基于图像特征提取的地铁客流量自动统计系统

孙 佩，胡小敏

(西安交通工程学院交通运输学院，陕西 西安 710300)

0 引言

近年来，我国大中型城市地铁交通得到快速发展，随着城市地铁网络的逐步扩大与完善，未来地铁运行与停靠站管理将向着智能化、人性化方向发展[1-2]。常规站站停车的行车组织模式将满足不了未来地铁客流的需求，基于非站站停车的快慢车运行方案可以快速输送往返于中心城区与郊区之间的客流，能够通过减少停站数目提高列车旅行速度，达到缩短长距离出行乘客旅行时间的目的[3]。而非站站停车运行方案需要基于对地铁客流的准确统计及客流拥挤程度的评估，合理布局停车策略，对客流量的统计是地铁站点管理的前提准备条件。

地铁走廊、候车区、车厢等部位的客流量统计数据及拥挤程度评估，对地铁规划及站点停靠布局具有重要指导意义，也是进行地铁站点科学合理管理的重要前提。乘客刷卡记录仅能反映客流的输入与输出信息，无法完整反映客流在整个地铁系统中的状态。由于监控系统的普及，视频图像能够全面且实时地反映地铁在不同空间及时间段的运行状态[4-5]。基于图像特征提取的客流统计方法能够实现对地铁客流的精准估计，准确反映地铁客流的时空分布情况，为地铁车辆运行管理及停靠站点布局提供数据支撑。

本文在传统图像特征提取方法的基础上，利用小波变换及灰度阈值预处理方法，滤除图像中的灰度突变像素点，降低乘客流动对统计准确度的影响，从而提升乘客客流自动统计精度。

1 客流识别与统计原理

客流统计流程如图1所示[6]。首先，通过地铁走廊、候车区、车厢等位置安置的监控摄像头获取视频原始数据，然后对图像数据进行分割处理，获得适应于图像处理与分析算法的子域图像。通过图像数据的多层分解，提取图像细节特征值，将图像特征与人体特征参考模型比对，以实现对客流人数的判断与统计。最终对获取的客流估计量进行分析，对当前的地铁客流拥挤情况及客流分布情况进行评估。

图1 客流统计流程

客流识别与估计的关键在于特征值的提取，图像像素特征提取公式可表示为[7]

(1)

c为图像缩放比例；d为像素特征提取的偏差量。其中，图像分割函数可表示为

(2)

(3)

对式(3)进行逆变换，得到图像在(l,m)层的特征公式为

(4)

利用上述图像特征提取公式，可以获取图像在不同分层上的细节特征，将提取的特征值与人体参考特征值进行比对。如果比对结果达到匹配阈值，则客流计数器进行累加，通过逐次比对实现对客流量的估计。

由于选取的分割函数为正交变换函数，其公式简单、运算速度高，可对图像进行多层次分解与准确特征提取[8]。

但是，因为地铁中的客流是动态移动的，监控设备所获得的图像中，图像帧之间的灰度值易发生突变，干扰了特征提取的准确性，从而降低了客流统计精度。

2 特征提取优化算法

为了降低客流移动过程中，像素灰度突变对统计精度的影响，在进行特征提取之前，对图像数据进行小波分解与像素灰度特征阈值判别，对像素进行筛选，剔除灰度突变的干扰像素点，从而提升特征提取精度。

首先对图像进行划分，获得大量的图像子区域，图像划分公式为[9]：

(5)

Ru(b)=R(bk)-R(al)k≤l,u=1,2,…,P

(6)

P为图像划分的子区域总数量；h(z,a)为灰度变换的参数值；R(b)为图像的像素灰度分布概率函数；Ru(b)为第u个子区域的灰度分布概率。

然后对划分的子区域进行小波变换，选取的小波变换函数为

I(z,a)=[exp(-h(z,a)/2z2)]/2πz-[exp(-h(z,a)/2a2)]/2πa

(7)

小波变换得到图像分解的梯度函数为[10]

(8)

k=1,2,…,P；h为灰度变换的参数；hk为第k个子区域的梯度系数值。图像各个子区域的灰度阈值公式为

(9)

vk为第k个子区域的阈值影响系数。在进行图像特征值提取前，设定灰度阈值，将图像中的像素灰度值定义为ξk，通过阈值比较判断像素点是否为图像的特征点，从而实现对图像像素的预处理，抑制像素灰度值突变对特征提取精度的影响。图像灰度阈值判断公式为

(10)

利用式(10)判断公式，可对图像像素进行筛选，对于大于阈值的像素点，认定为特征点，否则认定为非特征点。通过图像像素点的预处理筛选，实现对灰度值突变像素点的抑制，从而提升图像特征提取精度，以提升客流统计的准确性。

3 客流统计系统组成

为实现对地铁过道、候车区、车厢等位置的客流量统计与客流拥堵情况评估，需要构建完整的视频采集及处理系统。系统硬件组成框架如图2所示，主要包括前端视频监控终端、图像采集卡、图像处理器、无线通信和远程PC端等部分，可实现对图像的获取、处理、客流分析与统计、客流评估，以及数据传输等功能。这里重点介绍关键图像处理芯片及软件平台的选取，其他部分可根据实际需求进行选择[11-13]。

图2 客流统计系统结构

3.1 图像处理芯片选取

图像处理芯片承担了图像分解、特征提取算法的运算，需要重点考虑芯片的处理能力和运算效率。为满足图像处理速度要求，本文选取TMS320DM6446芯片[14]，图像处理芯片构架如图3所示。

图3 图像处理芯片构架

该芯片是一款高性能的图像处理芯片，其集成了视频图像协处理器、DSP内核和ARM内核，DSP内核工作频率达594 MHz，ARM内核工作频率为297 MHz。同时，该芯片具备视频处理系统，配备视频输入输出接口，内置较大的存储空间，DDR存储空间为512 MB，同时可外扩存储空间，为图像处理与运算提供了充足的运算速度与存储空间。

3.2 软件开发平台

系统选用的主要软件平台为Microsoft Visual Studio，主要涉及的程序函数包括OpenCV接口函数和特征提取运算接口函数。其中，OpenCV是一个开源计算机视觉库[15]，提供了大量的API接口函数，大幅度提升了软件开发效率。OpenCV结构如图4所示。

图4 OpenCV结构

由图4可知，OpenCV结构主要由5个模块构成，其提供了丰富的视觉处理算法，且部分由C语音编写并具备开源特性，通过适当的改进和移植，可很好地运用于DSP和ARM嵌入式系统中。其中，HighGUI函数库提供了摄像头交换模块，可实现对图像的载入与保存，同时可添加鼠标、滑动条等人机交换组件；CvCore函数库提供了基本数据类型，实现对不同图像数据类型的定义及相关关系解释；CvAux提供了大量的算法函数接口，可完成图像的预处理工作，提升图像处理的开发效率。

4 实验对比结果

对比传统算法与改进算法的图像特征提取效果，如图5所示。通过图像对比可明显看出，利用灰度阈值判别，可有效滤除灰度值发生突变的像素点，乘客的轮廓外形更加平滑清晰，通过增加图像预处理算法，对图像特征提取进行改进，可有效提升特征提取精度。

为对比改进型算法与传统算法在地铁客流量统计方面的效果，取某地铁站候车区域的人流量作为实验对象，如图6所示。

2种算法对该区域的客流统计结果如表1所示。由表1可以看出，通过统计算法改进，利用像素阈值预处理算法，实现对图像灰度值突变像素的抑制，从而降低乘客动态移动对识别与统计准确率的干扰，与传统统计算法相比，客流统计准确率得到明显提升，统计误差仅为传统方案的39.8%，验证了该改进算法的有效性。

图5 图像特征提取对比

图6 地铁候车区客流量

表1 客流统计对比结果

5 结束语

地铁客流统计对未来地铁运行管理及列车站点停靠策略制定具有重要指导意义，是疏导地铁客流与缓解交通拥堵的重要参考数据。本文在传统特征提取的基础上，对图像数据进行预处理，抑制了乘客流动造成的灰度突变像素的影响，提升了客流统计的准确度。实验测试结果表明了改进方案的有效性，此方案具有一定的工程应用价值。