一、系统背景与意义

当乘客选择乘坐公交车出行时，最关注的三类信息是：最近公交车的到站时间；最近到站公交车的营运类型，如区间车等；以及最近到站公交车的车厢拥挤度情况等。乘客可以参照查询到的这些信息，结合自身实际情况，选择最合适的出行方式。随着公交系统的智能化、自动化、定制化等的普及与发展，公交车到站信息和营运类型信息已经可以通过手机客户端及电子站牌查询。但目前由于成本、系统资源等因素的限制，乘客暂时查询不到车厢乘客拥挤度信息。

青岛海信网络科技股份有限公司研发的公交车载智能终端实现了基于视频分析的车厢拥挤度检测功能，在不增加硬件成本的前提下，复用车厢中部的模拟摄像头，检测当前车厢拥挤度，并将拥挤度信息上传至调度中心，乘客可以通过电子站牌或者手机软件查询后续到站车辆车厢拥挤度信息，根据自身需求选择更舒适的公交车或选择其他出行方式，提高出行感受。

二、系统方案设计

（一）影响因素

公交乘客拥挤度分析功能需要考虑不同车型，CPU资源分配，环境影响等因素，具体影响因素如下。

1、车型差异。公交车车型众多，车体的宽窄、车厢定员人数、摄像头安装位置均有差异，拥挤度分析功能需要适应不同的车型。

2、CPU资源分配。视频分析时资源占用不能过高，车载终端还需要满足全帧率D1视频的双存储、通信、报站等多种功能需求。

3、环境影响。公交车内环境复杂，摄像头拍摄的视频质量受多种因素的影响，如光照强度、背景随动变化、天气情况、阴影变化、镜头清洁等。

海信我公司实现的基于视频分析的车厢拥挤度检测方案复用车厢顶部的监控摄像头，对车厢中部区域的立席乘客密度进行分析，得出区域密度，进而得出全车的拥挤度信息。该方案与车型无关，只要在车厢中部划定分析区域即可；系统资源占用低，算法相对简单，只启用车厢中部一个摄像头进行视频分析；受环境影响小，不论是强光、弱光或是夜晚，使用的是某一时刻的连续视频帧进行动态对比分析。如图1所示。

图1  车厢顶部的监控摄像头

（二）方案组成

在实际应用过程中，基于视频分析的车厢拥挤度检测方案分为业务控制和视频分析两大部分。

1、业务控制部分。业务控制部分主要用来判断进行拥挤度分析的时机，因视频分析占用较多的CPU资源，不能一直处于运行状态。通过对公交运营业务的分析，车辆运行过程中每站只进行一次分析，并且需要在车辆离开站点开始分析，在到达下一站点之前完成分析并获得分析结果。因使用了视频帧差对比的计算方法，需要在车辆运行速度大于0且车内乘客处于相对稳定状态时进行检测，才可得到较为准确的拥挤度信息。公交车载智能终端可通过卫星定位数据、开关门信号、司机手动触发等多种方式报离站，也可以通过卫星定位、CAN总线采集等多种方式获得公交车的实时速度，结合公交实际应用场景，在公交车离站后，车速大于15km/h时，才开启拥挤度分析功能。

2、视频分析部分。视频分析部分为拥挤度分析功能的核心模块。此部分循环检测分析标志是否为开启状态，如果为开启状态，通过摄像头获得视频，并以图片序列的形式存储。然后对存储的图片分两个区域进行分析，上半部分区域进行帧间差运算，累计检测结果，获得乘客分布；下半部分区域进行梯度算法运算，累计检测结果，获得乘客分布，最后根据两部分的位置关系及分析结果，统一计算综合的拥挤度级别。

（三）分析区域设置

由于车内摄像头的角度问题，拍摄的车厢中部图像表现为近大远小，实际的矩形空间在平面上呈现为梯形分布，本方法只对车厢中部的立席乘客进行模糊分析，选择合适的分析区域直接决定了拥挤度级别判断的准确率。通过跟车调研，并对前期多次的测试数据进行分析，确定分为上下两个区域是比较合适的，两个区域采用不同的分析方法。如图2所示。

 图2  两个区域采用不同的分析方法

一般城市常见的公交车长度为8~12米的长中型公交车，本方法根据车厢大小将上下两个大区域再分别线性等分为几个子区域，车厢大小通过配置文件存储到车载终端中，通过分析每个小区域是否被覆盖，确认区域的拥挤度级别，拥挤度级别和覆盖小区域数目。

拥挤度分析算法采用连续多帧视频数据进行分析。对于上半部分区域，使用帧间差运算方法进行分析。因相邻视频帧的变化很小，取差值后基本无法获得有效的变化数据。为确保差分结果明显，取间隔多帧（例如15帧）的两帧数据做差，能够更好的反应出视频数据的变化，检测到车内乘客细微的移动。对于获得的每个差分结果，进行检测区域内分块分析，判断每个子区域的覆盖情况。对于下半部分区域，使用梯度方法进行分析。因为公交车厢地板在图像上一般表现为纯色，因此对每一帧图像而言可以在划定的范围内进行梯度计算，进而检测乘客分布。

三、系统测试与应用

每次车辆报离站后，启动拥挤度分析功能，检测此时的车厢内拥挤度，将拥挤度级别以特定的协议上传到中心服务器，由存储服务存储到数据库中供调度客户端查看。为了进行准确率统计，车载终端在检测拥挤度的同时抓拍一张图片，并上传至中心服务器。在系统测试过程中，实验数据覆盖了各种天气和时间段，对某些异常数据，还可以通过车载终端内的硬盘录像进行二次确认，以便得到更精确的统计结果。经过对采样数据的分析，综合准确率为80%左右。

拥挤度分析测试结果

2016年9月，青岛海信网络科技股份有限公司在绍兴市柯桥区承建的公交智能化系统项目投入使用，成为国内首个实现车辆拥挤度分析的公交项目。如图3所示。

图3 国内首个实现车辆拥挤度分析的公交项目

柯桥公交站牌上的车辆显示为红、黄、绿三色，乘客可以轻松根据颜色知晓各条线路上每辆公交车的拥挤程度，大大方便了乘客的选乘。同时，公交站牌还可以显示首末班车情况、下班车的到站情况以及每条线路的具体信息，包括线路上现在有多少辆公交车等。如图4所示。