一種公交車乘客擁擠程度識別系統(tǒng)及方法
【專利摘要】本發(fā)明涉及一種公交車乘客擁擠程度識別系統(tǒng)及方法。該系統(tǒng)包括用于采集公交車離站一分鐘后的監(jiān)控圖像的圖像采集模塊、將采集的監(jiān)控圖像進(jìn)行分割裁剪和按比例縮放的圖像預(yù)處理模塊、對經(jīng)所述圖像預(yù)處理模塊處理的圖像提取GLCM紋理特征的圖像特征提取模塊、根據(jù)所述圖像特征提取模塊提取的紋理特征訓(xùn)練得到XML文檔的圖像特征訓(xùn)練模塊以及讀取XML文檔并進(jìn)行擁擠程度訓(xùn)練和預(yù)測，以完成監(jiān)控圖像中乘客擁擠程度的預(yù)測的圖像特征預(yù)測模塊以。本發(fā)明充分復(fù)用現(xiàn)有車載監(jiān)控設(shè)備的監(jiān)控圖像進(jìn)行識別，綜合了公交車中多個攝像頭監(jiān)控畫面的檢測結(jié)果，能做到三檔擁擠程度的準(zhǔn)確識別，具有很高的經(jīng)濟性，可靠性和高效性。
【專利說明】一種公交車乘客擁擠程度識別系統(tǒng)及方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種公交車乘客擁擠程度識別系統(tǒng)及方法。

【背景技術(shù)】
[0002]隨著人們社會活動的不斷增加，由于人群密度過大而造成人員傷亡的事件屢見不鮮。在日常生活中，對于人們經(jīng)常出入的地鐵、車站和超市等地點的人群密度統(tǒng)計是非常必要的，因此人群密度分析有著廣泛的應(yīng)用前景和研宄價值。傳統(tǒng)的人群密度分析通過監(jiān)控場景的閉路電視進(jìn)行人工監(jiān)控，費時費力而且缺乏客觀性。隨著計算機和圖像處理技術(shù)的發(fā)展和廣泛應(yīng)用，智能化的人群密度監(jiān)控系統(tǒng)應(yīng)運而生。
[0003]人群密度估計主要有兩種方法:基于像素統(tǒng)計的密度估計方法較為簡單，但是當(dāng)人群密度較高、人群遮擋嚴(yán)重時誤差較大；使用紋理分析的方法可以充分利用圖像的紋理信息，但是算法復(fù)雜度較高?，F(xiàn)有的人群密度分析方法只是籠統(tǒng)對整張圖像進(jìn)行人群密度計算而忽略了局部的區(qū)域，而且高密度人群存在著明顯的人與人間的重疊現(xiàn)象，故在特征提取的描述符選取上具有各種局限性和片面性，造成了人群密度分析上較高的誤判率。


【發(fā)明內(nèi)容】

[0004]本發(fā)明針對現(xiàn)有方法中高密度人群密度分析的缺陷，提供了一種公交車乘客擁擠程度識別系統(tǒng)及方法。
[0005]為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案是:一種公交車乘客擁擠程度識別系統(tǒng)，包括圖像采集模塊、圖像預(yù)處理模塊、圖像特征提取模塊、圖像特征訓(xùn)練模塊和圖像特征預(yù)測模塊；
所述圖像采集模塊用于采集公交車離站一分鐘正常行駛后的多路車載視頻實時監(jiān)控圖像；
所述圖像預(yù)處理模塊將所述圖像采集模塊采集的監(jiān)控圖像進(jìn)行分割裁剪、按比例縮放、LBP灰度化處理和梯度圖處理；
所述圖像特征提取模塊對經(jīng)所述圖像預(yù)處理模塊處理的圖像提取GLCM紋理特征；所述圖像特征訓(xùn)練模塊根據(jù)所述圖像特征提取模塊提取的多幅監(jiān)控圖像對應(yīng)的紋理特征，訓(xùn)練得到XML文檔；
所述圖像特征預(yù)測模塊調(diào)用所述圖像特征提取模塊，提取待處理的實時監(jiān)控圖像的GLCM紋理特征，結(jié)合所述圖像特征訓(xùn)練模塊訓(xùn)練所得的XML文檔，進(jìn)行擁擠程度預(yù)測，以完成監(jiān)控圖像中乘客擁擠程度的預(yù)測。
[0006]在本發(fā)明實施例中，所述的圖像預(yù)處理模塊根據(jù)公交車的特定場景分別對監(jiān)控圖像進(jìn)行裁剪并以預(yù)定的比例縮放，即將公交車中各部分監(jiān)控圖像分別分割成若干塊，然后對各塊進(jìn)行LBP灰度化處理和梯度圖處理。
[0007]在本發(fā)明實施例中，所述的圖像特征提取模塊將各塊分割成若干個cell，并分別提取各cell的GLCM紋理特征后，合并得到整塊的GLCM紋理特征。
[0008]在本發(fā)明實施例中，所述的圖像特征訓(xùn)練模塊包括訓(xùn)練參數(shù)尋優(yōu)子模塊及圖像特征訓(xùn)練子模塊；所述的參數(shù)尋優(yōu)子模塊根據(jù)已知的樣本數(shù)據(jù)對訓(xùn)練過程中的重要參數(shù)進(jìn)行遍歷尋優(yōu)，得出最佳訓(xùn)練器參數(shù)并生成XML參數(shù)文件，形成XML文檔，該尋優(yōu)過程包括特征向量尋優(yōu)和SVM參數(shù)尋優(yōu)。
[0009]在本發(fā)明實施例中，所述的圖像特征預(yù)測模塊調(diào)用所述圖像特征提取模塊，提取待處理的實時監(jiān)控圖像的GLCM紋理特征，結(jié)合所述圖像特征訓(xùn)練模塊訓(xùn)練所得的XML文檔，對實際待預(yù)測圖像進(jìn)行擁擠度的預(yù)測，最后綜合多個塊的預(yù)測結(jié)果加權(quán)求和計算出公交車乘客的整體擁擠程度。
[0010]本發(fā)明還提供了一種采用如上述所述的公交車乘客擁擠程度識別系統(tǒng)的識別方法，包括如下步驟，
步驟SOl:通過圖像采集模塊采集監(jiān)控圖像視頻幀，并將監(jiān)控圖像分割為若干塊；
步驟S02:將步驟SOl的各塊分割成若干個重疊的cell，分別提取其LBP灰度特征向量和梯度特征向量后進(jìn)行拼接得到cell的特征向量；
步驟S03:拼接所有cell的特征向量得到各塊的特征向量；
步驟S04:根據(jù)各塊的特征向量，利用SVM對監(jiān)控圖像中的人群密度進(jìn)行特征分類統(tǒng)
i+o
[0011]相較于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果:
1、本發(fā)明能更加全面地描述圖像中人群密度的紋理特征；
2、本發(fā)明采用基于灰度和梯度的LBP特征提取極大提高了人群密度分析的性能；
3、本發(fā)明采用滑動窗口技術(shù)的引入用來檢測潛在的擁擠區(qū)域。

【專利附圖】

【附圖說明】
[0012]圖1為本發(fā)明系統(tǒng)架構(gòu)示意圖。
[0013]圖2為本發(fā)明核心模塊圖像特征提取模塊框架圖。
[0014]圖3為本發(fā)明中采用的參數(shù)尋優(yōu)流程圖。

【具體實施方式】
[0015]下面結(jié)合附圖，對本發(fā)明的技術(shù)方案進(jìn)行具體說明。
[0016]本發(fā)明一種公交車乘客擁擠程度識別系統(tǒng)，包括圖像采集模塊、圖像預(yù)處理模塊、圖像特征提取模塊、圖像特征訓(xùn)練模塊和圖像特征預(yù)測模塊；
所述圖像采集模塊用于采集公交車離站一分鐘正常行駛后的多路車載視頻實時監(jiān)控圖像；
所述圖像預(yù)處理模塊將所述圖像采集模塊采集的監(jiān)控圖像進(jìn)行分割裁剪、按比例縮放、LBP灰度化處理和梯度圖處理；即根據(jù)公交車的特定場景分別對監(jiān)控圖像進(jìn)行裁剪并以預(yù)定的比例縮放，具體為將公交車中各部分監(jiān)控圖像分別分割成若干塊，然后對各塊進(jìn)行LBP灰度化處理和梯度圖處理；
所述圖像特征提取模塊對經(jīng)所述圖像預(yù)處理模塊處理的圖像提取GLCM紋理特征；即將各塊分割成若干個cell，并分別提取各cell的GLCM紋理特征后，合并得到整塊的GLCM紋理特征； 所述圖像特征訓(xùn)練模塊根據(jù)所述圖像特征提取模塊提取的多幅監(jiān)控圖像對應(yīng)的紋理特征，訓(xùn)練得到XML文檔；所述的圖像特征訓(xùn)練模塊包括訓(xùn)練參數(shù)尋優(yōu)子模塊及圖像特征訓(xùn)練子模塊；所述的參數(shù)尋優(yōu)子模塊根據(jù)已知的樣本數(shù)據(jù)對訓(xùn)練過程中的重要參數(shù)進(jìn)行遍歷尋優(yōu)，得出最佳訓(xùn)練器參數(shù)并生成XML參數(shù)文件，形成XML文檔，該尋優(yōu)過程包括特征向量尋優(yōu)和SVM參數(shù)尋優(yōu)；
所述圖像特征預(yù)測模塊調(diào)用所述圖像特征提取模塊，提取待處理的實時監(jiān)控圖像的GLCM紋理特征，結(jié)合所述圖像特征訓(xùn)練模塊訓(xùn)練所得的XML文檔，進(jìn)行擁擠程度預(yù)測，以完成監(jiān)控圖像中乘客擁擠程度的預(yù)測；即調(diào)用所述圖像特征提取模塊，提取待處理的實時監(jiān)控圖像的GLCM紋理特征，結(jié)合所述圖像特征訓(xùn)練模塊訓(xùn)練所得的XML文檔，對實際待預(yù)測圖像進(jìn)行擁擠度的預(yù)測，最后綜合多個塊的預(yù)測結(jié)果加權(quán)求和計算出公交車乘客的整體擁擠程度。
[0017]基于上述的公交車乘客擁擠程度識別系統(tǒng)，還提供了一種公交車乘客擁擠程度識別方法，包括如下步驟，
步驟SOl:通過圖像采集模塊采集監(jiān)控圖像視頻幀，并將監(jiān)控圖像分割為若干塊；
步驟S02:將步驟SOl的各塊分割成若干個重疊的cell，分別提取其LBP灰度特征向量和梯度特征向量后進(jìn)行拼接得到cell的特征向量；
步驟S03:拼接所有cell的特征向量得到各塊的特征向量；
步驟S04:根據(jù)各塊的特征向量，利用SVM對監(jiān)控圖像中的人群密度進(jìn)行特征分類統(tǒng)
i+o
[0018]以下為本發(fā)明的具體實施例。
[0019]如圖1所示，本發(fā)明包括以下4個關(guān)鍵模塊:
1.圖像預(yù)處理模塊:前端監(jiān)控探頭采集到的都是彩色的實時監(jiān)控畫面，而且因為設(shè)備不同，型號不同等原因，所以公交車離站后采集上來的監(jiān)控畫面可能尺寸不一樣.該模塊負(fù)責(zé)把原始的監(jiān)控圖片進(jìn)行尺寸縮放為統(tǒng)一的尺寸以及將公交車中各部分監(jiān)控圖像分別分割成若干塊(Block)，然后提取其灰度圖，最后由圖像特征提取模塊做進(jìn)一步的特征提取.2.圖像特征提取模塊:綜合LBP灰度圖、梯度圖、共生矩陣等提取出能準(zhǔn)確描繪Block圖像擁擠程度的特征向量，一張Block圖像用一個一維的特征向量表示；具體流程圖參見圖2所示，
方案實現(xiàn):
本分析方法采用紋理作為特征來描述圖片的人群擁擠程度，先將源圖像轉(zhuǎn)化為LBP灰度圖或者梯度圖后，在LBP灰度圖或者梯度圖上提取紋理特征。
[0020]一張block圖像首先被分割為η個大小一致的cell圖像，cell圖像之間有重疊。對每個cell圖像提取其LBP梯度特征向量以及LBP灰度特征向量后進(jìn)行拼接得到該cell的特征向量。拼接所有cell的特征向量就得到block的LBP特征向量，該向量作為有力的描述符來描述block圖像的擁擠程度。
[0021 ] 3.圖像特征訓(xùn)練模塊(SVM訓(xùn)練):調(diào)用OpenCV中的相應(yīng)接口函數(shù)對特征矩陣進(jìn)行訓(xùn)練及預(yù)測，尋找出最佳訓(xùn)練器參數(shù)并生成xml參數(shù)文件；
方案實現(xiàn): (I)數(shù)據(jù)集格式構(gòu)造:
本系統(tǒng)采用數(shù)據(jù)集目錄結(jié)構(gòu)。每個諸如“空曠”、“擁擠”等文件夾下只存放其所指的類型，方便調(diào)試和查看。在讀取圖片時我們并不直接去目錄找圖片，而是先在“Left”、“Right”、“Middle”文件夾的根目錄下生成描述文件，描述文件描述了在“Left”目錄下每張圖片的全路徑以及其所屬類別。這個過程類似于先建立了圖片的索引，當(dāng)需要讀取圖片時直接到描述文件中讀取即可。
[0022](2)參數(shù)尋優(yōu):
SVM訓(xùn)練需要首先對訓(xùn)練過程中的各重要參數(shù)進(jìn)行遍歷尋優(yōu)，最終找到一個最佳參數(shù)組合。概括地說，尋優(yōu)可分為兩階段:a.特征向量尋優(yōu)；b.SVM參數(shù)尋優(yōu)。該參數(shù)尋優(yōu)流程圖如圖3所示。
[0023]a.特征向量尋優(yōu)(stagel):—個block內(nèi)cell尺寸不同、重疊面積不同都會影響特征向量，從而影響最終的人群密度分類。一般來說，cell尺寸越小，cell間重疊的部分越大，則特征向量維度越高，也就是“向量越長”；反之亦然。因此，我們需要對cell的尺寸、cell重疊面積大小進(jìn)行遍歷訓(xùn)練并預(yù)測。
[0024]b.SVM參數(shù)尋優(yōu)(stage2):進(jìn)行svm訓(xùn)練需要提供兩個參數(shù)，一是上述的特征矩陣，二是由CvSVMParamter封裝成的結(jié)構(gòu)體；在本系統(tǒng)的應(yīng)用場景下起主要影響作用的是其中的懲罰因子，這是一個正實數(shù)，特征矩陣不同意味著所需要的C參數(shù)不同，因此可以對其進(jìn)行遍歷。
[0025]4.圖像特征預(yù)測模塊:讀取圖像特征訓(xùn)練模塊得到的XML參數(shù)文件，對同一時刻得到的公交車中間(Cam3)及其后下客門(Cam4)采集到的圖像進(jìn)行擁擠程度訓(xùn)練和預(yù)測，分別得到Cam3中3個塊和Cam4中一個塊的擁擠度(定義空曠時擁擠度指數(shù)為1，正常時擁擠度指數(shù)為2，擁擠時擁擠度指數(shù)為3)，綜合Cam3中3個塊的擁擠度指數(shù)加權(quán)求和得到Cam3的擁擠度，同樣的方法加權(quán)求和Cam3和Cam4的擁擠度指數(shù)計算出公交車乘客的整體擁擠程度。
[0026]本發(fā)明創(chuàng)新性地引入LBP灰度梯度共生矩陣來描述圖像的紋理特征，經(jīng)實驗證明，該特征能很好地表征圖片中的人群擁擠程度，相對于傳統(tǒng)的分析方法，人群密度判斷準(zhǔn)確率有了很大程度的提高，該方法的提出對于智能交通調(diào)度及其智能安防領(lǐng)域提供了強有力的技術(shù)保證。
[0027]以上是本發(fā)明的較佳實施例，凡依本發(fā)明技術(shù)方案所作的改變，所產(chǎn)生的功能作用未超出本發(fā)明技術(shù)方案的范圍時，均屬于本發(fā)明的保護范圍。
【權(quán)利要求】
1.一種公交車乘客擁擠程度識別系統(tǒng)，其特征在于:包括圖像采集模塊、圖像預(yù)處理模塊、圖像特征提取模塊、圖像特征訓(xùn)練模塊和圖像特征預(yù)測模塊； 所述圖像采集模塊用于采集公交車離站一分鐘正常行駛后的多路車載視頻實時監(jiān)控圖像； 所述圖像預(yù)處理模塊將所述圖像采集模塊采集的監(jiān)控圖像進(jìn)行分割裁剪、按比例縮放、LBP灰度化處理和梯度圖處理； 所述圖像特征提取模塊對經(jīng)所述圖像預(yù)處理模塊處理的圖像提取GLCM紋理特征； 所述圖像特征訓(xùn)練模塊根據(jù)所述圖像特征提取模塊提取的多幅監(jiān)控圖像對應(yīng)的紋理特征，訓(xùn)練得到XML文檔； 所述圖像特征預(yù)測模塊調(diào)用所述圖像特征提取模塊，提取待處理的實時監(jiān)控圖像的GLCM紋理特征，結(jié)合所述圖像特征訓(xùn)練模塊訓(xùn)練所得的XML文檔，進(jìn)行擁擠程度預(yù)測，以完成監(jiān)控圖像中乘客擁擠程度的預(yù)測。
2.根據(jù)權(quán)利要求1所述的一種公交車乘客擁擠程度識別系統(tǒng)，其特征在于:所述的圖像預(yù)處理模塊根據(jù)公交車的特定場景分別對監(jiān)控圖像進(jìn)行裁剪并以預(yù)定的比例縮放，即將公交車中各部分監(jiān)控圖像分別分割成若干塊，然后對各塊進(jìn)行LBP灰度化處理和梯度圖處理。
3.根據(jù)權(quán)利要求2所述的一種公交車乘客擁擠程度識別系統(tǒng)，其特征在于:所述的圖像特征提取模塊將各塊分割成若干個cell，并分別提取各cell的GLCM紋理特征后，合并得到整塊的GLCM紋理特征。
4.根據(jù)權(quán)利要求1所述的一種公交車乘客擁擠程度識別系統(tǒng)，其特征在于:所述的圖像特征訓(xùn)練模塊包括訓(xùn)練參數(shù)尋優(yōu)子模塊及圖像特征訓(xùn)練子模塊；所述的參數(shù)尋優(yōu)子模塊根據(jù)已知的樣本數(shù)據(jù)對訓(xùn)練過程中的重要參數(shù)進(jìn)行遍歷尋優(yōu)，得出最佳訓(xùn)練器參數(shù)并生成XML參數(shù)文件，形成XML文檔，該尋優(yōu)過程包括特征向量尋優(yōu)和SVM參數(shù)尋優(yōu)。
5.根據(jù)權(quán)利要求1所述的一種公交車乘客擁擠程度識別系統(tǒng)，其特征在于:所述的圖像特征預(yù)測模塊調(diào)用所述圖像特征提取模塊，提取待處理的實時監(jiān)控圖像的GLCM紋理特征，結(jié)合所述圖像特征訓(xùn)練模塊訓(xùn)練所得的XML文檔，對實際待預(yù)測圖像進(jìn)行擁擠度的預(yù)測，最后綜合多個塊的預(yù)測結(jié)果加權(quán)求和計算出公交車乘客的整體擁擠程度。
6.一種采用如權(quán)利要求1所述的公交車乘客擁擠程度識別系統(tǒng)的識別方法，其特征在于:包括如下步驟， 步驟SO1:通過圖像采集模塊采集監(jiān)控圖像視頻幀，并將監(jiān)控圖像分割為若干塊； 步驟S02:將步驟S01的各塊分割成若干個重疊的cell，分別提取其LBP灰度特征向量和梯度特征向量后進(jìn)行拼接得到cell的特征向量； 步驟S03:拼接所有cell的特征向量得到各塊的特征向量； 步驟S04:根據(jù)各塊的特征向量，利用SVM對監(jiān)控圖像中的人群密度進(jìn)行特征分類統(tǒng)i+o
【文檔編號】G06K9/00GK104504377SQ201410817901
【公開日】2015年4月8日 申請日期:2014年12月25日 優(yōu)先權(quán)日:2014年12月25日
【發(fā)明者】林賢標(biāo), 徐童木, 林佳明, 黃翔 申請人:中郵科通信技術(shù)股份有限公司