CN108764017B - 公交客流统计方法、装置及*** - Google Patents
公交客流统计方法、装置及*** Download PDFInfo
- Publication number
- CN108764017B CN108764017B CN201810288942.2A CN201810288942A CN108764017B CN 108764017 B CN108764017 B CN 108764017B CN 201810288942 A CN201810288942 A CN 201810288942A CN 108764017 B CN108764017 B CN 108764017B
- Authority
- CN
- China
- Prior art keywords
- head position
- tracking
- current
- image
- position value
- 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
- 238000007619 statistical method Methods 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 147
- 238000012545 processing Methods 0.000 claims abstract description 140
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 39
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012706 support-vector machine Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000009466 transformation Effects 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种公交客流统计方法、装置及***，其中，所述方法包括以下步骤：依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，得到各结果匹配度；获取大于或等于预设匹配度的结果匹配度对应的第一跟踪对象的当前第一人头位置数值，并将当前第一人头位置数值更新为匹配的检测对象的检测人头位置数值；记录当前第一人头位置数值的更新次数；通过跟踪算法处理跟踪队列中的各第二跟踪对象；并根据跟踪处理结果，将第二跟踪对象的当前第二人头位置数值更新为跟踪处理结果的跟踪人头位置数值；处理各当前第一人头位置数值和各当前第二人头位置数值，得到客流统计结果。本方法能够实现提高客流统计的运行速度，减小误检率。
Description
技术领域
本发明涉及数据统计技术领域，特别是涉及一种公交客流统计方法、装置及***。
背景技术
随着社会的发展，以及城镇化进程的不断提高，城镇人口越来越多，机动车也不断增多，容易引起道路拥堵等情况。而公交车作为城镇载客流量大的重要公共交通工具之一，其智能化管理水平直接关系着城镇的交通运行情况。收集并分析公交客流统计数据，有助于合理安排公交车辆调度，提高公交智能化。目前，主要是通过人工统计方法实现对公交车客流的统计。
在实现过程中，发明人发现传统技术中至少存在如下问题：传统的对公交车客流统计，检测量较大，难以全面覆盖，误检率较大。
发明内容
基于此，有必要针对传统的对公交车客流统计误检率较大的问题，提供一种公交客流统计方法、装置及***。
为了实现上述目的，本发明实施例提供了一种公交客流统计方法，包括以下步骤：
依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，得到各结果匹配度；检测对象为通过人头检测训练模型处理当前车门处图像得到的当前人头位置图像；第一跟踪对象为通过人头检测训练模型处理当前车门处图像得到的初始人头位置图像；
获取大于或等于预设匹配度的结果匹配度对应的第一跟踪对象的当前第一人头位置数值，并将当前第一人头位置数值更新为匹配的检测对象的检测人头位置数值；记录当前第一人头位置数值的更新次数；
通过跟踪算法处理跟踪队列中的各第二跟踪对象；并根据跟踪处理结果，将第二跟踪对象的当前第二人头位置数值更新为跟踪处理结果的跟踪人头位置数值；第二跟踪对象为跟踪队列中当前未更新人头位置数值、且更新次数大于预设次数的第一跟踪对象；
处理各当前第一人头位置数值和各当前第二人头位置数值，得到客流统计结果。
在其中一个实施例中，处理各当前第一人头位置数值和各当前第二人头位置数值，得到客流统计结果的步骤包括：
在第一跟踪对象的初始位置数值小于上车线阈值且当前第一人头位置数值大于上车线阈值、或第二跟踪对象的初始位置数值小于上车线阈值且当前第二人头位置数值大于上车线阈值时，累计上车客流数据，得到上车客流统计结果；
在第一跟踪对象的初始位置数值大于下车线阈值且当前第一人头位置数值小于下车线阈值、或第二跟踪对象的初始位置数值大于下车线阈值且当前第二人头位置数值小于下车线阈值时，累计下车客流统计数据，得到下车客流统计结果。
在其中一个实施例中，依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，得到各结果匹配度的步骤之前包括：
对获取到的原始车门处图像进行灰度处理，得到灰度图像；对灰度图像进行Gamma校正，得到当前车门处图像。
在其中一个实施例中，对灰度图像进行Gamma校正，得到当前车门处图像的步骤之后包括：
对当前车门处图像进行大小变换，得到若干变换图像；
通过预设检测窗口依次对各变换图像进行HOG特征算法处理，得到若干图像特征数据；
通过SVM分类器处理各图像特征数据，得到若干检测对象和若干第一跟踪对象。
在其中一个实施例中，处理各当前第一人头位置数值和各当前第二人头位置数值，得到客流统计结果的步骤之前包括：
通过跟踪算法处理跟踪队列中的各第三跟踪对象；并根据跟踪处理结果，将第三跟踪对象的当前第三人头位置数值更新为跟踪处理结果的跟踪人头位置数值；第三跟踪对象为跟踪队列中当前未更新人头位置数值、且人头位置差值大于预设移位数值的第一跟踪对象；人头位置差值为通过差值运算处理当前第一人头位置数值与检测人头位置数值得到的差值。
在其中一个实施例中，还包括以下步骤：
删除跟踪队列中更新次数小于或等于预设次数、且人头位置差值小于或等于预设移位数值的第一跟踪对象。
在其中一个实施例中，通过跟踪算法处理各第二跟踪对象的步骤包括：
通过KCF跟踪算法处理各第二跟踪对象。
另一方面，本发明实施例还提供了一种公交客流统计装置，包括：
对象匹配单元，用于依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，得到各结果匹配度；检测对象为通过人头检测训练模型处理当前车门处图像得到的当前人头位置图像；第一跟踪对象为通过人头检测训练模型处理当前车门处图像得到的初始人头位置图像；
第一人头位置更新单元，用于获取大于或等于预设匹配度的结果匹配度对应的第一跟踪对象的当前第一人头位置数值，并将当前第一人头位置数值更新为匹配的检测对象的检测人头位置数值；记录当前第一人头位置数值的更新次数；
第二人头位置更新单元，用于通过跟踪算法处理跟踪队列中的各第二跟踪对象；并根据跟踪处理结果，将第二跟踪对象的当前第二人头位置数值更新为跟踪处理结果的跟踪人头位置数值；第二跟踪对象为跟踪队列中当前未更新人头位置数值、且更新次数大于预设次数的第一跟踪对象；
客流统计单元，用于处理各当前第一人头位置数值和各当前第二人头位置数值，得到客流统计结果。
另一方面，本发明实施例还提供了一种公交客流统计***，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述公交客流统计方法的步骤。
在其中一个实施例中，还包括连接处理器的摄像仪、显示器。
另一方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的公交客流统计方法。
上述技术方案中的一个技术方案具有如下优点和有益效果：
依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，得到各结果匹配度；获取大于或等于预设匹配度的结果匹配度对应的第一跟踪对象的当前第一人头位置数值，并将当前第一人头位置数值更新为匹配的检测对象的检测人头位置数值；记录当前第一人头位置数值的更新次数；通过跟踪算法处理跟踪队列中的各第二跟踪对象；并根据跟踪处理结果，将第二跟踪对象的当前第二人头位置数值更新为跟踪处理结果的跟踪人头位置数值；处理各当前第一人头位置数值和各当前第二人头位置数值，得到客流统计结果，实现客流统计。基于检测算法为主，跟踪算法为辅，在检测不到的情况下，启用跟踪算法对检测不到的目标进行跟踪，减少客流统计的计算量，提高运行速度，减小误检率。
附图说明
图1为一个实施例中公交客流统计方法的应用环境图；
图2为一个实施例中公交客流统计方法的流程示意图；
图3为一个实施例中客流统计步骤的流程示意图；
图4为一个实施例中图像预处理步骤的流程示意图；
图5为一个实施例中人头图像获取步骤的流程示意图；
图6为一个实施例中人头图像获取步骤的流程结构图；
图7为另一个实施例中公交客流统计方法的流程示意图；
图8为一个实施例中公交客流统计方法的流程结构图；
图9为一个实施例中跟踪判断步骤的流程结构图；
图10为一个实施例中跟踪处理步骤的流程结构图；
图11为一个实施例中原始车门处图像的示意图；
图12为一个实施例中公交客流统计装置的结构框图；
图13为一个实施例中公交客流统计***的内部结构图；
图14为另一个实施例中公交客流统计***的结构示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请提供的公交客流统计方法，可以应用于如图1所示的应用环境中。其中，服务器102通过网络连接公交摄像仪104。服务器102可依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，得到各结果匹配度；获取大于或等于预设匹配度的结果匹配度对应的第一跟踪对象的当前第一人头位置数值，并将当前第一人头位置数值更新为匹配的检测对象的检测人头位置数值；记录当前第一人头位置数值的更新次数；通过跟踪算法处理跟踪队列中的各第二跟踪对象；并根据跟踪处理结果，将第二跟踪对象的当前第二人头位置数值更新为跟踪处理结果的跟踪人头位置数值；处理各当前第一人头位置数值和各当前第二人头位置数值，得到客流统计结果。其中，服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器102可以但不限于是各种个人计算机和笔记本电脑。公交摄像仪102可以是有线摄像仪，也可以是无线摄影仪。
传统的对公交客流统计主要有：1、基于人工统计：操作人员通过观看摄像头远程监控记录上下车客流人数。但具有如下缺点：无法全面覆盖，只能抽样记录；耗费大量人力成本。2、基于霍夫圆变换和卡尔曼预测：利用霍夫圆变换检测乘客头部，并通过卡尔曼预测对头部进行跟踪，通过分析运行轨迹判断上下车人数。但具有如下缺点：存在类圆的区域，造成误检；参数设置较多，无法应对复杂环境。3、基于行人检测：通过背景差分提取行人目标，对行人的运动轨迹分析，得到客流数据。但具有如下缺点：在遮挡和拥堵情况下，误检率较大。通过检测算法和跟踪算法并行处理，运行量大，在硬件上难以达到实时运行处理，增加了硬件成本。
而本发明实施例对公交客流统计是通过检测算法为主处理，跟踪算法为辅助处理。在检测不到对象的情况下，才启用跟踪算法对检测不到的对象进行跟踪，减少无谓计算量，提高运行速度，减小误检率。
在一个实施例中，如图2所示，提供了一种公交客流统计方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S210，依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，得到各结果匹配度；检测对象为通过人头检测训练模型处理当前车门处图像得到的当前人头位置图像；第一跟踪对象为通过人头检测训练模型处理当前车门处图像得到的初始人头位置图像。
其中，检测队列指的是存储当前获取到的检测对象的缓存器，检测队列可存储处理当前车门处图像得到的初始人头位置图像。跟踪队列指的是存储第一跟踪对象的缓存器，跟踪队列可存储处理当前车门处图像得到的初始人头位置图像。结果匹配度指的是检测对象与第一跟踪对象的相似度。人头检测训练模型可以是通过训练人头检测模型得到的训练模型。当前人头位置图像可以是处理当前人头位置图像得到的全部人头位置图像，当前人头位置图像也可以是处理当前人头位置图像得到的全部人头位置图像中非首次出现的人头位置图像。初始人头位置图像可以是处理当前人头位置图像得到的全部人头位置图像中首次出现的人头位置图像。
具体地，通过人头检测训练模型处理当前车门处图像得到各当前人头位置图像和各初始人头位置图像。将当前人头位置图像作为检测对象，存储在检测队列中；将初始人头位置图像作为跟踪对象，存储在跟踪队列中。依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，进而得到各结果匹配度。
优选的，依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行像素点重合度匹配，得到各结果匹配度。
步骤S220，获取大于或等于预设匹配度的结果匹配度对应的第一跟踪对象的当前第一人头位置数值，并将当前第一人头位置数值更新为匹配的检测对象的检测人头位置数值；记录当前第一人头位置数值的更新次数。
其中，预设匹配度指的是预设的相似度阈值，预设匹配度可以是预设的重合像素点阈值。当前第一人头位置数值指的是第一跟踪对象的人头位置值。检测人头位置数值指的是检测对象的人头位置值。
具体地，在结果匹配度大于或等于预设匹配度时，获取对应的第一跟踪对象的当前第一人头位置数值。将获取到的当前第一人头位置数值更新为匹配的检测对象的检测人头位置数值，并记录该当前第一人头位置数值的更新次数。
优选的，可对当前车门处图像建立二维坐标系，将第一跟踪对象的人头中心像素点坐标作为当前第一人头位置数值。
步骤S230，通过跟踪算法处理跟踪队列中的各第二跟踪对象；并根据跟踪处理结果，将第二跟踪对象的当前第二人头位置数值更新为跟踪处理结果的跟踪人头位置数值；第二跟踪对象为跟踪队列中当前未更新人头位置数值、且更新次数大于预设次数的第一跟踪对象。
其中，第二跟踪对象指的是跟踪队列中满足跟踪条件的第一跟踪对象，第二跟踪对象可以是各第一跟踪对象中当前未更新人头位置数值、且更新次数大于预设次数的跟踪对象。当前第二人头位置数值指的是第二跟踪对象的人头位置值。跟踪人头位置数值指的是跟踪处理结果的人头位置值。
具体地，获取跟踪队列中当前未更新人头位置数值、且更新次数大于预设次数的各跟踪对象，并将该跟踪对象作为第二跟踪对象。通过跟踪算法处理跟踪队列中的各第二跟踪对象，并根据跟踪处理结果，将第二跟踪对象的当前第二人头位置数值更新为跟踪处理结果的跟踪人头位置数值。
优选的，通过跟踪算法处理跟踪队列中的各第二跟踪对象，根据跟踪处理结果，选取响应度最高的人头图像的人头位置数值作为跟踪处理结果的跟踪人头位置数值，并将第二跟踪对象的当前第二人头位置数值更新为跟踪处理结果的跟踪人头位置数值。
步骤S240，处理各当前第一人头位置数值和各当前第二人头位置数值，得到客流统计结果。
具体地，将各当前第一人头位置数值与上下车线位置阈值对比，以及将各当前第二人头位置数值与上下车线位置阈值对比，得到公交成客流统计结果。
上述实施例中，在结果匹配度大于或等于预设匹配度时，获取对应的第一跟踪对象的当前第一人头位置数值，并将当前第一人头位置数值更新为匹配的检测对象的检测人头位置数值。通过跟踪算法处理跟踪队列中当前未更新人头位置数值、且更新次数大于预设次数的第一跟踪对象(即第二跟踪对象)，根据跟踪处理结果，将第二跟踪对象的当前第二人头位置数值更新为跟踪处理结果的跟踪人头位置数值；处理各当前第一人头位置数值和各当前第二人头位置数值，得到客流统计结果，实现客流统计。基于检测算法为主，跟踪算法为辅，在检测不到的情况下，启用跟踪算法对检测不到的目标进行跟踪，减少无谓计算量，提高运行速度，减小误检率。
在一个实施例中，如图3所示，为客流统计步骤的流程示意图。步骤S240包括：
步骤S310，在第一跟踪对象的初始位置数值小于上车线阈值且当前第一人头位置数值大于上车线阈值、或第二跟踪对象的初始位置数值小于上车线阈值且当前第二人头位置数值大于上车线阈值时，累计上车客流数据，得到上车客流统计结果。
其中，初始位置数值指的是跟踪对象(第一跟踪对象或第二跟踪对象)的初始人头位置值。初始位置数据可以是跟踪对象的初始人头中心像素点坐标数值。
具体地，将当前车门处图像划分为若干行数，设定第n条行数为上车线阈值。在跟踪对象(第一跟踪对象或第二跟踪对象)的初始位置数值小于上车线阈值且当前第一人头位置数值大于上车线阈值时，判定该跟踪对象为上车对象，累计上车客流数据，进而得到上车客流统计结果。
优选的，当前车门处图像的总行线除于1.3的结果为上车线阈值。
步骤S320，在第一跟踪对象的初始位置数值大于下车线阈值且当前第一人头位置数值小于下车线阈值、或第二跟踪对象的初始位置数值大于下车线阈值且当前第二人头位置数值小于下车线阈值时，累计下车客流统计数据，得到下车客流统计结果。
具体地，将当前车门处图像划分为若干行数，设定第m条行数为下车线阈值。在跟踪对象(第一跟踪对象或第二跟踪对象)的初始位置数值大于下车线阈值且当前第一人头位置数值小于下车线阈值时，判定该跟踪对象为下车对象，累计下车客流数据，进而得到下车客流统计结果。
优选的，当前车门处图像的总行线除于15的结果为下车线阈值。
在一个实施例中，在跟踪对象(第一跟踪对象或第二跟踪对象)判定为下车对象或上车对象时，在跟踪队列中删除该跟踪对象。进而可防止对已下车或已上车的跟踪对象进行重复跟踪统计，同时增大了跟踪队列的剩余存储空间。
在一个实施例中，在当前车门处图像完成客流统计时，将检测队列清空，防止下一轮对当前车门处图像进行客流统计处理时，进行重复客流统计处理，同时释放了检测队列的存储空间。
在一个实施例中，如图4所示，为图像预处理步骤的流程示意图。步骤S210之前包括：
步骤S410，对获取到的原始车门处图像进行灰度处理，得到灰度图像。
其中，原始车门处图像指的是摄像仪拍摄车门处的原始图像。具体地，通过图像灰度化处理原始车门处图像，得到灰度图像。
步骤S420，对灰度图像进行Gamma校正，得到当前车门处图像。
具体地，通过Gamma(伽马)校正处理灰度图像，得到当前车门处图像，进而减少光线对检测人头图像的影响。
上述实施例中，通过对原始车门处图像的预处理，提高了客流统计处理的准确性。
在一个实施例中，如图5所示，为人头图像获取步骤的流程示意图。步骤S420之后包括：
步骤S510，对当前车门处图像进行大小变换，得到若干变换图像。
具体地，对当前车门处图像进行预设放大倍数放大处理，得当若干放大后的变换图像。对当前车门处图像进行预设缩小倍数缩小处理，得当若干缩小后的变换图像。
步骤S520，通过预设检测窗口依次对各变换图像进行HOG特征算法处理，得到若干图像特征数据。
具体地，初始化预设检测窗口，依次通过预设检测窗口遍历各变换图像进行HOG(Histogram of Oriented Gradient，方向梯度直方图)特征算法处理，得到各图像特征数据。
步骤S530，通过SVM分类器处理各图像特征数据，得到若干检测对象和若干第一跟踪对象。
具体地，将各图像特征数据传输给SVM(Support Vector Machine，支持向量机)分类器，通过SVM分类器处理各图像特征数据，得到各检测对象和各第一跟踪对象。
上述实施例中，通过对当前车门处图像进行大小变换，得到若干变换图像。通过缩放倍数不断改变原图像的大小，进而可适应目标在运动过程中的大小变化。
在一个实施例中，如图6所示，为人头图像获取步骤的流程结构图。人头图像获取步骤的工作流程如下：
将输入的原始车门处图像通过灰度处理，转换为灰度图像，对灰度图像进行Gamma校正，得到当前车门处图像。其中，Gamma校正的公式为：
Y(x，y)＝I(x，y)γ
其中γ为校正系数，Y(x，y)为当前车门处图像，I(x，y)为灰度图像变量。优选的，γ为0.5。
生成预设检测窗口，通过预设检测窗口对当前车门处图像进行HOG特征算法处理，得到若干图像特征数据。将各图像特征数据传输给人头检测训练模型，通过人头检测训练模型的SVM分类器处理各图像特征数据，根据处理结果，将人头图像传输给检测队列。判断输入图像是否检测完成，若否，则将预设检测窗口进行水平方向移动和垂直方向移动，继续通过预设检测窗口对当前车门处图像进行HOG特征算法处理，直至当前车门处图像完成检测。通过缩放系数调整原始车门处图像大小，对调整后的车门处图像进行人头图像获取处理，进而得到各检测对象和各第一跟踪对象。
在一个实施例中，步骤S240之前包括：
步骤S240，通过跟踪算法处理跟踪队列中的各第三跟踪对象；并根据跟踪处理结果，将第三跟踪对象的当前第三人头位置数值更新为跟踪处理结果的跟踪人头位置数值；第三跟踪对象为跟踪队列中当前未更新人头位置数值、且人头位置差值大于预设移位数值的第一跟踪对象；人头位置差值为通过差值运算处理当前第一人头位置数值与检测人头位置数值得到的差值。
其中，第三跟踪对象指的是跟踪队列中满足跟踪条件的第一跟踪对象，第三跟踪对象可以是各第一跟踪对象中当前未更新人头位置数值、且人头位置差值大于预设移位数值的跟踪对象。当前第三人头位置数值指的是第三跟踪对象的人头位置值。
具体地，获取跟踪队列中当前未更新人头位置数值、且人头位置差值大于预设移位数值的各跟踪对象，并将该跟踪对象作为第三跟踪对象。通过跟踪算法处理跟踪队列中的各第三跟踪对象，并根据跟踪处理结果，将第三跟踪对象的当前第三人头位置数值更新为跟踪处理结果的跟踪人头位置数值，进而提高了公交客流统计的准确性，减小误检率。
在一个实施例中，公交客流统计方法还包括以下步骤：
删除跟踪队列中更新次数小于或等于预设次数、且人头位置差值小于或等于预设移位数值的第一跟踪对象。
具体地，获取跟踪队列中更新次数小于或等于预设次数、且人头位置差值小于或等于预设移位数值的第一跟踪对象，并删除该第一跟踪对象。通过对更新次数以及人头位置的位移，判定是否为真实人头图像，若为假的人头图像，则不启动跟踪，进而减小了误检率。
优选的，跟踪队列中检测对象少于3次，人头位置差值小于15像素点的为假人头图像。
在一个实施例中，通过跟踪算法处理各第二跟踪对象的步骤包括：
通过KCF(Kernelized Correlation Filters，核相关滤波器)跟踪算法处理各第二跟踪对象。
具体地，KCF算法使用目标周围区域的循环矩阵采集正负样本，利用脊回归训练目标检测器，并通过循环矩阵在傅里叶空间可对角化的性质将矩阵的运算转化为向量的Hadamad积(即元素的点乘)，大大降低了运算量，提高了运算速度，使算法满足实时性要求。
在一个实施例中，处理各第二跟踪对象的跟踪算法还可以是：CN(Adaptive ColorAttributes for Real-time Visual Tracking，基于自适应颜色属性的目标追踪)跟踪算法，也可以是Mean Shift(均值漂移算法)跟踪算法
在一个实施例中，如图7所示，为另一个实施例中公交客流统计方法的流程示意图，该方法包括以下步骤：
步骤S710，依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，得到各结果匹配度；检测对象为通过人头检测训练模型处理当前车门处图像得到的当前人头位置图像；第一跟踪对象为通过人头检测训练模型处理当前车门处图像得到的初始人头位置图像。
步骤S720，获取大于或等于预设匹配度的结果匹配度对应的第一跟踪对象的当前第一人头位置数值，并将当前第一人头位置数值更新为匹配的检测对象的检测人头位置数值；记录当前第一人头位置数值的更新次数。
步骤S730，通过跟踪算法处理跟踪队列中的各第二跟踪对象；并根据跟踪处理结果，将第二跟踪对象的当前第二人头位置数值更新为跟踪处理结果的跟踪人头位置数值；第二跟踪对象为跟踪队列中当前未更新人头位置数值、且更新次数大于预设次数的第一跟踪对象。
步骤S740，通过跟踪算法处理跟踪队列中的各第三跟踪对象；并根据跟踪处理结果，将第三跟踪对象的当前第三人头位置数值更新为跟踪处理结果的跟踪人头位置数值；第三跟踪对象为跟踪队列中当前未更新人头位置数值、且人头位置差值大于预设移位数值的第一跟踪对象；人头位置差值为通过差值运算处理当前第一人头位置数值与检测人头位置数值得到的差值。
步骤S750，处理各当前第一人头位置数值、各当前第二人头位置数值和各当前第三人头位置数值，得到客流统计结果。
上述实施例中，基于检测算法为主，跟踪算法为辅，在检测不到的情况下，启用跟踪算法对检测不到的目标进行跟踪，减少无谓计算量，提高运行速度，减小误检率。
在一个实施例中，生成人头检测训练模型的具体工作流程为：
将获取人头正样本数据、及人头负样本数据(非人头照)，归一化为48*48大小的尺寸；将人头正样本数据和人头负样本数据通过灰度处理转换为灰度图像；对灰度图像进行Gamma校正，得到校正图像。获取校正图像的水平方向梯度分量和垂直方向梯度分量，处理水平方向梯度分量和垂直方向梯度分量，得到该校正图像各像素点的梯度幅值和梯度方向。具体过程为：
通过以下公式计算校正图像在x方向(水平方向)的梯度分量：
Gx(x，y)＝H(x+1，y)-H(x-1，y)
其中，Gx(x，y)为校正图像中像素点(x，y)处的水平方向梯度；H(x，y)为校正图像中像素点(x，y)处的像素值。
通过以下公式计算校正图像在y方向(垂直方向)的梯度分量：
Gy(x，y)＝H(x，y+1)-H(x，y-1)
其中，Gy(x，y)为校正图像中像素点(x，y)处的垂直方向梯度。
获取像素点(x，y)处的梯度幅值G(x，y)：
获取像素点(x，y)处的梯度幅值α(x，y)：
根据方向梯度的方向范围为2π，选取合适的组距为2π/9，即直方图组数为9。定义校正图像的最小单元的大小为8*8，校正图像的图像块的大小为16*16。则最小单元对应的方向直方图转换为单维向量，即根据预设组距对对应方向梯度个数进行编码，得到最小单元的9个特征，则图像块包括36个特征。从而一个48*48大小的校正图像，得到的特征数为36*5*5＝900个。设置SVM的核函数为CvSVM::LINEAR线性内核，SVM的类型为CvSVM::C_SVC:C类支撑向量分类机，将上述得到的特征数输入SVM分类器进行训练，得到人头检测训练模型。
在一个实施例中，如图8所示，为公交客流统计方法的流程结构图。公交客流的整体工作流程为：
根据公交开门信号，摄像仪获取当前一帧图像(如图11所示的原始车门处图像)，并将该当前一帧图像传输给服务器。服务器对该当前一帧图像进行图像预处理，得到当前车门处图像。通过HOG特征人头检测出来当前车门处图像，得到各检测对象和各第一跟踪对象。运行跟踪管理机制，判断跟踪队列中是否存在需要跟踪的对象，若否，将第一跟踪对象的当前第一人头位置数值更新为匹配的检测对象的检测人头位置数值；若是，对该跟踪对象进行跟踪算法处理，根据跟踪处理结果，将第二跟踪对象的当前第二人头位置数值更新为跟踪处理结果的跟踪人头位置数值。处理各当前第一人头位置数值和各当前第二人头位置数值，得到客流统计结果，并将检测队列清空，进入下一帧图像检测。
需要说明的是，图11为摄影仪拍摄到的当前一帧车门处图像，图中的“57640”可表示当前一帧车门处图像的序号；“2017-06-23 12:46:12”可表示当前一帧车门处图像的拍摄时间；“22KM/H”指的是当前拍摄时刻的公交车时速；“U：00”指的是统计到的当前上车人数为0个；“D：01”指的是统计到的当前下车人数为1个。靠近图像车门处的横线为下车线，与上车线平行的横线为上车线。
在一个实施例中，如图9所示，为跟踪判断步骤的流程结构图，进行跟踪判断的具体工作流程为：
从检测队列中依次取出检测对象，判断是否已经存在跟踪队列中，如果已经存在跟踪队列中，则更新相应跟踪对象的信息：如记录更新次数，位移距离和当前检测为真等信息。遍历跟踪队列中当前未更新人头位置数值的、且检测次数少于3次的跟踪对象，启动跟踪算法处理该跟踪对象。
在一个实施例中，如图10所示，为跟踪处理步骤的流程结构图，进行跟踪处理的具体工作流程为：
1、跟踪算法快速训练：
从跟踪队列中提取需要跟踪的跟踪对象，将跟踪对象的人头位置乘以2.5得到目标周围区域；利用目标周围区域的循环位移，得到训练样本集。其中训练样本集可根据由目标区域和移位得到的若干样本组成，训练样本集对应的标签是根据距离越近，正样本可能性越大的准则赋值的，通过训练样本集训练脊回归函数，得到脊回归训练参数。其中脊回归公式为：
其中，X是目标周围区域的循环位移得到训练样本集，为循环矩阵；λ是正则化参数；y是标签集Y中的标签值；ω指训练样本集X与其对应标签集Y构成的点Z(X，Y)前面的系数。
找若干非线性映射函数
行向量，使映射后的样本在核空间中线性划分，ω是
行向量形成的空间中的一个向量，令
则可得脊回归训练参数α：
令列向量α的导数为0，利用循环矩阵的特性推导可得：
其中
为α的离线傅里叶变换，
为核矩阵K中第一行，
为y的离散傅里叶变换。
2、跟踪算法快速检测：
利用目标周围区域的循环位移得到待检测样本集，由预测区域和由其移位得到的样本集合zj(其中zj＝Pjz)。选择
最大的样本作为检测出的新目标区域，由zj判断目标移动的位置。其中，αT是由训练向量α得到的；
为非线性映射函数。
最后推导可得：
其中，Kxz为矩阵(Kz)T的第一行；Kz是测试样本和训练样本间在核空间的核矩阵。
通过上述公式可计算得到预测样本集的响应度，进而可选取响应度最大的样本作为被跟踪对象当前的人头位置数值。
应该理解的是，虽然图2至5、及7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至5、及7的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图12所示，提供了一种公交客流统计装置，该组装置包括对象匹配单元110、第一人头位置更新单元120、第二人头位置更新单元130和客流统计单元140，其中：
对象匹配单元110，用于依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，得到各结果匹配度；检测对象为通过人头检测训练模型处理当前车门处图像得到的当前人头位置图像；第一跟踪对象为通过人头检测训练模型处理当前车门处图像得到的初始人头位置图像。
第一人头位置更新单元120，用于获取大于或等于预设匹配度的结果匹配度对应的第一跟踪对象的当前第一人头位置数值，并将当前第一人头位置数值更新为匹配的检测对象的检测人头位置数值；记录当前第一人头位置数值的更新次数。
第二人头位置更新单元130，用于通过跟踪算法处理跟踪队列中的各第二跟踪对象；并根据跟踪处理结果，将第二跟踪对象的当前第二人头位置数值更新为跟踪处理结果的跟踪人头位置数值；第二跟踪对象为跟踪队列中当前未更新人头位置数值、且更新次数大于预设次数的第一跟踪对象。
客流统计单元140，用于处理各当前第一人头位置数值和各当前第二人头位置数值，得到客流统计结果。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的公交客流统计***的限定，具体的公交客流统计***可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种公交客流统计***，该***可以是服务器，其内部结构图可以如图13所示。该***包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该***的处理器用于提供计算和控制能力。该***的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该***的数据库用于存储公交客流统计处理的数据。该***的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种公交客流统计方法。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的公交客流统计***的限定，具体的公交客流统计***可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种公交客流统计***，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，得到各结果匹配度；所述检测对象为通过人头检测训练模型处理当前车门处图像得到的当前人头位置图像；所述第一跟踪对象为通过人头检测训练模型处理所述当前车门处图像得到的初始人头位置图像；
获取大于或等于预设匹配度的所述结果匹配度对应的所述第一跟踪对象的当前第一人头位置数值，并将所述当前第一人头位置数值更新为匹配的所述检测对象的检测人头位置数值；记录所述当前第一人头位置数值的更新次数；
通过跟踪算法处理所述跟踪队列中的各第二跟踪对象；并根据跟踪处理结果，将所述第二跟踪对象的当前第二人头位置数值更新为所述跟踪处理结果的跟踪人头位置数值；所述第二跟踪对象为所述跟踪队列中当前未更新人头位置数值、且所述更新次数大于预设次数的第一跟踪对象；
处理各所述当前第一人头位置数值和各所述当前第二人头位置数值，得到客流统计结果。
在一个实施例中，如图14所示，公交客流统计***还包括连接处理器10的摄像仪12、显示器14。
具体地，摄像仪12将原始车门处图像传输给处理器10，处理器10对原始车门处图像进行处理，得到检测对象和跟踪对象。处理器10基于检测算法为主，跟踪算法为辅，对需要跟踪的人头图像进行跟踪统计，得到公交客流统计结果。处理器10可将公交客流统计结果传输给显示器14，通过显示器14对公交客流统计结果进行显示。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，得到各结果匹配度；检测对象为通过人头检测训练模型处理当前车门处图像得到的当前人头位置图像；第一跟踪对象为通过人头检测训练模型处理当前车门处图像得到的初始人头位置图像；
获取大于或等于预设匹配度的结果匹配度对应的第一跟踪对象的当前第一人头位置数值，并将当前第一人头位置数值更新为匹配的检测对象的检测人头位置数值；记录当前第一人头位置数值的更新次数；
通过跟踪算法处理跟踪队列中的各第二跟踪对象；并根据跟踪处理结果，将第二跟踪对象的当前第二人头位置数值更新为跟踪处理结果的跟踪人头位置数值；第二跟踪对象为跟踪队列中当前未更新人头位置数值、且更新次数大于预设次数的第一跟踪对象；
处理各当前第一人头位置数值和各当前第二人头位置数值，得到客流统计结果。
关于计算机可读存储介质中存储的计算机程序被处理器执行时可实现其功能的具体方法可以参见上文中对于公交客流统计方法的说明，在此不再赘述。上述计算机可读存储介质中的各个模块可全部或部分通过软件、硬件及其组合来实现。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各除法运算方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在一个实施例中，还提供一种存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述各实施例中的任意一种除法运算方法。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccess Memory，RAM)等。
该计算机存储介质，其存储的计算机程序，通过实现包括如上述各除法运算方法的实施例的流程，从而可以减少了运算周期，大大提高了除法运算速度，进而提高了除法运算的效率。。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种公交客流统计方法，其特征在于，包括以下步骤：
依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，得到各结果匹配度；所述检测对象为通过人头检测训练模型处理当前车门处图像得到的当前人头位置图像；所述第一跟踪对象为通过人头检测训练模型处理所述当前车门处图像得到的初始人头位置图像；其中，各所述结果匹配度为依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行像素点重合度匹配得到；所述当前人头位置图像为处理当前人头位置图像得到的全部人头位置图像或所述全部人头位置图像中非首次出现的人头位置图像，所述初始人头位置图像为处理当前人头位置图像得到的全部人头位置图像中首次出现的人头位置图像；
获取大于或等于预设匹配度的所述结果匹配度对应的所述第一跟踪对象的当前第一人头位置数值，并将所述当前第一人头位置数值更新为匹配的所述检测对象的检测人头位置数值；记录所述当前第一人头位置数值的更新次数；
通过跟踪算法处理所述跟踪队列中的各第二跟踪对象；并根据跟踪处理结果，将所述第二跟踪对象的当前第二人头位置数值更新为所述跟踪处理结果的跟踪人头位置数值；所述第二跟踪对象为所述跟踪队列中当前未更新人头位置数值、且所述更新次数大于预设次数的第一跟踪对象；
处理各所述当前第一人头位置数值和各所述当前第二人头位置数值，得到客流统计结果。
2.根据权利要求1所述的公交客流统计方法，其特征在于，所述处理各所述当前第一人头位置数值和各所述当前第二人头位置数值，得到客流统计结果的步骤包括：
在所述第一跟踪对象的初始位置数值小于上车线阈值且所述当前第一人头位置数值大于上车线阈值、或所述第二跟踪对象的初始位置数值小于所述上车线阈值且所述当前第二人头位置数值大于所述上车线阈值时，累计上车客流数据，得到上车客流统计结果；
在所述第一跟踪对象的初始位置数值大于下车线阈值且所述当前第一人头位置数值小于下车线阈值、或所述第二跟踪对象的初始位置数值大于所述下车线阈值且所述当前第二人头位置数值小于所述下车线阈值时，累计下车客流统计数据，得到下车客流统计结果。
3.根据权利要求1所述的公交客流统计方法，其特征在于，所述依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，得到各结果匹配度的步骤之前包括：
对获取到的原始车门处图像进行灰度处理，得到灰度图像；对所述灰度图像进行Gamma校正，得到所述当前车门处图像。
4.根据权利要求3所述的公交客流统计方法，其特征在于，所述对所述灰度图像进行Gamma校正，得到所述当前车门处图像的步骤之后包括：
对所述当前车门处图像进行大小变换，得到若干变换图像；
通过预设检测窗口依次对各所述变换图像进行HOG特征算法处理，得到若干图像特征数据；
通过SVM分类器处理各所述图像特征数据，得到若干所述检测对象和若干所述第一跟踪对象。
5.根据权利要求1所述的公交客流统计方法，其特征在于，所述处理各所述当前第一人头位置数值和各所述当前第二人头位置数值，得到客流统计结果的步骤之前包括：
通过跟踪算法处理所述跟踪队列中的各第三跟踪对象；并根据跟踪处理结果，将所述第三跟踪对象的当前第三人头位置数值更新为所述跟踪处理结果的跟踪人头位置数值；所述第三跟踪对象为所述跟踪队列中当前未更新人头位置数值、且人头位置差值大于预设移位数值的第一跟踪对象；所述人头位置差值为通过差值运算处理所述当前第一人头位置数值与所述检测人头位置数值得到的差值。
6.根据权利要求5任意一项所述的公交客流统计方法，其特征在于，还包括以下步骤：
删除所述跟踪队列中所述更新次数小于或等于所述预设次数、且所述人头位置差值小于或等于所述预设移位数值的第一跟踪对象。
7.根据权利要求1至6任意一项所述的公交客流统计方法，其特征在于，所述通过跟踪算法处理各所述第二跟踪对象的步骤包括：
通过KCF跟踪算法处理各所述第二跟踪对象。
8.一种公交客流统计装置，其特征在于，包括：
对象匹配单元，用于依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行相似度匹配，得到各结果匹配度；所述检测对象为通过人头检测训练模型处理当前车门处图像得到的当前人头位置图像；所述第一跟踪对象为通过人头检测训练模型处理所述当前车门处图像得到的初始人头位置图像；其中，各所述结果匹配度为依次将检测队列中的检测对象与跟踪队列中的各第一跟踪对象进行像素点重合度匹配得到；所述当前人头位置图像为处理当前人头位置图像得到的全部人头位置图像或所述全部人头位置图像中非首次出现的人头位置图像，所述初始人头位置图像为处理当前人头位置图像得到的全部人头位置图像中首次出现的人头位置图像；
第一人头位置更新单元，用于获取大于或等于预设匹配度的所述结果匹配度对应的所述第一跟踪对象的当前第一人头位置数值，并将所述当前第一人头位置数值更新为匹配的所述检测对象的检测人头位置数值；记录所述当前第一人头位置数值的更新次数；
第二人头位置更新单元，用于通过跟踪算法处理所述跟踪队列中的各第二跟踪对象；并根据跟踪处理结果，将所述第二跟踪对象的当前第二人头位置数值更新为所述跟踪处理结果的跟踪人头位置数值；所述第二跟踪对象为所述跟踪队列中当前未更新人头位置数值、且所述更新次数大于预设次数的第一跟踪对象；
客流统计单元，用于处理各所述当前第一人头位置数值和各所述当前第二人头位置数值，得到客流统计结果。
9.一种公交客流统计***，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任意一项所述公交客流统计方法的步骤。
10.根据权利要求9所述的公交客流统计***，其特征在于，还包括连接所述处理器的摄像仪、显示器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810288942.2A CN108764017B (zh) | 2018-04-03 | 2018-04-03 | 公交客流统计方法、装置及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810288942.2A CN108764017B (zh) | 2018-04-03 | 2018-04-03 | 公交客流统计方法、装置及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108764017A CN108764017A (zh) | 2018-11-06 |
| CN108764017B true CN108764017B (zh) | 2020-01-07 |
Family
ID=63980800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810288942.2A Active CN108764017B (zh) | 2018-04-03 | 2018-04-03 | 公交客流统计方法、装置及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108764017B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108776974B (zh) * | 2018-05-24 | 2019-05-10 | 南京行者易智能交通科技有限公司 | 一种适用于公共交通场景的实时目标跟踪方法 |
| CN111611974B (zh) * | 2020-06-03 | 2023-06-13 | 广州通达汽车电气股份有限公司 | 车载人脸抓拍方法及*** |
| CN111860261B (zh) * | 2020-07-10 | 2023-11-03 | 北京猎户星空科技有限公司 | 一种客流值的统计方法、装置、设备及介质 |
| CN113160603B (zh) * | 2021-04-27 | 2022-07-08 | 华录智达科技股份有限公司 | 一种基于车联网的智能公交管理 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2800895B1 (fr) * | 1999-11-09 | 2001-12-28 | Renault Vehicules Ind | Systeme et procede de comptage de passagers pour bus |
| CN101794382B (zh) * | 2010-03-12 | 2012-06-13 | 华中科技大学 | 一种实时公交车客流量统计的方法 |
| CN103577832B (zh) * | 2012-07-30 | 2016-05-25 | 华中科技大学 | 一种基于时空上下文的人流量统计方法 |
| CN104021605A (zh) * | 2014-04-16 | 2014-09-03 | 湖州朗讯信息科技有限公司 | 一种公交客流实时统计***及其统计方法 |
| CN106203513B (zh) * | 2016-07-08 | 2019-06-21 | 浙江工业大学 | 一种基于行人头肩多目标检测及跟踪的统计方法 |
| CN106778656A (zh) * | 2016-12-27 | 2017-05-31 | 清华大学苏州汽车研究院（吴江） | 一种基于ToF相机的公交车客流量统计*** |
-
2018
- 2018-04-03 CN CN201810288942.2A patent/CN108764017B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108764017A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764017B (zh) | 公交客流统计方法、装置及*** | |
| Zhang et al. | Vehicle-damage-detection segmentation algorithm based on improved mask RCNN | |
| CN111178245B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
| CN109800629B (zh) | 一种基于卷积神经网络的遥感图像目标检测方法 | |
| Cao et al. | Vehicle detection and motion analysis in low-altitude airborne video under urban environment | |
| US10607098B2 (en) | System of a video frame detector for video content identification and method thereof | |
| CN110569696A (zh) | 用于车辆部件识别的神经网络***、方法和装置 | |
| US9626599B2 (en) | Reconfigurable clear path detection system | |
| CN106919902B (zh) | 一种基于cnn的车辆识别和轨迹追踪方法 | |
| Tsintotas et al. | DOSeqSLAM: Dynamic on-line sequence based loop closure detection algorithm for SLAM | |
| CN114418298A (zh) | 基于非侵入式检测的充电负荷概率预测***及方法 | |
| CN106845458B (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
| CN112465854A (zh) | 基于无锚点检测算法的无人机跟踪方法 | |
| CN113034378A (zh) | 一种区分电动汽车与燃油汽车的方法 | |
| Amrouche et al. | Vehicle Detection and Tracking in Real-time using YOLOv4-tiny | |
| CN114627286A (zh) | 基于PSPNet和改进YOLOv4的地磅人员入侵的检测方法 | |
| Kalva et al. | Smart Traffic monitoring system using YOLO and deep learning techniques | |
| CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 | |
| Zhang et al. | A front vehicle detection algorithm for intelligent vehicle based on improved gabor filter and SVM | |
| CN111144220A (zh) | 适于大数据的人员检测方法、装置、设备和介质 | |
| Wu et al. | Vehicle detection in high-resolution images using superpixel segmentation and CNN iteration strategy | |
| CN113420660B (zh) | 一种红外图像目标检测模型构建方法、预测方法及*** | |
| Guo et al. | ANMS: attention-based non-maximum suppression | |
| Li et al. | Small Target Detection Algorithm Based on Two-Stage Feature Extraction | |
| Saranya et al. | The Proficient ML method for Vehicle Detection and Recognition in Video Sequence |
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 |