CN105404856B - 一种公交车辆座位占用状态检测方法 - Google Patents

Abstract

一种公交车辆座位占用状态检测方法，首先选定监视的座位区；依据公交GPS数据采集车辆在站间运行的视频图像帧；基于灰度图像去除座位区的异常光照区；在HSV颜色空间进行蓝色滤波，计算色度滤波系数；对于初始帧，若色度滤波系数大于高阈值认为有空位，反之亦反；对于非初始帧，若色度滤波系数大于高阈值认为有空位；若色度滤波系数小于低阈值则认为无空位；若色度滤波系数介于低阈值和高阈值之间，则提取当前帧与前帧的差异重合区域并计算差异区重合系数，若差异区重合系数大于差异阈值则认为有空位，否则，提取相似重合区域并计算相似区重合系数，若相似区重合系数大于相似阈值认为有空位，否则认为该监视区域无空位。本发明具有检测精度高的优点。

Description

一种公交车辆座位占用状态检测方法

技术领域：

本发明涉及一种公交车摄像头监控系统的扩展应用，尤其涉及一种基于图像处理技术的公交车辆座位占用状态检测方法。

背景技术：

城市公共交通由于运载量大、安全性和运行效率高等特点，是城市交通的重要组成部分，被认为是解决城市交通拥挤的最佳的途径。公交车辆的准时、舒适能增加公交对乘客的吸引力。公交车内是否有空位是公交舒适度的重要的评价指标之一。

目前，公交车内空位检测方法主要是通过对比车内乘客数和车内座位数来得到。公交车辆车内乘客自动统计的方法主要有：基于压力踏板的客流统计法、红外检测仪统计法、票据刷卡统计法等。压力踏板客流统计法和红外检测仪统计法通过在上、下车门安装压力踏板传感器或红外检测仪，实时测定上车和下车的人数，从而统计车内的乘客数。当乘客拥挤通过时，计数的人数容易产生误差，而且传感器昂贵、且容易损坏。票据刷卡统计法是乘客在上车门刷卡上车、下车门刷卡下车的方式获取客流数据，该方法简单、可行，但是无法统计无卡上车需要缴现的那部分乘客。上面三种方法统计出的客流数据，需要结合公交的具体座位数来判定车门的空位情况，且判定的结果会随着统计的客流误差产生错误的结果。此外，还有人工监视法，主要通过人眼实时观测公交视频数据，以判定车内的乘客数和座位占用情况。人工监视法存在效率较低，人工成本较高，不适合大规模检测。

发明内容：

本发明的目的在于提供一种公交车辆座位占用状态检测方法。

为达到上述目的，本发明采用如下技术方案来实现：

一种公交车辆座位占用状态检测方法，包括以下步骤：

步骤0：选取监视的座位区Ba；其中，选定的座位区Ba为二值图，Ba(x,y)＝1的所有像素组成的区域表示座位区，Ba(x,y)＝0的所有像素组成的区域表示非座位区；

步骤1：车辆到站检测

读取公交车辆的GPS位置数据，若该时刻公交车辆的GPS位置数据和公交停靠站点的位置数据重合，则将帧号清零，即k＝0，转入步骤1；若位置数据不重合，则转入步骤2；

步骤2：读取并存储站间的公交车内的视频图像帧

采样频率为5S/帧，采集的图像帧用符号E_k表示，k指当前图像帧的帧号，每次读取一帧，将帧号累加1，即k＝k+1，图像大小为M×N，其中，M和N分别图像帧E_k的总行和总列；

步骤3：灰度化处理

将步骤2获取的图像帧E_k进行灰度化处理，得到灰度图像f_k；

步骤4：去除光照异常区域

在步骤0得到的座位区Ba内，去除灰度图像f_k的异常光照区，即光照过强或过低的区域，得到待测座位区Se_k；

步骤5：RGB颜色空间转至HSV颜色空间

将步骤2中采集到的RGB图像E_k转换至HSV颜色空间，得到HSV图像Be_k；

步骤6：对HSV图像Be_k进行颜色滤波

在步骤4中得到的待测座位区Se_k区域内，对步骤5中得到的HSV图像Be_k进行颜色滤波，得到空位区Ca_k；

步骤7：计算色度滤波系数a

步骤8：初始帧判定

判定当前检测帧是否为初始帧，即判断k是否等于1；若k＝1，转入步骤9；若k≠1，则转入步骤10；

步骤9：计算初始帧座位占用标记，并转入步骤21

用fg_k表示第k(k＝1)帧的图像座位占用标记，计算公式如下：

式中，Ta₁为高阈值，取值为0-1；

步骤10：计算非初始帧的座位占用标记

计算非初始帧的座位占用标记，计算公式如下：

其中，fg_k＝2表示第k帧座位占用状态未知，需要进行后续分析；Ta₂为低阈值，取值为0-1且满足Ta₂≤Ta₁；

步骤11：座位占用状态判定

若fg_k≠2，即fg_k＝0或fg_k＝1，转入步骤21；若fg_k＝2，转入步骤12；

步骤12：计算当前帧与前帧的差异值

分别计算当前帧和前帧的色度差、饱和度差、亮度差以及融合差；

步骤13：检测当前帧与前帧的差异区和相似区

对于第k帧图片中的任一像素点，若当前帧和前帧的差异值大于限定的阈值时，认为该像素点为差异点，由差异点组成的区域为差异区；若当前帧和前帧的差异值小于限定的阈值时，认为该像素点为相似点，由相似点组成的区域为相似区；

在待测座位区Se_k内，对差异值选定分割阈值，得到分割图Mf_k；分割图Mf_k中像素值为1的像素点组成的区域为差异区，用符号MD_k表示，像素值为0的像素点组成的区域为相似区，用符号MI_k表示；

步骤14：提取差异重合区域

提取差异区MD_k与空位区Ca_k的重合区域，得到空位差异图HD_k，计算公式如下：

步骤15：计算差异区重合系数af

差异区重合系数af的计算公式如下：

其中，为步骤14得到的空位差异图HD_k的面积，即该区域内像素值为1的像素数目；为步骤13得到的差异区MD_k的面积，即该区域内像素值为1的像素数目；

步骤16：计算座位占用标记

计算座位占用标记fg_k，计算公式如下：

其中，Ta₃为差异阈值，其取值为0-1；

步骤17：座位占用状态判定

若fg_k＝0，转入步骤21；若fg_k＝2，转入步骤18；

步骤18：提取相似重合区域

提取相似区MI_k与空位区Ca_k-1的重合区域，得到空位相似图Ls_k，计算公式如下：

步骤19：计算相似区重合系数as

相似区重合系数as的计算公式如下：

其中，为步骤18得到的空位相似图Ls_k的面积，即该区域内像素值为1的像素数目；Sc_k表示步骤6得到的空位区Ca_k的面积，即该区域内像素值为1的像素总数；

步骤20：计算座位占用标记fg_k

计算座位占用标记fg_k，计算公式如下：

其中，Ta₄为相似阈值，其取值为0-1；

步骤21：座位占用状态判定

若fg_k＝0，判定该时刻座位未被占用，为空座状态；若fg_k＝1，判定该时刻座位被占用，为无座状态。

本发明进一步的改进在于，步骤3中，将步骤2获取的图像帧E_k进行灰度化处理计算公式如下：

f_k(x,y)＝0.3×R_k(x,y)+0.59×G_k(x,y)+0.11×B_k(x,y) (1)

其中，f_k(x,y)表示灰度图像f_k像素(x,y)的灰度值，R_k(x,y)、G_k(x,y)和B_k(x,y)分别表示图像帧E_k像素位置(x,y)的红色分量值、绿色分量值和蓝色分量值。

本发明进一步的改进在于，步骤4中，在步骤0得到的座位区Ba内，去除灰度图像f_k的异常光照区计算公式如下：

式中，δ₁为低亮区阈值，取值为0-50；δ₂为高亮区阈值，取值为230-256。

本发明进一步的改进在于，步骤5中，将步骤2中采集到的图像帧E_k转换至HSV颜色空间计算公式如下：

其中，H_k(x,y)、S_k(x,y)和V_k(x,y)分别为像素(x,y)的色度值、饱和度值和亮度值。

本发明进一步的改进在于，步骤6中，在步骤4中得到的待测座位区Se_k区域内，对步骤5中得到的HSV图像Be_k进行颜色滤波计算公式如下：

式中，h_l为低色度阈值，取值范围为0-1；h_h为高色度阈值，取值范围为0-1，且满足h_l＜h_h；s_l为低饱和度阈值，取值范围为0-1；s_h为高饱和度阈值，取值为0-1，且满足s_l＜s_h；v_l为低亮度阈值，取值为0-1；v_h为高亮度阈值，取值为0-1，且满足v_l＜v_h。

本发明进一步的改进在于，步骤7中，色度滤波系数a的计算公式如下：

其中，表示步骤6得到的空位区Ca_k的面积，即该区域内中像素值为1的像素总数；表示步骤4得到待检座位区Se_k的面积，即该区域内像素值为1的像素总数。

本发明进一步的改进在于，步骤12中，计算当前帧和前帧的色度差、饱和度差、亮度差以及融合差的计算公式如下：

Ch_k(x,y)＝|H_k(x,y)-H_k-1(x,y)| (10)

Cs_k(x,y)＝|S_k(x,y)-S_k-1(x,y)| (11)

Cv_k(x,y)＝|V_k(x,y)-V_k-1(x,y)| (12)

Cz_k(x,y)＝Ch_k(x,y)+Cs_k(x,y)+Cv_k(x,y) (13)

其中，Ch_k为第k帧图片与前帧的色度差；Cs_k为第k帧图片与前帧的饱和度差；Cv_k为第k帧图片与前帧的亮度差；Cz_k为第k帧图片与前帧的融合差。

本发明进一步的改进在于，步骤13中，计算公式如下：

其中，C₁、C₂、C₃和C₄均为分割阈值，C₁、C₂和C₃的取值均为0.15-0.3，C₄的取值为0.5-0.7。

相对于现有技术，本发明基于公交车内的视频采集装置获取车内的视频图像数据，挖掘视频图像信息，分析公交车辆的座位占用情况。本发明具有以下的现实意义：一是改善公交的服务水平，提高公交车辆的出行吸引力。公交车内座位占用情况是乘客乘车舒适度或拥挤度评定的重要的评价指标之一，当车内座位被占用后，进一步分析车内的拥挤度可为公交调度部门提供相应的预警信号，为车辆调度提供数据支持。二是为公交车辆车型选择提供依据。由于不同公交线路的客运量存在差异，通过检测座位占用情况，可合理选择适合该线路的车型。本发明提出的公交车内座位占用情况的自动检测方法，该方法具有简单、经济、检测精度高、运行速度快、鲁棒性好等优点。

附图说明：

图1为座位区Ba示意图。

图2为图像帧E_k示意图。

图3为灰度图像f_k示意图。

图4为待测座位区Se_k示意图。

图5为空位区Ca_k示意图。

图6为分割图Mf_k示意图。

图7为空位差异图HD_k示意图。

图8为空位相似图Ls_k示意图。

具体实施方式：

以下结合附图和实施例对本发明作进一步的详细说明。

为监视公交车内不同区域，目前公交车一般在前部、中部和后部等不同位置布设有3个及以上的摄像头，以采集不同区域的图像数据。在具体实施例中，选择公交车前部通道的视频图像数据，运用本发明的方法监视前排座位的占用情况。本发明提供一种公交车辆座位占用状态检测方法，具体实施步骤表述如下：

步骤S0：选取监视的座位区Ba。

由于公交车型号以及摄像头安装位置的差异，不同的公交车采集到的视频图像中，座位区域的大小和位置也会存在一定的差异，需根据不同的公交车进行座位区域的划定。实施例中的摄像头主要监视前排的座位区域，先选定需要监视的座位区域，常规的座位区域选定方法有自动选取法和人工选定法。自动选取法是依据座位所处的位置信息和颜色信息，自动选定需要监视的座位区域。人工选定法是工作人员通过视觉判断，手动选定需要监视的座位区域，并将选定的座位区域存储备用。相比自动选取法，人工选定法的精度更高，本实施例中采用的是人工选定法。划定的座位区用符号Ba表示，人工选定的座位区Ba为二值图，Ba(x,y)＝1的所有像素组成的区域表示座位区，Ba(x,y)＝0的所有像素组成的区域表示非座位区，如图1所示。

转入步骤S1。

步骤S1：车辆到站检测。

读取公交车辆的GPS位置数据，若该时刻公交车辆的GPS位置数据和公交停靠站点的位置数据重合，则将帧号清零，即k＝0，转入步骤S1；若位置数据不重合，则转入步骤S2。

步骤S2：读取并存储站间的公交车内的视频图像帧。

采样频率为5S/帧，采集的图像帧用符号E_k表示，k指当前图像帧的帧号，每次读取一帧，将帧号累加1，即k＝k+1。采集的图像为RGB彩色格式，图像大小为M×N，M和N分别表示图像帧E_k的总行和总列，即M＝576，N＝704。在本实施例中选取的是第12帧图像进行座位检测，图像帧E_k如图2所示，k＝12。

转入步骤S3。

步骤S3：灰度化处理。

将步骤S2获取的图像帧E_k进行灰度化处理，得到灰度图像f_k，如图3所示。计算公式如公式(1)所示：

f_k(x,y)＝0.3×R_k(x,y)+0.59×G_k(x,y)+0.11×B_k(x,y) (1)

其中，f_k(x,y)表示灰度图像f_k像素(x,y)的灰度值，R_k(x,y)、G_k(x,y)和B_k(x,y)分别表示图像帧E_k像素位置(x,y)的红色分量值、绿色分量值和蓝色分量值。

转入步骤S4。

步骤S4：去除光照异常区域。

公交车内因光照不均匀，使某些区域的亮度过高或过低，进行检测时需要去除这些区域。在步骤S0得到的座位区Ba内，去除异常光照区，即光照过强或过低的区域，得到待测座位区Se_k，如图4所示。计算公式如公式(2)所示：

式中，δ₁为低亮区阈值，取值为0-50；δ₂为高亮区阈值，取值为230-256。本实施例中，δ₁取30，δ₂取250。

转入步骤S5。

步骤S5：RGB颜色空间转至HSV颜色空间。

HSV颜色空间便于执行颜色滤波，故将步骤S2中采集到的图像E_k转换至HSV颜色空间，得到HSV图像Be_k，计算公式如下所示：

其中，H_k(x,y)、S_k(x,y)和V_k(x,y)分别为像素(x,y)的色度值、饱和度值和亮度值。

转入步骤S6。

步骤S6：对HSV图像Be_k进行颜色滤波。

在待测座位区Se_k(步骤S4中得到的)区域内，对步骤S5中得到的HSV图像Be_k进行颜色滤波，得到空位区Ca_k，如图5所示。本实施例中公交前排座位为蓝色，在待测座位区Se_k区域内，对HSV图像Be_k进行蓝色滤波，计算公式如公式(6)所示：

在本实施例中，h_l为低色度阈值，取值为0.5-0.6；h_h为高色度阈值，取值为0.65-0.75；s_l为低饱和度阈值，取值为0.15-0.25；s_h为高饱和度阈值，取值为0.8-0.9；v_l为低亮度阈值，取值为0.2-0.35；v_h为高亮度阈值，取值为0.9-1.0。本实施例中，h_l取值为0.55，h_h取值为0.7，s_l取值为0.2，s_h取值为0.8，v_l取值为0.3，v_h取值为0.9。

转入步骤S7。

步骤S7：计算色度滤波系数a。

色度滤波系数用于表征座位的色度比例，色度比例越大，座位被占用的概率越小。色度滤波系数a的计算公式如公式(7)所示：

其中，表示步骤S6得到的空位区Ca_k的面积，即该区域内中像素值为1的像素总数；表示步骤S4得到待检座位区Se_k的面积，即该区域内像素值为1的像素总数。本实施例中，Ca_k的面积为5680，Se_k的面积为10021，系数a为0.567。

转入步骤S8。

步骤S8：初始帧判定。

判定当前检测帧是否为初始帧，即判断k是否等于1。若k＝1，转入步骤S9；若k≠1，则转入步骤S10。

实施例中，k＝12，此时转入步骤S10。

步骤S9：计算初始帧座位占用标记。

用fg_k表示第k(k＝1)帧的图像座位占用标记，计算公式如公式(8)所示：

式中，Ta₁为高阈值，取值为0-1。在本实施例中，Ta₁的取值为0.85。

转入步骤S21。

步骤S10：计算非初始帧的座位占用标记。

计算非初始帧的座位占用标记，即k≠1时，计算公式如公式(9)所示：

其中，fg_k＝2表示第k帧座位占用状态未知，需要进行后续分析；Ta₂为低阈值，取值为0-1且满足Ta₂≤Ta₁，在本实施例中，Ta₂的取值为0.55。由步骤S7得色度滤波系数a＝0.567，其值小于0.85且大于0.55，因此该时刻的占用标记fg_k为2。

转入步骤S11。

步骤S11：座位占用状态判定。

若fg_k≠2，即fg_k＝0或fg_k＝1，转入步骤S21；若fg_k＝2，转入步骤S12。

步骤S12：计算当前帧与前帧的差异值。

分别计算当前帧和前帧的色度差、饱和度差、亮度差以及融合差。计算公式如下所示：

Ch_k(x,y)＝|H_k(x,y)-H_k-1(x,y)| (10)

Cs_k(x,y)＝|S_k(x,y)-S_k-1(x,y)| (11)

Cv_k(x,y)＝|V_k(x,y)-V_k-1(x,y)| (12)

Cz_k(x,y)＝Ch_k(x,y)+Cs_k(x,y)+Cv_k(x,y) (13)

其中，Ch_k为第k帧图片与前帧的色度差；Cs_k为第k帧图片与前帧的饱和度差；Cv_k为第k帧图片与前帧的亮度差；Cz_k为第k帧图片与前帧的融合差。

转入步骤S13。

步骤S13：检测当前帧与前帧的差异区和相似区。

对于第k帧图片中的任一像素点，若当前帧和前帧的差异值过大时，认为该像素点为差异点，由差异点组成的区域为差异区；若当前帧和前帧的差异值较小时，认为该像素点为相似点，由相似点组成的区域为相似区。

在待测座位区Se_k内，对以上各差异值选定合适的分割阈值，得到分割图Mf_k，如图6所示。分割图Mf_k中像素值为1的像素点组成的区域为差异区，用符号MD_k表示，像素值为0的像素点组成的区域为相似区，用符号MI_k表示，计算公式如公式(14)所示:

其中，C₁、C₂、C₃和C₄均为分割阈值，C₁、C₂和C₃的取值为0.15-0.3，C₄的取值为0.5-0.7。本实施例中，C₁取值为0.25，C₂取值为0.25，C₃取值为0.25，C₄取值为0.6。

转入步骤S14。

步骤S14：提取差异重合区域。

提取差异区MD_k(由步骤S13得到)与空位区Ca_k(由步骤S6得到)的重合区域，得到空位差异图HD_k，如图7所示，计算公式如公式(15)所示:

转入步骤S15。

步骤S15：计算差异区重合系数af。

差异区重合系数af的计算公式如下：

其中，为步骤S14得到的空位差异图HD_k的面积，即该区域内像素值为1的像素数目；为步骤S13得到的分割图Mf_k中差异区MD_k的面积，即该Mf_k中像素值为1的像素数目。本实施例中，空位差异图HD_k的面积为3；差异区MD_k的面积为232，差异区重合系数af为0.012。

转入步骤S16。

步骤S16：计算座位占用标记。

计算座位占用标记fg_k，计算公式如公式(17)所示:

其中，Ta₃为差异阈值，其取值为0-1，在本实施例中Ta₃取值为0.7。由步骤S16得差异区重合系数af＝0.012，其值小于0.7，因此该时刻的占用标记fg_k为2。

转入步骤S17。

步骤S17：座位占用状态判定。

若fg_k＝0，转入步骤21；若fg_k＝2，转入步骤S18。

步骤S18：提取相似重合区域。提取分割图Mf_k中相似区MI_k(由步骤S13得到)与空位区Ca_k-1(由步骤S5得到)的重合区域。得到空位相似图Ls_k，如图8所示，计算公式如公式(18)所示:

转入步骤S19。

步骤S19：计算相似区重合系数as。

相似区重合系数as的计算公式如公式(19)所示:

其中，为步骤S18得到的空位相似图Ls_k的面积，即该区域内像素值为1的像素数目；Sc_k表示步骤S6得到的空位区Ca_k的面积，即该区域内像素值为1的像素总数。本实施例中，空位相似图Ls_k的面积为4740；空位区Ca_k的面积为4989，相似区重合系数as为0.95。

转入步骤S20。

步骤S20：计算座位占用标记fg_k。

计算座位占用标记fg_k，计算公式如公式(20)所示:

其中，Ta₄为相似阈值，其取值为0-1，本实施例中Ta₄取值为0.56。由步骤S19得差异区重合系数as＝0.95，其值大于0.56，因此实施例的占用标记fg_k为0。

转入步骤S21。

步骤S21：座位占用状态判定。

若fg_k＝0，判定该时刻座位未被占用，为空座状态；若fg_k＝1，判定该时刻座位被占用，为无座状态。

转入步骤S1。

按照以上发明的技术方案，采集公交车内的视频图像数据，利用本发明采用的检测方法，可实现车内座位占用情况的自动检测，公交车内座位占用情况数据可用于改善公交的服务水平，提高公交车辆的出行吸引力，亦可为公交车辆车型选择提供数据支持。

从运行时间和检测精度两方面，说明本发明方案的优缺点。

(1)运行时间。以实施例中某公交车在某站间运行时长2分3秒为例，共采集24帧图像，在Intel I3 M350处理器，4GB内存的计算机，利用MATLAB软件进行仿真，对采集到的图像帧进行测定，平均每帧运行耗时0.19s，与图像帧采集频率5s/帧相比，本发明方法处理速度快，可应用于实时处理系统中。

(2)检测精度。用W_r表示被正确检测的帧数，W表示检测的总帧数，η表示正确率，选定正确率作为本发明的检测精度的评价指标，争取率越高，本发明的检测精度越高。正确率计算式如下：

对本实施例中某公交车从起点运行到终点，运行时长：1时23分，共采集684帧站间运行的图像，被正确检测的帧数为636帧，计算得对于实施例，算法的正确率为93％。此外，对采集的8段视频图像进行测试，发现本发明的正确率均在90％以上，具有较高的鲁棒性。

Claims (7)

1.一种公交车辆座位占用状态检测方法，其特征在于，包括以下步骤：

步骤0：选取监视的座位区Ba；其中，选定的座位区Ba为二值图，Ba(x,y)＝1的所有像素组成的区域表示座位区，Ba(x,y)＝0的所有像素组成的区域表示非座位区；

步骤1：车辆到站检测

读取公交车辆的GPS位置数据，若该时刻公交车辆的GPS位置数据和公交停靠站点的位置数据重合，则将帧号清零，即k＝0，转入步骤1；若位置数据不重合，则转入步骤2；

步骤2：读取并存储站间的公交车内的视频图像帧

采样频率为5S/帧，采集的图像帧用符号E_k表示，k指当前图像帧的帧号，每次读取一帧，将帧号累加1，即k＝k+1，图像大小为M×N，其中，M和N分别图像帧E_k的总行和总列；

步骤3：灰度化处理

将步骤2获取的图像帧E_k进行灰度化处理，得到灰度图像f_k；

步骤4：去除光照异常区域

在步骤0得到的座位区Ba内，去除灰度图像f_k的异常光照区，即光照过强或过低的区域，得到待测座位区Se_k；

步骤5：RGB颜色空间转至HSV颜色空间

将步骤2中采集到的RGB图像E_k转换至HSV颜色空间，得到HSV图像Be_k；

步骤6：对HSV图像Be_k进行颜色滤波

在步骤4中得到的待测座位区Se_k区域内，对步骤5中得到的HSV图像Be_k进行颜色滤波，得到空位区Ca_k；

步骤7：计算色度滤波系数a，计算公式如下：

其中，表示步骤6得到的空位区Ca_k的面积，即该区域内中像素值为1的像素总数；表示步骤4得到待检座位区Se_k的面积，即该区域内像素值为1的像素总数；

步骤8：初始帧判定

判定当前检测帧是否为初始帧，即判断k是否等于1；若k＝1，转入步骤9；若k≠1，则转入步骤10；

步骤9：计算初始帧座位占用标记，并转入步骤21

用fg_k表示第k(k＝1)帧的图像座位占用标记，计算公式如下：

式中，Ta₁为高阈值，取值为0-1；

步骤10：计算非初始帧的座位占用标记

计算非初始帧的座位占用标记，计算公式如下：

其中，fg_k＝2表示第k帧座位占用状态未知，需要进行后续分析；Ta₂为低阈值，取值为0-1且满足Ta₂≤Ta₁；

步骤11：座位占用状态判定

若fg_k≠2，即fg_k＝0或fg_k＝1，转入步骤21；若fg_k＝2，转入步骤12；

步骤12：计算当前帧与前帧的差异值

分别计算当前帧和前帧的色度差、饱和度差、亮度差以及融合差；

步骤13：检测当前帧与前帧的差异区和相似区

对于第k帧图片中的任一像素点，若当前帧和前帧的差异值大于限定的阈值时，认为该像素点为差异点，由差异点组成的区域为差异区；若当前帧和前帧的差异值小于限定的阈值时，认为该像素点为相似点，由相似点组成的区域为相似区；

在待测座位区Se_k内，对差异值选定分割阈值，得到分割图Mf_k；分割图Mf_k中像素值为1的像素点组成的区域为差异区，用符号MD_k表示，像素值为0的像素点组成的区域为相似区，用符号MI_k表示；

步骤14：提取差异重合区域

提取差异区MD_k与空位区Ca_k的重合区域，得到空位差异图HD_k，计算公式如下：

步骤15：计算差异区重合系数af

差异区重合系数af的计算公式如下：

其中，为步骤14得到的空位差异图HD_k的面积，即该区域内像素值为1的像素数目；为步骤13得到的差异区MD_k的面积，即该区域内像素值为1的像素数目；

步骤16：计算座位占用标记

计算座位占用标记fg_k，计算公式如下：

其中，Ta₃为差异阈值，其取值为0-1；

步骤17：座位占用状态判定

若fg_k＝0，转入步骤21；若fg_k＝2，转入步骤18；

步骤18：提取相似重合区域

提取相似区MI_k与空位区Ca_k-1的重合区域，得到空位相似图Ls_k，计算公式如下：

步骤19：计算相似区重合系数as

相似区重合系数as的计算公式如下：

其中，为步骤18得到的空位相似图Ls_k的面积，即该区域内像素值为1的像素数目；Sc_k表示步骤6得到的空位区Ca_k的面积，即该区域内像素值为1的像素总数；

步骤20：计算座位占用标记fg_k

计算座位占用标记fg_k，计算公式如下：

其中，Ta₄为相似阈值，其取值为0-1；

步骤21：座位占用状态判定

若fg_k＝0，判定该时刻座位未被占用，为空座状态；若fg_k＝1，判定该时刻座位被占用，为无座状态。

2.根据权利要求1所述的一种公交车辆座位占用状态检测方法，其特征在于，步骤3中，将步骤2获取的图像帧E_k进行灰度化处理计算公式如下：

f_k(x,y)＝0.3×R_k(x,y)+0.59×G_k(x,y)+0.11×B_k(x,y) (1)

其中，f_k(x,y)表示灰度图像f_k像素(x,y)的灰度值，R_k(x,y)、G_k(x,y)和B_k(x,y)分别表示图像帧E_k像素位置(x,y)的红色分量值、绿色分量值和蓝色分量值。

3.根据权利要求1所述的一种公交车辆座位占用状态检测方法，其特征在于，步骤4中，在步骤0得到的座位区Ba内，去除灰度图像f_k的异常光照区计算公式如下：

式中，δ₁为低亮区阈值，取值为0-50；δ₂为高亮区阈值，取值为230-256。

4.根据权利要求1所述的一种公交车辆座位占用状态检测方法，其特征在于，步骤5中，将步骤2中采集到的图像帧E_k转换至HSV颜色空间计算公式如下：

其中，H_k(x,y)、S_k(x,y)和V_k(x,y)分别为像素(x,y)的色度值、饱和度值和亮度值。

5.根据权利要求1所述的一种公交车辆座位占用状态检测方法，其特征在于，步骤6中，在步骤4中得到的待测座位区Se_k区域内，对步骤5中得到的HSV图像Be_k进行颜色滤波计算公式如下：

式中，h_l为低色度阈值，取值范围为0-1；h_h为高色度阈值，取值范围为0-1，且满足h_l＜h_h；s_l为低饱和度阈值，取值范围为0-1；s_h为高饱和度阈值，取值为0-1，且满足s_l＜s_h；v_l为低亮度阈值，取值为0-1；v_h为高亮度阈值，取值为0-1，且满足v_l＜v_h。

6.根据权利要求1所述的一种公交车辆座位占用状态检测方法，其特征在于，步骤12中，计算当前帧和前帧的色度差、饱和度差、亮度差以及融合差的计算公式如下：

Ch_k(x,y)＝|H_k(x,y)-H_k-1(x,y)| (10)

Cs_k(x,y)＝|S_k(x,y)-S_k-1(x,y)| (11)

Cv_k(x,y)＝|V_k(x,y)-V_k-1(x,y)| (12)

Cz_k(x,y)＝Ch_k(x,y)+Cs_k(x,y)+Cv_k(x,y) (13)

其中，Ch_k为第k帧图片与前帧的色度差；Cs_k为第k帧图片与前帧的饱和度差；Cv_k为第k帧图片与前帧的亮度差；Cz_k为第k帧图片与前帧的融合差。

7.根据权利要求1所述的一种公交车辆座位占用状态检测方法，其特征在于，步骤13中，计算公式如下：

其中，C₁、C₂、C₃和C₄均为分割阈值，C₁、C₂和C₃的取值均为0.15-0.3，C₄的取值为0.5-0.7。