公交车是城市出行中重要的交通运输工具，普通老百姓的日常出行更是离不开公交车；而且随着城市化的持续发展，公交车的数量和载客量也在不断上升。

根据交通部公布的数据，2022年1－2月，仅36个中心城市的公共汽电车就完成了31．4亿人的客运量，这还只是疫情期间、处于下行阶段的客运数据。

尤其在人口密集的一二线城市，公交车承载了太多打工人的出行使命，更容易出现诸如拥挤、运力不足、规划不合理等问题。这种情况下，公交公司可以通过客流统计方案来提升运输效率。

虹软公共交通客流统计方案，是基于深度学习算法，专门针对公共交通开发的智能客流统计解决方案，可以统计各时间段内公交（或其他公共交通）上下车的客流量，协助公交公司合理调度车辆。

虹软方案主要由车载智能终端AI Box、车载摄像头组成，配备车内显示屏就可以为驾驶员展示前后车门的情况；同时可以接入公交业务中心平台，让公交公司检测客流情况，并能够根据客流数据对车辆进行调度和管理。

虹软公交客流统计方案构成

方案逻辑是这样的：通过安装在前后车门上方的摄像头监测上下客的区域，以车门开启、关闭作为开始和结束信号，跟踪乘客的动向，实现了对乘客进入和离开的双向精准识别分析，完成上车和下车乘客的计数、分析。

虹软算法检测流程示意

公交车客流统计示例图

工作原理其实很简单，但涉及到具体场景和用例时，就能感受到虹软算法的强大了，客流场景覆盖很全。

常规场景覆盖情况示例

测试方案时尝试了很多种情况，其中还包含了一些特别容易出错的情况：比如同时上下车、前门下车、后门上车、乘客拥挤、快走、戴帽子场景等等，整体测试表现都很不错，基本没有出现漏检、误检。

乘客在上下车时如果走得很快，会容易出现漏检的情况，针对这个特殊场景，虹软增加了对乘客轨迹的预判，通过前几帧捕捉到的画面来预测乘客的行动方向，从而维持对目标的追踪，避免漏检。

虹软方案中对乘客头部特征学习较为重要，前期对不同发型、不同年龄段以及不同类型帽子的样例作了充分学习。比如在测试戴帽子场景时，我们尝试了很多种帽子，比如鸭舌帽、渔夫帽、贝雷帽、安全帽、卫衣连帽等等，基本上都可以检测出来而且不误报，说明虹软在前期进行用例测试时，覆盖的帽子场景很多，覆盖了大部分常见的帽子类型。

乘客特征样本示例

在光线较暗的夜晚场景时，摄像头会自动启用IR模式，保证计数准确；而且连夜晚戴帽子的场景也有考虑到（夜晚戴帽子经常会出现大面积曝光，如果算法上没有特别注意的话很容易发生误报）。

此外，我们还必须考量到方案成本，这对后期量产和推广影响较大，虹软方案的巧妙之处在此又一次体现：在摄像头选型上，虹软也发挥了算法优势——可以用低成本摄像头实现预期的统计分析效果。区别于其他的双目摄像头方案，虹软采用了成本较低的单目摄像头（RGB＋IR双模，可以在不同光线条件下自动切换），与此对应的算力要求也比较低，然而检测准确率不受影响，可以达到双目摄像头的效果，相当于通过算法补足了摄像头和算力的局限性。这样一来，整体成本就能降低几百块，对用户来说性价比更高。