双目人数统计在公交车辆应用的优势

公共交通工具人数统计面临的技术问题

公共交通工具上，经常发生：检测区域内的干扰物多、人流密度大、行李多、光线剧烈变化等情况。对于这些情况，一般的单摄像机、红外对射、压力感应等人数统计技术容易产生误计数或漏计数，下面对这些常见的现象进行说明（本文所使用的场景图片全部是来自营运中公共交通工具的真实情况）。

一、戴帽子或头部特征不明显

由于帽子覆盖了头发和皮肤的特征、改变头部和肩部的轮廓，会造成一些算法无法匹配。戴帽子的情况常见于北方寒冷的冬季和南方阳光猛烈的夏季。

而头部特征不明显，比如谢顶的或白发等，同样对依赖头部特征的算法造成干扰。

二、成人和儿童并肩，或携带多件行李

很多情况下成人跟儿童并肩的轮廓跟携带多件行李的轮廓很相近，对于一些模板匹配的算法会造成漏计数或多计数。简单的红外对射装置无法分开并肩的情况。另外，对公交运营来说1.2米以下儿童是免票的，如果能将这类乘客过滤，无疑会提高客流量统计数据的有效性。

三、拥挤和无序的旅客

由于车门拥堵时人流的运动速度较慢、人与人之间挤成一团，靠二维的轮廓判断或运动分析难以有效计数，通常要加上其他辅助算法，但要求有很高的运算能力。而简单的红外对射系统对这种情况可能无法有效计数。经常造成人流量统计系统的数据与实际数据相差很大。

四、携带不规则行李

这种情况对于二维图像处理算法来说基本是很难被过滤的，容易造成漏计数。

五、计数区内的干扰

由于计数区内经常有人停留或者摆放行李杂物，所以容易对计数造成干扰；而车门的摆动也会干扰计数。

交通工具在户外跑经常会遇到阳光直接照射的情况，强光照射不但使检测区域有很强的反光，还会让检测区域内或者附近的物体投影到区域内。

除了开关门的动作以外，车门上玻璃的反光和投影会因为车辆行驶、转向而发生位置变化；一些算法会误以为有物体移动。

双目人数的优点：

左摄像机图像 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 右摄像机图像 ? ? ? ? ? ? ? ?计算出来带深度信息的轮廓图

双目立体视觉(Binocular Stereo Vision)是机器视觉的一种重要形式，它是指通过对同一物体从不同角度获得的两幅图像来恢复出被摄物体的3D信息（尤其是物体的深度信息）的过程。

在立体摄像机看来，投影在地面的光线和各种阴影以及高度在1米以下的儿童、小车、行李箱等物体会被过滤掉；而检测区域里面可以透过高度信息轮廓判断出头和肩颈的特征，因此不受头部的遮盖物以及秃顶、头发颜色的影响。就算很拥挤的情况也无法掩盖具有高度信息的头部轮廓，双目视觉在公共交通工具的客流统计上有其特有的优点。

双目3D立体视觉技术与常用的视频分析统计技术的对比

	双目3D立体视觉	单目运动物体检测		单目模式识别
精度	稳定（92-98%）	不稳定（60-90%）		不稳定（60-90%）
图像源	双目摄像机	普通单目摄像机		普通单目摄像机
信息维度	三维立体	二维平面		二维平面
未来精度	可优化改进提高较大	受技术局限性，可优化改进提高不大		受技术局限性，可优化改进提高不大
人、车经过的阴影	完全没有影响(阴影没有深度信息)	有干扰，会产生误计数
树枝树叶的阴影	完全没有影响	有干扰，会产生误计数
闪烁的灯光、霓虹灯	完全没有影响	有干扰，会产生误计数
夜间车灯	完全没有影响(光线没有深度信息)	有干扰，会产生误计数
手电筒	完全没有影响	干扰强，很难过滤，容易多计数
蚊虫、苍蝇、飞蛾等	几乎没有影响	干扰强，很难过滤，容易多计数
猫、狗等小动物	完全没有影响	干扰强，很难过滤，容易多计数
纸屑、垃圾、落叶	几乎没有影响	干扰强，很难过滤，容易多计数
树枝、树叶摇动	几乎没有影响	干扰强，很难过滤，容易多计数
对背包、拎包行李	几乎没有影响	干扰强，很难区分，容易多计数
人的各种姿态，包括背小孩、抱小孩、牵小孩、并肩、前后尾随	几乎没有影响，只要人头是分开的，即可准确计数，能识别多人	干扰强，很难区分，容易跟踪丢失、跟踪错误，导致多计数和少计数。
人体和背景极相似(颜色、灰度)	几乎没有影响	影响较大，容易少计	影响较大，容易少计
白头发、白色帽子	几乎没有影响	影响较小	影响较大，容易少计
人滞留、徘徊	几乎没有影响	干扰强，容易跟踪错误，导致计数不准确

END