一種公交車(chē)乘客擁擠程度識(shí)別系統(tǒng)及方法
【專利摘要】本發(fā)明涉及一種公交車(chē)乘客擁擠程度識(shí)別系統(tǒng)及方法。該系統(tǒng)包括用于采集公交車(chē)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(duì)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(cè)，以完成監(jiān)控圖像中乘客擁擠程度的預(yù)測(cè)的圖像特征預(yù)測(cè)模塊以。本發(fā)明充分復(fù)用現(xiàn)有車(chē)載監(jiān)控設(shè)備的監(jiān)控圖像進(jìn)行識(shí)別，綜合了公交車(chē)中多個(gè)攝像頭監(jiān)控畫(huà)面的檢測(cè)結(jié)果，能做到三檔擁擠程度的準(zhǔn)確識(shí)別，具有很高的經(jīng)濟(jì)性，可靠性和高效性。
【專利說(shuō)明】一種公交車(chē)乘客擁擠程度識(shí)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(chē)乘客擁擠程度識(shí)別系統(tǒng)及方法。

【背景技術(shù)】
[0002]隨著人們社會(huì)活動(dòng)的不斷增加，由于人群密度過(guò)大而造成人員傷亡的事件屢見(jiàn)不鮮。在日常生活中，對(duì)于人們經(jīng)常出入的地鐵、車(chē)站和超市等地點(diǎn)的人群密度統(tǒng)計(jì)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(jià)值。傳統(tǒng)的人群密度分析通過(guò)監(jiān)控場(chǎng)景的閉路電視進(jìn)行人工監(jiān)控，費(fèi)時(shí)費(fèi)力而且缺乏客觀性。隨著計(jì)算機(jī)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(yùn)而生。
[0003]人群密度估計(jì)主要有兩種方法:基于像素統(tǒng)計(jì)的密度估計(jì)方法較為簡(jiǎn)單，但是當(dāng)人群密度較高、人群遮擋嚴(yán)重時(shí)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(duì)整張圖像進(jìn)行人群密度計(jì)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(duì)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(chē)乘客擁擠程度識(shí)別系統(tǒng)及方法。
[0005]為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案是:一種公交車(chē)乘客擁擠程度識(shí)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(cè)模塊；
所述圖像采集模塊用于采集公交車(chē)離站一分鐘正常行駛后的多路車(chē)載視頻實(shí)時(shí)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(duì)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(duì)應(yīng)的紋理特征，訓(xùn)練得到XML文檔；
所述圖像特征預(yù)測(cè)模塊調(diào)用所述圖像特征提取模塊，提取待處理的實(shí)時(shí)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(cè)，以完成監(jiān)控圖像中乘客擁擠程度的預(yù)測(cè)。
[0006]在本發(fā)明實(shí)施例中，所述的圖像預(yù)處理模塊根據(jù)公交車(chē)的特定場(chǎng)景分別對(duì)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(chē)中各部分監(jiān)控圖像分別分割成若干塊，然后對(duì)各塊進(jìn)行LBP灰度化處理和梯度圖處理。
[0007]在本發(fā)明實(shí)施例中，所述的圖像特征提取模塊將各塊分割成若干個(gè)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(shí)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(duì)訓(xùn)練過(guò)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(guò)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(shí)施例中，所述的圖像特征預(yù)測(cè)模塊調(diào)用所述圖像特征提取模塊，提取待處理的實(shí)時(shí)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(duì)實(shí)際待預(yù)測(cè)圖像進(jìn)行擁擠度的預(yù)測(cè)，最后綜合多個(gè)塊的預(yù)測(cè)結(jié)果加權(quán)求和計(jì)算出公交車(chē)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(chē)乘客擁擠程度識(shí)別系統(tǒng)的識(shí)別方法，包括如下步驟，
步驟SOl:通過(guò)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(gè)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(duì)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(dòng)窗口技術(shù)的引入用來(lái)檢測(cè)潛在的擁擠區(qū)域。

【專利附圖】

【附圖說(shuō)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(shí)施方式】
[0015]下面結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案進(jìn)行具體說(shuō)明。
[0016]本發(fā)明一種公交車(chē)乘客擁擠程度識(shí)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(cè)模塊；
所述圖像采集模塊用于采集公交車(chē)離站一分鐘正常行駛后的多路車(chē)載視頻實(shí)時(shí)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(chē)的特定場(chǎng)景分別對(duì)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(chē)中各部分監(jiān)控圖像分別分割成若干塊，然后對(duì)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(duì)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(gè)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(duì)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(duì)訓(xùn)練過(guò)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(guò)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(cè)模塊調(diào)用所述圖像特征提取模塊，提取待處理的實(shí)時(shí)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(cè)，以完成監(jiān)控圖像中乘客擁擠程度的預(yù)測(cè)；即調(diào)用所述圖像特征提取模塊，提取待處理的實(shí)時(shí)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(duì)實(shí)際待預(yù)測(cè)圖像進(jìn)行擁擠度的預(yù)測(cè)，最后綜合多個(gè)塊的預(yù)測(cè)結(jié)果加權(quán)求和計(jì)算出公交車(chē)乘客的整體擁擠程度。
[0017]基于上述的公交車(chē)乘客擁擠程度識(shí)別系統(tǒng)，還提供了一種公交車(chē)乘客擁擠程度識(shí)別方法，包括如下步驟，
步驟SOl:通過(guò)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(gè)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(duì)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(shí)施例。
[0019]如圖1所示，本發(fā)明包括以下4個(gè)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(shí)時(shí)監(jiān)控畫(huà)面，而且因?yàn)樵O(shè)備不同，型號(hào)不同等原因，所以公交車(chē)離站后采集上來(lái)的監(jiān)控畫(huà)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(chē)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(gè)一維的特征向量表示；具體流程圖參見(jiàn)圖2所示，
方案實(shí)現(xiàn):
本分析方法采用紋理作為特征來(lái)描述圖片的人群擁擠程度，先將源圖像轉(zhuǎn)化為L(zhǎng)BP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(gè)大小一致的cell圖像，cell圖像之間有重疊。對(duì)每個(gè)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(lái)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(duì)特征矩陣進(jìn)行訓(xùn)練及預(yù)測(cè)，尋找出最佳訓(xùn)練器參數(shù)并生成xml參數(shù)文件；
方案實(shí)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(gè)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(shí)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(gè)過(guò)程類似于先建立了圖片的索引，當(dāng)需要讀取圖片時(shí)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(duì)訓(xùn)練過(guò)程中的各重要參數(shù)進(jìn)行遍歷尋優(yōu)，最終找到一個(gè)最佳參數(shù)組合。概括地說(shuō)，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(gè)block內(nèi)cell尺寸不同、重疊面積不同都會(huì)影響特征向量，從而影響最終的人群密度分類。一般來(lái)說(shuō)，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(zhǎng)”；反之亦然。因此，我們需要對(duì)cell的尺寸、cell重疊面積大小進(jìn)行遍歷訓(xùn)練并預(yù)測(cè)。
[0024]b.SVM參數(shù)尋優(yōu)(stage2):進(jìn)行svm訓(xùn)練需要提供兩個(gè)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(chǎng)景下起主要影響作用的是其中的懲罰因子，這是一個(gè)正實(shí)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(duì)其進(jìn)行遍歷。
[0025]4.圖像特征預(yù)測(cè)模塊:讀取圖像特征訓(xùn)練模塊得到的XML參數(shù)文件，對(duì)同一時(shí)刻得到的公交車(chē)中間(Cam3)及其后下客門(mén)(Cam4)采集到的圖像進(jìn)行擁擠程度訓(xùn)練和預(yù)測(cè)，分別得到Cam3中3個(gè)塊和Cam4中一個(gè)塊的擁擠度(定義空曠時(shí)擁擠度指數(shù)為1，正常時(shí)擁擠度指數(shù)為2，擁擠時(shí)擁擠度指數(shù)為3)，綜合Cam3中3個(gè)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(jì)算出公交車(chē)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(lái)描述圖像的紋理特征，經(jīng)實(shí)驗(yàn)證明，該特征能很好地表征圖片中的人群擁擠程度，相對(duì)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(duì)于智能交通調(diào)度及其智能安防領(lǐng)域提供了強(qiáng)有力的技術(shù)保證。
[0027]以上是本發(fā)明的較佳實(shí)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(shí)，均屬于本發(fā)明的保護(hù)范圍。
【權(quán)利要求】
1.一種公交車(chē)乘客擁擠程度識(shí)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(cè)模塊； 所述圖像采集模塊用于采集公交車(chē)離站一分鐘正常行駛后的多路車(chē)載視頻實(shí)時(shí)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(duì)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(duì)應(yīng)的紋理特征，訓(xùn)練得到XML文檔； 所述圖像特征預(yù)測(cè)模塊調(diào)用所述圖像特征提取模塊，提取待處理的實(shí)時(shí)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(cè)，以完成監(jiān)控圖像中乘客擁擠程度的預(yù)測(cè)。
2.根據(jù)權(quán)利要求1所述的一種公交車(chē)乘客擁擠程度識(shí)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(chē)的特定場(chǎng)景分別對(duì)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(chē)中各部分監(jiān)控圖像分別分割成若干塊，然后對(duì)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(chē)乘客擁擠程度識(shí)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(gè)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(chē)乘客擁擠程度識(shí)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(duì)訓(xùn)練過(guò)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(guò)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(chē)乘客擁擠程度識(shí)別系統(tǒng)，其特征在于:所述的圖像特征預(yù)測(cè)模塊調(diào)用所述圖像特征提取模塊，提取待處理的實(shí)時(shí)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(duì)實(shí)際待預(yù)測(cè)圖像進(jìn)行擁擠度的預(yù)測(cè)，最后綜合多個(gè)塊的預(yù)測(cè)結(jié)果加權(quán)求和計(jì)算出公交車(chē)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(chē)乘客擁擠程度識(shí)別系統(tǒng)的識(shí)別方法，其特征在于:包括如下步驟， 步驟SO1:通過(guò)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(gè)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(duì)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(hào)】G06K9/00GK104504377SQ201410817901
【公開(kāi)日】2015年4月8日 申請(qǐng)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(qǐng)人:中郵科通信技術(shù)股份有限公司