向懷坤

（深圳職業(yè)技術學院，深圳 518055）

0 引言

隨著“公交都市”建設的不斷深入，城市公共交通的調度管理信息化水平被賦予了更高的要求，而公交客流的自動統(tǒng)計正是滿足這一要求的重要技術舉措。城市公交乘客人數(shù)統(tǒng)計成果不僅是衡量交通運輸部門效率的一個關鍵標準，也是交通運輸服務部門制定計劃、安排行程和進行預測的重要依據(jù)[1-3]。公交客流計數(shù)方法由傳統(tǒng)的人工計數(shù)發(fā)展到現(xiàn)在的自動計數(shù)，既降低了成本又提高了計數(shù)精度。調查表明，目前可用于公交客流自動計數(shù)的方法主要包括：圖像處理技術、紅外監(jiān)測技術以及壓敏踏板檢測技術三種[4-10]。其中圖像處理技術的精度受光照及運動物體的影響較大，紅外監(jiān)測技術很難分辨多人同時上下車的情況，壓敏踏板檢測技術無法同時檢測多人上下車。這些技術由于均存在一定的局限性，因此在目前的公交客流信息管理中沒有得到廣泛應用。本文提出并實驗研究了一種基于人體運動學原理及譜系聚類分析的接觸式傳感器陣列乘客計數(shù)方法，通過人體踩踏傳感器時獲取腳型信號，將信號傳送到控制器進行處理。此種方法可以涵蓋進出車門的多種行為模式，實現(xiàn)乘客人數(shù)及其走向的實時辨別，可以較好地適應我國城市公交客流統(tǒng)計的工作環(huán)境要求。

1 公交客流數(shù)據(jù)采集及預處理

1.1 數(shù)據(jù)采集系統(tǒng)

公交乘客腳型高靈敏度開關式柵格陣列傳感器數(shù)據(jù)采集系統(tǒng)是筆者自主設計研發(fā)的一款接觸式公交客流采集系統(tǒng)[4]。該系統(tǒng)由前端客流傳感器單元、車載處理器單元和車載GPS/4G終端控制機三部分構成。其中，前端客流傳感器單元即前、后門乘客上、下車傳感器檢測模塊，主要包括敏感元件、高強度玻璃纖維、傳感器陣列及相關輔件，核心任務是準確采集乘客上、下車行為數(shù)據(jù)，為了減輕后面的數(shù)據(jù)處理壓力，該單元內嵌了基本的數(shù)據(jù)預處理模塊。車載處理器單元即數(shù)據(jù)處理模塊，由數(shù)據(jù)處理芯片及相關元器件組成，負責接收前端客流傳感器單元的數(shù)據(jù)，并進行乘客上、下車行為的檢測、分析、判別和客流量統(tǒng)計工作。車載GPS/4G終端控制機即數(shù)據(jù)通信及輔助數(shù)據(jù)處理模塊，主要是實現(xiàn)車載端與城市公共交通的調度管理中心之間的數(shù)據(jù)通信，其中GPS用于車輛定位，輔助開展公交客流量分析。圖1給出了該公交客流數(shù)據(jù)采集及預處理系統(tǒng)的基本結構。

圖1 公交客流數(shù)據(jù)采集及預處理系統(tǒng)構成

在公交客流數(shù)據(jù)采集及預處理系統(tǒng)中，乘客上、下車的數(shù)據(jù)采集、數(shù)據(jù)處理方法是整個系統(tǒng)需要研究解決的關鍵技術問題。其中包括腳型數(shù)據(jù)采集、腳型數(shù)據(jù)修訂、運動方向判別等數(shù)學模型與算法設計，總體而言這些工作屬于計算機處理的內容，為了準確判別乘客上下車行為，本文提出根據(jù)人體運動學原理以及聚類分析方法，來分析判定上下公交車門的乘客數(shù)量及其運動方向，從而達到客流計數(shù)的目的。

1.2 數(shù)據(jù)預處理

1.2.1 數(shù)據(jù)采集模型

通過前端客流傳感器單元[4]，可以獲得腳型數(shù)據(jù)為一網格點陣（如圖2所示），腳型位置和大小取決于所占的網格坐標以及網格數(shù)。以兩位數(shù)組G[line][col]表示每一個傳感器的網格陣列，總的行數(shù)由line表示，總的列數(shù)由col表示，其中每一個感知點j＜col）表示第i行第j列的傳感器點，可以將其稱為觸點。如果某個觸點被踩下，則其數(shù)值置為數(shù)字0，如果該觸點未被踩下，其值置為數(shù)字1，對應于圖2所示概念模型，即表示某觸點是否屬于所判斷圖像內的點。

1.2.2 腳型數(shù)據(jù)存儲

當乘客上、下車經過客流傳感器單元時，雙腳觸點會在傳感器上形成一系列的時序感知數(shù)據(jù)。一方面，這些感知數(shù)據(jù)會隨著接觸的時間而變化，另一方面，因接觸面的改變這些感知數(shù)據(jù)集的大小規(guī)模也會發(fā)生變化，整體上呈現(xiàn)出稀疏分布。本文在兼顧稀疏分布和時序分布兩個特征的基礎上，考慮到后期數(shù)據(jù)解譯的便利性，通過參考腳型運動規(guī)律和圖像柵格數(shù)據(jù)壓縮模式，提出基于RLE（行程長度編碼）的數(shù)據(jù)存儲算法，具體實現(xiàn)是將腳型采樣數(shù)據(jù)存于數(shù)組G中，如果其中某數(shù)據(jù)項d在輸入流中連續(xù)出現(xiàn)n次，則以單個字符對nd替換n次出現(xiàn)者，這n個連續(xù)出現(xiàn)的數(shù)據(jù)項叫做游程 n，最后得到[1，n1，n0，n1…]系列數(shù)據(jù)，由此解決了客流傳感器單元采集數(shù)據(jù)的存儲問題。

圖2 腳型數(shù)據(jù)采集模型

1.2.3 腳型數(shù)據(jù)修訂

依次掃描方陣坐標系中的每一行及每一列，并對所采集到的腳型數(shù)據(jù)陣列進行行列數(shù)據(jù)修訂。具體修訂原則如下：

列掃描中，提取踩下點0開始的網格位置坐標(xi,yk)及 0結束的位置(xj,yk)，存儲在數(shù)組P={(xi,xj)} (0＜i,j＜line)中，數(shù)組P中的每一個元素對應一個連續(xù)0序列，并對相同列的連續(xù)0進行分析，整合原則是針對同一列，若是(xi-xj)≤6，則將這點(xi,yk)與點(xj,yk)之間的所有觸點置零補齊。

同理，在行掃描中，提取踩下點0開始的位置(xk,yi)及 0結束的位置(xk,yj)，存儲在數(shù)組P={(yi,yj)} (0＜i,j＜col)中，數(shù)組P中的每一個元素對應一個連續(xù)0序列，并對相同列的連續(xù)0進行分析，整合原則是對同一列，若是(yi-yj)≤3，則將這點(xk,yi)與點(xk,yj)之間的所有觸點置零補齊。

數(shù)據(jù)修訂中所采用的6和3為經驗數(shù)據(jù)，可根據(jù)不同的情況進行修改，修訂前后的可視化對比結果如圖3所示。

圖3 腳型數(shù)據(jù)修訂前后結果對比

2 基于人體運動學原理與譜系聚類分析的腳型及方向判別算法

2.1 基于人體運動學原理的運動特征分析

由人體運動學原理可知，對于正常人體的運動而言，其自身位置的移動主要依靠腿和腳的前后左右交替輪回運動，從而產生了人體位置的變化。在此過程中，身體的重心也在兩腿之間不斷轉換，由此表明人體的運動實際上是接受重心和移出重心的過程。從腿的角度可分為動力腿和擺動腿，從腳的角度可分為重心腳和非重心腳。當身體前行時，重心由重心腳（支撐腳）轉移到另一只腳（非承重腳），在此移出重心和接受重心的過程中，必定有一個很短暫的時間，讓無重心的腳抬離地面未做任何重心轉換[4-9]。

基于上述原理并經過大量實際數(shù)據(jù)分析，我們對公交車乘客的上下車行為規(guī)律進行了總結，得出如下三類基本的運動規(guī)律。

2.1.1 上下車人體的雙腳距離特征

人體的雙腳距離特征是指在人體靜態(tài)或運動過程中，人體的空間占有率決定一個人的兩腳之間必定擁有某一個空間距離，這是基于人體的基本構成決定的?；谠摼嚯x特征進行實測數(shù)據(jù)分析，可以較清晰準確地獲取相應的客流參數(shù)。

2.1.2 上下車腳型分離的時序特征

絕大部分情況下，對于上車或下車而言，乘客都是采用腳掌前端最后離地的運動模式，這一點在臺階上表現(xiàn)得最為明顯。由于上下車人體運動存在空間上的高度變化，與簡單的平面位移具有較大的區(qū)別，這種運動特征可以有效地輔助對前后腳的運動時序進行分離。

2.1.3 前后門上下車通道的時空特征

根據(jù)實測數(shù)據(jù)分析可知，多人同時上下車時，需要綜合分析前后門通道的空間特征。前門通道一般較窄小，故在指定時間內讓乘客優(yōu)先上車或下車；后門通道一般較寬敞，可同時允許乘客上下車。無論是上車還是下車，通道上的腳型方向及其時序都呈現(xiàn)出明顯的頻譜效應，這為多人同時上下車時的腳型判別提供了有效特征。

2.2 基于譜系聚類法的腳型分離

聚類分析是多元統(tǒng)計分析的一種，也是非監(jiān)督模式識別的一個重要分支。它直接比較各事物之間的性質，將性質相近的歸為一類，將性質差別較大的歸入不同的類。從實現(xiàn)方法上分，聚類分析可大致分為四種類型：譜系聚類法、基于等價關系的聚類方法、圖論聚類法和基于目標函數(shù)的聚類方法等[7-8]。

在此給出聚類分析的一般性原理。設X={x1,x2,…xn}是待聚類分析對象的全體（稱為論域），X中的每個對象（稱為樣本）xk(k=1,2,…,n)常用有限個參數(shù)值來進行刻畫，每個參數(shù)值刻畫xk的某個特征。由此每個對象xk將伴隨一個向量P(xk)=(xk1,xk2,…,xks)，其中xkj(j=1,2,…,s)是xk在第j個特征上的賦值，P(xk)稱為xk的特征向量或模式矢量。聚類分析就是分析論域X中的n個樣本所對應的模式矢量間的相似性，按照各樣本的親疏關系把x1,x2,…,xn劃分成多個不相交的子集x1,x2,…,xc，并要求滿足下列條件：

樣本xk(1≤k≤n)對子集（類）Xi(1≤i≤c)的隸屬關系可用如下的隸屬函數(shù)表示為：

上式中，隸屬函數(shù)必須滿足條件μik∈Eh。換言之，要求每一個樣本能且只能隸屬于某一類，同時要求每個子集（類）都是非空的，這樣的聚類分析為硬劃分。

在上述聚類分析原理基礎上，本文采用聚類分析中的譜系聚類法進行腳型分離，其主要思路是在一般聚類分析流程基礎上，將模式樣本按距離準則逐步聚類，類別由少到多，直到滿足合適的分類要求為止。

2.3 乘客腳型及上下車方向判定

圖4是單腳踏過傳感器時的腳型變化分布圖像。圖幅長23單位，寬30單位，選取所采集的3幀典型數(shù)據(jù)的圖像，分別是圖 4（a）、圖 4（b）和圖 4（c）。

圖4 單腳踏過傳感器時的腳型變化分布圖

腳型判別算法中，為識別出乘客上下車方向，將采集到的每一幀數(shù)據(jù)用矩形包圍起來，并確定矩形的絕對腳頭方向，由此可通過最后一幀數(shù)據(jù)的矩形框離腳頭方向的遠近來判定乘客的上下車方向。通過上下車所采集到的腳型圖像對比可知，若離腳頭方向近則判定為上車，否則判定下車。

2.4 基于譜系聚類法的公交客流量統(tǒng)計

公交乘客在上下車時，由于前門窄小，在指定的時間內，優(yōu)先下車，再上車，而后門相比之下較為寬敞，乘客一般可同時上下車，要準確判別出上下車的人數(shù)，必須進行多只腳的分離。根據(jù)人體雙腳基本構成的分析可知人的雙腳之間的距離取決于人體在空間的占有率。調查發(fā)現(xiàn)，約99%的乘客都符合這樣的雙腳距離原則。本文采用譜系聚類法對踏板上的多只腳印進行分類識別。具體識別算法如下[4]：

通過依次掃描如圖2所示坐標系中的每一列被感知數(shù)據(jù)，找出列中連續(xù)的最左邊與最右邊，分別加以數(shù)據(jù)讀取標記，再根據(jù)編輯確定腳印所在的列寬，將其記為一個腳印區(qū)域（夾在左右邊界之間的部分），同時根據(jù)腳印區(qū)域的個數(shù)來確定腳型的個數(shù)，如圖5所示。其中，列連續(xù)是指圖形P的第j列與第j+1列都有點屬于P，則稱第j列與第j+1列為列連續(xù)。確定腳型的過程是確定腳印所占區(qū)域的左右邊界的過程，該圖形時間占據(jù)了網格中的哪些具體的點并不重要。因此，對同一列上的點按位相或運算，公式為，若 g值為真表示該列中有點屬于圖形區(qū)域P，為假則該列屬于空白區(qū)域。通過接觸數(shù)據(jù)集T(其值為0或1)與g的值，合并判斷腳印的左右邊界。當g=0時T由1變?yōu)?，當前列j為腳印P的左邊界則P.left_edge=j；當g=1時T由0變?yōu)?，則前一列j-1為腳印P的右邊界，即 P.right_edge=j-1。

當乘客腳型區(qū)域顯現(xiàn)時，不同的腳之間會有一定的空白區(qū)域，據(jù)此可進行腳型分離識別和方向判定。對于乘客腳型及上下車方向判定，有惟下幾種處理情況：

（1）單只腳?。焊鶕?jù)腳印的方向性直接進行上下車人數(shù)累加。

（2）兩只腳?。焊鶕?jù)人體運動學原理以及同一個人的雙腳距離原則，若是同一個人的兩只腳，則兩個腳印之間的空白區(qū)域長度Length＜15，即將這兩個腳印判定為一個人的上下車；若是兩個腳印之間的空白區(qū)域長度Length＞15，同方向腳印則累計2人次，若是異方向腳印則上下人次各累計1人；

（3）對于多于兩個腳印的情況，將兩腳之間的空白區(qū)域長度Length＜10的兩個腳印歸為一類，其余的腳印則歸為另一類，并根據(jù)方向判定方法進行上下人次累加，如圖6所示。

圖5 一只腳判別模型

圖6 兩只腳和三只腳判別模型

由聚類判定可知：圖 6（a）為 1 人；圖 6（b）為 2 人；再根據(jù)方向判定方法進行上下車人數(shù)累加。從而解決客流量統(tǒng)計問題。

3 實驗測試及結果分析

為驗證系統(tǒng)性能，選擇了深圳市101路、226路和382路三條公交線路部分連續(xù)站點，進行早（7:30開始）、中（14:30開始）、晚（17:30開始）三個時段跟車對前、后門上、下車乘客數(shù)統(tǒng)計情況進行對比實驗。每一臺公交車5人參與實驗，其中3人負責安裝設備、看管電腦和現(xiàn)場維護，另外2人分別手持錄像機記錄前、后車門的上下乘客信息，連續(xù)跟車3天完成3條公交線路測試，單程最大樣本數(shù)146人，全部測試樣本數(shù)1829人。

表1、表2、表3分別顯示了上述3條公交線路在早、中、晚三個時段的實驗對比結果，每條線路又分為單向和雙向兩種情況進行準確率對比。準確率的計算公式為：λ=(1-|(pa-ps)|/ps)×100%，其中λ表示準確率（%），pa表示實驗設備的統(tǒng)計值（人），ps表示人工統(tǒng)計的真實值（人）。由三張表可以看出，早上和晚上觀測時段的客流量比中午大，表明早晚存在高峰客流量；早上客流統(tǒng)計準確率最低為90.19%，中午最低為91.75%，晚上最低為90.05%，準確率總體上不低于90%；相比之下中午的客流統(tǒng)計準確率整體最好，這表明早晚高峰期客流對統(tǒng)計精度有較大的影響；整體而言，單程的統(tǒng)計準確率低于雙向統(tǒng)計準確率，這表明統(tǒng)計過程中的誤差呈現(xiàn)出隨機性分布，雙向疊加導致準確率反而上升了，這需要在后期的研究中加以重視；另外，從實驗結果還可以看出，該統(tǒng)計方法的準確率沒有出現(xiàn)大的波動，在一定的時段內處于相對穩(wěn)定的狀態(tài)。

表1 早上（7:30開始）實驗結果分析表

表2 中午（14:30開始）實驗結果分析表

表3 晚上（17:30開始）實驗結果分析表

4 結語

本文重點研究了基于腳型傳感器系統(tǒng)在數(shù)據(jù)采集、存儲，以及腳型識別和客流統(tǒng)計所涉及的一些關鍵算法問題，具有以下兩方面的特點：①在采用行程長度編碼壓縮采樣數(shù)據(jù)基礎上，根據(jù)人體運動學原理對腳型數(shù)據(jù)陣列進行了行列數(shù)據(jù)修訂，為后續(xù)的乘客是上車還是下車以及是幾個上下車的判別奠定了基礎；②在公交乘客上下車的三類人體運動學特征基礎上設計了基于聚類分析法的客流量判別與統(tǒng)計算法，實現(xiàn)了對乘客上下車方向的智能化判定和客流量統(tǒng)計。對比分析表明，本文研究成果在公交客流統(tǒng)計的準確率和穩(wěn)定性方面有較好的改進，具有一定的應用價值。