、投币机等接触式设备,虽然脱离了人工,但是一般只能一次通过一人,且无法满足较高的精度和同时统计上、下车人数的要求。而现在应用最广泛的红外线检测***,此类***为非接触式,相比接触式设备,有了很大的提高。但在实际运行中,当多个乘客连续或同时通过红外装置时,就会出现遮挡,单个乘客在检测目标区域暂时的停留,或者躯体和携带物品的干扰,也会对统计的精准度产生影响。
近几年,随着政府对智能公交事业投入力度的加大,我国智能公交***已经初部发展,而客流计数***是重要组成部分,如何能够为公交公司提供更加实时、清楚、准确的乘客交通统计数据已成为运营商的准求目标。
与智能公交***相结合的客流计数***中,有一种在车门门头位置安装客流统计终端单独进行统计分析,这些统计方式或者设备成本较高、安装难度大,或者只能针对单人次统计的简单情况,而在各种技术各自为战的情况下,这些缺点总会不可避免。对于运动目标检测,传统方法主要有背景差法、帧差法和光流法。背景法主要应用于背景变化不大或者变化较为缓慢的环境,在目标进入摄像机范围之前,提取背景图,目标进入之后,用当前图像减去背景图,得到运动目标。背景更新是背景法的重点,目前主要有单高斯和混合高斯背景模型法。公交车上由于每个站台环境不一样,而且受光线和遮挡影响非常大,所以不适于采用背景差法。帧差法虽然受光线影响不大,但是在拥挤的时候,多个乘客容易粘连在一起,如何将单独乘客分割出来是一个难题。考虑到即使拥挤的时候,乘客的头部也很少靠在一起,所以以头部作为计数目标易于实现。目前有许多学者采用边缘提取和 Hough 变化寻找人头,该方法计算量大,占用存储空间也较大。另外,目前的形态学客流统计方法对人员的头部特征要求比较高。出现马尾辫,戴帽子,弯腰形成的头部椭圆的形状都有较高的误差率。
光流法在检测运动目标中具有其优势:可以在不知道任何场景信息的情况下,检测出运动目标。目前基于梯度的光流计算方法得到了广泛的应用。采用光流法进行运动物体检测的问题主要在于光流法计算耗时,实时性和实用性都较差,纯粹采用光流法检测运动目标不太实际,但是可以将光流计算方法和其他方法相结合来检测运动目标。
发明内容
本发明针对目前公交车客流统计的现状和问题,提供一种边沿连通分割客流统计方法,使用kinect深度摄像头,采用形态学分层原理分割人体,记录人数,达到客流统计的目的。
采用的技术方案:一种边沿连通分割客流统计方法,深度摄像头放置在公交车进出门正上方,乘客上下车通过摄像头;其特征在于,包括以下步骤:
第1步骤:安装并调整使摄像头距离车门底部2-2.5米,截取每个乘客从车底部向上120-190cm高度范围形成的图像。
第2步骤:根据所截取的图像高度落差梯度变化情况进行边缘检测,得出边缘图像。
第3步骤:由图像高度落差形成的边缘图像,进行图像形态学处理,处理后的边缘图像和原深度图像进行融合(原深度图像就是原有的图像,没有进行过处理的图像);图像边缘是二值化后的图像,数据大小为0和1。又进行了形态学处理,边缘为0 ,和原图像进行与操作。最终得到各个目标物清晰边缘的分割图像,由于边缘图像进行了形态学处理,故而融合后的处理,主要突出了主体部分,细枝末节都得到了弱化。
第4步骤:求取融合后图像的连通域T;
第5步骤:筛选出面积大于特定阈值T0的连通域区域T’(即为目标物),针对每个连通域进行边缘距离弱化;(边缘距离:连通域中每个边缘在x方向和y方向到另一个边缘点的个数。将满足(Sumx<THRx Sumy<THRy)的方向上的所有点置为0;依据变化后的每个图像的连通域T’的形状,面积,落差比来判断是否是一个人;
第6步骤:根据第5步骤的判断结果,若是一个人,记录一个人的形状中心点,作为标记Pi;
第7步骤:根据第5步骤的判断结果,若不是一个人的情况,则跳过,进行分割区域处理:根据灰度均值,进行问题连通域T1分层处理,然后再进行第4步骤处理;(一般情况下,会出现两人身高类似,行走并行的情况)。
第8步骤:记录以上被检测人员的坐标点M和帧序号N,依据欧式距离分析判别是否为同一人,并得出每个人的行走路径;
第9步骤:依据第8步骤得出来的每个人的行走路径来判断每个人是否上下车。
有益效果:本发明利用kinect深度摄像头使用形态学分层原理分割人体,记录人数,该方法简单实用,在公交车客流统计实践中,得到了较好的准确度。并且保持了实时性。依据目前的形态学客流统计方法,对人员的头部特征要求比较高。出现马尾辫,戴帽子,弯腰形成的头部椭圆的形状都有较高的误差率。而此方法完全规避了这些问题的形成。提高了准确度。
具体实施方式
本发明所采用的边缘连通分割客流统计方法需要将kinect深度摄像头放置在公交车进出门正上方,根据乘客上下车通过摄像头的过程,通过深度摄像头采集的图像进行分析后确定统计人数。利用深度摄像头采集图像后进行分析的具体步骤如下:
第1步骤:安装并调整使摄像头距离车门底部约2.3米,截取每个经过门口的乘客由车底部向上120-190cm高度范围形成的图像集Sn=A1,A2,......,An;
第2步骤:根据每个图像的高度落差梯度变化情况分别进行边缘检测,得出边缘图像集Qn。
Gx= (-1)*f(x-1, y-1) + 0*f(x,y-1) + 1*f(x+1,y-1)
+(-2)*f(x-1,y) + 0*f(x,y)+2*f(x+1,y)
+(-1)*f(x-1,y+1) + 0*f(x,y+1) + 1*f(x+1,y+1)
= [f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]
Gy=1* f(x-1, y-1) + 2*f(x,y-1)+ 1*f(x+1,y-1)
+0*f(x-1,y) 0*f(x,y) + 0*f(x+1,y)
+(-1)*f(x-1,y+1) + (-2)*f(x,y+1) + (-1)*f(x+1, y+1)
=[f(x-1,y-1) + 2f(x,y-1) + f(x+1,y-1)]-[f(x-1, y+1) + 2*f(x,y+1)+f(x+1,y+1)]
其中Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值,f(a,b), 表示图像(a,b)点的灰度值。
图像的每一个像素的横向及纵向灰度值通过以下公式结合,来计算该点灰度的大小:
通常,为了提高效率 使用不开平方的近似值:
如果梯度G大于某一阀值 则认为该点(x,y)为边缘点。对应该点的图像为边缘图像。
第3步骤:由图像高度落差形成的边缘图像集Qn,分别进行图像形态学处理,和原深度图像进行融合;Wn=~Qn&&Sn.将边缘图像取反后和原图像进行与运算。融合后的图像Wn根据大于0为1的原则进行二值化处理,接着将Wn进行腐蚀操作。Qn进行形态学腐蚀运算erosion。
第4步骤:求取融合后图像的连通域T;
第5步骤:筛选出面积大于特定阈值的连通域区域(即为目标物),针对每个连通域进行边缘距离弱化;(边缘距离:连通域中每个边缘在x方向和y方向到另一个边缘点的个数。将满足(Sumx<THRx Sumy<THRy)的方向上的所有点置为0;
第6步骤:根据第5步骤的判断结果,若是一个人,记录一个人的形状中心点,作为标记;
第7步骤:根据第5步骤的判断结果,如果不是目标物,则跳过分析判断;
第8步骤:记录以上记录人员的坐标点和帧序号,依据欧式距离分析判别是否为同一人;
第9步骤:依据第8步骤得出来的每个人的行走路径来判断每个人是否上下车。
Claims (2)
1.一种边沿连通分割客流统计方法,深度摄像头放置在公交车进出门正上方,乘客上下车通过摄像头;其特征在于,包括以下步骤:
第1步骤:安装并调整使摄像头距离车门底部2-2.5米,截取每个乘客从车底部向上120-190cm高度范围形成的图像I;
第2步骤:根据所截取的图像高度落差梯度变化情况进行边缘检测,得出边缘图像,
Gx= (-1)*f(x-1, y-1) + 0*f(x,y-1) + 1*f(x+1,y-1)
+(-2)*f(x-1,y) + 0*f(x,y)+2*f(x+1,y)
+(-1)*f(x-1,y+1) + 0*f(x,y+1) + 1*f(x+1,y+1)
=[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]
Gy=1* f(x-1, y-1) + 2*f(x,y-1)+ 1*f(x+1,y-1)
+0*f(x-1,y) 0*f(x,y) + 0*f(x+1,y)
+(-1)*f(x-1,y+1) + (-2)*f(x,y+1) + (-1)*f(x+1, y+1)
=[f(x-1,y-1) + 2f(x,y-1) + f(x+1,y-1)]-[f(x-1, y+1) + 2*f(x,y+1)+f(x+1,y+1)]
其中Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值,f(a,b)表示图像(a,b)点的灰度值;
图像的每一个像素的横向及纵向灰度值通过以下公式结合,来计算该点灰度的大小:
通常,为了提高效率 使用不开平方的近似值:
如果梯度G大于某一阀值 则认为该点(x,y)为边缘点;对应该点的图像为边缘图像;
第3步骤:由图像高度落差形成的边缘图像,进行图像形态学处理,处理后的边缘图像E’和原深度图像I进行融合;最终得到各个目标物清晰边缘的分割图像E,由于边缘图像进行了形态学处理,故而融合后的处理,主要突出了主体部分,细枝末节都得到了弱化;
第4步骤:求取融合后分割图像E的连通域T;
第5步骤:筛选出面积大于特定阈值T0的连通域区域T’,针对每个连通域T’进行边缘距离弱化;依据变化后的每个图像的连通域T’的形状,面积,落差比来判断是否是一个人;
第6步骤:根据第5步骤的判断结果,若是一个人,记录一个人的形状中心点,作为标记Pi;
第7步骤:根据第5步骤的判断结果,若不是一个人的情况,进行分割区域处理:根据灰度均值,进行问题连通域T1分层处理,然后再进行第4步骤处理;第8步骤:记录以上被检测人员的坐标点M和帧序号N,依据欧式距离分析判别是否为同一人,并得出每个人的行走路径;
第9步骤:依据第8步骤得出来的每个人的行走路径来判断每个人是否上下车。
2.根据权利要求1所述的边沿连通分割客流统计方法,其特征在于,第3步骤中,图像边缘是二值化后的图像,数据大小为0和1;又进行了形态学处理,边缘为0 ,再和原图像进行与操作,最终得到各个目标物清晰边缘的分割图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710445057.6A CN107240111B (zh) | 2017-06-14 | 2017-06-14 | 边沿连通分割客流统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710445057.6A CN107240111B (zh) | 2017-06-14 | 2017-06-14 | 边沿连通分割客流统计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107240111A CN107240111A (zh) | 2017-10-10 |
CN107240111B true CN107240111B (zh) | 2021-03-26 |
Family
ID=59987618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710445057.6A Active CN107240111B (zh) | 2017-06-14 | 2017-06-14 | 边沿连通分割客流统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107240111B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977612A (zh) * | 2017-11-21 | 2018-05-01 | 中国电影科学技术研究所 | 一种红外图像人数识别方法 |
CN109766865B (zh) * | 2019-01-19 | 2021-02-26 | 郑州天迈科技股份有限公司 | 一种分水岭、多区域局域融合和特征跟踪的客流统计方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106371599A (zh) * | 2016-09-08 | 2017-02-01 | 清华大学 | 深度图像中的高精度指尖定位方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100965129B1 (ko) * | 2008-08-11 | 2010-06-23 | (주)제이티 | 보행자 검지 및 보행밀도 계산방법 |
CN101527046B (zh) * | 2009-04-28 | 2012-09-05 | 青岛海信数字多媒体技术国家重点实验室有限公司 | 一种运动检测方法、装置和*** |
CN101847265A (zh) * | 2010-04-20 | 2010-09-29 | 上海理工大学 | 一种在公交客流统计***中使用的运动目标提取及多目标分割方法 |
CN102252623B (zh) * | 2011-06-24 | 2013-03-06 | 西安工程大学 | 基于视频差异分析的输电线路导/地线覆冰厚度测量方法 |
CN102819749B (zh) * | 2012-07-23 | 2016-08-03 | 西安体育学院 | 一种基于视频分析的足球越位自动判别***和方法 |
CN103279755A (zh) * | 2013-03-25 | 2013-09-04 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于汽车底部阴影特征的快速车牌定位方法 |
CN103927526B (zh) * | 2014-04-30 | 2017-02-15 | 长安大学 | 一种基于高斯差分多尺度边缘融合的车辆检测方法 |
CN104268506B (zh) * | 2014-09-15 | 2017-12-15 | 郑州天迈科技股份有限公司 | 基于深度图像的客流计数检测方法 |
CN106327464A (zh) * | 2015-06-18 | 2017-01-11 | 南京理工大学 | 一种边缘检测方法 |
CN105741549B (zh) * | 2016-04-18 | 2017-12-05 | 北京航空航天大学 | 一种基于空间copula理论的交通流量预测方法 |
CN106778638B (zh) * | 2016-12-19 | 2019-12-13 | 江苏慧眼数据科技股份有限公司 | 一种基于人头检测的客流统计方法 |
-
2017
- 2017-06-14 CN CN201710445057.6A patent/CN107240111B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106371599A (zh) * | 2016-09-08 | 2017-02-01 | 清华大学 | 深度图像中的高精度指尖定位方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于网格映射的虚拟视点合成;姚莉等;《***仿真学报》;20161031;第28卷(第10期);第2321-2328页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107240111A (zh) | 2017-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106910203B (zh) | 一种视频监测中运动目标的快速检测方法 | |
CN105718870B (zh) | 自动驾驶中基于前向摄像头的道路标线提取方法 | |
CN104933710B (zh) | 基于监控视频下的商店人流轨迹智能分析方法 | |
CN103971380B (zh) | 基于rgb-d的行人尾随检测方法 | |
Saha et al. | License Plate localization from vehicle images: An edge based multi-stage approach | |
CN102915433B (zh) | 基于字符组合的车牌定位和识别方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN103839279A (zh) | 一种目标检测中基于vibe的粘连目标分割方法 | |
CN106446926A (zh) | 一种基于视频分析的变电站工人安全帽佩戴检测方法 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN102521565A (zh) | 低分辨率视频的服装识别方法及*** | |
CN103093249A (zh) | 一种基于高清视频的出租车识别方法及*** | |
CN106530281A (zh) | 基于边缘特征的无人机图像模糊判断方法及*** | |
CN105893962A (zh) | 一种机场安检卡口人流统计方法 | |
Prabhakar et al. | A novel design for vehicle license plate detection and recognition | |
CN105389561B (zh) | 一种基于视频的公交车道检测方法 | |
CN104504377A (zh) | 一种公交车乘客拥挤程度识别***及方法 | |
CN111753651A (zh) | 一种基于车站二维人群密度分析的地铁群体异常行为检测方法 | |
CN105224945B (zh) | 一种基于联合检测与辨识算法的车标识别方法 | |
CN105005773A (zh) | 一种融合时域信息和空域信息的行人检测方法 | |
CN103400113A (zh) | 基于图像处理的高速公路隧道行人检测方法 | |
CN103489012A (zh) | 一种基于支持向量机的人群密集度检测方法及*** | |
CN107240111B (zh) | 边沿连通分割客流统计方法 | |
Satzoda et al. | Robust extraction of lane markings using gradient angle histograms and directional signed edges | |
CN106446929B (zh) | 基于边缘梯度势能的车辆类型检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |