1绪论
1.1研究背景和意义
随着城市化的进行，城市人口持续膨胀，中国大中型城市交通面临的交通压力日趋严重。在一些大型城市，高峰期的交通拥堵已对城市的可持续发展构成了严重阻碍。解决高峰期的交通拥堵的一个行之有效的手段是鼓励城市居民乘坐公交车出行，但是部分公交线路在高峰期运力不足限制了居民乘坐公交成的热情。解决高峰期运力不足最好的手段是增加运力，但是单纯地增加热门线路的公交车数量，则会导致非高峰期的运力过剩，既不经济也不环保，因此公交智能调度的概念应运而生。公交智能调度是通过安装在每辆公交车上的终端，对各个线路的每一辆公交车上车人数、下车人数以及车上乘客总数进行统计，以此实现对现行各个公交线路在各个时间段的乘客负载情况进行监控。该调度对负载较严重的线路及时加开临时公交车辆，用以缓解该线路高峰期的交通压力；同时对乘客数量较少运输压力较小的的线路，适当减少少该线路的公交车数量，以芳约成本减少排放。此外公交智能调度还可以利用各个车站各个时段上下车的人流的历史数据进行深层次的数据挖掘，为制定合理高效的公交线路提供依据。因此，作为智能公交调度系统的最重要的部分，对公交乘客数进行精确的统计是公交智能调度系统实现的关键。传统的客流统计方法是利用人工检测，或利用投币机，刷卡器等接触式设备进行统计。其中采用人工统计的方法来取得客流量数据，虽然精度可以满足要求，但是需要消耗大量人力、财力，费用高昂并且实时性较差。而利用刷卡器、投币机等设备进行人数统计，虽然避免了使用人工，但是由于只能对付费乘客进行统计，并且只能对上车乘客进行统计、无法完成对乘客总数的计算，因此不满足公交智能调度系统对人数统计的要求。
在人数统计领域得到广泛应用的红外线检测系统，虽然可以同时实现对上下车人数的统计。但是，红外装置很容易受到外界因素的干扰，如人员连续通过或人员长时间驻留都可能造成误统计，无法满足公交智能调度系统对人数统计的精确性要求。同时，由于红外系统仅仅能够实现对通过车门的人数进行统计，并不能判断乘客运动的方向，即不能实现单车门的人流双向计数，因此无法应用于不分上下车门的快速公交系统。在快速公交系统覆面越来越广的今天，利用红外线进行公交人数统计的检测手段的适用性越来越低。基于视频图像处理的公交人数统计的提出对改善传统客流统计方式的低准确性和低鲁棒性有重大的意义。基于视频图像处理技术的客流统计方法以视频监控系统为平台，对监控系统中提取出来的视频序列中的乘客进行识别和跟踪，并对乘客的运动行为进行分析，得到精确度较高的客流统计结果。该系统可以作为一个子系统嵌入到原本存在的公交车监控系统中去，在完成传统公交车监控设备的基本任务的同时，实现了公交客流的统计，为公交车的高效调度提供了详细的信息，为优化公交车的日常管理方案提供了数据基础。基于视频图像处理技术的客流统计方法,建立于在公交领域得到广泛应用的视频监控设备上，实现成本低、应用面广、统计精确度高、市场前景广阔。此类方法不仅具有很强的实用价值，同时还有很强的科研价值。
1.2国内外研究现状
德国Dilax公司和加拿大Infodev公司将人员电子计数作为其核心业务，由于他们都采用不同的传感器来进行客流的数据采集，或多或少都存在着时间的延迟和人数统计的误判率。韩国威尔迪公司（VIRDI)的人数统计系统，目前在国内占有较高的市场份额，该公司的产品支持四路视频输入，wifi通信，能记录最长180天的详细客流数据，可以广泛用于公交车、地铁站以及商场的客流分析。在国内，公交车客流系统的发展较晚，国内各大城市还没有进行大面积的安装。深圳市飞瑞斯科技有限公司（FIRS)通过视频分析检测活体（人体头部及肩部）的形状，并计算通过设定区域和方向的数量达到精确统计活体的目的，该公司的产品对活体统计具有很高的精确度，可广泛用于需要活体统计和限制的场合，但是设备复杂费用高昂。
2视频人数统计的相关技术研究
视频人数统计的关键在于从视频序列中正确地识别出图像中感兴趣的目标，之后对该目标的运动状态进行持续的观察，藉此判断目标的数目和运动方向，最后通过计数规则的设置完成人数的统计。如何正确地识别目标并对目标的运动状态进行持续的观察涉及到了图像处理中运动目标检测、运动目标分割和运动目标跟踪等三方面问题。由于这些问题在视频图像处理领域属于基础性问题，针对这些问题已经拥有了许多成熟技术，因此通过对这些技术的研究，可以为本系统的设计提供重要的参考。本章对运动目标的检测方法、运动目标的分割方法和运动目标跟踪方法三方面进行了研究和分析，归纳了运动目标检测、分割和跟踪的常用技术。
2.1运动目标的识别方法
对运动目标的跟踪的前提是运动目标的提取，运动目标提取的任务是从图像或视频序列中将感兴趣的区域（即目标）分割出来，用于后续的处理，其提取结果可以是图像区域也可以是轮廓甚至是坐标序列。运动目标的提取包括运动目标的检测以及运动目标的分割，一个良好的提取目标可以大大提高目标跟踪和目标行为理解等后续处理的效率，因此选取一个好的目标提取方法至关重要。然而，由于图像以及视频序列易受到如光照、温度、阴影等因素的影响，使得运动目标的提取成为一项相当困难的工作。本节针对运动目标提取中目标检测的问题，将介绍五种常用的运动目标识别技术中的四种，即：1、时间差分法；2、背景差分法；3、光流法；4、基于学习的方法。由于第五种目标检测技术均值漂移法多用于目标跟踪领域，因此该方法将在“运动目标跟踪方法”小节中进行介绍。
3系统的关键算法设计........... 23
3.1系统需解决的问题及算法的总体设计........... 23
3.2目标检测算法的设计 ...........28
3.3目标分割和跟踪算法的设计........... 32
3.1.1目标的分割算法的原理........... 32
3.2.2目标的追踪算法的原理........... 32
3.2.3实现分割与追踪的数据结构........... 33
3.2.4目标分割与追踪算法的流程........... 34
3.4人数统计算法的设计........... 36
3.5高人流密度下的人数统计算法的设计........... 37
3.6本章小结........... 39
4系统的设计与实现........... 40
4.1开发釆用的硬件设备与系统平台........... 40
4.1.1系统的硬件开发平台 ...........40
4.1.1操作系统与开发平台的选择........... 40
4.1.2集成开发环境的选择........... 41
4.1.3图像算法库的选择........... 41
4.2系统的程序设计........... 42
4.3程序的移植 ...........43
5系统的测试与评价........... 45
5.1视频算法测试与评价........... 45
5.2实验室模拟综合测试与评价........... 45
结论
在高人流密度下使用基于人头色彩特征的检测与分割，虽然算法速度快效率高，但是仅仅实现了高人流密度下的人流检测，精确率不高，易形成误差，会对公交智能调度系统的稳定运行产生不利影响。因此系统下一步的改进方向是改善高人流密度下的程序算法。在文献[40]中，作者采用了一种基于人头特征的机器学习算法实现的前景检测来实现人数统计。虽然该方法计算量较大，在现有的Arm系统上难以实现实时计算，但该算法的准确性非常高。随着嵌入式硬件的飞速发展，基于嵌入式系统的人数统计必将由强调效率转为强调性能上，因此基于机器视觉的人数统计“将是今后研究的主要方向，亦是本系统的改进方向。
参考文献
[1]孙即祥.图像处理[M].第一版.科学出版社，2004 :244-246.
[2]夏佩伦.目标跟踪与信息融合[M].第一版.国防工业出版社，2010.
[3]高传莹.基于DSP的视频人数统计研究[D].合肥工业大学，2010.
[4]梁静.视频序列中对特定运动目标跟踪算法研究[D].上海交通大学，2008.
[5]郭世龙.基于Camshift算法的移动机器人视觉追踪[D].武汉理工大学，2008.
[6]李志国.基于Mean Shift算法的目标跟踪[D].宁夏大学，2008.
[7]胡文广.运动人体检测及遮挡处理[D].哈尔滨工程大学，2009.
[8]李伟.视频图像中的运动目标跟踪算法研究[D].东南大学，2009.
[9]陈毓晶.视频图像序列中运动目标的检测与跟踪P].大连理工大学，2009.
[10]钱永青.基于kalman预测目标跟踪的人机接口[D].中南民族大学，2010.