论文部分内容阅读
【摘 要】随着我国的科技、经济不断发展城市轨道交通也在不断增多，越来越多的人选择城市轨道交通出行，人们在进行较远距离出行时可供选择的城市轨道交通路线就变得多样化，人们出行时的人口密度和车站拥挤度也是对于预测下一步人们行驶路线至关重要的。利用车厢摄像头，截取每次列车出站时刻时的影像，增加拥挤度、换乘等权重运行算法进行初步预测，结果存入数据库。结果在App平台发布，根据用户反馈修正预测结果[1]。
【关键词】城市轨道交通;摄像头;拥挤度;数据分析系统
引言
我国经济的快速发展，城市化建设工程不断加快，私家车数量逐渐增多，因而道路交通拥堵问题也日益严重，尤其是城市主要路段和商业领域交通拥堵十分严重，或许这些已经成为阻碍城市发展的重要因素。针对这一交通问题，交通数据分析系统技术显得尤为重要，这种技术利用互联网与通讯技术拥挤图像识别技术，并且在相应的电子设备上配置检测设备，从而实现对车辆息数据和人口拥挤度数据进行有效采集和分析整理[2]。此外，这种交通数据分析系统技术会及时把检测数据传输给监控中心，这样监控中心就会根据传输的数据对实际的交通情况制定出合理的控制方案。由此可见，公安管理部门应该在道路交通安全工作方面对道路进行动态管控，特别是在交通卡口处、站台集聚处一定要制定一套智能化的管控分析系统，这样才能更加有效地保障城市交通的流畅，更好地保障人们的出行安全。
1.研究现状
在如今，测量交通人群密度的手段有IC卡、列车测量、红外线测量等方式，但由于上述方式不能准确地将不同车厢的人群密度分开，以至于不能够准确地得出车厢的人群基数，并且这些传统方式的步骤十分困难。所以本文利用摄像头采集人体信息，运用基于头发灰度信息的人头检测和基于肤色信息的人头检测，两种方法结果进行匹配，通过灰度化、预处理等，滤除噪声所带来的干扰，从而使得不同人群的图形变得更加清晰，以便为检测提高准确性。运用基于头发灰度信息的人头检测和基于肤色信息的人头
2.k-均值聚类法
k-均值聚类法是按照一定的聚类准则将整个数据集分成 k 个聚集的算法。在視频交通检测应用中，利用 k-均值法就是将拍摄到的交通场景中的像素聚类为 k 个表示不同物体的区域块。Kottle提出了一种 k-均值法的分割算法[3]，其聚类准则是利用了像素的三个特征：纵横坐标灰度值，其中灰度值可以将属于不同物体的像素分离，而坐标则决定了像素的归属区域。然而这种方法的缺点是分割区域的数目要作为初始参数，显然在复杂的交通场景中，事先预测可以正确分割图像的区域数目是比较困难的，因为这取决于场景中的车辆数目。为了解决这个问题，文献[4] 提出了一种多段（Multi-stage）分割方法，事先固定初始分割区域数目（6 ～10 个），然后根据初始分割区域的密度和大小来决定是否对此区域继续划分。
3.图像处理
通过摄像机将行驶车辆的视频图像按序列连续捕捉下来并数字化，存入内存或帧缓存中，将采集到的序列数字图像进行预处理如滤波除噪、图形锐化、对比度增强，再对预处理后的图像分割，对分割后的目标图像进提取特征，进行分类识别。运用基于头发灰度信息的人头检测和基于肤色信息的人头检测，两种方法结果进行匹配。通过灰度化、预处理等，滤除噪声所带来的干扰，以便为检测提高准确性。通过以上两种方式得到的结果进行匹配，从而得到准确度较高的人群拥挤度信息。
最终我们通过此结果对车辆的人数进行诱导，对车厢内摄像头采集和处理的图片进行进一步的数值计算，利用车厢摄像头，截取每次列车出站时刻时的影像，增加拥挤度、换乘等权重运行算法进行初步预测，结果存入数据库。结果在App平台发布，根据用户反馈修正预测结果，这种研究方向可以做到准确地对每帧的静态图片进行理论化的计算，提高了实际情况的准确度。
5.结束语
对于人员拥挤度准确分析系统而言，该系统是一个非常复杂的系统，它不仅涉及到网络连接应用、模型设计、图像处理，而且还涉及到信息和数据采集和处理等各个方面。另外，该数据分析系统在城市交通运行方面发挥着非常重要的作用。
因此我相信在不久的将来，相关领域人员就会在人口拥挤度分析系统的基础上继续对该系统进行创新，更好地保障人们的出行安全。所以，我们作为新一代的“交通青年”更要做到“不忘初心，牢记使命”，中国梦终将在我们一代代青年的接力奋斗中变为现实。
参考文献：
[1]邓波，黄同成，刘远军.基于4G移动网络的大数据与云计算技术应用分析及展望—以城市智能交通系统为例[J].信息与电脑（理论版），2015（23）：28-30.
[2]李林.基于hadoop的海量图片存储模型的分析和设计[D].杭州：杭州电子科技大学，2011.
[3]J Badenas，M Bober，F Pla.Motion and Intensity-based Segmentation and Its Application to Traffic Monitoring[ C].Proceedings of the International Conference on Image Analysis and Proceedings ICIAP’ 97，Florence，Italy，IAPR，1997.502 - 509.
[4]Kottle D，Sun Y.Motion Estimation via Cluster Matching[ J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1994，16（2）：1128-1132
作者简介：
杨昕宇（1999-6-27），男，汉，陕西富平，本科大学生，重庆交通大学，交通设备与控制工程，。邮编400074。
（作者单位：（重庆交通大学）
【关键词】城市轨道交通;摄像头;拥挤度;数据分析系统
引言
我国经济的快速发展，城市化建设工程不断加快，私家车数量逐渐增多，因而道路交通拥堵问题也日益严重，尤其是城市主要路段和商业领域交通拥堵十分严重，或许这些已经成为阻碍城市发展的重要因素。针对这一交通问题，交通数据分析系统技术显得尤为重要，这种技术利用互联网与通讯技术拥挤图像识别技术，并且在相应的电子设备上配置检测设备，从而实现对车辆息数据和人口拥挤度数据进行有效采集和分析整理[2]。此外，这种交通数据分析系统技术会及时把检测数据传输给监控中心，这样监控中心就会根据传输的数据对实际的交通情况制定出合理的控制方案。由此可见，公安管理部门应该在道路交通安全工作方面对道路进行动态管控，特别是在交通卡口处、站台集聚处一定要制定一套智能化的管控分析系统，这样才能更加有效地保障城市交通的流畅，更好地保障人们的出行安全。
1.研究现状
在如今，测量交通人群密度的手段有IC卡、列车测量、红外线测量等方式，但由于上述方式不能准确地将不同车厢的人群密度分开，以至于不能够准确地得出车厢的人群基数，并且这些传统方式的步骤十分困难。所以本文利用摄像头采集人体信息，运用基于头发灰度信息的人头检测和基于肤色信息的人头检测，两种方法结果进行匹配，通过灰度化、预处理等，滤除噪声所带来的干扰，从而使得不同人群的图形变得更加清晰，以便为检测提高准确性。运用基于头发灰度信息的人头检测和基于肤色信息的人头
2.k-均值聚类法
k-均值聚类法是按照一定的聚类准则将整个数据集分成 k 个聚集的算法。在視频交通检测应用中，利用 k-均值法就是将拍摄到的交通场景中的像素聚类为 k 个表示不同物体的区域块。Kottle提出了一种 k-均值法的分割算法[3]，其聚类准则是利用了像素的三个特征：纵横坐标灰度值，其中灰度值可以将属于不同物体的像素分离，而坐标则决定了像素的归属区域。然而这种方法的缺点是分割区域的数目要作为初始参数，显然在复杂的交通场景中，事先预测可以正确分割图像的区域数目是比较困难的，因为这取决于场景中的车辆数目。为了解决这个问题，文献[4] 提出了一种多段（Multi-stage）分割方法，事先固定初始分割区域数目（6 ～10 个），然后根据初始分割区域的密度和大小来决定是否对此区域继续划分。
3.图像处理
通过摄像机将行驶车辆的视频图像按序列连续捕捉下来并数字化，存入内存或帧缓存中，将采集到的序列数字图像进行预处理如滤波除噪、图形锐化、对比度增强，再对预处理后的图像分割，对分割后的目标图像进提取特征，进行分类识别。运用基于头发灰度信息的人头检测和基于肤色信息的人头检测，两种方法结果进行匹配。通过灰度化、预处理等，滤除噪声所带来的干扰，以便为检测提高准确性。通过以上两种方式得到的结果进行匹配，从而得到准确度较高的人群拥挤度信息。
最终我们通过此结果对车辆的人数进行诱导，对车厢内摄像头采集和处理的图片进行进一步的数值计算，利用车厢摄像头，截取每次列车出站时刻时的影像，增加拥挤度、换乘等权重运行算法进行初步预测，结果存入数据库。结果在App平台发布，根据用户反馈修正预测结果，这种研究方向可以做到准确地对每帧的静态图片进行理论化的计算，提高了实际情况的准确度。
5.结束语
对于人员拥挤度准确分析系统而言，该系统是一个非常复杂的系统，它不仅涉及到网络连接应用、模型设计、图像处理，而且还涉及到信息和数据采集和处理等各个方面。另外，该数据分析系统在城市交通运行方面发挥着非常重要的作用。
因此我相信在不久的将来，相关领域人员就会在人口拥挤度分析系统的基础上继续对该系统进行创新，更好地保障人们的出行安全。所以，我们作为新一代的“交通青年”更要做到“不忘初心，牢记使命”，中国梦终将在我们一代代青年的接力奋斗中变为现实。
参考文献：
[1]邓波，黄同成，刘远军.基于4G移动网络的大数据与云计算技术应用分析及展望—以城市智能交通系统为例[J].信息与电脑（理论版），2015（23）：28-30.
[2]李林.基于hadoop的海量图片存储模型的分析和设计[D].杭州：杭州电子科技大学，2011.
[3]J Badenas，M Bober，F Pla.Motion and Intensity-based Segmentation and Its Application to Traffic Monitoring[ C].Proceedings of the International Conference on Image Analysis and Proceedings ICIAP’ 97，Florence，Italy，IAPR，1997.502 - 509.
[4]Kottle D，Sun Y.Motion Estimation via Cluster Matching[ J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1994，16（2）：1128-1132
作者简介：
杨昕宇（1999-6-27），男，汉，陕西富平，本科大学生，重庆交通大学，交通设备与控制工程，。邮编400074。
（作者单位：（重庆交通大学）