車輛中心 研究發展處 林泓邦

全球車輛技術發展趨勢正逐漸由先進駕駛輔助系統(ADAS)邁向自駕車(ADS)發展，智慧運輸除了車輛安全輔助系統之外，智慧定點裝置應用亦為關鍵的一環，透過統計接駁車之站點出入口及公共候車亭等場所之人流，可以讓安全監控或營運分析相關策略更有效率。根據產調機構Allied Market Research發佈的一份報告顯示，人流分析相關產品的市場將在2022年增長到15億美元，同時，國內外針對人流估測技術專利的數量亦逐年增加，未來無論於智慧運輸或智慧城市的發展，都扮演著相當關鍵的角色。

公共運輸是一個城市的重要基礎建設，不論傳統的客運車輛或者當今熱門的無人巴士派遣，都直接或間接的需要人流等相關資訊作為調度輔助，透過人流或人數計算系統對候車地點人數進行統計與分析，可協助運輸業者在車輛動態調配上做到最佳化配置，減少空車率或過載的情形。

下表為目前人流偵測的相關感測手法；由於影像感測器成本的降低，以及電腦視覺技術與人工智慧運算平台日趨成熟，以影像為主的人流偵測技術將廣泛地應用於智慧定點裝置。

表. 人流/客流感測方法示意

影像式人流估算
車輛中心(ARTC)目前已將行人辨識技術應用於智慧定點裝置進行人流統計，系統運用邊緣運算的概念，採用前、後台分級運算；前台係利用兩個攝影機分別由上方俯視及側方斜視，用以估測人流密度，後台則透過影像深度學習方式進行人數精算，對於未來擴展到多車站系統時，使後台能更具有精細計算人數的能力，不用全時效運作，這樣的系統配置只需要於監控中心架設一組高運算功能的電腦，計算時使用的頻寬與耗能可以有效降低，使監控中心的資源有更好的配置與規劃（圖1）。

該系統優勢如下：
?一對多的系統架構，實現多車站的監控系統。
?前後台分工，達到事件觸發（邊緣計算）並節省運算資源的使用。
?搭載嵌入式平台，提高效率並節省成本。

圖1. 多對一人流評估系統架構

系統架構及方法
系統主要仰賴兩種演算技術：(1)傳統影像處理以及(2)深度學習（圖2）。在傳統影像處理上，利用形態學針對畫面的形狀、顏色等訊號，經過各種數學計算將有目標物件提取出來，並利用分類器(Classifier)進行行人辨識，透過賦予的權重以及交叉比對估算出人流密度；然而因為影像受到遮蔽、光線等影響，此估計值無法完全精準，僅可一定程度的代表當下的狀態，當人流密度高時，即依照人流的等級啟動後端運算，以深度學習為基礎透過語意分割技術，即使影像被遮蔽亦可穩定的進行辨識精算；本系統彈性的使用前後台的架構，讓整個系統的資源達到更有效率的利用。

圖2. 影像處理及流程

結論
對於現階段的公共運輸業，車輛的調度一直都是持續不斷改善的議題，調度問題直接反映了硬體與人力的成本，當自動駕駛與智慧車輛在生活中逐漸落實的未來，車輛的管控及動態調配將交給AI電腦做決定，由此可見，人流統計在運輸系統中扮演了一個相當重要且關鍵的角色；在研究自動駕駛車的同時，周邊軟硬體的配套措施以及技術也在同步發展，使得城市運輸和都市發展快速朝向智慧化邁進。