邱道尹 鄭 鵬 宋克峰

（華北水利水電大學(xué)，河南 鄭州 450011）

公交車客流量檢測是實現(xiàn)公交車客流量人數(shù)統(tǒng)計的基本前提。經(jīng)過近些年的研究已經(jīng)提出了許多算法，主流的算法包括幀間差分法、背景差分法和光流法。 這些算法各有弊益，其中幀間差分法雖比較簡單，實時性較好，便于實現(xiàn)，但常會引起一些不良后果，比如幀間物體重疊部分不能有效地檢測出來，即通過幀差所得到的檢測信息不夠完整， 不利于后續(xù)的跟蹤和判別環(huán)節(jié)[1-3]。 基于光流的運(yùn)動目標(biāo)檢測雖然可以利用運(yùn)動物在速度場中表現(xiàn)出相對應(yīng)的光流特性求得較為精確的運(yùn)動目標(biāo)， 但是大多數(shù)的光流方法都需要進(jìn)行多次迭代，因此消耗的時間比較多，并且抗噪性能差，不利于公交車上乘客檢測的實時處理[4-5]。背景差分算法已在公交車客流量檢測中普遍應(yīng)用， 基本思想是利用圖像序列中的初始幀圖搭建該場景的背景模型， 然后把當(dāng)前幀圖與背景模型做差分處理得到前景目標(biāo)，同時更新背景。 理想的公交車客流量檢測算法應(yīng)聚焦在乘客所在的敏感區(qū)域， 但由于背景模型更新速度和客流量的運(yùn)動速度不能較好匹配， 導(dǎo)致檢測出的客流量前景產(chǎn)生隨機(jī)分布的虛景[6-7]。 本文將單高斯背景建模處理緩慢變化場景的方法及幀間差分算法簡單、 容易實現(xiàn)的特點， 與單高斯背景建模和雙差分算法的公交車乘客檢測算法融合。 通過雙差分模型，先確定乘客最大分布的可能區(qū)域，再結(jié)合單高斯背景模型對該區(qū)域進(jìn)行背景重建， 其他區(qū)域背景像素直接進(jìn)行更新，最后采用背景差分算法得到精確的前景目標(biāo)。

1 單高斯背景模型的搭建

單高斯背景模型的基本思想是把影像中每個像素點的顏色分布用單個高斯函數(shù)表示，具體步驟如下：

（1）搭建初始背景。提取視頻序列幀圖X=｛X1，X2，…，XN｝中各像素點的平均灰度值μi，灰度方差δ2i，由μi和δ2i構(gòu)建初始高斯背景圖像θ，公式如下：

（2）背景匹配。 環(huán)境發(fā)生變化時，需要判斷新場景中每個像素點是屬于前景還是屬于背景，具體判別公式如下：

式中，閾值λ 為經(jīng)驗值，一般取2.3。

（3）構(gòu)建更新背景模型。 利用視頻序列提供的實時信息，對背景進(jìn)行實時更新：

式中，i 表示具體像素；t 表示幀數(shù)；a 表示背景更新率，是一個定值，反映當(dāng)前幀圖相對于背景的更新速度。 到此系統(tǒng)背景模型已搭建成功，同時滿足實時性的要求。

2 改進(jìn)的雙差分模型

背景模型成型后，需要進(jìn)一步得到乘客的運(yùn)動區(qū)域，僅對該區(qū)域進(jìn)行背景匹配處理。 這樣可減少系統(tǒng)的運(yùn)算時間和復(fù)雜程度， 較大程度地降低漏檢和誤檢比例， 進(jìn)而提高檢測的準(zhǔn)確度。 雙差分模型是在差分基礎(chǔ)上提出的改進(jìn)算法，目的是從整個幀圖中直接得到目標(biāo)前景的最大區(qū)域。 所謂雙差分就是提取相鄰序列4 幀圖像，對前2 幀和后2 幀圖像分別進(jìn)行差分處理，得到2 幅差分效果圖像，最后對這兩幅差分效果圖進(jìn)行或運(yùn)算，得出乘客運(yùn)動區(qū)域。 圖1 為雙差分算法結(jié)構(gòu)框圖。

圖1 雙差分模型算法框圖

3 改進(jìn)的公交車客流檢測算法及其實現(xiàn)

3.1 基于單高斯背景模型和雙差分融合的公交車乘客檢測算法（本文算法）

圖2 本文檢測算法流程圖

本文算法可分為3 個核心步驟 （圖2 為算法流程框圖）。（1）搭建單高斯初始背景模型。 （2）通過雙差分處理，得到目標(biāo)乘客所在的最大敏感區(qū)域。 （3）完成初始的單高斯背景建模，并結(jié)合雙差分所得的目標(biāo)乘客運(yùn)動區(qū)域， 確定單高斯模型需要背景匹配的范圍，完成對該區(qū)域的前景檢測和背景更新。 對于敏感區(qū)域以外的像素點，可以直接用該區(qū)域?qū)?yīng)像素點替換。 由于只對鎖定乘客所在的敏感區(qū)域進(jìn)行高斯模型匹配， 所以本文算法能有效地降低運(yùn)算復(fù)雜程度，提高檢測的準(zhǔn)確率。

3.2 仿真試驗及結(jié)果分析仿真

對單高斯背景模型、幀間差分法和本文算法分別獨立地進(jìn)行仿真試驗，得到三種算法的漏檢和誤檢對比圖，如圖3 所示。

圖3 三種算法之間誤檢、漏檢對比圖

從圖3 的統(tǒng)計信息可以看出，由于本文算法只是對圖像局部進(jìn)行背景匹配與更新， 漏檢率和誤檢率明顯低于前面兩種算法，因此本文算法的穩(wěn)定性和健壯性得以驗證。

試驗過程中整幅背景的單高斯建模時間約為1.796s， 而本文提到的區(qū)域背景重建僅需要0.257-0.312s，與常用傳統(tǒng)背景建模相比，在速度上提高了6-7 倍。如果該區(qū)域背景僅鎖定為乘客的人頭圖像區(qū)域，建模速度會更快，效果會更加顯著。

4 結(jié)語

通過試驗仿真效果對比可知，采用本文算法對公交車乘客進(jìn)行檢測精度高，且具有穩(wěn)定性與健壯性，能有效降低運(yùn)算復(fù)雜程度，取得較為滿意的檢測效果。

[1]Weng M Y，Huang G C，Da X Y . Proc of the 3rd International Congress on Image and Signal Processing [C] . USA :IEEE，2010.

[2]Mohamed S S，Tahir N M，Adnan R.Proc of the 6th International Colloquium on Singnal Processing and Its Applications[C].USA:IEEE，2010.

[3]楊大為.基于雙差分法的目標(biāo)檢測與分析[J].沈陽工業(yè)學(xué)院學(xué)報，2004，（02）:27-30.

[4]李娟.城市交通系統(tǒng)中行人交通視頻檢測的理論與方法[D].北京:北京交通大學(xué)，2010.

[5]董穎.基于光流場的視頻運(yùn)動檢測[D].山東:山東大學(xué)，2008.

[6]黃朝露.基于機(jī)器視覺的客流量統(tǒng)計技術(shù)研究[D].武漢:華中科技大學(xué)，2011.

[7]Porro-Munoz D O.Duin R P W，Talavera I.Classification of there -way data by the dissimilarty representation [J].Signal Processing，2011，91（11）:2520-2529.