摘 "要：上海虹橋國(guó)際機(jī)場(chǎng)是虹橋樞紐以及虹橋商務(wù)區(qū)的重要組成部分，周?chē)憘?cè)交通設(shè)施多樣且便捷，配套有軌交、機(jī)場(chǎng)巴士、出租車(chē)、私家車(chē)等陸側(cè)交通方式，具有強(qiáng)大的區(qū)域輻射力。其中，出租車(chē)由于具備方便快捷等優(yōu)勢(shì)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(chē)上客區(qū)頻繁發(fā)生排隊(duì)客流淤積擁擠的現(xiàn)象。文章對(duì)現(xiàn)有的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)進(jìn)行橫向?qū)Ρ?，以虹橋機(jī)場(chǎng)T2航站樓出租車(chē)上客區(qū)作為研究對(duì)象，首先分析了該區(qū)域監(jiān)控視頻數(shù)據(jù)特點(diǎn)，采用改進(jìn)的結(jié)合三幀差分和混合高斯模型的檢測(cè)算法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行提取；接著對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行分類(lèi)與跟蹤，并測(cè)算排隊(duì)乘客實(shí)時(shí)上車(chē)速度，提出一種基于運(yùn)動(dòng)目標(biāo)檢測(cè)的候車(chē)排隊(duì)時(shí)間預(yù)測(cè)方法；最后，設(shè)計(jì)虹橋機(jī)場(chǎng)出租車(chē)管理信息發(fā)布系統(tǒng)，實(shí)現(xiàn)對(duì)候車(chē)客流排隊(duì)時(shí)間預(yù)測(cè)與關(guān)鍵交通信息的可視化展示。

"關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測(cè)；排隊(duì)時(shí)間預(yù)測(cè)；出租車(chē)；系統(tǒng)設(shè)計(jì)

"中圖分類(lèi)號(hào)：U293.1+3 " "文獻(xiàn)標(biāo)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(guó)城鄉(xiāng)居民消費(fèi)結(jié)構(gòu)不斷升級(jí)，外出旅游、商務(wù)辦公等出行需求逐年擴(kuò)大。作為中國(guó)三大門(mén)戶機(jī)場(chǎng)之一的上海虹橋國(guó)際機(jī)場(chǎng)與多種交通方式共同構(gòu)建成虹橋現(xiàn)代化大型綜合交通樞紐，具有強(qiáng)大的區(qū)域輻射力。加之近幾年機(jī)場(chǎng)東區(qū)完成改擴(kuò)建以及上海國(guó)際旅游度假區(qū)的建成投運(yùn)等原因，截至目前虹橋機(jī)場(chǎng)單日到發(fā)客流已突破14萬(wàn)人次，空港樞紐陸側(cè)交通系統(tǒng)集散壓力顯著增加[1]。

"在此背景下，由于軌道交通車(chē)廂內(nèi)擁擠及夜間停運(yùn)、機(jī)場(chǎng)巴士線路及?？空军c(diǎn)有限等原因，出租車(chē)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(chē)上客區(qū)頻繁出現(xiàn)候車(chē)客流淤積、擁擠、溢出的問(wèn)題（如圖1所示），針對(duì)此問(wèn)題，空港樞紐陸側(cè)交通管理系統(tǒng)急需更新改造，以適應(yīng)日益增長(zhǎng)的交通集散需求。

與此同時(shí)，近年來(lái)運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)在智慧交通[2]等領(lǐng)域中逐漸應(yīng)用開(kāi)來(lái)。該技術(shù)能將圖像序列或視頻畫(huà)面中發(fā)生空間位置變化的物體作為前景提取出來(lái)并加以精確標(biāo)記[3]，有著很強(qiáng)的實(shí)用價(jià)值，相關(guān)研究一直致力于構(gòu)建實(shí)用化運(yùn)動(dòng)目標(biāo)檢測(cè)器[4]。基于此，本文提出了一種基于運(yùn)動(dòng)目標(biāo)檢測(cè)的出租車(chē)上客區(qū)排隊(duì)時(shí)長(zhǎng)預(yù)測(cè)方法。

機(jī)場(chǎng)出租車(chē)上客區(qū)排隊(duì)客流分塊如圖2所示。

1 "出租車(chē)上客區(qū)排隊(duì)監(jiān)控畫(huà)面特征分析

"為保證出租車(chē)上客區(qū)安全，虹橋機(jī)場(chǎng)交通管理中心建設(shè)完成了先進(jìn)的視頻數(shù)據(jù)采集系統(tǒng)，采用各類(lèi)性能特點(diǎn)不同的高清監(jiān)控?cái)z像頭針對(duì)整個(gè)區(qū)域進(jìn)行有效的視頻監(jiān)控管理，出租車(chē)上客區(qū)監(jiān)控畫(huà)面如圖3所示。同時(shí)也為運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)在該場(chǎng)景的應(yīng)用打下了堅(jiān)實(shí)的數(shù)據(jù)感知基礎(chǔ)。通過(guò)對(duì)上海虹橋國(guó)際機(jī)場(chǎng)T2航站樓出租車(chē)上客區(qū)及相關(guān)區(qū)域的調(diào)查，總結(jié)出T2航站樓出租車(chē)上客區(qū)視頻監(jiān)控系統(tǒng)及視頻畫(huà)面特征主要表現(xiàn)在以下幾個(gè)方面：（1）前端點(diǎn)數(shù)多、監(jiān)控系統(tǒng)復(fù)雜龐大。出租車(chē)上客區(qū)監(jiān)控區(qū)域大、范圍廣。研究區(qū)域主要有槍機(jī)和球機(jī)兩種攝像頭，攝像頭之間不僅在焦距、轉(zhuǎn)角等方面存在差異，而且由于各個(gè)攝像頭布設(shè)的位置不同進(jìn)而導(dǎo)致拍攝的視頻數(shù)據(jù)存在諸多不同，包括攝像頭視角、光照情況、遮擋、背景復(fù)雜度等。例如出租車(chē)的前照燈開(kāi)啟后會(huì)對(duì)攝像機(jī)形成強(qiáng)逆光的影響，諸如此類(lèi)的情況使得龐大的視頻監(jiān)控系統(tǒng)各點(diǎn)位畫(huà)面更加復(fù)雜，為運(yùn)動(dòng)目標(biāo)檢測(cè)算法的應(yīng)用帶來(lái)諸多難點(diǎn)。（2）畫(huà)面中人與車(chē)出現(xiàn)的隨機(jī)性較大、構(gòu)成復(fù)雜。場(chǎng)景中出現(xiàn)的運(yùn)動(dòng)目標(biāo)（如行人、車(chē)輛等）非常不可控，目標(biāo)出現(xiàn)的時(shí)間和位置都具有較大的隨機(jī)性，并且目標(biāo)的外觀受到拍攝視角、姿態(tài)、穿著服飾、附著物、成像距離等因素影響會(huì)產(chǎn)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(yuǎn)近距離的人體畫(huà)面差別。除此之外，畫(huà)面中出現(xiàn)的人員可能包含工作人員、無(wú)乘車(chē)意圖的乘客、機(jī)場(chǎng)保潔等，因此在檢測(cè)候車(chē)乘客數(shù)量時(shí)需要對(duì)此類(lèi)人員產(chǎn)生的誤差進(jìn)行校正。 （3）背景相對(duì)固定、人與車(chē)運(yùn)動(dòng)速度適中、前景尺寸相比背景較小。雖然監(jiān)控畫(huà)面內(nèi)容較為復(fù)雜，但監(jiān)控?cái)z像頭的位置基本是固定不動(dòng)的，因此同一個(gè)監(jiān)控?cái)z像頭拍攝到的畫(huà)面背景不會(huì)有較大改變。同時(shí)排隊(duì)候車(chē)的客流移動(dòng)速度相對(duì)適中，既不會(huì)快速移動(dòng)導(dǎo)致攝像頭難以捕捉，也不會(huì)完全靜止，有利于引入運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)對(duì)該場(chǎng)景進(jìn)行分析應(yīng)用。此外，視頻畫(huà)面中運(yùn)動(dòng)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(biāo)分類(lèi)之前提取運(yùn)動(dòng)前景進(jìn)而提高識(shí)別準(zhǔn)確度。

2 "運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)

"運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)是智能視頻分析的基礎(chǔ)，截至目前，常用的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)基本原理可以分為三大類(lèi)型：一是基于像素的方法，這類(lèi)方法主要基于像素級(jí)信息的變化來(lái)檢測(cè)目標(biāo)，例如背景建模法通常依靠前面的幀對(duì)場(chǎng)景圖像序列進(jìn)行訓(xùn)練來(lái)提取背景特征，并利用背景特征建立背景模型。然后用當(dāng)前幀與背景模型進(jìn)行比較，當(dāng)在當(dāng)前幀中檢測(cè)到像素值與背景模型差異較大時(shí)，就可以將其判定為前景目標(biāo)，即圖像中運(yùn)動(dòng)的區(qū)域[5]。該方法是最常用也是最簡(jiǎn)單直觀的方法。二是基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法，其主要思路是“人工特征+分類(lèi)器”的實(shí)現(xiàn)過(guò)程，該方法需要手工設(shè)計(jì)提取運(yùn)動(dòng)目標(biāo)特征，然后用這種特征來(lái)訓(xùn)練分類(lèi)器用于區(qū)分行人、車(chē)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(lèi)器有神經(jīng)網(wǎng)絡(luò)、SVM、AdaBoost、隨機(jī)森林等計(jì)算機(jī)視覺(jué)領(lǐng)域常用的算法。三是基于深度學(xué)習(xí)的方法，其算法表現(xiàn)出較強(qiáng)的自動(dòng)學(xué)習(xí)和深度語(yǔ)義表征能力，以及很好的魯棒性和泛化能力[7]。以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)模型逐漸被用于行人檢測(cè)問(wèn)題，之后又涌現(xiàn)出Faster-RCNN、SSD、FPN、YOLO等方法，相比傳統(tǒng)的機(jī)器學(xué)習(xí)方法，準(zhǔn)確度有所提升，但同時(shí)算法的計(jì)算成本和復(fù)雜程度也在增大。

" 候車(chē)區(qū)監(jiān)控?cái)z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(shí)具有實(shí)時(shí)監(jiān)測(cè)需求。針對(duì)這類(lèi)應(yīng)用場(chǎng)景，基于像素信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法理論成熟，在實(shí)際視頻監(jiān)控項(xiàng)目中應(yīng)用廣泛，能夠較好兼顧實(shí)際應(yīng)用中的準(zhǔn)確度與系統(tǒng)整體的復(fù)雜度，適合在機(jī)場(chǎng)出租車(chē)候車(chē)區(qū)智能監(jiān)控系統(tǒng)場(chǎng)景下部署[8]。

"基于像素的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)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(yīng)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(duì)幀差法以及各種背景建模方法的主要優(yōu)缺點(diǎn)進(jìn)行了深度對(duì)比。

由于出租車(chē)上客區(qū)監(jiān)控系統(tǒng)具備第1節(jié)總結(jié)的場(chǎng)景特點(diǎn)，所以在提取特征進(jìn)行分類(lèi)之前檢測(cè)運(yùn)動(dòng)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(yōu)缺點(diǎn)以及虹橋機(jī)場(chǎng)已建成的硬件資源條件，采用改進(jìn)的結(jié)合三幀差分法和混合高斯模型的方法檢測(cè)運(yùn)動(dòng)信息。

3 "算法實(shí)現(xiàn)

本文的候車(chē)排隊(duì)時(shí)間預(yù)測(cè)方法主要包括三塊內(nèi)容：上客區(qū)排隊(duì)乘客檢測(cè)與人數(shù)統(tǒng)計(jì)、上車(chē)速度計(jì)算、乘客排隊(duì)時(shí)間預(yù)估。具體介紹如下：

3.1 "上客區(qū)排隊(duì)乘客檢測(cè)與人數(shù)統(tǒng)計(jì)。上客區(qū)排隊(duì)乘客檢測(cè)與人數(shù)統(tǒng)計(jì)處于整個(gè)智能視頻監(jiān)控系統(tǒng)的底層，是實(shí)現(xiàn)乘客候車(chē)時(shí)間預(yù)估的前提，實(shí)現(xiàn)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(cè)視頻中的運(yùn)動(dòng)目標(biāo)，通過(guò)加權(quán)融合兩種方法的檢測(cè)結(jié)果，得到更加準(zhǔn)確的運(yùn)動(dòng)區(qū)域檢測(cè)結(jié)果，保障目標(biāo)識(shí)別與跟蹤的精度。并對(duì)該結(jié)果進(jìn)行局部二值模式（Local Binary Pattern）處理實(shí)現(xiàn)光照不變性以及特征提取，輸入分類(lèi)器中完成行人與車(chē)輛的識(shí)別。

接著使用Mean-Shift算法實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤，初始化目標(biāo)后使用Mean-Shift算法迭代計(jì)算目標(biāo)位置，直到目標(biāo)位置收斂。在每個(gè)新的目標(biāo)位置處判斷目標(biāo)是否穿越了上車(chē)線，即是否上車(chē)，并對(duì)每個(gè)已識(shí)別的目標(biāo)進(jìn)行標(biāo)記，以便于后續(xù)的跟蹤和計(jì)數(shù)，在每個(gè)新的目標(biāo)位置處重新計(jì)算目標(biāo)模型，以適應(yīng)目標(biāo)的變化，便于進(jìn)行后續(xù)目標(biāo)分析和統(tǒng)計(jì)。

"排隊(duì)人數(shù)可通過(guò)攝像頭分段布設(shè)統(tǒng)計(jì)的方式分別統(tǒng)計(jì)圍欄內(nèi)（紅框區(qū)域）和圍欄外（藍(lán)框區(qū)域）排隊(duì)人數(shù)（如圖5、圖6所示）并求和，后臺(tái)根據(jù)行人檢測(cè)算法統(tǒng)計(jì)在此區(qū)域內(nèi)人數(shù)時(shí)，會(huì)對(duì)攝像頭覆蓋重疊區(qū)域進(jìn)行去重統(tǒng)計(jì)，保證排隊(duì)人群無(wú)遺留無(wú)重復(fù)統(tǒng)計(jì)。同時(shí)為避免將監(jiān)控畫(huà)面中其他路過(guò)旅客、工作人員等統(tǒng)計(jì)為排隊(duì)旅客，可將排隊(duì)區(qū)域設(shè)定為人數(shù)統(tǒng)計(jì)區(qū)域，區(qū)域外人數(shù)不納入統(tǒng)計(jì)。

3.2 "候車(chē)區(qū)上車(chē)速度。為了能根據(jù)現(xiàn)場(chǎng)實(shí)際情況進(jìn)行動(dòng)態(tài)調(diào)整，實(shí)時(shí)上車(chē)速度的測(cè)算依托出租車(chē)上車(chē)處的攝像頭采集乘客搭乘出租車(chē)離港的視頻數(shù)據(jù)，利用上述算法檢測(cè)乘車(chē)離港乘客數(shù)量，測(cè)算每1分鐘、每5分鐘、每10分鐘的平均上車(chē)速度。對(duì)于畫(huà)面中可能出現(xiàn)機(jī)場(chǎng)工作人員、無(wú)乘車(chē)意圖的乘客、機(jī)場(chǎng)保潔等行人的情況，需要考慮對(duì)這些人員進(jìn)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(biāo)識(shí)，當(dāng)一個(gè)行人進(jìn)入車(chē)內(nèi)時(shí)，其跟蹤框會(huì)與車(chē)輛區(qū)域進(jìn)行交集計(jì)算，當(dāng)交集面積超過(guò)一定閾值時(shí)，則認(rèn)為該行人已經(jīng)上車(chē)。

3.3 "動(dòng)態(tài)預(yù)估候車(chē)時(shí)間。在常見(jiàn)的排隊(duì)候車(chē)時(shí)間預(yù)測(cè)方法中，基于歷史數(shù)據(jù)的預(yù)測(cè)方法對(duì)歷史數(shù)據(jù)的要求較高，實(shí)際情況可能會(huì)受到很多因素的影響，如天氣、交通等因素，因此預(yù)測(cè)結(jié)果僅供參考?；诜抡娴念A(yù)測(cè)方法需要較高的計(jì)算能力和模擬環(huán)境的構(gòu)建?；谂抨?duì)理論的預(yù)測(cè)方法[17]存在諸多前提假設(shè)，對(duì)于本文所研究的機(jī)場(chǎng)出租車(chē)上客點(diǎn)候車(chē)場(chǎng)景，由于乘客和出租車(chē)不是隨機(jī)到達(dá)且數(shù)量不定，因此排隊(duì)模型并不適用于此特定場(chǎng)景。

"經(jīng)過(guò)綜合比對(duì)，本文決定采用基于利特爾定理（Little's Law）的方法計(jì)算候車(chē)排隊(duì)時(shí)間，該定理是排隊(duì)論中的一個(gè)重要定理[18]，其形式簡(jiǎn)單、準(zhǔn)確有效，適用于機(jī)場(chǎng)出租車(chē)上客點(diǎn)候車(chē)時(shí)間預(yù)測(cè)場(chǎng)景。公式表述為：

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

其中：T表示全部疏散時(shí)間（即某一時(shí)刻加入排隊(duì)的最后一位乘客的預(yù)計(jì)候車(chē)時(shí)間），N表示此時(shí)刻排隊(duì)總?cè)藬?shù)，R表示單位時(shí)間內(nèi)出租車(chē)服務(wù)人數(shù)，S表示出租車(chē)每單服務(wù)時(shí)間。此外，N、R、S可以借助上文算法進(jìn)行實(shí)時(shí)采集和動(dòng)態(tài)調(diào)整，以便實(shí)現(xiàn)更為準(zhǔn)確的預(yù)測(cè)。

4 "系統(tǒng)實(shí)現(xiàn)

4.1 "系統(tǒng)架構(gòu)?；谏鲜龅倪\(yùn)動(dòng)目標(biāo)檢測(cè)算法和預(yù)測(cè)模型，設(shè)計(jì)虹橋國(guó)際機(jī)場(chǎng)出租車(chē)管理信息發(fā)布系統(tǒng)并實(shí)現(xiàn)可視化展示，將該系統(tǒng)嵌入到虹橋機(jī)場(chǎng)陸側(cè)交通綜合管控平臺(tái)中實(shí)現(xiàn)對(duì)出租車(chē)上客區(qū)候車(chē)時(shí)間的實(shí)時(shí)預(yù)測(cè)與相關(guān)信息的監(jiān)控分析，系統(tǒng)架構(gòu)如圖7所示。

為了使虹橋機(jī)場(chǎng)出租車(chē)上客區(qū)候車(chē)時(shí)間預(yù)測(cè)系統(tǒng)具有高度的擴(kuò)展性及穩(wěn)定性，將整體系統(tǒng)架構(gòu)分為四層，首先是機(jī)場(chǎng)已有的視頻數(shù)據(jù)采集系統(tǒng)；其次是預(yù)測(cè)系統(tǒng)的技術(shù)基礎(chǔ)——數(shù)據(jù)環(huán)境與存儲(chǔ)層，包括視頻數(shù)據(jù)的接入口、廣泛支持主流AI算法框架（涵蓋TensorFlow、Keras、Pytorch等）、數(shù)據(jù)存儲(chǔ)模塊（包括Mysql、Redis、MongoDB）；第三層是數(shù)據(jù)建模層，包括本文提出的運(yùn)動(dòng)目標(biāo)檢測(cè)算法、視頻數(shù)據(jù)挖掘算法及運(yùn)行人數(shù)統(tǒng)計(jì)模型、排隊(duì)理論模型等；最后是數(shù)據(jù)展示層，通過(guò)視頻智能化分析實(shí)現(xiàn)虹橋機(jī)場(chǎng)出租車(chē)候車(chē)排隊(duì)時(shí)間的實(shí)時(shí)預(yù)測(cè)與監(jiān)控分析，將相關(guān)信息進(jìn)行可視化展示。運(yùn)動(dòng)目標(biāo)檢測(cè)與識(shí)別效果如圖8所示。

4.2 "系統(tǒng)功能與應(yīng)用。以出租車(chē)上客點(diǎn)候車(chē)時(shí)間預(yù)測(cè)系統(tǒng)框架為底層邏輯，建立虹橋機(jī)場(chǎng)出租車(chē)管理信息發(fā)布系統(tǒng)。如圖9所示為虹橋機(jī)場(chǎng)出租車(chē)管理信息發(fā)布系統(tǒng)的“首頁(yè)”，可動(dòng)態(tài)顯示當(dāng)前時(shí)間內(nèi)出租車(chē)候車(chē)排隊(duì)人數(shù)、當(dāng)前預(yù)計(jì)排隊(duì)時(shí)長(zhǎng)、未來(lái)一小時(shí)到港旅客量、候車(chē)道中出租車(chē)輛數(shù)、當(dāng)前蓄車(chē)場(chǎng)中車(chē)輛數(shù)據(jù)等。

"在此基礎(chǔ)上，將該系統(tǒng)進(jìn)一步嵌入集成到虹橋機(jī)場(chǎng)陸側(cè)交通綜合管控平臺(tái)，如圖10所示。該平臺(tái)首頁(yè)除了顯示當(dāng)前時(shí)間內(nèi)候車(chē)排隊(duì)人數(shù)、當(dāng)前預(yù)計(jì)排隊(duì)時(shí)長(zhǎng)以外，還展示了當(dāng)日出租車(chē)排隊(duì)人數(shù)統(tǒng)計(jì)、各停車(chē)場(chǎng)高峰運(yùn)行情況、航班信息、預(yù)警信息以及民航局公布數(shù)據(jù)等。其中，當(dāng)日出租車(chē)排隊(duì)人數(shù)統(tǒng)計(jì)是以2小時(shí)為單位劃分的出租車(chē)排隊(duì)總?cè)藬?shù)。平臺(tái)集成了出租車(chē)信息采集、信息研判、出行信息交互及信息發(fā)布等多項(xiàng)功能，通過(guò)功能集成，為機(jī)場(chǎng)運(yùn)營(yíng)人員提供管理決策依據(jù)，為乘客提供實(shí)時(shí)的信息服務(wù)，打造一個(gè)暢通、安全的出行環(huán)境。

"后續(xù)可將出租車(chē)信息發(fā)布系統(tǒng)嵌入微信、掌上虹橋、車(chē)載導(dǎo)航、廣播電臺(tái)、新聞媒體等多種信息發(fā)布方式中，發(fā)布內(nèi)容包括但不限于機(jī)場(chǎng)內(nèi)出租車(chē)實(shí)際數(shù)量、旅客排隊(duì)情況、出租車(chē)和旅客分別等待時(shí)間、停車(chē)庫(kù)內(nèi)空位數(shù)量等信息，完善機(jī)場(chǎng)交通出行信息服務(wù)，提高周邊道路運(yùn)輸效率，滿足公眾多元化的便捷出行需求。除了向機(jī)場(chǎng)運(yùn)營(yíng)人員和乘客提供信息服務(wù)外，將出租車(chē)駕駛員及出租車(chē)運(yùn)營(yíng)商納入服務(wù)對(duì)象，推送虹橋機(jī)場(chǎng)陸側(cè)出租車(chē)需求信息，智能化地引導(dǎo)出租車(chē)完成虹橋機(jī)場(chǎng)陸側(cè)交通需求的集散工作，保證出租車(chē)流量的穩(wěn)定，提高出租車(chē)集散效率。

5 "結(jié)束語(yǔ)

"本文針對(duì)機(jī)場(chǎng)出租車(chē)上客點(diǎn)排隊(duì)區(qū)域行人淤積、擁擠的情況，分析了基于像素、基于傳統(tǒng)機(jī)器學(xué)習(xí)和基于深度學(xué)習(xí)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法以及各種背景建模算法的優(yōu)點(diǎn)和不足，在運(yùn)動(dòng)目標(biāo)檢測(cè)部分提出了一種改進(jìn)的融合三幀差分法和混合高斯模型的算法來(lái)提取前景目標(biāo)，克服了光照變化對(duì)背景建模的影響，消除幀間差分法帶來(lái)的“雙影”和“空洞”，同時(shí)兼顧了運(yùn)動(dòng)目標(biāo)檢測(cè)任務(wù)的實(shí)時(shí)性以及目標(biāo)分類(lèi)識(shí)別的準(zhǔn)確度，借助Mean-Shift算法實(shí)現(xiàn)對(duì)前景的跟蹤，經(jīng)過(guò)去重、上車(chē)判定，實(shí)時(shí)計(jì)算乘客上車(chē)速度得到一段時(shí)間內(nèi)的離港乘客人數(shù)，最后依照基于利特爾定理的候車(chē)時(shí)間模型進(jìn)一步動(dòng)態(tài)預(yù)測(cè)候車(chē)隊(duì)伍疏散時(shí)間，即乘客排隊(duì)時(shí)間。

"實(shí)踐證明，該方法能夠?qū)崟r(shí)、準(zhǔn)確地識(shí)別出行人、車(chē)輛等運(yùn)動(dòng)目標(biāo)，并較為快速、準(zhǔn)確地進(jìn)行計(jì)數(shù)，最終的預(yù)測(cè)時(shí)間與排隊(duì)人數(shù)可以通過(guò)虹橋機(jī)場(chǎng)出租車(chē)管理信息發(fā)布系統(tǒng)以及其他多種機(jī)場(chǎng)信息發(fā)布形式準(zhǔn)確、及時(shí)發(fā)布，既提高機(jī)場(chǎng)出租車(chē)管理水平，也為旅客提供完整、準(zhǔn)確的信息服務(wù)，緩解出租車(chē)缺車(chē)和旅客排隊(duì)時(shí)間過(guò)長(zhǎng)的問(wèn)題，最終提高機(jī)場(chǎng)旅客疏散能力。

參考文獻(xiàn)：

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

[2] 何勝皎. 視頻序列中運(yùn)動(dòng)目標(biāo)檢測(cè)算法的研究[D]. 蘭州：蘭州理工大學(xué)，2018.

[3] 白一帆. 智能視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)識(shí)別方法研究[D]. 太原：太原理工大學(xué)，2018.

[4] 李佩陽(yáng)，陸華才. 基于計(jì)算機(jī)視覺(jué)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 安徽工程大學(xué)學(xué)報(bào)，2022（3）：70-74.

[5] 徐以美，郭寶龍，張晉. 基于像素分類(lèi)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 計(jì)算機(jī)工程，2008，34（23）：205-207.

[6] 韓艷. 基于機(jī)器學(xué)習(xí)的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究[D]. 秦皇島：燕山大學(xué)，2019.

[7] 許建中. 基于深度學(xué)習(xí)的監(jiān)控視頻運(yùn)動(dòng)目標(biāo)檢測(cè)及行人結(jié)構(gòu)化描述關(guān)鍵技術(shù)[D]. 濟(jì)南：山東大學(xué)，2019.

[8] 許益成，譚文安，陳麗婷. 基于改進(jìn)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 控制工程，2018，25（4）：630-635.

[9] 閔衛(wèi)東，郭曉光，韓清. 改進(jìn)的ViBe算法及其在交通視頻處理中的應(yīng)用[J]. 光學(xué)精密工程，2017，25（3）：806-811.

[10] 余慧玲. 視頻圖像中的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究[D]. 長(zhǎng)沙：中南大學(xué)，2015.

[11] 嚴(yán)丹. 應(yīng)用于嵌入式視頻監(jiān)控的碼本建模方法研究[D]. 成都：西華大學(xué)，2014.

[12] 盧官明，徐方明，沈蘇彬. 一種自適應(yīng)背景建模及運(yùn)動(dòng)目標(biāo)檢測(cè)方法[P]. 中國(guó)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(guó)專利，CN105809716B， 2019.

[14] 李明月. 基于背景建模的運(yùn)動(dòng)目標(biāo)檢測(cè)算法的研究與實(shí)現(xiàn)[D]. 西安：西安電子科技大學(xué)，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(lèi)器算法的行人檢測(cè)研究[D]. 成都：電子科技大學(xué)，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(xiàng)目：上海市科學(xué)技術(shù)委員會(huì)項(xiàng)目“大型國(guó)際交通樞紐復(fù)雜交通智能調(diào)控技術(shù)與示范”（17DZ124000）

作者簡(jiǎn)介：陶 "越（1996—），男，遼寧阜新人，同濟(jì)大學(xué)交通運(yùn)輸工程學(xué)院碩士研究生，研究方向：智能交通、低碳交通、交通大數(shù)據(jù)；李 "曄（1974—），男，福建三明人，同濟(jì)大學(xué)交通運(yùn)輸工程學(xué)院，教授，博士，博士生導(dǎo)師，上海師范大學(xué)副校長(zhǎng)，研究方向：交通能源與環(huán)境、交通公共政策。

引文格式：陶越，李曄. 基于運(yùn)動(dòng)目標(biāo)檢測(cè)的候車(chē)排隊(duì)時(shí)間預(yù)測(cè)方法研究與實(shí)踐——以虹橋機(jī)場(chǎng)T2航站樓出租車(chē)上客區(qū)為例[J]. 物流科技，2024，47（7）：86-90.