公交車是城市出行中重要的交通運輸工具，普通老百姓的日常出行更是離不開公交車；而且隨著城市化的持續(xù)發(fā)展，公交車的數(shù)量和載客量也在不斷上升。

根據(jù)交通部公布的數(shù)據(jù)，2022年1－2月，僅36個中心城市的公共汽電車就完成了31．4億人的客運量，這還只是疫情期間、處于下行階段的客運數(shù)據(jù)。

尤其在人口密集的一二線城市，公交車承載了太多打工人的出行使命，更容易出現(xiàn)諸如擁擠、運力不足、規(guī)劃不合理等問題。這種情況下，公交公司可以通過客流統(tǒng)計方案來提升運輸效率。

虹軟公共交通客流統(tǒng)計方案，是基于深度學習算法，專門針對公共交通開發(fā)的智能客流統(tǒng)計解決方案，可以統(tǒng)計各時間段內(nèi)公交（或其他公共交通）上下車的客流量，協(xié)助公交公司合理調度車輛。

虹軟方案主要由車載智能終端AI Box、車載攝像頭組成，配備車內(nèi)顯示屏就可以為駕駛員展示前后車門的情況；同時可以接入公交業(yè)務中心平臺，讓公交公司檢測客流情況，并能夠根據(jù)客流數(shù)據(jù)對車輛進行調度和管理。

虹軟公交客流統(tǒng)計方案構成

方案邏輯是這樣的：通過安裝在前后車門上方的攝像頭監(jiān)測上下客的區(qū)域，以車門開啟、關閉作為開始和結束信號，跟蹤乘客的動向，實現(xiàn)了對乘客進入和離開的雙向精準識別分析，完成上車和下車乘客的計數(shù)、分析。

虹軟算法檢測流程示意

公交車客流統(tǒng)計示例圖

工作原理其實很簡單，但涉及到具體場景和用例時，就能感受到虹軟算法的強大了，客流場景覆蓋很全。

常規(guī)場景覆蓋情況示例

測試方案時嘗試了很多種情況，其中還包含了一些特別容易出錯的情況：比如同時上下車、前門下車、后門上車、乘客擁擠、快走、戴帽子場景等等，整體測試表現(xiàn)都很不錯，基本沒有出現(xiàn)漏檢、誤檢。

乘客在上下車時如果走得很快，會容易出現(xiàn)漏檢的情況，針對這個特殊場景，虹軟增加了對乘客軌跡的預判，通過前幾幀捕捉到的畫面來預測乘客的行動方向，從而維持對目標的追蹤，避免漏檢。

虹軟方案中對乘客頭部特征學習較為重要，前期對不同發(fā)型、不同年齡段以及不同類型帽子的樣例作了充分學習。比如在測試戴帽子場景時，我們嘗試了很多種帽子，比如鴨舌帽、漁夫帽、貝雷帽、安全帽、衛(wèi)衣連帽等等，基本上都可以檢測出來而且不誤報，說明虹軟在前期進行用例測試時，覆蓋的帽子場景很多，覆蓋了大部分常見的帽子類型。

乘客特征樣本示例

在光線較暗的夜晚場景時，攝像頭會自動啟用IR模式，保證計數(shù)準確；而且連夜晚戴帽子的場景也有考慮到（夜晚戴帽子經(jīng)常會出現(xiàn)大面積曝光，如果算法上沒有特別注意的話很容易發(fā)生誤報）。

此外，我們還必須考量到方案成本，這對后期量產(chǎn)和推廣影響較大，虹軟方案的巧妙之處在此又一次體現(xiàn)：在攝像頭選型上，虹軟也發(fā)揮了算法優(yōu)勢——可以用低成本攝像頭實現(xiàn)預期的統(tǒng)計分析效果。區(qū)別于其他的雙目攝像頭方案，虹軟采用了成本較低的單目攝像頭（RGB＋IR雙模，可以在不同光線條件下自動切換），與此對應的算力要求也比較低，然而檢測準確率不受影響，可以達到雙目攝像頭的效果，相當于通過算法補足了攝像頭和算力的局限性。這樣一來，整體成本就能降低幾百塊，對用戶來說性價比更高。