本發明屬于公共交通工具客流統計管理技術領域，具體設計一種邊沿連通分割客流統計方法。
背景技術：
目前，公交車多數仍沿用傳統的客流統計方法，通常采用人工統計的方法來取得客流量數據，雖然精度可以滿足要求，但是消耗人力、財力，且不具備系統性和全面性。刷卡機、投幣機等接觸式設備，雖然脫離了人工，但是一般只能一次通過一人，且無法滿足較高的精度和同時統計上、下車人數的要求。而現在應用最廣泛的紅外線檢測系統，此類系統為非接觸式，相比接觸式設備，有了很大的提高。但在實際運行中，當多個乘客連續或同時通過紅外裝置時，就會出現遮擋，單個乘客在檢測目標區域暫時的停留，或者軀體和攜帶物品的干擾，也會對統計的精準度產生影響。
近幾年，隨著政府對智能公交事業投入力度的加大，我國智能公交系統已經初部發展，而客流計數系統是重要組成部分，如何能夠為公交公司提供更加實時、清楚、準確的乘客交通統計數據已成為運營商的準求目標。
與智能公交系統相結合的客流計數系統中，有一種在車門門頭位置安裝客流統計終端單獨進行統計分析，這些統計方式或者設備成本較高、安裝難度大，或者只能針對單人次統計的簡單情況，而在各種技術各自為戰的情況下，這些缺點總會不可避免。對于運動目標檢測，傳統方法主要有背景差法、幀差法和光流法。背景法主要應用于背景變化不大或者變化較為緩慢的環境，在目標進入攝像機范圍之前，提取背景圖，目標進入之后，用當前圖像減去背景圖，得到運動目標。背景更新是背景法的重點，目前主要有單高斯和混合高斯背景模型法。公交車上由于每個站臺環境不一樣，而且受光線和遮擋影響非常大，所以不適于采用背景差法。幀差法雖然受光線影響不大，但是在擁擠的時候，多個乘客容易粘連在一起，如何將單獨乘客分割出來是一個難題。考慮到即使擁擠的時候，乘客的頭部也很少靠在一起，所以以頭部作為計數目標易于實現。目前有許多學者采用邊緣提取和hough變化尋找人頭，該方法計算量大，占用存儲空間也較大。另外，目前的形態學客流統計方法對人員的頭部特征要求比較高。出現馬尾辮，戴帽子，彎腰形成的頭部橢圓的形狀都有較高的誤差率。
光流法在檢測運動目標中具有其優勢：可以在不知道任何場景信息的情況下，檢測出運動目標。目前基于梯度的光流計算方法得到了廣泛的應用。采用光流法進行運動物體檢測的問題主要在于光流法計算耗時，實時性和實用性都較差，純粹采用光流法檢測運動目標不太實際，但是可以將光流計算方法和其他方法相結合來檢測運動目標。
技術實現要素：
本發明針對目前公交車客流統計的現狀和問題，提供一種邊沿連通分割客流統計方法，使用kinect深度攝像頭，采用形態學分層原理分割人體，記錄人數，達到客流統計的目的。
采用的技術方案：一種邊沿連通分割客流統計方法，深度攝像頭放置在公交車進出門正上方，乘客上下車通過攝像頭；其特征在于，包括以下步驟：
第1步驟：安裝并調整使攝像頭距離車門底部2-2.5米，截取每個乘客從車底部向上120-190cm高度范圍形成的圖像。
第2步驟：根據所截取的圖像高度落差梯度變化情況進行邊緣檢測，得出邊緣圖像。
第3步驟：由圖像高度落差形成的邊緣圖像，進行圖像形態學處理，處理后的邊緣圖像和原深度圖像進行融合（原深度圖像就是原有的圖像，沒有進行過處理的圖像）；圖像邊緣是二值化后的圖像，數據大小為0和1。又進行了形態學處理，邊緣為0，和原圖像進行與操作。最終得到各個目標物清晰邊緣的分割圖像，由于邊緣圖像進行了形態學處理，故而融合后的處理，主要突出了主體部分，細枝末節都得到了弱化。
第4步驟：求取融合后圖像的連通域t；
第5步驟：篩選出面積大于特定閾值t0的連通域區域t’（即為目標物），針對每個連通域進行邊緣距離弱化；（邊緣距離：連通域中每個邊緣在x方向和y方向到另一個邊緣點的個數。將滿足（sumx<thrxsumy<thry）的方向上的所有點置為0；依據變化后的每個圖像的連通域t’的形狀，面積，落差比來判斷是否是一個人；
第6步驟：根據第5步驟的判斷結果，若是一個人，記錄一個人的形狀中心點，作為標記pi；
第7步驟：根據第5步驟的判斷結果，若不是一個人的情況，則跳過，進行分割區域處理：根據灰度均值，進行問題連通域t1分層處理，然后再進行第4步驟處理；（一般情況下，會出現兩人身高類似，行走并行的情況）。
第8步驟：記錄以上被檢測人員的坐標點m和幀序號n，依據歐式距離分析判別是否為同一人，并得出每個人的行走路徑；
第9步驟：依據第8步驟得出來的每個人的行走路徑來判斷每個人是否上下車。
有益效果：本發明利用kinect深度攝像頭使用形態學分層原理分割人體，記錄人數，該方法簡單實用，在公交車客流統計實踐中，得到了較好的準確度。并且保持了實時性。依據目前的形態學客流統計方法，對人員的頭部特征要求比較高。出現馬尾辮，戴帽子，彎腰形成的頭部橢圓的形狀都有較高的誤差率。而此方法完全規避了這些問題的形成。提高了準確度。
具體實施方式
本發明所采用的邊緣連通分割客流統計方法需要將kinect深度攝像頭放置在公交車進出門正上方，根據乘客上下車通過攝像頭的過程，通過深度攝像頭采集的圖像進行分析后確定統計人數。利用深度攝像頭采集圖像后進行分析的具體步驟如下：
第1步驟：安裝并調整使攝像頭距離車門底部約2.3米，截取每個經過門口的乘客由車底部向上120-190cm高度范圍形成的圖像集sn=a1，a2,......,an；
第2步驟：根據每個圖像的高度落差梯度變化情況分別進行邊緣檢測，得出邊緣圖像集qn。
gx=(-1)*f(x-1,y-1)+0*f(x,y-1)+1*f(x+1,y-1)
+(-2)*f(x-1,y)+0*f(x,y)+2*f(x+1,y)
+(-1)*f(x-1,y+1)+0*f(x,y+1)+1*f(x+1,y+1)
=[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]
gy=1*f(x-1,y-1)+2*f(x,y-1)+1*f(x+1,y-1)
+0*f(x-1,y)0*f(x,y)+0*f(x+1,y)
+(-1)*f(x-1,y+1)+(-2)*f(x,y+1)+(-1)*f(x+1,y+1)
=[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)]
其中gx及gy分別代表經橫向及縱向邊緣檢測的圖像灰度值，f(a,b),表示圖像(a,b)點的灰度值。
圖像的每一個像素的橫向及縱向灰度值通過以下公式結合，來計算該點灰度的大小：
通常，為了提高效率使用不開平方的近似值：
如果梯度g大于某一閥值則認為該點(x,y)為邊緣點。對應該點的圖像為邊緣圖像。
第3步驟：由圖像高度落差形成的邊緣圖像集qn，分別進行圖像形態學處理，和原深度圖像進行融合；wn=~qn&&sn.將邊緣圖像取反后和原圖像進行與運算。融合后的圖像wn根據大于0為1的原則進行二值化處理，接著將wn進行腐蝕操作。qn進行形態學腐蝕運算erosion。
第4步驟：求取融合后圖像的連通域t；
第5步驟：篩選出面積大于特定閾值的連通域區域（即為目標物），針對每個連通域進行邊緣距離弱化；（邊緣距離：連通域中每個邊緣在x方向和y方向到另一個邊緣點的個數。將滿足（sumx<thrxsumy<thry）的方向上的所有點置為0；
第6步驟：根據第5步驟的判斷結果，若是一個人，記錄一個人的形狀中心點，作為標記；
第7步驟：根據第5步驟的判斷結果，如果不是目標物，則跳過分析判斷；
第8步驟：記錄以上記錄人員的坐標點和幀序號，依據歐式距離分析判別是否為同一人；
第9步驟：依據第8步驟得出來的每個人的行走路徑來判斷每個人是否上下車。