郑凯，王娟娟，谢国坤，王冠军

(西安交通工程学院，陕西 西安 710300)

0 引言

当前，随着城市轨道交通技术的发展，地铁作为人们日常出行的重要交通工具，在缓解城市交通压力、促进区域经济发展等方面发挥着重要作用。而地铁客流作为影响城市轨道交通运行与布局的重要因素，客流的有效检测对城市轨道交通的整体布局与客运调度起着十分重要的作用。传统的红外检测、大数据分析等[1-3]方法，易受外部环境或个别样本误差的干扰而造成较大的检测误差。本文基于机器视觉技术，从客观事物的图像中获取有用信息，并对采集的图像进行背景提取、阈值分割、降噪处理，通过对人物像素点的提取与统计，完成对地铁站点客流的检测。机器视觉不仅排除了人为主观因素的干扰，同时降低了外部环境及个别样本误差对整个检测结果的影响，提高了检测精度与效率，因此具有一定的应用价值。

1 客流检测的方案设计

本客流检测系统将摄像装置安装于客流较为集中、客流速度较为缓慢的地铁站点进站检票口正上方，其分布与结构如图1所示。

图1 检测系统的布局

摄像机的选择和安装决定了所获取图像的质量，故选择了稳定性高的工业摄像机。设摄像机安装高度为h，摄像机视角为α，安装时摄像机的水平俯视角度为β。

为了能够有效覆盖整个检票通道，获取足够的目标信息，摄像机安装的水平俯视角度β与摄像机视角α的关系应基本满足[4-5]下式：

(1)

由式(1)可知，摄像机视角α的取值约为50°，摄像机的水平俯视角度β取值约为40°。同时，由于地铁站点内部的空间高度一般在4～5m，因此摄像机安装高度h与地铁站点内部的空间高度基本相同，即可满足检测需求。

2 检测系统的图像处理

1)背景的提取与更新

对客流目标进行检测的过程中，良好的图像背景是进行目标识别的重要基础。通过背景提取有效地区分了检测目标与图像背景间的范围。本文采用了算术平均法[6-7]提取背景图像，即在特定的时间区间内取像素点亮度与色彩信息的平均值，并以这个均值作为背景图像对应像素点的值，进而达到滤除背景图像中突变噪声点的目的，其数学模型如下[8-9]：

(2)

式中：B(x,y)表示背景图像；Ii(x,y)表示第i帧序列图像；N表示平均帧数。

选取N=60，并进行MATLAB仿真，从序列图像的第1、20、40、60帧可以看出，在第1帧至第60帧存在少量的检测目标，如图2所示。文中利用算术平均法对连续60帧的值进行计算，得到了背景图像，如图3所示。

图2 相应各帧的图像

图3 算术平均法提取的背景图像

由图2、图3可知，采用算术平均法获得了较高质量的背景图像。同时，由背景提取获取的图像可以作为新的信息量，参与到新一轮的统计平均或加权平均之中，进而实现了背景的自适应更新。因此采用算术平均法提取背景图像满足本文的需求。

2)图像的二值化处理

在实际应用中，摄像机多处于固定状态。因此，假设摄像机固定且只对视场内的目标进行检测，离开视场后再次进入的物体则视为新目标。本文采用了背景帧差法[10-11]进行目标图像的检测。若设二维数字图像的平面坐标为(x,y)，则基于背景帧差法的二值化数学模型为：

Di(x,y)=|Ii(x,y)-Bi(x,y)|

(3)

(4)

式中：Ii(x,y)为图像序列中当前帧的灰度图像；Bi(x,y)为当前帧背景的灰度图像；Mi(x,y)为相减后的二值化结果；T为相减后灰度图像的阈值。

由于地铁站点的内部环境较为稳定，基本不受外部环境等因素的打扰。因此选取了固定阈值T=20，并进行了MATLAB仿真，其图像处理的结果如图4所示。

图4 背景帧差后的图像

由图4可知，背景帧差法有效地检测出了运动目标，并在一定程度上对噪声起到了抑制作用。同时由图4可知，背景帧差法虽然较为清晰地获取了人物的轮廓，但在复杂背景中依然存在一定数量的噪声点。因此，还需要对背景帧差后得到的二值化图像进行降噪处理。

3)图像的形态学滤波

由图4可知，背景中存在物体小幅度晃动、光线变化以及戴有口罩等不确定性的因素，这些因素使检测图像产生了较多的噪声点。本文对背景差分后的二值化图像进行了形态学滤波[12]，采用了腐蚀法，通常X被B腐蚀的定义为

XΘB={z|(B)z⊆A}

(5)

式中：X为图像矩阵；B为结构元素矩阵。

在进行数学形态学运算时，用B对X进行操作。其图像的形态学滤波结果如图5所示。

图5 形态学滤波后的图像

由图5可知，通过对背景帧差法得到的二值化图像进行形态学滤波进一步降低了噪声的干扰，并获得了更加清晰的人物整体轮廓，并为后续检测软件的设计提供了有效的人物像素点信息。

3 检测系统的设计与结果分析

1)检测软件的设计流程

本文基于背景帧差的客流检测算法进行了客流检测的软件设计。客流检测的软件设计流程如图6所示。

图6 客流检测的软件设计流程

2)检测系统的软件设计

本文利用Python环境[13]开发了相应的客流检测软件，通过对人物像素点的分析与统计完成客流检测。客流检测软件界面如图7所示。

图7 客流检测软件界面

4 检测实验与结果分析

1)客流检测实验

以图7客流检测软件为基础导入实验视频，部分检测结果分别如图8、图9所示。

图8 客流较分散时的检测画面

图9 客流较集中时的检测画面

由图8、图9可知，通过客流检测软件，实现了对实验样本中人物信息的检测。

2)实验结果分析

基于客流检测系统，在进行多次实验的基础上，对检测数据进行了统计。客流检测的实验结果如表1所示。

表1 客流检测的实验结果

由表1的实验结果可知，在面对少量实验样本(人数)时检测率较高，而随着检测样本(人数)的增加，在检测过程中虽出现了一定的漏检现象，但通过实验表明本系统能够有效获取目标信息，检测率高于90.00%，达到了设计目标。

5 结语

本文以城市轨道交通客流检测为背景，以准确识别与检测客流为目标；以机器视觉技术为手段：以客观图像为研究对象。通过背景提取与更新、二值化、降噪、滤波与增强，获取了客观人物整体像素点信息。利用Python环境开发了相应的客流检测软件，并将其用于客流检测。最终通过对检测软件结果的分析，证明所设计的客流检测系统能够在复杂背景中有效获得人物信息。实验结果表明检测准确率高于90.00%，达到了本次设计的目标，具有一定的应用价值。