基于運動目標檢測的候車排隊時間預測方法研究與實踐

摘 "要：上海虹橋國際機場是虹橋樞紐以及虹橋商務區的重要組成部分，周圍陸側交通設施多樣且便捷，配套有軌交、機場巴士、出租車、私家車等陸側交通方式，具有強大的區域輻射力。其中，出租車由于具備方便快捷等優勢正成為許多旅客尤其是夜間航班到港旅客的首選離港交通工具，并造成離港出租車上客區頻繁發生排隊客流淤積擁擠的現象。文章對現有的運動目標檢測技術進行橫向對比，以虹橋機場T2航站樓出租車上客區作為研究對象，首先分析了該區域監控視頻數據特點，采用改進的結合三幀差分和混合高斯模型的檢測算法對運動目標進行提取；接著對運動目標進行分類與跟蹤，并測算排隊乘客實時上車速度，提出一種基于運動目標檢測的候車排隊時間預測方法；最后，設計虹橋機場出租車管理信息發布系統，實現對候車客流排隊時間預測與關鍵交通信息的可視化展示。

"關鍵詞：運動目標檢測；排隊時間預測；出租車；系統設計

"中圖分類號：U293.1+3 " "文獻標志碼：A " "DOI：10.13714/j.cnki.1002-3100.2024.07.022

Abstract： Shanghai Hongqiao International Airport is an important part of Hongqiao hub and Hongqiao business district， which has diverse and convenient land transportation facilities such as rail transit， airport bus， taxi， private car and other land transportation modes， which has a strong regional radiation force. At the same time， taxi is becoming the first choice of departure transportation for many passengers in recent years due to its advantages of convenience and speed， especially for passengers on night flights， this situation further causes the frequent occurrence of queuing passenger flow congestion in the boarding area of departing taxis. After comparing and analyzing the existing moving object detection technologies， this paper takes the taxi boarding area of T2 terminal of Hongqiao Airport as the research object. Firstly， we analyzed the characteristics of the surveillance video data in this area， and the moving object is extracted by using the improved detection algorithm combining three-frame difference and mixed Gaussian model. Secondly， we classified and tracked the moving targets， and measured the real-time boarding speed of passengers in line， a waiting queue time prediction method based on moving target detection is proposed. Finally， we designed the Hongqiao Airport taxi management information release system to realize the prediction of waiting passenger flow queue time and the visual display of key traffic information.

Key words： moving object detection; queue prediction; taxis; system design

0 "引 "言

"隨著我國城鄉居民消費結構不斷升級，外出旅游、商務辦公等出行需求逐年擴大。作為中國三大門戶機場之一的上海虹橋國際機場與多種交通方式共同構建成虹橋現代化大型綜合交通樞紐，具有強大的區域輻射力。加之近幾年機場東區完成改擴建以及上海國際旅游度假區的建成投運等原因，截至目前虹橋機場單日到發客流已突破14萬人次，空港樞紐陸側交通系統集散壓力顯著增加[1]。

"在此背景下，由于軌道交通車廂內擁擠及夜間停運、機場巴士線路及停靠站點有限等原因，出租車逐漸成為許多旅客尤其是夜間到港旅客的首選離港交通工具，但是，離港出租車上客區頻繁出現候車客流淤積、擁擠、溢出的問題（如圖1所示），針對此問題，空港樞紐陸側交通管理系統急需更新改造，以適應日益增長的交通集散需求。

與此同時，近年來運動目標檢測技術在智慧交通[2]等領域中逐漸應用開來。該技術能將圖像序列或視頻畫面中發生空間位置變化的物體作為前景提取出來并加以精確標記[3]，有著很強的實用價值，相關研究一直致力于構建實用化運動目標檢測器[4]。基于此，本文提出了一種基于運動目標檢測的出租車上客區排隊時長預測方法。

機場出租車上客區排隊客流分塊如圖2所示。

1 "出租車上客區排隊監控畫面特征分析

"為保證出租車上客區安全，虹橋機場交通管理中心建設完成了先進的視頻數據采集系統，采用各類性能特點不同的高清監控攝像頭針對整個區域進行有效的視頻監控管理，出租車上客區監控畫面如圖3所示。同時也為運動目標檢測技術在該場景的應用打下了堅實的數據感知基礎。通過對上海虹橋國際機場T2航站樓出租車上客區及相關區域的調查，總結出T2航站樓出租車上客區視頻監控系統及視頻畫面特征主要表現在以下幾個方面：（1）前端點數多、監控系統復雜龐大。出租車上客區監控區域大、范圍廣。研究區域主要有槍機和球機兩種攝像頭，攝像頭之間不僅在焦距、轉角等方面存在差異，而且由于各個攝像頭布設的位置不同進而導致拍攝的視頻數據存在諸多不同，包括攝像頭視角、光照情況、遮擋、背景復雜度等。例如出租車的前照燈開啟后會對攝像機形成強逆光的影響，諸如此類的情況使得龐大的視頻監控系統各點位畫面更加復雜，為運動目標檢測算法的應用帶來諸多難點。（2）畫面中人與車出現的隨機性較大、構成復雜。場景中出現的運動目標（如行人、車輛等）非常不可控，目標出現的時間和位置都具有較大的隨機性，并且目標的外觀受到拍攝視角、姿態、穿著服飾、附著物、成像距離等因素影響會產生較大差異，例如不同旅客穿的衣服不同、打傘、戴帽子、戴圍巾、提行李等附著物的影響以及遠近距離的人體畫面差別。除此之外，畫面中出現的人員可能包含工作人員、無乘車意圖的乘客、機場保潔等，因此在檢測候車乘客數量時需要對此類人員產生的誤差進行校正。 （3）背景相對固定、人與車運動速度適中、前景尺寸相比背景較小。雖然監控畫面內容較為復雜，但監控攝像頭的位置基本是固定不動的，因此同一個監控攝像頭拍攝到的畫面背景不會有較大改變。同時排隊候車的客流移動速度相對適中，既不會快速移動導致攝像頭難以捕捉，也不會完全靜止，有利于引入運動目標檢測技術對該場景進行分析應用。此外，視頻畫面中運動前景尺寸相比背景較小，且背景特征多樣性較大，有必要在目標分類之前提取運動前景進而提高識別準確度。

2 "運動目標檢測技術

"運動目標檢測技術是智能視頻分析的基礎，截至目前，常用的運動目標檢測技術基本原理可以分為三大類型：一是基于像素的方法，這類方法主要基于像素級信息的變化來檢測目標，例如背景建模法通常依靠前面的幀對場景圖像序列進行訓練來提取背景特征，并利用背景特征建立背景模型。然后用當前幀與背景模型進行比較，當在當前幀中檢測到像素值與背景模型差異較大時，就可以將其判定為前景目標，即圖像中運動的區域[5]。該方法是最常用也是最簡單直觀的方法。二是基于傳統機器學習的方法，其主要思路是“人工特征+分類器”的實現過程，該方法需要手工設計提取運動目標特征，然后用這種特征來訓練分類器用于區分行人、車輛以及背景等[6]。特征通常包括顏色、邊緣、紋理等，采用的分類器有神經網絡、SVM、AdaBoost、隨機森林等計算機視覺領域常用的算法。三是基于深度學習的方法，其算法表現出較強的自動學習和深度語義表征能力，以及很好的魯棒性和泛化能力[7]。以卷積神經網絡為代表的深度學習模型逐漸被用于行人檢測問題，之后又涌現出Faster-RCNN、SSD、FPN、YOLO等方法，相比傳統的機器學習方法，準確度有所提升，但同時算法的計算成本和復雜程度也在增大。

" 候車區監控攝像頭多屬于固定位置與角度，且不必考慮雨雪影響等天氣因素影響，同時具有實時監測需求。針對這類應用場景，基于像素信息的運動目標檢測方法理論成熟，在實際視頻監控項目中應用廣泛，能夠較好兼顧實際應用中的準確度與系統整體的復雜度，適合在機場出租車候車區智能監控系統場景下部署[8]。

"基于像素的運動目標檢測技術的核心在于背景建模，目前主要的背景建模方法有混合高斯模型、VIBE算法[9]、多幀平均法[10]、碼本法（Code Book）[11]、自適應背景建模[12]、自組織背景建模[13]、樣本一致性背景建模算法（SACON）[14]等。表1對幀差法以及各種背景建模方法的主要優缺點進行了深度對比。

由于出租車上客區監控系統具備第1節總結的場景特點，所以在提取特征進行分類之前檢測運動前景使得精度可以得到保證[16]，而單一背景建模方法的效果有限，本文綜合背景建模方法各自的優缺點以及虹橋機場已建成的硬件資源條件，采用改進的結合三幀差分法和混合高斯模型的方法檢測運動信息。

3 "算法實現

本文的候車排隊時間預測方法主要包括三塊內容：上客區排隊乘客檢測與人數統計、上車速度計算、乘客排隊時間預估。具體介紹如下：

3.1 "上客區排隊乘客檢測與人數統計。上客區排隊乘客檢測與人數統計處于整個智能視頻監控系統的底層，是實現乘客候車時間預估的前提，實現該模塊的具體步驟為：

"首先利用三幀差分法和混合高斯模型分別檢測視頻中的運動目標，通過加權融合兩種方法的檢測結果，得到更加準確的運動區域檢測結果，保障目標識別與跟蹤的精度。并對該結果進行局部二值模式（Local Binary Pattern）處理實現光照不變性以及特征提取，輸入分類器中完成行人與車輛的識別。

接著使用Mean-Shift算法實現對運動目標的跟蹤，初始化目標后使用Mean-Shift算法迭代計算目標位置，直到目標位置收斂。在每個新的目標位置處判斷目標是否穿越了上車線，即是否上車，并對每個已識別的目標進行標記，以便于后續的跟蹤和計數，在每個新的目標位置處重新計算目標模型，以適應目標的變化，便于進行后續目標分析和統計。

"排隊人數可通過攝像頭分段布設統計的方式分別統計圍欄內（紅框區域）和圍欄外（藍框區域）排隊人數（如圖5、圖6所示）并求和，后臺根據行人檢測算法統計在此區域內人數時，會對攝像頭覆蓋重疊區域進行去重統計，保證排隊人群無遺留無重復統計。同時為避免將監控畫面中其他路過旅客、工作人員等統計為排隊旅客，可將排隊區域設定為人數統計區域，區域外人數不納入統計。

3.2 "候車區上車速度。為了能根據現場實際情況進行動態調整，實時上車速度的測算依托出租車上車處的攝像頭采集乘客搭乘出租車離港的視頻數據，利用上述算法檢測乘車離港乘客數量，測算每1分鐘、每5分鐘、每10分鐘的平均上車速度。對于畫面中可能出現機場工作人員、無乘車意圖的乘客、機場保潔等行人的情況，需要考慮對這些人員進行剔除與誤差縮減：利用Mean-Shift算法跟蹤行人確保在不同幀之間保持一致的標識，當一個行人進入車內時，其跟蹤框會與車輛區域進行交集計算，當交集面積超過一定閾值時，則認為該行人已經上車。

3.3 "動態預估候車時間。在常見的排隊候車時間預測方法中，基于歷史數據的預測方法對歷史數據的要求較高，實際情況可能會受到很多因素的影響，如天氣、交通等因素，因此預測結果僅供參考。基于仿真的預測方法需要較高的計算能力和模擬環境的構建。基于排隊理論的預測方法[17]存在諸多前提假設，對于本文所研究的機場出租車上客點候車場景，由于乘客和出租車不是隨機到達且數量不定，因此排隊模型并不適用于此特定場景。

"經過綜合比對，本文決定采用基于利特爾定理（Little's Law）的方法計算候車排隊時間，該定理是排隊論中的一個重要定理[18]，其形式簡單、準確有效，適用于機場出租車上客點候車時間預測場景。公式表述為：

T=N/R+S " " " " " " " " " " " " " " " " " " " " " " "（1）

其中：T表示全部疏散時間（即某一時刻加入排隊的最后一位乘客的預計候車時間），N表示此時刻排隊總人數，R表示單位時間內出租車服務人數，S表示出租車每單服務時間。此外，N、R、S可以借助上文算法進行實時采集和動態調整，以便實現更為準確的預測。

4 "系統實現

4.1 "系統架構。基于上述的運動目標檢測算法和預測模型，設計虹橋國際機場出租車管理信息發布系統并實現可視化展示，將該系統嵌入到虹橋機場陸側交通綜合管控平臺中實現對出租車上客區候車時間的實時預測與相關信息的監控分析，系統架構如圖7所示。

為了使虹橋機場出租車上客區候車時間預測系統具有高度的擴展性及穩定性，將整體系統架構分為四層，首先是機場已有的視頻數據采集系統；其次是預測系統的技術基礎——數據環境與存儲層，包括視頻數據的接入口、廣泛支持主流AI算法框架（涵蓋TensorFlow、Keras、Pytorch等）、數據存儲模塊（包括Mysql、Redis、MongoDB）；第三層是數據建模層，包括本文提出的運動目標檢測算法、視頻數據挖掘算法及運行人數統計模型、排隊理論模型等；最后是數據展示層，通過視頻智能化分析實現虹橋機場出租車候車排隊時間的實時預測與監控分析，將相關信息進行可視化展示。運動目標檢測與識別效果如圖8所示。

4.2 "系統功能與應用。以出租車上客點候車時間預測系統框架為底層邏輯，建立虹橋機場出租車管理信息發布系統。如圖9所示為虹橋機場出租車管理信息發布系統的“首頁”，可動態顯示當前時間內出租車候車排隊人數、當前預計排隊時長、未來一小時到港旅客量、候車道中出租車輛數、當前蓄車場中車輛數據等。

"在此基礎上，將該系統進一步嵌入集成到虹橋機場陸側交通綜合管控平臺，如圖10所示。該平臺首頁除了顯示當前時間內候車排隊人數、當前預計排隊時長以外，還展示了當日出租車排隊人數統計、各停車場高峰運行情況、航班信息、預警信息以及民航局公布數據等。其中，當日出租車排隊人數統計是以2小時為單位劃分的出租車排隊總人數。平臺集成了出租車信息采集、信息研判、出行信息交互及信息發布等多項功能，通過功能集成，為機場運營人員提供管理決策依據，為乘客提供實時的信息服務，打造一個暢通、安全的出行環境。

"后續可將出租車信息發布系統嵌入微信、掌上虹橋、車載導航、廣播電臺、新聞媒體等多種信息發布方式中，發布內容包括但不限于機場內出租車實際數量、旅客排隊情況、出租車和旅客分別等待時間、停車庫內空位數量等信息，完善機場交通出行信息服務，提高周邊道路運輸效率，滿足公眾多元化的便捷出行需求。除了向機場運營人員和乘客提供信息服務外，將出租車駕駛員及出租車運營商納入服務對象，推送虹橋機場陸側出租車需求信息，智能化地引導出租車完成虹橋機場陸側交通需求的集散工作，保證出租車流量的穩定，提高出租車集散效率。

5 "結束語

"本文針對機場出租車上客點排隊區域行人淤積、擁擠的情況，分析了基于像素、基于傳統機器學習和基于深度學習的運動目標檢測算法以及各種背景建模算法的優點和不足，在運動目標檢測部分提出了一種改進的融合三幀差分法和混合高斯模型的算法來提取前景目標，克服了光照變化對背景建模的影響，消除幀間差分法帶來的“雙影”和“空洞”，同時兼顧了運動目標檢測任務的實時性以及目標分類識別的準確度，借助Mean-Shift算法實現對前景的跟蹤，經過去重、上車判定，實時計算乘客上車速度得到一段時間內的離港乘客人數，最后依照基于利特爾定理的候車時間模型進一步動態預測候車隊伍疏散時間，即乘客排隊時間。

"實踐證明，該方法能夠實時、準確地識別出行人、車輛等運動目標，并較為快速、準確地進行計數，最終的預測時間與排隊人數可以通過虹橋機場出租車管理信息發布系統以及其他多種機場信息發布形式準確、及時發布，既提高機場出租車管理水平，也為旅客提供完整、準確的信息服務，緩解出租車缺車和旅客排隊時間過長的問題，最終提高機場旅客疏散能力。

參考文獻：

[1] 林小玉. 基于疏散可靠性的城市綜合客運樞紐規模研究[D]. 大連：大連交通大學，2020.

[2] 何勝皎. 視頻序列中運動目標檢測算法的研究[D]. 蘭州：蘭州理工大學，2018.

[3] 白一帆. 智能視頻監控中運動目標檢測識別方法研究[D]. 太原：太原理工大學，2018.

[4] 李佩陽，陸華才. 基于計算機視覺的運動目標檢測算法[J]. 安徽工程大學學報，2022（3）：70-74.

[5] 徐以美，郭寶龍，張晉. 基于像素分類的運動目標檢測算法[J]. 計算機工程，2008，34（23）：205-207.

[6] 韓艷. 基于機器學習的運動目標檢測與跟蹤算法研究[D]. 秦皇島：燕山大學，2019.

[7] 許建中. 基于深度學習的監控視頻運動目標檢測及行人結構化描述關鍵技術[D]. 濟南：山東大學，2019.

[8] 許益成，譚文安，陳麗婷. 基于改進混合高斯模型的運動目標檢測算法[J]. 控制工程，2018，25（4）：630-635.

[9] 閔衛東，郭曉光，韓清. 改進的ViBe算法及其在交通視頻處理中的應用[J]. 光學精密工程，2017，25（3）：806-811.

[10] 余慧玲. 視頻圖像中的運動目標檢測方法研究[D]. 長沙：中南大學，2015.

[11] 嚴丹. 應用于嵌入式視頻監控的碼本建模方法研究[D]. 成都：西華大學，2014.

[12] 盧官明，徐方明，沈蘇彬. 一種自適應背景建模及運動目標檢測方法[P]. 中國專利，CN101621615A， 2010.

[13] 朱松豪，孫嫻，金棟梁，等. 融合超像素與三維自組織背景減除法的前景提取方法[P]. 中國專利，CN105809716B， 2019.

[14] 李明月. 基于背景建模的運動目標檢測算法的研究與實現[D]. 西安：西安電子科技大學，2018.

[15] "BENEZETH Y， JODOIN P M， EMILE B， et al. Comparative study of background subtraction algorithms[J]. Journal of Electronic Imaging， 2010，19（3）：1-12.

[16] 蔡小路. 基于分類器算法的行人檢測研究[D]. 成都：電子科技大學，2015.

[17] "KEJ C， CHANG F M， LIU T H. M/M/c balkingretrialqueue with vacation[J]. Quality Technologyand Quantitative Management， 2019，16（1）：54-66.

[18] "KIM S， WHITT W. Estimating waiting times with the time-varying little's law[J]. Probability in the Engineering and Informational Sciences， 2013，27：471-506.

收稿日期：2023-05-07

基金項目：上海市科學技術委員會項目“大型國際交通樞紐復雜交通智能調控技術與示范”（17DZ124000）

作者簡介：陶 "越（1996—），男，遼寧阜新人，同濟大學交通運輸工程學院碩士研究生，研究方向：智能交通、低碳交通、交通大數據；李 "曄（1974—），男，福建三明人，同濟大學交通運輸工程學院，教授，博士，博士生導師，上海師范大學副校長，研究方向：交通能源與環境、交通公共政策。

引文格式：陶越，李曄. 基于運動目標檢測的候車排隊時間預測方法研究與實踐——以虹橋機場T2航站樓出租車上客區為例[J]. 物流科技，2024，47（7）：86-90.