基于波峰搜索算法的視頻客流計(jì)數(shù)系統(tǒng)研究

王夢(mèng)菊，吳小龍，石若玉

基于波峰搜索算法的視頻客流計(jì)數(shù)系統(tǒng)研究

王夢(mèng)菊，吳小龍，石若玉

（昆明交通咨詢有限公司，云南 昆明 650028）

視頻分析在客流統(tǒng)計(jì)上的應(yīng)用是當(dāng)前研究的熱點(diǎn)及難點(diǎn)，常見的視頻計(jì)數(shù)實(shí)現(xiàn)過(guò)程主要是依靠對(duì)象分割、目標(biāo)跟蹤、目標(biāo)識(shí)別等尚未成熟的算法，尤其要實(shí)現(xiàn)目標(biāo)的準(zhǔn)確跟蹤仍非常困難。為避免目標(biāo)跟蹤算法對(duì)計(jì)數(shù)精度的影響，文章在對(duì)象分割算法的基礎(chǔ)上統(tǒng)計(jì)目標(biāo)像素，再采用提出基于加權(quán)步長(zhǎng)的波峰識(shí)別搜索算法對(duì)像素統(tǒng)計(jì)曲線進(jìn)行識(shí)別，從而實(shí)現(xiàn)對(duì)乘客目標(biāo)計(jì)數(shù)；最后以長(zhǎng)途大巴車視頻客流計(jì)數(shù)問(wèn)題為背景，結(jié)合提出的計(jì)數(shù)算法設(shè)計(jì)一套完整的視頻客流計(jì)數(shù)系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，文中設(shè)計(jì)的客流計(jì)數(shù)系統(tǒng)能夠?qū)﹂L(zhǎng)途大巴車乘客有秩序上（下）車的視頻序列準(zhǔn)確計(jì)數(shù)，計(jì)數(shù)精度達(dá)到90%以上，并具有超載報(bào)警和智能結(jié)算等功能。

客流計(jì)數(shù)；目標(biāo)檢測(cè)；波峰識(shí)別；視頻分析

1　概述

客流信息是重要交通流數(shù)據(jù)之一，是開展運(yùn)輸組織和管理工作的主要依據(jù)。隨著智能交通的發(fā)展，對(duì)客流信息獲取的渠道、技術(shù)、質(zhì)量、速度等都提出更高的要求。常見的客流計(jì)數(shù)實(shí)現(xiàn)技術(shù)包括：壓敏傳感、紅外檢測(cè)、光電脈沖檢測(cè)、視頻分析等［1］。在視頻監(jiān)控技術(shù)被廣泛應(yīng)用到交通領(lǐng)域的背景下，基于視頻分析的客流計(jì)數(shù)技術(shù)逐漸成為主要研究方向之一。調(diào)查發(fā)現(xiàn)，在實(shí)際中該技術(shù)具有迫切的應(yīng)用需求，例如：機(jī)場(chǎng)、火車站、地鐵站等重要交通樞紐及火車、長(zhǎng)途大巴車、公交車等交通工具。

目前國(guó)內(nèi)外已有大量關(guān)于視頻分析在客流計(jì)數(shù)上的應(yīng)用研究，根據(jù)研究的視覺維度可將其大致分為兩大類：基于立體攝像機(jī)和基于單攝像機(jī)?；诹Ⅲw攝像機(jī)的視頻客流計(jì)數(shù)系統(tǒng)結(jié)構(gòu)復(fù)雜，目標(biāo)空間參數(shù)計(jì)算耗時(shí)長(zhǎng)［2］，多數(shù)研究更傾向于采用基于單攝像機(jī)的二維視頻圖像序列。根據(jù)計(jì)數(shù)原理可以將客流計(jì)數(shù)方法分兩大類：基于線性回歸的人流計(jì)數(shù)和基于區(qū)域估計(jì)的人流計(jì)數(shù)。

（1）基于線性回歸的客流計(jì)數(shù)

線性回歸計(jì)數(shù)的原理是在圖像中設(shè)置檢測(cè)線，將跟蹤的目標(biāo)位置或特征信息與檢測(cè)線進(jìn)行線性擬合，從而估計(jì)出客流數(shù)目。在此類算法中，目標(biāo)的質(zhì)心、外輪廓邊緣線、某一局部特征（頭部、頭肩、顏色）等常被作為目標(biāo)跟蹤的對(duì)象。文獻(xiàn)［3］在公交環(huán)境下記錄乘客目標(biāo)在圖像序列中的運(yùn)動(dòng)軌跡，通過(guò)目標(biāo)軌跡線與進(jìn)出口檢測(cè)線的相交方式來(lái)判斷乘客的上下車行為。文獻(xiàn)［4］利用橢圓檢測(cè)將 “團(tuán)塊”中的多目標(biāo)分割，解決擁擠狀態(tài)下多目標(biāo)計(jì)數(shù)問(wèn)題。文獻(xiàn)［5］提出一種基于雙橢圓模型的視頻人數(shù)統(tǒng)計(jì)方法適合多種鏡頭方式、人群密集、部分遮擋等環(huán)境下的人流計(jì)數(shù)。文獻(xiàn)［6］使用“?Ω?”型頭肩輪廓特征在前景圖像上對(duì)人體目標(biāo)進(jìn)行匹配，進(jìn)而進(jìn)行識(shí)別計(jì)數(shù)。文獻(xiàn)［7］在目標(biāo)區(qū)域內(nèi)利用估計(jì)的頭部平均面積提取人體頭部作為計(jì)數(shù)的對(duì)象。文獻(xiàn)［8］使用Hough變換識(shí)別圓形物體的原理檢測(cè)人頭，對(duì)人頭進(jìn)行定位。文獻(xiàn)［9］基于XYZ和HSV顏色空間構(gòu)建了一個(gè)行人發(fā)色和膚色檢測(cè)模型，通過(guò)對(duì)發(fā)色和膚色的雙重檢測(cè)從而確定人頭位置。線性回歸計(jì)數(shù)算法屬于直接的計(jì)數(shù)方法，在算法中要求對(duì)單個(gè)目標(biāo)準(zhǔn)確識(shí)別及跟蹤，因而對(duì)目標(biāo)分割及跟蹤的精確性要求較高。

（2）基于區(qū)域估計(jì)的客流計(jì)數(shù)

區(qū)域估計(jì)計(jì)數(shù)是通過(guò)在一定時(shí)間周期內(nèi)對(duì)圖像檢測(cè)區(qū)域中的目標(biāo)特征向量進(jìn)行估計(jì)實(shí)現(xiàn)計(jì)數(shù)，是間接的計(jì)數(shù)方法。在算法中經(jīng)常使用模型學(xué)習(xí)的方法對(duì)目標(biāo)的面積、輪廓、人臉、頭部、頭肩模型、著裝顏色等目標(biāo)特征向量進(jìn)行識(shí)別計(jì)數(shù)。文獻(xiàn)［10］通過(guò)搜集低水平集和高水平集目標(biāo)跟蹤的數(shù)據(jù)，使用Adaboost算法對(duì)目標(biāo)跟蹤數(shù)據(jù)進(jìn)行分類識(shí)別得到跟蹤的目標(biāo)數(shù)。文獻(xiàn)［11］利用Adaboost對(duì)檢測(cè)區(qū)域總的人臉進(jìn)行識(shí)別計(jì)數(shù)。文獻(xiàn)［12］使用SVM對(duì)所構(gòu)的人體頭肩模型進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)對(duì)行人數(shù)目計(jì)數(shù)。文獻(xiàn)［13］將圖像分割和紋理提取為數(shù)據(jù)序列，使用RBF神經(jīng)網(wǎng)絡(luò)算法對(duì)數(shù)據(jù)序列進(jìn)行學(xué)習(xí)，從而實(shí)現(xiàn)對(duì)人體的識(shí)別與計(jì)數(shù)。文獻(xiàn)［14］使用動(dòng)態(tài)紋理模型將多個(gè)目標(biāo)分割為不同運(yùn)動(dòng)方向“團(tuán)塊”，再采用貝葉斯歸回歸模型對(duì)從“團(tuán)塊”中提取低級(jí)特征（Low-Level Features）進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)對(duì)不同方向行人的估計(jì)。因而基于區(qū)域估計(jì)的計(jì)數(shù)算法依賴于模型學(xué)習(xí)算法，而很多模型計(jì)算復(fù)雜且需要經(jīng)過(guò)大量樣本訓(xùn)練，難以做到實(shí)時(shí)計(jì)數(shù)。

從上述分析可知，基于視頻分析的客流計(jì)數(shù)方法多種多樣，每一種方法都是針對(duì)具體應(yīng)用而提出，計(jì)數(shù)精度很大程度上依賴于對(duì)象分割和目標(biāo)跟蹤的準(zhǔn)確性，而現(xiàn)階段這兩者理論算法均尚未成熟，尤其要實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)準(zhǔn)確跟蹤仍然非常困難。本文以視頻客流計(jì)數(shù)在長(zhǎng)途大巴車的應(yīng)用為背景，直接在對(duì)象分割的基礎(chǔ)上設(shè)計(jì)視頻客流計(jì)數(shù)系統(tǒng)，以減少跟蹤算法效率對(duì)計(jì)數(shù)準(zhǔn)確性的影響，并使系統(tǒng)具有超載報(bào)警和智能結(jié)算等功能。視頻客流計(jì)數(shù)系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1　視頻客流計(jì)數(shù)系統(tǒng)結(jié)構(gòu)圖

2　乘客目標(biāo)分割

目標(biāo)分割是實(shí)現(xiàn)目標(biāo)跟蹤和目標(biāo)計(jì)數(shù)的重要前提條件，其提取效果直接影響計(jì)數(shù)的準(zhǔn)確性。背景減法是利用當(dāng)前圖像與背景圖像的差分結(jié)果來(lái)檢測(cè)出運(yùn)動(dòng)區(qū)域，由于算法能夠提取較為完整的前景目標(biāo)且背景建模和背景更新算法研究有巨大的進(jìn)步空間，因而該項(xiàng)目標(biāo)檢測(cè)技術(shù)得到廣泛應(yīng)用及研究，相關(guān)算法及改進(jìn)算法層出不窮。本文使用視頻序列中不包含乘客目標(biāo)的第一幀作為初始背景，再不斷利用符合背景要求的圖像對(duì)背景進(jìn)行更新。假設(shè)背景圖像為B（x，y），當(dāng)前圖像f（x，y），兩圖像像素之差diff，閾值為T，則：

經(jīng)過(guò)式（1）、式（2）運(yùn)算得到背景減法結(jié)果圖像中往往存在噪聲，傳統(tǒng)檢測(cè)算法常使用圖像濾波、數(shù)學(xué)形態(tài)學(xué)、圖像二值化等技術(shù)對(duì)圖像后處理，這類做法有利于下一階段的目標(biāo)識(shí)別、跟蹤等，但卻使提取的目標(biāo)失去了原始的信息。為了利用目標(biāo)的原始像素并減少繁瑣的后處理技術(shù)環(huán)節(jié)，本文提出一種基于目標(biāo)的原始乘客像素統(tǒng)計(jì)的視頻乘客計(jì)數(shù)算法。

3　基于像素統(tǒng)計(jì)的乘客計(jì)數(shù)方法

3.1算法思想

視頻圖像經(jīng)過(guò)目標(biāo)檢測(cè)算法處理后，圖像中多數(shù)非零像素都聚集在目標(biāo)區(qū)域，而背景區(qū)域除了少量噪聲外大部分為黑色（即像素值為0），如圖2所示。根據(jù)目標(biāo)檢測(cè)結(jié)果圖中非零像素的這個(gè)分布特征，本文在圖像中間設(shè)置檢測(cè)區(qū)域（ROI），對(duì)區(qū)域內(nèi)的非零像素?cái)?shù)目進(jìn)行統(tǒng)計(jì)，并通過(guò)對(duì)檢測(cè)區(qū)域內(nèi)的像素統(tǒng)計(jì)規(guī)律識(shí)別達(dá)到乘客計(jì)數(shù)的目的。檢測(cè)區(qū)域大小要求能包含一個(gè)體型較大的乘客，同時(shí)又能夠恰好將前后的乘客分開，通過(guò)大量的實(shí)驗(yàn)觀測(cè)得到檢測(cè)區(qū)域的合適尺寸為100×200像素（在圖像中100×200像素的矩形框尺寸對(duì)應(yīng)客車兩個(gè)臺(tái)階的面積，通常乘客上車過(guò)程中這個(gè)尺寸范圍能夠檢測(cè)得到目標(biāo)像素最多），如圖2中白色矩形框所示。

圖2　乘客目標(biāo)像素統(tǒng)計(jì)過(guò)程

從圖2可以看出，在第126幀時(shí)乘客到達(dá)檢測(cè)區(qū)域右側(cè)，檢測(cè)區(qū)域內(nèi)非零像素?cái)?shù)目較少；圖2（b）中在第140幀時(shí)，乘客目標(biāo)頭部進(jìn)入檢測(cè)區(qū)域，區(qū)域內(nèi)非零像素?cái)?shù)目逐漸增加；圖2（c）中在第154幀時(shí)，乘客身體進(jìn)入檢測(cè)區(qū)域，此時(shí)檢測(cè)區(qū)域內(nèi)非零像素?cái)?shù)目達(dá)到一個(gè)較大值。圖2（d）中在第173幀時(shí)，乘客目標(biāo)離開檢測(cè)區(qū)域，檢測(cè)區(qū)域內(nèi)非零像素恢復(fù)到較低值?？芍诘?26幀～154幀，檢測(cè)區(qū)域內(nèi)像素是非線性上升的過(guò)程，而從154幀～173幀，檢測(cè)區(qū)域內(nèi)非零像素?cái)?shù)目處于非線性下降的過(guò)程。通過(guò)對(duì)126幀～173幀視頻序列中檢測(cè)區(qū)域內(nèi)非零像素?cái)?shù)目的變化統(tǒng)計(jì)得到如圖3所示的曲線。從圖3可以看出，當(dāng)一個(gè)乘客通過(guò)檢測(cè)區(qū)域時(shí)，區(qū)域內(nèi)非零像素?cái)?shù)目呈現(xiàn)非線性上升至最大峰值，再由最大值逐漸下降至較低值的變化規(guī)律。在統(tǒng)計(jì)曲線上，除了最大的波峰外還分布許多小波峰，稱之為“毛刺”，這是由于背景光線改變、乘客運(yùn)動(dòng)發(fā)生形變、目標(biāo)檢測(cè)算法效果等因素引起的。根據(jù)乘客的運(yùn)動(dòng)可知通常情況下乘客在視頻序列中存在時(shí)間較長(zhǎng)，所占的幀數(shù)較多對(duì)應(yīng)波峰寬度較大的波峰，而由其他因素引起的波峰寬度較小，大多屬于“毛刺”。因此可以認(rèn)為在像素統(tǒng)計(jì)曲線上每個(gè)局部極大波峰與一個(gè)乘客目標(biāo)對(duì)應(yīng)。

對(duì)錄制的乘客上車視頻序列進(jìn)行檢測(cè)區(qū)域非零像素?cái)?shù)目統(tǒng)計(jì)，其中前7位上車乘客對(duì)應(yīng)的曲線如圖4所示。從圖4曲線可以看出，曲線上形成7個(gè)較為明顯的波峰，對(duì)應(yīng)如圖5所示的前7位乘客組成的乘客上車視頻序列。當(dāng)乘客以較快的速度通過(guò)檢測(cè)區(qū)域時(shí)，其在視頻序列中存在的時(shí)間較短，波峰寬度相對(duì)較小，以較慢的速度通過(guò)時(shí)，則得到寬度較大的局部波峰。當(dāng)前后乘客相鄰的間隔較大時(shí)，波峰波谷較為明顯，而當(dāng)間隔較小時(shí)，波峰波谷特征減弱。峰值的大小則反映乘客的形體、目標(biāo)檢測(cè)算法能夠提取的目標(biāo)有效面積像素等?？梢姰?dāng)乘客連續(xù)通過(guò)檢測(cè)區(qū)域時(shí)非零像素統(tǒng)計(jì)結(jié)果為一條波峰波谷明顯的曲線，通過(guò)對(duì)曲線上波峰波谷進(jìn)行識(shí)別統(tǒng)計(jì)，就可實(shí)現(xiàn)對(duì)乘客的計(jì)數(shù)。

圖3　單個(gè)乘客像素統(tǒng)計(jì)結(jié)果

圖4　多個(gè)乘客像素統(tǒng)計(jì)結(jié)果

圖5　乘客上車視頻序列

3.2 加權(quán)步長(zhǎng)波峰搜索識(shí)別算法

由于曲線上 “毛刺”的存在使得波峰識(shí)別變得困難。根據(jù)對(duì)乘客像素統(tǒng)計(jì)曲線的分析，本文提出一種基于加權(quán)步長(zhǎng)的波峰搜索識(shí)別算法，其基本算法原理是選擇一個(gè)固定寬度的搜索窗口在頻譜曲線上進(jìn)行滑動(dòng)，在這過(guò)程中求窗口兩端點(diǎn)的像素差值，將得到的差值與不同等級(jí)的閾值進(jìn)行比較，確定曲線上升或下降的步長(zhǎng)權(quán)值，歸一化差值（差值≥0，歸一化為1；＜0，則歸一化為-1），具體算法流程如圖6所示：

圖6　加權(quán)步長(zhǎng)波峰搜索識(shí)別算法

加權(quán)步長(zhǎng)波峰搜索識(shí)別算法能夠?qū)⒄仪€轉(zhuǎn)換為方波，通過(guò)對(duì)方波的識(shí)別實(shí)現(xiàn)對(duì)其波峰、波谷的統(tǒng)計(jì)。采用算法對(duì)圖5單人間隔上車視頻序列多目標(biāo)通過(guò)像素統(tǒng)計(jì)曲線進(jìn)行處理，得到如圖7所示的方波圖，將其與圖4的帶“毛刺”的正弦曲線相比較，明顯方波更便于識(shí)別統(tǒng)計(jì)。通過(guò)多次實(shí)驗(yàn)驗(yàn)證，證明本文提出的基于加權(quán)步長(zhǎng)的波峰搜索識(shí)別算法對(duì)于帶“毛刺”但存在有明顯波峰波谷的信號(hào)波具有良好的識(shí)別效果。

4　試驗(yàn)及結(jié)果分析

本論文在WindowsXP環(huán)境下采用C++語(yǔ)言及OpenCV圖像處理庫(kù)函數(shù)實(shí)現(xiàn)系統(tǒng)，系統(tǒng)整體算法流程如圖8所示，系統(tǒng)界面如圖9所示。用戶可手動(dòng)輸入汽車的牌照號(hào)、額定載客人數(shù)、運(yùn)營(yíng)線路等相關(guān)車輛信息，然后選擇測(cè)試視頻樣本，自動(dòng)乘客計(jì)數(shù)系統(tǒng)就能夠自動(dòng)計(jì)算出乘客人數(shù)，將計(jì)數(shù)結(jié)果傳輸給超載警報(bào)系統(tǒng)做判定，同時(shí)把數(shù)據(jù)傳送到結(jié)算報(bào)告系統(tǒng)，通過(guò)超載警報(bào)子系統(tǒng)和結(jié)算報(bào)告系統(tǒng)的處理，系統(tǒng)最后輸出最終結(jié)果。

圖7　算法方波圖

圖8　計(jì)數(shù)算法流程

圖9　視頻客流計(jì)數(shù)系統(tǒng)界面

使用錄制的多乘客視頻資料對(duì)系統(tǒng)進(jìn)行測(cè)試，證實(shí)系統(tǒng)能夠?qū)崿F(xiàn)預(yù)期的乘客計(jì)數(shù)、超載報(bào)警、結(jié)算報(bào)告功能。對(duì)大巴車上乘客有秩序上下車視頻序列，系統(tǒng)能夠準(zhǔn)確記錄不同時(shí)段上下車的人數(shù)，并在超載的情況下發(fā)出報(bào)警信息，最后自動(dòng)生成運(yùn)營(yíng)報(bào)告。然而目前視頻計(jì)數(shù)系統(tǒng)乘客計(jì)數(shù)的精度只達(dá)到90%，要將該系統(tǒng)應(yīng)用到實(shí)際中還有一定困難。除了要提高視頻計(jì)數(shù)系統(tǒng)的準(zhǔn)確性外，還需完善中央處理系統(tǒng)、超載警報(bào)系統(tǒng)、結(jié)算報(bào)告系統(tǒng)等，使輸出的最終結(jié)果更直觀可靠。在提高軟件功能同時(shí)考慮軟、硬件之間的結(jié)合問(wèn)題，如數(shù)字信號(hào)處理器（Digital Signal Processing，DSP）的選擇，視頻計(jì)數(shù)系統(tǒng)與車載GPS平臺(tái)的相互融合，無(wú)線通信模塊配置等。

5　結(jié)語(yǔ)

本文設(shè)計(jì)了視頻客流計(jì)數(shù)系統(tǒng)，能夠?qū)崿F(xiàn)乘客計(jì)數(shù)、超載報(bào)警、經(jīng)濟(jì)指標(biāo)計(jì)算等功能。提出基于加權(quán)步長(zhǎng)波峰搜索識(shí)別的乘客目標(biāo)計(jì)數(shù)算法，該算法具有計(jì)算簡(jiǎn)單，速度快，而且不依賴于算法理論尚未成熟的目標(biāo)跟蹤技術(shù)等特點(diǎn)，能夠?qū)﹂L(zhǎng)途大巴車乘客有秩序上、下車視頻序列實(shí)現(xiàn)準(zhǔn)確計(jì)數(shù)。但是對(duì)于其他復(fù)雜情況的計(jì)數(shù)，例如兩人并排上車，由于統(tǒng)計(jì)得到的像素曲線無(wú)明顯的規(guī)律可尋，對(duì)此類像素統(tǒng)計(jì)曲線的識(shí)別還有待進(jìn)一步的研究。

［1］石琳琦，趙辛宇，吳望塵.公交客車乘客計(jì)數(shù)技術(shù)的研發(fā)進(jìn)展［J］.電子世界，2012（24）：108-111.

［2］K. Terada，D. Yoshida，S. Oe，ect. A Counting Method of the Number of Passing People Using a Stereo Camera［C］∥The 25th Annual Conference of the IEEE，Industrial Electronics Society，1999. IECON' 99 Proceedings. 1999：1318-1323.

［3］王偉東.視頻分析法在公交車客流統(tǒng)計(jì)中的研究與應(yīng)用［D］.天津：河北工業(yè)大學(xué)，2010.

［4］ Chung-LinHuang，Shih-Chung Hsu，I-Chung Tsao，etc. People Counting using Ellipse Detection and Forward/Backward Tracing［C］∥2011 First Asian Conference on Pattern Recognition，2011：505-509.

［5］ 張繼法，梅雪，許松松，等.一種基于雙橢圓模型的視頻人數(shù)統(tǒng)計(jì)方法［J］.計(jì)算機(jī)科學(xué)，2012，39（S1）：500-502.

［6］Yifang M. Xiang nian H. Human Recognition Based On Head-Shoulder Moment Feature［C］∥IEEE International Conference on Service Operations and Logistics，and Informatics，2008：622-625.

［7］Qing Ye. A robust method for counting people in complex indoor spaces［C］∥2010 IEEE International Conference on Education Technology and Computer，2012：450-454.

［8］張敏敏.復(fù)雜環(huán)境下的人頭定位技術(shù)研究及是想［D］.南京：南京理工大學(xué)，2008.

［9］Zui Zhang，Hatice Gunes，Massimo Piccardi. An accurate algorithm for head detedtion based on XYZ and HSV hair and skin color models［C］∥2008 IEEE International Conference on Image Processing，2008：1644-1647.

［10］Dat Nguyen，Loc Huynh， Thang Ba Dinh，Tien Dinh. Video Monitoring System：Counting People by Tracking［C］∥2012 IEEE RIVF International Conference on，2012：1-4.

［11］Lijiang Zhang，Yingli Liang. A fast method of face detection in video images［C］∥Proceedings 2nd IEEE International Conference on Advanced Computer Control，2010：490-494.

［12］Xu Hua-zhong， Pei Lv，Lei Meng. A people counting system based on head-shoulder detection and tracking in surveillance video［C］∥2011 International Conference on Computer Design and Application，2010：1394-1398.

［13］D.Huang， Tommy W.S.Chow，W.H Chau.Neural network based system for counting people［C］∥2002 28th Annual Conference of the IEEE Industrial Electronics Society，2002：2197-2201.

［14］Antoni B.Chan，Nuno Vasconcelos. Counting People With Low-Level Features and Bayesian Regression［J］∥IEEE transactions on image processing，2012，21（4）：2160-2177.

Research on Video Passenger Counting System Based on Wave Search Algorithm

Wang Mengju， Wu Xiaolong， Shi Ruoyu
（Kunming Transport Consultancy Limited， Kunming 650028， China）

Video analysis on the passenger flow statistics is current research hotspot and difficulty，and the common video counting implementation process is mainly rely on the object segmentation， target tracking and target recognition which are not yet mature algorithms. Especially， it is very difficult to track the target accurately. In order to avoid the influence of target tracking algorithm on the counting accuracy， in this paper， the video of counting algorithm statistics target pixels that are based on the object segmentation algorithm.For achieving the passengers counting ， the peak identification search algorithm which is based on weighted step wave is proposed， in order to identify the statistical curve of pixels. Finally， a set of complete video passenger flow counting system which is under the background of the long distance bus video passenger flow counting problem and combining with the count of algorithm are designed. Experimental results show that the design of passenger flow counting system could count accurately on the video sequence of the long distance bus in which passengers orderly on （off） the car， and the counting precision is above 90%， also functions as overload alarm ， intelligent settlement and so on are added.

passenger counting； target detection； peak identification； video analysis

U491.1+16

A

1672-9889（2015）06-0076-05

王夢(mèng)菊（1987-），女，云南文山人，助理工程師，主要從事城市交通方面的工作。

（2015-03-07）