城市轨道交通车站拥挤踩踏预警技术探讨

彭　博,蒋阳升

(1.重庆交通大学　交通运输学院, 重庆　400074; 2.西南交通大学　交通运输与物流学院, 四川　成都　610031;3.西南交通大学　综合运输四川省重点实验室, 四川　成都　610031)



城市轨道交通车站拥挤踩踏预警技术探讨

彭博1,蒋阳升2,3

(1.重庆交通大学交通运输学院, 重庆400074; 2.西南交通大学交通运输与物流学院, 四川成都610031;3.西南交通大学综合运输四川省重点实验室, 四川成都610031)

摘要：为预防城市轨道交通车站拥挤踩踏事故，保障乘客人身和财产安全，有必要实行拥挤踩踏预警，但目前相关研究较为匮乏。在综合分析地铁客流预警、拥挤踩踏事故风险评估和客流状态检测(主要是视频行人检测、跟踪和计数)研究现状的基础上，对城市轨道交通车站拥挤踩踏预警体系进行了探讨。建立了基于视频检测的城市轨道交通车站拥挤踩踏预警框架。明确了预警的技术流程和主要方法，包括基于视频检测的客流信息提取、客流信息分析与短时预测、拥挤踩踏风险评估、拥挤踩踏预警决策与措施制订等。最后，提出了城市轨道交通车站拥挤踩踏预警面临的挑战和研究建议。

关键词：交通工程；轨道交通车站;拥挤踩踏预警;体系研究;风险评估;行人检测;行人跟踪;行人计数

0引言

建设并充分利用大容量的城市轨道交通是当前世界解决城市交通拥堵问题的有效手段之一，特别是我国人口众多且正经历着大规模的城镇化进程，更需要大力发展城市轨道交通。2014年我国城市轨道交通发展统计调查报告显示，中国拥有城市轨道交通的城市已由2000年的3座(北京、上海、广州)上升至2014年的22座，截至2014年底，城市轨道交通总里程超过3 000 km，地铁线路88条，城市轨道交通已进入网络化运营时代[1]。未来几年内，我国城市轨道交通产业依然会保持快速平稳发展。

随着城市轨道交通的广泛使用，拥挤已成为人们感受最深切、也极易造成安全隐患的显著问题。以北京为例，2013年3月8日，北京16条地铁线路全网日客运量达1 027.6万人次，早晚高峰时段异常拥挤。又以重庆轻轨3号线为例，2014年日均客流量为61.6万人次，最高日运量达90.6万人次，非节假日、非早晚时段也十分拥挤。如此巨大的客流都将汇集在城市轨道交通车站空间有限的站台和通道内，一旦受到意外因素影响，极有可能发生跌倒、踩踏等事故，造成重大的人员伤亡和财产损失，如：1995年5月，白俄罗斯地铁车站发生拥挤踩踏事故，造成54人死亡；2010年12月14日，深圳地铁发生踩踏事故，造成23名乘客受伤；2012年4月26日，北京地铁8号线奥林匹克公园站发生电梯踩踏事故，造成多名乘客受伤。

因此，如何动态地监控城市轨道交通车站的客流状况、预防拥挤踩踏事故，对保障乘客人身和财产安全、提高旅客出行舒适性、维持城市轨道交通车站和线网安全运营等具有重大的社会价值和意义，也是城市轨道交通运营的核心问题[1]。

然而，国内外对于系统的、专门的城市轨道交通车站拥挤踩踏事故风险分析和预警的研究十分匮乏[2-3]。国外方面，虽然英美等国地铁安全研究注重结合实践，形成了侧重于防止火灾、恐怖袭击等的伦敦地铁风险管理体系和美国地铁安全认证体系[3]；国内方面，相关的研究有地铁客流预警、拥挤踩踏事故风险评估及客流状态检测等，为城市轨道交通客流特征分析和预测奠定了一定的基础，但是，人们并没有专门地、系统地针对城市轨道交通车站拥挤踩踏预警展开研究。

鉴于城市轨道交通车站拥挤踩踏预警的重要性和相关研究的匮乏性，本文对客流预警、拥挤踩踏事故风险评估和客流状态检测等研究进行探讨，初步建立城市轨道交通车站拥挤踩踏预警的框架，提出研究展望。

1城市轨道客流预警

目前，我国城市轨道交通车站客流预警方面的研究还不成熟。潘罗敏[4]进行了地铁短时客流量预测预警研究；杨军[5]进行了地铁客流短期预测及客流疏散模拟研究。这些研究为深入了解城市轨道交通车站客流预警提供了重要基础，但系统的客流预警研究仍比较缺乏。

拥挤踩踏是一种特殊的客流状态(见图1)，易对乘客出行和城市轨道交通正常运营等造成安全隐患。李得伟[1]提出了客流预警的定义：地铁客流预警即应用一定的技术手段检测或预测客流的关键指标，通过计算和分析指标预知异于常态的信息，以图形、声音等多媒体方式呈现和报警，以期对决策管理人员进行提示和警告，包括客流指标检测和预测分析、客流状态评估、客流预警3个核心部分。这对拥挤踩踏预警具有重要借鉴价值。因此，城市轨道交通车站拥挤踩踏预警仍可沿用上述定义，只是其核心内容更专注于与拥挤踩踏息息相关的客流指标检测和预测分析、客流状态评估和预警。王起全[3]对地铁拥挤踩踏事故进行了统计分析，提出了拥挤踩踏事故预防的重要性。

图1　拥挤的地铁Fig.1　Crowded subway

因此，预防城市轨道交通车站拥挤踩踏事故具有重大的社会价值和意义；另一方面，地铁客流预警已有部分研究成果，对城市轨道交通车站拥挤踩踏预警具有较大的参考价值。

2拥挤踩踏事故风险评估

城市轨道交通车站拥挤踩踏预警的重要决策依据源于客流状态的评判：越拥挤，拥挤踩踏事故风险越高，越有理由发出拥挤踩踏预警。李清泉[6]提出了时空拥挤度的概念，并据此设计和优化应急疏散路径；王起全[3]针对地铁拥挤踩踏事故风险提出了基于赋权的关联度算法；刘艳[7]建立了改进的地铁车站拥挤踩踏事故风险评价DEA 模型。

可以看出，这些研究明确了拥挤度的内涵，对拥挤踩踏风险评价方法进行了探索和改进，有利于评估城市轨道交通车站拥挤踩踏风险水平。但是，它们并不是以拥挤踩踏预警为目的而专门展开的研究，因此，其拥挤踩踏风险评价因素和方法对拥挤踩踏预警只具有借鉴价值。

3客流状态检测

城市轨道交通车站拥挤踩踏预警的基础和关键在于实时了解车站客流状态，这需要通过一定的检测技术来实现。目前国内外常见的乘客自动检测手段有压敏传感技术、光电检测技术及视频检测技术。由于城市轨道交通车站覆盖范围较大而复杂，压敏传感和光电检测技术均无法全面监控和检测车站内的整体客流状态，而视频检测则十分适用于城市轨道交通车站客流状态检测，原因有：(1)摄像机覆盖范围大，多套视频检测装置可基本覆盖车站内部范围；(2)城市轨道交通车站内部大都设有视频检测装置，可直接用于客流状态的视频实时检测；(3)视频检测研究硕果累累[8-19]，为客流状态的视频检测奠定了良好的基础。

车站客流状态视频检测主要对乘客流量、速度、密度和流向进行识别，其涉及的关键技术集中在视频行人检测[8-10]、行人跟踪[11-17]和行人计数[18-19]。

3.1视频行人检测

行人检测属于计算机视觉中人体运动分析的范畴，其主要任务是在摄像视频中快速准确地识别行人目标，其方法主要有以下几类：

(1)基于运动特性的方法：通过检测运动区域识别行人，如背景建模方法和帧间差分法。还可根据人体运动的特殊性检测行人，如基于连续帧间自相关性、人腿部周期运动的行人检测方法。总体而言，基于运动特性的方法对运动的行人敏感，而对场景中静止的行人难以检测。

(2)基于形状的方法：通过提取行人的外部轮廓来完成检测任务，可以对运动或静止的行人进行有效的检测。如基于头部模板[8]和头肩轮廓[9]的行人检测算法。由于行人运动方向和遮挡情况都可能发生变化，因此该类方法在考虑这种形状变化时会增加计算的复杂性，影响准确性。

(3)基于特征的方法：通过目标特征提取、特征学习和检测等过程来实现行人检测。由于其检测精度高、速度快而备受关注。如基于edgelet特征、T-CENTRIST特征[10]的行人检测。

总体而言，由于行人具有服饰、姿态等变化，摄像环境也会受光线、震动等干扰，行人检测算法对鲁棒性和实时性的要求较高。

3.2视频行人跟踪

行人跟踪可获得行人从出现到消失过程中的运动轨迹，是乘客速度和流向等信息提取的关键基础。行人跟踪方法主要有以下几类：

(1)基于模型的跟踪：首先建立目标的表达模型，然后根据不同的搜索策略，利用模型匹配的方法估计该目标在下一帧的最优位置，如基于三维模型、视角模型的跟踪。

(2)基于区域的跟踪：在确定目标的跟踪区域之后，利用区域的相关特征确定该目标在下一帧的位置[11]。

(3)基于轮廓的跟踪：将被跟踪的目标用一个封闭的外轮廓曲线来描述，搜寻下一帧目标的最优位置，如Snake方法[12]、活动轮廓跟踪方法[13]等。

(4)基于特征的跟踪：根据点、边缘和颜色等特征进行跟踪，如关键点检测跟踪法[14]及多特征融合跟踪算法[15]等。

此外，近年来，多行人跟踪发展迅速，也是视频监控等领域的关键技术。Zhao[16]在复杂环境下进行了多人跟踪，吕敬钦[17]提出了一种基于在线双层关联的多行人跟踪方法。

3.3视频行人计数

行人计数方法的主要任务是测算通过某检测线或区域的人数，根据检测方式分为两类：

(1)基于检测线的方法：在图像中设置检测线，使用所跟踪的目标位置或特征信息与检测线进行线性拟合，从而估计出人流数目。

(2)基于区域估计的方法：在图像设置检测区域，通过在一定时间周期内对检测区域中的行人进行估计实现计数。

根据检测思想，行人计数方法也可分为两类；

(1)先检测行人，然后计数。前述行人检测和跟踪算法也可用于行人计数。

(2)先检测图像特征，然后估算行人数量。这类方法避开了繁琐复杂的行人检测而转向寻求行人特征与人数的匹配关系。

此外，还有一类特殊的行人计数方法：人群计数。Fehr[18]提出了视频人群中的人数估算方法；Subburaman[19]针对拥挤人群提出了头顶区域定位方法进行行人计数 (见图2)。这类算法对拥挤环境下的行人数量估计具有重要参考价值。

图2　行人检测与计数[19]Fig.2　Pedestrian detection and counting[19]　　　注: 小方框表示头部检测部位。

3.4小结

目前已有行人检测、跟踪和计数的许多方法，但没有适用于各种环境的通用算法。行人计数算法严重依赖于前一阶段的行人检测和跟踪算法，而由于人体在运动过程中千姿百态、视频场景复杂多变，准确有效的行人检测与跟踪本身也是一大挑战。

尽管如此，视频行人检测、跟踪和计数方法研究仍大有用武之处。行人检测能识别行人目标，行人跟踪可获得行人从出现到消失过程中的运动轨迹，行人计数可测算通过某检测线或区域的人数。若结合视频录制的时间和空间信息，借助视频行人检测和行人跟踪可计算行人速度、方向，借助视频行人计数则可统计乘客流量和密度。因此，视频检测技术适用于车站等公共场合的乘客流量、速度、密度和流向的自动识别。

4拥挤踩踏预警的框架

城市轨道交通车站拥挤踩踏预警现实意义重大，但由于专门的、系统的研究较为匮乏，尚未形成完整的拥挤踩踏预警体系。在前期研究积累和综览相关文献的基础上，本文以视频检测为核心技术,建立城市轨道交通车站的拥挤踩踏风险预警框架(图3)。该框架包括以下几部分：

图3　城市轨道交通车站拥挤踩踏预警技术流程Fig.3　Flowchart of technology of crowd trample warning in urban rail transit stations

(1)城市轨道交通车站客视频采集。为了采集车站内部客流视频，首先需要在车站站厅、扶梯、站台及出入口等地(如图4所示)布置视频采集设备。为保证视频质量，宜采用100万像素级的摄像头采集高清视频，以便于智能视频分析处理。

图4　城市轨道交通车站平面图示例Fig.4　Example of plan view of urban rail transit station

(2)客流信息提取。利用视频检测技术实时提取客流密度、速度和方向等表征客流状态的信息。在这方面，需要设计高效的行人检测算法和跟踪算法。由于轨道交通车站内常常聚集大量乘客，容易产生遮挡现象，结合既有研究，可基于人头、人脸或肩部特征开发行人检测算法，在此基础上实现划定区域的行人计数，从而提取客流密度。

对于行人跟踪，由于人头不容易被遮挡，因此宜基于头部轮廓特征和脸部特征等开发行人跟踪算法，以避免跟丢问题。同时，可采用随机跟踪的策略，而不必对每个乘客进行跟踪，以减少计算量、提高跟踪效率。在此基础上，获得乘客行走轨迹，以实现乘客速度和方向信息的提取。

(3)客流信息分析与预测。分别对客流密度、速度和方向等信息进行统计分析，掌握其时间变化规律，建立相应的短时预测模型。同时，综合分析这些信息对客流状态的影响机理。

(4)拥挤踩踏风险评估。借鉴拥挤踩踏事故风险评估的研究成果，建立拥挤踩踏风险分析指标体系，这些指标应至少包括乘客聚集密度、流量、速度和方向。在此基础上，结合其他信息构建拥挤踩踏风险评估模型，实现拥挤踩踏风险评估，并划分合理的预警级别，如由高到低的红、橙、黄、绿4个级别。

(5)拥挤踩踏预警决策与措施制订。针对每个拥挤踩踏风险级别，制订预警信息和措施。为了保障乘客的人身财产安全及轨道交通车站的顺畅运行，在预警信息发布和措施执行之前，需对它们进行预评估，若能达到预期的预警效果，则直接执行；否则，需要重新作出预警决策、制订预警信息和措施。

(6)预警信息发布与措施执行。根据预警效果评估结果，实施客流疏导和应急救援等相关措施。

可以看出，该框架从视频采集和客流信息提取入手，经过客流信息分析与预测、拥挤踩踏风险评估、拥挤踩踏预警决策和预警措施效果预评估，最终发布预警信息、执行预警措施，形成了一个闭合的循环，可实时动态地对城市轨道交通车站客流状态进行监控与预警。

需要说明的是，之所以基于视频检测建立拥挤踩踏预警框架，主要有两个原因：(1)与国内外常见的乘客自动检测手段(如压敏传感技术和光电检测技术)相比，视频检测覆盖范围大，可对站厅、扶梯、站台及出入口等重要场所(如图4所示)进行客流监测与拥挤踩踏预警，实时掌握站内乘客的空间分布状态。既有直观的视频图像，也能提供严密的信息提取、分析、预测和评估结果。而压敏传感技术和光电检测技术无法展示直观的现场景象，更难以实时获得客流的空间分布状态。(2)目前已有许多视频行人检测、跟踪和计数方法，为城市轨道交通车站的客流状态检测奠定了良好的研究基础。

5结论

本文围绕城市轨道交通车站拥挤踩踏预警,对客流预警、拥挤踩踏事故风险评估和客流状态自动检测等相关问题进行了探讨，初步建立了以视频检测为核心的城市轨道交通车站的拥挤踩踏风险预警框架，以推动客流监测和拥挤踩踏预警朝着信息化、实时动态化和智能化方向发展。

然而，由于视频监控环境复杂多变，人体特征和运动过程千姿百态，视频行人检测、跟踪和计数算法的准确率、全面性和实时性均有待改进。对于城市轨道交通车站乘客流量、速度、密度和流向的视频自动检测，也暂无相应的公开发表的行人检测算法、跟踪算法和计数算法。因此，需进一步对这些视频自动检测方法展开研究，为城市轨道交通车站拥挤踩踏预警提供准确有效的数据支撑。

城市轨道交通车站拥挤踩踏预警是一个复杂的跨学科问题，涉及信息传输、视频检测、风险评估、预测分析与决策、预警执行与接触等多方面的专业知识，不仅要从监控视频提取有用信息，还需融合自动售检票系统及历史数据库的大量信息。因此，此问题还有待进一步探索，从多方面展开专业研究并有机整合。

参考文献：

References:

[1]李得伟, 孙宇星, 黄建玲. 地铁客流预警技术基础探讨[J]. 都市快轨交通, 2013, 26(2): 62-66.

LI De-wei, SUN Yu-xing, HUANG Jian-ling. Study on Early Warning of Passenger Flows on Mass Transit Railway[J]. Urban Rapid Rail Transit, 2013, 26(2): 62-66.

[2]黄宏伟, 叶永峰, 胡群芳.地铁运营安全风险管理现状分析[J]. 中国安全工程学报, 2008, 18(7): 55-62.HUANG Hong-wei, YE Yong-feng, HU Qun-fang. Analysis on the Current Situation of Risk Management on Metro Operation Safety [J]. China Safety Science Journal, 2008, 18(7): 55-62.

[3]王起全. 基于赋权关联度算法的地铁拥挤踩踏事故风险研究[J]. 中国安全科学学报, 2013, 23(5):94-100.

WANG Qi-quan. Research on Crowded Stamped Accident Risk at Subway Based on Empowering Related Degree Method[J]. China Safety Science Journal, 2013, 23(5):94-100.

[4]潘罗敏. 地铁短时客流量预测预警研究[D]. 北京: 首都经济贸易大学, 2011.

PAN Luo-min. Study on Short-time Passenger Flow Prediction and Early Warning in Subway[D]. Beijing: Capital University of Economics and Business, 2011.

[5]杨军. 地铁客流短期预测及客流疏散模拟研究[D]. 北京: 北京交通大学, 2014.

YANG Jun. Research on Metro Passenger Flow Short-time Prediction and Evacuation Simulation[D]. Beijing: Beijing Jiaotong University, 2014.

[6]李清泉, 李秋萍, 方志祥. 一种基于时空拥挤度的应急疏散路径优化方法[J]. 测绘学报, 2011, 40(4): 517-523.

LI Qing-quan, LI Qiu-ping, FANG Zhi-xiang. An Emergency Evacuation Routing Optimization Method Based on Space-time Congestion Concept[J]. Acta Geodaetica et Cartographica Sinica, 2011, 40(4): 517-523.

[7]刘艳, 汪彤, 丁辉, 等. 地铁车站拥挤踩踏事故风险评价DEA模型研究[J]. 中国安全科学学报, 2013, 23(10): 100-104.

LIU Yan, WANG Tong, DING Hui, et al. Research on Risk Assessment DEA Model of Crowd Crushing and Trampling Accidents in Subway Stations[J]. China Safety Science Journal, 2013, 23(10): 100-104.

[8]文嘉俊, 徐勇, 战荫伟. 基于AdaBoost和帧间特征的人数统计[J]. 中国图像图形学报, 2011, 16(9): 1729-1735.

WEN Jia-jun, XU Yong, ZHAN Yin-wei. People Counting Based on AdaBoost and Inter-frame Features[J]. Journal of Image and Graphics, 2011, 16(9): 1729-1735.

[9]石娟峰. 基于视频的行人检测和跟踪[D]. 北京: 北京邮电大学, 2012.

SHI Juan-feng. Video-based Pedestrian Detection and Tracking[D]. Beijng: Beijing University of Posts and Telecommunication, 2012.

[10]倪洪印. 基于视频的人体检测与目标跟踪方法研究[D]. 长春: 吉林大学, 2014.

NI Hong-yin. Research on Pedestrian Detection and Object Tracking Method Based on Video[D]. Changchun: Jilin University, 2014.

[11]WREN C, AZARBAYEJANI A, DARRELL T, et al. Pfinder: Real-time Tracking of the Human Body[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1997, 19(7): 780-785.

[12]KASS M, WITKIN A, TERZOPOULOUS D. Snakes: Active Contour Models[J]. International Journal of Computer Vision, 1988, 1(4):321-331.

[13]查宇飞, 张育, 毕笃彦. 基于区域活动轮廓运动目标跟踪方法研究[J]. 中国图像图形学报, 2006, 11(12): 1844-1848.

ZHA Yu-fei, ZHANG Yu, BI Du-yan. Moving Objects Tracking Using Region-based Active Contours[J]. Journal of Image and Graphics, 2006, 11(12): 1844-1848.

[14]MIAO Q, WANG G, LIN X, et al. Scale and Rotation Invariant Feature-based Object Tracking via Modified On-line Boosting[C]//17th IEEE International Conference on Image Processing. Hong Kong: IEEE, 2010: 3929-3932.

[15]HU J S, JUAN C W, WANG J J. A Spatial-color Mean-shift Object Tracking Algorithm with Scale and Orientation Estimation[J]. Pattern Recognition Letters, 2008, 29(16): 2165-2173.

[16]ZHAO T, NEVATIA R. Tracking Multiple Humans in Complex Situations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004, 26(9):1208-1221.

[17]吕敬钦. 视频行人检测及跟踪的关键技术研究[D]. 上海: 上海交通大学, 2013.

LÜ Jing-qin. Research on Important Technology of Video Pedestrian Detection and Tracking[D]. Shanghai: Shanghai Jiaotong University, 2013.

[18]FEHR D, SIVALINGAM R, MORELLAS V, et al. Counting People in Groups[C]// Sixth IEEE International Conference on Advanced Video and Signal Based Surveillance. Genova: IEEE, 2009:152-157.

[19]SUBBURAMAN V B, DESCAMPS A, CARINCOTTE C. Counting People in the Crowd Using a Generic Head Detector[C]// Ninth IEEE International Conference on Advanced Video and Signal Based Surveillance. Beijing: IEEE, 2012: 470-475.

收稿日期：2015-07-24

基金项目：国家自然科学基金项目(51108391, 61170041)；重庆市社会事业与民生保障科技创新专项项目 (cstc2015shms-ztzx0127, cstc2015shms-ztzx0177)；重庆交通大学科研启动项目(15JDKJC-A002)

作者简介：彭博(1986-)，男，四川南充人，博士. (pengbo351@126.com)

doi:10.3969/j.issn.1002-0268.2016.07.017

中图分类号：U298.2, U239.5

文献标识码：A

文章编号：1002-0268(2016)07-0108-05

Discussion of Crowd Trample Warning Technology for Urban Rail Transit Stations

PENG Bo1, JIANG Yang-sheng2,3,

(1. School of Traffic and Transportation, Chongqing Jiaotong University, Chongqing 400074, China;2. School of Transportation and Logistics, Southwest Jiaotong University, Chengdu Sichuan 610031, China;3. Sichuan Provincial Key Laboratory of Comprehensive Transportation, Southwest Jiaotong University,Chengdu Sichuan 610031, China)

Abstract：In order to prevent crowd trample accidents and protect passengers’ personal and property safety in urban rail transit stations, it is necessary to implement crowd trample warning. However, we are short of relevant research recently. Based on comprehensively analyzing the research status about early warning of subway passenger flow, crowd trample accident risk assessment and passenger traffic monitoring (mainly video pedestrian detection, tracking and counting), we discussed the crowd trample warning system for urban rail transit stations. We established a crowd trample warning framework for urban rail transit stations based on video detection, and also determined the technical process and major method of the early warning system, including extraction, analysis and short-term prediction of passenger flow information based on video detection, assessment of crowd trample accident risk, decision-making on early warning of crowd trample and measure development. The challenges and research recommendations of crowd trample warning for urban rail transit station are presented at last.

Key words：traffic engineering; urban rail transit station; crowd trample warning; system research; risk assessment; pedestrian detection; pedestrian tracking; pedestrian counting