摘要：提出利用公交车辆前后门车载摄像头所获得的上下乘客视频信息推算公交客流OD 矩阵。选取乘客辨识指标并构建上下车乘客辨识指标体系，建立分层模糊匹配上/下车乘客辨识指标的算法，实现“1对1”的匹配上/下车乘客，进而推算出公交线路客流OD矩阵，并用某辆公交车视频录像数据进行了实例分析。
关键词：公交客流OD；视频信息；乘客辨识指标；分层模糊匹配
0.引言
本文构建公交乘客辨识指标体系，对公交乘客上下车行为视频数据进行指标量化处理分析，运用Matlab软件进行上/下车乘客的模糊匹配，推算出公交出行客流OD矩阵，并利用实例对指标体系与算法进行验证。以期提供一个利用公交车车载视频资料获得客流OD的方法。
1.公交乘客辨识指标体系建立
1.1辨识指标的选取
乘客辨识指标选取原则：易于从视频录像中读取；易于从上下车视频文件中判断；便于调查人员即时获得较为准确的识别；方便记录员快捷的记录。据此选取确定乘客辨识指标10项，分比为：性别、年龄、体型、头发长度、头发类型、头发颜色、着装颜色、着装款式、是否戴帽、是否带包。
1.2 辨识指标体系建立
1.2.1辨识指标权重的确定
确定10个辨识公交乘客的指标，用来定义上下车乘客。在这10个指标中，每个指标对于准确定义乘客的重要度又是不同的。为了在公交乘客的匹配中提高匹配准确度，降低“一对多”（ 一名下车乘客与多名上车乘客匹配）情况的出现，根据各个指标在定义乘客时的准确度的差异来确定不同指标的权重，10个辨识指标的权重分配见表1。
1.2.2辨识指标的分层排列
根据上述辨识指标的权重，对辨识指标在计算机匹配过程中的匹配顺序进行分层排列，提高计算机的匹配效率，辨识指标的分层排列见表1。
表1 辨识指标分层排列
.png)
2. 公交乘客辨识指标模糊匹配算法
针对某一位下车乘客，如何确定其与哪一位上车乘客是同一个人，本文提出了分层模糊匹配法。即通过匹配下车乘客与上车乘客的辨识指标，来得到上下车乘客的对应关系。在上下车乘客的指标匹配过程中，存在辨识指标均对应或辨识指标部分对应的不同匹配程度，本文认为辨识指标匹配程度越高，表征此时的上下车乘客是一个人的准确度越高。
2.1数据预处理
通过公交视频资料统计上/下车乘客辨识指标，得到上/下车乘客辨识指标集合。数据表格式如表2所示，并整合成表3所示的格式，为模糊匹配中运用Matlab软件进行匹配处理提供数据基础。
表2 上/下车乘客指标集
.png)
表3 预处理后数据样表
2.2分层模糊匹配算法
假设一辆公交车共有M名乘客，每一名乘客设定了N个辨识指标。为有效减少“一对多”的乘客匹配情况出现以及提高匹配程度，本文建立分层匹配上/下车乘客辨识指标的算法结构，具体步骤如下：
第一步：首先对于全部乘客，针对下车时间为t的第i位下车乘客，与t时刻之前的所有上车乘客进行匹配，匹配规则为上车乘客的N个标识指标与下车乘客的N个标识指标均能够一一对应，以此类推，对所有下车乘客逐一匹配，操作完成后，符合匹配规则的乘客形成子集1；
第二步：在乘客数据信息中去除子集1的乘客，对于这部分乘客，针对下车时间为t的第i位下车乘客，与t时刻之前的所有上车乘客进行匹配，匹配规则为上车乘客有N-1个标识指标与下车乘客的N-1个标识指标均能够一一对应，以此类推，对所有下车乘客逐一匹配，操作完成后，符合匹配规则的乘客形成子集2；
以此类推，至多经过N步后，完成所有M位乘客的匹配，至多形成N个子集。
最后，输出公交客流OD矩阵。
3.实例分析
本实例选用某一车辆的单趟行程视频资料为基础数据，进行实例分析。
3.1方案比较
采用分层模糊匹配算法，按照以下两种方案，实现上下车乘客标识指标的模糊匹配。
方案一：不经过校核数据，直接获取满足N个指标一一成功匹配的乘客，此时存在“一对多”的乘客匹配结果。
方案二：采用前述方法，结合指标权重进行校核处理，提高匹配成功率，消除“一对多”、“多对一”的匹配影响。
为保证客流OD的推算精度，匹配度小于8个指标的乘客视为无效样本。针对有效样本，方案一乘客匹配仅为37.10%；方案二乘客匹配高达80.57%以上。
4.结论与讨论
本文提出基于公交车辆上下口视频数据的公交出行客流OD推算方法：建立乘客辨识指标用于辨别乘客，跟踪公交乘客上下车行为；构建分层模糊匹配上/下车乘客辨识指标的算法结构，实现“1对1”的匹配上/下车乘客，推算出公交客流OD，并通过某县公交车视频录像数据验证其可行性，表明该方法具有较高的准确率。