# passenger-flow-counter

**Repository Path**: minerva/passenger-flow-counter

## Basic Information

- **Project Name**: passenger-flow-counter
- **Description**: passenger-flow-counter
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-10-14
- **Last Updated**: 2025-10-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 公交车客流统计系统 (Baseline)

这是一个基于计算机视觉的公交车上下车客流统计基线系统。它使用 [YOLOv8](https://github.com/ultralytics/ultralytics) 进行目标检测和 [SORT](https://github.com/abewley/sort) (Simple Online and Realtime Tracking) 算法进行多目标跟踪，以实现对视频中上下车人数的精确统计。

## 主要功能

- **目标检测**: 从视频帧中实时检测乘客（“person” 类别）。
- **多目标跟踪**: 为每个检测到的乘客分配一个唯一的 ID，并在连续的帧中进行跟踪。
- **跨线计数**: 在画面中定义一条虚拟计数线，当跟踪到的目标穿越该线时进行计数。
- **方向判断**: 根据穿越方向，区分是上车 (“In”) 还是下车 (“Out”)。
- **结果可视化**: 生成一个新的视频文件 (`output.mp4`)，其中包含绘制了检测框、跟踪 ID 和实时计数的画面。

## 项目结构

```
bus_counter/
│
├── configs/
│   └── config.yaml         # 项目配置文件 (视频源, 模型路径, 计数线等)
│
├── src/
│   ├── main.py             # 主程序入口
│   ├── detector.py         # 目标检测模块 (YOLOv8)
│   ├── tracker.py          # 多目标跟踪模块 (SORT)
│   └── counter.py          # 计数逻辑模块
│
├── videos/
│   └── test.mp4            # 存放输入测试视频
│
├── requirements.txt        # Python 依赖库
└── README.md               # 项目说明文档
```

## 安装与环境设置

1.  **克隆项目** (如果您是通过 Git 管理)
    ```bash
    git clone <repository_url>
    cd bus_counter
    ```

2.  **创建并激活 Python 虚拟环境** (推荐)
    ```bash
    python -m venv venv
    # Windows
    venv\Scripts\activate
    # macOS/Linux
    source venv/bin/activate
    ```

3.  **安装依赖**
    ```bash
    pip install -r requirements.txt
    ```

## 如何使用

1.  **放置视频**: 将您需要处理的视频文件放入 `videos/` 目录下。

2.  **修改配置**: 打开 `configs/config.yaml` 文件，根据您的需求进行修改：
    ```yaml
    # 视频源路径 (相对于项目根目录)
    video_source: 'videos/test.mp4'

    # YOLOv8 模型路径 (如果不存在，程序会自动下载 yolov8n.pt)
    yolo_model_path: 'yolov8n.pt'

    # 计数线的坐标 [[x1, y1], [x2, y2]]
    # 您需要根据视频画面的实际情况调整这两个点的位置
    line_points: [[100, 400], [800, 400]]
    ```
    **注意**: `line_points` 的坐标需要根据您视频中车门的实际位置进行精确调整，以确保计数的准确性。

3.  **运行程序**: 从项目的根目录运行主程序。
    ```bash
    python src/main.py
    ```

4.  **查看结果**: 程序运行结束后，会在项目根目录下生成一个名为 `output.mp4` 的视频文件，其中包含了完整的检测、跟踪和计数可视化结果。

## 后续优化方向
此版本为mvp预览版本，后续不再更新，需要升级的服务可以联系ylfuestc@163.com交流合作，产品覆盖云、端各种版本和场景。

这个基线系统提供了一个坚实的基础，商业版本几个方面优化：

- **集成 Re-Identification (ReID)**: 将当前的 `SORT` 跟踪器升级为 `DeepSORT`。通过引入 ReID 特征提取网络，可以显著提升在拥挤和遮挡场景下的跟踪鲁棒性，减少因目标丢失导致的 ID 切换问题。
- **相机标定与透视变换**: 对摄像头的参数进行标定，并将图像坐标转换为真实世界坐标或鸟瞰图视角。这可以消除透视畸变带来的影响，使计数区域的定义更准确，并能进行更高级的分析（如速度估计）。
- **模型优化与量化**: 针对边缘计算设备（如 Jetson Nano），可以使用 TensorRT 等工具对 YOLO 模型进行优化和量化，以在算力受限的硬件上实现实时处理。
- **数据增强与模型微调**: 使用特定场景（如不同光照、天气、拥挤程度）的数据对 YOLO 模型进行微调，以提升在特定部署环境下的检测精度。
- **构建交互式 UI**:图形用户界面 (GUI)，允许用户更方便地加载视频、交互式地绘制计数线、查看实时统计数据并调整参数。
- **其他定制化场景、目标、需求等**:ylfuestc@163.com